Universidad Nacional de Trujillo

Facultad de Ciencias Fsicas y Matem

aticas
Departamento de Matem
aticas

Metodo de Diferencias Finitas para EDP

Luis Lara Romero

Per
u, 2008

Indice general

1. Introducci
on

1.1. La Naturaleza de los Metodos Numericos . . . . . . . . . . . . . . .

1.2. El Concepto de Discretizacion . . . . . . . . . . . . . . . . . . . . .

1.3. Precision de las Aproximaciones . . . . . . . . . . . . . . . . . . . .

1.4.

Metodos de Discretizacion . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1.

Serie de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . 11

1.4.2.

Metodo Variacional . . . . . . . . . . . . . . . . . . . . . . 11

1.4.3.

Pesos Residuales . . . . . . . . . . . . . . . . . . . . . . . . 11

1.4.4.

Volumen de Control . . . . . . . . . . . . . . . . . . . . . . 12

1.4.5.

Integrales de Contorno y Teora de Potencial . . . . . . . . 12

2. M
etodo de Diferencia Finitas

2.1. Metodo de Diferencias Finitas

Unidimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.1.1. Discretizacion del Dominio . . . . . . . . . . . . . . . . . . .

2.1.2. Discretizacion de la Variable . . . . . . . . . . . . . . . . . .

2.1.3. Discretizacion de los Operadores Diferenciales . . . . . . . .

2.2. Discretizacion del Problema de EDP . . . . . . . . . . . . . . . . . 16

2.2.1. Discretizacion del Problema (P) . . . . . . . . . . . . . . . . 17
2.3. Operadores de Diferencias Finitas . . . . . . . . . . . . . . . . . . . 21
2.4. Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1. Convergencia de un Problema de Valor Inicial . . . . . . . . 29
2.4.2. Convergencia de un Problema de Valor
Inicial-Contorno . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.5. Consistencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5.1. Consistencia de Problemas de Valor Inicial . . . . . . . . . . 38
2.5.2. Consistencia de Problemas de valor Inical-Contorno . . . . . 41
2.6. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.6.1. Analisis de Estabilidad Matricial . . . . . . . . . . . . . . . 51
2.6.2. Estabilidad de Problemas de Valor Inicial

. . . . . . . . . . 56

2.6.3. Estabilidad de Problemas de Valor Inicial-Frontera . . . . . 59

2.7. El Teorema de Lax . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.7.1. Teorema de Lax y Problemas de Valor Inicial . . . . . . . . 61
2.7.2. Teorema de Lax y Problemas de Valor Inicial-Frontera . . . 64
2.7.3. Teorema de Equivalencia de Lax . . . . . . . . . . . . . . . . 65
2.8. Analisis de Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.8.1. Analisis de Estabilidad para Problemas de Valor
Inicial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
2.8.2. La Transformada de Fourier . . . . . . . . . . . . . . . . . . 73
2.8.3. Analisis de Fourier . . . . . . . . . . . . . . . . . . . . . . . 76

ii

2.8.4. Factor de Amplificacion . . . . . . . . . . . . . . . . . . . . 78

2.8.5. Estabilidad y Problemas de Valor Inicial-Frontera . . . . . . 80
2.8.6. Series de Fourier Finitas y Estabilidad . . . . . . . . . . . . 81
2.8.7. Condicion de Estabilidad de von Neumann . . . . . . . . . . 82
2.9. Analisis de Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
2.10. Ecuacion Modificada . . . . . . . . . . . . . . . . . . . . . . . . . . 98
2.11. Viscosidad Artificial . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3. Ecuaci
ones Diferenciales Hiperb
olicas

123

3.1. Ecuaciones de Primer Orden . . . . . . . . . . . . . . . . . . . . . . 123

3.1.1. Clasificacion de las ecuaciones de primer orden . . . . . . . . 124
3.2. Metodo de las Caractersticas . . . . . . . . . . . . . . . . . . . . . 125
3.2.1. Problema Lineal

. . . . . . . . . . . . . . . . . . . . . . . . 125

3.3. Problema no lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

3.4. Sistemas de Ecuaciones Hiperbolicos
de Leyes de Conservacion . . . . . . . . . . . . . . . . . . . . . . . . 135
3.4.1. Condiciones de Contorno . . . . . . . . . . . . . . . . . . . . 138
3.5. Derivacion de Leyes de Conservacion . . . . . . . . . . . . . . . . . 139
3.6. Leyes de Conservacion Escalar . . . . . . . . . . . . . . . . . . . . . 143
3.7. Esquemas de Diferencias . . . . . . . . . . . . . . . . . . . . . . . . 146
3.7.1. La Condicion de Courant-Friedrichs-Lewy CFL . . . . . . . 151
3.8. Esquemas Explcitos . . . . . . . . . . . . . . . . . . . . . . . . . . 151
3.8.1. Esquema FTCS . . . . . . . . . . . . . . . . . . . . . . . . . 151
3.8.2. Esquema Upwind

. . . . . . . . . . . . . . . . . . . . . . . 153
iii

3.8.3. Esquemas Leapfrog

. . . . . . . . . . . . . . . . . . . . . . 155

3.8.4. Esquema Lax-Wendroff . . . . . . . . . . . . . . . . . . . . . 161

3.8.5. Esquema Lax-Friedrichs . . . . . . . . . . . . . . . . . . . . 164
3.9. Esquems Implcitos . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
3.9.1. Esquema BTCS . . . . . . . . . . . . . . . . . . . . . . . . . 165
3.9.2. Esquema Crank-Nicolson . . . . . . . . . . . . . . . . . . . . 166
3.10. Resultados Numericos . . . . . . . . . . . . . . . . . . . . . . . . . 168
4. Ecuaci
ones Diferencales Parab
olicas

181

4.1. Solucion de la Ecuacion del Calor . . . . . . . . . . . . . . . . . . . 187

4.2. Principio del Maximo, Decaimiento
Exponencial, Efecto Regularizante . . . . . . . . . . . . . . . . . . . 204
4.2.1. Principio del Maximo . . . . . . . . . . . . . . . . . . . . . . 206
4.2.2. Decaimiento de Soluciones . . . . . . . . . . . . . . . . . . . 208
4.2.3. Efecto Regularizante . . . . . . . . . . . . . . . . . . . . . . 209
4.3. Esquemas Explcitos . . . . . . . . . . . . . . . . . . . . . . . . . . 210
4.3.1. Esquema FTCS . . . . . . . . . . . . . . . . . . . . . . . . . 210
4.3.2. Esquema Leapfrog . . . . . . . . . . . . . . . . . . . . . . . 212
4.3.3. Esquema Du Fort-Frankel . . . . . . . . . . . . . . . . . . . 215
4.4. Esquemas Implcitos . . . . . . . . . . . . . . . . . . . . . . . . . . 222
4.4.1. Esquema BTCS o Euler retrasado . . . . . . . . . . . . . . . 222
4.4.2. Esquema Crank-Nicolson . . . . . . . . . . . . . . . . . . . . 228
4.4.3. Esquemas Semi-Implcitos . . . . . . . . . . . . . . . . . . . 232

iv

4.5. Estabilidad de Esquemas de Diferencias Finitas para Sistemas de

Ecuaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
4.6. Implementacion Numerica . . . . . . . . . . . . . . . . . . . . . . . 237
4.7. Aplicaciones

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246

5. La Ecuaci
on del Transporte

252

5.1. Ley de Conservacion de Masa . . . . . . . . . . . . . . . . . . . . . 252

5.2. Esquemas Explcitos . . . . . . . . . . . . . . . . . . . . . . . . . . 255
5.2.1. Esquema FTCS . . . . . . . . . . . . . . . . . . . . . . . . . 255
5.2.2. Esquema Upwind . . . . . . . . . . . . . . . . . . . . . . . . 265
5.2.3. Esquema Du Fort-Frankel . . . . . . . . . . . . . . . . . . . 269
5.2.4. Esquema Lax-Wendroff . . . . . . . . . . . . . . . . . . . . . 272
5.3. Esquemas Implcitos . . . . . . . . . . . . . . . . . . . . . . . . . . 275
5.3.1. Esquema de Crank-Nicolson . . . . . . . . . . . . . . . . . . 275
5.4. Resultados Numericos . . . . . . . . . . . . . . . . . . . . . . . . . 277
6. Ecuaciones Elpticas

281

6.1. Ecuacion de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . 281

6.1.1. Caso unidimensional . . . . . . . . . . . . . . . . . . . . . . 282
6.1.2. Caso bidimensional . . . . . . . . . . . . . . . . . . . . . . . 286
6.2. Tratamiento de las condiciones de contorno . . . . . . . . . . . . . . 289
6.2.1. Metodos de los puntos ficticios . . . . . . . . . . . . . . . . . 291
6.2.2. Aproximacion por series de Taylor (sin puntos ficticios) . . . 292
6.2.3. Fronteras irregulares y curvadas . . . . . . . . . . . . . . . . 294

7. Convergencia de problemas lineales y no lineales

296

7.1. Estabilidad y Convergencia . . . . . . . . . . . . . . . . . . . . . . . 297

7.1.1. Discretizacion del Dominio . . . . . . . . . . . . . . . . . . . 297
7.1.2. Discretizacion de la Variable . . . . . . . . . . . . . . . . . . 297
7.1.3. Discretizacion de la Ecuacion . . . . . . . . . . . . . . . . . 298
7.2. Consistencia y orden de precision . . . . . . . . . . . . . . . . . . . 305
7.3.

Problemas no lineales: Ecuacion de

Burgers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
7.3.1. Esquemas de diferencias finitas . . . . . . . . . . . . . . . . 308
7.3.2. Consistencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
7.3.3. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
7.3.4. Implementacion numerica . . . . . . . . . . . . . . . . . . . 317

Bibliografa

320

vi

Indice de figuras
2.1. Discretizacion del dominio . . . . . . . . . . . . . . . . . . . . . . .

2.2. Molecula de calculo . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.3. Semiplano superior . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4. Discretizacion del dominio . . . . . . . . . . . . . . . . . . . . . . . 18
2.5. Consistencia, Estabilidad y Convergencia . . . . . . . . . . . . . . . 24
2.6. Esquema Upwind hacia delante . . . . . . . . . . . . . . . . . . . . 47
2.7. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
3.1. Curvas caractersticas

. . . . . . . . . . . . . . . . . . . . . . . . . 128

3.2. Rectas caractersticas

. . . . . . . . . . . . . . . . . . . . . . . . . 130

3.3. Rectas caractersticas de la ecuacion de Burger

. . . . . . . . . . . 135

3.4. a > 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

3.5. a < 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
3.6. Ducto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
3.7. Upwind . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
3.8. Leapfrog

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

3.9. Lax -Wendroff

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

3.10. Lax-Friedrichs

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
vii

3.11. Factor amplificacion FTCS . . . . . . . . . . . . . . . . . . . . . . . 155

3.12. Factor amplificacion Upwind

. . . . . . . . . . . . . . . . . . . . . 155

3.13. Leapfrog, Cr 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161

3.14. Leapfrog, Cr > 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
3.15. Factor Lax-Wendroff . . . . . . . . . . . . . . . . . . . . . . . . . . 164
3.16. Factor Lax-Friedrichs . . . . . . . . . . . . . . . . . . . . . . . . . . 167
3.17. Factor Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . . . . 167
3.18. Esquema Lax-Wendroff, Cr = 0.5, n=50, 100, 150 . . . . . . . . . . 169
3.19. Esquema Upwind, Cr = 0.5, n=50, 100, 150 . . . . . . . . . . . . . 170
3.20. Esquema Leapfrog, Cr = 0.5, n=50, 100, 150 . . . . . . . . . . . . . 171
3.21. Esquema Lax-Friedrichs, Cr = 0.5, n=50, 100, 150 . . . . . . . . . . 172
3.22. Upwind, Cr = 0.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
3.23. Lax-Wendroff, Cr = 0.8 . . . . . . . . . . . . . . . . . . . . . . . . . 173
3.24. Lax-Friedrichs, Cr = 0.8 . . . . . . . . . . . . . . . . . . . . . . . . 174
3.25. FTCS, Cr = 0.8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
3.26. Upwind, Cr = 0.5, n=50, 100, 150 . . . . . . . . . . . . . . . . . . . 175
3.27. Lax-Wendroff, Cr = 0.5, n=50, 100, 150 . . . . . . . . . . . . . . . . 176
3.28. Lax-Friedrichs Cr = 0.5, n=50, 100, 150 . . . . . . . . . . . . . . . . 177
3.29. Conveccion FTCS, Tmax=0.2 . . . . . . . . . . . . . . . . . . . . . 178
3.30. Conveccion FTCS, Tmax=0.4 . . . . . . . . . . . . . . . . . . . . . 178
3.31. Upwind, Cr = 0.5, = 1.0, dx = 0,01, T max = 2.0 seg . . . . . . . 178
3.32. Leapfrog, Tmax = 0.25 seg . . . . . . . . . . . . . . . . . . . . . . 179
3.33. Leapfrog, Tmax = 0.375 seg

. . . . . . . . . . . . . . . . . . . . . 179

viii

3.34. Leapfrog, Tmax = 1.0 seg . . . . . . . . . . . . . . . . . . . . . . . 179

3.35. Leapfrog, Tmax = 2.0 seg . . . . . . . . . . . . . . . . . . . . . . . 179
3.36. Lax Friedrichs, Cr = 0.5 . . . . . . . . . . . . . . . . . . . . . . . . 180
3.37. Upwind, h=0.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
3.38. Upwind, h=0.05

. . . . . . . . . . . . . . . . . . . . . . . . . . . . 181

3.39. Upwind, h=0.025 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181

3.40. Lax Friedrichs, h=0.1

. . . . . . . . . . . . . . . . . . . . . . . . . 182

3.41. Lax Friedrichs, h=0.05 . . . . . . . . . . . . . . . . . . . . . . . . . 182

3.42. Lax Friedrichs, Cr=0.8, h=0.025

. . . . . . . . . . . . . . . . . . . 182

3.43. Lax Wendroff, h=0.1 . . . . . . . . . . . . . . . . . . . . . . . . . . 183

3.44. Lax Wendroff, h=0.05 . . . . . . . . . . . . . . . . . . . . . . . . . 183
3.45. Lax Wendroff, h=0.025
3.46. Leapfrog, h=0.1

. . . . . . . . . . . . . . . . . . . . . . . . 183

. . . . . . . . . . . . . . . . . . . . . . . . . . . . 184

3.47. Leapfrog, h=0.05 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184

3.48. Leapfrog, h=0.025

. . . . . . . . . . . . . . . . . . . . . . . . . . . 184

4.1. Dominio del problema . . . . . . . . . . . . . . . . . . . . . . . . . 186

4.2. Discretizacion del Dominio . . . . . . . . . . . . . . . . . . . . . . . 186
4.3. Ecuacion unidimensional de difusion. . . . . . . . . . . . . . . . . . . . 187
4.4. Dominio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
4.5. Molecula de calculo para FTCS . . . . . . . . . . . . . . . . . . . . 210
4.6. FTCS, r = 0.2, 0.3, 0.5, 0.7 . . . . . . . . . . . . . . . . . . . . . . 211
4.7. FTCS, Polares r = 0.2 . . . . . . . . . . . . . . . . . . . . . . . . . 211
4.8. FTCS, Polares r= 0.5 . . . . . . . . . . . . . . . . . . . . . . . . . . 212
ix

4.9. FTCS, Polares r= 0.7

. . . . . . . . . . . . . . . . . . . . . . . . . 212

4.10. Molecula de calculo para Leapfrog . . . . . . . . . . . . . . . . . . . . 213

4.11. Leapfrog, Polares r = 0.2, 0.5, 1.0 . . . . . . . . . . . . . . . . . . . 214
4.12. Leapfrog, Polares r = 1.0

. . . . . . . . . . . . . . . . . . . . . . . 214

4.13. Leapfrog, Polares r=0.5 . . . . . . . . . . . . . . . . . . . . . . . . . 214

4.14. Leapfrog, Polares r = 0.2 . . . . . . . . . . . . . . . . . . . . . . . . 214
4.15. Molecula de calculo para Du Fort-Frankel

. . . . . . . . . . . . . . 215

4.16. Du Fort-Frankel, r=0.2, 0.3, 0.5 . . . . . . . . . . . . . . . . . . . . 221

4.17. Du Fort-Frankel r=1.0, 3.0 . . . . . . . . . . . . . . . . . . . . . . . 221
4.18. Du Fort-Frankel, Polares. . . . . . . . . . . . . . . . . . . . . . . . . 221
4.19. Molecula de calculo para Euler retrazado o BTCS . . . . . . . . . . 223
4.20. BTCS,r=0.2, 0.5,1.0 2.0 . . . . . . . . . . . . . . . . . . . . . . . . 227
4.21. BTCS, radio = 0.5 . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
4.22. BTCS, radio =1.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
4.23. BTCS, radio = 2.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
4.24. Molecula de calculo para Crank-Nicolson . . . . . . . . . . . . . . . 228
4.25. Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
4.26. Crank-Nicoloson, radio = 0.5 . . . . . . . . . . . . . . . . . . . . . 233
4.27. Factor de amplificacion

Crank-Nicolson, Polares r=1.0 . . . . . 233

4.28. Factor de amplificacion

Crank-Nicolson, Polares r=2.0. . . . . 233

4.29. Du Fort-Frankel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246

4.30. BTCS o Euler retrazado . . . . . . . . . . . . . . . . . . . . . . . . 246
4.31. Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246

4.32. T=0.1, h = 0,1, r=0,5 . . . . . . . . . . . . . . . . . . . . . . . . . 247

4.33. T=0.1, r=1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
4.34. T=0.1, r=1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
4.35. FTCS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
4.36. Du Fort-Frankel

. . . . . . . . . . . . . . . . . . . . . . . . . . . . 250

5.1. Ley de Conservacion de Masa . . . . . . . . . . . . . . . . . . . . . 252

5.2. Condicion de Inestabilidad FTCS . . . . . . . . . . . . . . . . . . . 261
5.3. Funcion convexa FTCS

. . . . . . . . . . . . . . . . . . . . . . . . 262

5.4. Condicion-estabilidad FTCS

5.5. Funcion concava FTCS

. . . . . . . . . . . . . . . . . . . . . 262

. . . . . . . . . . . . . . . . . . . . . . . . 262

5.6. Condicion-inestabilidad FTCS

. . . . . . . . . . . . . . . . . . . . 262

5.7. Estabilidad FTCS, (r, Cr ) . . . . . . . . . . . . . . . . . . . . . . . 264

5.8. Factor-amplificacion FTCS . . . . . . . . . . . . . . . . . . . . . . . 265
5.9. Factor-amplificacion Upwind . . . . . . . . . . . . . . . . . . . . . . 269
5.10. Factor-Du Fort-Frankel

. . . . . . . . . . . . . . . . . . . . . . . . 272

5.11. Factor-Lax Wendroff . . . . . . . . . . . . . . . . . . . . . . . . . . 274

5.12. Factor-amplificacion Crank-Nicolson . . . . . . . . . . . . . . . . . . 277
5.13. Condicion inicial para la propagacion de una fuente de temperatura 278
5.14. Exacta-FTCS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
5.15. Exacta-Lax-Wendroff . . . . . . . . . . . . . . . . . . . . . . . . . . 279
5.16. Exacta, Upwind, DF-Frankel . . . . . . . . . . . . . . . . . . . . . . 279
5.17. Exacta-Crank-Nicolson . . . . . . . . . . . . . . . . . . . . . . . . . 279
6.1. Descomposicion lu . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
xi

6.2. Molecula de 5 puntos . . . . . . . . . . . . . . . . . . . . . . . . . . 287

6.3. Numeracion de los nodos de la malla . . . . . . . . . . . . . . . . . 290
6.4. Nodos pr
ximos a frontera curvada . . . . . . . . . . . . . . . . . . . 294
7.1. Forma No Conservativa
7.2. Forma Conservativa

. . . . . . . . . . . . . . . . . . . . . . . . 319

. . . . . . . . . . . . . . . . . . . . . . . . . . 319

Captulo 1
Introducci
on
En los u
ltimos a
nos, se ha notado un creciente interes de matematicos y especialistas en computacion cientfica, por tratar problemas que involucran modelos
con parametros de un tama
no arbitrario. Muchos de estos modelos interpretan
problemas que ocurren en la realidad como en flujos de fluidos, flujo en medios porosos, transferencia de calor y masa, electromagnetismo, contaminaci`on del medio
ambiente. Las ecuaciones diferenciales parciales (EDP), [6][7][13], que provienen
de este tipo de problemas se caracterizan por tener mas variables dependientes y
mas de una variables independientes, cuando una de las variables independientes
es la variable temporal las ecuaciones generalmente tienen una parte convectiva y
una parte difusiva, as como tambien interpretan los estados transitorios y estados
estacionarios, esto a su vez da origen a trabajar con ecuaciones de tipo hiperbolico,
ecuaciones de tipo parabolico o una convinacion de ambas ecuaciones. La conveccion y difusion ocurren simultaneamente en muchas situaciones de la fsica.
Por la variedad de tipo de ecuacion, no todo metodo numerico de resolucion

de ecuaciones diferenciales es aplicable en todos los casos. Es necesario realizar

un estudio sobre el metodo numerico mas conveniente antes de su aplicacion a un
problema concreto. Esto garantizara que la solucion numerica obtenida se aproxime
convenientemente a la solucion exacta del problema planteado.
La solucion numerica es la solucion de un problema discreto el cual es producto
del proceso de discretizacion del problema planteado analticamente. La solucion
numerica o discreta se considera convenientemente buena usando los siguientes
conceptos:
Consistencia: la ecuacion discreta es tan cercana a la ecuacion diferencial
tanto como queramos salvo un error de truncamiento.
Convergencia: la solucion del problema discreto tiende a la solucion del
problema continuo. El error de aproximacion se llama error global de precision.
Estabilidad: peque
nas variaciones en los datos iniciales no provocan grandes
variaciones en los resultados correspondientes.
Cuando aplicamos un metodo numerico en particular se presentan dos tipos de
errores en la solucion. Estos errores pueden ser causados por el error de redondeo, el
cual es una propiedad particular del tipo de computadora usada o por la aplicacion
de una Esquema de Diferencias Finitas, es decir, un error de discretizacion. Si el
error introducido cuando aplicamos un (EDF) no es controlado, el crecimiento del
error con la solucion de la ecuacion discreta, dara como resultado una solucion no
estable, es decir, a partir de un cierto calculo, las soluciones discretas se tornan

incotrolables. Entender y controlar los errores por un analisis de estabilidad es

esencial para una solucion exitosa dada por el MDF.
Podemos mencionar dos Metodos de analisis de estabilidad, el Metodo de perturbaci
on discreta y el analisis de von Neumann. El metodo de von Neumann es
muy usado y es menos pesado matematicamente. El metodo de perturbacion discreta consiste en introducir en un punto una perturbacion, y su efecto se investiga
sobre una vecindad de dicho punto. Si la perturbacion crece con la solucion el
esquema es inestable.
En este texto trabajaremos con el Metodo de Diferencia Finitas (MDF),[6],[22],[23]
en la ecuacion del transporte, vista como una combinacion de conveccion-difusion.
u
u
2u
+a
= 2
t
x
x

(1.1)

donde t representa el tiempo, x la variable espacial, a y son la velocidad convectiva y el coeficiente de difusividad respectivamente, y u es alguna cantidad escalar (temperatura por ejemplo). Decidimos trabajar con este modelo puesto que
a traves de ella, se puede interpretar una amplia y variada gama de problemas, y
puede ser vista como combinacion de la ecuacion de conveccion
u
u
+a
=0
t
x

(1.2)

donde a es una constante que representa la velocidad del fluido; y la ecuacion de

difusion
2u
u
= 2
t
x

(1.3)

donde tambien considerada como constante y representa la difusividad del medio.

La ecuacion del transporte por conveccion-difusion reune dos procesos diferentes: el difusivo, descrito matematicamente por la ecuacion parabolica (1.3); y el
convectivo descrito por la ecuacion hiperbolica (1.2). Teniendo en cuenta estos dos
procesos, la expresion que los rige de forma conjunta sera la ecuacion diferencial
(1.1) llamada ecuacion del transporte, la cual se puede ubicar en el area de la
Dinamica de Fluidos Computacional (DFC).
Por la facilidad en su aplicabilidad el Metodo de Diferencias Finitas ha sido
usando en muchos problemas de la DFC, obteniendo gran exito en algunos casos,
pero tambien numerosas dificultades en otros casos [9]. Se requiere de un analisis de
estabilidad a fin de determinar si un esquema de diferencias finitas (EDF), simple
o complicado resulta u
til pero este proceso a su vez llega a ser lento y voluminoso
que intentarlo por la experimentacion numerica llega a ser mas realista y facil de
implementar.
Como sabemos las EDP estan presentes en casi todas las ramas de la ciencia, asi
que cada tipo de EDP se adecuara en mayor o menor grado a un Esquema de Diferencias Finitas diferente que es una estrategia especial o particular de aproximacion
numerica. Pero para que un esquema de diferencias sea aceptable tenemos que garantizar que la solucion aproximada sea bastante cercana a la solucion exacta, esto
es convergencia. Pero como sabemos para llegar a establecer la convergencia de las
soluciones aproximadas a la solucion exacta es demasiado difcil o materialmente
imposible, por lo cual son necesarios dos conceptos importantes, consistencia y
estabilidad, [9],[16],[22],[23], que nos ayudan a probar la convergencia de manera
indirecta utilizando el Teorema de Lax [22], [26].

Para el estudio de la estabilidad numerica se fija el paso espacial y temporal

y se examina el comportamiento de la solucion cuando t tiende al infinito. Uno
espera que en este caso los errores acumulados no se amplifiquen de modo tal que
los resultados numericos sean validados. Entonces si la amplificacion del error es
restringida, en un cierto sentido, se dice que el metodo de diferencias finitas es
numericamente estable. Consistencia tiene que ver con el orden de truncamiento
local para el operador diferencial discreto. La tecnica mas utilizada para estudiar
la estabilidad numerica de esquemas de diferencias son el Metodo de Fourier o
de von Neumann, el Metodo Matricial y el Metodo de perturbacion discreta. La
estabilidad es uno de los conceptos mas importantes que se debe tener presente
cuando se trabaja con soluciones aproximadas porque podemos tener esquemas
que son consistentes con la EDP pero no estables y por lo tanto no seran convergentes. Veamos un caso que se presenta si empleamos la ecuacion del transporte
(1.1) es una combinacion de la ecuacion parabolica de difusion y la ecuacion hiperbolica de conveccion. Cada una de estas ecuaciones tiene sus propios esquemas
de diferencias finitas como por ejemplo ATCE, Upwind, Leapfrog, Lax-Wendroff,
Du Fort-Frankel, Crank-Nicolson entre otros y por lo tanto su propias condiciones
para la estabilidad y sus propios ordenes de truncamiento. Pero surge un problema en la estabilidad al momento de hacer la combinacion conveccion-difusion. Por
ejemplo, el esquema ATCE aplicado a la ecuacion de difusion es condicionalmente
t
estable con r = x
on de
2 0.5. Sin embargo el mismo esquema para la ecuaci
t
conveccion es inestable para todo n
umero de Courant Cr = a x
. La combinacion

de los dos necesita condiciones dependientes entre el n

umero de difusion r y el

n
umero de Courant Cr a traves del n
umero de Peclet desarrollado para el caso de
la conveccion. Otro ejemplo que podemos citar es el esquema Upwind que es cont
dicionalmente estable con Cr = a x
y en combinacion con el esquema ATCE para

la ecuacion de difusion da como resultado un esquema Upwind para la ecuacion del

transporte condicionalmente estable, pero dependiendo de los dos parametros. Es
natural preguntarse por las condiciones y relaciones que deben cumplir los parametros r y Cr para tener esquemas estables para la ecuacion del transporte. Ademas
estableceremos criterios sobre los parametros Cr y r para obtener condiciones de
estabilidad para complicados esquemas de diferencias.
En general, existen las ecuaciones diferenciales que gobiernan los cambios de
concentracion de una sustancia en un cuerpo de agua, que carecen de solucion
analtica, y por lo tanto su solucion debe obtenerse por medio de aproximaciones
numericas. El metodo de diferencias finitas se ha utilizado tradicionalmente para
resolver ecuaciones de este tipo, la amplia difusion de su uso se debe principalmente a su claridad conceptual y a su facilidad de programacion en un computador,
ya que en este metodo las ecuaciones diferenciales se transforman directamente
en ecuaciones en diferencias finitas. En terminos generales los pasos a seguir para
obtener la solucion numerica a un problema son : (1) Seleccionar un metodo adecuado para el tipo de ecuacion involucrada; (2) Discretizar el problema obteniendo
un sistema ecuacions finito dimensional; (3) Resolver el sistema de ecuaciones algebraicas que se han obtenido.
En el proceso de discretizacion de las ecuaciones diferenciales por medio de
diferencias finitas, las variables dependientes que describen el estado del sistema

se consideran definidas en un n
umero finito de puntos o nodos dentro del dominio
a considerar, cuyas dimensiones estan dadas por el n
umero de variables independientes. Los nodos forman una red computacional y estan identificados mediante
un conjunto de ndices, por ejemplo en una dimension se puede denotar por (j, n),
relacionados con la coordenada espacial x y temporal t de los nodos, por medio de
los intervalos de discretizacion en cada dimension, por ejemplo (x, t). El conjunto de nodos los cuales son necesarios para escribir la ecuacion de diferencias y
los coeficientes en las ecuaciones diferenciales del modelo, relacionados a un nodo,
forman la llamada molecula computacional de un esquema de diferencias finitas.
Los terminos implcitos y explcito estan relacionados a la dinamica del esquema de diferencias finitas y depende de la forma en que se calcule el avance en el
tiempo. Los esquemas explcitos producen soluciones explcitas para las variables
dependientes en cada nivel de tiempo, explcitamente en funcion de valores conocidos en el nivel de tiempo anterior. Por otra parte, en los esquemas implcitos el
calculo de la solucion en un nodo en un nivel, involucra valores de otros nodos en
el mismo nivel conduciendo a la solucion de un sistema de ecuaciones simultaneas
en cada nivel de tiempo.
Al aplicar un esquema seleccionado, suele obtenerse un sistema de ecuaciones
algebraicas que puede ser lineales o no lineales, donde los coeficientes dependen
de las incognitas. En este u
ltimo caso su solucion puede obtenerse usando un
metodo iterativo como el de Newton-Raphson, en el cual el sistema de ecuaciones
se transforma en un sistema lineal para cada iteracion. El sistema suele tener una
matriz de coeficientes con una estructura dispersa y puede resolverse haciendo uso

de algoritmos especiales.
Para ubicar el Metodo de Diferencias Finitas dentro de los Metodos numericos
presentamos una descripcion general epistemologica y logica de como abordar un
problema con un metodo numerico.

1.1.

La Naturaleza de los M
etodos Num
ericos
La solucion numerica de una ecuacion diferencial consiste de un conjunto de

n
umeros a partir de los cuales la distribucion de la variable dependiente puede ser
construida. En este sentido, un metodo numerico es semejante a un experimento
de laboratorio, en el cual el conjunto de instrumentos leidos nos permiten establecer la distribucion de la cantidad medible en el dominio de investigacion. Tanto
el analista numerico como el experimentador de laboratorio deben quedarse con
u
nicamente un n
umero finito de valores numericos como resultado. Por tanto un
metodo numerico es un proceso de discretizacion de un problema a fin de lograr
los objetivos planteados.
Finalmente podemos decir que un metodo numerico trata como sus incognitas
basicas los valores de las variables dependientes en un n
umero finito de localizaciones llamados puntos o nodos los cuales se distribuyen formando una malla en el
dominio de calculo. El metodo incluye la tarea de proveer un conjunto de ecuaciones algebraicas para estas incognitas y prescribir un algoritmo para resolver estas
ecuaciones.

1.2.

El Concepto de Discretizaci
on
Teniendo en cuenta que un problema de ecuaciones diferenciales parciales

es una abstraccion de la realidad siempre depende de una cantidad muy grande de

parametros internos del medio, por tanto, para ser formulado siempre se necesita
de un espacio infinito dimensional, entonces este problema debe ser aproximado
por otro problema, discreto y escribirse en un espacio finito dimensional, es decir,
con un n
umero finito de grados de libertad.
Para ello se usa el proceso de discretizacion que consiste en trasladar un problema infinito dimensional a otro finito dimensional, el cual se ha sistematizado
en los siguientes pasos: discretizacion del dominio, discretizacion de la variable o
incognita y finalmente la discretizacion de la ecuacion diferencial que consiste en
usar un esquema apropiado que aproxime la ecuacion. Cada vez que se hable de
discretizacion de un problema se hara enfasis a estos tres pasos.

1.3.

Precisi
on de las Aproximaciones
Jhon von Neumann y H.H. Goldstein han identificado cuatro principales

fuentes de errores que son casi inevitables cuando estamos describiendo sistemas
fsicos.
1. Errores de modelaci
on: Los modelos matematicos de por s son generalmente dise
nados con varias simplificaciones.
2. Errores de medici
on: La mayora de las descripciones de fenomenos naturales requieren de datos medidos, estos datos de por s tienen un error

porque dependen de los equipos y otros factores que siempre aparecen en la

obtencion de ellos.
3. Errores de truncamiento: Casi todas las descripciones de problemas de
campo involucran un dominio continuo infinito. En el contexto del analisis
numerico, solo se puede tratar con un n
umero finito de terminos de procesos
limitantes los cuales son normalmente descritos por series infinitas.
4. Errores de redondeo: Errores introducidos por eliminacion de dgitos;
cuando los calculos son realizados, estos pueden ser hechos u
nicamente en un
computador de precision finita. Los errores aparecen en el tama
no limitado
de los registros en la unidad de aritmetica del computador.
De los cuatro errores presentados, los errores de truncamiento y redondeo caen
en el campo del analsta numerico, estos errores son acumulados y tienen que
controlarse para no dejarlos crecer. Aqu se observa un hecho muy importante,
es decir, cuando los calculos usan una malla mas fina, el error de truncamiento
decrece pero el error de redondeo crece debido a que los datos numericos son mas
peque
nos y por el n
umero creciente de calculos efectuados. Por tanto hay que saber
controlar ambos errores a fin que el error total permanezca en rangos aceptables.

1.4.

M
etodos de Discretizaci
on
Para una ecuacion diferencial dada, los metodos de discretizacion requeridos

pueden ser derivados en muchas formas, a continuacion mencionamos algunos de

los metodos mas comunes:

1.4.1.

Serie de Taylor

El procedimiento usual para derivar los esquemas de diferencias finitas,

consiste en aproximar las derivadas en la ecuacion diferencial por diferencias finitas
via la serie de Taylor truncada.

1.4.2.

M
etodo Variacional

Otro metodo para obtener las ecuaciones de discretizacion esta basado en

el calculo de variaciones, donde se verifica que, resolver una ecuacion diferencial es
equivalente a minimizar una funcional. La funcional es minimizada con respecto a
los valores en los puntos de la malla de la variable dependiente, las condiciones resultantes generan las ecuaciones algebraicas requeridas. La formulacion variacional
es comunmente empleada en metodos de elementos finitos. La principal dificultad
de esta formulacion es su aplicabilidad ya que no todos las ecuaciones diferenciales
de interes son interpretadas como minimizadoras de una funcional.

1.4.3.

Pesos Residuales

Un metodo muy potente para resolver ecuaciones diferenciales es el metodo

de los pesos residuales. El concepto basico es el siguiente: suponer que la solucion aproximada de la ecuacion diferencial u ( la variable dependiente) contiene n
parametros por determinar, si sustituimos esta solucion en la ecuacion diferencial
obtendremos un residual. La idea es hacer este residual peque
no en alg
un sentido,
generalmente esta u
ltima tarea se hace distribuyendo puntualmente el residual y
multiplicandolo por una funcion peso e integrando sobre todo el dominio de modo

se hacerca a cero. Por tanto si se elige una sucesion de funciones peso, podremos
generar todas las ecuaciones que se requieren para encontrar los parametros.

1.4.4.

Volumen de Control

El domino de calculo es dividido en un n

umero de volumenes de control no
traslapados de manera que existe un volumen de control encerrando un punto de
la malla, la ecuacion diferencial es integrada sobre el volumen de control. Perfiles
por secciones expresando la varicion de la variable dependiente entre los puntos
de la malla son usados para las integrales requeridas, el resultado es la ecuacion
discretizada conteniendo los valores de la variable para un grupo de puntos de la
malla.
La ecuacion discretizada obtenida de esta manera expresa el principio de conservacion para el volumen de control finito tan igual como la ecuacion diferencial
lo hace para un volumen infinitesimal.

1.4.5.

Integrales de Contorno y Teora de Potencial

Este metodo, es el mas moderno, como es natural, esta basado en una teora
mucho mas compleja, como es la Teora del Potencial, que consiste en formular las
soluciones de ecuaciones dieferenciales como operadores de integrales de contorno,
muchas veces singulares, de modo que la discretizacion ya no es en todo el dominio,
sino u
nicamente en el contorno y la ecuacion se discretiza siguiendo la tecnica de
Galerkin y de los elementos finitos, pero con una funcion de prueba, muy especial,
como son el caso de las funciones de Green de los operadores diferenciales, que

formalmente, no son otra cosa mas que los operadores inversos de los operadores
diferenciales y son expresados como integrales sobre el contorno del dominio.
En esta primera parte de los metodos numericos para las ecuaciones diferenciales parciales esta dedicado al estudio de los esquemas de diferencias finitas. Nuestra
intencion es hacer nuestro ingreso al campo de la Dinamica de Fluidos Computacional(DFC) de una manera accesible, desde luego que no dejamos de mencionar
otros metodos que son importantes y que seran tratados en su debido tiempo, tales
como los elementos finitos, metodos espectrales elementos de contorno y vol
umenes
finitos. Utilizamos las Ecuciones Diferenciales Parciales(EDP), ya que esta clase de
ecuaciones son las que generalmente modelan los fenomenos naturales, mecanicos
y otros tipos de procesos que ocurren en las ciencias e Ingeniera.
Suponemos que el lector tiene un conocimiento basico de las ecuaciones diferenciales parciales asi como algunos conocimientos del analisis, si se desea probar
algunos de nuestros teoremas presentados. A fin de ser mas eficientes en nuestro
aprendizaje es necesario citar algunos libros de consulta como, Weinberger [27],
Farlow[8] y Tijonov [24]. Despues de esta rapida presentacion comezamos a presentar los conceptos basicos de los esquemas de diferencias finitas (EDF). Tambien
presentamos los conceptos importantes de convergencia, consistencia y estabilidad
los cuales son relacionados por el Teorema de Lax.

Captulo 2
M
etodo de Diferencia Finitas
El Metodo de Diferencias Finitas (MDF) es un metodo de caracter general que
permite la resolucion aproximada de ecuaciones diferenciales definidas en dominios
finitos. Probablemente es el primer metodo numerico utilizado en la resolucion de
problemas en dinamica de fluidos y tranferencia de calor, as como en problemas electromagneticos; existe documentacion en la que se menciona que Gauss
utilizo este metodo. Su uso se generalizo con la aparicion de los primeros ordenadores, y la bibligrafa sobre el mismo es abundante en los a
nos 60, especialmente en
relacion con el analisis de guas de ondas. Este metodo obtiene una solucion aproximada de las ecuaciones diferenciales definidas en un domnio o region de trabajo.
Sobre dicho dominio estaran definidas las condiciones de contorno o frontera y las
condiciones iniciales que marcaran el punto de partida en la solucion de problemas
concretos.
El primer paso para la aplicacion del metodo es definir el dominio donde ha de
calcularse el valor de la funcion incognita a resolverse. Dicho dominio, que en este

caso particular sera unidimensional, se discretiza en un n

umero variable de puntos
formando una malla, estos puntos son llamados nodos. La aplicacion del Metodo
de Diferencias Finitas sobre el dominio dara como resultado conocer el valor de la
funcion incognita en cada uno de esos nodos. El n
umero y disposicion de los nodos
depende de la exactitud que se desea en las soluciones.
El metodo aproxima a la funcion incognita en cada nodo por su desarrollo en
serie de Taylor. El n
umero de terminos del desarrollo, que se tendran en cuenta,
sera el suficiente para que junto con las condiciones de contorno y las condiciones
iniciales, sea posible eliminar las derivadas y obtener, de este modo, una ecuacion
que nos permita conocer el valor de la funcion en cada nodo. Dicha ecuacion, como
se vera mas adelante, relaciona el valor de la funcion en un nodo con el valor de
la funcion en los nodos adyacentes.
El proceso anterior se repite para cada uno de los nodos, obteniendose un sistema de ecuaciones, cuya solucion conduce a la obtencion de la solucion aproximada
que estabamos buscando. La solucion del sistema de ecuaciones es un proceso
iterativo que puede resolverse utilizando diferentes metodos. La aplicacion de un
metodo u otro y el n
umero de iteraciones que consideraremos influiran en el resultado final.

2.1.

M
etodo de Diferencias Finitas
Unidimensional
En esta seccion presentamos en forma general, y basica el concepto de

Metodo de Diferencias Finitas (MDF), que por simplicidad lo presentamos en

dimension uno 1 . Para esto, supongamos que tenemos un dominio = [0, L] en R
donde se plantea el problema y tiene solucion.
Definici
on 2.1.1 Un esquema de diferencias finitas es una combinaci
on de operadores discretos que permiten aproximar una ecuaci
on diferencial por una ecuaci
on
en diferencias finitas.
Definici
on 2.1.2 Un esquema de diferencias explcito es aquel que se puede escribir en la forma
0

vjn+1 = una sumaf inita de vjn0 , n0 n

A fin de entender el Metodo de Diferencias Finitas explicaremos el proceso de
discretizacion el cual esta referido a discretizar una variable y a la discretizacion
de operadores diferenciales.

2.1.1.

Discretizaci
on del Dominio

Consideremos un intervalo de la forma = [0, L] o [a, b] o mas general

podemos considerar todo R como un dominio natural. Se elige un n
umero positivo
1

Para dimensiones superior puede consultar [9].

x, luego el dominio es dividido en subintervalos igualmente espaciados de longitud

x.
z
f

}|

xn1

xn

xn+1

Figura 2.1: Discretizacion del dominio

Tambien se puede hacer una division en subintervalos no igualmente espaciados,

es decir, cada intervalo [xi , xi+1 ] tiene longitud xi . Para efectos de una mayor
simplicidad consideraremos intervalos homogeneos.
Definici
on 2.1.3 (Malla ) Sea x un n
umero positivo, una malla en el dominio
R es un conjunto de puntos = {xn } , tal que cada xn esta en el interior
o en la frontera de un subdominio tal que xn+1 = xn + x.
Los puntos xn en la malla se llaman nodos y este proceso de eleccion no es
u
nica.
Se define la norma de la malla como el diametro del subdominio mas grande,
es decir,
x = || || = max {xi }
i

2.1.2.

Discretizaci
on de la Variable

Para discretizar como variable necesitamos entender lo que es una funcion

discreta.

Definici
on 2.1.4 Una funcion discreta v, es aquella que esta definida en una
malla , tal que a cada punto xn se le asocia un n
umero vn .
Un ejemplo facil se obtiene considerando una funcion continua u definida en
, a la cual se le puede asociar una funcion discreta v definida sobre una malla
de tal que vj = u(xj ).
A las funciones discretas tambien se les puede asociar una norma y por tanto
ubicarlas en un espacio adecuado.
Como R puede ser un intervalo finito, infinito o R. La funcion discreta puede contener un n
umero finito o infinito de valores de la forma v =
(v1 , v2 , . . . , vN ), v = (v1 , v2 , . . .), v = (vN , vN +1 , . . . , v1 , v0 , v1 , . . . , vN , vN +1 )
o v = (. . . , v1 , v0 , v1 , . . .). En cualquier caso podemos considerar a una funcion
discreta definida para j Z, ademas usamos la notacion
h = x = max {xj }
j

Por lo que definimos los siguientes productos internos y normas.

Espacios y Normas
Las diferentes normas finito dimensional que usaremos incluyen la norma euclidiana dependiendo de la malla
v
u N
uX
kvk2 = t
|vj |2

(2.1)

j=1

donde la suma es sobre todos los puntos de la malla, la norma l2,x

v
u N
uX
kvk2,x = t
|vj |2 x
j=1

(2.2)

donde x es un factor de escala, asociado al tama

no de la malla
x = max{xj+1 xj }
j

y la norma del supremo

kvk = sup |vj |

(2.3)

1jN

y la norma del supremo discreta

kvk,x = sup |vj | x

(2.4)

1jN

El espacio de sucesiones infinito dimensional que debemos incluir sobre

IR o IC es el espacio l2 ,
T

l2 = {v = (. . . , v1 , v0 , v1 , . . .)

|vj |2 < }

(2.5)

j=

con norma

v
uX
u
kvk2 = t
|vj |2

(2.6)

j=

con la norma de la energa; l2,x ,

v
uX
u
kvk2 = t
|vj |2 x,

(2.7)

j=

y el espacio de todas las sucesiones acotadas l ,

l = {v = (. . . , v1 , v0 , v1 , . . .)T

sup
<j<+

|uj | < }

(2.8)

con norma
kvk =

sup
<j<+

|vj |

(2.9)

y norma discreta
kvk,x =

sup
<j<+

|vj | x

(2.10)

Y finalmente, cuando tomamos transformaciones, encontramos el espacio infinito dimensional lineal sobre los complejos, las funciones cuadrado integrables de
Lebesgue, L2 (IR),
Z
|v(x)|2 dx < }

L2 (IR) = {v : IR IC :

(2.11)

IR

con norma

Z
kvk22

2.1.3.

|v(x)|2 dx

(2.12)

IR

Discretizaci
on de los Operadores Diferenciales

El Metodo de Diferencias Finitas, tambien llamado Metodo de Taylor, [20],

[23], porque usa la formulacion de la serie de Taylor para realizar las aproximaciones de los operadores diferenciales por operadores en diferencias finitas.
Presentamos el Teorema de Taylor como el instrumento basico para iniciar la
discretizacion de los operadores diferenciales.
Teorema 2.1.1 Teorema de Taylor. Supongamos que f C n [a, b] y f (n+1) (x)
existe en < a, b >. Sea x0 [a, b], para todo x [a, b], existe (x) entre x

y x tal

que
f (x) = Pn (x) + Rn (x)

(2.13)

donde
Pn (x) = f (x0 ) + f 0 (x0 )(x x0 ) +
=

n
X
f (k) (x0 )
k=0

k!

f (n) (x0 )
f 00 (x0 )
(x x0 )2 + . . . +
(x x0 )n
2!
n!

(x x0 )k ,

es un polinomio de grado n alrededor de x0 y

Rn (x) =

f (n+1) ((x))
(x x0 )(n+1)
(n + 1)!

es el residuo o error de truncamiento asociado con el polinomio Pn (x).

La expresion (2.13) se llama Formula de Taylor de orden n. Si denotamos por
h = x x0 , el operador anterior queda escrito como
Pn (x + h) = f (x0 ) + f 0 (x0 )h + f 00 (x0 )

h2
hn
+ . . . + f (n) (x0 )
2
n!

(2.14)

y el residuo por
Rn (x0 + h) =

f (n+1) ((x)) (n+1)

h
(n + 1)!

Tambien en nuestro analisis usaremos el Teorema de Taylor en dimensiones

mayores, por ejemplo en dimension dos dimensiones que enunciamos a continuacion.
Teorema 2.1.2 Serie de Taylor en dos dimensiones Supongamos que f
C N +1 (), R2 . Sea y0 = (x0 , t0 ) , entonces el valor de f en cualquier
punto (x, t) , se puede escribir como

1 2
f (y0 )(x x0 ) + f (y0 )(t t0 ) +
f (y0 )(x x0 )2
x
t
2! x2
1 2
2
+
f (y0 )(x x0 )(t t0 ) +
f (y0 )(t t0 )2 + . . .
xt
2! t2
1
1
N
+
f (y0 )(x x0 )N m (t t0 )m + RN +1
(N m)! m! xN m tm
j
N N
X
X
1 j+n
f (y0 )(x x0 )j (t t0 )n + RN +1
(2.15)
=
j tn
j!n!
x
j=0 n=0

f (x, t) = f (y0 ) +

donde,
RN (x, t)
es el residuo multidimensional o error de truncamiento.

Para determinar el error de truncamiento usaremos la formula de Taylor para

diferentes ordenes, por ejemplo para n = 1
f (x0 + h) = f (x0 ) + f 0 (x0 )h +

f (2) ()h2
,
2!

x0 < < x 0 + h

de all podemos expresar

(2)
f (x0 + h) f (x0 )
f ()h
f (x0 ) =
+
h
2!
0

(2.16)

Por lo tanto, se puede definir la primera aproximacion

f 0 (x0 )

f (x0 + h) f (x0 )
.
h

(2.17)

Observemos que el error de truncamiento es;

(x0 , h) =

f (2) ()h
= O(h)
2!

donde O(h), se lee, orden de h, y significa que la funcion del lado derecho se
comporta en forma menor o igual que la funcion h.
En general decimos que una funcion g(h) es de orden O(hp ), p > 0, si y solo si
existe una constante M 0 tal que
|g(h)| M hp
Tambien podemos usar la formula de Taylor para aproximar la funcion en el
punto x = x0 h
f (x0 h) = f (x0 ) f 0 (x0 )h +
de donde

f (2) (1 )h2
,
2!

x0 h < 1 < x 0

(2)

f (x0 ) f (x0 h)
f (1 )h
f (x0 ) =
+
h
2!
0

(2.18)

y se define otra primera aproximacion como

f 0 (x0 )

f (x0 ) f (x0 h)
h

(2.19)

obteniendo el error de truncamiento

(x0 , h) =

f (2) (1 )h
= O(h)
2!

Se
nalaremos que en ambos casos se han involucrado dos puntos. En el caso de
la aproximacion (2.17), se utilizaron los puntos x0 y x0 + h. En la aproximacion
(2.19), se utilzaron x0 h y x0
Tambien podemos obtener otra aproximacion involucrando tres puntos, tales
como x0 , x0 + h, x0 h, para ello sumamos (2.16) y (2.18) y despejando f 0 (x0 )
obtenemos
f 0 (x0 ) =

f (x0 + h) f (x0 h) h 00
00
+
f (1 ) f ()
2h
2

(2.20)

donde x0 h < 1 < x0 < < x0 + h. De all podemos obtener la aproximacion

f 0 (x0 )

f (x0 + h) f (x0 h)
2h

con error de truncamiento

(x0 , h) =

h 00
00
f (1 ) f ()
2

(2.21)

Esto significa que la pendiente de la secante a la grafica de f que pasa por los
puntos (x0 h, f (x0 h)) y (x0 + h, f (x0 + h)) es mucho mejor aproximacion a la
pendiente de la tangente que pasa por (x0 , f (x0 )), que la pendiente de las secantes
que pasan por (x0 h, f (x0 h)), (x0 , f (x0 )) y por (x0 , f (x0 )), (x0 + h, f (x0 + h)).

Esto quiere decir que el error de truncamiento en (2.21) debe ser el de mayor
orden, lo cual se logra suponiendo que f es tres veces diferenciable.
Aplicando el Teorema del Valor Medio en (2.21) tenemos;
i
h h 00
(x0 , h) =
f ()(1 ) ,
2
= O(h2 ),

1 < <

pues 1

es de orden O(h2 )

El calculo exacto del orden de truncamiento (x0 , h), se obtiene usando la formula
de Taylor, cuyo orden es el que indica el exponente de h, en el caso que n = 2
tenemos
(x0 , h) =

h2 (3)
f (1 )(2 1 ) , 2 < 1 < 1
3!

= O(h2 )
el cual es un error de truncamiento de orden dos.
Presentamos la aproximacion por diferencias finitas para la primera derivada. Para ello revisemos las aproximaciones presentadas anteriormente en forma
detallada. Tomemos la Formula de Taylor, para n=2.
1. Sea f una funcion de clase C (2) que cumple las condiciones del teorema de
Taylor
f (x) = f (x0 )(x x0 )0 + f 0 (x0 )(x x0 )1 +

f (2) ((x) )
(x x0 )2
2

(2.22)

si hacemos h = x x0 y reemplazamos en (2.22) tenemos

f (2) ((x0 +h) ) 2
h
f (x0 + h) = f (x0 )h + f (x0 )h +
2
0

f (x0 + h) = f (x0 ) + f 0 (x0 )h +

f (2) ((x0 +h) ) 2

h,
2

x0 < x0 +h < x0 + h

despejando f 0 (x0 ) tenemos

f 0 (x0 ) =

f (x0 + h) f (x0 ) h (2)

f ((x0 +h) )
h
2

(2.23)

donde
h
f (2) ((x0 +h) ) O(h)
2
es decir
h
f (2) ((x0 +h) ) O(h)
2
entonces la ecuacion (2.23) se puede escribir en la forma
f 0 (x0 ) =

f (x0 + h) f (x0 )
+ O(h)
h

luego definamos la aproximacion de la derivada por la diferencia finita

f 0 (x0 )

f (x0 + h) f (x0 )
h

(2.24)

La aproximacion (2.24) es llamada aproximacion por diferencias finitas progresiva o hacia adelante para f 0 donde O(h) es llamado error de truncamiento de orden p = 1, este orden depende de la potencia de h y como
aparece es O(hp ) e involucra dos puntos.
2. Usando la formula (2.22) con x = x0 h , h > 0, tenemos
f (x0 h) = f (x0 ) f 0 (x0 )h +
f 0 (x0 ) =

f (2) ((x0 h) ) 2
h
2

f (x0 ) f (x0 h)
h
+ f (2) ((x0 h)
h
2!

donde
h
+ f (2) ((x0 h) O(h)
2

(2.25)

es decir
h
+ f (2) ((x0 +h) ) O(h)
2
entonces tenemos que la expresion (2.25) se puede escribir en la forma
f 0 (x0 ) =

f (x0 ) f (x0 h)
+ O(h)
h

luego, se define la aproximacion de diferencias finitas para la primera derivada

f 0 (x0 )

f (x0 ) f (x0 h)
h

(2.26)

La ecuacion (2.26) es llamada aproximacion de diferencia finita regresiva

o hacia atras para f 0 (x) donde O(h) es llamado error de truncamiento de
orden p = 1 el cual depende de la potencia de h e incluye dos puntos.
3. Desarrollemos la formula de Taylor para n = 3,
f (x) = f (x0 )(x x0 )0 + f 0 (x0 )(x x0 )1 +

f 00 (x0 )
(x x0 )2
2!

f (3) ((x) )
+
(x x0 )3
3!

(2.27)

a. Sea x x0 = h, entonces reemplazando en (2.27)

f (x0 + h) = f (x0 ) + f 0 (x0 )h +

h2 00
h3
f (x0 ) + f (3) ((x0 +h) )
2!
3!

(2.28)

b. Sea x x0 = h, h > 0 , entonces reemplazando en (2.27) obtenemos

f (x0 h) = f (x0 ) f 0 (x0 )h +

h2 00
h3
f (x0 ) f (3) ((x0 h) )
2!
3!

(2.29)

restando (2.29) de (2.28) se tiene la ecuacion

f (x0 + h) f (x0 h) = 2f 0 (x0 )h +

h3 (3)
f ((x0 +h) ) + f (3) ((x0 h) )
3!

despejando f 0 (x0 ), obtenemos

f 0 (x0 ) =

f (x0 + h) f (x0 h) h2 (3)

f ((x0 +h) ) + f (3) ((x0 h) )

2h
3!
(2.30)

donde

h2 (3)
f ((x0 h) ) O(h2 )
3!

h2 (3)
f ((x0 h) ) O(h2 )
3!

es decir

La ecuacion (2.30) se puede escribir en la forma

f 0 (x0 ) =

f (x0 + h) f (x0 h)
+ O(h2 )
2h

Luego, se define la aproximacion de diferencias finitas

f 0 (x0 )

f (x0 + h) f (x0 h)
2h

(2.31)

La aproximacion de diferencias (2.31) se llama aproximacion por diferencia central para f 0 donde O(h2 ) es llamado error de truncamiento
de orden p = 2, esta aproximacion incluye tres puntos.
Usando la formula de Taylor se puede hallar otras aproximaciones, para la
primera derivada, las mismas que pueden involucrar mas de tres puntos, y ser de
mayor orden, como por ejemplo
f 0 (x0 )

6f (x0 + h) 3f (x0 ) 2f (x0 h) f (x0 + 2h)

6h

(2.32)

la cual es de tercer orden. Dejamos como ejercicio al lector, verificar estos ordenes.

Ahora definamos las aproximaciones para la segunda derivada. Sea f una funcion de clase C (3) , que satisface las condiciones del teorema de Taylor para n = 3,
alrededor de un punto x0
f (x) = f (x0 )(x x0 )0 + f 0 (x0 )(x x0 )1 +

f 00 (x0 )
(x x0 )2
2!

f (4) ((x0 +h) )

f 000 (x0 )
3
+
(x x0 ) +
(x x0 )4
3!
4!

(2.33)

Sea x x0 = h, h > 0, sustituyendo en (2.33) tenemos

f (x0 + h) = f (x0 ) + hf 0 (x0 ) +

h3
h4
h2 00
f (x0 ) + f 000 (x0 ) + f (4) ((x0 +h) )
2!
3!
4!

(2.34)

Sea x x0 = h, h > 0, sustituyendo en (2.33) tenemos

f (x0 h) = f (x0 ) hf 0 (x0 ) +

h2 00
h3
h4
f (x0 ) f 000 (x0 ) + f (4) ((x0 h) )
2!
3!
4!

(2.35)

Sumando (2.34) y (2.35) tenemos

f (x0 + h) + f (x0 h) = 2f (x0 ) + h2 f 00 (x0 )
+ 2

h4 (4)
f ((x0 +h) ) + f (4) ((x0 h) )
4!

despejando f 00 (x0 ) obtenemos la ecuacion

f 00 (x0 ) =

f (x0 + h) 2f (x0 ) + f (x0 h) h2 (4)

(4)
+
f
(
)
+
f
(
)
(x
+h)
(x
h)
0
0
h2
12
(2.36)

observando que
h2 (4)
f ((x0 h) ) O(h2 )
3!

(2.37)

h2 (4)
f ((x0 h) ) O(h2 )
3!

(2.38)

es decir

i1

i+1

Figura 2.2: Molecula de calculo

entonces escribimos (2.36) como
f 00 (x0 ) =

f (x0 + h) 2f (x0 ) + f (x0 h)

+ O(h2 )
h2

(2.39)

luego, se define la aproximacion de diferencias finitas

f 00 (x0 )

f (x0 + h) 2f (x0 ) + f (x0 h)

h2

(2.40)

La aproximacion (2.40) es llamada aproximacion de diferencia central de f 00 (x0 )

donde O(h2 ) es llamado error de truncamiento de orden p = 2 cuya molecula de
calculo se ve en la Figura (2.2).

2.2.

Discretizaci
on del Problema de EDP

Un problema de EDP

(P )

se puede expresar en la siguiente forma

P (t , x )u = f
u=g

en Rn , t > 0

en R

u(x, 0) = u0

en t = 0

donde P es un polinomio de ecuaciones diferenciales.

Ejemplo 1 El problema de convecci
on lineal

ut + aux = 0, < x < +, t > 0

(P V )

u(x, 0) = u (x), < x < +

0

aqui x es la variable espacial, t la variable temporal, a es una constante o una matriz

para el caso que u sea un vector o funcion que depende de (x, t), u es la incognita.
Como este problema tiene variable espacial unidimensional, se considera como
un problema unidimensional, puesto que la variable t actua como un parametro
aunque el problema tiene como dominio el semiplano superior.
t

infinito

+ infinito

Figura 2.3: Semiplano superior

Este problema se llama Problema de Valor Inicial, puesto que no se informa

nada sobre las condiciones de contorno o la variable espacial x no tiene dominio
restringido.

2.2.1.

Discretizaci
on del Problema (P)

Ejecutamos los tres pasos de discretizacion para un problema.

1. Discretizaci
on del Dominio:

t 6

tn+1

(j, n + 1)
w

tn

(j 1, n)

(j, n)

(j + 1, n)

xj1

xj

xj+1

Figura 2.4: Discretizacion del dominio

Sean x = h y t = k n
umeros positivos; entonces la malla esta formada
por los puntos (xj , tn ) = (jx, nt) para enteros arbitrarios j y n. Para
una funcion discreta v definida sobre la malla, denotamos sus valores por vjn ,
en los puntos malla (xj , tn ). Tambien usaremos la notacion unj para u(xj , tn )
donde u es una funcion continua en el plano xt. El conjunto de puntos (xj , tn )
para un valor de n fijo es llamado nivel de malla n. La idea basica para
el esquema de diferencias finitas es remplazar derivadas por sus diferencias
finitas.
u(jh, (n + 1)k) u(jh, nk)
u
(jh, nk)
t
k
u(jh, (n + 1)k) u(jh, (n 1)k)
u
(jh, nk)
t
2k
Similares formulas aproximan las derivadas con respecto a x.
2. Discretizaci
on de la variable

Se define una variable discreta

vi : { } R
(j, n) 7 v(j, n) = vjn
que aproxima la solucion exacta por
u(xj , tn ) = unj vjn
de tal manera que vj0 = u0 (xj ), j Z.
Observe que la discretizacion de la variable significa definir la incognita discreta que sea consistente con la discretizacion, con la condicion inicial y las
condiciones de contorno, si las hubiera.
3. Discretizaci
on de la Ecuaci
on
Discretizamos la ecuacion que aparece en el Problema (P) usando la serie
de Taylor en el nodo (j4x, n4t),
un+1
= u(jx, (n + 1)t) = u(jx, nt) +
j
+

t u
(jx, nt)
1! t

t2 2 u
(jx, nt) + . . .
2! t2

La derivada de u respecto a t evaluada en los puntos (j4x, n4t) es

un+1
unj
u t 2 u n
j
=
+
(
) + ...
t
t
2 t2 j

(2.41)

Generalmente escribiremos esto utlizando la notacion big O

un+1
unj
u
j
=
+ O(t),
t
t

(2.42)

donde se asume que las derivadas de mayor orden de u en (jx, nt) son
acotadas. Entonces una aproximacion de ut (jx, nt) puede ser dada por
vjn+1 vjn
t

(2.43)

En forma similar para la segunda derivada de uxx (jx, nt)

u(x + x, t) 2u(x, t) + u(x x, t)
x0
x2

uxx (x, t) = lm

(2.44)

la aproximacion es dada por

n
n
vj+1
2vjn + vj1
x2

(2.45)

Asi las expresiones dadas en (2.43) y (2.45) pueden ser usadas para aproximar
la ecuacion diferencial
u
2u
= 2
t
x

(2.46)

n
n
vjn+1 vjn
vj+1
2vjn + vj1
=
t
x2

(2.47)

en el nodo (jx, nt) por

o escrito en forma de algoritmo

vjn+1 = vjn +

t n
n
(vj+1 2vjn + vj1
)
2
x

(2.48)

Finalmente, es facil ver que las condiciones iniciales y de frontera son aproximados por
vj0 = f (jx), j = 0, . . . , M

(2.49)

v0n+1 = a((n + 1)t), n = 0, . . .

(2.50)

n+1
= b((n + 1)t), n = 0, . . .
vM

(2.51)

En general el metodo para derivar esquemas de diferencias finitas es simple;

sin embargo el analisis de que si un esquema de diferencias finitas es una buena

aproximacion a la ecuacion diferencial necesita de una tarea matematica, fuerte.

Por otro lado, dado una lista de esquemas, es com
un preguntarse, Cuales de ellos
son u
tiles y cuales no?. Para dar respuesta a esta pregunta basica, se necesita alg
un
tiempo y ciudado.
La respuesta se logra en varios aspectos. Comenzamos respondiendo un primer
aspecto. El esquema de diferencias genera soluciones que aproximan a las soluciones
de la ecuacion diferencial, esto es, consistencia. Determinar cuales esquemas son
mas precisos que otros, estabilidad, y finalmente la eficiencia de los esquemas de
diferencias, convergencia.

2.3.

Operadores de Diferencias Finitas

En base a las diferencias presentadas anteriormente definimos algunos de

los operadores mas utilizados en el lenguaje de los esquemas de diferencias finitas,

que se pueden aplicar a funciones discretas
1. Operadores de desplazamiento (derecha, izquierda)
S+ j = j+1 ,

S j = j1 ,

2. Operador de diferencia hacia adelante

D+ j =

(S+ I)j
j+1 j
=
x
x

3. Operador de diferencia hacia atras

D j =

(I S )j
j j1
=
x
x

4. Operador de diferencia central

D0 j =

j+1 n1
(S+ S )j
=
2x
2x

5. Operador de diferencia central

D j+1 D j
x
j+1 2j + j1
=
x2

02 j = D D+ j =

y se cumple
D D+ j = D+ D j
Ahora cuando la funcion discreta es de dos variables independientes (j, n) se
utiliza superndices con el nombre de la variable continua que se va ha discretizar,
por ejemplo, para aproximar la primera derivada con respecto a la variable t se
utiliza
t n
D+
vj

(S+t I)vjn
=
t

o
x n
D+
vj =

2.4.

(S+x I)vjn
x

Convergencia
El concepto de convergencia es un concepto matematico familiar, conocido

en la convergencia de sucesiones de n
umeros, sin embargo, aqu se refiere al hecho
de que son sucesiones de soluciones discretas obtenidas como soluciones de los
problemas discretos que aproximan a la solucion exacta de un problema continuo.

Las sucesiones de soluciones de los problemas discretos, que son soluciones aproximadas se obtienen cuando x, t tiende a cero, [22], [23]. Por tanto es suficiente
utilizar los puntos de la malla, por lo que sera necesario hablar de convergencia
puntual y/o convergencia uniforme.
Una importante pregunta concerniente a las soluciones discretas obtenidas computacionalmente es, Que garanta puede ser dada para que la solucion computacional sea proxima a la solucion exacta de la ecuacion diferencial parcial y bajo
que circunstancias la solucion computacional coincide con la solucion exacta ?. La
segunda parte de esta pregunta puede ser respondida requiriendo que la solucion
aproximada (computacional) converja a la solucion exacta cuando x, t tiende a
cero. Sin embargo, convergencia es muy difcil de establecer directamente por tanto
una ruta indirecta es utilizar dos conceptos muy relacionados, y que juntos implican convergencia mediante el Teorema de Lax; estos conceptos son consistencia y
estabilidad.

Ecuacin
Diferencial

Discretizacin

Sistema
de

Consistencia

Ecuaciones

Mtodos
Analticos

Estabilidad
.

Solucin
Exacta

Solucin
Convergencia
Aproximada

Figura 2.5: Consistencia, Estabilidad y Convergencia

Esta ruta indirecta requiere que el operador de diferencias discreto debe ser
consistente con el operador diferencial parcial, esto implica la inversa del proceso
de discretizacion.
A traves del desarrollo de la serie de Taylor se recupera las ecuaciones diferenciales gobernantes cuando x, t tienen a cero. Ademas, el algoritmo usado para
resolver el sistema de ecuaciones algebraicas para obtener la solucion aproximada
debe ser estable.
El Teorema de Lax es de gran importancia, puesto que es relativamente facil
demostrar la estabilidad de un algoritmo y la consistencia de la discretizacion con
la ecuacion diferencial parcial original, mientras que por lo general es muy difcil
de mostrar la convergencia de las soluciones.
En realidad la convergencia es necesaria medirla en alguna norma, veamos la
siguiente.

Definici
on 2.4.1 La sucesi
on de soluciones discretas {vjn } converge en la norma
k.kx si y solo si
lm (

max

x0 j=0,1,...,T /t

kej kx ) = 0

(2.52)

para cualquier condici

on inicial, y para cada T > 0, r = t/(x)2 es constante
cuando x 0, es decir, a medida que se refina la malla (jx, nt) (x, t) si
x, t 0.
La diferencia entre la solucion exacta de la ecuacion diferencial parcial y la solucion exacta del sistema de ecuaciones diferenciales es llamada error de soluci
on,
denotado por enj , asi que
ejn = u(xj , tn ) vjn

(2.53)

Recordemos que satisface el problema

2
=
, 0 < x < 1, t > 0,
t
x2

(2.54)

(x, 0) = f (x), 0 x 1,

(2.55)

(0, t) = g1 (t), (1, t) = g2 (t), t 0

(2.56)

Entonces la soluciones aproximadas {vjn } del problema satifacen

vjn = nj enj

(2.57)

Ahora escribimos el esquema de diferencias finitas de Euler hacia delante,

n
n
)=0
2vjn + vj+1
vjn+1 vjn r(vj1

(2.58)

que satisface las condiciones de contorno

n
v0n = g1 (tn ), vN
= g2 (tn ), n = 1, 2, . . .

(2.59)

Ahora reemplazando (2.57) en este esquema se tiene

n+1
ejn+1 (nj enj ) r(nj1 2nj + nj+1 )
j
+ r(enj1 2enj + enj+1 ) = 0

(2.60)

De ello se obtiene
en+1
= renj1 + (1 2r)enj + renj+1 + n+1
nj
j
j
+ r(2nj nj1 nj+1 )

(2.61)

Ahora utilizando el Teorema de Taylor, con h = x y k = t n

umeros positivos
a fin de simplificar la notacion, para aproximar

h2 2
)j,n + ( 2 )(xj +1 h,tn )
x
2! x

(2.62)

h2 2
h( )j,n + ( 2 )(xj 2 h,tn )
x
2! x

(2.63)

nj+1 = (xj + h, tn ) = nj + h(
nj1

= (xj h, tn ) =

nj

y
n+1
= (xj , tn + k) = nj + k(
j

)(x ,t + k)
t j n 3

(2.64)

donde 0 < 1 , 2 , 3 < 1.

Sustituyendo (2.62), (2.63) y (2.64) en (2.61) se tiene
en+1
= (renj1 + (1 2r)enj + renj+1 ) + k[(
j

)(xj ,tn +3 k) ( 2 )(xj +4 h,tn ) ]

t
x

con 1 < 4 < 1.

Por lo tanto los errores, enj satisfacen las mismas condiciones que la solucion.
Ahora se define
En = max |enj |
j

(2.65)

el maximo error en el nivel n y tambien se define su maximo en toda la malla de

la diferencia
Mh,k = max |(
(j,n)

2
)(xj ,tn +3 k) ( 2 )(xj +4 h,tn ) |
t
x

para todo j y n. Sabiendo que r =

h
k2

(2.66)

> 0 e imponiendo la condicion r 0.5

se tiene que todos los coeficientes de e son positivos o cero, por consiguiente se
obtiene que
|en+1
| r|enj1 | + (1 2r)|enj | + r|enj+1 | + kMh,k
j
rEn + (1 2r)En + rEn + kMh,k
= En + kMh,k ,

(2.67)

para todo j. Es decir,

|en+1
| En + kMh,k
j

(2.68)

As (2.67) permite para todo j y por lo tanto para maxj |en+1

| se cumple
j
En+1 En + kMh,k

(2.69)

para todo n.
Luego recursivamente tenemos la cadena de desigualdades
En+1 En + kMh,k (En1 + kMh,k ) + kMh,k = En1 + 2kMh,k

(2.70)

y por consiguiente
En E0 + nkMh,k = tn Mh,k

(2.71)

donde tn = nk y puesto que los valores iniciales de v y son las mismas se cumple
E0 = 0.

Ademas cuando h 0, k = rh2 0, (jh, , nk) (x, t) y la malla se refina

que se tiene que Mh,k tiende a
max |(
(x,t)

)(x,t) |
t
x2

(2.72)

Ahora puesto que es solucion de (2.54), se tiene que el valor limite de Mh,k es
cero. Por lo tanto, cuando h, k 0;
|nj nj | = |enj | max |enj | = En
(j,n)

es decir
|nj nj | En

(2.73)

para todo n. Por tanto se cumple que vjn (x, t) cuando (jh, nk) (x, t).
Se ha demostrado que v converge en la norma del maximo a cuando h 0,
r 1/2 y t es finito. Cuando r > 1/2 puede demostrarse que el esquema no genera
una sucesion de soluciones convergente.
Para esquemas de multipasos la definicion asume que alg
un procedimiento inicial es usado para computar los primeros niveles de tiempo, necesarios para emplear los esquemas de multipasos. Para el caso que los datos son especificados
sobre estos primeros niveles de tiempo, las definiciones se modifican para requerir
vjm , 0 m J converga a v0 (xj ).

Considerar ahora la ecuacion diferencial parcial en su forma general

Lu = F
la cual es una ecuacion de primer orden en la derivada con respecto a t.

(2.74)

2.4.1.

Convergencia de un Problema de Valor Inicial

Un esquema de diferencias finitas tal como aquellos que discutiremos son usados
porque sus soluciones aproximan a las soluciones de ciertas ecuaciones diferenciales
parciales. Pero que realmente es necesario para que la solucion de las ecuaciones
en diferencias puedan aproximar a la solucion de la ecuacion diferencial parcial
con cualquier precicion deseada. Asi es necesatio alguna clase de convergencia de
la solucion de la ecuacion en diferencias a la solucion de la ecuacion diferencial
parcial.
Empezamos considerando problemas de valor inicial. Asi consideremos la ecuacion diferencial parcial
Lu = F

(2.75)

donde las funciones u y F estan definidas en toda la recta real y ademas se tiene
la condicion inicial u(x, 0) = f (x), x R. Asumimos que hemos obtenido una solucion aproximada de (2.75) por el esquema de diferencias finitas que denotaremos
por Lnj donde, n corresponde al paso del tiempo y j al punto espacial de la malla.
Esta solucion aproximada la denotaremos por vjn la cual esta definida sobre toda
la malla
= {(jx, nt), j = , . . . , +, n = 0, . . .}.
y por u la solucion exacta de nuestro problema de valor inicial.
Empezamos dando la siguiente definicion
Definici
on 2.4.2 Un esquema de diferencias finitas Lnj vjn = Gnj que aproxima a
la ecuaci
on diferencial parcial Lu = F es un esquema puntualmente convergente

si para cualquier solucion u de la ecuaci

on diferencial tal que vj0 converge a u0 (x),
entonces vjn converge a u(x, t) cuando x y t tienden a cero.
Para esquemas de multipasos la Definicion (2.4.2) asume alg
un procedimiento
inicial usado para ocupar los primeros niveles de tiempo.
Ejemplo 2 Demostrar que la solucion del esquema de diferencias finitas
n
n
)
vjn+1 = (1 2r)vjn + r(vj+1
+ vj1

vj0 = f (jh), < j <

(2.76)
(2.77)

donde r = k/h2 , 0 r 1/2, converge puntualmente a la solucion del problema

de valor inicial
ut = uxx , x R, t > 0
u(x, 0) = f (x), x R

(2.78)
(2.79)

Soluci
on:
Debemos entender que estamos considerando un problema de valor inicial sobre
todo R, el ndice j sobre vjn sera el rango sobre todo los enteros, < j < +.
Denotamos la solucion exacta del problema de valor inicial (2.78)-(2.79) por u
tal que
enj = vjn u(jh, nk)

(2.80)

Si introducimos u en la ecuacion (2.76) y multiplicamos por k, vemos que unj =

u(jh, nk) satisface
un+1
= (1 2r)unj + r(unj+1 + unj1 ) + O(k 2 ) + O(kh2 )
j

(2.81)

Entonces sustrayendo la ecuacion (2.81) de la ecuacion (2.76), vemos que enj satisface
en+1
= (1 2r)enj + r(enj+1 + enj1 ) + O(k 2 ) + O(kh2 )
j

(2.82)

Si 0 < r < 1/2, los coeficientes del lado derecho de la ecuacion (2.82) son
no-negativos y
|enj | (1 2r)|enj | + r|enj+1 | + r|enj1 | + A(k 2 + kh2 )

(2.83)

donde A es una constante asociada con el termino big O que depende de las
hipotesis asumidas sobre las derivadas de orden superior. Por lo tanto si tomamos
la norma del supremo en el nivel n
En =

sup
<j<+

{|enj |}

(2.84)

llegamos a
E n+1 E n + A(k 2 + kh2 )

(2.85)

Hay que notar que en el supremo sobre el lado derecho se incluyen los terminos
que contienen k y h. En este caso asumimos que la constante A es una cota de
la segunda derivada con respecto al tiempo y la cuarta derivada con respecto al
espacio en toda la recta real. Asi hemos asumido que estas derivadas de la solucion
son uniformente acotadas en toda la recta.
Aplicamos repetidamente (2.85) y llegamos a
E n+1 E n + A(k 2 + kh2 ) . . . E 0 + (n + 1)A(k 2 + kh2 )

(2.86)

Puesto que E 0 = 0, tenemos

E n+1 (n + 1)A(k 2 + kh2 )

(2.87)

De donde se tiene que

n+1

v
u(jh, (n + 1)k) (n + 1)kA(k 2 + kh2 ) 0
j

(2.88)

cuando k, h 0.
Asi vemos que para cualquier x y t, cuando k y h se aproximan a 0 en semejante
forma que (jh, (n + 1)k) (x, t), vjn se aproxima a u(x, t).
Deberiamos notar que puesto que (n + 1) en la ecuacion (2.88) puede causar
problemas en nuestra convergencia ( no es bueno que tengamos terminos que van
al infinito en una expresion que deseamos que tienda a cero), esto fue un hecho
que en el u
ltimo paso se tenga (n + 1)k t.
Ahora usamos la norma del m
aximo sobre el espacio de sucesiones acotadas, l ,
kuk =

max

<j<+

|uj |

(2.89)

n
Si un = (. . . , un1 , un0 , un1 , . . .)T y vn = (. . . , v1
, v0n , v1n , . . .)T , entonces tenemos que

probar que para t tal que (n + 1)k se aproxima a t, v n+1 se aproxima a u(., t) en
la norma del maximo (2.89).
Puesto, que en general, la convergencia puntual es difcil de probar, cambiaremos la definicion de convergencia en terminos de la norma del maximo.
Por conveniencia, denotamos el vector de valores de la solucion de la ecuacion
de diferencias vjn en el nivel n por vn y el vector de valores en nk de la solucion
de la ecuacion diferencial parcial evaluada en los puntos malla, u(jh, nk), por un ,
generalizamos la definicion de convergencia en la siguiente forma.
Definici
on 2.4.3 Un esquema de diferencias finitas Lnj vjn = Gnj que aproxima a
la ecuaci
on diferencial parcial Lu = F es un esquema convergente en la norma k.k

en el tiempo t si, cuando (n + 1)k t,

kun+1 vn+1 k 0

(2.90)

cuando h 0 y k 0
Dede especificarse que en la Definicion (2.93) no fue especificada la norma
porque en diferentes situaciones, diferentes normas seran utilizadas.
Se probo que un esquema explcito (2.76) fue convergente de acuerdo a la
Definicion (2.4.2) en la norma del supremo. En otras ocaciones veremos que la
norma natural elegida sera una variacion de la norma L2 y la norma L2,h . Asi,
siempre que trabajemos con normas estas deben ser especificadas.
Debe quedar claro que la Definicion (2.4.3) difiere de la Definicion (2.4.2).
Usando la Definicion (2.4.2), la razon de convergencia de vjn a u(x, t) (razon en
terminos de hx 0 y kt 0) puede variar considerablemente para diferentes
valores de x. Puede ocurrir, seg
un la Definicion (2.4.2), que un esquema converge
en algunos valores de (x, t) y no en otros. Sin embargo, via la Definicion (2.4.3)
(es decir k un vn k es peque
no), entonces se obtiene que vjn esta proxima a unj
para todo j.
A veces deseamos discutir convergencia en terminos la rapidez en la cual la
solucion del esquema de diferencias converge a la solucion de la ecuacion diferecial
parcial. Para este proposito utilizamos una definicion de convergencia de orden
(p, q) como sigue
Definici
on 2.4.4 Un esquema de diferencias finitas Lnj vjn = Gnj que aproxima a
la ecuaci
on diferencial parcial Lu = F es un esquema convergente de orden (p, q)

en la norma k.k, si para cualquier t, tal que (n + 1)k t,

kun+1 vn+1 k = O(hp ) + O(k q )

(2.91)

cuando h 0 y k 0
Cuando usamos la notacion big O, debemos recordar siempre que existe una
constante involucrada, es decir, la ecuacion (2.91) es realmente una notacion corta
para existe una constante C tal que
kun+1 vn+1 k C(O(hp ) + O(k q ))

(2.92)

En este caso la constante depende de t.

2.4.2.

Convergencia de un Problema de Valor

Inicial-Contorno

La diferencia entre convergencia en problemas de valor inicial y problemas

de valor inicial-contorno esta en los espacios que se usa. En la seccion anterior, el
espacio en el cual se ha trabajado es el espacio de sucesiones L2 , el cual es un espacio
infinito dimensional, sin embargo, si consideramos el esquema de diferencias finitas
sobre el intervalo [0, 1] o mas generalmente en el intervalo [0, L], con condiciones de
Dirichlet nulas, el problema discreto es un problema finito dimensional, es decir,
esta definido en RN
0 .
n
= 0, n = 1, . . .,
Ahora, si vj0 = f (jx), j = 0, . . . , M , v0n = 0, n = 1, . . ., y vM

no o M es
y encontramos que vjn , j = 1, . . . , M 1, n = 1, . . .. Cuando h es peque
grande, el vector desconocido sera grande pero finito. Esto hace que no podamos

medir adecuadamente la diferencia entre la solucion del esquema de diferencias y

la solucion de la ecuacion diferencial parcial. Es decir, no existe un espacio bueno
en el cual la convergencia se pueda establecer.
Existen varias aproximaciones de como afrontar este problema. La aproximacion que tomaremos requiere que x 0 de una manera ordenada y definir la
convergencia en terminos de la norma de los espacios apropiados.
Empezamos definiendo una particion del intervalo [0, 1] en un malla uniforme
descrito por un incremento h. Entonces considerar una sucesion de tales particiones
con incrementos {xi }, i = 1, . . . M tal que xi 0 cuando i . Sea Xi un
espacio finito dimensional lineal normado conteniendo la solucion asociada con el
incremento xi .
Denotamos una norma sobre Xi por k.ki , la definicion de convergencia de un
problema de valor inicial-contorno quedara expresado como sigue.
Definici
on 2.4.5 Un esquema de diferencias finitas Lnj vjn = Gnj que aproxima a
la ecuaci
on diferencial parcial Lu = F es un esquema convergente en la norma k.ki
en el tiempo t, si para cualquier sucesi
on de particiones xi tal que (n + 1)t t,
kun+1 vn+1 ki 0

(2.93)

cuando i y t 0
En una forma similar, se puede definir convergencia de orden (p, q).
Aunque para satisfacer la Definicion (2.4.5) debemos considerar todas las particiones que converjan a cero, el modelo para usar la Definicion (2.4.5) es usar el
dominio [0, 1] y h = 1/M . Entonces el espacio obtenido sera finito dimensional,

de orden M 1, M o M + 1, dependiendo de que tipo de condiciones de frontera

son usadas en los extremos del intervalo. Sin embargo, como veremos mas adelante, probar convergencia para un problema de valor inicial y de frontera es mas
complicado que hacerlo para problemas de valor inicial.
Para ilustrar la Definicion (2.4.5), nuevamente probaremos la convergencia del
esquema explcito (2.76), esta vez para el problema de valor inicial-frontera.
Ejemplo 3 Demostrar que para 0 r 1/2 la solucion del esquema de diferencias del problema de valor inicial discreto y de contorno
n
n
vjn+1 = (1 2r)vjn + r(vj1
+ vj+1
), n 0, j = 1, . . . M 1

(2.94)

n+1
v0n+1 = vM
=0 n0

(2.95)

vj0 = f (jx), j = 0, . . . , M

(2.96)

converge en la norma del supremo a la solucion del problema de valor inicialfrontera

ut = auxx , x (0, 1), t > 0

(2.97)

u(0, t) = u(1, t) = 0, t > 0

(2.98)

u(x, 0) = f (x), x [0, 1],

(2.99)

Soluci
on: Probamos convergencia del esquema (2.94)-(2.96) en la misma forma
que se prueba para un problema de valor inicial, excepto en esta caso, nuestro
vector tiene longitud finita y el tama
no ira modificandose. Tambien, porque hacemos esto en forma similar, eventualmente tenemos que hacer varias suposiones
para hacer el trabajo de prueba. Empezamos escribiendo xm como el incremento

en una particion con Mm + 1 puntos. Sea Xm el espacio de (Mm 1) vectores en

RMm 1 con norma del supremo finito dimensional,
k(v1 , . . . , vMm 1 )T kMm 1, =

sup
1jMm 1

|vj |

Haciendo
enj = vjn u(jxm , nt)
Como vimos anteriormente enj satisface
en+1
= (1 2r)enj + r(enj1 + enj+1 )
j
+O(t2 ) + O(t(xm )2 ), j = 1, . . . , Mm 1

(2.100)

Si 0 < r 1/2, los coeficientes del lado derecho de la ecuacion (2.100) son no
negativos, donde en0 y enMm son ambos ceros, y
|en+1
| (1 2r)|enj | + r|enj+1 | + r|enj1 | + A(O(t2 ) + O(t(xm )2 ))
j
ken kMm 1, + A(O(t2 ) + O(t(xm )2 ))
donde
en = (en1 , . . . , eMm 1 )T
Si tomamos el supremo sobre el lado izquierdo de la desigualdad anterior y aplicamos repetidamente esta desigualdad, entonces tenemos
ken+1 kMm 1, (n + 1)tA(t + (xm )2 )
Por lo tanto, cuando t 0, (n + 1)t t, y m ,
kun+1 vn+1 kMm 1, 0,
puesto que xm 0, se tiene que el esquema es convergente.

(2.101)

2.5.

Consistencia

2.5.1.

Consistencia de Problemas de Valor Inicial

Definici
on 2.5.1 (Consistencia Puntual) El esquema de diferencias finitas
Lnj vjn = Gnj es puntualmente consistente con la ecuaci
on diferencial parcial
Lu = F en el punto (x, t) si para cualquier funcion suave = (x, t), se tiene que
(Lu F )|nj [Lnj (jh, nk) Gnj ] 0

(2.102)

cuando h, kt 0 y (jh, (n + 1)k) (x, t).

Asumiendo que estamos trabajando con un esquema de diferencias de dos niveles y una ecuacion diferencial parcial de primer orden en la variable t; el esquema
de diferencias finitas se escribe en la forma:
vn+1 = Qvn + kGn

(2.103)

donde
n
vn = (. . . , v1
, v0n , v1n , . . .)T ,

Gn = (. . . , Gn1 , Gn0 , Gn1 , . . .)T

y Q es un operador de diferencias que actua sobre un espacio apropiado, entonces
una definicion de consistencia puede ser dada en funcion de una norma.
Definici
on 2.5.2 El esquema de diferencias finitas (2.103) es consistente con la
ecuaci
on diferencial parcial Lu = F en la norma k.k si la solucion de la ecuaci
on
diferencial parcial, u, satisface
un+1 = Qun + kGn + k n ,

(2.104)

donde n es el error de truncamiento y satisface

k n k 0

(2.105)

cuando h, k 0.
Una simple variacion de la Definicion (2.5.2) es dado cuando se quiere precisar
de consistencia.
Definici
on 2.5.3 El esquema de diferencias finitas (2.103) se dice que es consistente de orden de precisi
on (p, q) con la ecuaci
on diferencial parcial Lu = F
si
k n k = O(hp ) + O(k q )

(2.106)

donde n o k n k es el error de truncamiento

Ejemplo 4 Discutir la consistencia del esquema explcito de Euler
n
n
vjn+1 vjn
vj+1
2vjn + vj1
=
, j Z, n ZT
k
h2

(2.107)

con la ecuaci
on diferencial parcial
ut = uxx , < x < , t > 0

(2.108)

Soluci
on: Si denotamos la solucion de la ecuacion diferencial parcial (2.108) por
u, e insertando u en la expresion (2.107) se obtiene
(un+1
unj ) r(unj+1 2unj + unj1 ) = O(k 2 ) + O(kh2 )
j

(2.109)

donde r = k/h2 . Para aplicar las Definiciones (2.5.2)-(2.5.3) debemos ser cuidadosos de lo que esta contenido en O(k) + O(h2 ). Si asumimos que la segunda

derivada de u con respecto a t y la cuarta derivada de u con respecto a x existe y

es acotada en alguna vecindad del punto (x, t), la expresion (2.109) implicara que
el esquema de diferencias (2.107) es puntualmente consistente con la ecuacion diferencial parcial (2.108).
Para mostrar que el esquema (2.107) es consistente, de orden de precision
(h2 , k), escribimos primero el esquema (2.107) en forma explcita,
n
n
)
2vjn + vj1
vjn+1 = vjn + r(vj+1

(2.110)

La ecuacion (2.110) nos da cada componente de una ecuacion en la forma de (2.93)

con Gn = 0.
Ahora de (2.104) y de la formula de Taylor se tiene:
k jn = un+1
{unj + r[unj+1 2unj + unj1 ]}
j
t2
2
x2
x3
{unj + r[vjn + (ux )nj x + (uxx )nj
+ (uxxx )nj
2
6
x4
uxxxx (x1 , nt)
2unj + unj (ux )nj x
24
x2
x3
x4
(uxx )nj
(uxxx )nj
+ uxxxx (x2 , nt)
)]}...
2
6
24
t2
n
2
n
(ut )j t rx (uxx )j + utt (jx, t1 )
2
x4
x4
ruxxxx (x1 , nt)
ruxxxx (x2 , nt)
...
24
24
t2
(ut uxx )nj t + utt (jx, t1 )
2
x2
x2
uxxxx (x1 , nt)
t uxxxx (x2 , nt)
t...
24
24

= unj + (ut )nj t + utt (jx, t1 )

+
+
=

Del hecho que ut uxx = 0 se tiene:

jn = utt (jx, t1 )

x2
t
(uxxxx (x1 , nt) + uxxxx (x2 , t))
2
24

(2.111)

Ahora decidiremos que norma usar:

1. Si asumimos que utt y uxxxx son uniformente acotadas sobre IR [0, t0 ], para
alg
un t0 > t, podemos entonces usar estas cotas con la norma del supremo
para obtener
k k = sup {i } = sup |utt (jh, t)|
i

k
h2
+ sup |uxxxx |
Ak + Bh2
2
12
i

Por lo tanto el esquema es de orden de precisi

on (h2 , k) con respecto a la
norma del supremo.
2. Si asumimos que utt y uxxxx satisfacen

[(utt )nj ]2 h < A <

(2.112)

j=

[(uxxxx )nj ]2 h < B <

(2.113)

j=

para cualquier h y k. Entonces decimos que el esquema de diferencias finitas

es de orden de precision (h, k) con respecto a la norma l2,h .

2.5.2.

Consistencia de Problemas de valor Inical-Contorno

La consistencia puntual sera la misma que aparece en la Definicion (2.5.1) excepto que ahora tenemos que analizar cualquier condicion de frontera que contiene
una aproximacion.
Para la norma considermos una sucesion de particiones del intervalo [0, 1]
definiendo una sucesion de incrementos espaciales {xj } y una sucesion de espacios
apropiados, {Xj }, con normas k.kj Entonces las Definiciones (2.5.2) y (2.5.3) se

aplican a problemas de valor inicial-contorno usando la sucesion de normas k.kj .

La diferencia importante entre entre los problemas de valor inicial y problemas
de valor inicial-contorno esta en escribir el problema de valor inicial-contorno en
alguna forma que pueda ser analizada en una sucesion logica de espacios vectoriales.
Ejemplo 5 Problema discreto con el esquema de diferencias finitas de Euler
n
n
), j = 1, . . . , M 1
+ vj1
vjn+1 = (1 2r)vjn + r(vj+1

vj0 = f (jx)

(2.114)
(2.115)

n+1
vM
= 0

(2.116)

v0n+1 = (1 2r)v0n + 2run1

(2.117)

j = 1, ...M 1

(2.118)

con el problema de valor inicial-contorno

ut = uxx , x (0, 1), t > 0

(2.119)

u(x, 0) = f (x),

(2.120)

u(1, t) = 0, t > 0

(2.121)

ux (0, t) = 0, t > 0

(2.122)

x [0, 1]

(2.123)

Soluci
on: La condicion de frontera (2.122) se puede aproximar por
n
v1n v1
=0
2x

(2.124)

Recordar que el esquema de diferencias de Euler (2.114) aproxima a la ecuacion

diferencial parcial (2.119) con un orden de truncamiento O(t) + O(x)2 . Desde

que (2.117) es una aproximacion de orden O(x)2 para la condicion de frontera

(2.122), se concluye que el esquema de diferencias (2.114)-(2.117) es una aproximacion puntual de orden O(t) + O(x)2 para el problema de valor inicial-frontera
(2.119)-(2.122).
Para probar la consistencia en la norma, escribimos nuestro esquema de diferencias en la forma
vn+1 = Qvn

(2.125)

con componentes
vjn+1 = [(1 2r)I + r(+ + )] vjn
Si u es la solucion exacta del problema de valor inicial-frontera continuo, entonces
podemos reemplazarlo en (2.125) y obtenemos
un+1 = Qun + t n

(2.126)

Antes de empezar nuestro analisis de consistencia, debemos decidir sobre nuestra sucesion de espacios. Es claro que los espacios que usaremos seran espacios de
dimension M que constan de vectores (v0 , . . . , uM 1 )T . Ya conocemos que jn es
O(t) + O(x)2 , j = 1, . . . , M 1.
Para examinar la consistencia de la ecuacion primero examinemos la consistencia de la discretizacion en la frontera (2.117), sea u la solucion del problema de

valor inicial-contorno, entonces:

t 0n = un+1
(1 2r)un0 2run1
0
= un0 + (ut )n0 t + (utt )n0

t2
+ ...
2

[(1 2r)un0
x2
x3
+ (uxxx )n0
+ . . .}]
2
6
t2
= [(ut )n0 (uxx )n0 ]t 2rx(ux )n0 + (utt )n0
2
tx
(uxxx )n0
+ ...
3
+ 2r{un0 + (ux )n0 x + (uxx )n0

Usando el hecho que (ux )n0 = 0 y (ut uxx )n0 = 0, vemos que
0n =

(utt )n0 x (uxxx )n0 + . . . O(t) + O(x)

2
3

(2.127)

Podemos decir que los puntos j = 1, . . . , M el esquema de diferencias es de orden de

precision O(t) + O(x)2 . Pero en el extremo izquierdo cuando j = 0 el esquema
es solo de orden de precision O(t) + O(x). Por lo tanto el esquema (2.114)(2.117) es de orden de precision O(t) + O(x). Debido a la aproximacion de
la ecuacion diferencial parcial y a las condiciones de frontera escogemos la menor
orden respecto a x.
En conclusion, vemos que con las suposiciones hechas sobre ciertas derivadas de
u, el esquema de diferencias (2.114)-(2.117) sera consistente con respecto a la norma del supremo o la norma l2,x con orden de aproximacion O(t)+O(x)

Ejemplo 6

Probaremos que el esquema forward-time forward-space o upwind

hacia delante es consistente con la ecuaci

on diferencial ut + aux = 0.

Soluci
on: En efecto, el esquema es
n
vjn+1 vjn
vjn
vj+1
+a
= 0,
k
h

el operador diferencial para la ecuacion de conveccion es

L=

+a
t
x

y sea una funcion suave = (x, t). El operador de diferencias finitas esta dado
por
Lnj

n+1
nj
nj+1 nj
j
=
+a
k
h

(2.128)

donde nj = (jh, nk). Usando las series de Taylor de la funcion (x, t) en el nodo
(jh, nk),
1 2
k tt + O(k 3 )
2!
1
= nj + hx + h2 xx + O(h3 )
2!

n+1
= nj + kt +
j

(2.129)

nj+1

(2.130)

donde las derivadas son evaluadas en los nodos (xj , tn ). Reemplazando (2.129) y
(2.130) en (2.128) obtenemos
1
1
Lnj = t + ktt + O(k 2 ) + a{x + hxx + O(h2 )}
2
2
1
a
= t + ktt + ax + hxx + O(k 2 ) + O(h2 )
2
2
Entonces
1
a
Lnj Lnj = t + ax t ktt ax xx
2
2
O(k 2 ) O(h2 )
1
a
= kO(h2 )itt hxx O(k 2 )
2
2

Por lo tanto
Lnj Lnj 0; h, k 0
y as concluimos que el esquema es puntualmente consistente.

Es natural preguntarse, Si consistencia es suficiente para que un esquema

sea convergente ?. En verdad, consistencia es necesaria para convergencia mas no
es suficiente, como veremos en el siguiente ejemplo.
Ejemplo 7 Considerar la ecuaci
on diferencial parcial
ut + aux = 0, a > 0, x R

(2.131)

con la condici
on inicial

u0 (x) =

1 , 1 x 0

0 , en otro lugar

(2.132)

y el esquema FTFT o Upwind hacia delante con a = 1,

n
vjn+1 + vjn vj+1
vjn
+
=0
k
h

(2.133)

Soluci
on: El esquema puede reescribirse en la forma
k
vjn+1 = vjn (vj+1 vjn )
h
n
= (1 + Cr )vjn Cr vj+1

donde Cr = hk . Como condicion inicial para la ecuacion diferencial tenemos

t 6
u 6= 0
w

u 6= 0

v=0

u=0

Figura 2.6: Esquema Upwind hacia delante

La solucion de la ecuacion diferencial parcial es una copia de u0 que se desplaza

a la derecha por t siguiendo la direccion de las caractersitcas. En particular, para
un t suficientemente grande, existe valores positivos de x para el cual u(x, t) no es
cero, Figura (2.6). Para el esquema de diferencias tomemos la condicion inicial

u0j =

1 , 1 j h 0

0 , en otro lugar

La ecuacion (2.133) muestra que la solucion en (xj , tn ) depende solo de xj 0 para

j 0 > j en el tiempo previo. As concluimos que
vjn = 0, j > 0, n 0
Esto se ilustra en la Figura (2.6). Por lo tanto, vjn no puede converger a u(x, t),
puesto que para t positivo y x, la funcion u no es identicamente cero, sin embargo

vjn es cero.
Note que concluimos que el esquema es no convergente sin especificar el tipo de
convergencia, pero ciertamente, una sucesion de funciones que son todas ceros esto es, vjn para j > 0 - no puede converger, bajo cualquier definicion razonable de
convergencia, a la funcion diferente de cero u.
En seguida demostraremos que el esquema de Lax-Friedrichs es consistente
bajo ciertas condiciones.
Ejemplo 8

El esquema de Lax-Friedrichs es puntualmente consistente con la

ecuci
on diferencial ut + aux = 0.
Soluci
on: En efecto, sea el esquema de Lax-Friedrichs
n
n
n
n
vjn+1 21 (vj+1
+ vj1
)
vj+1
vj1
+a
=0
k
2h

y sea el operador de diferencias finitas

Lnj

n+1
12 (nj+1 + nj1 )
nj+1 nj1
j
=
+a
k
2h

donde = (x, t) es una funcion lo suficientemete diferenciable. Usando las series

de Taylor
1
1
nj+1 = nj + hx + h2 xx + h3 xxx + O(h4 )
2
3!
1
1
nj1 = nj hx + h2 xx h3 xxx + O(h4 )
2
3!
1
n+1
= nj + kt + k 2 tt + O(k 3 )
j
2
1
1 n
(j+1 + nj1 ) = nj + h2 xx + O(h4 )
2
2
1
1 n
(j+1 nj1 ) = x + h2 xxx + O(h3 )
2h
3!

Si reemplazamos en el operador de diferencias obtenemos

1
1
1
Lnj = t + ktt h2 k 1 xx + ax + ah2 xxx + O(k 2 + h4 k 1 + h4 )
2
2
3!
de donde
1
1
1
Lnj Lnj = ktt + h2 k 1 xx ah2 xxx + O(h4 + k 1 h4 + k 2 )
2
2
3!
Para que Lnj Lnj 0, h, k 0 se debe tener que k 1 h4 0. Por lo tanto el
esquema es puntualmente consistente siempre que k 1 h4 0.

2.6.

Estabilidad

Como vimos en el Ejemplo (8) que consistencia no es suficiente para obtener

convergencia ya que muchos de los esquemas utilizados son consistentes pero no
convergentes. El mayor problema en probar convergencia esta en obtener la estabilidad del esquema. Aunque estabilidad es mucho mas facil de establecer que
convergencia, esto es a
un muchas veces difcil.
Estabilidad significa que los errores en cualquier etapa de calculo no son amplificados, sino que son atenuados conforme el calculo avanza. Si ning
un error de
redondeo se introdujera en este proceso entonces la solucion exacta se obtendra en
cada punto de la malla (j, n). La idea esencial de la definicion de estabilidad es que
el proceso numerico no debera causar ninguna peque
na perturbacion introducida
a traves de redondeos de cualquier tipo de crecimiento y finalmente dominar la
solucion.

Note que si un esquema es convergente, entonces vjn converge a u(x, t), ciertamente vjn es acotada en alg
un sentido. En este contexto, estos conceptos que
estamos utilizando son aplicables a los llamados Problemas bien puestos.
La siguiente definicion de estabilidad es para problemas de valor inicial homogeneos.
Definici
on 2.6.1 (Estabilidad de PVI Homog
eneos) Un esquema de diferencias finitas Lnj vjn = 0 para una ecuaci
on diferencial de primer orden, Lu = 0
es estable si existe un entero J y n
umeros positivos h0 y k0 , tal que para cualquier
tiempo positivo T , existe una constante CT tal que
h

|vjn |2

CT h

j=

X
X

|vjn |2

(2.134)

j=0 j=

para 0 nk T , 0 < h h0 , 0 < k k0 .

La Ecuacion (2.134) puede ser escrita en funcion de normas:
n+1
v CT kv n k

(2.135)

Definici
on 2.6.2 (Problemas bien Puestos) El problema de valor inicial para
una ecuaci
on diferencial parcial de primer orden Lu = 0 es bien puesto si para
cualquier tiempo T 0, existe una constante CT tal que para cualquier solucion
u(x, t) satisface

|u(x, t)| dx CT

|u(x, 0)|2 dx

0tT

(2.136)

2.6.1.

An
alisis de Estabilidad Matricial

La primera aproximacion para el analisis de estabilidad se llama an

alisis de
estabilidad matricial.
Para establecer un criterio de estabilidad matricial considerar el siguiente ejemplo.
Ejemplo 9 Dada la ecuaci
on diferencial parcial

2
=
, 0<x<1
t
x2

(2.137)

con
(0, t) = a, (1, t) = b, 0 t T
y
(x, 0) = g(x), 0 < x < 1
Sea el esquema de diferencias finitas de Euler definido en un punto interior general
n+1
= nj + r(nj1 2nj + nj+1 )
j
para j = 1, ..., N y N h = 1, n = 0, ..., J con Jk = T .
En efecto, sobre las fronteras se tiene
= n1 + r(a 2n1 + n2 )
n+1
1
y
n
n
n
n+1
N 1 = N 1 + r(N 2 2N 1 + b)

donde N h = 1.

(2.138)

Este esquema puede ser escrito en la forma matricial en el nivel n; si denotamos

por

n+1

n+1

n+1

2

..
= .

n+1
N 2

n+1
N 1

n+1

n
r
1 2r
1 ra

r
n 0
1

2r
r

.. ..
..
.. ..
=
. + .
.
.
.

0
r 1 2r
r

N 2

r
1 2r
nN 1
rb

o en su forma compacta como

n+1 = An + d

(2.139)

donde A y d son conocidos. Puesto que en general los esquemas en diferencias

para la ecuacion diferencial parabolica puede ser escrita en la forma de matriz y
dn depende de las condiciones de frontera y puede variar a medida que avanza el
tiempo.
El dominio solucion de la ecuacion diferencial parcial es un rectangulo finito
0 x 1, 0 t T , el cual es subdividido en una malla uniforme con xj = jh,
j = 0, 1, ..., N (N h = 1) y tn = nk, n = 0, 1, ..., T (nk = T ). Ahora asumiremos
que h y k estan relacionados (por ejemplo k = Cr h o k = rh2 , r > 0) asi que
k 0 cuando h 0. Si las condiciones de frontera en j = 0 y j = N (n > 0) son

conocidos entonces las ecuaciones para i = 1, 2, ..., N pueden escribirse como

n+1 = An + dn

(2.140)

Aplicando recursivamente (2.140) tenemos

n = An1 + dn1 = A(An2 + dn2 ) + dn1
= A2 n2 + Adn2 + dn1
..
.
= An 0 + An1 d0 + . . . + dn1

(2.141)

donde 0 es el vector de valores iniciales y d0 , . . . , dn1 son vectores de los valores

conocidos en la frontera.
La proxima tarea es considerar la propagacion de una perturbacion, y para este
fin considerar el vector de valores iniciales 0 el cual perturbado es 0 ( asumimos
no mas errores de redondeo), entonces la solucion exacta en el paso tn = nk de
tiempo es
n = An 0 + An1 d0 + An2 d1 + . . . + dn1

(2.142)

Definimos el error de perturbacion o vector error e por e = . Entonces de

(2.141) y (2.142) tenemos
en = n n = An (0 0 ) = An e0 , n = 1, . . . , T

(2.143)

El esquema de diferencias finitas sera estable cuando los restos de en seran acotados cuando n se incrementa indefinidamente. En otras palabras e0 se propaga de
acuerdo a
en = Aen1 = . . . = An e0

(2.144)

Por consiguiente, por la matriz compatible y norma de un vector

ken k kAn k ke0 k

(2.145)

Lax define el esquema de diferencias como estable si existe M > 0 (independiente de n, h y k) tal que kAn k M, n = 1, . . . , T . Esta condicion ciertamente
limita la amplificacion de cualquier perturbacion inicial y por lo tanto cualquier
error de redondeo puesto que
ken k M ke0 k
Desde que
kAn k = kAAn1 k kAk kAn1 k . . . kAkn

(2.146)

la definicion de estabilidad de Lax es satisfecha si kAk 1.

Cuando esta condicion es satisfecha se sigue inmediatamente que el radio espectral (A) 1

Nota
La norma uno de la matriz A es la suma maxima de los modulos de las
columnas de A, y se denota por kAk1 . La norma infinita de la matriz A es
la suma maxima de los modulos de las filas de A, y se denota por kAk . La
norma dos de la matriz A es la raz cuadrada del radio espectral de AH A donde
AH = (A)T (transpuesta de la conjugada de A), y se denota por kAk2 .
(A) 1 desde que (A) kAk
(el recproco no es cierto).

(2.147)

Ejemplo 10 Existen dos formas para analizar la estabilidad por medio de matrices: encontrar los autovalores de A explcitamente o usar normas para obtener
cotas sobre los autovalores.
Cuando 0 < r 1/2 entonces
kAk = r + (1 2r) + r = 1

(2.148)

y cuando r > 1/2, |1 2r| = 2r 1 entonces

kAk = r + 2r 1 + r = 4r 1 > 1.

(2.149)

Asi concluimos que el esquema es estable para 0 < r 1/2 e inestable para
r > 1/2.
Otra alternativa es usar el hecho de que A es real y simetrica, entonces se tiene
kAk2 = (A) = max |j | donde j son los autovalores de A. Si A = I + rS donde

I = ...

2 1

1 2 1

.. .. ..
y S=

.
.
.

1
1 2 1

1 2

(2.150)

son matrices de orden (N 1) (N 1). Entonces S tiene autovalores

j = 4 sen2 (

j
), j = 1, . . . , N 1
2N

(2.151)

lo cual puede ser verificado directamente. Asi los autovalores de A son

j = 1 4r sen2 (

j
), j = 1, . . . , N 1
2N

(2.152)

y el sistema es estable cuando

kAk2 = max |1 4r sen2 (
j

j
)| 1
2N

(2.153)

o
1 1 4r sen2 (

j
)1
2N

(2.154)

El lado izquierdo de la ecuacion da

r

1
1)
2 sen2 ( (N2N
)

(2.155)

y como
h 0, N y sen2 (

(N 1)
)1
2N

(2.156)

Por lo tanto la condicion de estabilidad es r 1/2.

Existe un problema obvio en aplicar el analisis matricial ya que en general
los autovalores de la matriz A no estan disponibles en ning
un formato dado. Esto
puede ser posible dando cotas para los autovalores, o los autovalores necesitaran ser
encontrados numericamente. Una alternativa es usar el an
alisis de estabilidad
de Fourier.

2.6.2.

Estabilidad de Problemas de Valor Inicial

Una interpretacion estabilidad de un esquema de diferencias es que peque

nos
errores en la condicion inicial causan peque
nos errores en la solucion. Como vemos,
la definicion no permite el crecimiento de errores, pero pone limites al crecimiento
exponencial. Tambien la definicion de estabilidad de un esquema de diferencias es
similar a la definicion de problemas bien puestos de ecuaciones diferenciales.

Definimos estabilidad para un esquema de diferencias de dos niveles

vn+1 = Qvn n 0,

(2.157)

el cual sera un esquema de diferencias para resolver un problema de valor inicial

sobre IR lo cual incluye una ecuacion diferencial parcial lineal homogenea.
Definici
on 2.6.3 (Problema bien puesto) Un problema de valor inicial (PVI)
se dice que es bien puesto en la norma k.k si y solamente si existe solucion, es u
nica y depende continuamente de los datos iniciales, es decir, existe una constante
C y tal que
ku(x, t)k C et ku0 (x)k.

(2.158)

Definici
on 2.6.4 El esquema de diferencias finitas (2.157) es estable con respecto
a la norma k.k si existen constantes positivas x0 y t0 , y constantes no negativas
K y tal que
kvn+1 k K et kv0 k,

(2.159)

para 0 t = (n + 1)t, 0 < x x0 y 0 < t t0

independientes de h y k.
Si el esquema fuera de paso m
ultiple, la definicion anterior podra modificarse
en el sentido de que existe un entero J, y constantes K, tal que
n

kv k Ke

J
X

kvi k.

(2.160)

i=0

Note que como las definiciones de convergencia y consistencia, la definicion de

estabilidad esta dado en terminos de una norma. Como fue el caso de convergencia
y consistencia, esta norma puede diferir de acuerdo a la situacion. Note tambien

que la definicion de estabilidad no permite el crecimiento de la solucion. Debemos

notar que la solucion puede crecer con el tiempo, pero no con el n
umero de pasos
del tiempo.
La Definicion (2.6.4) es una de las mas fuertes definiciones de estabilidad. Algo
com
un en la definicion es requerir que la condicion (2.159) sea posible solo para
(n + 1)t T para cualquier T (donde K y dependen solo de T ).
Proposici
on 1 El esquema de diferencias (2.157) es estable con respecto a la
norma k.k si y solo si existen constantes positivas x0 y t0 y constantes no
negativas K y tal que
kQn+1 k K et

(2.161)

para 0 t = (n + 1)t, 0 < x x0 y 0 < t t0 .

Prueba: Puesto que
vn+1 = Qvn = Q(Qvn1 ) = Q2 vn1 = . . . = Qn+1 v0

(2.162)

la expresion (2.159) puede ser escrita como

kvn+1 k = kQn+1 v0 k K et kv0 k,

(2.163)

kQn+1 v0 k
K et
0
||v ||

(2.164)

Entonces tomando el supremo en ambos lados de la desigualdad sobre todos los

vectores diferentes de cero, v0 , obtenemos
kQn+1 k K et

(2.165)

Del hecho de que

kQn+1 v0 k kQn+1 k kv0 k

(2.166)

y de la desigualdad (2.161) se tiene (2.159) (estabilidad).

Ejemplo 11 Demostrar que el esquema de diferencias finitas

n
n
)
+ vj1
vjn+1 = (1 2r)vjn + r(vj+1

(2.167)

es estable con respecto a la norma del supremo.

Soluci
on: Note que si r 1/2,
n
n
|vjn+1 | (1 2r)|vjn | + r|vj+1
| + r|vj1
|

kvn k
Si tomamos el supremo sobre ambos lados de la inecuacion, con respecto a j,
obtenemos
kvn+1 k kvn k

(2.168)

Por lo tanto la desigualdad (2.159) se satisface si K = 1 y = 0.

Note que para la estabilidad del esquema (2.167) se ha requerido que r 1/2.
En este caso decimos que el esquema es condicionalmente estable.

2.6.3.

Estabilidad de Problemas de Valor Inicial-Frontera

Al igual como se ha trabajado anteriormente asumimos que tenemos una sucesion de particiones de nuestro intervalo [0, 1] descrito por la sucesion de incrementos, {xj }, y una sucesion de espacios {Xj } con normas k.kj . Entonces decimos

que el esquema de diferencias para el problema de valor inicial-frontera es estable

si este satisface la desigualdad (2.159) con las normas k.kj .
Para ilustrar la definicion, incluimos el siguiente ejemplo
Ejemplo 12 Considere el problema de valor inicial-frontera
ut = uxx , x (0, 1), t > 0

(2.169)

u(x, 0) = f (x), x [0, 1]

(2.170)

u(0, t) = u(1, t) = 0, t 0

(2.171)

con el esquema de diferencias

vjn+1 = vjn + r 2 vjn , j = 1, . . . , M 1

(2.172)

n+1
v0n+1 = vM
= 0, n = 0, . . .

(2.173)

vjn = f (jx), j = 0, . . . , M

(2.174)

Demostrar que si r 1/2, el esquema de diferencias (2.172)-(2.174) es estable

Prueba: Tomemos cualquier sucesion de particiones del intervalo [0, 1] definido por
una sucesion de incrementos {xj } y los espacios asociados, {Xj }, y normas, k.kj .
Especificamente, elegimos los espacios Xj de dimension (Mj 1) donde Mj xj = 1
y k.kj denota la norma del supremo sobre Xj
Fijamos el valor r 1/2,
n
n
|
| + r|vj1
|vjn+1 | (1 2r)|vjn | + r|vj+1

(1 2r)kvn kj + rkvn kj + rkvn kj

= kvn kj

Si tomando el maximo sobre j en ambos lados, obtenemos

kvn+1 kj kvn kj
Aplicando repetidamete la u
ltima desigualdad, llegamos a obtener
kvn+1 kj kv0 kj
As que le esquema es estable usando K = 1 y = 0

2.7.

El Teorema de Lax

2.7.1.

Teorema de Lax y Problemas de Valor Inicial

Ahora que hemos discutido convergencia, consistencia y estabilidad, es tiempo

de ver como ellos se relacionan. Como indicamos previamente, ellos son relacionados via el Teorema de Lax.
Este teorema es importante porque nos da una forma simple de verificar si
un esquema es convergente, ya que si intentamos verificar la convergencia directamente por la definicion no siempre es posible, sin embargo verificar consistencia
y estabilidad pueden ser mucho mas facil ya que involucra generalmente calculos
solamente algebraicos .
Teorema 2.7.1 (Teorema de la Equivalencia de Lax) Un esquema de diferencias finitas de dos niveles consistente con la ecuaci
on diferencial parcial para
la cual el problema de valor inicial es bien puesto es convergente si y solo si es
estable.

Asi que vemos que si tenemos un esquema consistente, entonces convergencia

es sinomimo de estabilidad.
En lugar de intentar demostrar este teorema, demostraremos una version ligeramente mas fuerte que la mitad del teorema anterior.
Teorema 2.7.2 (Teorema de Lax) Sea un esquema de diferencias de dos niveles
vn+1 = Qvn + t Gn

(2.175)

de orden precisi
on (p, q) en la norma k.k para un problema de valor inicial lineal bien puesto y estable con respecto a la norma k.k, entonces el esquema es
convergente de orden de precisi
on (p, q) con respecto a la norma k.k.
Prueba: Sea u = u(x, t) la solucion exacta del problema de valor inicial. Entonces
puesto el esquema es de orden de precision (p, q), tenemos
un+1 = Qun + t Gn + t n

(2.176)

con k n k = O(xp )+O(tq ). Definimos el vector w como la diferncia entre uv.

Entonces w satisface
wn+1 = Qwn + t n

(2.177)

Aplicamos la ecuacion (2.177) en forma iterativa

wn+1 = Qwn + t n
= Q(Qwn1 + t n1 ) + t n
= Q2 wn1 + tQ n1 + t n
...
= Qn+1 w0 + t

n
X

Qj nj

j=0

Pueto que w0 = 0, tenemos

w

n+1

= t

n
X

Qj nj

(2.178)

j=0

El hecho de que el esquema sea estable implica que para cualquier j,

kQj k Kej t

(2.179)

Tomando la norma en ambos lados de la ecuacion (2.178) y usando (2.179) se llega

a
kwn+1 k t

n
X

kQj k k nj k

j=0

t K

n
X

ej t k nj k

j=0

t K e

(n+1)t

n
X

k nj k

j=0

(n + 1) t K e

(n+1)t

C1 (t) (O(xp ) + O(tq )

(2.180)

donde C1 (t) = sup0st C(s), donde s = (n j)t, es la constante que esta

asociada a la expresion big O para k nj k. Elegimos t tal que (n + 1)t t
cuando t 0 (o cuando n ). Asi, como x, t 0, en la expresion (2.180)

se tiene
(n + 1) t K et C1 (t) (O(xp ) + O(tq ) t K et C1 (t)(0) = 0

(2.181)

Es facil ver, que la u

ltima expresion es equivalente a kvn+1 un+1 k 0.
Para ver la convergencia de orden (p, q), observe que la expresion (2.180) puede
reescribirse como
kwn+1 k K(t)(O(xp ) + O(tq ))
= O(xp ) + O(tq )

Note que el termino Gn que aparece en las expresiones (2.175) y (2.176) son aproximaciones del termino fuente. Asi, cuando sustraemos para formar una ecuacion
para w, ellos se sustraen. Cualquier error del truncamiento debido a como Gn se
aproxima el termino de la fuente esta contenido en el termino

2.7.2.

Teorema de Lax y Problemas de Valor Inicial-Frontera

Como es constumbre, despues de tratar los problemas de valor inicial, volvemos a tratar los problemas de valor inicial-frontera. Empezamos asumiendo que
tenemos las mismas hipotesis que teniamos para las definiciones de convergencia, consistencia y estabilidad para problemas de valor inicial-frontera. Es facil
ver entonces que para una version del Teorema de Lax para un problema de valor
inicial-frontera se agrega la subscripcion j a cada norma k.kj . Por lo tanto tenemos
el siguiente teorema

Teorema 2.7.3 (Teorema de Lax) Si un esquema de dos niveles es de orden de

precisi
on (p, q) en la sucesi
on de normas k.kj para un problema de valor inicialfrontera bien puesto lineal y estable con respecto a la sucesi
on de normas k.kj ,
entonces el esquema es convergente de orden (p, q) con respecto a la sucesi
on de
normas k.kj .

2.7.3.

Teorema de Equivalencia de Lax

Antes de demostrar la version completa del Teorema de Equivalencia de Lax

daremos algunas precisiones:
1. Para problemas lineales tales como los que estamos estudiando, la condicion
de continuidad que satisfacen las soluciones de las EDP para la norma L2 ,
se puede expresar como
ku(., t)k Ct ku(., 0)k

(2.182)

donde Ct es una constante independiente de la solucion.

2. Una ecuacion de primer orden con derivada en el tiempo puede escribirse en
la forma
u
bt (w, t) = q(w)b
u(w, t)

(2.183)

luego de aplicar la transformada de Fourier. Entonces el problema de valor

inicial para la ecuacion tiene la solucion
u
bt (w, t) = eq(w)t u
b0 (w)

(2.184)

Teorema 2.7.4 Una condici

on necesaria y suficiente para que la ecuaci
on (2.184)
verifique la aproximaci
on basica (2.183) es que exista una constante q tal que
Real q(w) q

(2.185)

para todo w IR
Prueba: Ver [22] pag. 171

Observaci
on
Suponemos que q = 0 en (2.185) y que se utiliza la condicion de estabilidad
|g()| 1, esto es, suponemos que
|etq() | 1

|g(h)| 1

(2.186)

Teorema 2.7.5 (TEL) Un esquema de diferencias finitas consistente con una

EDP, para la cual el problema de valor inicial es bien puesto, es convergente si y
solo si es estable.
Prueba:
Probaremos que la estabilidad implica la convergencia del esquema.
Se hace una suposicion en (2.186). Asumimos que existe una constante CT tal
que
|etq() | CT
para 0 t T y 0 nk T .

|g(h)n | CT

(2.187)

Asumimos que la condicion inicial para el esquema es T u0 . Entonces tenemos

Z
0 2

ku0 Sv k =

||>
h

|b
u0 ()|2 d,

(2.188)

la cual converge a cero cuando h 0 (Por la integral de Lebesgue).

Usando la consistencia se obtiene
ekq() g(h)
= O(1),
k

(2.189)

en h y k, es decir 0 cuando h, k 0.
Se consideran en L2 la norma de u(., tn ) Sv n
ku(., tn ) Sv n k.

(2.190)

Luego por la relacion de Parseval se tiene

Z

|u(x, tn ) Sv (x)| dx =

|eq()tn g(h)|2 |b
u0 ()|2 d

+
||>
h

|eq()tn u
b0 ()|2 d

(2.191)

Se considera que el lado derecho de (2.191) como una integral sobre IR, con la
particularidad que el integrando esta dado en dos partes discretas. Es decir, el
integrando es la funcion

h () =

|eq()tn g(h)n |2 , ||

|eq()tn .b
u0 ()|2

, || >

Ademas para cada cunndo h es suficiente peque

na se tiene || < h1 , el integrando esta dado como en la primera parte. La expresion eq()tn g(h)n satisface
|eq()tn g(h)n | n CT |eq()k g(h)|

(2.192)

Por (2.189) se tiene la aproximacion

|eq()tn g(h)n | nk CT O(1) O(1)

(2.193)

Se concluye que el lado derecho de (2.191) converge a cero para cada valor de
cuando h, k 0. As se tiene que el conjunto de funciones h que estan en L1 (IR)
tienden a cero para cada punto cuando h, k 0.
Antes de concluir que las normas de las funciones convergen a cero se necesita
lo siguiente
|eq()tn g(h)n |2 |b
u0 ()|2 < (2CT )2 |b
u0 ()|2

(2.194)

Esto demuestra que las funciones h son uniformemente acotadas por una funcion
en L1 (IR), es decir, 4CT2 |b
u0 ()|2 . Por el teorema de la convergencia dominante de
Lebesgue se concluye que
Z

h () d =

c |2 d
|b
u(, tn ) Sv

(2.195)

converge a cero cuando h, k 0, asi el esquema es convergente.

Ahora brevemente considerar el caso donde v 0 6= T u0 . Primero se define la funcion
discreta wn que es la solucion del esquema de diferencias finitas con la condicion
inicial T u0 . Se tiene entonces
ku(., tn ) Sv n k ku(., tn ) Swn k + kSwn Sv n k

(2.196)

Se tiene ku(., tn ) Swn k 0, y por el resultado previo se tiene por la definicion

de S y por la estabilidad que
kSwn Sv n k = kS(wn v n )k = kwn v n kh
CT kw0 v 0 kh
= CT kT u0 v 0 kh
CT ku0 Sv 0 k,
la cual es convergente a cero. Esto concluye la primera parte de la prueba, mostrando que un esquema estable es convergente.
Para probar que el esquema es estable, lo haremos suponiendo que el esquema
no es convergente, es decir, no puede existir esquemas que sean inestables que sean
convergentes.
En efecto, se construye una funcion u0 (x) tal que el esquema con condicion
inicial T u0 no converge a la solucion de la EDP. La funcion u0 (x) es construida
como la suma de las funciones wM (c) determinada como sigue.
Si el esquema es inestable, se tiene para un entero positivo M , existen valores
M , hM,hM tal que
|g(hM M , hM , kM )| 1 + M kM ,

(2.197)

y |hM M | . Puesto que g(h, k, h) es una funcion continua, existe un n

umero
positivo M tal que
1
|g(hM M , hM , kM )| 1 + M kM
2

(2.198)

para | M | M , ademas podemos elegir M tal que satisface M M 2 y

elegir hM < hM 1 y kM < kM 1 . Se necesita con relacion a la consistencia del

esquema el siguiente Lema que lo enunciaremos.

Lema 1 Si un esquema de diferencias finitas es consistente, entonces los intervalos IM = [M M , M + M ] se pueden elegir tal que sean disjuntos.
2
M = M 2 y
Se define los n
umeros M > 0 por M

w
bM () =

M , | M | < M

en otro lugar

Se define la condicio inicial como la suma de funciones wM . Sea u0 (x) =

P
M =1

wM (x),

se demostrara que u0 esta en L2 (IR). Como los intervalos IM son disjuntos se tiene
que
Z

|u0 (x)| dx =

=
=

|b
u0 ()|2 d

XZ

|w
bM ()|2 d

M =1

X
2
2
M
M
M =1

X
2

= 2

M =1
2

,
3

lo cual muestra que u0 esta en L2 (IR).

Se demostrara ahora que la solucion del esquema aplicado a T u0 no converge.
n
la solucion del esquema como condicion inicial. Dado un tiempo T , elegimos
Sea vm

el nivel n, y un valor M tal que

T
nkM T,
2

CT 1
T

M
8

(2.199)

donde CT es la constante anicial acotada por eq()t en (2.187). Se tiene

Z
h
n
2
n
2
kSv u(., tn )k kv T u(., tn )kh =
|g(h)n eq()hk |2 |b
u0 ()|2 d

Para h = hM y IM , tenemos la estimativa

1
|g(h) eq()kn | |g(h)|n CT (1 + M kM )n CT
2

(2.200)

As,
Z
n

kSv u(., tn )k

|g(h)n eq()nk |2 |b
u0 ()|2 d

|M |M

1
2
[(1 + M kM )n CT ]2 M
2 M
2
1 + 12 M kM )n CT 2
= 2[
]
M
Se tiene por (2.199),
1
CT 1 2 T 2
kSv n u(., tn )k2 2( kM
)
90
2
M
32

(2.201)

As Sv n no converge au(., tn ), por lo tanto el esquema no es convergente.

Esto completa la prueba del Teorema de Equivalencia de Lax.

2.8.

An
alisis de Estabilidad
En esta seccion presentamos y desarrollamos la importante herramienta

del Analisis de Fourier, con el cual analizamos los esquemas de diferencias finitas
y sus soluciones. El analisis de Fourier es una herramienta usada para estudiar
importantes propiedades de los esquemas de diferencias finitas y sus soluciones.
Usamos el analisis de Fourier desde el principio para estudiar los esquemas de
diferencias finitas y las ecuaciones diferenciales parciales.

2.8.1.

An
alisis de Estabilidad para Problemas de Valor
Inicial

Cuando resolvemos un problema de valor inicial sobre la IR, es com

un usar la
transformada de Fourier. Por ejemplo, considerar el problema
ut = uxx , x IR, t > 0
u(x, 0) = f (x), x IR
Si definimos la transformada de Fourier de u por
Z
1
u
b(w, t) =
eiwx u(x, t) dx,
2

(2.202)
(2.203)

(2.204)

y tomar la transformada de Fourier a la ecuacion diferencial parcial (2.202), obtenemos

Z
1
eiwx ut (x, t) dx
ubt (w, t) =
2
Z
1
=
eiwx uxx (x, t) dx
2
Z
2 1
= w
eiwx u(x, t) dx
2
= w2 u
b(w, t)
Por lo tanto, vemos que la transformada de Fourier reduce la ecuacion diferencial
parcial a una ecuacion diferencial ordinaria en el espacio transformado (el espacio
de funciones transformadas). La tecnica entonces es resolver la ecuacion diferencial
ordinaria en el espacio transformado y retornar luego a nuestro espacio solucion. El
metodo por el cual retornamos a nuestro espacio solucion es usar la transformada
de Fourier inversa, la cual es dada por
1
u(x, t) =
2

eiwx u
b(w, t) dw

(2.205)

Suponemos que tenemos el vector en l2 , v = (. . . , v1 , v0 , v1 , . . .)T , y definamos

la transformada de Fourier discreta de v como sigue
Definici
on 2.8.1 La transformada de Fourier discreta de v l2 es la funcion
b L2 ([, ]) definida por
v

1 X i j
vb() =
e
vj
2 j=

(2.206)

para [, ].
L2 ([, ]) = {f : [, ] IR :

|f ()|2 d < }

b es las transformada de Fourier discreta de v,

Definici
on 2.8.2 Si v l2 , y v
entonces
1
vj =
2

ei j u
b() d

(2.207)

Si el espaciamiento entre los puntos malla es h, podemos cambiar variables y

definir la transformada por
+
1 X imh
vb() =
e
vm h
2 m=

(2.208)

[
, ].
h h
La transformada discreta inversa de Fourier esta dada por

1
vm (x) =
2

2.8.2.

Z+ h
eimh vb() d

(2.209)

La Transformada de Fourier

Si f es una funcion periodica de periodo T = 2L, es natural preguntarnos

que sucede si L . Esto conduce a que la Serie de Fourier se transforma en la

Integral de Fourier.
Transformada de Fourier de una funci
on: Consideremos la aplicacion integral
Z
T (f (x)) =

K(x, t)f (t) dt

(2.210)

llamada Transformaci
on Integral donde K(x, t) es el n
ucleo.
La Integral de Fourier: Sea f una funcion periodica de periodo T = 2L definida
en [L, L], entonces (f se asume uniformemente convergente)

f (x)

a0 X
n
n
+
(an cos
x + bn sen x)
2
L
L
n=1

(2.211)

donde an y bn son los coeficientes de Fourier. Entonces

Z L
Z L
1X
n
1
n
f (t)dt +
f (t) cos
f (x) =
t. cos
x dt
2L L
L n=1
L
L
L
Z L
n
n
f (t)sen t.sen x dt]
+
L
L
L
Z L
Z

1X L
n
1
f (t)dt +
f (t) cos( (t x)) dt
=
2L L
L n=1 L
L
Ahora como
a0
1
=
2
2L

1
f (t)dt
2L
L

yL
1
2L

n
L

y =

|f (t)|dt
L

|f (t)|dt 0
L

1X
f (x) = lm
L L
n=1
Si hacemos =

Asi que

f (t) cos
L

n
L

(t x) dt

(2.212)

y luego lo reemplazamos en (2.212) para obtener

1X
f (x) = lm
f (t) cos (n (t x)) dtd
L
n=1

Entonces la integral de Fourier de f es

1
f (x) =

f (t) cos (n (t x)) dtd

0

(2.213)

Si hacemos
cos (t x) =

ei(tx) + ei(tx)
2

(2.214)

reemplazamos (2.214) en (2.213)

f (x) =
=
=
=
=

Z Z
Z Z
1
1
i(tx)
f (t)e
dtd +
f (t)ei(tx) dtd
2 0
2

Z 0 Z
Z Z
1
1
f (t)ei(tx) dtd +
f (t)ei(tx) dtd
2
2 0

Z Z
1
f (t)ei(tx) dtd
2
Z Z
1
f (t)eit eix dtd
2
Z
Z
1
1

f (t)eix dt eix d
2 2
|
{z
}

Si
1
F () =
2
entonces
1
f (x) =
2

f (t)eit dt

(2.215)

F ()eix dx

(2.216)

Aqui la ecuacion (3.40) es la Transformada de Fourier de f y (3.41) es la Transformada Inversa de Fourier de f .

Notaci
on:
F() = F[f (x)]
f (x) = F 1 [F()]

Ejemplo 13 Sea la funcion f definida por

1 , |x| < a
f (x) =

0 , |x| > a
entonces la Transformada de Fourier esta dada por

F () =

f (u)e

iu

+a

du =

Para = 0 se tiene

F (0) =
Asi que
F () =

sen a
,

6= 0

+a

du =

2.8.3.

(1)eiu du = 2

du = 2a
a

2 sen a , 6= 0

2a

, =0

Analisis de Fourier

La herramienta que usaremos mas extensamente en nuestro estudio de estabilidad y problemas bien puestos es el analisis de Fourier.
Usaremos el analisis de Fourier sobre los reales IR o sobre una malla de enteros,
Z, o h Z, el cual es definido por h Z = {hm : m Z}.
La transformada inversa de Fourier muestra que u puede ser recuperada de u
b.
La transformada inversa de Fourier es una formula que expresa la funcion u(x)
como una superposicion de ondas, dadas por eiwx , con diferentes amplitudes u
b(w).
Si por ejemplo, la variable x representa el tiempo, entonces, la variable real w
representa la frecuencia y la funcion transformada u
b, esta definida en el espacio
de frecuencias. Por otro lado si x representa una variable espacial, entonces, la

variable w representa el n
umero de onda, en este caso la funcion transformada u
b
esta definida en el espacio de n
umero de onda.
En la practica se define la transformada de Fourier para una funcion cuadrado
integrable

|u(x)|2 dx <

(2.217)

En estas condiciones la transformada de Fourier existe y es u

nica.
En el siguiente ejemplo vemos la utilidad practica de la transformada de Fourier
en algunas situaciones
Ejemplo 14 Tomar la funcion discreta vj dada por

1 , |xj | 1

vj =
1/2 , |xj | = 1

0 , |x | 1
j
donde h = x = M 1 para alg
un entero M .
Tomemos la transformada de Fourier a vj

1 X i j h
e
vj h
vb() =
2 j=

1
1
1
1
1
= ei j h ( ) h + ei j h ( ) h +
2
2
2
2
2

M
1
X

ei j h

j=(M 1)

h
h sen(M 12 )h
= cos +
sen 12 h
2
2
h sen(M h ) cos( 12 h ) cos(M h ) sen( 12 h )
h
= cos +
sen 12 h
2
2
h
h
h
1
= cos + sen cot( h ) cos
2
2
2
2
1
h
= sen cot( h )
2
2

La formula de Parseval asegura el calculo de la siguiente integral

kb
v k2h

h2
=
2

/4

1
sen2 () cot( h) d
2
/4

= kuk2h
1
= h[( )2 +
2

M
+1
X

1
(1 + ( )2 )]
2

j=(M +1)

1
1
= h[ + M 1 (M + 1) + 1] = h[ + 2M 1]
2
2
1
= h[2M ]
2
1
=2 h
2
Ejemplo 15 Sea vj =

1
,
j2

luego la transformada sera

1 X 1 ij
1 X 2 eij + eij
vb() =
e
=
=
2
2 j= j 2
2 j=1 j 2

2X 1
cos(j)
j=1 j 2

Proposici
on 2 La suseci
on vn es estable en la norma l2,x si y solo si la sucesi
on
bn es estable en L2 ([, ])
v

2.8.4.

Factor de Amplificaci
on

Recordemos que un esquema de diferencias finitas de un solo paso puede

escribirse en la forma
vjn+1 = Q vjn
donde Q = Q(S+ , S ) y S+ , S son los operadores de desplazamiento hacia aden
n
.
, S vjn = vj1
lante y hacia atras respectivamente, S+ vjn = vj+1

Tomando la transformada de Fourier a S+ vj tenemos

[
S
+ vj =
=

vj+1 ei j h

j=

vj ei(j1)h

j=
ih

= e

vj ei j h

j=
ih

= e

v.

donde vj+1 = vj eih . De la misma forma obtenemos

i h
[
S
v.
vj = e

De aqui si vn+1 = Q(S+ , S ) vn podemos tomar la transformada de Fourier

n+1 = Q(eih , eih )
v
vn .
Si denotamos por = h entonces tenemos el termino
g(, k, h) = Q(ei , ei )

(2.218)

llamado factor de amplificaci

on.
Antes de seguir con el analisis de estabilidad, utilizaremos el operador F : l2
L2 ([, ]) como la transformada de Fourier discreta

1 X ij
F(v) =
e vj
2 j=

(2.219)

S+ v = {uj+1 }

(2.220)

S v = {uj1 }

(2.221)

F(S v) = ei F(v)

(2.222)

Si definimos los operadores

As podemos decir que

2.8.5.

Estabilidad y Problemas de Valor Inicial-Frontera

Ahora discutiremso la estabilidad para problemas de valor inicial-frontera, estos

problemas son acotados en cada variable espacial.
Proposici
on 3 Sea un esquema de diferencias para el problema de valor inicialfrontera. La concidi
on de von Neumann para el esquema de diferencias considerado
como un esquema de diferencias para un problema de valor inicial es una condici
on
necesaria para la estabilidad.
Para ilustrar la aplicacion del resultado anterior damos el siguiente ejemplo
Ejemplo 16 Considere el problema de valor inicial-frontera
ut + aux = 0, a < 0, x (0, 1), t > 0

(2.223)

u(1, t) = 0, t > 0

(2.224)

u(x, 0) = f (x), x [0, 1]

(2.225)

Encontrar una condici

on necesaria para la estabilidad ( y, por lo tanto, convergencia ) del esquema de diferencias
n
vjn+1 = (1 + Cr )vjn Cr vj+1
, j = 0, . . . , M 1

(2.226)

n+1
vM
= 0

(2.227)

vj0 = f (jx), j = 0, . . . , M.

(2.228)

Soluci
on : Observe que por la Proposicion (3), si consideramos la ecuacion de
diferencias (2.226) como un esquema de diferencias para un problema de valor
inicial, la estabilidad de este esquema sera necesario para la estabilidad del esquema
(2.226)-(2.228).

Sabemos que el esquema de diferencias (2.226) es estable como un problema

de valor inicial si y solo si Cr = at/x 1. Por lo tanto 1 Cr 0, una
condicion necesatia para la estabilidad del esquema de diferencias (2.226)-(2.227).
Proposici
on 4 Sea un esquema de diferencias finitas explcito
vn+1 = Qvn

(2.229)

para un problema de valor inicial-frontera. Decimos que el esquema es estable si y

solo si exiten constanters positivas x0 y t0 y constantes no negativas K y tal
que
kQn+1 k K e(n+1)t ,

(2.230)

para 0 < x x0 y 0 < x t0

2.8.6.

Series de Fourier Finitas y Estabilidad

Muchas veces, en lugar de aproximar un problema de valor inicial-frontera

tomando la transformada de Fourier discreta, la aproximacion al problema se puede
hacer tomando la expresion
vjn = g n eijkx

(2.231)

donde 0 k M , n = 0, . . . y i2 = 1.
Dado un esquema diferencias finitas para la ecuacion de difusion es posible
llegar a determinar el factor de amlificacion
g = 1 4rsen2

jx
, j = 1, . . . , M
2

(2.232)

Entonces, obtenemos una condicion necesaria para la estabilidad restringiendo r

tal que se cumpla |g| 1. ( El termino g n no crecera sin limites)

Nota 1 Debemos darnos cuenta que lo se encontr

o para g es exactamente lo mismo que se obtiene para los autovalores de una matriz Q. Por lo tanto, para obtener
una condici
on de estabilidad requiere que |g| 1 que la misma condici
on que los
autovalores de la matriz Q deben ser menores o iguales a uno.
Un hecho importante que hay que tener en cuenta en el analisis de von Neumann
es que no toma en cuenta las condiciones de frontera. Esto significa que el esquema
sera estable si las condiciones de frontera no causan inestabilidad. Pero debemos
ser muy claros acerca del hecho de que el criterio de estabilidad de von Neumann
nos da solo condiciones necesarias para la estabilidad.
El metodo anterior es claramente correcto pero se usa a menudo incorrectamente. Ademas, el metodo dara resultados fuertes que son condiciones necesarias.

2.8.7.

Condici
on de Estabilidad de von Neumann

El factor de amplificacion se dice que satisface la condicion de estabilidad

de von de Neumann si existe una constante C > 0 tal que
|g(, k, h)| 1 + Ck

(2.233)

donde k = t paso del tiempo.

La condicion (2.233) puede ser escrita en el siguiente Teorema.
Teorema 2.8.1 Un esquema de diferencias finitas de un paso es estable en la
norma l2,x si y solo si satisface la condici
on de von Neumann.
Prueba:

Primero demostramos la condicion suficiente. En efecto, si la condicion de von

Neumann es satisfecha entonces el esquema de diferencias finitas es estable.
Sea T > 0 suficientemente grande, y supongamos que existe C > 0 tal que para
todo se tiene
|g(, k, h)| 1 + Ck, 0 < k k0 , 0 < h h0 .
por la definicion de factor de amplificacion se tiene
n = g
0
v
vn1 = g n v
Luego usando la identidad de Parseval
Z
kvn k2h

k
vn k2h

|
v ()| d =

(1 + Ck)2n

|g|2n |
v 0 ()|2 d

|
v 0 ()|2 d = (1 + Ck)2n k
v 0 k2h

= (1 + Ck)2n kv0 k2h

Como nk T , entonces n T /k, y del hecho que 1 + x ex ,

x > 0, tenemos

(1 + Ck)2n (1 + Ck)2 k e2CT

Entonces usando los extremos de la desigualdad anterior obtenemos
kv n k2h (1 + Ck)2n kv 0 k2h e2C T kv 0 k2h
podemos decir que existe CT = e2CT > 0, asi como para las constantes h0 > 0,
k0 > 0 elegidas en la condicion de von Neumann y se cumple
kv n k2h CT kv 0 k2h ,
para todo 0 < h h0 , 0 < k k0 , nk T

Para condicion necesaria utilizamos la contraposicion, es decir si la condicion

de von Neumann no es satisfecha entonces el esquema de diferencias finitas no es
estable
En efecto: Supongamos que para cada C > 0, existe c [, ] tal que
|g(c , k, h)| > 1 + Ck,

, 0 < k k0 , 0 < h h0

Entonces |g| tiene un comportamiento similar al mostrado en la Figura (2.7)

6

|g|
s

1 + Ck

Figura 2.7: Estabilidad

Por la continuidad de g() existe un intervalo [1 , 2 ] que contiene a c y ademas

|g()| 1 + Ck,

para todo

[1 , 2 ]

Si fijamos una funcion v0 en el espacio de longitud o frecuencias que sea nula en

el exterior del intervalo [1 , 2 ], por ejemplo

0,

/ [1 , 2 ]
0
=
v () =
q

h
, [ , ]
2 1

Observamos que k
v 0 k = 1.

0,
q

/ [ h1 , h2 ]
h
,
2 1

/ [ h1 , h2 ]

Entonces utilizando nuevamente la identidad de Parseval tenemos

Z
kvn k2h

k
vn k2h
Z

=
Z
=

h
2
h

h1

|
v n ()|2 d

|g|2n |
v 0 ()|2 d
|g|2n |
v 0 ()|2 d
Z

(1 + Ck)

2n

2
h

h1

|v 0 ()|2 d = (1 + Ck)2n

Si elegimos C para el cual existe T > 0 y k con kn T tal que se cumpla

T

2 + 2CT e2CT (1 + kC)2 k

Podemos concluir que
T

kv n k2h (1 + Ck)2n = (1 + Ck)2 k

T
1
1
(1 + Ck)2 k e2CT
2
2
1 2CT 0 2
=
e kv kh
2

Por tanto para cada CT = 21 e2CT existe T > 0 tal que 1 + CT CT y se cumple
kv n k2h CT kv 0 k2h
que es la no estabilidad del esquema.

Nota 2 Si g(, k, h) = g() entonces la condici

on de von Neumann puede escribirse en la forma
|g()| 1.

(2.234)

Proposici
on 5 Es esquema de diferencias finitas
vn+1 = Qvn

(2.235)

es estable con respecto a la norma l2,x si y solo si existen constantes positivas t0

y x0 y constantes no negativas y K tal que
|g()|n+1 Ke(n+1)t

(2.236)

para 0 < t t0 , 0 < x x0 y todo [, ], donde g es el factor de

amplificaci
on del esquema (2.235).
Prueba: Ver Thomas, J. [??], pag. 108.

Proposici
on 6 El esquema de diferencias
vn+1 = Qvn

(2.237)

es estable con respecto a la norma l2,x si y solo si existen constantes positivas

t0 , x0 , y C tal que y todo [, ].
|g()| 1 + C t

(2.238)

para 0 < t t0 , 0 < x x0

Prueba: Note que cuando g satisface la desigualdad (2.238) se dice que g satisface
la condici
on de von Neumann.
Es facil ver que
|g()| 1 + C t eCt

(2.239)

entonces
|g()|n+1 e(n+1)Ct .

(2.240)

Por lo tanto, el esquema es estable por la Proposicion (6).

Para probar la convergencia, asumimos que la condicion no se cumple, es decir,
suponemos que para todo C > 0, existen constantes C [, ], tal que
|g(C )| > 1 + C t.

(2.241)

Usando una sucesion {Cj } tal que Cj cuando j , encontramos una

sucesion {j } tal que
|g(j )|n+1 , j

(2.242)

Por lo tanto |g()|n+1 no puede ser acotado. Esto contradice la Proposicion (6).

Por lo tanto, se ha demostrado que si el esquema de diferencias no satisface la

condicion de von Neumann, entonces este no puede ser estable. Asi, si el esquema
es estable, entonces este debe satisfacer la condicion de von Neumann, lo cual se
ha probado en la Proposicion anterior.
Este teorema muestra que para determinar la estabilidad de una EDP, solamente necesitamos considerar el factor de amplificacion g(, k, h).
Ejemplo 17 Probaremos que una condici
on suficiente para la estabilidad del esquema forward-time forward-space con la ecuacion ut +aux = 0 es que 0 < Cr 1,
a < 0.

En efecto, el esquema (??) es posible escribirlo en la forma

n
vjn+1 = vjn + vj+1

(2.243)

Demostraremos que este esquema es estable para || + || 1.

|vjn+1 |2

j=

n
|2
|vjn + vj+1

j=

j=

n
n
||2 |vjn |2 + 2|||||vj+1
||vjn | + ||2 |vj+1
|2

n
n
||2 |vjn |2 + ||||(|vj+1
|2 + |vjn |2 ) + ||2 |vj+1
|2

j=

usando el hecho que

(|vjn |2
j=

n
|vj+1
|2 )

=2

|vjn |2

j=

tenemos

=
=

||2 |vjn |2 + ||||(|vjn |2 + |vjn |2 ) + ||2 |vjn |2

j=

X
j=

||2 |vjn |2 + 2|||||vjn |2 + ||2 |vjn |2

(||2 + 2|||| + ||2 )|vjn |2

j=

= (|| + ||)2

|vjn |2

j=

sacando extremos tenemos

X
j=

|vjn+1 |2

(|| + ||)

X
j=

|vjn |2

(2.244)

Por induccion sobre la ecuacion (2.244)

|vjn+1 |2

(|| + ||)

j=

|vjn |2

j=

X
2

(|| + ||)

|vjn1 |2

j=

(|| + ||)2n

|vj0 |2

j=

Entonces

|vjn+1 |2

(|| + ||)

j=

2n

|vj0 |2

j=

|vjn+1 |2 (|| + ||)2n h

j=

X
X

|vj0 |2

j=0 j=

Si hacemos

CT = (|| + ||)2n

|| bf v

n+1

||v

n+1

||h CT (h
||h

|vj0 )|2 )

j=
CT ||v0 ||h

Asi que el esquema es estable si |CT | 1, esto es, ||+|| 1. En el caso particular
del esquema de forward-time forward-space, tenemos que = 1 + Cr y = Cr ,
asi que
|| + || = |1 + Cr | + | Cr | 1

Entonces

|1 + Cr | + |Cr | 1
Por lo tanto, para a < 0 se tiene 0 Cr 1 o 1 Cr 0.
Mostraremos que la condicion Cr 1 es necesaria para la estabilidad de muchos
de los esquemas explcitos para la ecuacion de conveccion (??).
Ejemplo 18 Aqui incluimos una alternativa mucho mas facil de analizar la estabilidad del esquema de diferencias finitas
1
n
)
vjn+1 = vjn Cr (vj+1 vj1 ) + r(vj+1 2vjn + vj1
2

(2.245)

El factor de amplificacion del esquema esta dado por

g() = (1 2r) + 2r cos iCr sen

(2.246)

|g()|2 = (1 4rsen2 )2 + Cr2 sen2

2

(2.247)

tal que

Si tomamos una constante r0 tal que r0 1/2, entonces (2.247) se puede escribir

|g()|2 = (1 4r0 sen2 )2 + Cr2 sen2

2

r0
= (1 4r0 sen2 )2 + a2 tsen2
2

Puesto que r0 1/2, 1 4r0 sen2 2 1 y sen2 1, entonces la ecuacion (2.248)

implica que
|()|2 1 + Ct,

C = a2

r0

(2.248)

Por lo tanto el esquema es estable.

Ahora presentamos un resultado el cual abarca todos los esquemas de un paso.

Teorema 2.8.2 Para un esquema explcito para la ecuaci

on de convecci
on (??)
de la forma
n
n
vjn+1 = vj1
+ vjn + vj+1

con Cr = a hk constante, una condici

on necesaria para la estabilidad es la condici
on
de (CFL) Courant-Friedrichs-Lewy, |Cr | 1.
Prueba:
Hacemos la prueba para el caso escalar. Suponemos que | Cr | = |a| > 1;
entonces en el punto (x, t) = (0, 1) vemos que la solucion de la ecuacion diferencial
u(x, t) = u0 (x at) depende de los valores de u0 (x) en x = +a y x = a (en
realidad solamente de uno de ellos a o a). Pero el esquema de diferencias finitas
tendra v0n dependiendo u
nicamente de vj0 para j n, por la forma del esquema
con h = 1 k, tenemos jh 1 kn = 1 , pues kn = 1. Es decir que v0n depende
de x solamente para |x| 1 < |a|.
Por tanto v0n no converge a u(0, 1) cuando h 0 con h/k = 1 por tanto |Cr | 1.

De manera similar se puede probar que no existe esquemas consistentes explcitos para ecuaciones hiperbolicas que sean estables para todos los valores de r (con
constante cuando h, k 0).
En este sentido presentamos el siguiente teorema; probado primeramente por
Courant,Friedrichs y Lewy.
Teorema 2.8.3 No existe esquemas de diferencias finitas consistentes, incondicionalmente estables explcitos para sistemas hiperb
olicos de ecuaciones diferen-

ciales parciales.
Ejemplo 19 Mostraremos que el esquema implcito
n+1
vjn+1 vjn
vjn+1 vj1
+a
=0
k
h

(2.249)

es estable para a > 0 y k/h arbitrario.

Soluci
on: En efecto, el esquema (2.249) es posible escribirlo en la forma
n+1
(1 + Cr )2 vjn+1 = vjn + Cr vj1

(2.250)

Elevando al cuadrado
n+1 2
(1 + Cr )|vjn+1 |2 = |vjn + Cr vj1
|
n+1
n+1 2
|vjn |2 + 2Cr |vjn ||vj1
| + Cr2 |vj1
|
n+1 2
n+1 2
|vjn |2 + Cr |(vjn |2 + |vj1
| ) + Cr2 |vj1
|
n+1 2
= (1 + Cr )|vjn |2 + (Cr + Cr2 )|vj1
|

tomando la suma sobre todos los valores de j, obtenemos:

(1 + Cr )2

X
j=

|vjn+1 |2 (1 + Cr )

|vjn |2 +

j=

X
n
(Cr + Cr2 )
|vj1
|2
j=

X
= (1 + Cr )
|vjn |2 +
j=

Cr (1 + Cr )

= ((1 + Cr ) + a(1 + Cr ))

j=

X
j=

= (1 + 2Cr + Cr2 )

X
j=

|vjn |2

|vjn |2

|vjn |2

Entonces

(1 + Cr )

|vjn+1 |2

(1 + Cr )

j=

|vjn |2

j=

de donde se obtiene

|vjn+1 |2

j=

|vjn |2

j=

j=

|vjn1 |2
|vjn2 |2

j=

...

|vj0 |2

j=

Entonces

|vjn+1 |2

j=

|vj0 |2

j=

kvn+1 kh

0
X

kvj kh

j=0

o lo que es lo mismo
h

X
m=

|vjn |2

CT h

X
X

|vjn |2

j=0 m=

para J = 0. Por lo tanto el esquema es estable para todo valor de h/k cuando
a > 0.

Nota
Siempre es posible elegir el n
umero de Courant Cr arbitrariamente grande
para que el esquema (2.249) se estable como se demuestra teoricamente, pero es

recomendable no tomar valores grandes para Cr . Mas adelante mostraremos que

existen ventajas de elegir Cr peque
no sobre todo por los errores de maquina.

Nota
1. Las soluciones de los esquemas de diferencias finitas muestran que la inestabilidad esta relacionado con oscilaciones de alta frecuencia.
2. La precision sera menos buena cuando hay discontinuidades en las condiciones iniciales o en sus derivadas. Puede demostrarse analticamente que
cuando los valores en la frontera son constantes el efecto de las discontinuidades en los valores iniciales y sus derivadas iniciales en la solucion de una
ecuacion parabolica disminuye cuando t se incrementa.
3. Inestabilidad es el crecimiento rapido de altas frecuencia en la solucion del
esquema de diferencias finitas.
4. La inestabilidad es esencialmente un fenomeno de caracter local, esto es,
las oscilaciones acurren en los puntos donde la derivada de la solucion es
discontinua. Es claro que, las oscilaciones causadas por la inestabilidad se
propaga a otras regiones, que pueden hacer que la perturbacion finalmente
parezca global en la extencion.
5. El termino de error es definido por
Error = (

V alor Analitico V alor Computacional

)100
V alor Analitico

Para estudiar el efecto del tama

no de paso sobre la precision de la solucion, podemos tomar un esquema implcito generando diferentes soluciones para diferentes

tama
nos de paso. Naturalmente, cuando el valor del paso del tiempo se incrementa,
el total de puntos malla en el dominio computacional decrece y, como resultado, el
tiempo computacional disminuye. Sin embargo, estas ventajas son acompa
nadas
por un aumneto de error.
Considerar que para todo el analisis de estabilidad se impone limitaciones sobre
algunos esquemas de diferencias. En segundo lugar, la precision de la solucion y
el tiempo computacional requerido para generar la solucion juega un importante
rol en la eleccion del tama
no de paso adecuado. Una vez que se ha obtenido la
solucion, esta debera ser comparada con otras soluciones, analticas o numericas,
y para datos experimentales si es posible. Cuando se gana experiencia en estos
metodos y en su comportamiento, facilmente se puede elegir el tama
no correcto
de paso y la tecnica numerica apropiada.
Seleccionar una tecnica numerica depende del problema planteado y la naturaleza de las ecuaciones gobernantes del problema y ademas las condiciones iniciales
y de frontera que son impuestas. Cada uno de los metodos descritos tienen sus
propias ventajas y desventajas. As cuando un problema es planteado, las ventajas
y desventajas del metodo numerico disponible debe ser cuidadosamente pensado
antes de seleccionar un algoritmo en particular.
Si hacemos un resumen sobre aplicaciones y limitaciones del metodo de estabilidad de von Neumann
1. El analisis de estabilidad de von Neumann puede ser aplicado solo a ecuaciones lineales.
2. La influencia de la condicion de frontera sobre la estabilidad de la solucion

no es incluida.
3. Para una EDP escalar la cual es aproximada por un esquema de diferencias
finitas, el requerimiento matematico es impuesto sobre el factor de amplificacion como sigue:
a. Si g es real, entonces |g| 1
b. si g es compleja, entonces |g|2 1, donde |g|2 = g g
4. Para una EDP escala la cual es aproximada por un EDF de tres niveles,
el factor de amplificacion es una matriz. En este caso el requerimiento es
impuesto sobre los autovalores de la matriz de amplificacion G como sigue:
a. Si es un autovalor real, entonces || 1
b. Si es un autovalor complejo, entonces ||2 1
5. El metodo de diferencias finitas puede ser faclmente extendido a problemas
bidimensionales.
6. El procedimiento puede ser usado para analizar la estabilidad de un sistema
de EDPs. El requerimiento es impuesto sobre los autovalores mas grandes de
la matriz de amplificacion.
7. Los valores de estabilidad para problemas uni dimensionales no estacionarios
puede ser establecida como sigue:
a. Para formulaciones explcitas: N
umero de Courant Cr 1, N
umero de
Difusion r 0.5 y N
umero de celda de Reynolds Rec

2
Cr

b. Para una formulacion implcita, muchos esquemas son incondicionalmente estables.

8. En ocaciones el factor de amplificacion es una expresion difcil de analizar,
por ello se recurrre a la experimentacion numerica para facilitar el analisis.

2.9.

An
alisis de Error

En el metodo de diferencias finitas tenemos esquemas de primir orden de precision. Un ejemplo de un esquema de primer orden de precision para la ecuacion
modelo
u
u
+a
=0
t
x
si utilizamos diferencias progresivas en el tiempo y diferencias regresivas en el
espacio obtenemos
un+1
unj
unj unj1
j
+a
=0
t
x
Note que, en el proceso de aproximacion, la serie de Taylor fue truncada en la
segunda derivada, es decir,
un+1
unj
u
t 2 u (t)2 3 u
j
=
+
+
+ ...
t
t
2! t2
3! t3
| O(t)
Para una formulacion de segundo orden de precision, el termino del error de truncamiento esta en la tercera derivada; por ejemplo,
un1
un+1
u
2(t)2 3 u
j
j
=

+ ...
t
2t
3!
t3
| O(t)2

El error asociado con un esquema de primer orden de precision es conocido

como error de disipacion. Estos errores tienden a decrecer el gradiente dentro del
dominio solucion. Los errores asociados con un esquema de precision de segundo
orden son conocidos como errores de dispersi
on. Los errores de disipacion producen
una disminucion de la amplitud de la onda, mientras que el error de dispersion
indica una oscilacion en la solucion.

2.10.

Ecuaci
on Modificada

Para determinar el termino de error dominante de una ecuacion de diferencias, el desarrollo de la serie de Taylor fue reemplazada por una ecucacion en
diferencias y, despues de alguna manipulacion algebraica, la as llamada ecuacion
modificada es obtenida. Para ilustrar el procedimiento consideremos dos ejemplos.
Los ejemplos seleccionados representan un orden de precision de primer y segundo.
Estos ejemplos mostraran el termino de error dominante de estos esquemas y su
relacion con los errores de disipacion y dispersion.
Ejemplo 20 Un esquema de diferencias de primer orden para la ecuaci
on
modelo
ut + aux = 0
es dado por el esquema Upwind
n
vjn+1 vjn
vjn vj1
+a
=0
t
x

la cual es arreglada en forma de algoritmo

n
)
vjn+1 = vjn Cr (vjn vj1

n
Los terminos vjn+1 y vj1
son expandidos en su serie de Taylor como sigue

v (t)2 2 v (t)3 3 v
+
+
+ O(t)4
t
2! t2
3! t3

(2.251)

v (x)2 2 v (x)3 3 v
+

+ O(x)4
t
2! t2
3! t3

(2.252)

vjn+1 = vjn + (t)

n
vj1
= vjn (x)

Sutituyendo (2.251) y (2.252) en (2.251) obtenemos

v (t) 2 v
(x) 2 v
v
= a

+
a
t
x
2 t2
2 x2
2 3
2 3

(t) v
(x) v

a
+ O(t)3 + O(x)3
3
3
6 t
6 x

(2.253)

Analizamos la ecuacion (2.253) y comparamos esta con la ecuacion diferencial parcial original, las derivadas de orden superior en el tiempo deben ser reemplazadas
por las derivadas espaciales. Esta sustitucion requiere la determinacion de
un orden de error [O(t)2 , O(x)2 ] y

3v
t3

2v
t2

con

con un orden de error [O(t), O(x)]

tal que el error de precision de (2.253) no es alterado, es decir, el resto es de tercer

orden.
Para determinar

2v
,
t2

tomar la derivada de (2.253) con respecto a x para obtener

2v
2 v t 3 v
x 3 v
= a 2
+
a
xt
x
2 xt2
2 x3
2
4
2 4

(t) v
(x) v
3
3

a
+
O(t)
,
O(x)
6 xt3
6 x4

(2.254)

Similarmente, la derivada con respecto a t de la ecuacion (2.253) es

2v
2v
t 3 v
x 3 v
t 4 v
=

+
a

t2
tx
2 t3
2 tx2
6 t4

x 4 v
3
3
a
+
O(t)
,
O(x)
6 tx3

(2.255)

multiplicando la ecuacion (2.254) por a y sumando (2.255) obtenemos

a

3
2v
2v
t 3 v
2v
2 t v
+ 2 = a2 2 + a

a
xt t
x
2 xt2
2 x3
4
4
t v
2v
t 3 v
x 3 v
2 t v
+ a

+a
a
+a
6 xt3
6 x4
tx
2 t3
2 tx2
2 4

x
(t) v
a
+ O(t)3 , O(x)3

4
6 t
6

Simplificando

2
t
3v
3v
2v
2 v
= a
+
a
3
t2
x2
2
xt2
t

3
3

x
v
2 v
2
2
+
a

a
+
O(t)
,
O(x)
2
tx2
x3
Esta ecuacion requiere que determinemos

3
3v
, v
t3 tx2

3v
,
t2 x

(2.256)

las cuales son de pri-

meri orden de precision.

Para derivar estas ecuaciones tomamos la derivada de (2.253) con respecto al
tiempo
2
t2

v
t

3v
t 4 v
x 4 v

+
a
t2 x
2 t4
2 x2 t2
2 5
2

(t) v
(x) 5 v
3
3

a
+
O(t)
,
O(x)
(2.257)
6 t5
6 t2 x3

= a

y la derivada con respecto a x de (2.256) es

3
3v
t
4v
4v
2 v
= a
+
a 2 2
xt2
x3
2
x t
xt3

x
4v
2 v
+

a
+ O(t)2 , O(x)2
a
3
4
2
tx
x

(2.258)

multiplicando (2.258) por a y sumando a la ecuacion (2.257),obtenemos

3
4
t
4v
3v
4v
3 v
2 v
= a
+
4
a 2 2 a
t3
x3
2
t x
tx3
t

4
4
4

t
v
v
3 v
2
2
+
+
a
+
O(t)
,
O(x)
a 2 2 a2
2
t x
tx3
x4

Puesto que estamos interesados en la relacion de presicion de primer orden, podemos escribir
3
3v
3
=
a
+ [O(t), O(x)]
t3
x3

(2.259)

Similarmente, por manipulaciones algebraicas podemos llegar a determinar que

3
3v
2 v
=
a
+ (O(t), O(x))
tx2
x3

(2.260)

3
3v
2 v
=
a
+ (O(t), O(x))
t2 x
x3

(2.261)

Sustituyendo (2.259) y (2.261) en (2.256) obtenemos

2
3
2v
t
2 u
2 v
= a
+a
a
+ [O(t), O(x)]
t2
x2
2
x3

3
t
3 v

a
+ [O(t), O(x)]
2
x3

x
3v
+ a
a 3 + [O(t), O(x)]
2
x
3

x v
+ O(t)2 , O(x)2
a2
3
2 x
Por lo tanto,
2
2v
3v
2 v
3
2
=
a
+
(a
t

a
x)
+ O[(t)2 , t, x, (x)2 ]
t2
x2
x3

(2.262)

y
3
3v
3 v
= a
+ O[t, x]
t3
x3

(2.263)

Sustituyendo (2.262) y (2.263) en (2.253) se tiene

v
v a2 2 v
t 3 v
x 2 v
= a
t 2 (a3 t a2 x)
+
a
t
x
2
x
2 x3
2 x2
2 3
2 3

(t) v
(x) v
3
2
2
3
+ a3

a
+
O
(t)
,
(x)(t)
,
(x)
(t),
(x)
6 x3
2 x3

Reescribiendo esta ecuacion en terminos del n

umero de Courant Cr
v
v a
h2
3v
2v
= a
h(1 Cr ) 2 a (2Cr2 3Cr + 1) 3
t
x 2
x
6
x

+ O (t)3 , (x)(t)2 , (x)2 (t), (x)3

(2.264)

Esta ecuacion es conocida como la ecuaci

on modificada cuando la comparamos
con la EDP original dada por
u
u
= a
t
x
El error introcucido en el proceso de aproximacion es claramente indicado. Note
que el termino de error es de primer orden la cual incluye la segunda derivada.
Ejemplo 21 Un esquema de diferencias de segundo orden para la ecuaci
on
modelo
ut + aux = 0
es dado por el esquema Leapfrog
n
n
vjn+1 vjn1
vj+1
vj1
+a
=0
2t
2x

Esta ecuacion puede ser puesta en forma de algoritmo

n
n
vjn+1 = vjn1 Cr (vj+1
vj1
)

(2.265)

Sustituyendo en (2.265) los desarrollos de Taylor en el nodo (xj , tn ) obtenemos

v
v (t)2 3 v
(x)2 3 v
4
4
= a

a
+
O
(t)
,
(x)
t
x
6 t3
6 x3

(2.266)

Haciendo manipulaciones algebracas se llega a

3
3v
3 v
=
a
+ O(t, x)
t3
x3

(2.267)

Sustituyendo en (2.266) y factorizando terminos obtenemos

3
v
v
(x)2 2 t 2
v
= a
+a
a(
) 1
+ O[(t)4 , (x)3 (t), (x)4 ] (2.268)
t
x
6
x
x3
Esta es la ecuaci
on modificada de la ecuacion modelo
u
u
= a
t
x

(2.269)

Claramente se indica el t`ermino del error dominate. Note que su termino de error
incluye derivadas de tercer orden.

2.11.

Viscosidad Artificial

El termino de error en el esquema (2.264) de primer orden de precision es claramente indicado con el segundo termino del lado derecho, empezando el termino
dominante del error. El coeficiente que lo denotamos por c
h
c = a (1 Cr )
2

(2.270)

es conocido como viscosidad artificial o num

erica. Este coeficiente no fsico
introducido por una aproximacion particular de la EDP.
Note que para Cr = 1, c = 0, la solucion es exacta. El efecto de la viscosidad
artificial es disipar la solucion; como un resultado, el gradiente en el dominio de
evolucion son reducidos.
Otro procedimiento para determinar el termino de error dominante puede ser
el siguiente. Considerar la ecuacion (2.253) que reescrita se puede escribir como
u t 2 u
x 2 u
u
= a

+
a
+ O((t)2 , (x)2 )
t
x
2 t2
2 x2

(2.271)

Para eliminar la derivada en el tiempo del lado derecho de la ecuacion (2.271), la

ecuacion original sera usada, es decir,
u
u
= a
t
x

(2.272)

Tomando la derivada en el tiempo, obtenemos

u
2u
= a
t2
t x

u
= a
x t

u
= a
a
x
x
2
u
= a2 2
x
Por lo tanto
2
2u
2 u
=
a
t2
x2

(2.273)

u
u
2 u t
x 2 u
= a
a2 2
+a
+ O[t2 , x2 ]
t
x
x 2
2 x2

(2.274)

Sustituyendo (2.273) en (2.272)

Por lo tanto,
u
u
x
t 2 u
= a
+ (a
a2 ) 2 + O[t2 , x2 ]
t
x
2
2 x
u
x
t 2 u
= a
+a
(1 a
)
+ O[t2 , x2 ]
x
2
x x2
o, en terminos del n
umero de Courant
u
x
2u
u
= a
+a
(1 Cr ) 2 + O[t2 , x2 ]
t
x
2
x

(2.275)

donde el segundo termino del lado derecho representa el termino de error y el

coeficiente
a

x
(1 Cr )
2

(2.276)

representa la viscosidad artificial.

Captulo 3
Ecuaci
ones Diferenciales
Hiperb
olicas
3.1.

Ecuaciones de Primer Orden

Las ecuaciones en derivadas parciales de primer orden se utilizan para des-

cribir una gran variedad de fenomenos fsicos, por ejemplo

La ecuacion
(u)x + t = 0

(3.1)

describe la Conservacion de masa en una dimension de un gas que fluye a

traves de un tubo con velocidad u, y densidad
El sistema de ecuaciones parciales de primer orden
i
v
+C
= Gv
x
t
v
v
+L
= Ri
x
t
123

(3.2)

representa el voltaje y la corriente en una linea de transmision, donde R es la

resistencia, L la inductancia, G la capacidad y C la conductividad de fuga.

3.1.1.

Clasificaci
on de las ecuaciones de primer orden

Dado el sistema general de ecuaciones de primer orden de n ecuaciones en

derivadas parciales en n funciones de 2 variables independientes
n
X
j=1

aij

uij X uj
+
bij
= ci
x
y
j=1

i = 1, ..., n

(3.3)

El sistema (3.3) es cuasilineal si aij , bij y ci pueden depender de las variables x, y,

u1 , u2 ,..., un y es lineal si cada aij , bij son independientes de u1 , u2 , ..., un y ademas
cada ci depende de manera lineal de u1 , u2 , ..., un . Por ejemplo la ecuacion (3.1) es
cuasilineal y la ecuacion (3.2) es lineal.
En terminos de matrices, el sistema (3.2) se puede expresar como
Aux + Buy = C

(3.4)

donde A y B son matrices de orden n n, u y C son vectores columna de orden

n 1.
Para clasificar el sistema de ecuaciones (3.4) en ecuaciones diferenciales de
parciales de primer orden, las matrices A o B tienen que ser no singulares. Si
det(B) 6= 0 podemos definir el polinomio caracterstico de grado n en terminos de

Pn () = det(A B)
El sistema (3.5) es
1. Elptico si Pn () no tiene races reales.

(3.5)

2. Hiperb
olico si Pn () tiene raices reales y distintas, o si Pn () tiene n raices
en donde por lo menos una se encuentra repetida y el problema generalizado
de valor propio (At B t )V = 0 proporciona n vectores propios linealmente
independientes.
3. Parab
olico si Pn () tiene n raices reales en donde por lo menos una se
encuentra repetida y el problema generalizado anterior de valor propio proporciona menos de n vectores propios linealmente independientes.
En el caso que Pn () tiene raices reales y complejas, no se puede llevar a cabo una
clasificacion exhaustiva del sistema (3.5).
Ejemplo 22 Los sistemas (3.1) y (3.2) son hiperb
olicos.

3.2.

M
etodo de las Caractersticas
En esta parte nos referimos a las curvas caractersticas de una EDP hi-

perbolica, las cuales son importantes para la comprension de la solucion analtica

y los esquemas numericos de nuestro trabajo.

3.2.1.

Problema Lineal

Supongamos que deseamos determinar la solucion analtica del Problema

de Valor Inicial

(P V I)

a(x, t)ut + b(x, t)ux + c(x, t)u = 0,

u(x, 0) = u (x),
0

x IR

x IR, t > 0

(3.6)

a lo largo de una curva arbitraria, en la cual se encuentran los puntos P y Q a

una distancia infinitesimal. El cambio de u desde P hasta Q se dentota por du y
se puede escribir como
du = ut dt + ux dx

(3.7)

introduciendo nuevas coordenadas s y con la propiedad de que s cambia a lo

largo de las curvas caractersticas y cambia a lo largo de la curva inicial.
Dividimos (3.7) entre ds para obtener
du
dt
dx
= ut + ux
ds
ds
ds

(3.8)

Entonces comparando (3.6) con (3.7) podemos seguir los siguientes pasos para
hallar la solucion del PVI:
Paso 1: Solucionar las dos ecuaciones diferenciales ordinarias
dt
= a(x, t), t(0) = 0
ds
dx
= b(x, t), x(0) = x0
ds

(3.9)

Las soluciones de (3.9) son llamadas curvas caractersticas del PVI.

Paso 2. Hallar la solucion, u(s, ), de la ecuacion diferencial ordinaria

du + c(x(s, ), t(s, ))u = 0, s IR, t > 0

dt
(P V I)

u(0) = u ( ), IR
0

(3.10)

Paso 3. Utilizar el cambio de coordenadas x = x(s, ), t = t(s, ) para regresar a

las variables originales (x, t) y dar la solucion u(x, t) del PVI.
Ejemplo 23 Resolver el PVI

ut + aux + 2u = 0, x IR, t > 0

(P V I)

u(x, 0) = sen(x), x IR

Encontramos la curvas caractersticas:

dt
= 1,
ds
dx
= a,
ds

t(0) = 0
x(0) = x0

resolviendo tenemos
t(s) = s,

x(s) = as + x0 ,

s>0

Por tanto las curvas caractersticas son:

x = as + x0
t = s,

s>0

pudiendose escribir en la forma

x at = x0 ,

x0 IR

lo cual significa que las curvas caractersticas son rectas en el plano XT .

Ahora resolvemos la EDO
du
+ 2u = 0,
ds

s>0

u(0) = sen(x0 )
la cual tiene por solucion general u(s) = Ce2s . Verificamos que se cumplan las
condiciones iniciales se tiene que
u(s, ) = e2s sen(x0 )
Regresando a las variables originales tenemos la solucion del PVI
u(x, t) = e2t sen(x at)

Ejemplo 24 Resolver el PVI

ut + aux = 0, x IR, t > 0

(P V I)

u(x, 0) = u (x), x IR
0
Resolviendo las ecuaciones diferenciales ordinarias
dt
= 1, t(0) = 0
ds
dx
= a, x(0) = x0
ds
tenemos
t(s) = s,

x(s) = as + x0 ,

s>0

Por tanto las curvas caractersticas son:

x = as + x0
t = s,

s>0

pudiendose escribir en la forma

x at = x0 ,

IR

a >0

Figura 3.1: Curvas caractersticas

Ahora debemos resolver la ecuacion

du
= 0
ds
u(0) = u0 (x0 ),

s>0

la cual tiene solucion u(s, ) = u( x0 ).

Regresando a las variables originales x y t, mediante el cambio de variable
x at = x0 , tenemos la solucion del PVI
u(x, t) = u0 (x at),

t>0

la cual representa que la onda inicial. Si a > 0 es desplazada a la derecha con una
velocidad constante a.
Para examinar los problemas que incluyen conveccion, podemos tomar la ecuacion que modela una Ley de conservacion lineal
ut + aux = 0

(3.11)

donde a es la velocidad y u es una funcion escalar, por ejemplo, temperatura o la

densidad.
La ecuacion (3.11) es la version simplificada de la ecuaci
on del transporte . Esta
ecuacion puede usarse para modelar la polucion aerea, la dispersion de contaminates, o incluso el flujo de trafico donde u representa la densidad de la polucion (o
contaminantes o trafico) en la posicion x y tiempo t.
Usando el operador gradiente
=(

, )
t x

(3.12)

la ecuacion (3.11) puede escribirse en la forma

(1, a) .u = 0
Note que esta u
ltima ecuacion dice que la derivada direccional en la direccion
(1, a) (en el plano tx) es cero. Asi la solucion u(x, t) debe ser constante en esta
direccion. En el plano tx, las rectas paralelas x = at siguen la direccion del vector
(1, a). Estas rectas paralelas x = at son llamadas las caractersticas de la ecuacion
(3.11).

(a, 1)
1
(x,t)=(xo+at,t)
vector
direccion
x=at+xo

(Xo, 0)

a lo largo de las rectas caracteristicas la solucion es constante

Figura 3.2: Rectas caractersticas

Ahora, fijamos un punto sobre el eje x, por ejemplo (x0 , 0). La recta que pasa a
traves de este punto, paralela a x = at es dado por x = x0 + at. Desde que nuestra
solucion es constante a lo largo de esta recta tenemos
u(x, t) = u(x0 + at, t) = u(x0 , 0)

(3.13)

pero de las condiciones iniciales

u(x0 , 0) = u0 (x) = f (x0 )

(3.14)

donde f es conocido tenemos para cualquier (x, t)

u(x, t) = u(x0 , 0) = f (x0 ) = f (x at)

(3.15)

entonces la solucion de (3.11) esta dada por

u(x, t) = u0 (x) = f (x at)

(3.16)

La funcion (3.16), solucion de la ecuacion (3.11) puede interpretarse de la

siguiente manera:
1. En cualquier tiempo t0 > 0, la solucion es una replica de la condicion inicial,
pero desplazada a la derecha si a > 0 y a la izquierda si a < 0, hasta una
posicion |a|t0
2. La solucion en (x, t) depende unicamente del valor = x at.
3. Las rectas x at = cte en el plano (x, t) se llaman caractersticas de la
ecuacion (3.11).
4. El parametro a tiene dimension de distancia dividido por el tiempo, y se
llama velocidad de propagacion a la largo de la cartacterstica.
5. Si la condicion inicial es una onda, la solucion expresada en (3.16) dice que
en cualquier tiempo la onda inicial se propaga con velocidad a sin cambiar
de forma.
Una generalizacion del problema hiperbolico es el siguiente

ut + aux + bu = f (x, t), < x < , t > 0

(P V I)

u(x, 0)
= u0 (x),
< x < .

(3.17)

donde a, b son constantes y f es una funcion en las variables x y t.

Basados en la observaciones anteriores, hacemos el cambio de variables

= t,
t = ,
o
(3.18)

= x at,
x = + a.
luego definiendo u(, ) = u(x, t), donde (, ) y (x, t) estan relacionadas por
el cambio de variable definida previamente, entonces la ecuacion en (3.17), se
transforma en
u
t
x
=
ut +
ux = ut + aux = bu + f ( + a, )

es decir
u
= b
u + f ( + a, )

la cual es una ecuacion diferencial ordinaria en y cuya solucion depende de y

es de la forma
Z
b

u(x, t) = u0 (x at)e

f ( + as, s)eb( s) ds,

(3.19)

Usando la inversa del cambio de variable se tiene

Z
u(x, t) = u0 (x at)e

f (x a(t s), s) + as, s)eb( s) ds,

(3.20)

Notar que u(x, t) depende solamente de los valores de (x1 , t1 ) tal que x at =
x1 at1 , es decir, la solucion depende u
nicamente de los valores de u y f sobre
las caractersticas que pasan por (x, t), para 0 t1 t. Este metodo de solucion
puede extenderse facilmente a ecuaciones no lineales de la forma
ut + aux = f (x, t, u).

Tambien el metodo de las caractersticas puede ser u

til para interpretar, aunque
no expresa explictamente la solucion del problema no lineal,
ut + g(u)ux = 0
Ya que se puede conocer la solucion sobre cada curva particular, pero no en todas
al mismo tiempo(ver [8]).

3.3.

Problema no lineal
Sea el PVI

(P V I)

ut + g(u)ux = 0,

x IR, t > 0

u(x, 0) = u (x),
0

x IR

(3.21)

en donde por analoga con el problema lineal podemos suponer que una partcula
de agua se empieza a mover desde x0 con una velocidad de g(u). Entonces, despues
de t segundos la posicion de la partcula x sera:
x = x0 + g(u)t
Como la concentracion dada por la funcion u(x, t) permanece constante a lo largo
de la curva caracterstica, podemos escribir
g(u) = g[u(x0 , 0)]
por lo tanto la curva caracterstica que comienza en (x0 , 0) tiene por ecuacion
x = x0 + g[u(x0 , 0)]t

Entonces la solucion del PVI no lineal esta dada por la solucion implcita de la
funcion
u(x, t) = u0 (x) = u0 (x g[u(x0 , 0)]t)
entonces
u(x, t) = u0 (x g[u]t)

(3.22)

Definimos la funcion auxiliar

(x, t, u) = u u0 (x g[u]t) = 0
la cual por el Teorema de la Funcion Implcita, tenemos la condicion
u (x, t, u) = 1 + u00 (x g[u]t)g 0 [u]t 6= 0
la que es valida para |t| suficientemente peque
no.
Ejemplo 25 Sea la ecuaci
on
ut + 3uux = 0
con condiciones iniciales
u(x, 0) =

1 , x>0

0 , x<0

Las curvas caractersticas que comienzan en el punto (x0 , 0) estan dadas por
x = x0 + g[u(x0 , 0)],

g(u) = 3u

luego
para x0 < 0
x = x0 + g[0]t
x = x0

para x0 > 0
x = x0 + g[1]t
x = x0 + 3t
por tanto la grafica de las curvas caractersticas estan dadas en la figura.
t

t1

xo

xo

X1

Figura 3.3: Rectas caractersticas de la ecuacion de Burger

3.4.

Sistemas de Ecuaciones Hiperb

olicos
de Leyes de Conservaci
on
Una Ley de Conservacion es una ecuacion de continuidad que expresa la

conservacion de una cierta cantidad dada por ejemplo por la funcion u, la cual
representa la energa, masa, momento, temperatura, etc.
Sea IR. La forma general de un sistema de leyes de conservacion en varias

variables es dado por el siguiente sistema

n
X

ut +
fi (u) = 0
xi
i=1

(3.23)

donde
m
u : IRn IR+
0 IR ;

fi : IRm IRm

u es llamado el vector de las variables de conservacion. Las funciones fi diferenciables son llamadas funciones de flujo, las cuales representan un mecanismo de
transporte de la cantidad u.
m
Definici
on 3.4.1 Sean las funciones u : IRn IR+
0 IR ;

fi : IRm

IRm ; i = 1, ..., n donde n es la dimension del problema y m indica si el problema

es escalar (m = 1 ) o un problema vectorial ( m > 1 ), entonces la ecuaci
on
ut +

n
X

[fi (u)]xi = 0

(3.24)

i=1

se dice que tiene forma conservativa

En el caso n = 1, el sistema (3.24) toma la forma
ut + [f (u)]x = 0
m
donde u : IR IR+
0 IR ;

(3.25)

f : IRm IRm

Si a la ecuacion (3.25) le adicionamos una condicion una inicial continua

u(x, 0) = u0 (x),

x IR, el problema es llamado Problema de Cauchy o Pro-

blema de Valor Inicial. Este sistema tiene solucion suave o clasica si la solucion u
es por lo menos de clase C 1 y si ademas la matriz Jacobiana de f , funcion de flujo,
tiene solo valores propios reales y es diagonalizable para cada valor de u, entonces
el sistema (3.24) es Hiperbolico.

Ahora damos un ligero vistazo a los sistemas de ecuaciones hiperbolicas de tipo

parabolico en una dimension, aunque la incognita u es un vector n-dimensional.
Definici
on 3.4.2 Un sistema de la forma
ut + Aux + Bu = F (x, t),
es hiperb
olico si la matrz A es diagonalizable, es decir existe una matrz no singular P tal que P AP 1 = D donde D = diag(a1 , a2 , . . . , an ).
Los autovalores de A son las velocidades caractersticas del sistema. Bajo el cambio
de variables w = P u, y haciendo B = 0 en el sistema, tenemos
wt + Dw : x = P F (x, t) = F (x, t),
o
wti + ai wxi = fi (x, t),
las cuales son de la forma (3.17). Podemos decir que si la matriz B = 0, el sistema
hiperbolico unidimensional se reduce a un conjunto de n ecuaciones hiperbolicas
independientes, si B 6= 0 el sistema permanece acoplado.
Ejemplo 26 El sistema

ut + 2ux + vx = 0

v + u + 2v = 0
t
x
x
se puede escribir como

2 1 u
u
= 0.
+
1 2
v
v
t

3.4.1.

Condiciones de Contorno

Si consideramos las EDPs sobre un intervalo finito en lugar de la recta real,

entonces estamos frente a un problema que necesita imponer algunas condiciones
concretas en los extremos del intervalo. La mayora de las aplicaciones de las EDPs
estan definidas en dominios con frontera. Las condiciones que relacionan la solucion
de la ecuacion diferencial con los datos de frontera lo llamamos, condiciones de
contorno.
El problema de determinar una solucion para la ecuacion diferencial con condicion inicial y condicion de contorno se llama problema de valor inicial y de
contorno.
La discusion de problemas de valores de contorno sirve para ilustrar de nuevo
la importancia del concepto de caractersticas, por ejemplo si consideramos el
problema

(P V IC)

ut + aux = 0,
0 < x < 1, t > 0

u(x, 0)
= u0 (x),
< x < .

u(0, t)
= g(x, t), t , 0 < x < 1.

(3.26)

Si a > 0, las rectas caractersticas en el dominio de definicion se propaga de

izquierda a derecha seg
un la Figura (3.4). Examinando la misma vemos que, es
suficiente que se especifique los datos iniciales y los valores en el extremo x = 0
para tener la solucion en cada tiempo t > 0. Mas a
un no es necesario tener datos
en el otro extremo x = 1, lo cual convertira al problema en sobre determinado.
Por ejemplo, consideremos la condicion inicial u(x, 0) = u0 (x) y la condicion

a>0

a<0

condiciones

condicion
de

de

frontera

frontera

u(x,0)=f(x)

1
u ( x,0 ) = f ( x )

Figura 3.5: a < 0

Figura 3.4: a > 0

de contorno u(0, t) = g(t), la solucion del problema se puede escribir en la forma

u(x, t) =

u0 (x at)

, si x at > 0

g(t a1 x) ,

x at < 0

A lo largo de la caraterstica x at = 0 existira un salto de discontinuidad en

u si u0 (0) = g(0).
Si a < 0 el rol de las fronteras son intercambiados ( ver Figura 3.5).

3.5.

Derivaci
on de Leyes de Conservaci
on

Forma Diferencial e Integral de Leyes de Conservaci

on
A continuacion veremos el problema de dinamica de gases, derivando la ecuacion para conservacion de masa en una dimension.
Suponga el flujo de un gas a traves de un tubo, el cual tiene velocidad constante
en cada seccion del tubo. Sea x la distancia a lo largo del tubo, (x, t) la densidad
del gas en cada punto x en el tiempo t. La masa m del gas en la seccion [x1 , x2 ]

x2

x1

Figura 3.6: Ducto

del tubo es definido por

x2

m=

(x, t)dx

(3.27)

x1

Sea ademas v(x, t) la velocidad del gas en el punto x en el instante t, entonces la

tasa de flujo o masa de flujo que pasa por este punto se define como
masa de flujo = (x, t)v(x, t)

(3.28)

luego, la razon de cambio de masa en [x1 , x2 ] viene dado por la diferencia de flujos
en x1 y x2 , esto es,
dm
= (x1 , t)v(x1 , t) (x2 , t)v(x2 , t)
dt

(3.29)

entonces, de (3.27) tenemos

d
dt

x2

(x, t)dx = (x1 , t)v(x1 , t) (x2 , t)v(x2 , t)

(3.30)

x1

la cual es una Forma Integral de la Ley de Conservaci

on de masa cuya
solucion, de ser hallada, es la solucion exacta del problema, que por lo general es

difcil resolver.
Otra forma integral de (3.30) es expresar la masa en [x1 , x2 ] en el tiempo t2 ,
(t2 > t1 ) en terminos de la masa en el tiempo t1 , y el flujo total en las fronteras
para este perodo. Par obtener esta nueva forma integral, basta integrar (3.30) en
[t1 , t2 ] dando lugar a la expresion
Z

x2

x2

(x, t2 )dx =

(x, t1 )dx +

x1

x1

t2

t2

(x1 , t)v(x1 , t)dt

t1

(x2 , t)v(x2 , t)dt

t1

(3.31)
Ahora para obtener una forma diferencial de la ley de conservacion, asumiremos
que las funciones (x, t) y v(x, t) son diferenciables. Entonces, la variacion de la
densidad en el intervalo de tiempo [t1 , t2 ] esta dado por
Z

t2

(x, t)dt
t

(x, t2 ) (x, t1 ) =
t1

y la variacion del flujo de masa en el intervalo [x1 , x2 ] es

Z

x2

(x2 , t)v(x2 , t) (x1 , t)v(x1 , t) =

x1

((x, t)v(x, t))dx

x

Por otro lado de la expresion (3.31) tenemos

Z

x2

x2

[(x, t2 ) (x, t1 )]dx =

x1

[(x2 , t)v(x2 , t) (x1 , t)v(x1 , t)]dx

x1

Entonces
Z

x2

x1

t2
t1

(x, t)dtdx =
t

t2

t1

x2
x1

((x, t)v(x, t))dxdt

x

intercambiando variables de integracion

Z

t2
t1

x2
x1

(x, t)dxdt =
t

t2
t1

x2
x1

((x, t)v(x, t))dxdt

x

factorizando

t2

x2

[
t1

x1

(x, t) +
(x, t)v(x, t)]dxdt = 0
t
x

Esta u
ltima ecuacion es valida para cualquier seccion [x1 , x2 ] sobre el intervalo de
tiempo [t1 , t2 ] y en consecuencia se tiene

(x, t) +
(x, t)v(x, t) = 0
t
x

(3.32)

la cual es la Forma Diferencial de la Ley de Conservaci

on de la Masa en
dinamica de gases.
La Ley de Conservacion (3.32) puede solucionarse aisladamente si la velocidad
v(x, t) es conocida apriori o es conocida como funcion de (x, t). Si esto sucede,
entonces v es una funcion de solamente y podemos escribir f () = v. Luego,
la ecuacion (3.32) se convierte en una ley de conservacion escalar de la forma

(x, t) +
f ((x, t)) = 0
t
x

(3.33)

La ecuacion (3.32) es resuelta con las ecuaciones de conservacion de momento

y energa dadas por
[(x, t)v(x, t)]t + [(x, t)v 2 (x, t) + P (x, t)]x = 0

(3.34)

Et + [v(E + P )x ] = 0

(3.35)

Entonces se forma un sistema de ecuaciones de Conservacion llamadas Ecuaciones

de Euler para la dinamica de gases.
Si introducimos el vector u IR3 definido por

(x, t)

u(x, t) = (x, t)v(x, t)

E(x, t)

entonces el sistema de ecuaciones (3.32), (3.34) y (3.35) puede ser escrito como
ut + [f (u)]x = 0
donde

(3.36)

f (u) = v 2 + P

v(E + P )

donde : densidad, v : velocidad, E : energa y P : presion.

La forma (3.36) es la Forma Diferencial de Leyes de Conservaci

on.

3.6.

Leyes de Conservaci
on Escalar

Ecuaci
on Lineal de Convecci
on o Advection
Asuma que la velocidad es constante, es decir, a = v(x, t) en la ecuacion (3.32),
entonces con una variable arbitraria u en lugar de se tiene
ut + aux = 0

(3.37)

Esta ecuacion conservativa lineal es conocida como la Ecuaci

on de Advection
o Primera Forma de la Ecuaci
on de la Onda, la cual es resuelta con el dato
inicial
u(x, 0) = u0 (x),

x IR,

t>0

(3.38)

La solucion del Problema de Cauchy (3.37) y (3.38) es una traslacion de la condicion inicial u0 (x), esto es,
u(x, t) = u0 (x at),

t0

que se traslada a lo largo de las rectas caractersticas x at = x0 con x0 (t) = a y

x(0) = x0 .
Hay que notar que si u0 C 1 , entonces u C 1 y que las rectas caractersticas
no se cruzan.
Teorema 3.6.1 Sea u una solucion suave del sistema (3.37) y (3.38), entonces
esta solucion permanece constante a lo largo de las curvas caractersticas.
Prueba: Si derivamos la solucion u(x, t) a lo largo de una de las curvas caractersticas, encontramos la razon de cambio de u,
d

u(x(t), t) =
u(x(t), t) +
u(x(t), t).x0 (t)
dt
t
x
= ut + aux
= 0
Entonces, confirmamos que u es constante a lo largo de la curvas caractersticas
cuando u es suave.

Si suponemos que la velocidad v(x, t) = a(x), donde a(x) es una funcion suave.
Luego la ecuacion (3.32) tiene la forma
ut + (a(x)u)x = 0
que es una Ecuaci
on de Advection, la cual se puede escribir en la forma
ut + a(x)ux + a0 (x)u = 0

(3.39)

En este caso, las curvas caractersticas son solucion de la ecuacion diferencial or-

dinaria
x0 (t) = a(x(t))
x(0) = x0
Luego la solucion u(x, t) no es constante a lo largo de estas curvas, pues
d
u(x(t), t)) = a0 (x(t))u(x(t), t) 6= 0
dt

Dominio de Dependencia: Si consideramos el problema de valor inicial (3.37) (3.38). La solucion en el punto (x, t) depende del valor de u0 en el punto x0 , donde
x0 = x at. El punto x0 es llamado dominio de dependencia del punto (x, t). El
Dominio de Dependencia del punto (x, t) es el conjunto de todos los puntos en el
cual la solucion del Problema de Valor Inicial (3.37) - (3.38) en el punto (x, t) esta
dependiendo.

3.7.

Esquemas de Diferencias

Esquemas Explcitos
F orward time f orward space scheme
(U pwind hacia delante, a < 0)
n
vjn+1 vjn
vjn
vj+1
+a
= 0
k
h

(3.40)

F orward time backward space scheme

(U pwind hacia atras, a > 0)
n
vjn+1 vjn
vjn vj1
+a
= 0
k
h

(3.41)

Leapf rog scheme

n
n
vjn+1 vjn1
vj+1
vj1
+a
= 0
2k
2h

(3.42)

F orward time central space scheme

n
n
vjn+1 vjn
vj+1
vj1
+a
= 0
k
2h

(3.43)

Lax F riedrichs scheme

n
n
n
n
vjn+1 12 (vj+1
+ vj1
)
vj+1
vj1
+a
= 0
k
2h

(3.44)

Lax W endrof f scheme

n
n
n
n
vjn+1 vjn
vj+1
vj1
2vjn + vj1
k vj+1
+a
a2
=0
h
2h
2
h2

(3.45)

Esquemas Implcitos
Backward time central space scheme
n+1
n+1
vjn+1 vjn
vj+1
vj1
+a
= 0
k
2h

(3.46)

Backward time Backward space scheme

n+1
vjn+1 vjn
vjn+1 vj1
+a
= 0
k
2h

(3.47)

Crank N icolson scheme

n+1
n+1
n
n
vjn+1 vjn a vj+1
vj1
vj+1
vj1
+ (
+
) = 0
k
2
2h
2h

(3.48)
(3.49)

Cada uno de los seis esquemas (3.40) y (3.45) puede ser escrito como una
combinacion lineal vjn+1 de los valores de v en los niveles n y n 1. Por ejemplo,
el esquema (3.40) puede ser escrito como
n
vjn+1 = (1 + Cr )vjn Cr vj+1

donde Cr = a hk . La constante Cr aparecera muchas veces en el estudio de esquemas

para ecuaciones hiperbolicas y sera siempre igual a a hk . Aquellos esquemas que
involucran v en solo dos niveles, por ejemplo, n + 1 y n son llamados esquemas de
un paso. Los esquemas de dos niveles que listamos antes, todos excepto el esquema
de Leapfrog (3.42) son esquemas de un paso.
Para un esquema de multipasos no es suficiente especificar los valores de vj0 para
determinar vjn para todos los valores positivos de n. Para especificar completamente
el significado de la solucion computalizada para un esquema de multipasos debemos
de uno u otro modo especificar v sobre algunos niveles de tiempo as que el esquema
puede ser empleado para especificar un procedimiento para computar los valores

de v sobre estos niveles iniciales. Por ejemplo, para usar el esquema de Leapfrog
podemos especificar los valores de vj0 y vj1 para todo j, o podemos especificar alg
un
esquema para calcular los valores de vj1 de los valores de vj0 . En cualquier caso el
esquema Leapfrog debe ser usado para calcular vjn , n > 1.
Cuando nos referimos al esquema de Leapfrog no siempre hacemos distincion
entre los dos tiempos iniciales de calculo. Muchas de las propiedades del esquema
de Leapfrog son independientes del metodo usado para inicializar la solucion. Es
de practica usar un esquema de un paso para inicializar el esquema. Para tener
un panorama de los topicos que seguiremos discutiendo, hagamos un comentario
de los resultados obtenidos con los esquemas propuestos anteriormente, para ello
consideremos el (P V I), donde 0 < x < 2, t > 0 teniendo como condicion inicial
la funcion 2-periodica seccionalmente continua

0, 0 x < 2
,

u(x, 0) =
1, 2
x 4
,
3
3

0, 4 < x 2,
3

(3.50)

A continuacion se muestra una seccion de pseudocodigo, el cual nos permitira observar el comportamiento del periodo principal de esta funcion considerado como
una onda, para esto elejimos el esquema de Lax-Friedrichs, los demas tienen similar estructura

Do n = 0, Nmax

Do j = 19, 29

vj,n+1 0.5 (vj+1,n + vj1,n ) Cr 0.5 (vj+1,n vj1,n )

End Do

End Do

(3.51)

Como sabemos la solucion de este problema esta dado por u(x, t) = f (x at) y
es constante a lo largo de las caractersticas x at = cte. En las Figuras siguientes
presentamos las soluciones numericas que son aproximaciones de la solucion del
problema (??) y (3.50), con a = 1, h = 2/240, k = 2h/3 en t = 500k y en
t = 1000k.
upwind

LeapFrog

1.5

0.9

0.8
0.5
0.7
0

0.6

0.5

0.5

0.4

0.3
1.5
0.2
2

0.1

6
n=500,

8
n=1000

10

Figura 3.7: Upwind

12

14

2.5

6
n=500,

8
n=1000

10

Figura 3.8: Leapfrog

12

14

LaxWendroff

LaxFriedrichs

1.4

1.2

0.9

0.8

0.7

0.8
0.6

0.6
0.5

0.4
0.4

0.2
0.3

0.2

0.2

0.4

0.1

6
n=500,

8
n=1000

10

12

14

Figura 3.9: Lax -Wendroff

6
n=500,

8
n=1000

10

12

Figura 3.10: Lax-Friedrichs

En las Figuras (3.7) - (3.10) la solucion exacta de la ecuacion diferencial esta dada por la linea punteada y la solucion numerica para el esquema respectivo, esta dado por la linea contnua en cada caso.
En las Figuras podemos observar que los esquemas de diferencias calculan la
solucion adecuadamente lejos de las discontinuidades, pero cerca de estas no se
muestra una buena aproximacion a la solucion.
Observar que el esquema Leapfrog genera muchas oscilaciones cerca de las discontinuidades. El metodo Lax-Wendroff tiene sobreoscilaciones y suboscilaciones
cerca de las discontinuidades, pero no se propagan immediantamente. Los metodos de Lax-Friedrichs y Upwind, no tienen suboscilaciones ni sobre oscilaciones,
sin embargo cerca de las discontinuidades se separan mucho de la soluacion exacta,
podramos decir que sus discontnuidades ocupan regiones mas extensas.
Para tiempos bajos (primeros niveles de t) la solucion tiene un comportamiento
aceptable, pero a medida que t crece la separacion de la solucion exacta es mas
acentuada, especialmente en los esquemas Upwind y Lax-Fredrichs, porque estos

14

esquemas de diferencias incorporan algunas propiedades que el problema original

no lo tiene, como es el caso de la disipacion numerica.

3.7.1.

La Condici
on de Courant-Friedrichs-Lewy CFL

El n
umero de Courant se define por Cr = a, donde = hk . El comportamiento de este n
umero es muy importante, porque de el depende, la estabilidad
del esquema de diferencias finitas; ya que una condicion sobre este n
umero da
argumentos sobre la propagacion de la informacion.
La interpretacion de este n
umero se puede expresar en la forma
Cr =

a
1

a
x
t

velocidad de propagacion de la solucion analtca

.
velocidad de propagacion de la solucion numerica

(3.52)

esto quiere decir que la velocidad de propagacion de la solucion analtica es acotada

por la velocidad de la solucion numerica.
Veremos que una condicion sobre Cr es una condicion necesaria para la estabilidad de los esquemas explcitos. Esta condicion, llamada la condicion de CourantFriedrichs-Lewy (CFL).

3.8.

Esquemas Explcitos

3.8.1.

Esquema FTCS

El algoritmo mas simple para la ecuacion de difusion es el esquema FTCS

(4.81). El correspondiente esquema de diferencias forward time, central space para
representar (3.11) es
n
n
vjn+1 vjn
vj1
vj+1
+a
= 0.
t
2x

(3.53)

Como algoritmo (3.53) puede ser escrita como

n
n
vjn+1 = vjn 0.5Cr (vj+1
vj1
)

(3.54)

el cual es consistente con la ecuacion (3.11) con un error de truncamiento O(t, x2 ).

En (3.54), Cr es llamado el n
umero de Courant y es definido por
Cr = a

t
.
x

(3.55)

La aplicamos el analisis de estabilidad de von Neumann a (3.54), dando el factor

de amplificacion g para la n-esima componente de la distribucion inicial de error.
Esto es, reemplazamos vjn por g n eij , j = 1, 2, ..., N 1; n = 0, 1, 2, ... en (3.54)
g = 1 0.5Cr (ei ei )

(3.56)

= 1 iCr sen
asi que tenemos
|g|2 = 1 + Cr2 sen2
obviamente, |g|2 1 para todo , asi que el esquema (3.53) incondicionalmente
inestable.
Es posible hacer una analisis de estabilidad definiendo la funcion cuadratica en
funcion de sen.
Debido a la carencia de estabilidad del esquema FTCS, es que no es muy usado
para problema de conveccion pura.
Para tener una idea grafica del comportamienteo del factor de amplificacion
(3.56) efectuamos una parametrizacion en la forma

x=1

y = Cr sen

donde [0, 2].

En la Figura (3.29) se muestra que los valores del factor de amplificacion (3.56)
no se encuentran dentro de la region de estabilidad |g|2 1 por lo cual el esquema
es inestable para todo valor de Cr y para todo .

3.8.2.

Esquema Upwind

Upwind hacia atras

Un esquema alternativo es obtenido introduciendo el operador de diferencia
regresiva para ux asumiendo que a es positivo. As, (3.11) puede ser escrito como
n
vjn+1 vjn
vjn vj1
+a
=0
t
x

(3.57)

Como un algoritmo, puede ser escrito como

n
vjn+1 = (1 Cr )vjn + Cr vj1
.

(3.58)

el cual es consistente con la ecuacion (3.11) con un orden de truncamiento de

truncamiento O(t, x).
Aplicamos el analisis de estabilidad de von Neumann, esto es sutituir vjn por
g n eij en (3.58)
g = 1 Cr (1 ei )
= (1 Cr) + Cr ei
= 1 Cr (1 cos ) iCr sen.
entonces tenemos el factor de amplificacion
g = 1 Cr (1 cos ) iCr sen.

(3.59)

Ahora para tener una idea grafica del comportamiento del factor de amplificacion
complejo (3.59) lo parametrizamos en la forma

x = 1 (1 cos )Cr

y = Cr sen
donde [0, 2].
Graficando tenemos una de elipse con centro en (1 Cr, 0) y de radio Cr de
la forma
(x (1 Cr))2
y2
+
=1
Cr2
Cr2

(3.60)

Soluciones estables son obtenidas si

Cr = a

t
1.
x

(3.61)

La desigualdad Cr 1 es la condicion de Courant-Friedrichs-Lewy (CFL). Esta

condicion se aplica, generalmente, a esquemas explcitos para ecuaciones diferenciales hiperbolicas.
La Figura (3.12) muestra que para Cr = 0.5 la elipse que se genera se encuentra
contenida en la circunferencia |g|2 = 1. Para Cr = 1.5 la elipse sale fuera de la
region de estabilidad |g|2 = 1.

Upwind hacia delante

Si introducimos el operador de diferencia progresiva para ux asumiendo que
a es negativo. As, (3.11) puede ser escrito como
n
vjn+1 vjn
vjn
vj+1
+a
=0
t
x

(3.62)

factor amplificacion, ftcs, g=1iCr*sin(t)

factor amplificacion, Upwind, g=1Cr(1cos(t))iCr*sin(t)

1.5

region inestabilidad

imaginaria

1.5
imaginario

g=1iCr sen(theta)
Cr=1.5

g=1
0.5
0.5

eje Y

eje y

real
0

real
0

Cr=0.5
region estabilidad

region estabilidad

0.5
Cr=1

0.5
region inestabilidad
1
1
1.5

1.5
1.5

0.5

0
eje x

0.5

1.5

2
3

2.5

1.5

0.5

0.5

1.5

eje X

Figura 3.11: Factor amplificacion FTCS

Figura 3.12: Factor amplificacion Upwind

el cual como un algoritmo, puede ser escrito como

n
vjn+1 = (1 Cr )vjn + Cr vj+1
.

(3.63)

Aplicamos el analisis de estabilidad de von Neumann a (3.63) obtenemos el factor

de amplificacion
g = 1 Cr (1 cos ) + iCr sen.
De donde se tiene que las condiciones de estabilidad son las mismas que para el
esquema Upwind hacia atras.

3.8.3.

Esquemas Leapfrog

Siguiendo el mismo procedimiento como para la ecuacion de difusion buscamos una representacion mas precisa de (3.11) introduciendo diferencias centrales
en el espacio y el tiempo. Esto da el esquema Leapfrog
n
n
vjn+1 vjn1
vj1
vj+1
+a
= 0,
2t
2x

(3.64)

el cual como un algoritmo se escribe

n
n
vjn+1 = vjn1 Cr (vj+1
vj1
).

(3.65)

La ecuacion (3.65) es consistente con (3.11) con un error de truncamiento O(t2 , x2 )

y si aplicamos el analisis de estabilidad de von Neumann a (3.65) hallamos el factor
de amplificacion
g = g 1 Cr (ei ei )
= g 1 2 iCr sen

(3.66)

multiplicando (3.66) por g obtenemos una ecuacion de segundo grado en la variable

g
g 2 + iCr sen g 1 = 0

(3.67)

p
g = (1 Cr2 sen2 ) iCr sen,

(3.68)

cuya solucion es

Se puede ver que |g|2 = 1 si Cr 1, pero |g|2 > 1 para alg

un valor de si Cr > 1.
En estas condiciones se dice que el esquema es neutralmente estable.
Considerando que el esquema Leapfrog es un esquema de multiplaso es posible
realizar un analisis de estabilidad en otra forma, en la siguiente forma.
El esquema Leapfrog que es posible escribirlo en la forma
vjn+1 = vjn1 Cr (2 i sen)vjn

(3.69)

si A = 2 i Cr sen entonces
vjn+1 = Avjn + vjn1

(3.70)

Usando la siguiente identidad

vjn = vjn + (0) vjn1

(3.71)

Colocando (3.69) y (3.70) en forma matricial

vjn+1
vjn

vjn

A 1

n1
vj
1 0

Ahora el factor de amplificacion es la matriz

A 1
G=

1 0

(3.72)

Para propositos de estabilidad, los autovalores de G deben satisfacer la condicion

|| < 1. Entonces hallamos los autovalores de G
P () = det(G I) = 0
Por lo tanto
2 A 1 = 0
Aplicando la formula cuadratica y reemplazando el valor de A obtenemos los autovalores
1,2 = Cr sen i

1 Cr2 sen2

(3.73)

Vamos analizar dos casos

Caso 1. Si 1 Cr2 sen2 0 entonces podemos elevar al cuadrado 1,2 y obtenemos
|1,2 |2 = 1

Caso 2. Si 1 Cr2 sen2 < 0, entonces

1,2 = Cr seni i

Cr2 sen2 1

= i (Cr sen

Cr2 sen2 1)

elevando al cuadrado
|1,2 |2 = 2 Cr2 sen2 2 Cr sen

Cr2 sen2 1 1

(3.74)

La condicion de estabilidad requiere que

|1,2 |2 1

(3.75)

o lo que es lo mismo
Cr2 sen2 Cr sen

Cr2 sen2 1 < 1

(3.76)

Cr2 sen2 1 < 1

(3.77)

cuando usamos el signo + tenemos

Cr2 sen2 + Cr sen

lo cual nunca es satisfecho puesto que Cr2 sen2 > 1

Ejemplo 27 Apliquemos el analisis de estabilidad de un sistema de ecuaciones
v
u
+ a2
= 0
t
x
u
v
+ b1
= 0
t
x
Expresando el conjunto de ecuaciones como un vector obtenemos

0 a2
u
= , A =

b1 0
v

Entonces tenemos

+ [A]
=0
t
x

(3.78)

Discretizando la ecuacion (3.78) por el metodo de Upwind

n+1
nj
nj nj1
j
+ [A]
t
x

(3.79)

Escribiendo en forma de algortimo

n+1
= nj [A]
j

t
(n nj1 )
x j

(3.80)

Aplicando el criterio de estabilidad de von Neumann llegamos a

G = I [A]

t
(1 ei )
x

(3.81)

Para asegurar la estabilidad se requiere que

| Gmax | 1
o equivalentemente
|max

t
|1
x

donde max es el maximo de los autovaleres de la matriz [A]

En el esquema Upwind, los autovalores de A se obtienen resolviendo la ecuacion

|A I| = 0, llegandose a determinar 1,2 =

b1 a2 . Por lo tanto la condicion de

estabilidad requiere que

p

t
|1
x
p
g = iCr sen 1 Cr2 sen2
|

b1 a2

(3.82)
(3.83)

Vamos analizar dos casos

Caso 1. Si 1 Cr2 sen2 0 o Cr 1 entonces podemos elevar al cuadrado g

y obtenemos
|g |2 = 1
Caso 2. Si 1 Cr2 sen2 < 0, o Cr > 1 entonces
p
g = Cr seni i Cr2 sen2 1
= i (Cr sen

Cr2 sen2 1)

elevando al cuadrado
|g |2 = 2 Cr2 sen2 2 Cr sen

Cr2 sen2 1 1

La condicion de estabilidad requiere que

|g |2 1
o lo que es lo mismo
Cr2 sen2 Cr sen

p
Cr2 sen2 1 < 1

cuando usamos el signo + tenemos

Cr2 sen2 + Cr sen

Cr2 sen2 1 < 1

(3.84)

lo cual nunca es satisfecho puesto que Cr2 sen2 > 1 si arc sen(/2)
arc sen(1/Cr ) y arc sen(1/Cr ) arc sen(/2)). Por lo tanto concluimos que
el esquema Leapfrog es inestable para cualquier n
umero de Courant Cr como se
observa en la Figura (3.14).

Para graficar el factor de amplificacion (3.83) podemos parametrizarlo en la

forma

x = 1 Cr2 sen2

y = C sen
r

para todo [0, 2]. Elevando al cuadrado y sumando obtenemos

x2 + y 2 = 1
lo cual representa una circunferencia de centro en el origen y radio uno que coincide
con el limite de la region de estabilidad como se muestra en la Figura (3.13).
Leapfrog

Leapfrog

1.5

7
y

y
6
1

g+

0.5

Cr=1.5

x
0

2
0.5
1

|g| = 1
x

1
1.5
1.5

0.5

0.5

1.5

Figura 3.13: Leapfrog, Cr 1

3.8.4.

1.5

0.5

0.5

Figura 3.14: Leapfrog, Cr > 1

Esquema Lax-Wendroff

El esquema Lax-Wendroff es un algoritmo muy popular para resolver ecuaciones

que gobiernan flujos comprensibles no viscosos.
Una representacion en diferencias finitas para la ecuacion de conveccion (3.11)
es derivada del desarrollo de la serie de Taylor de la variable dependiente como

1.5

sigue
un+1
= unj + t
j

u (t)2 2 u
+
+ O(t)3
t
2! t2

Ahora considere la ecuacion modelo (3.11)

u
u
= a
t
x
Tomando la derivada en el tiempo
2
2u
u
u
2 u
=
a
(
)
=
a
(
)
=
a
t2
t x
x t
x2

sustituyendo en un+1
tenemos
j
un+1
= unj + (a
j

u
(4t)2 2 2 u
)4t +
(a
) + O(t3 )
x
2
x2

Usando diferencias centrales de segundo orden para la derivada espacial

un+1
j

unj

n
unj+1 unj1
unj+1 2unj + vj1
1 2
2
a4t(
) + a (4t) (
)
24x
2
(4x)2

+ O(tx2 ) + O(t2 x2 ) + O(t3 )

lo cual se puede expresar en la variable v en el nodo (j, n)
n
n
vjn+1 vjn
vj+1
vj1
t
+a
a2
t
2x
2

n
n
vj+1
2vjn + vj1
x2

=0

(3.85)

Esta formulacion es conocida como el esquema Lax-Wendroff en su version explcita

el cual se puede escribir en funcion del n
umero de Courant Cr como
n
n
n
n
vjn+1 = vjn 0.5Cr (vj+1
vj1
) + 0.5Cr2 (vj+1
2vjn + vj1
).

(3.86)

Haciendo el analisis de consistencia al esquema Lax Wendroff se llega a determinar

que tiene un error de truncamiento O(t)2 + O(x)2 .

Para analizar la estabilidad del esquema aplicamos el analisis de von Neumann

a la ecuacion (3.86)
g = 1 0.5 Cr (ei ei ) + 0.5 Cr2 (ei + ei 2)
= 1 i Cr sen + Cr2 (cos 1)
= 1 i Cr sen 2Cr2 sen2

As tenemos el factor de amplificacion

g = 1 2Cr2 sen2 i Cr sen

2

(3.87)

cuyo modulo esta dado por

|g|2 = 1 + 4 Cr4 (Cr2 1) sen4

(3.88)

Por lo tanto |g|2 1 si Cr 1.

Para visualizar el comportamieto del factor de amplificacion (3.87) lo parametrizamos en la forma

x = 1 2Cr sen2
2

y = C sen
r

para todo [0, 2]

Factor amplificacion, LaxWendroff

2
imaginario
1.5

1
Cr=1.2

eje y

0.5

|g|= 1
Cr=0.8

Cr=0.5

real

0.5

1.5

2
2.5

1.5

0.5

0.5

1.5

eje x

Figura 3.15: Factor Lax-Wendroff

3.8.5.

Esquema Lax-Friedrichs

El esquema Lax-Friedrichs puede ser escrito como

n
n
n
n
vjn+1 0.5(vj+1
+ vj1
)
vj+1
vj1
+a
=0
t
2x

(3.89)

y en forma de algoritmo
n
n
n
n
vjn+1 = 0.5(vj+1
+ vj1
) 0.5Cr (vj+1
vj1
).

(3.90)

Haciendo un analisis de consistencia se demuestra que el esquema (3.90) es consistente con (3.11) con un orden de truncamiento O(t) + O(x2 ).
Aplicando el analisis de estabilidad de von Neumann a (3.90) se llega a determinar el factor de amplificacion
g = cos i Cr sen
tal que |g|2 = cos2 + Cr2 sen2 < 1 si Cr 1.

(3.91)

Para visualizar los valores de (3.91) lo expresamos en forma parametrica como

x = cos

y = C sen
r
para todo [0, 2], cuya grafica se muestra en la Figura (3.16) para los n
umeros
de Courant Cr= 0.5, 0.8 y 1.5

3.9.

Esquems Implcitos

3.9.1.

Esquema BTCS

Presentamos un esquema implcito para la ecuacion de conveccion (3.11)

n+1
n+1
vjn+1 vjn
vj+1
vj1
+a
=0
t
2x

(3.92)

el cual como algoritmo se puede escribir

n+1
n+1
aCr vj1
+ vjn+1 aCr vj+1
= vjn

(3.93)

Haciendo un analisis de consistencia puntual llegamos a determinar

L|nj Lnj 0, x, t 0

(3.94)

con un orden de precision O(t) + O(x2 ).

Aplicamos el analisis de estabilidad de von Neumann para determinar el factor
de amplificacion y establecer condiciones necesarias para la estabilidad. Esto es
1
1 = g 1 + Cr (ei ei )
2

(3.95)

obteniendo el factor de amplificacion

g=

1
1 iCr sen

(3.96)

donde
|g|2 =

1
1 + Cr2 sen

(3.97)

Asi que la condicion de estabilidad |g|2 1 se cumple para todo n

umero de Courant
Cr .

3.9.2.

Esquema Crank-Nicolson

El esquema Crank-Nicolson es muy efectivo cuando lo aplicamos a la ecuacion de difusion unidimensional. En esta seccion daremos el esquema Crank-Nicolson
para la ecuacion de conveccion (3.11).
El esquema de diferencias finitas Crank-Nicolson puede ser escrito
vjn+1 vjn
+ a(0.5Lx vjn + 0.5Lx vjn+1 ) = 0
t

(3.98)

donde Lx vj = (vj+1 vj1 )/(2x). La ecuacion (3.98) produce el siguiente algoritmo tridiagonal
n+1
n+1
n
n
0.25Cr vj1
+ vjn+1 + 0.25Cr vj+1
= 0.25Cr vj1
+ vjn 0.25 Cr vj+1

(3.99)

el cual puede ser solucionado eficientemente usando eliminacion gaussiana y descomposicion LU.
El esquema de Crank-Nicolson (3.99) es consistente con (3.11) con un error de
truncamiento O(t)2 + O(x)2 .
Ahora aplicamos el analisis de estabilidad de von Neumann a (3.11)
0.25 Cr g(ei + ei ) + g = 0.25 Cr (ei ei ) + 1
0.25 g Cr(2isen) + g = 1 0.25 Cr (2isen)
g (i 0.5 Cr sen + 1) = 1 i 0.5 Cr sen

entonces el factor de amplificacion es

g=

1 i 0.5Cr sen
1 + i 0.5Cr sen

(3.100)

Si hacemos A = 0.5 Cr sen, tenemos

1 iA
1 + iA
1 A2
2A
=
+i
2
1+A
1 + A2

g =

Entonces el modulo de g es
1 A2 2
2A 2
) +(
)
2
1+A
1 + A2
1 + 2A2 + A4
=
(1 + A2 )2

|g|2 = (

= 1
Por lo tanto el esquema de Crank-Nicolson es incondicionalmente estable y por el
Teorema de Lax es convergente de orden (O(t)2 , O(x)2 ).
Factor amplificacion, LaxFriedrichs

Factor amplificacion, CrankNicolson

2
imaginario

1.5

1.5

Cr=1.5

imaginario

1
Cr=0.8
Cr=0.5

0.5

Cr=1.2

0.5
real

eje y

eje y

|g|=1.0
0

real
0
region estabilidad

0.5

0.5
Cr=0.5
|g|=1.0

1
region inestabilidad

1.5

1.5

2
1.5

0.5

0
eje x

0.5

Figura 3.16: Factor Lax-Friedrichs

1.5

2
2

1.5

0.5

0
eje x

0.5

1.5

Figura 3.17: Factor Crank-Nicolson

La Figura (3.17) muestra los valores del factor de amplificacion para Cr = 1.0
en la que se observa que todos los valores son iguales a 1. Resultados similares se
obtienen para diferentes n
umeros de Courant mayores o menores que uno.

3.10.

Resultados Num
ericos

En esta seccion presentamos los esquemas de diferencias finitas para el problema de conveccion unidimensional analizadas en su estabilidad y consistencia
en la seccion anterior. De igual forma al problema de difusion hacemos un estudio comparativo de los esquemas resolviendo el mismo problema bajo condiciones
similares y dependencia de los parametros.
Ejemplo 28 Consideremos el problema siguiente
ut + aux = 0,

< x < ,

t>0

con condici
on inicial

u(x, 0) = f (x) =

1 , 0.05 x 0.15

0 , en otro lugar.

cuya solucion exacta esta dada por

u(x, t) = f (x at)

(3.101)

donde la constante a sera igual a 1. El rango para la variable x sera 1 < x < 2
y el espaciamiento en la malla para la variable x es x = 0.01.
Las Figuras (3.18), (3.19), (3.20) y (3.21) describen los resultados para los pasos n = 50, 100 y 150, y para Cr = 0.5 para los esquemas Lax-Wendroff, Upwind,
Leapfrog, Lax-Friedrichs donde las soluciones aproximadas son representantes por
lneas punteadas y la solucion exacta es representada por lneas continuas. En la
Figura (3.18) se muestra que el esquema de segundo orden dispersivo Lax-Wendroff

tiene oscilaciones cerca de las discontinuidades pero no se propagan inmediatamente. En la Figura (3.19) se muestra el esquema de primer orden disipativo Upwind
donde la curva de aproximacion se ajusta mas a la curva exacta, no presenta oscilaciones de ning
un tipo, cerca de las discontinuidades se separa mucho de la solucion
exacta. En la Figura (3.20) se muestra que el esquema de segundo orden dispersivo
tiene oscilaciones cerca de las discontinuidades que se propagan muy rapido en los
primeros niveles de tiempo.
tiempo = 0.250000

tiempo = 0.500000

0.8

0.8

0.6

0.6

u(x,t)

1.2

u(x,t)

1.2

0.4

0.4

0.2

0.2

0.2

0.2
0.1

0.2

0.3

0.4

0.5
eje x

0.6

0.7

0.8

0.9

0.1

0.2

0.3

0.4

0.5
eje x

0.6

tiempo = 0.750000
1.2

0.8

0.6

u(x,t)

0.4

0.2

0.2
0

0.1

0.2

0.3

0.4

0.5
eje x

0.6

0.7

0.8

0.9

Figura 3.18: Esquema Lax-Wendroff, Cr = 0.5, n=50, 100, 150

0.7

0.8

0.9

tiempo = 0.250000

tiempo = 0.500000

0.8

0.8

0.6

0.6

u(x,t)

u(x,t)

0.4

0.4

0.2

0.2

0.1

0.2

0.3

0.4

0.5
eje x

0.6

0.7

0.8

0.9

0.1

0.2

0.3

0.4

0.5
eje x

tiempo = 0.750000

0.8

0.6

u(x,t)

0.4

0.2

0.1

0.2

0.3

0.4

0.5
eje x

0.6

0.7

0.8

0.9

Figura 3.19: Esquema Upwind, Cr = 0.5, n=50, 100, 150

0.6

0.7

0.8

0.9

tiempo = 0.250000

tiempo = 0.500000
1.4

1.2
1.2
1
1
0.8

eje u(x,t)

eje u(x,t)

0.8
0.6

0.6

0.4

0.4

0.2

0.2

0.2

0.2
0

0.1

0.2

0.3

0.4

0.5
eje x

0.6

0.7

0.8

0.9

0.1

0.2

0.3

0.4

0.5
eje x

tiempo = 0.750000
1.4

1.2

0.8

0.6

0.4

0.2

0.2
0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Figura 3.20: Esquema Leapfrog, Cr = 0.5, n=50, 100, 150

0.6

0.7

0.8

0.9

tiempo=0.250000

tiempo=0.500000

0.8

0.8

0.6

0.6

u(x,t)

u(x,t)

0.4

0.4

0.2

0.2

0.5

0.5
eje x

1.5

0.5

0.5
eje x

1.5

tiempo=0.750000

0.8

u(x,t)

0.6

0.4

0.2

0.5

0.5
eje x

1.5

Figura 3.21: Esquema Lax-Friedrichs, Cr = 0.5, n=50, 100, 150

Ejemplo 29 Consideremos la propagaci

on de una onda sinusoidal. As (3.11) es
resuelta sujeta condici
on inicial

sen(10x) ,
u(x, 0) =

0
,

0 x 0.1
0.1 < x 1.0

con condiciones de frontera

u(0, t) = u(1, t) = 0,

t > 0.

La solucion exacta esta dada por

0
, 0 x at

u(x, t) =
sen(10(x at)) , at x at + 0.1

0
, at + 0.1 x 1.0
Para un valor a = 0.1 la solucion exacta en t = 0 y t = 8 son mostradas en
la Figura (3.22). La onda sinusoidal se propaga sin reduccir su amplitud a una
velocidad a = 0.1.
Soluciones computacionales fueron obtenidas con N = 40 para x en el intervalo
0 x 1.0 y con un n
umero de Courant Cr = 0.8. Utilizamos los esquemas de
primer orden disipativo Upwind: Figura (3.22), el esquema dispersivo de segundo
orden explcito Lax-Wendroff: (3.23), el esquema Lax-Friedrichs: (3.24) y el esquema FTCS: (3.25). La solucion computacional es suave, pero comparada con la
solucion exacta, tiene un ablandamiento (o difusividad); este es consistente con
la introduccion del termino de viscosidad artificial.
La solucion para el problema de Lax-Wendroff (3.85) es mostrada en la Figura
(3.23) para los valores de t = 8.0 y Cr = 0.8.
tiempo = 8.000000

tiempo = 8.200000

1.2

1.2

exacta t=0.0

0.8

exacta t=8.0

0.8

0.6

exacta t=0.0

u(x,t)

u(x,t)

0.6

exacta t=8.0

0.4

0.4

0.2

0.2

Upwind t=8.0

Lax Wendroff t=8.0

0.2

0.2
0

0.1

0.2

0.3

0.4
0.5
0.6
N=40, dx= 0.025, dt = 0.2

0.7

0.8

Figura 3.22: Upwind, Cr = 0.8

0.9

0.1

0.2

0.3

0.4
0.5
0.6
N=40, dx=0.025, dt=0.2

0.7

0.8

0.9

Figura 3.23: Lax-Wendroff, Cr = 0.8

tiempo = 8.000000

tiempo = 3.000000
8

1.2
6
1

FTCS t=3.0
4

0.8
exacta t=0.0

2
exacta t=8.0

u(x,t)

u(x,t)

0.6

exacta t=8.0

exacta t=0.0
0

0.4
2
0.2
4
Lax Friedrichs t=8.0
0
6
0.2
0

0.1

0.2

0.3

0.4
0.5
0.6
N=40, dx=0.025, dt=0.2

0.7

0.8

0.9

Figura 3.24: Lax-Friedrichs, Cr = 0.8

0.1

0.2

0.3

0.4
0.5
0.6
N=40, dx=0.025 , dt=0.2

0.7

0.8

Figura 3.25: FTCS, Cr = 0.8

Ejemplo 30 Cambiamos la condici

on inicial para la (3.11) por

u(x, 0) =

1 ,

1 x 0

0 ,

0 < x 2.0

Tenemos los siguientes resultados en las Figuras (3.26), (3.27) y (3.28). En la

Figura (3.26) se muestra que el esquema Upwind en la discontinuidad se aleja de
la solucion exacta en forma suave. En la Figura (3.27) el esquema Lax-Wendroff
presenta oscilaciones en la discontinuidad a pero que se propagan en forma lenta
a medida que pasa el tiempo.

0.9

tiempo = 0.250000

tiempo = 0.500000

0.8

0.8

0.6

0.6

u(x,t)

1.2

u(x,t)

1.2

0.4

0.4

0.2

0.2

0.2

0.2
0

0.5

1.5

0.2

0.2

0.4

0.6

eje x

tiempo = 0.750000
1.2

0.8

0.6

0.4

0.2

0.2
0.2

0.8

1
eje x

u(x,t)

0.5

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

eje x

Figura 3.26: Upwind, Cr = 0.5, n=50, 100, 150

1.2

1.4

1.6

1.8

tiempo = 0.250000

tiempo = 0.500000

1.4

1.4

1.2

1.2

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

0.2
0.5

0.5

1.5

0.2
0.2

0.2

0.4

0.6

0.8

tiempo = 0.750000
1.4

1.2

0.8

0.6

0.4

0.2

0.2
0.2

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

Figura 3.27: Lax-Wendroff, Cr = 0.5, n=50, 100, 150

1.2

1.4

1.6

1.8

tiempo = 0.250000

tiempo = 0.500000

0.8

0.8

0.6

0.6

u(x,t)

u(x,t)

0.4

0.4

0.2

0.2

0.2

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

0.2

0.2

0.4

0.6

0.8

eje x

1.2

1.4

1.6

eje x

tiempo = 0.750000

0.8

u(x,t)

0.6

0.4

0.2

0.2

0.2

0.4

0.6

0.8

1.2

1.4

1.6

1.8

eje x

Figura 3.28: Lax-Friedrichs Cr = 0.5, n=50, 100, 150

Ejemplo 31 Sea el problema

u(x, 0) =

1 ,

0x1

0 ,

otro lugar

(3.102)

En la Figura (3.29) se muestra la solucion aproximada del problema anterior para

los valores Cr=0.5, = 1,0, dx=0.1, dt=0.005 para un tiempo maximo de T max =
0.2 seg. En la Figura (3.30) se muestra la solucion aproximada de (3.102) para
un tiempo T max = 0.4 seg. En ambas Figuras se muestra la inestabilidad del
esquema FTCS. En la Figura (3.31) mostramos la solucion aproximada obtenida

1.8

por el esquema Upwind para Cr = 0.5, = 1.0, dx = 0.01, dt = 0.005 para un

tiempo maximo T max = 2.0 seg
tiempo = 0.400000
1.5

0.5

0.5

u(x,t)

u(x,t)

tiempo = 0.200000
1.5

0.5

0.5

0.5

0.5
1
1.5
2
2.5
FTCS, dx = 0.1, dt = 0.05, Tmax = 0.2 seg

3.5

0.5

0.5
1
1.5
2
2.5
FTCS, dx = 0.1, dt = 0.05, Tmax = 0.4 seg

3.5

Figura 3.29: Conveccion FTCS, Tmax=0.2 Figura 3.30: Conveccion FTCS, Tmax=0.4

tiempo = 2.000000

u(x,t)

0.8

0.6

0.4

0.2

0
1

0.5

0.5
1
1.5
2
2.5
Upwind, dx= 0.001, dt= 0.005, Tmax= 2.0 seg

3.5

Figura 3.31: Upwind, Cr = 0.5, = 1.0, dx = 0,01, T max = 2.0 seg

En las Figuras (3.32), (3.33), (3.34) y (3.35) se muestra la solucion aproximada del problema (3.102) para Cr=0.5, dx=0.01, dt=0.005 en los tiempos
t=0.25, 0.375, 1.0 y 2,0 seg respectivamente.

Leapfrog

Leapfrog

1.4

1.4

t=0.25 seg

1.2

1.2

0.8

0.8

0.6

0.6

t = 0.375

u(x,t)

u(x,t)

0.4

0.4

0.2

0.2

0.2

0.2

0.4
1

0.5

0.5

1.5
2
Tmax = 0.25 seg

2.5

3.5

0.4
1

Figura 3.32: Leapfrog, Tmax = 0.25 seg

0.5

0.5

1.5
2
Tmax = 0.375 seg

2.5

3.5

Figura 3.33: Leapfrog, Tmax = 0.375 seg

Leapfrog

Leapfrog

1.4

1.4
t=1.0

1.2

t=2.0

1.2
t=0

0.8

0.8

0.6

0.6

u(x,t)

u(x,t)

0.4

0.4

0.2

0.2

0.2

0.2

0.4
1

0.5

0.5

1.5
2
Tmax = 1.0 seg

2.5

3.5

Figura 3.34: Leapfrog, Tmax = 1.0 seg

0.4
1

0.5

0.5

1.5
Tmax=2.0 seg

2.5

3.5

Figura 3.35: Leapfrog, Tmax = 2.0 seg

tiempo = 2.000000

u(x,t)

0.8

0.6

0.4

0.2

0
1

0.5

0.5
1
1.5
2
2.5
Laxfriedrics, dx = 0.01, dt = 0.05, Tmax = 2 seg

3.5

Figura 3.36: Lax Friedrichs, Cr = 0.5

Ejemplo 32 Para afianzar nuestros resultados vamos a considerar otro ejemplo

sobre el transporte de una onda cosenoidal. Para ello consideremos valores de x
en [-1,3] y t en [0,2.4], el espaciamiento en la malla para la variable x sera de
x = 0.1, 0.05 y 0.025 para un tiempo maximo de Tmax = 2.4 y a = 1

ut + aux = 0,

(3.103)

con condiciones iniciales

u(x, 0) =

y u(1, t) = 0.

cos2 x , |x| 0.5

, en otro lugar.

(3.104)

Upwind

1
t=0

0.8

Eje U

Cr=0.8
0.6
t = 2.4

0.4

0.2

0
1

0.5

0.5

1
Eje X,

1.5

2.5

h=0.1

Figura 3.37: Upwind, h=0.1

Upwind

Upwind

Cr=0.8

Cr= 0.8
t=0

t=0
1

0.8
t = 2.4
0.8

0.6

Eje U

Eje U

t = 2.4

0.6

0.4
0.4

0.2

0
1

0.2

0.5

0.5

1
Eje X,

1.5

h=0.05

Figura 3.38: Upwind, h=0.05

2.5

0
1

0.5

0.5

1
Eje X,

1.5

h=0.025

Figura 3.39: Upwind, h=0.025

2.5

LaxFriedrichs

LaxFriedrichs

t=0

Cr = 0.8

t=0
Cr = 0.8
0.8

0.8

Eje U

0.6
t = 2.4

0.6

0.4

0.4

0.2

0.2

0
1

0.5

0.5

1
1.5
2
Eje X,
h = 0.1

2.5

3.5

Figura 3.40: Lax Friedrichs, h=0.1

0
1

0.5

0.5

1
Eje X,

t=0

Cr = 0.8

t = 2.4

0.8

0.6

0.4

0.2

0
1

0.5

0.5

1
1.5
2
Eje X,
h=0.025

1.5

2
h = 0.05

2.5

3.5

Figura 3.41: Lax Friedrichs, h=0.05

LaxFriedrichs

Eje U

Eje U

t = 2.4

2.5

3.5

Figura 3.42: Lax Friedrichs, Cr=0.8, h=0.025

LaxWendroff
1.2

Cr = 0.8
0.8
t = 2.4

Eje U

0.6

0.4

0.2

0.2
1

0.5

0.5

1
Eje X,

1.5

2.5

h = 0.1

Figura 3.43: Lax Wendroff, h=0.1

LaxWendroff

LaxWendroff

1.2

1.2

1
Cr = 0.8

Cr = 0.8

t = 2.4
0.8

0.8

t = 2.4

Eje U

0.6

Eje U

0.6

0.4

0.4

0.2

0.2

0.2
1

0.5

0.5
Eje X,

1
h = 0.05

1.5

2.5

Figura 3.44: Lax Wendroff, h=0.05

0.2
1

0.5

0.5
Eje X,

1
h=0.025

1.5

2.5

Figura 3.45: Lax Wendroff, h=0.025

Leapfrog
1.2

1
Cr = 0.8
0.8

t = 2.4

eje U

0.6

0.4

0.2

0.2
1

0.5

0.5

1
Eje X, h =0.1

1.5

2.5

Figura 3.46: Leapfrog, h=0.1

Leapfrog

Leapfrog

1.2

1.2

1
Cr = 0.8

Cr = 0.8
0.8

t = 2.4

0.8
t = 2.4

Eje U

0.6

Eje U

0.6

0.4

0.4

0.2

0.2

0.2
1

0.5

0.5

1
Eje X, h = 0.05

1.5

Figura 3.47: Leapfrog, h=0.05

2.5

0.2
1

0.5

0.5
Eje X,

1
1.5
h = 0.025

Figura 3.48: Leapfrog, h=0.025

2.5

Captulo 4
Ecuaci
ones Diferencales
Parab
olicas
En este captulo la ecuacion de difusion unidimensional sera usada como
un vehculo para desarrollar esquemas explcitos e implcitos.
Centraremos nuestra atencion en la estabilidad y consistencia de varios esquemas tanto explcitos como implcitos.
La forma canonica de la ecuacion parabolica de difusion unidimensional o ecuacion del calor esta dada por
U
2U
=K
,
T
X 2

0 X L,

T >0

(4.1)

donde K es una constante.

Para determinar la ecuacion adimensional de (4.1) tomamos U0 como alg
un
valor particular de U (tal como el valor maximo o mnimo en t = 0), entonces
x=

U
T
X
, u=
, t=
L
U0
T0
181

(4.2)

(T0 es elegido), entonces

U
U0 u
=
T
T0 t

(4.3)

puesto que
U
T

U dt
(U0 u) 1
=
t dT
t T
U0 u
=
T0 t
=

y
U0 2 u
2U
=
X 2
L2 x2

(4.4)

Reemplazando en la ecuacion parabolica

U0 u
U0 2 u
= K 2 2
T0 t
L x

L2 u
2u
=
KT0 t
x2
Por consiguiente si elegimos
T0 =

L2
K

la ecuacion es
u
2u
=
donde 0 x 1
t
x2

(4.5)

Esta ecuacion adimensional puede ser usada para tipificar diversos procesos numericos y se puede deducir siguiendo las leyes fsicas siguientes
1. La cantidad de calor necesario para elevar la temperatura de un objeto de
masa m en una cantidad 4u es

m s 4u

donde s es una constante que

depende del material usado llamada calor especfico

2. La cantidad de calor que fluye a traves de una area por unidad de tiempo y
proporcional a la tasa de cambio de la temperatura con respecto a la distancia
perpendicular al area (normal)
Q = k A 4t

u
x

(4.6)

donde Q cantidad de calor que fluye a la derecha, 4t longitud del tiempo

durante el cual ocurre el flujo, k es la constante de proporcionalidad llamada
conductividad termica que depende del material usado y A es una seccion
de area.
* El principio de conservaci
on de la energia, que establece que, para una
region R de un solido

La cantidad de calor

consumida dentro de la region R

A la cantidad de calor que entra

por las fronteras de la region R

* La ley de conductividad termica de cuerpos solidos, conocida como la Ley

de Fourier, establece que el flujo de calor a travez de una superficie S es proporcional a la derivada normal de la temperatura sobre la superficie. La constante de
proporcionalidad que denotaremos como k es llamada la Conductividad Termica.
Si denotamos por q la cantidad de calor que fluye por unidad de tiempo, y por u
la temperatura, obtenemos
q = k

u
= ku.

(1)

es la normal a la superficie S
* La Ley de Newton establece que la cantidad de calor que fluye durante
una unidad de tiempo a traves del area de la superficie del cuerpo al medio

ambiente es proporcional a la diferencia de temperatura delcuerpo con el medio

ambiente. Esto es
Q = (u u0 )

(2)

donde es el area de la superficie, es el coeficiente de intercambio de calor.

Otro coeficiente termico conocido es la Capacidad Termica c0 , que se define
como cantidad de calor necesaria para elevar una unidad de volumen a una unidad
de temperatura. Asi pues si conocemos el aumento de temperatura de un cuerpo y
la capacidad termica del material, podremos conocer la cantidad de calor que fue
introducida al material. Asumiremos en este contexto que todos los coeficientes de
proporcionalidad son constantes.
Hay que observar que si Q > 0, el flujo va a la derecha, entonces

u
x

< 0 esto

es la temperatura va decreciendo a medida que vamos a la derecha.

La cantidad de calor que fluye de izquierda a derecha a traves de los planos B
y C son
u
en x
x

(4.7)

u
en x + 4x
x

(4.8)

QB = k A 4t
y
QC = k A 4t

Entonces la cantidad de calor acumulado en el volumen entre los planos B y C es

la cantidad que entra por B menos la que sale por C
u
u
}x {k A 4t
}x+4x
x
x
u
u
= k A 4t{ |x+4x
|x }
x
x

QB QC = {k A 4t

Podemos decir que la ecuacion anterior representa la cantidad de calor acumulado

que eleva o baja la tenperatura del elemento de volumen si es positivo o negativo.

Por la Ley 1 tenemos que
k A 4t{

u
u
|x+4x
|x } = m s 4u
x
x
= A 4x s 4u

donde es la densidad y s es el calor especfico.

Dividiendo entre A 4x 4t
k

u
|
x x+4x

4x

u
|
x x

=s

4u
4t

(4.9)

y haciendo 4x, 4t tiendan a cero

k

2u
u
=s
2
x
t

(4.10)

u
2u
= 2
t
x

(4.11)

donde =

k
s

En la ecuacion (4.1) la variable u se interpreta como la velocidad o temperatura.

Si u es la temperatura, la ecuacion (4.1) gobierna el flujo de calor en una barra
aislada salvo en sus extremos donde puede transferir calor al medio circundante
va los puntos extremos ( Ver Figura 4.3).

t 6

]0, L[R+

valores de

valores de
frontera

frontera

valores iniciales

Figura 4.1: Dominio del problema

t 6

valores de
frontera tn

valores de
frontera

(j, n)

xj
valores iniciales

Figura 4.2: Discretizacion del Dominio

En los extremos podemos tener condiciones de frontera de Dirichlet o de Neumann ( Ver Figura 4.3).

u0(x)
u0 (x)=f(x)

A
uA=g (t)

B
aislamiento

uB=g (t)
2

uB =h (t)

uA x=h (t)

x=0

x=L

Figura 4.3: Ecuacion unidimensional de difusion.

Para obtener soluciones u

nicas de (4.1) tambien es necesario especificar las
condiciones iniciales. Estas estan dadas por u(x, 0) = u0 (x) para un tiempo t = 0.
La solucion exacta de (4.1) satisfaciendo las condiciones de frontera (Dirichlet,
Neumann o mixtas) en union con las condiciones iniciales (t = 0) pueden ser
obtenidas por el metodo de Fourier [13],[22], [23].

4.1.

Soluci
on de la Ecuaci
on del Calor
Construyamos la solucion exacta de la ecuacion del calor utilizando el Meto-

do de Fourier. Para ello comenzaremos estudiando un caso particular, tomando las

condiciones de contorno homogeneas, es decir u(x, 0) = u0 y por simplicidad consideramos L = 1. La solucion particular la obtenemos por separacion de variables.

En efecto, sea
u(x, t) = T (t)X(x)

(4.12)

sustituyendo este valor en (4.1) tenemos

Tt (t)X(x) T (t)Xxx (x) = 0

(4.13)

Tt (t)
Xxx (x)
=
=
T (t)
X(x)

(4.14)

Asi se obtiene

donde es una constante, independiente de x y de t . De la ecuacion (4.14) anterior

y de las condiciones de contorno concluimos que w debe satisfazer
Tt (t) + T (t) = 0

(4.15)

Xxx = X

(4.16)

X(0) = X(1) = 0

De donde concluimos que X = sen( x) y de las condiciones de contorno obtenemos que = k 2 2 , k Z. Asi
X(x) = sen(kx)

T (t) = T (0)ek

2 2 t

(4.17)

Por tanto una solucion particular de la ecuacion del calor es de la forma

u(x, t) = T (0)sen(kx)ek

2 2 t

(4.18)

Observe que ella satisface la ecuacion (4.1). Utilizando la condicion de contorno y

la condicion inicial se tiene
u(x, 0) = T (0)sen(kx)

(4.19)

Como T (0), puede tomar cualquier valor, podemos asumir que depende tambien
de k, por tanto las soluciones particulares estan dadas por
uk (x, 0) = Tk (0)sen(kx)

(4.20)

Como la ecuacion (4.1) es lineal tendremos que las conbinaciones lineales de las
soluciones particulares (4.20) tambien satisfacen la ecuacion (4.1) y las condiciones
de contorno. Denotando por
m

u =

m
X

Tk (0)ek

2 2 t

sen(kx)

(4.21)

k=1

Vemos que la condicion inicial satisfecha por esta funcion es

m

u (x, 0) =

m
X

Tk (0)sen(kx)

(4.22)

k=1

Se prueba en analisis que toda funcion C 1 (0, 1) que se anula en los extremos puede
ser expresada como una Serie de Fourier de la forma
u0 (x) =

Z
ck sen(kx),

ck =

u0 (x)sen(kx)dx

(4.23)

k=1

Por tanto un candidato a solucion de la ecuacion del calor es

u(x, t) =

ck ek

2 2 t

sen(kx)

(3)

k=1

con el valor de ck = Tk (0) dado anteriormente.

Ejemplo 33 Problema de Difusi
on de calor de una barra aislada
Una barra metalica de 100 cm de longitud tiene los extremos (x=0 y x=100)
mantenidos a 00 C. Inicialmente la mitad de la barra esta a 600 C, mientras que
la otra mitad a 400 C. Asumiendo una difusividad de 0,16 unidades cgs y que la
superficie de la barra esta aislada, encontrar la temperatura en toda parte de la
barra en el tiempo t.

Formulaci
on matem
atica :
u
2u
= 0,16 2
t
x

(4.24)

u(0, t) = u(100, t) = 0

(4.25)

donde
f (x) =

60 ,

0 x 50

40 , 50 x 100

(4.26)

Asumimos que la solucion u(x, t) es de la forma

u = X.T

(4.27)

Reemplazando (4.27) en (4.24) tenemos

0

00

X.T = 0,16X T
0

00

T
X
=
= 2
0,16T
X
donde
0

T + 0,162 T = 0,

00

X + 2 X = 0

La solucion de estas ecuaciones son

2

T = C1 e016 t ,

X = C2 cos x + C3 senx

Luego la solucion es
u = X.T
2

= e0,16 t (A cos x + Bsenx)

(4.28)

De las condiciones de frontera (4.25) se tiene que A = 0, =

n
.
100

Entonces la

solucion (4.28) queda en la forma

u(x, t) = B sen(

2 2
n
0,16 n100
x)
e
1002

(4.29)

Usando el Principio de superposicion de variables, tenemos que

u(x, t) =

n2 2

bn e0,16 1002 t sen(

n=1

n
x)
100

(4.30)

donde los bn son los coeficientes de Fourier.

Ahora reemplazamos la condicion inicial (4.26) en (4.30)
u(x, 0) =

bn sen(

n=1

n
x) = f (x)
100

Asi los coeficiente de Fourier bn estan dados por

bn

Z 100
2
n
=
f (x)sen(
x) dx
100 0
100
Z 50
Z 100
n
n
2
2
f (x)sen(
f (x)sen(
x) dx +
x) dx
=
100 0
100
100 50
100
120
n
80
n
=
(1 cos
)+
(cos
cos n)
n
2
n
2

entonces tenemos
b1 =

200
,

b2 =

40
,

b3 =

200
, ...
3

(4.31)

Asi la solucion sera

u(x, t) =

200 16,102 t

40
2
2
e
sen
x + e64,10 t sen
x + ...

100

100

(4.32)

Ejemplo 34 Problema de Difusi

on de calor de una barra no aislada
Si la superficie de una barra delgada de metal no esta aislada sino, en vez, la

radiaci
on puede ocurrir hacia los alrededores. Asumiremos que la Ley de Newton
de enfriamiento es aplicable, la ecuaci
on que describe esto es
u
2u
= 2 C(u u0 )
t
x

(4.33)

donde C es una constante y u0 es la temperatura del medio.

Para transformar la ecuaci
on (4.33) en una ecuaci
on de la forma
2u
u
= 2
t
x
hacer el cambio de variable
u u0 = vet
En el problema de Fourier ambos extremos se mantuvieron a 00 C. Pero que
sucede si los extremos de la barra se pueden asilar de modo que el calor no pueda ni
escapar ni entrar por los extremos. Este problema conduce a una solucion trivial,
puesto que si la barra inicialmente tiene una temperatura de 1000 C y si el calor no
puede entrar ni salir por los extremos o por la superficie, entonces la temperatura
permanecera a 1000 C en todo el tiempo. Para que el problema no sea trivial
tendriamos que asumir que la temperatura inicial no es constante.
Ejemplo 35 Problema de Difusi
on de calor con fronteras aisladas
Tomemos la ecuaci
on de difusion de calor unidimensional
2u
u
= 2,
t
x

0 < x < L, t > 0

(4.34)

Matem
aticamente las condiciones de aislamiento en los extremos de la barra colocados en x = 0 y x = L del eje X se expresan por
ux (0, t) = ux (L, t) = 0

(4.35)

Adem
as la temperatura inicial la indicamos por
u(x, 0) = u0 (x),

0<x<L

(4.36)

Entonces la solucion a la ecuacion (4.34) la indicamos por

2

u(x, t) = e t (A cos x + Bsenx)

(4.37)

Derivando (4.37) respecto a x

2

ux = e t (Asenx + B cos x)
evaluando en el extremo izquierdo x = 0
2

ux (0, t) = Be t = 0
B=0
Asi tenemos la solucion
2

u(x, t) = Ae t cos x
Derivamos (4.38) respecto a x
2

ux = Ae t senx
evaluando en el extremo derecho x = L
2

ux (L, t) = Ae t senL

senL = 0
L = n
L =

n
,

nZ

(4.38)

Entonces la solucion es
u(x, t) = Ae

n2 2 t
L2

(cos

n
x)
L

Para satisfacer la condicion inicial (4.36) debemos usar el Principio de Superposicion de Soluciones y asi llegamos a la solucion final

a0 X
n
2 2
2
u(x, t) =
+
an en t/L cos
x
2
L
n=1
entonces

a0 X
n
u(x, 0) =
+
an cos
x = u0 (x)
2
L
n=1
donde
2
an =
L

u0 (x) cos
0

n
x dx
L

Ejemplo 36 Conducci
on de calor en una barra con condiciones no cero
en los extremos
En el problema de Fourier: desde el punto de vista fsico no hay raz
on de no
haber escogido otras dos condiciones, tales como en el extremo x = 0 se mantienen
a 200 y el extremo en x = L a 600 .
Formulamos el problema de valor inicial
u
2u
= 2,
t
x
u(0, t) = 20,

0 < x < L, t > 0

(4.39)

u(L, t) = 60

(4.40)

u(x, 0) = 100

(4.41)

Por el metodo de separacion de variables llegamos a

2

u(x, t) = e t (A cos x + Bsenx)

(4.42)

Definamos una transformacion de variable de u a w, esto es,

u(x, t) = w(x, t) + (x)

(4.43)

Reemplazando (4.43) en (4.39)

u
w
=
t
t
2u
2w
=
+ 00 (x)
2
2
x
x
entonces
w
2w
= ( 2 + 00 (x))
t
x

(4.44)

Utilizamos las condiciones de frontera

u(0, t) = w(0, t) + (0) = 20
w(0, t) = 20 (0)

(4.45)

u(L, t) = w(L, t) + (L) = 60

w(L, t) = 60 (L)

(4.46)

Ahora utilizamos la condicion inicial

u(x, 0) = w(x, 0) + (x) = 100
w(x, 0) = 100 (x)

(4.47)

Puesto que lo que buscamos es aplicar el metodo de Separacion de Variables, sera

bueno escoger
00 0,

(x) = x +

(4.48)

Entonces la ecuacion diferencial queda en la forma

2w
w
= 2
t
x

(4.49)

Tambien sera bueno que los lados derechos de (4.45) y (4.46) sean ceros. Esto se
consigue si
(0) = 20,
Esto nos permite determinar que =

(L) = 60
40
L

(x) =

y = 20 en (4.48), asi que

40
x + 20
L

Resumiendo tenemos el nuevo problema que queda expresado como

w
2w
= 2,
t
x

0 < x < L, t > 0

w(0, t) = 0,

w(L, t) = 0

w(x, 0) = 100 (x),

(x) =

40
+ 20
L

Por el metodo de Separacion de Variables llegamos a la solucion

2

w(x, t) = e t (A cos x + Bsenx)

(4.50)

De las condiciones de frontera tenemos que

A = 0, =

n
, n = 1, 2, ...
L
2 2 t/L2

w(x, t) = Ben

sen

n
x
L

Por la condicion inicial

100 (x) =

X
n=1

bn sen

n
x
L

(4.51)

entonces el coeficiente de Fourier bn esta dado por

2
bn =
L

(100 (x)) sen

0

n
x dx
L

Por lo tanto la solucion en la variable u es

u(x, t) =

bn en

2 2 t/L2

n=1

(sen

n
40
x) + ( x + 20)
L
L

(4.52)

Ejemplo 37 Temperatura de estado estacionario en una placa semi

infinita
Asumamos que los lados infinitos se mantienen a 00 y que la base de la placa
(en el Eje X) se mantienen a una temperatura constante. Asumiremos tambien
que las caras de la placa estan aisladas de modo que el calor no puede entrar ni
escapar de ellas. Buscamos determinar la temperatura de estado estacionario de
la placa, esto es, la temperatura que es independiente del tiempo.
Formulaci
on matem
atica : Tenemos el problema de conducci
on de calor en
dos dimensiones en el plano XY y no dependiente del tiempo t
2u 2u
+
= 0,
x2 y 2

0 < x < L, y > 0

(4.53)

u(0, y) = u(L, y) = 0
u(x, 0) = u0
Puesto que fiscamente es imposible que la temperatura llegue a ser infinita en todo
punto de la placa, asumiremos que u(x, y) es acotada, es decir,
|u(x, y)| < M,

(x, y)

frontera acotada

frontera aislada

frontera aislada

u(L,y)=0

u ( 0, y ) = 0

X
L

Figura 4.4: Dominio

Usaremos el metodo de Separacion de Variables para hallar a la solucion, esto es,

suponemos que la solucion es de la forma
u=XY

(4.54)

Reemplazando (4.54) en (4.53)

00

00

X Y + XY = 0
00

00

X
Y
=
= 2
X
Y
00
00
X
Y
2
= ,

= 2
X
Y
Resolviendo estas ecuaciones ordinarias obtenemos
X = C1 cos x + C2 senx,

Y = C3 ey + C4 ey

Entonces la solucion es
u = (C1 cos x + C2 senx)(C3 ey + C4 ey )

Asumiendo que > 0, esta solucion llega a ser no acotada cuando y . Para
evitar esto, escogemos C3 = 0,
u(x, y) = ey (A cos x + Bsenx)
Usamos la condicion de frontera izquierda u(0, y) = 0,
u(0, y) = Aey = 0
de donde se obtiene que A = 0. Entonces la solucion sera
u = Bey senx
Ahora usamos la condicion de frontera derecha u(L, y) = 0,
u(L, y) = Bey senL = 0
de donde se tiene que senL = 0 y =

n
,
L

nZ

La solucion a la cual se le ha incorporado las condiciones de frontera esta dada

por
n

u = Be L y sen

n
x
L

Aplicamos el Principio de Superposicion de Soluciones a (4.56)

u=

bn e L y sen

n=1

n
x
L

Usamos la condicion inicial u(x, 0) = u0 ,

u(x, 0) =

X
n=1

bn sen

n
x = u0
L

Asi que el coeficiente de Fourier bn esta dado por

bn

Z
n
2 L
u0 sen x dx
=
L 0
L
2u0 (1 cos n)
=
n

(4.55)

Finalmente la solucion la cual cumple las condiciones de iniciales y de frontera esta

dada por

2u0 X 1 cos n ny/L

n
u(x, y) =
e
sen x
n=1
n
L

(4.56)

Por un procedimiento largo y tedioso se obtiene

u(x, y) =

sen L x
2u0
tan1 [
]

senh L y

Ejemplo 38 Problema de la Cuerda vibrante

Si una cuerda flexible fuertemente tensionada se le da alg
un desplazamiento inicial por la funcion f y luego se suelta, el problema de valor de frontera para el
desplazamiento u(x, t) de la cuerda desde su posici
on de equilibrio en el eje X es
2u
t2

= a2 xu2 ,

u(0, t)

= u(L, t) = 0

u(x, 0)

= f (x),

0 < x < L, t > 0

t>0

(4.57)

0<x<L

ut (x, 0) = 0

0<x<L

donde u(x, t) es el desplazamiento de x en el tiempo t y L es la longitud de la

cuerda.
Asumiendo que la solucion del prblema (4.57) es de la forma
u = X.T
Reemplazando (4.58) en (4.57) obtenemos
X.T

00

= a2 X .T

00

T
= 2 = 2
aT

X
X

00

00

(4.58)

de donde
00

00

X + 2 X = 0,

T + a 2 2 T = 0

cuyas soluciones estan dadas por

X = C1 cos x + C2 senx,

T = C3 cos at + C4 senat

Entonces la solucion es
u = (C1 cos x + C2 senx)(C3 cos at + C4 senat)

(4.59)

Para que (4.59) se cumpla satisface la condicion de frontera izquierda u(0, t) = 0

se debe tener C1 = 0. Y para que se cumpla la condicion de frontera derecha
u(L, t) = 0,
senL = 0
=

n
,
L

nZ

Entonces la solucion satisfaciendo las condiciones de frontera sera

u = C2 sen

n
na
na
x (C3 cos
t + C4 sen
t)
L
L
L

(4.60)

Puesto que la tercera condicion, es algo complicada, pasamos a la cuarta condicion.

Para esto derivamos (4.60) respecto a la variable t
ut = C2 sen

n
na
na
na
na
x (C3
sen
t + C4
cos
t)
L
L
L
L
L

de donde se obtiene que C4 = 0. Asi nos queda la solucion

u(x, t) = B sen

n
na
x. cos
t
L
L

(4.61)

Para satisfacer la tercera condicion de frontera, primero aplicamos el Principio de

Superposicion de Soluciones
u(x, t) =

bn sen

n=1

n
na
x. cos
t
L
L

Para el tiempo t = 0
u(x, 0) = u0 =

bn sen

n=1

n
x
L

donde el Coeficiente de Fourier bn esta dado por

2
bn =
L

u0 sen
0

n
x dx
L

Finalmente la solucion es

2X
u(x, t) =
(
L n=1

u0 sen
0

n
n
na
x dx) sen x. cos
t
L
L
L

(4.62)

Ejemplo 39 Cuerda vibrante con amortiguamiento

Desde el punto de vista real el modelo matematico que acabamos de obtener falla puesto que las vibraciones continuan indefinidamente, mientras que en realidad
debera cesar gradualmente. Por tal motivo introducimos un termino amortiguamiento proporcional a la velocidad instantanea de la cuerda
2
2u
u
2 u
+

=
a
t2
t
x2

(4.63)

donde es la constante de amortiguamiento y u

es proporcional a la velocidad
t
instant
anea de la cuerda.
u(0, t) = u(L, t) = 0
u(x, 0) = f (x),

0<x<L

u
(x, 0) = 0
t

(4.64)
(4.65)
(4.66)

Suponemos que la solucion de (4.63) es de la forma

u = X.T

(4.67)

Reemplazamos (4.67) en (4.63)

00

00

X.T + X.T = a2 X .T
00

00

X
T
T
= 2 + 2 = 2
X
aT
aT
De donde obtenemos las ecuaciones diferenciales
00

00

X + 2 X = 0,

T + T + 2 a2 T = 0

cuyas soluciones son

T = et/2 (C3 cos wt + C4 senwt)

X = C1 cos x + C2 senx;
donde w =

2 /4 2 a2

Asi tenemos la solucion

u = et/2 (C1 cos x + C2 senx)(C3 cos wt + C4 senwt)

(4.68)

Incorporado la condicion de frontera izquierda u(0, t) = 0 a (4.68) se llega a determinar que C1 = 0. Del mismo modo con la condicion de frontera derecha u(L, t) = 0
llegamos a determinar que =

n
,
L

n Z.

La solucion modificada de (4.68) es entonces

u(x, t) = C2 et/2 sen

n
x (C3 cos wt + C4 senwt)
L

(4.69)

La u
ltima condicion de frontera (4.66) nos da que C4 = 0. Mientras que para
satisfacer la condicion inicial (4.65) aplicamos el Prinicipio de Superposicion de

soluciones
u(x, t) = e
q
donde =

t/2

bn (sen

n=1
n2 2 a2
L2

2
.
4

n
x) cos
L

(4.70)

De modo que la tercera condicion de frontera (4.65)

conduce a
u(x, 0) = f (x) =
bn =

4.2.

2
L

bn sen

n=1

f (x)sen
0

n
x dx
L

n
x dx
L

Principio del M
aximo, Decaimiento
Exponencial, Efecto Regularizante
Damos dos de las propiedades mas importantes de la ecuacion del calor, co-

mo son, el Principio del Maximo, el Decaimiento Exponencial de las soluciones y el

Efecto Regularizante, el cual significa que para todo tiempo positivo la solucion de
la ecuacion del calor es infinitamente diferenciable, no importando la irregularidad
de los datos iniciales.
Definici
on 4.2.1 Convergencia Uniforme Una sucesi
on de funciones fn (x) :
[a, b] IR converge uniformemente para f si para todo > 0 existe N tal que
n N | fn (x) f (x) |< , x [a, b]

(4.71)

Entre las principales propiedades de las sucesiones de funciones uniformemente

convergente tenemos

Teorema 4.2.1 Si fn (x) : [a, b] IR es una sucesi

on que converge uniformemente para f , y si para todo n las funciones fn son continuas, entonces el lmite
tambien es continuo.
Prueba: De la convergencia uniforme existe N > 0 tal que

| fN (x) f (x) |< , x [a, b]

3
Por otro lado, de la continuidad de fN , existe > 0 tal que
| x y |< | fN (x) f (x) |<

de estas dos u
ltimas proposiciones tenemos que si
| x y |<
entonces
|

f (x) f (y) || f (x) fN (x) | + | fN (x) fN (y) | + | fN (y) f (y) |

<

+ + =
3 3 3

de donde se sigue la continuidad de f .

Teorema 4.2.2 Si fn (x) : [a, b] IR es una sucesi

on que converge uniformemente para f , y si fn es continua para todo n, entonces
Z
lm

fn (x)dx =
a

lm fn (x)dx =

a n

f (x)dx

(4.72)

Prueba: De la convergencia uniforme existe N tal que n N se tiene

| fN (x) f (x) |<

, x [a, b]
ba

(4.73)

de donde obtenemos
Z

fn (x)dx
a

f (x)dx |
a

| fn (x)dx f (x) | dx <

a

este resultado vale para toda sucecion de funciones integrables que converge uniforme.

4.2.1.

Principio del M
aximo

El principio del Maximo establece que la solucion de la ecuacion del calor

no puede ser mayor ni menor que los datos del problema. En otras palabras, el
maximo y el mnimo solamente son alcanzados en la frontera del conjunto R+ =
]0, L[ ]0, [
Teorema 4.2.3 Sea u la solucon del problema

ut u = 0,
en R+

u |
= g

u(x, 0) = u (x),
en
0

(4.74)

Entonces, se cumple
n

M in inf g, inf u0

u(x, t) M ax sup g, sup u0

(4.75)

Prueba: Asumiremos que la funcion u0 y g son continuas y que existe una solucion
continua u dos veces derivable. Si uno de los extremos de la funcion u esta en la
frontera, entonces no tenemos nada a probar.

Razonaremos por el absurdo. Para ello introducimos la funcion v = u + | x |2 .

Observamos que v satisface
vt vxx = 2 < 0

(4.76)

Supongamos que el maximo de la funcion v es alcanzado en el punto (x0 , t0 ) del

interior del dominio R+ . Entonces tenemos que

vt 0
y
vxx 0

=
vx
0
Por tanto, en el punto (x0 , t0 ) del interior del dominio, se cumple
vt (x0 , t0 ) v(x0 , t0 ) 0
Esta expresion contradice la desigualdad (4.76).
Por consiguiente, nuestra hipotesis de que el maximo de v esta en el interior del
dominio no es cierta. Por tanto el maximo de v debe de encontrarse en la frontera
del dominio, {0} R+ y se debe cumplir

v(x, t) max sup v(x, 0) , sup v(x, t)

2
2
= max sup (u(x, 0) + | x | ) , sup (u(x, t) + | x | )

2
2
= max sup u(x, 0) + L , sup u(x, t) + L

concluimos que

2
2
u(x, t) v(x, t) max sup u(x, 0) + L , sup u(x, t) + L

haciendo 0 obtenemos

u(x, t) sup u0 , sup g

(4.77)

Los mismos argumentos puedes ser utilizados para demostrar la desigualdad

del lado izquierdo de (4.75), en el caso del mnimo, con lo que queda demostrado
el teorema.

4.2.2.

Decaimiento de Soluciones

Para demostrar el decaimiento de soluciones, utilizaremos el metodo de la

Energia el que se resume en el siguiente teorema.
Teorema 4.2.4 Sea u solucion del problema (4.74), con la condici
on de que g = 0,
entonces la Energa de la solucion satisface
Z

E(t) :=

u(x, t)2 dx E(0)e L2 t

(4.78)

Prueba: Multiplicando la ecuacion ut u = 0 por u tenemos

ut u = uxx u
la cual, utilizando formulas estandar de diferenciacion se puede expresar como
1 2

u =
(ux u) u2x
2 t
x
integrando sobre ]0, L[ obtenemos
d
E(t) = 2
dt

ux (x, t)2 dx

luego por la desigualdad de Poincare

Z

u dx
0

L
0

u2x dx

obtenemos
d
2
E(t) 2 E(t)
dt
L
resolviendo la desigualdad obtenemos
2

E(t) E(0)e L2 t
de donde sigue el teorema.

4.2.3.

Efecto Regularizante

Esta propiedad garantiza que, dependiendo de la condicion inicial, la solucion del problema de conduccion del calor puede ser suficientemente regular, se
resume en el siguiente teorema
Teorema 4.2.5 Sea u0 una funcion continua, para la cual exista una solucion u
para la ecuaci
on del calor
ut uxx = 0

en

]0, L[ ]0, [

(4.79)

entonces tenemos que

u C ( ]0, T [ ]0, L[ )

(4.80)

( ver [15] para la demostracion)

Para obtener la solucion aproximada o numerica de (4.1), esta ecuacion es
discretizada generando un sistema de ecuaciones algebraicas que se manipulan
para generar un algoritmo. El algoritmo da la solucion en el nivel (n + 1)-esimo de
tiempo en terminos de la solucion conocida en los niveles n 1 y n.
Para discretizar (4.1) se puede utilizar esquemas explcitos o implcitos.

4.3.

Esquemas Explcitos
Un esquema es explcito si la u
nica variable desconocida, por ejemplo vjn+1 ,

aparece en el lado izquierdo de la formula algebraica como resultados de la discretizacion.

4.3.1.

Esquema FTCS

Tenemos el esquema de diferencias progresivas para la ecuacion (4.1),

n
n
vjn+1 vjn
vj+1
2vjn + vj1
=
.
t
(x)2

(4.81)

t 6

tn+1

(j, n + 1)
w

tn

(j 1, n)

(j, n)

(j + 1, n)

xj1

xj

xj+1

Figura 4.5: Molecula de calculo para FTCS

Este esquema es puntualmente consistente con la ecuacion (4.1) con un error

de truncamiento O(t) + O(x)2 .
El esquema se puede escribir en la forma de algoritmo
n
n
+ (1 2r)vjn + rvj+1
vjn+1 = rvj1

(4.82)

Observar que los valores en los niveles n + 1 se obtienen u

nicamente conociendo los
valores en el nivel n, por ello nuestro esquema pertenece al conjunto de esquemas
explcitos.
Para analizar la estabilidad aplicamos laa transformada de Fourier a la ecuacion
(4.81), utilizando la identidad vbn+1 = ei vbn
vbn+1 = rei vbn + (1 2r)b
v n + rei vbn
= (rei + (1 2r) + rei )b
vn

(4.83)

donde
g() = rei + (1 2r) + rei

(4.84)

es el factor de amplificacion el cual se puede escribir como

g() = 1 4rsen2

(4.85)

tal que para cualquier valor de se tiene |g()| 1 si r 0.5. As (4.82) producira soluciones estables si r 0.5. Aplicando el Teorema de Lax tenemos que el
esquema es convergente de orden [O(t), O(x)2 ].
factor amplificcion ,FTCS

Factor amplificacion, FTCS

1.5

90
region inestabilidad

120

60

0.5

150

0.5

30

G(THETA)

r=0.2
0
r=0.3

r=0.2

180

0.5
region estabilidad

r=0.5

210

330

r=0.7
1.5

region inestabilidad
240

300
270

3
THETA

Figura 4.6: FTCS, r = 0.2, 0.3, 0.5, 0.7

Coordenadas Polares, r=0.2

Figura 4.7: FTCS, Polares r = 0.2

Factor amplificacion, FTCS

90

Factor amplificacion, FTCS

90

120

60

0.5

150

120

30

180

60

0.5

150

30

180

r=0.5
210

330

210

330
r=0.7

240

300

240

300

270

270

Coordenadas Polares, r=0.5

Coordenadas Polares, r=0.7

Figura 4.8: FTCS, Polares r= 0.5

Figura 4.9: FTCS, Polares r= 0.7

En la Figura (4.6) se muestra que |g()| 1 si r=0.2, 0.3, 0.5, es decir,

los valores del factor de amplificacion caen dentro de la region de estabilidad y
|g()| > 1 para r=0.7, los valores caen fuera de la region de estabilidad.
En las Figuras (4.7) y (4.8) se muestra que el factor de amplificacion (4.83 )
en coordenadas polares para un radio = 0.2 y 0.5 caen dentro de la circunferencia
|g| = 1 (region de estabiliad ) y en la Figura (4.9) tenemos el factor de amplificacion (4.83) para radio=0.7 que sale fuera de la circunferencia |g| = 1 (region de
inestabilidad)

4.3.2.

Esquema Leapfrog

Usando diferencias centrales en el tiempo y diferencias centrales en el espacio

tenemos el esquema
n
n
vjn+1 vjn1
2vjn + vj1
vj+1
=
.
2t
(x)2

(4.86)

n+1

n
n1
j1

j+1

Figura 4.10: Molecula de calculo para Leapfrog

La ecuacion (4.86) podemos escribirla en la forma de algoritmo

n
n
vjn+1 = vjn1 + 2r(vj+1
2vjn + vj1
)

(4.87)

El esquema (4.86) calcula los valores en el nivel n + 1 utilizando los valores en

los niveles n y n 1. Por ello para la primera iteracion podemos utilizar FTCS o
cualquier otro metodo explcito estable.
Aunque el esquema es de orden de truncamiento O(t)2 + O(x)2 , un analisis
de estabilidad de von Neumann indica que el esquema (4.86) tiene un factor de
amplificacion
g = 4rsen

1 + 16r2 sen4

(4.88)

el cual es |g| > 1 para todo y todo r. Esto demuestra que el esquema es incondicionalmente inestable para todo r > 0. Por lo tanto, por el Teorema de Lax, no
puede ser convergente.

Factor amplificcion, leapfrog

3
Factor amplificacion, Leapfrog
2

90

120

60

region estabilidad
0.5

150

30

G(THETA)

1
r=0.2
2
180

r=0.5

4
region inestabilidad
5
210

330

r=1.0

3
THETA

240

300
270
Coordenadas Polares, r = 1.0

Figura

4.11:

Leapfrog,

Polares

=
Figura 4.12: Leapfrog, Polares r = 1.0

0.2, 0.5, 1.0

Factor amplificacion en polares, Leapfrog, r=0.5

90

Factor amplificacion en polares, Leapfrog, r=0.2

90

120

60

0.5

150

30

180

330

240

60

0.5

150

210

120

300

30

180

210

330

240

300

270

270

4 r sen2(0.5 theta)+/ sqrt(1+4 r 2 sen4(0.5 theta))

4 r sen2(0.5 theta)+/ sqrt(1+4 r 2 sen4(0.5 theta))

Figura 4.13: Leapfrog, Polares r=0.5

Figura 4.14: Leapfrog, Polares r = 0.2

La Figura (4.11) muestra que |g()| > 1 para cualquier r, en particular para
r = 0.2, 0.5, 1.0, vemos que los valores del factor de amplificacion caen fuera de la
region de estabilidad.
La Figura (4.12), (4.13) y (4.14) muestran el factor de amplificacion en coordenadas polares para radio = 0.2, 0.3, 1.0 donde se observa que los valores salen
fuera de la region de estabilidad.

4.3.3.

Esquema Du Fort-Frankel

El esquema Leapfrog (4.86) puede ser modificado para producir un algoritmo estable. Esto se puede lograr reemplazando vjn en (4.86) por 0,5(vjn+1 +vjn1 ).
El resultado es la ecuacion
n
n
vj+1
(vjn+1 + vjn1 ) + vj1
vjn+1 vjn1
=
.
2t
(x)2

(4.89)

t 6

tn+1

(j, n + 1)
w

tn

w
w

(j, n 1)

xj1

xj

xj+1

Figura 4.15: Molecula de calculo para Du Fort-Frankel

El esquema (4.89) puede ser manipulado para producir un algoritmo explcito

vjn+1

2r
1 + 2r

n
(vj1

n
vj+1
)

1 2r
1 + 2r

vjn1

(4.90)

El esquema Du Fort-Frankel (4.89) es de tres niveles en el tiempo a menos

que r = 0,5, para el cual este coincide con el esquema FTCS. Para esquemas de
tres niveles, dos niveles de tiempo de la solucion deben calcularse primero. Una
alternativa es utilizar un esquema de dos niveles para calcular el primer paso de

tiempo. Este esquema esta dentro de los esquemas de paso multiple, pues usa una
diferencia central para aproximar la derivada temporal en el nodo (j, n), asi como
un promedio espacial en la parte difusa.
Igual que antes, consideremos una funcion diferenciable y utilizamos la serie
de Taylor en dimension uno.
El operador diferencial discreto Lnj aplicado a es dado por
Lnj

n+1
n1
nj+1 (n+1
+ jn1 ) + nj1
j
j
j
=

2t
x2

(4.91)

donde, nj = (jx, nt).

Desarrollando las serie de Taylor de la funcion alrededor del punto (xj , tn ) =
(jx, nt) para los valores de en los puntos vecinos.
(x, t + t) = (x, t) + tt (x, t) +

1 2
1
t tt (x, t) + t3 t (x, t) + O(t4 )
2!
3!

En terminos de ndices la serie anterior se escribe como

n+1
= nj + tt +
j

1 2
1
t tt + t3 ttt + O(t4 )
2!
3!

(4.92)

Ahora desarrollando por serie de Taylor el termino (x, t t) tenemos

(x, t t) = (x, t) tt (x, t) +

1 2
1
t tt (x, t) t3 ttt (x, t) + O(t4 )
2!
3!

es decir la cual en notacion de ndices se escribe

n1
= nj tt +
j

1 2
1
t tt t3 ttt + O(t4 )
2!
3!

(4.93)

Utilizando la serie de Taylor para en la variable espacial obtenemos

(x + x, t) = (x, t) + xx (x, t) +

1
1
x2 xx (x, t) + x3 xxx (x, t) +
2!
3!

1
x4 xxxx (x, t) + O(x5 )
4!

y en la notacion de ndice
nj+1 = nj + xx +

1
1
1
x2 xx + x3 xxx + x4 xxxx (x, t) + O(x5 ) (4.94)
2!
3!
4!

Finalmente el valor de en el punto (xj1 , tn )

(x x, t) = (x, t) xx (x, t) +

1
1
x2 xx (x, t) x3 xxx (x, t) +
2!
3!

1
x4 xxxx (x, t) + O(x5 )
4!
nj1 = nj xx +

1
1
1
x2 xx x3 xxx + x4 xxxx + O(x5 )
2!
3!
4!

(4.95)

Sustituyendo estas espresiones (4.92), (4.93), (4.94) y (4.95) en las diferencias del
operador discreto Lnj dado en (4.91), teniendo en cuenta que derivadas t , x
, xx , xxx , xxxx , son evaluadas en el punto (xj , tn ) = (jx, nt), tenemos:
De (4.92) y (4.93) se tiene
n+1
n1
t2
j
j
= t +
ttt + O(t4 ) = t + O(t2 )
2t
3!

(4.96)

n+1
+ n1
= 2 + t2 tt + O(t4 )
j
j

(4.97)

De (4.94) y (4.95) obtenemos

nj+1 + nj1 = 2 + x2 xx + O(x4 )

(4.98)

Sustraendo (4.97) de (4.98), multiplicando esta difertencia por /x2 y adicionando con (4.96) obtenemos
Lnj = t xx + t2 x2 tt + O(t2 ) + O(x2 ) + O(t2 t2 )
y de ello se cumple
Lnj Lnj = t2 x2 tt + O(t2 ) + O(x2 ) + O(t2 x2 ) (4.99)

Observamos que el esquema de Du Fort-Frankel es consistente con la ecuacion de

difusion si;

t
x

0,

cuando t 0,

x 0

Aplicamos el criterio de von Neumann para determinar la estabilidad del esquema (4.89). Para ello escribimos el esquema en la forma

n
n
+ vj1
+ (1 2r) vjn1
(1 + 2r) vjn+1 = 2r vj+1

(4.100)

Sustituyendo g n eij en vjn en esta ecuacion obtenemos

(1 + 2r)g n+1 eij = 2r g n ei(j+1) + g n ei(j1) + (1 2r)g n1 eij

Simplificando el termino g n eij en la ecuacion anterior se obtiene

(1 + 2r)g = 2r ei + ei + (1 2r)g 1
multiplicando por g a este ecuacion

(1 + 2r)g 2 2r ei + ei g (1 2r) = 0

(4.101)

que se escribir como la ecuacion cuadratica en g

(1 + 2r)g 2 4r(cos )g (1 2r) = 0
resolviendo esta ecuacion tenemos
g =

4r(cos )

p
16r2 cos2 + 4(1 4r2 )
2(1 + 2r)

de esto
g =

2r cos

1 + 4r2 cos2 4r2

1 + 2r

Obteniendo finalmente las dos races del factor de amplificacion

2r cos 1 4r2 sen2

g =
1 + 2r
Ahora analizamos los siguientes casos

(4.102)

1. Si se cumple que
1 4r2 Sen2 0

(4.103)

entonces se tiene que

0 4r2 sen2 1,

es decir

0 1 4r2 sen2 1

por consiguiente

2r | cos | + 1 4r2 sen2

2r + 1
| g |

=1
1 + 2r
1 + 2r
Concluyendo, podemos decir que si se cumpliera (4.103), la condicion de von
Neumann es satisfecha
| g | 1
y el esquema de Du Fort-Frankel es estable.
2. Si cumpliera
1 4r2 Sen2 = b2 < 0

(4.104)

entonces
1 4r2 sen2 4r2 ,

es decir

1 4r2 = (1 + 2r)(1 2r) 0

como 1 + 2r > 0 entonces se tiene

1 2r 0
luego el factor de amplificacion es complejo
g =

2r cos ib
1 + 2r

(4.105)

entonces el cuadrado del modulo es

| g |2 =

(2r cos )2 + 4r2 Sen2 1

(1 + 2r)2

de donde
| g |2 =

4r2 1
(2r + 1)(2r 1)
2r 1
=
=
<1
2
2
(1 + 2r)
(1 + 2r)
(1 + 2r)

en la u
ltima desigualdad utilizamos (4.105). Concluimos tambien que bajo
la restriccion (4.104), el esquema es estable.
Por tanto esquema de Du Fort-Frankel es estable sin restricciones, y por el
Teorema de Lax, el esquema es convergente, con la u
nica condicion exigida por la
consistencia, donde observamos que t vaya mas rapido a cero que el valor de x.
Para graficar el factor de amplificacion (4.102) para le caso r > 0.5 lo parametrizamos en la forma

x=

2r cos
1+2r

y=

4r2 sen2 1
1+2r

donde
4r2 cos2 4r2 sen2 1
+
(1 + 2r)2
(1 + 2r)2
4r2 (cos2 + sen2 ) 1
=
(1 + 2r)2
2r 1
=
1 + 2r

x2 + y 2 =

tenemos
x2 + y 2 =

2r 1
1 + 2r

una circunferencia con centro en el origen y radio

(4.106)
q

2r1
1+2r

Factor amplificacion Du FortFrankel

1.5

Factor amplificacion, Du FortFrankel

1
1

r=3

0.8
0.6

r=1

0.5

0.4

r=0.3

0.2

0
eje Y

G(THETA)

r=0.2

r=0.5

0
0.2

0.5

0.4

region estabilidad

0.6
1

0.8
1
1.5

3
2

THETA, 14 r sen (0.5 theta)>0, 0 < r < 0.5

Figura 4.16: Du Fort-Frankel, r=0.2, 0.3, 0.5

0.8

0.6

0.4

0.2

0
eje X

0.2

0.4

0.6

0.8

Figura 4.17: Du Fort-Frankel r=1.0, 3.0

En la Figura (4.16) se muestra que el factor de amplificacion (4.102) con 1

4r2 sin2 () > 0 y r < 0,5 y en la Figura (4.17) se muestra el factor de amplificacion
(4.102) con 14r2 sin2 () < 0 y r > 0.5. En ambas Figuras se observa que el factor
de amplificacion cae dentro de la region de estabiliad para cualquier valor de r.

Factor amplificacion, Du FortFrankel, Polares

1
0.8

r=1.0
r=0.2

0.6

r=0.5
r=0.3

0.4

eje Y

0.2
0
0.2
0.4
0.6
0.8
1

0.8

0.6

0.4

0.2

0
eje X

0.2

0.4

0.6

0.8

Figura 4.18: Du Fort-Frankel, Polares.

En la Figura (4.18) se muestra el factor de amplificacion (4.102) en coordenadas

polares para radio = 0.2; 0.3; 0.5; 1.0 que se encuentra siempre dentro de la
circuferencia unitaria centrada en el origen(region de estabilidad).
Los esquemas de diferencias finitas dados hasta el momento tienen el inconveniente de ser condicionalmente estables. A continuacion presentamos una familia
de esquema que son incondicionalmente estables.

4.4.

Esquemas Implcitos
2u
Para esquemas implcitos el termino espacial
en (4.1) es evaluada, al
x2

menos parcialmente, en un nivel de tiempo desconocido (n + 1). En la practica

esto permite un acoplamiento de las ecuaciones por cada nodo (j, n + 1) en el nivel
de tiempo (n + 1), y se presenta la necesidad de resolver un sistema de ecuaciones
algebraicas que avanza en el tiempo.

4.4.1.

Esquema BTCS o Euler retrasado

Un esquema implcito simple de diferencias finitas para aproximar (4.1) esta

dado por
n
n
vjn vjn1
vj+1
2vjn + vj1
=
.
t
(x)2

(4.107)

t 6

tn

(j 1, n)

(j, n)

(j + 1, n)

tn1

(j, n 1)

xj1

xj

xj+1

Figura 4.19: Molecula de calculo para Euler retrazado o BTCS

Para generar un algoritmo que sea posible implementarlo, la ecuacion (4.107)

puede escribirse como
n
n
rvj1
+ (1 + 2r)vjn rvj+1
= vjn1

(4.108)

donde j = 0, 1, . . . , N , n = 0, 1, . . . , kmax y r = tx2 Verifiquemos la consistencia del esquema de Euler retrazado, para ello utilizamos la serie de Taylor. En
efecto: Observemos que el operador diferencial continuo esta dado por:
L=

2
2,
t
x

el mismo que aplicado a una funcion suave se tiene

L = t xx .
En tanto que el operador discreto Lnj , aplicado a la funcion es el siguiente
Lnj =

nj n1
nj+1 2nj + nj1
j

t
2

(4.109)

Utilicemos una funcion suave y desarrollemos por Taylor en el punto (xj , tn ),

las expresiones n1
= (xj , tn k), nj+1 = (xj + h, tn ) y nj1 = (xj h, tn )
j

(xj , tn t) = (xj , tn ) tt (xj , tn ) + O(t2 ),

en la notacion de ndices, tenemos
n1
= n1
tt + O(t2 ),
j
j

(4.110)

Luego la serie de Taylor de (xj x, tn ) en (xj , tn ), es

(xj x, tn ) = (xj , tn ) xx (xj , tn ) +

1
x2 xx (xj , tn )
2!

1
x3 xxx (xj , tn ) + O(x4 )
3!
En notacion indicial
nj1 = nj xx +

1
1
x2 xx x3 xxx + O(x4 )
2!
3!

(4.111)

De manera similar con (xj + h, tn ) en (xj , tn ), obtenemos

nj+1 = nj + xx +

1
1
x2 xx + x3 xxx + O(x4 )
2!
3!

(4.112)

las derivadas t , x , xx , xxx son evaluadas en el punto (xj , tn ) = (jx, nt).

Sustituyendo las series (4.110),(4.111),(4.112) en el operador discretizado Ph,k nj
dado en (4.109), obtenemos

1 n
j nj + tt + O(t2 )
t

1
1
n
2
3
4
n

j + xx + x xx + x xxx + O(x ) 2j
x2
2!
3!

1
1
n
2
3
4

j xx + x xx x xxx + O(x )
x2
2!
3!

Lnj =

la cual se puede escrbir como

Lnj =

1
2
tt + O(t4 )
x xx + O(x4 ) + O(x4 )
2
t
x

Simplificando, y teniendo en cuenta la notacion del operador diferencial L y el

hecho que O(x2 ) + O(x2 ) = O(x2 ), tenemos
Lnj = t xx + O(x2 ) + O(t)
= Lnj + O(x2 ) + O(t)
De donde tenemos la forma
Lnj Lnj = O(x2 ) + O(t)

(4.113)

Observando que
Lnj Lnj 0,

cuando t, x 0

Decimos que el esquema de diferencias finitas Euler retrasado es consistente con

la ecuacion diferencial parcial (4.107).
De la ecuacion (4.113) vemos que el orden de precision es (1, 2).
Para analizar la estabilidad del esquema de Euler retrasado, utilizamos el criterio de von Neumann. Para ello tomemos el esquema en la forma
n+1
n+1
rvj+1
+ (1 + 2r)vjn+1 rvj1
= vjn

sustituyendo g n eij en vjn , tenemos

rg n+1 ei(j1) + (1 + 2r)g n+1 ei rg n+1 ei(j+1) = g n eij
dividiendo por g n tenemos
rgeij ei + (1 + 2r)geij rgeij ei = eij

multiplicando por eij

rgei + (1 + 2r)g rgei = 1
De esta forma tenemos el factor de amplificacion de la forma
g=

1
.
1 + 4rsen2 2

(4.114)

Analizando
0 sen2

1 entonces
2

1 1 + 4rsen2

1 + 4r
2

De esto se tiene la desigualdad

0<

1
1
1

1 + 4r
1 + 4rsen2 2

es decir
0 < g 1 < 1 + t
Esta u
ltima desigualdad es la condicion de estabilidad de von Neumann, por
consiguiente el esquema de Euler retrasado es estable sin restricciones. Asi, por el
Teorema de Lax, el esquema es convergente.

Factor amplificacion, BTCS

1.5

Factor amplificacion, BTCS

90

120

60

r= 1.0

0.5

150

r= 0.3
r= 0.5

0.5

30

G(THETA)

r= 2.0
0
180

region estabilidad
0.5

210

330

240
1.5

3
THETA

300
270

Polares, r = 0.5

Figura 4.21: BTCS, radio = 0.5

Figura 4.20: BTCS,r=0.2, 0.5,1.0 2.0

Factor amplificacion, BTCS

90

Factor amplificacion, BTCS

1

120

90

60

120

0.5

150

60

30
0.5

150

180

30

0
180

210

330
210

240

330

300
270

240

300
270

Polares, r = 1.0
Polares, r = 2.0

Figura 4.22: BTCS, radio =1.0

Figura 4.23: BTCS, radio = 2.0

La Figura (4.20) muestra los valores del factor de amplificacion (4.114) para
r= 0.2, 0.5, 1.0, 2.0 que se encuentran dentro de la region de estabilidad. Las
Figuras (4.21), (4.22) y (4.23) muestran los valores del factor de amplificacion en
coordenadas polares para radio = 0.5, 1.0, 2.0 respectivamente que caen dentro
de la region de estabilidad |g| = 1.

4.4.2.

Esquema Crank-Nicolson

Una alternativa de un esquema implcito para aproximar (4.1) es el esquema

de Crank-Nicolson que se obtiene promediando los esquems BTCS y FTCS.

n+1

6
k

f(j, n + 1 )
2

j1

n+

1
2

w ?

j+1

Figura 4.24: Molecula de calculo para Crank-Nicolson

n+1
n+1
n+1
n
n
vjn+1 vjn
2vjn + vj1
1 vj+1 2vj + vj1
1 vj+1
=
+

.
t
2
(x)2
2
(x)2

(4.115)

Observar que este esquema eval

ua la derivada espacial como el promedio de los n
y n + 1 niveles de tiempo, es decir, en el nivel (n + 1/2) de tiempo. Si desarrollamos
Taylor en el nodo (j, n + 1/2), el esquema (4.115) es consistente con (4.1) con un
error de truncamiento O(t)2 + O(x)2 . Esta es una considerable modificacion
sobre los esquemas BTCS y FTCS que son solo de primer orden de precision en el
tiempo.
Para generar un algoritmo, la ecuacion (4.115) puede escribirse en la forma
n+1
n+1
n
n
+ (1 r)vjn + 0.5rvj+1
0.5rvj1
+ (1 + r)vjn+1 0.5rvj+1
= 0.5rvj1

(4.116)

Este esquema utiliza 6 puntos de la malla, (xj1 , tn ), (xj , tn ), (xj+1 , tn ), (xj1 , tn+1 ),

(xj , tn+1 ), (xj+1 , tn+1 ) seg

un se observa en la Figura (4.24), para lo cual utilizaremos
la serie de Taylor en dos variables.
Para analizar la consistencia del esquema de Crank-Nicolson, utilizamos una
funcion suficientemente diferenciable, luego utilizamos la serie de Taylor en dos
dimensiones para escribir los valores (xj1 , tn ), (xj , tn ), (xj+1 , tn ), (xj1 , tn+1 ),
(xj , tn+1 ) y (xj+1 , tn+1 ) en el punto (xj , tn+ 1 ).
2

En efecto: Por simplicidad denotamos por (x, t) el punto (xj , tn+ 1 ), tenemos
2

que el operador diferencial discretizado Lnj es dado por:

Lnj =

n+1
n+1
n+1
n+1
nj
1 j+1 2j + j1
1 nj+1 2nj + nj1
j

t
2
x2
2
x2

(4.117)

donde, nj = (jx, nt).

Las series de Taylor son
(x x, t

t
t
1
) = (x, t) xx (x, t)
t (x, t) + x2 xx (x, t) +
2
2
2!
2
t
1 t
x3
xxt (x, t) +
tt (x, t)
xxx (x, t)
2
2! 2
3!
t 2
t
t 3
2

3!

ttt (x, t)

2!

xxtt (x, t)

2!

x2 xxt (x, t) +

O(t)4 + O(x)4 + O(t3 x) + O(tx3 ) + O(t2 t2 ).

Utilizando la notacion discreta, eliminando las notaciones del punto (x, t) tenemos
que la serie anterior se escribe como
nj1

n+ 1
j 2

t
1
t
1
xx
t + x2 xx +
xxt +
2
2!
2
2!
t 3
t 2
t

x3
xxx
3!

3!

ttt

2!

xxtt

2!

t
2

x2 xxt

2
tt
(4.118)

+O(t)4 + O(x)4 + O(t3 x) + O(tx3 ) + O(t2 x2 )

Ahora el termino (xj , tn ) se aproxima por Taylor en (xj , tn+ 1 ) obteniendo

2
t 3
2
t
1 t
n+ 1
nj = j 2
t +
tt 2 ttt + O(t)4
(4.119)
2
2! 2
3!
Asi tambien el valor (x + x, t t/2) se expresa como
nj+1

t
1
t
1
+ xx
t + x2 xx
xxt +
2
2!
2
2!
t 3
t 2
t

n+ 1
j 2

x3
xxx
3!

3!

ttt +

2!

txtt

2!

t
2

2
tt

x2 xxt

(4.120)

+O(t)4 + O(x)4 + O(t3 x) + O(tx3 ) + O(t2 x2 )

Nuevamente el valor (x x, t + t/2) es expresado como
n+1
j1

t
1
t
1
xx +
t + x2 xx
xxt +
2
2!
2
2!
t 3
t 2
t

n+ 1
j 2

x3
xxx +
3!

3!

ttt

2!

xxtt +

2!

t
2

2
tt

x2 xxt

(4.121)

+O(t)4 + O(t)4 + O(xt3 ) + O(x3 t) + O(x2 t2 )

Ahora el valor (xj , tn+1 ) se aproxima por Taylor en (xj , tn+ 1 ) obteniendo
2
t 3
2
t
1 t
n+ 1
n+1
= j 2 +
t +
tt + 2 ttt + O(t)4 (4.122)
j
2
2! 2
3!
Finalmente el valor (xj+1 , tn+1 )
n+1
j+1

t
1
t
1
+ xx +
t + x2 xx +
txt +
2
2!
2
2!
t 3
t 2
t

n+ 1
j 2

x3
xxx +
3!

3!

ttt +

2!

xxtt +

2!

x
2

x2 xxt

2
tt
(4.123)

+O(t)4 + O(x)4 + O(xt3 ) + O(x3 t) + O(x2 t2 )

Ahora construyamos por partes el operador discreto Lnj dado en (4.117)
Utilizando las series (4.119) y (4.122) tenemos
t 2
n+1
nj
j
= t + 2 2 ttt + O(t)4 = t + O(t)2
t
3!

(4.124)

Nuevamente, utilizando las series (4.118), (4.119) y (4.120) tenemos

nj1 2nj + nj+1
= xx + O(x)2
x2

(4.125)

Y de las series (4.121), (4.122) y (4.123) tenemos

n+1
n+1
+ n+1
j1 2j
j+1
= xx + O(x)2
2
x

(4.126)

Sumando las formulas (4.125) y (4.126) previamente multiplicadas por /2 y

sustraer de (4.124) obtenemos el operador discreto
Lnj = t 2 xx + O(t)2 + O(x)2 = Lnj + O(t)2 + O(x)2

(4.127)

Esta u
ltima ecuacion puede ser escrita como
Lnj Lnj = O(t)2 + O(x)2

(4.128)

De la ecuacion (4.128) concluimos que Lnj Lnj 0, cuando t 0 y

x 0. Por lo que el esquema de Crank-Nicolson es consistente con la ecuacion
diferencial parcial de difusion as como, en la misma ecuacion (4.128) vemos que el
esquema tiene orden de precision (2, 2). Para analizar la estabilidad, nuevamente
utilizamos el criterio de von Neumann en el esquema
n+1
n+1
n+1
n
n
vjn+1 vjn
2vjn + vj1
1 vj+1 2vj + vj1
1 vj+1
=
+

k
2
h2
2
h2

Sea r = t x2 . Sustituyendo g n eij por vjn obtenemos

g n+1 eij g n eij =

1 n+1 i(j+1)
r g e
2g n+1 eij + g n+1 ei(j1) +
2

1 n i(j+1)
r g e
2g n eij + g n ei(j1)
2

Simplificando el termino g n eij en la ecuacion anterior se obtiene

1

1
g 1 = r gei 2g + gei + r ei 2 + ei
2
2

(4.129)

Entonces la ecuacion (4.129) se transforma en

g = 1 2grsen2 2rsen2
2
2
de donde obtenemos el factor de amplificacion
g=

1 2rsen2 2
1 + 2rsen2 2

(4.130)

La condicion de estabilidad exige que |g()| 1, lo cual es cierto para cualquier

, r > 0. As el esquema es incondicionalmente estable y por el Teorema de Lax,
[5],[13],[14], es convergente. Debido al orden de precision temporal de segundo
orden, el esquema de Crank-Nicolson es un muy popular esquema para resolver
ecuaciones diferenciales parciales.

4.4.3.

Esquemas Semi-Implcitos

Una generalizacion de (4.115) puede ser obtenida escribiendo

vjn+1
= [(1 )Lxx vjn + Lxx vjn+1 ],
t

(4.131)

donde vjn+1 = vjn+1 vjn , 0 1. Si = 0 se tiene el esquema FTCS. Si

= 0,5 se obtiene el esquema de Crank-Nicolson y si = 1 se obtiene el esquema
BTCS.
Un analisis de estabilidad de von Neumann para (4.131) indica que la solucion
es estable si
t

0.5(x)2
(1 2)

(4.132)

para el caso 0 0.5, y no hay restricciones si 0.5 1.

Puede notarse que el esquema de Crank-Nicolson esta en la frontera del regimen
de estado incondicionalmente. Para muchos problemas de fludos estables, este
esquema es eficiente, por ejemplo, para problemas de transporte.
Factor amplificacion Crank Nicolson

Factor amplificacion Crank Nicolson

1.5

90

120
1

60

r=0.5
0.5

150

r=1.0

30

0.5

G(THETA)

r=2.0

180

r=4.0

0.5
region estabilidad

210

330

1
240
1.5

300
270

3
THETA

6
Coordenadas polares, r=0.5

Figura 4.25: Crank-Nicolson

Figura 4.26: Crank-Nicoloson, radio = 0.5

Factor amplificacion Crank Nicolson

90

Factor amplificacion Crank Nicolson

90

120

60

0.5

150

30

180

330

240

60

0.5

150

210

120

300

30

180

210

330

240

300

270

270

Coordenadas polares, r=1.0

Coordenadas polares, r=2.0

Figura 4.27: Factor de amplificacion

Figura 4.28: Factor de amplificacion

Crank-Nicolson, Polares r=1.0

Crank-Nicolson, Polares r=2.0.

En la Figura (4.25) se muestra el factor de amplificacion del esquema (4.115)

para los n
umeros de difusion de r=0.5, 1.0, 2.0, 4.0 los cuales caen dentro de la

region de estabilidad.
En las Figuras (4.26), (4.27) y (4.28) se muestra el factor de amplificacion
del esquema (4.115) graficado en coordenadas polares para n
umeros de difusion
r = 0,5, 1,0, 2,0.

4.5.

Estabilidad de Esquemas de Diferencias Finitas para Sistemas de Ecuaciones

Los conceptos de convergencia, consistencia y estabilidad se llevan a cabo

sin cambios cuando generalizamos, como la definicion de precision; el principal

cambio tiene ver con el aumento en la complejidad de los esquemas, sobre todo
los esquemas implcitos. Hay muchos esquemas para sistemas multidimensionales
que sirven para varias aplicaciones, tales como el analisis de flujo de un avion en
ingeniera aeronautica, predicciones numericas del clima en metereologa, y reservas
de petroleo en geologia. No podemos presentar esquemas particulares para estas
aplicaciones, pero las ideas que nosotros introducimos son u
tiles en cada uno de
estas areas.
Discutiremos la ecuacion de conveccion unidimensional y la ecuacion difusion,
y mostramos ahora cuanto de lo que dijimos se lleva a cabo para sistemas de la
forma
ut + A ux = 0

(4.133)

ut = B uxx

(4.134)

donde u es un vector de funciones de dimension d y A y B son matrices de orden

dd. Para que el sistema (4.133) sea hiperbolico la matriz A debe ser diagonalizable
con autovalores reales, y para que (4.134) sea parabolico todos los autovalores de
la matriz B deben tener parte real positiva.
Casi todo lo hemos hecho para ecuaciones escalares lo extendemos para sistemas
de ecuaciones. Por ejemplo, las derivaciones del esquema Lax-Wendroff para la
ecuacion de la onda unidimensional y el esquema Crank-Nicolson para la ecuacion
de conveccion y la ecuacion del calor no requieren cambios cuando lo aplicamos a
sistemas de ecuaciones donde se reemplaza a por A y por B, respectivamente.
La principal diferencia esta en la prueba para la estabilidad.
En la prueba de estabilidad para esquemas de un paso para sistemas no obtenemos un factor de amplificacion escalar, sino un factor de amplificacion dada por
una matriz G. La matriz de amplificaci
on es obtenida haciendo la sustitucion de
Gn ei j por vjn . La condicion para la estabilidad es que para cada T > 0, existe
una constante CT tal que para 0 nk T , tenemos
kGn k CT

(4.135)

Una gran simplificacion para ayudar a analizar (4.135) para sistemas hiperbolicos ocurren cuando el esquema tiene G como una funcion polinomial o racional de
la matriz A (e.g. los esquemas de Lax-Wendroff o Crank-Nicolson). Entonces la
misma matriz que diagonaliza la matriz A en (4.135) diagonaliza G, y la estabilidad
del esquema depende solo de la estabilidad de las ecuaciones escalares
ut + a t ux = 0

(4.136)

donde at son los autovalores de A. Para el esquema Lax-Wendroff , la condicion

de estabilidad para (4.133) es |at | 1 para i = 1, ..., d.
Similares metodos pueden ser aplicados a sistemas parabolicos, especialmente
para esquemas disipativos con constantes. La matriz que transforma la matriz
B en una matriz triangular superior puede tambien ser usada para convertir G en
una matriz triangular superior.
e 1 , entonces Gn = U G
en U 1 y as
Para cada uno de estos casos, si G = U GU
en k.
kGn k kU kkU 1 kkG

(4.137)

Esto implica que la estimacion (4.135) sera satisfecha para G si una estimativa
e
similar se tiene para G.
Para esquemas generales la situacion no es muy buena. Una condicion necesaria
para la estabilidad es
|g | = 1 + Kt

(4.138)

para cada autovalor g de G, pero esto no es suficiente en general.

Ejemplo 40 Un ejemplo un poco artificial en el cual la condici
on (4.138) no es
suficiente para la estabilidad es obtenida considerando el sistema
u1t = 0
u2t = 0
con un esquema de primer orden de precisi
on
2n
2n
2vj2 n + vj1
)
vj1 n+1 = vj1 n r (vj+1

vj2 n+1 = vj2 n

La matriz de amplificacion es

21
1 4rsen 2
G=

0
1
y asi

1
Gn =
0

4nrsen2 12

Puesto que kGn k para igual a no es acotado, concluimos que el esquema no es

estable.

4.6.

Implementaci
on Num
erica
Esta seccion esta dedicada a la implementacion numerica de los esquemas

de diferencias finitas para el problema de conduccion del calor unidimensional analizados en la seccion anterior. Haciendo un estudio comparativo de los esquemas,
resolviendo el mismo problema bajo condiciones similares y para los mismos valores
de los parametros.
Para ello utilizamos el problema

ut

u(0, t)
(P )

u(L, t)

u(x, 0)

siguiente
= 2 uxx ,

0 < x < L ,t > 0

= g1 (t),

t>0

= g2 (t),

t>0

= u0 (x),

0xL

Sea L = 1 y sea h = L/N el espacio entre puntos de la malla. Como en algunos

casos la estabilidad depende de x y t (el espacio entre los puntos temporales)
la implementacion se realizara para algunos valores del parametro r = 2 t/x2

Comenzaremos implementando el esquema implcito de Euler retrazado, para

ello, lo escribimos en la forma
n+1
n+1
rvj1
+ (1 + 2r)rjn+1 rvj+1
= vjn

(4.139)

Escribiendo (4.139) para j = 1, . . . N 1 aparece un sistema de N 1 ecuaciones

con N + 1 incognitas
rv0n+1 + (1 + 2r)v1n+1 rv2n+1

= v1n

rv1n+1 + (1 + 2r)v2n+1 rv3n+1

= v2n

..
.
n+1
n+1
rvi1
+ (1 + 2r)vin+1 rvi+1

= vin

..
.
n+1
n+1
n+1
n
rvN
= vN
1
2 + (1 + 2r)vN 1 rvN

Observamos que en este sistema de ecuaciones, los valores rv0n+1 en la ecuacion

n+1
j = 1 y rvN
en la ecuacion j = N 1 son conocidas, por lo que deberan pasar

al lado derecho de la ecuacion. Esto hace que el sistema resultante sea cerrado, es
decir solo tiene N 1 incognitas, el cual puede ser escrito, para cada n, en forma
matricial como
AU n+1 = bn

(4.140)

donde A es una matriz tridiagonal de orden (N 1) (N 1)

r
0 ...
0
0
1 + 2r

r
1 + 2r r . . .
0
0

..

A=

..

0
0
r 1 + 2r
r

0
0
r
1 + 2r

mientras que U n+1 y bn son vectores de orden (N 1) 1

U n+1

v1n+1

v2n+1

..
.

n+1
vi

..
.

n+1
vN 2

n+1
vN 1

n+1
v1n + rv0

v2n

..

bn =
vin

..

n
vN

n+1
n
vN
1 + rvN

Para resolver el sistema (4.140), se puede utilizar eliminacion Gaussiana, asi como
tambien factorizacion lu. Para ello consideremos el sistema tridiagonal general de

la forma

0
0
d1 c1 0 . . .

a1 d2 c2 . . .
0
0

..

A=

..

0 0
aN 3 dN 2 cN 2

0 0
0
aN 2 dN 1

b1


b
2

.
..



= bi


..
.



bN 2


bN 1

v1n+1

v n+1
2

.
..

n+1
vi

..
.

n+1
vN 2

n+1
vN
1

de tal manera que sea diagonal dominante, es decir se cumple

|di | > |ci | + |ai1 |,
El hecho de que una matriz sea diagonal dominante, es suficiente para usar eliminacion Gaussiana sin pivotamiento y factorizacion lu. El sistema (4.140), es un
sistema diagonal dominante.
La factorizacion lu de la matriz tridiagonal A se puede esquematizar en la
siguiente forma

d
1

c1

...

d2

c2

...

.
.
.
.
.
.
0

aN 2

dN 1

aN 1

l
0

0
cN 1

dN
0
0

...

...

.
.
.
.
.
.
0

lN 2

lN 1

u1

c1

...

u2

c2

...

.
.
.
.
.
.
0

uN 2

cN 1

uN
0

Supongamos que los elementos de la matriz tridiagonal se guardan en tres

vectores columnas d, c y a, con los que obtendremos los vectores que conforman
las matrices l y u, entonces el algoritmo para la factorizacion seria el siguiente:

LET

u1 = d1

DO

i = 2 , N

l(i-1) = a(i-1)/u(i-1)

u(i) = d(i) - l(i-1)*c(i-1)

END DO

Luego se resuelve el sistema, calculando U a partir de l y de u, primeramente se

resuelve el sistema triangular
lY = B
por sustitucion progresiva

LET

DO

y1 = b1

i = 2 , N

yi = bi-l(i-1)*y(i-1)

END DO

Finalmente se resuelve el sistema

uU = Y
por sustitucion hacia atras

LET

V(N) = y(N)/u(N)

DO

i = N-1 , 1

V(i) = (y(i)-c(i)*V(i+1))/u(i)

END DO

Este proceso es ejecutado para obtener U n+1 , y se repite para cada nivel el algoritmo para hallar la solucion del problema.
A continuacion implementamos el esquema implcito de Crank-Nicolson, para
ello, escribimos el esquema en la forma
n+1
n+1
n
n
= rvj+1
+ rvj1
+ (2 2r)vjn
+ (2 + 2r)vjn+1 rvj+1
rvj1

(4.141)

Observamos que este esquema de diferencias, al igual que el anterior, genera un

sistema de N 1 ecuaciones con N 1 incognitas que puede ser escrito en forma
matricial como
AU n+1 = bn

(4.142)

donde A es una matriz tridiagonal de orden (N 1) (N 1)

r
0 ...
0
0
2 + 2r

r
2 + 2r r . . .
0
0

..

A=

..

0
0
r 2 + 2r
r

0
0
r
2 + 2r

mientras que U n+1 y bn son vectores de orden (N 1) 1

U n+1

v1n+1

v2n+1

..
.

n+1
vi

..
.

n+1
vN
2

n+1
vN
1

n
b =

n
rv0
+ (2 2r)v1n + rv2n + rv0n+1

rv1n + (2 2r)v2n + rv3n

..
.
n
n
+ (2 2r)vjn + rvj+1
rvj1

..
.
n
n
n
+rvN
3 + (2 2r)vN 2 + rvN 1
n+1
n
n
n
+rvN
2 + (2 2r)vN 1 + rvN + rvN

Para resolver el sistema (4.142), se puede seguir los mismos pasos que se hizo al
resolver el sistema tridiagonal obtenido por el metodo de Euler retrasado
La implementacion del esquema de Du Fort-Frankel es simple porque es un
esquema explcito de paso m
ultiple, por consiguiente, este esquema se ejecutara a
partir del segundo nivel de tiempo, necesitando para ello los valores en los niveles
n = 0 (que es la condicion inicial) y n = 1, el cual puede ser obtenido, ejecutando
una u
nica vez, un esquema de un solo paso, como por ejemplo el esquema de Euler
progresivo o (FTCS)
n
n
), j = 1, . . . N 1,
+ vj1
vjn+1 = (1 2r)vjn + r(vj+1

n=0

(4.143)

A continuacion , los valores en el nivel n + 1 se calcula por la formula

vjn+1

2r
1 + 2r

n
vj+1

n
vj1

1 2r
1 + 2r

vjn1 ,

j = 1, . . . , N 1,

n1
(4.144)

Presentaremos resultados obtenidos por los tres esquemas en las mismas condiciones, luego se hace una comparacion con la solucion exacta, a fin de observar
sus propiedades presentadas en el analisis teorico, para ello, consideramos el valor
= 1, las condiciones de contorno
g1 = 0

g2 = 0

y la condicion inicial
u0 (x) = sen(x),

0<x<1

cuya solucion exacta es conocida

2

u(x, t) = e t sen(x)

Esto nos permite calcular el error cometido en la implementacion de cada esquema,

en el n-esimo nivel, con la norma l2,x ,
ken k22

=h

N
X

|vjn unj |2

j=0

donde unj = u(jh, nk). Hacemos enfasis, que solo en este caso, el primer paso del
esquema de Du Fort Frankel es calculado con la solucion exacta, de esta forma el
error que aparece en la siguiente tabla es un error del metodo mismo, y no de una
combinacion de dos metodos
Tambien presentaremos resultados para diferentes valores del parametro r y de
alli se obtendra el valor de k = h2 /r y si fijamos el valor que deseamos alcanzar
T , entonces el n
umero total de pasos en el tiempo se calcularan por la formula
Kmax = T /k
Por ejemplo los resultados que se presentan en las figuras (4.29), (4.30) y (4.31),
se obtuvieron con x = 0.1, T = 0.1, r = 1. Observemos que se presenta la
soluciones aproxiamadas comparadas ( lineas continuas ) con la solucion exacta
( lineas trazadas ), tambien se presenta el el error obtenido en el tiempo T con
la norma de l2 de las funciones discretas, es natural observar que el esquema de
Crank-Nicolson es mas preciso por tener una orden de precision (2,2), a diferencia
del esquema Euler retrasado que tiene orden de precision (1,2), y de Du FortFrankel que es de orden (2,2) pero con la condicion de k va para cero mucho mas
rapido que h.

Esquema

error=kek2

Euler Retrasado

1.0

0.01437

Crank-Nicolson

1.0

0.001933

Du Fort-Frankel

1.0

0.02303

Du FortFrankel

Euler retrasado

0.4

0.4

0.35

0.35

0.3

0.3

0.25

0.25

0.2

0.2

0.15

0.15

0.1

0.1

0.05

0.05

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Figura 4.29: Du Fort-Frankel

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Figura 4.30: BTCS o Euler retrazado

CrankNicolson
0.4

0.35

0.3

0.25

0.2

0.15

0.1

0.05

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

Figura 4.31: Crank-Nicolson

4.7.

Aplicaciones
Esta seccion esta dedicada a la presentacion de los esquemas de diferencias

finitas para el problema de conduccion de calor unidimensional analizados en su

estabilidad y consistencia en la seccion anterior. Hacemos un estudio comparativo de los esquemas resolviendo el mismo problema bajo condiciones similares y
dependencia de los parametros.
Presentamos resultados obtenidas con los esquemas de diferencias en las mismas condiciones, luego se hace una comparacion con la solucion exacta, a fin de
observar sus propiedades presentadas en el analisis teorico, para ello, consideramos
el siguiente problema
u
2u
= 2,
t
x

0 < x < 1,

u(0, t) = u(1, t) = 0,
u(x, 0) = sen(x),

t>0

t>0
0x1

cuya solucion exacta es conocida

2

u(x, t) = e t sen(x).
Tomamos los datos h = 0,1, = 1 y r = 1,0
FTCS Solucion exacta
0.4

du FortFrankel Solucion exacta

0.4

0.35
0.35
0.3
0.3
0.25

eje y

eje y

0.25
0.2

0.2

0.15
0.15
0.1
0.1
0.05
0.05
0

0.1

0.2

0.3

0.4
0.5
0.6
0.7
Tmax=0.1, h=0.1, alfa=1, r=0.5

0.8

0.9

Figura 4.32: T=0.1, h = 0,1, r=0,5

0.1

0.2

0.3

0.4
0.5
0.6
Tmax=0.1,h=0.1,alfa=1,r=1

0.7

0.8

0.9

Figura 4.33: T=0.1, r=1

CrnakNicolson exacta
0.4

0.35

exacta

0.3
cr
0.25

0.2

0.15

0.1

0.05

4
5
6
CrankNicolson, h=0.1, r=1

10

Figura 4.34: T=0.1, r=1

Varios esquemas de diferencias finitas fueron usados para representar la
ecuacion modelo (4.1) en las secciones previas. Es sumamente importante experimentar con la aplicacion de estas tecnicas numericas. Es esperado que escribiendo
en codigo de computadora y analizando los resultados, se ganan visiones adicionales en los procedimientos de solucion. Por consiguiente, esta seccion propone un
ejemplo y soluciones del presente por los varios metodos. Ademas, animamos a los
lectores a desarrollar este tipo de ejemplos desde que uno gana valiosa experiencia
escribiendo en codigo propio en la computadora y superando las dificultades en el
proceso.
Como un primer ejemplo, considerar un fluido acotado por dos placas paralelas
extendidas al infinito tal que ningun efecto se ecuentra en el infinito. Las paredes
del plano y el fluido son inicialmente iguales. Ahora, la pared mas baja se acelera derepente en la direccion del eje X. Un sistema de coordenadas espacial es
seleccionado tal que la pared mas baja incluya al plano xz para el cual el eje Y es
perpendicular. El espaciamiento entre los dos planos es denotado por L.

Las ecuaciones de Navier-Stokes para este problema pueden expresarse como

u
2u
= 2
t
y

(4.145)

donde es la viscosidad cinematica del fluido. Se requiere computar el perfil de

velocidades u = u(y, t). Las condiciones iniciales y de frontera para este problema
son como sigue:
(a)Condiciones iniciales

t=0 ,

u = U0 para y = 0
u = 0 para 0 < y < L

(b)Condiciones de frontera

t 0,

u = U0 para y = 0
u = 0 para y = L

El fluido es aceite con una viscosidad cinematica de 0,000217 m2 /s, y el espacio

entre los planos es de 40mm. La velocidad de la pared inferior es especificada como
U0 = 40m/s. La solucion para la velocidad es obtenida para 1,08 segundos.

Perfil de velocidades obtendia por el esquema Du FortFrankel

45

40

40

35

35

30

30

25

25
U(M/SEG)

U(M/SEC)

Perfil de velocidad obtenido por el esquema FTCS, dy=0.001,dt=0.002

45

20
t=1.08 seg

15

20
t=1.08

15

t=0.0 seg
10

10

10
0.01

0.01

0.02
Y(M)

0.03

0.04

0.05

10
0.01

Figura 4.35: FTCS

t=0.0

0.01

0.02
Y(M)

0.03

0.04

0.05

Figura 4.36: Du Fort-Frankel

En las Figuras (4.35) y (4.36)se muestra los perfiles de velocidad para la funcion
u.
Otro ejemplo es cuando se tienen fronteras aisladas, donde los extremos de
una barra se pueden aislar de modo que el calor no pueda escapar ni entrar por
los extremos. Sin embargo esto conduce a un problema trivial puesto que si la
barra inicialmente tiene una temperatura de 1000 C grados centgrados y si el
calor no puede escapar ni entrar por los extremos o por la superficie, entonces la
temperatura ciertamente permanecera a 1000 C grados centgrados todo el tiempo.
Para tener un problema no trivial tendramos que asumir que la temperatura
inicial no es constante. Asumamos por tanto que la barra esta aislada en ambos
extremos como tambien en la superficie pero que la distribucion de la temperatura
inicial esta especficada por alguna funcion f (x) donde 0 < x < L.
Formulaci
on matem
aticas: Usamos la ecuacion diferencial
u
2u
= 2
t
x

donde en las fronteras tenemos:

La cantidad de calor que atravieza el extremo x = 0 es proporcional a la
derivada parcial de la temperatura de u respecto a x en x = 0, esto es,

u
(0, t).
x

As,

si en el extremo x = 0, la barra esta aislada, significa que ning

un calor atravieza
este extremo, de modo que

u
(0, t)
x

= 0. Similarmente el extremo derecho en x = L,

la temperatura de la barra esta aislada, esto es,

u
(L, t)
x

= 0.

La condicion inicial esta dada por la funcion

60 ,
0 x 50
f (x) =

40 , 50 < x 100
La solucion exacta obtenida por el metodo de separacion de variables para
= 0,16 es

u(x, t) = 50 +

n=1

40
n
sen
n
2

e16,10

6 n2 2 t

cos(

nx
)
100

(4.146)

Captulo 5
La Ecuaci
on del Transporte
5.1.

Ley de Conservaci
on de Masa
Sea > 0 la densidad de concentracion de un contaminante que se difunde

en un medio poroso(porcion del espacio ocupada por un material) homogeneo(en el

cual la porosidad es independiente donde se calcula su valor) y que es transportado
por un fluido a velocidad a. Entonces se cumple la Ley de Conservacion de Masa:

Figura 5.1: Ley de Conservacion de Masa

Supongamos que un tubo circular delgado de longitud L coincide con el eje X

en el intervalo [0, L] Figura (5.1), ademas en la seccion transversal las propiedades
como la concentracion de masa y velocidad son constantes. Tambien se supone
que el flujo dentro del tubo es solo en la direccion del eje X. Ahora sea (x, t) la
densidad de concentracion del contaminante en el punto x y en el tiempo t. En la
252

seccion tranversal, de x1 a x2 la masa total esta dada por

Z

x2

masa en [x1 , x2 ] en el tiempo t =

(x, t)dx

(5.1)

x1

Suponiendo ademas que las paredes del tubo son impermeables y que la masa no se
crea ni se destruye, por lo tanto, la masa en el volumen de control puede cambiar
u
nicamente por el flujo de un extremo x1 y el otro extremo x2 . Por lo tanto el flujo
de la concentracion en el punto (x, t) esta dado por
f lujo de masa en (x, t) = a(x, t)(x, t)

(5.2)

donde a(x, t) es la velocidad de concentracion. Por lo tanto

variacion de la masa en [x1 , x2 ] = f lujo en (x1 , t) f lujo en (x2 , t)
es decir
d
dt

x2

(x, t)dx = (x1 , t)a(x1 , t) (x2 , t)a(x2 , t)

(5.3)

x1

que es la forma integral de la Ley de Conservaci

on de Masa.
El lado derecho de (5.3) se puede escribir como,
Z

x2

x1

((x, t)a(x, t))dx = (x1 , t)a(x1 , t) (x2 , t)a(x2 , t)

x

(5.4)

llamado flujo convectivo o adventivo en el volumen [x1 , x2 ].

Luego la ecuacion (5.3) se puede escribir como,
Z

x2
x1

de donde

d
(x, t)dx +
dt

x2

{
x1

x2
x1

((x, t)a(x, t))dx = 0

x

(x, t) +
((x, t)a(x, t))}dx = 0
dt
x

(5.5)

(5.6)

la cual es valida para todo x en el intervalo [x1 , x2 ], para t > 0. Luego se concluye
que el integrando es identicamente cero, es decir,
d

(x, t) +
((x, t)a(x, t)) = 0
dt
x

(5.7)

que es la Forma Diferencial de la Ley de Conservaci

on.
Si consideramos la velocidad del fluido a(x, t) constante se tiene
d

(x, t) + a (x, t) = 0,
dt
x

(5.8)

la cual se conoce con el nombre de ecuaci

on de convecci
on.
Si ademas del flujo convectivo a(x, t)(x, t) concideramos el flujo difusivo como
proporcional al gradiente de concentracion del contaminante, es decir, se cumple
que
f lujo dif usivo =
Usando la Ley de Darcy

Q
x

, el flujo se escribe como

Q =

(5.9)

donde es el coeficiente de dispersion. Entonces

)
( x
2
Q
=
= 2

x
x
x

(5.10)

Si ademas consideramos una fuente generada por absorcion(proceso no estacionario, el cual hace crecer o decrecer la cantidad de sustancia disuelta y tiende a
1

El caudal drenado Q volumen por unidad de tiempo es proporcional a una seccion transversal

A, proporcional a la diferencia de alturas H e inversamente proporcional a la longitud de la seccion

L, esto es Q = k A(h1Lh2 ) donde k conductividad hidraulica. Esta Ley se puede expresar en forma
diferencial Q = k h
x dydz

nivelar los perfiles de concentracion en el medio en movimiento) la concentracion

del contaminante, la Ley de Conservacion de Masa puede ser escrita como: Tasa de
cambio de la concentraci
on dentro del volumen de control = flujo convectivo en el
volumen de control + flujo difusivo en el volumen de control fuente y sumideros

2
+a
= 2 +g
t
x
x

(5.11)

esta ecuacion es llamada ecuaci

on del transporte como combinacion de conveccion
y difusion o tambien es llamada ecuacion de Burger lineal viscosa.
En adelante usaremos la notacion u en lugar de para tratar problemas mas
generales.
En este captulo examinaremos en su consistencia, estabilidad y convergencia
algunos de los esquemas algebraicos FTCS, Upwind, Du Fort-Frankel, Lax Wendroff y Crank-Nicolson que fueron investigados previamente para la ecuacion de
conveccion y difusion.

5.2.

Esquemas Explcitos

5.2.1.

Esquema FTCS

Recordar que el esquema FTCS para la ecuacion de conveccion es inestable

para todo valor del n
umero de Courant Cr y condicionalmente estable para la
ecuacion de difusion para los n
umeros de difusion r 0.5.
Ahora si aplicamos el esquema FTCS a la ecuacion del transporte (5.11) tenemos
n
n
n
n
vjn+1 vjn
vj1
2vjn + vj+1
vj+1
vj1
+a
=
t
2x
(x)2

(5.12)

el cual, como un algoritmo, puede ser escrito como

n
n
vjn+1 = (r + 0.5Cr )vj1
+ (1 2r)vjn + (r 0.5Cr )vj+1

j = 0, ..., N ,

n = 0, ...T max,

y r = t/(x)2

(5.13)

Cr = at/x. donde la

matriz asociada al esquema es

1 2r
r 0.5Cr
0
r + 0.5Cr

0
r + 0.5Cr
1 2r
r 0.5Cr

0
0
r + 0.5Cr
1 2r

..
..
..
..

.
.
.
.

..
..
..
..

.
.
.
.

0
0
0
0

...

...

...

..
.

..
.

..
.

..
.

..

. r 0.5Cr

1 2r

r 0.5Cr

Si en el problema consideramos condiciones de frontera de Dirichet nulas entonces

la matriz resultante es una matriz tridiagonal de orden (N 1) (N 1) de la
forma

r 0.5Cr
0
1 2r

r + 0.5Cr
1 2r
r 0.5Cr

0
r + 0.5Cr
1 2r

..
..
..

.
.
.

..
..
..

.
.
.

0
0
0

...

...

...
..
.
..

..
.
.

1 2r
r + 0.5Cr

...

r 0.5Cr

1 2r

El desarrollo de la serie de Taylor alrededor del nodo (j, n)-esimo indica que
(5.13) es puntualmente consistente con (5.11) con un error de truncamiento de
orden O(t, x2 ). Para probar esto consideremos una funcion suficientemente
diferenciable y
desarrollemos la serie de Taylor de en el nodo (j, n)
(t)2
tt + O(t)3
2!
(x)2
(x)3
= nj + xx +
xx +
xxx + O(x)4
2!
3!
2
3
(x)
(x)
= nj xx +
xx
xxx + O(x)4 .
2!
3!

n+1
= nj + tt +
j

(5.14)

nj+1

(5.15)

nj1

(5.16)

Reemplazando (5.14), (5.15) y (5.16) en (5.13) obtenemos el operador discreto

evaluado en el nodo (j, n)
Lnj = t + O(t) + ax + O(x)2 xx + O(x)2

(5.17)

y el operador diferencial continuo es de la forma

L = t + ax xx .
De (5.17) y (5.18) obtenemos que
Lnj Lnj = O(t) + O(x)2 .
Por lo tanto
Lnj Lnj 0 ,

x, t 0.

(5.18)

Aplicamos el analisis de Fourier para determinar la estabilidad de esquema

FTCS. Para ello consideramos la transformada inversa de Fourier discreta para
n
n
vjn , vj1
y vj+1

Z /h
1
=
ei j vbjn () d
2 /h
Z /h
1
=
ei (j1) vbjn () d
2 /h
Z /h
1

=
ei (j+1) vbjn () d
2 /h

vjn
n
vj1

n
vj+1

(5.19)
(5.20)
(5.21)

Ahora reemplazamos (5.19), (5.20) y (5.21) en (5.13)

vjn+1

1
=
2

/h
/h

[(r + 0.5 Cr ) ei + (1 2r) + (r 0.5 Cr ) ei ] ei j vbjn () d (5.22)

Comparando esta formula con la formula de la transformada inversa discreta para

v n+1
v

n+1

1
=
2

/h

ei j vbn+1 () d

(5.23)

/h

y usando el hecho que la transformada de Fourier es u

nica, deducimos que el integrando de (5.22) es el mismo que el de la transformada inversa (5.23). As tenemos
que
vbn+1 () = [(r + 0.5 Cr ) ei + (1 2r) + (r 0.5 Cr ) ei ] vbn ()

(5.24)

lo cual se puede expresar como

vbn+1 () = g() vbn
donde
g() = (r + 0.5 Cr ) ei + (1 2r) + (r 0.5 Cr ) ei

(5.25)

Aplicando la formula de Euler se tiene el factor de amplificacion

g = 1 2r(1 cos ) i Cr sen.

(5.26)

Observar que el metodo de Fourier es equivalente a reemplazar vjn por la expresion g n ei j lo cual es conocido con el nombre de An
alisis de Estabilidad de von
Neumann.
Para tener una idea grafica del comportamiento de los valores que toma el
factor de amplificacion (5.26) lo parametrizamos en la forma

x = 1 2r(1 cos )

y = C sen
r

(5.27)

Es as que (5.27) se puede escribir en la forma

(x (1 2r))2
y2
+
=1
(2r)2
Cr2

(5.28)

la cual es una elipse de centro (1 2r, 0) y semiejes 2r y Cr . Observe que el factor

de amplificacion (5.26) tiene parte real y parte imaginaria, entonces se requiere
que el modulo del factor de amplificacion debe ser acotado para tener soluciones
estables, es decir, se debe tener que
|g|2 1
En efecto
|g|2 = gg
= (1 2r(1 cos ))2 + (Cr sen)2
= 1 4r(1 cos ) + 4r2 (1 cos )2 + Cr2 sen2
= (4r2 Cr2 ) cos2 + 4r(1 2r) cos + 4r(r 1) + Cr2 + 1

(5.29)

por lo tanto
|g|2 = (4r2 Cr2 ) cos2 + 4r(1 2r) cos + 4r(r 1) + Cr2 + 1.

(5.30)

Esta u
ltima ecuacion es cuadratica en la variable cos y representa una curva
convexa con un mnimo o una curva concava con un maximo.
Se puede demostrar que para tener una solucion estable la funcion cuadratica
|g|2 no puede tener maximo global, es decir, la curva no puede ser concava. El
procedimiento matematico para demostrar esto es como sigue:
Calculamos la primera derivada:
d|g|2
= (4r2 Cr2 )(2 cos ) + 4r(1 2r)
d(cos )

(5.31)

y la segunda derivada
d2 |g|2
= 2(4r2 Cr2 )
d(cos )2

(5.32)

para que la funcion |g|2 tenga un maximo la segunda derivada tiene que ser negativa, es decir,
2(4r2 Cr2 ) < 0
Igualando a cero la ecuacion (5.31) obtenemos los puntos crticos
cos =

2r(1 2r)
4r2 Cr2

Reemplazando en (5.30) obtenemos el valor maximo

|g|2max

Cr2 (Cr2 4r + 1)
=
Cr2 4r2

Requerimos que el valor maximo de |g|2max debe ser menor que uno, es decir,
|g|2max 1

para que no salga de la region de estabilidad, con lo cual se obtiene que

(Cr 2 2r)2 0

(5.33)

Puesto que (Cr2 2r)2 es siempre una cantidad positiva, la condicion de estabilidad
no puede cumplirse; y la funcion cuadratica representada por (5.30) la cual corresponde a una curva concava no es posible que sea alcanzada. Es decir, |g|2max > 1.
Concluimos que la funcion |g|2 no es concava pues si lo fuera tendra un valor
mayor que uno.
As se muestra que para una funcion concava donde
d2 |g|2
= 2(4r2 Cr2 ) < 0
2
d(cos )
Una solucion inestable se desarrollara debido al requerimiento que
(Cr2 2r)2 0
As la condicion para la inestabilidad como puede verse en la Figura (5.2), es
Cr2 > 2r

(5.34)

Inestabilidad FTCS
1.5
imaginario
C2 >2r
1
|g|=1

Eje Y

0.5

real
0

0.5

1.5
1.5

0.5

0
Eje X

0.5

1.5

Figura 5.2: Condicion de Inestabilidad FTCS

Por lo tanto si la funcion cuadratica es convexa, la condicion para la estabilidad

esta dada por
Cr2 2r

(5.35)
factor de amplificacion g2

factor de amplificacion g2
g2

1.2

1.2
g2

0.8

0.8

r=0.5, C=0.5

0.6

0.6

0.4

r=0.4, C=0.3

0.4
2

estable

|g| <1
0.2

0
1

0.8

0.6

0.4

0.2

0
cos(theta)

0.2

0.4

| g |2 < 1

0.2

estable

0.6

0.8

0
1

Figura 5.3: Funcion convexa FTCS

0.8

0.6

1.2

r=0.5, C=1.1

0
cos(theta)

0.2

0.4

0.6

0.8

factor de amplificacion g2

1.2
g2

0.2

Figura 5.4: Condicion-estabilidad FTCS

factor de amplificacion g2

0.4

g2

| g |2 > 1
r=0.4, C=1.0

Inestable

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

| g |2 > 1

0
1

0.8

0.6

0.4

0.2

0
cos(theta)

0.2

0.4

0.6

0.8

Figura 5.5: Funcion concava FTCS

0
1

Inestable

0.8

0.6

0.4

0.2

0
cos(theta)

0.2

0.4

0.6

0.8

Figura 5.6: Condicion-inestabilidad FTCS

La condicion requerida puede ser expresada en terminos del tama

no de paso

como
(a

t
t
)Cr 2
x
(x)2
1
aCr 2
x

es decir
a

x
2

Cr
2
Re
Cr

donde el n
umero de Reynolds es Re = a x
. Ademas, los extremos de cos es 1

necesitan ser considerados. De la ecuacion (5.30), si cos = 1 tenemos

|g|2 = 16r2 8r + 1 1

(5.36)

8r(2r 1) 0

(5.37)

As, 2r 1 0 o r 0.5
Finalmente concluimos que las condiciones para la estabilidad son
r 0.5 o Re

2
Cr

(5.38)

Note que la condicion Cr 1 la cual fue indicada por la consideracion grafica,

es automaticamente satisfecha por estas dos condiciones y es facilmente probada
como sigue. Recordar que el requerimiento para la estabilidad son

t
x
2
0.5 y a

2
(x)

Cr

multiplicando las dos condiciones obtenemos

(

t
x
1 2
)(a
)
2
(x)

2 Cr
1
t

a
x
Cr

(5.39)

Por lo tanto Cr 1.
Finalmente podemos comparar el rango de estabilidad en el plano (r, Cr ) para
el esquema FTCS el cual es esquematizado en la Figura (5.7)

Comparacion r y Cr
1

2.0

0.9

0.8

0.7

Cr

0.6
1.0

0.5
5
0.4

0.3
0.5

10
0.2

0.2

0.1

0.05

0.1

0.15

0.2

0.25
r

0.3

0.35

0.4

0.45

0.5

Figura 5.7: Estabilidad FTCS, (r, Cr )

El n
umero adimensional de Peclet, P e , que aparece en la Figura (5.7), se define
como P e = |a| x
o P e =

Cr
r

que como observamos para tener estabilidad debe

ser menor que 2. Observe que para r = 0, corresponde al caso de conveccion pura,
el esquema FTCS es inestable para todo Cr y .
En la Figura (5.8) se muestra el factor de amplificacion (5.26) para los parametros Cr y r. Para un Cr = 0,5 fijo, variamos r con valores de 0.2, 0.3, 0.4, 0.5
y observamos que las curvas generadas por el factor de amplificacion (5.26) caen
dentro de la region de estabilidad |g|2 1, esto es, la condicion (??) se cumple.
Para Cr = 0,5 y r = 0,6 la curva generado por (5.26) sale fuera de la region de
estabilidad, esto hace que el esquema FTCS se inestable para estos valores.

Factor de amplificacion, FTCS

1.5

imaginario
1
|g|=1

Eje Y

0.5

real
0
r=0.5

r=0.6

0.5

r=0.3

r=0.4

r=0.2

region inestabilidad
region estabilidad

1.5

1.5

0.5

0.5

1.5

Eje X

Figura 5.8: Factor-amplificacion FTCS

5.2.2.

Esquema Upwind

Este esquema es la union del esquema Upwind para la ecuacion de conveccion con Cr 1 como condicion de estabilidad y el esquema FTCS para la
ecuacion de difusion con condicion de estabilidad r 0.5.
Si aplicamos el esquema Upwind a la ecuacion (5.11) obtenemos la ecuacion
algebraica
n
n
n
vjn+1 vjn
vjn vj1
vj1
2vjn + vj+1
+a
=
.
t
x
(x)2

(5.40)

Reescribiendo (5.40) en su forma de algoritmo se obtiene

n
n
+ (1 2r Cr )vjn + rvj+1
vjn+1 = (r + Cr )vj1

(5.41)

donde r = t/(x)2 y Cr = a t/x.

Para probar la consistencia puntual del esquema (5.40) respecto a (5.11) desarrollaremos la serie de Taylor de la funcion diferenciable en el nodo (xj , tn ) y

obtenemos el operador discreto

Lnj = t + ax xx + O(t) + O(x)2 .

(5.42)

En tanto que el operador continuo es de la forma

L = t + ax xx .

(5.43)

De (5.42) y (5.43) tenemos que

L|nj Lnj 0 ,

t, x 0.

Por lo tanto el esquema Upwind es puntualmente consistente con (5.11) con un

error de truncamiento O(t) + O(x)2 .
Para determinar la estabilidad aplicamos el analisis de Fourier. Para ello conn
n
sideramos la transformada inversa de Fourier discreta para vjn , vj1
y vj+1

vjn

1
=
2

n
vj1

1
=
2

n
vj+1

1
=
2

/h
/h
/h

/h

/h
/h

ei j vbjn () d

(5.44)

ei (j1) vbjn () d

(5.45)

ei (j+1) vbjn () d

(5.46)

Ahora reemplazamos (5.44), (5.45) y (5.46) en (5.41)

vjn+1

1
=
2

/h
/h

[(r + Cr ) ei + (1 2r Cr ) + r ei ] ei j vbjn () d

(5.47)

Comparando esta formula con la formula de la transformada inversa discreta para

v n+1
v

n+1

1
=
2

/h
/h

ei j vbn+1 () d

(5.48)

y usando el hecho que la transformada de Fourier es u

nica, deducimos que el
integrando de (5.47) y (5.48) son iguales. As tenemos que
vbn+1 () = [(r + Cr ) ei + (1 2r Cr ) + r ei ] vbn ()

(5.49)

lo cual se puede expresar como

vbn+1 () = g() vbn

(5.50)

donde el factor de amplificacion es

g() = (r + Cr ) ei + (1 2r Cr ) + r ei

(5.51)

La formula (5.50) muestra que la ventaja de la solucion del esquema para un paso
de tiempo es equivalente a multiplicar la transformada de Fourier de la solucion por
un factor de amplificacion g(). El factor de amplificacion es llamado as porque su
magnitud es el valor de la amplitud de cada frecuencia en la solucion, dada por vbn
y es amplificado en un avance de la solucion sobre el paso del tiempo para obtener
vbn () = [g()]n vb0

(5.52)

El significado de la transformada de Fourier es que todo esquema de un paso

puede ser puesto en la forma (5.52). Usamos esta representacion de esquemas para
estudiar su estabilidad y orden de aproximacion. El uso de la transformada de
Fourier provee un metodo estandar para estudiar una gran variedad de esquemas
donde el factor de amplificacion del esquema contiene toda la informacion acerca
del esquema y, como veremos es facil extraer informacion importante del esquema.
La formula (5.51) es llamado factor de amplificaci
on del esquema Upwind el
cual puede ser escrito como
g = 1 (Cr + 2r)(1 cos ) i Cr sen

(5.53)

En adelante podemos simplificar este procedimiento y solo reemplazar vjn por g n eij
lo cual se conoce con el nombre de analisis de estabilidad de von Neumann.
Para tener una idea geometrica del comportamiento del factor de amplificacion
(5.53) lo podemos parametrizar en la forma

x = 1 (Cr + 2r)(1 cos )

y = C sen
r

(5.54)

la cual genera la elipse

y2
(x (1 2r Cr ))2
+
=1
(2r + Cr )2
Cr2

(5.55)

de centro (1 2r Cr , 0) y semiejes 2r + Cr y Cr .
Se puede observar que para tener soluciones estables el modulo del factor de
amplificacion (5.53) debe ser menor que uno, lo cual implica que
Cr + 2r 1.

(5.56)

En la Figura (5.9) variamos los parametos Cr y r. Para un Cr = 0.5 y r = 0.2

vemos que la curva generada por el factor de amplificacion (5.53) se encuentra
dentro de la region de estabilidad de von Neumann, esto es, se cumple la condicion
(5.56). Para Cr = 0.5 y r = 0.3, 0.4, 0.5 las curvas caen fuera de la region de
estabilidad, esto es, la condicion de estabilidad (5.56) no se cumple.

Factor de amplificacion, Upwind

imaginario
1

g = 1.0

r=0.2

0.5
r=0.4
r=0.3

r=0.5
eje y

real
0

0.5

1.5

0.5
0
Cr = 0.5, r = 0.2; 0.3; 0.4; 0.5

0.5

Figura 5.9: Factor-amplificacion Upwind

Si una expresion de diferencia central en el tiempo es combinada con una

expresion de diferencia central espacial para representar (5.11), el resultado es
el esquema Leapfrog
n
n
n
n
vjn+1 vjn1
vj+1
vj+1
vj1
2vjn + vj1
+a
=
2t
2x
x2

(5.57)

el cual es incondicionalmente inestable.

5.2.3.

Esquema Du Fort-Frankel

Si en el esquema Leapfrog reemplazamos 2vjn = vjn+1 + vjn1 obtenemos el

esquema Du Fort-Frankel para la ecuacion de transporte (5.11), tenemos
n
n
n
n
vjn+1 vjn1
(vjn1 + vjn+1 ) + vj1
vj+1
vj1
vj+1
+a
=
.
2t
2x
x2

(5.58)

o en forma de algoritmo
n
n
n
n
)
vjn+1 = vjn1 Cr (vj+1
vj1
) + 2r(vj+1
(vjn1 + vjn+1 ) + vj1

(5.59)

El esquema (5.58) es la union del esquema neutralmente estable Leapfrog para

la ecuacion de conveccion y el esquema estable Du Fort-Frankel para la ecuacion
de difusion.
Para probar la consistencia puntual del esquema (5.11) aplicamos Taylor alrededor del nodo (j, n)-esimo para la funcion discreta v, esto es, v(j x, n x) la y
denotamos por vjn ,
vjn+1 = vjn + (t)

v (t)2 2 v (t)3 3 v
+
+
+ O(t)4
t
2! t2
3! t3

(5.60)

de donde obtenemos la aproximacion para la primera derivada temporal

vjn+1 vjn
v 1
2v
1
3v
=
+ (t) 2 + (t)2 3 + O(t)3
t
t 2
t
3!
t

(5.61)

Desarrollamos la serie de Taylor alrededor del nodo (j, n) para la funcion v con un
incremento de x
n
vj+1
= vjn + (x)

v 1
2v
1
3v
+ (x)2 2 + (x)3 3 + O(x)4
x 2
x
3!
x

(5.62)

n
vj1
= vjn (x)

v 1
2v
1
3v
+ (x)2 2 (x)3 3 + O(x)4
x 2
x
3!
x

(5.63)

obtenemos la aproximacion para la primera derivada espacial en diferencias centrales

n
n
vj1
vj+1
v
1
3v
=
+ (x)2 3 + O(x)3
2x
x 3!
x

(5.64)

Ahora la serie de Taylor para la funcion v en el nodo (j, n) con un incremento de

t < 0
vjn1 = vjn (t)

v (t)2 2 v (t)3 3 v
+

+ O(t)4
t
2! t2
3! t3

(5.65)

sumando (5.60) y (5.65)

vjn+1 + vjn1 = 2 vjn + (t)2 (

2v
) + O(t)4
t2

(5.66)

Ahora reemplazamos (5.61), (5.64) y (5.66) en (5.58) para obtener el operador

diferencial discreto evaludado en el nodo (j, n)
Lnj v =

v
v
2v
t 2 v
t4
+a
2 + O(x)2 + O(t) + (
) 2 + O( 4 )
t
x
x
x t
x

(5.67)

Aplicamos la definicion de consistencia con el operador continuo

L=

v
v
2v
+a
2
t
x
x

(5.68)

tenemos
Lvjn Lnj v = O(x)2 + O(t) + (

t 2 v
t4
) 2 + O( 4 )
x t
x

(5.69)

para asegurar la consistencia tenemos que asegurar que t x ( Cr2 < 1 ),

entonces
Lvjn Lnj v 0, x, t 0

(5.70)

Para analizar la estabilidad del esquema Du Fort-Frankel reemplazamos g n ei j n

en vjn para la ecuacion de diferencias (5.59)
(1 + 2r) g 2 + (2 Cr sen i 4 r cos ) g + (2r 1) = 0

(5.71)

para obtener el factor de amplificacion

g=

[ 2 4(4r2 1)]1/2
2(1 + 2r)

donde = 4r cos 2 iCrsen, para cualquier valor de .

(5.72)

Para analizar la estabilidad del esquema (5.59) se debe tener |g|2 < 1 la cual
por una experiencia computacional se demuestra que Cr 1, no existiendo restricciones para r.
En la Figura (5.10) tenemos el factor de amplificacion (5.72) que para los
valores de r = 0.5 fijo variamos Cr para 0.2 y 0.5. Sus valores caen dentro en la
region de estabilidad y para el n
umero de Courant Cr = 1.2 los valores caen fuera
de la region de estabilidad |g|2 < 1.

Factor de Amplificacion Du FortFrankel

1.5
imaginario

g, Cr=1.2

0.5

g, Cr=0.5

g+, Cr=1.2

g+, Cr=0.5

eje Y

g, Cr=0.2

g+, Cr=0.2
real

0.5

1.5
1.5

0.5

0
eje X

0.5

1.5

Figura 5.10: Factor-Du Fort-Frankel

5.2.4.

Esquema Lax-Wendroff

Tenemos el esquema Lax-Wendroff para la ecuacion de conveccion

n
n
vjn+1 vjn
vj1
vj+1
t
+a
a2
t
2x
2

n
n
2vjn + vj1
vj+1
x2

=0

(5.73)

y el esquema FTCS para la ecuacion de difusion

n
n
vjn+1 vjn
2vjn + vj1
vj+1
=
.
t
(x)2

(5.74)

Entonces el esquema Lax-Wendroff para la ecuacion del transporte (5.11) esta dado
por la union de los esquemas (5.73) y (??).
n
n
n
n
vjn+1 vjn
2vjn + vj1
vj1
vj+1
vj+1
+a
=
t
2x
x2

(5.75)

Escribiendo (5.75) en su forma de algoritmo para la implementacion

n
vjn+1 = (r + 0.5Cr )vj1
+ (1 2r )vjn
n
+ (r 0.5Cr )vj+1

(5.76)

donde Cr = at/x, r = t/x2 .

Si desarrollamos la serie de Taylor para un funcion diferenciable v en el nodo
(j, n)-esimo se determina que el esquema (5.75) es consistente con (5.11) con un
error de truncamiento de orden O(t2 , x2 ).
Para analizar la estabilidad aplicamos el criterio de estabilidad de de von Neumann a (5.76), es decir, cambiamos vjn por g n ei j en (5.76) para obtener
g = (r + 0.5Cr )ei + (1 2r ) + (r 0.5Cr )ei

(5.77)

tal que el factor de amplificacion esta dado por

g = 1 2r (1 cos ) iCr sen

(5.78)

La ecuacion (5.78) es el factor de amplificacion de (5.75).

Para visualizar el factor de amplificacion (5.78) lo parametrizamos en la forma

x = 1 2r (1 cos )
(5.79)

y = C sen
r

Esquema Lax Wendroff

1
|g|=1

0.8

region estabilidad

0.6

0.4

eje y

0.2

r*=0.5

r*=0.6

r*=0.4
r*=0.3

r*=0.2

0.2 region inestabilidad

0.4

0.6

0.8

1
1.5

0.5
0
Cr=0.5, r*= 0.2; 0.3; 0.4; 0.5; 0.6

0.5

Figura 5.11: Factor-Lax Wendroff

Equivalentemente (5.79) se puede escribir en la forma

(x (1 2r ))2
y2
+
=1
(2r )2
Cr2

(5.80)

la cual es una elipse de centro (1 2r , 0) y semiejes 2r y Cr .

Para que la soluciones de (5.75) se encuentren en la region de estabilidad,
|g|2 1, se debe tener que
0 Cr2 2r 1.

(5.81)

La Figura (5.11) se muestra el factor de amplificacion para el esquema LaxWendroff. Si tomamos los valores Cr = 0.5 y r = 0.2, 0.3, 0.4, 0.5 vemos que el
factor de amplificacion se encuentra dentro de la region de estabilidad |g|2 1 es
decir se cumple (5.81), mientras que para Cr = 0.5 y r = 0.6 la condicion (5.81)
no se cumple.

5.3.

Esquemas Implcitos
Para la ecuacion de difusion los esquemas implcitos son efectivos para

remover la restriccion de estabilidad r 0.5. Aqu, el mas efectivo esquema de dos

niveles unidimensional para la ecuacion de difusion, es esquema de Crank-Nicolson
que sera aplicado a la ecuacion del transporte (5.11).

5.3.1.

Esquema de Crank-Nicolson

Para la ecuacion de transporte el esquema Crank-Nicolson es de la forma

!
n+1
n+1
n
n
vjn+1 vjn
vj+1
vj1
vj+1
vj1
+ 0.5a
+
t
2x
2x

!
n+1
n+1
n
n
vj1
2vjn+1 + vj+1
vj1
2vjn + vj+1
= 0.5
+
x2
x2
(5.82)
el cual es la union de los esquemas de Crank-Nicolson para las ecuaciones de
difusion (4.115) y conveccion (3.98) vistas anteriormente.
El esquema (5.82) puede ser escrito como un algoritmo
n+1
n+1
(r + 0.5Cr )vj1
+ 2(1 + r)vjn+1 (r 0.5Cr )vj+1
n
n
= (r + 0.5Cr )vj1
+ 2(1 r)vjn + (r 0.5Cr )vj+1
.

(5.83)

Para probar la consistencia de (5.83) se considera una funcion , lo suficientemente diferenciable. Entonce hallamos los valores (xj1 , tn ), (xj , tn ), (xj+1 , tn ),
(xj1 , tn+1 ), (xj , tn+1 ) y (xj+1 , tn+1 ) en el nodo (xj , tn+1/2 ). Entonces utilizando
la serie de Taylor llegamos a determinar el operador diferencial discreto asociado
a (5.82)
Lnj = t + ax xx + O(t2 ) + O(x2 )

(5.84)

y el operador diferencial continuo asociado a (5.11) es de la forma

L = t + ax xx .

(5.85)

Lnj Lnj = O(t2 ) + O(x2 )

(5.86)

As que,

tal que
Lnj Lnj 0 ,

t, x 0.

Por lo tanto el esquema de Crank-Nicolson (5.82) es consistente con la ecuacion

(5.11), con un orden de truncamiento local O(t2 , x2 ).
Para probar la estabilidad del esquema (5.82) aplicamos el analisis de estabilidad de von Neumann a (5.83) dando el factor de amplificacion
g=

1 r(1 cos ) 0.5 i Cr sen

1 + r(1 cos ) + 0.5 i Cr sen

(5.87)

sin restricciones para Cr y r.

Para analizar el comportamiento del factor de amplificacion (5.87) se puede
escribir en forma parametrica

x=

1A2 B 2
(1+A)2 +B 2

y=

2B
(1+A)2 +B 2

(5.88)

donde A = r(1 cos ), B = 0.5 Cr sen.

El sistema (5.88) representa curvas (elipses para r = 0,5) que se encuentran
siempre en el interior de la region de estabilidad |g|2 1, esto es, el esquema es
incondicionalmente estable.

Esquema Crank Nicolson

1.5

eje Y

0.5

r=0.8

0.5

r=0.5
r=0.2

1.5
1.5

0.5

0
eje X

0.5

1.5

Figura 5.12: Factor-amplificacion Crank-Nicolson

5.4.

Resultados Num
ericos
En esta seccion presentamos los esquemas de diferencias descritos en las

secciones anteriores aplicados al problema de transmision de una fuente de temperatura con una velocidad a a traves de un fluido de difusividad termal .
Los esquemas de diferencias FTCS, Du Fort-Frankel, Upwind, Lax-Wendroff
y Crank-Nicolson son aplicados al problema de propagacion de una fuente de
temperatura, Figura (5.13)

2.0

0.0

2.0

Figura 5.13: Condicion inicial para la propagacion de una fuente de temperatura

En t = 0 una forma puntiaguda es localizada en x = 0. Para los tiempos

siguientes la forma delantera viaja a la derecha con una velocidad a y su perfil
pierde su forma original bajo la influencia de la difusividad terminca .
Las ecuaciones que gobiernan este problema estan dadas por (5.11). Para valores suficientemente peque
nos de tiempo t definimos las siguientes condiciones
de frontera
u(2, t) = 1.0,

u(2, t) = 0.

La solucion exacta obtenida por la tecnica de separacion de variables, es

N
2X
(x at) exp[(2k 1)2 2 t/L2 ]
u(x, t) = 0.5
sen (2k 1)
k=1
L
2k 1

(5.89)

Hacemos una comparacion entre los esquemas discutidos en la seccion anterior resolviendo el mismo problema bajo condiciones similares y dependencia de
parametros.

solucion exacta y esquema ftcs

0.8

0.8

0.6
0.6

u(x,t)

u(x,t)

solucion exacta Lax Wendroff

exacta

0.4
0.4
0.2

LaxWendroff

exacta

0.2

ftcs
0

80

100

120
140
Cr=0.5, r=0.5 , t=110

160

180

200

0.2
30

40

50

90

100

110

120

Solucion exacta CrankNicolson

solucion exacta y la obtenida por Uwind y Du fort Frankel

1

0.9

0.9

0.8

0.8

0.7

dffr
exact

0.6

0.6
upwind

exacta

0.5

0.5

0.4

0.4

CN

0.3

0.3

0.2

0.2

0.1

0.1

70
80
Cr=0.4; r*=0.48

Figura 5.15: Exacta-Lax-Wendroff

Figura 5.14: Exacta-FTCS

0.7

60

0
40

20

40

60

80

100

120

140

160

Figura 5.16: Exacta, Upwind, DF-Frankel

60

80

100

120
eje x

140

160

180

Figura 5.17: Exacta-Crank-Nicolson

Presentamos el problema del transporte de contaminantes a traves de un medio

poroso homogeneo, transportando los contaminantes por efecto de la velocidad del

200

flujo a y posteriormente se difunde seg

un el coeficiente de dispersion termica .
Los esquemas de diferencias finitas FTCS, Upwind, Du Fort-Frankel y CrankNicolson se utilizaron para resolver el problema de transporte de contaminante a
traves de un medio poroso.
La ecuacion que gobierna este problema esta dado por
(1 + k)t + ax = xx , 0 < x < L, t > 0

(5.90)

(x, 0) = 0 (x), 0 < x < L

(5.91)

(0, t) = (L, t) = 0, t > 0

(5.92)

Se presentan las graficas de las soluciones aproximadas para los diferentes esquemas
estudiados para los valores L = 1 longitud del intervalo; a = 1 velocidad del
fluido efectiva, = 0.001 difusion molecular y k = 4.3 2 . Ademas el perfil de
concentracion del contaminante en el instante inicial t = 0 seg esta dado por

1 , 1 < x < 0
(x, 0) =

0 , otro lugar

k=

b
n

Captulo 6
Ecuaciones Elpticas
En este captulo hacemos un estudio en la forma mas simple de las ecuaciones elpticas, orientado principalmente al aspecto computacional antes que analisis.

6.1.

Ecuaci
on de Poisson
Consideremos como modelo de trabajo la ecuacion de Poisson
Au = f,

en

(6.1)

donde A es un operador elptico, en nuestro caso consideremos el operador menos

laplaciano A = 2 . La ecuacion diferencial anterior puede ser suplementada con
la condicion de contorno de Dirichlet homogenea
u = 0,

en

281

(6.2)

6.1.1.

Caso unidimensional

A fin de observar la necesidad de las herramientas numericas, veamos el

caso unidimensional

d2 u2
dx

= f,

en (0, 1)

u(0) = 0

(6.3)

u(1) = 0

Consideremos la malla formada por los puntos x0 = 0, x1 = x, x2 = 2x, . . . , xN =

N x. Haciendo uso de la aproximacion de tres puntos para la segunda derivada
tenemos que el problema (6.3) puede ser aproximado por el problema discreto,
formado por la ecuacion en diferencias y sus condiciones de contorno

vj1 2vj + vj+1

= fj ,
x2
u0 = 0

j = 1, 2 . . . , N

(6.4)

uN +1 = 0

(6.5)

El problema discreto (6.4) puede ser escrito en forma matricial como

AU = F,
o en forma extensa como

AU =

x2

(6.6)

...

...

1 . . .
..
.

...

...

0 v1

0
0
v2

0
0
v3

..
.

2 1 vN 1

vN
1 2
0

f1


f2



f3

=
..
.



fN 1


fN

(6.7)

Observaci
on 1
Como era de esperar, el sistema continuo (6.1), es aproximado por el sistema de
ecuaciones algebraicas (6.6), es decir, el operador lineal continuo, infinito dimensional, A es sustituido por un operador lineal finito dimensional A
La matrz de coeficientes del sistema de ecuaciones (6.6) es una matrz tridiagonal, la cual esta dentro de la clase de matrices banda con ancho de banda w
como se presenta en la figura (6.1). La solucion del sistema anterior tiene la forma U = A1 F , pero la matriz A1 no es banda, por consiguiente es necesario
saber utilizar algoritmos adecuados para resolver este tipo de sistemas, en seguida
se describe un prodecimiento muy estandar para resolver este tipo de problemas.
1. Utilizar la descomposicion lu: que consiste en factorizar la matriz A en dos
matrices, una matriz triangular inferior y una matriz triangular superior y
escribir la matriz en la forma siguiente

A=

w- w

w-

w-

= lu

Figura 6.1: Descomposicion lu

2. Utilizar transformada seno de Fourier rapida: que consiste en diagonalizar la

matriz A utilizando la matriz de senos S para tener S 1 AS =

desacoplan-

do el sistema por cada fila. Para llevar a cabo esto, simplemente observamos
que, los autovectores son las columnas de la matriz S que tienen la forma

senjh

sen2jh

sen3jh

..

senN jh

(6.8)

con sus autovalores correspondientes j = 2 2cosjh, j = 1, 2, . . . N , es

decir se satisface la ecuacion

...

1 . . .
2

...
..
.

...

...

0
0

0
0

2 1

1 2

senjh

sen2jh

sen3jh

..

..

senN jh

senjh

sen2jh

sen3jh

(6.9)

..

..

senN jh

Observar que (6.9) depende de sen0 = 0 y de sen(N + 1)jh = senj = 0

lo cual significa que los autovectores satisfacen las condiciones de contorno.
En el caso continuo existe una autofuncion senjx para cada j. Pero en el
caso discreto esto termina en j = N .
Ahora podemos resolver el sistema (6.6) de la siguiente forma:
a) Calcular el producto C = S 1 F

b) Resolver el sistema diagonal

Y =C

c) Obtener la solucion, calculando el producto U = SY .

observar que para efectuar los paso a) y c), se sigue el algoritmo de la transformada raapida de Fourier (FFT), este algoritmo, no lo discutimos aqui
en detalle, sin embargo creemos que presentando los pasos importantes es
suficiente saber que la complejidad es N log2 N , lo cual es una ventaja muy
grande al ser comparado con la complejidad del algoritmo estandard, N 2 .
3. Utilizar metodos iterativos: para construir un metodo iterativo, se utiliza
una matriz M de manera que sumando el termino M U al sistema original
obtenemos un sistema completamente equivalente

M U = (M A)U + F

(6.10)

Ahora resolvemos (6.10) iterativamente por sustitucion sucesiva. Comenzamos con un dado inicial X0 que puede ser cero. Luego si el valor actual es
Uk , en cualquier paso podemos obtener el nuevo vector Uk+1 por la formula

M Uk+1 = (M A)Uk + F

(6.11)

es de esperar que el sistema (6.11) es simple de resolver, por que tenemos el

control de la matriz M .
Los metodos mas importantes y usados en la practica son generados por la
eleccion de M y son los siguientes:

a) Metod de Jacobi: M = parte diagonal de A

b) Metod de Gauss-Seidel: M = parte triangular inferior de A
c) Metod de S.O.R.(sobrerlajacion sucesiva): M = combinacion de a) y b)
El analisis de convergencia de estos metodos iterativos, indudablemente que
tambien dependera de la eleccion de la matriz M ,(ver [21]-[?] para una discusion
detallada).

6.1.2.

Caso bidimensional

Presentamos el problema bidimensional, donde el problema (6.1)-(6.2) toma

la forma siguiente

xu2 +

2u
y 2

= f,

en = (0, 1) (0, 1)
(6.12)

= g(x, y)

El dominio consta de un rectangulo unitario, la discretizacion del dominio lo realizamos en forma homogenea, x = y h = 1/(N + 1). Las derivadas 2 u/x2 y
2 u/y 2 tienen aproximacion de tres puntos, tanto en la direccion x como en la direccion y, combinando las dos direcciones obtenemos una molecula de cinco puntos
como se presenta en la figura (6.2). Las incognitas a determinarse corresponden
a los puntos de la malla, los cuales son un total de N 2 puntos enn el interior del
dominio.

j+1

z(i, j)x

j1

1
1

i1

i+1

Figura 6.2: Molecula de 5 puntos

La ecuacion en diferencias tambien se puede escribir en la siguiente forma (por

simplicidad estamos considerando g = 0)
(vi+1j 2vij + vi1j ) (vij+1 2vij + vij1 ) = h2 fij ,

(6.13)

i, j = 1, . . . N
vi0 = 0 = viN +1 ,

vj0 = 0 = vjN +1 ,

j = 0, . . . N + 1

Las incognitas vij pueden ordenarse en una manera natural, empezando con
v00 ,v10 , v20 ,. . ., vN 0 en la parte inferior del cuadrado. Este grupo sera denotado
por V0 . La proxima fila de puntos de la malla contribuyen a formar el grupo V1 .

Moviendonos en el cuadrado hacia arriba hasta llegar a las incognitas de la fila

N + 1. El lado derecho f tambien sera ordenado en la misma forma.
Ahora observamos que la ecuacion de diferencias puede ser escrito en la siguiente forma para cada fila j

vij+1 + (vi+1j + 4vij vi1j ) vij1 = h2 fij ,

i = 1, . . . N

este sistema de ecuaciones se puede escribir en forma matricial conectando la fila

j a las filas inferior y superior por
Vj+1 + T Vj Vj1 = h2 Fj ,

j = 1, 2, . . . N

(6.14)

donde T es una matriz similar a la matriz A del sistema (6.6), con la diferencia
que en la diagonal en lugar de 2 tenemos el valor 4.
Utilizando los mismas tecnicas como en el caso unidimensional el sistema matricial (6.14), se puede escribir como:
KU = F
donde

K=

...

...

I . . .
..
.

...

...

0
0

0
0

T I

I T

Este sistema es de orden N 2 y es tridiagonal por bloques cuya solucion puede

ser obtenida por algunos de los metodos estudiados en el caso unidimensional,
haciendo notar que cuando se utiliza el metodo de la transformada seno de fourier
rapida los autovalores son de la forma j = 4 2cosjh

6.2.

Tratamiento de las condiciones de contorno

Por lo general, siempre se especifica el valor de la solcucion u en la frontera,

en lo que se llama, la condicion de Dirichlet. Sin embargo; en muchos problemas,

el valor de la derivada normal u/n, en la frontera es especificada, en lo que se
llama, la condicion de Neumann.
Para efectos de precision, tomemos el ejemplo anterior (6.12) con f = 0 y
g 6= 0. Supongamos que el tama
no de la malla es homogeneo, es decir imponemos la
condicion x = y = 1/3, los puntos numerados como se indica en la figura(6.3).

y
9

10

12

13

16

15

11

14 x

Figura 6.3: Numeracion de los nodos de la malla

Por ejemplo, cuando se modela un reservorio con una frontera de roca impermeable, la condicion que no fluye agua a traves de la frontera es expresada por
u/n = 0, donde u es el potencial Hidraulico. En los generadores electricos la
corriente fluyendo en los hilos electricos, genera calor que es irradiada en el medio
ambiente. Este proceso es usualmente representado por una ecuacion, tal como:
u/n = g(x, y, u)
Para precisar consideremos la ecuacion de Laplace en el siguiente problema modelo:

2u
2u

= 0,
0 < x < 1,
0<y<1

2 + y 2

u
(6.15)
= 10,
y=1
y

u = 0,
en todos los otros lados
Es decir, en tres lados el rectangulo se aplica la condicion de la frontera de
Dirichlet, mientras que en un lado se aplica la condicion de Neumann.

La ecuacion o el sistema de ecuaciones

4 1 1 0

1 4

0 1

1 0

4 1

0 1 1 4

analoga a

u1

u2

=

u3


u4

(6.7) que se obtiene es:

g6 + g16

g13 + g15

(6.16)

g7 + g9

g10 + g12

En la ecuacion (6.16) los valores nodales u9 y u10 son representados por g9 y g10 , los
cuales no son especificados, en lugar de ellos tenemos las derivadas de los valores


u
nodales u
,
tenemos varios metodos de tratar este problema.
y
y
9

6.2.1.

10

M
etodos de los puntos ficticios

Se introduce en la malla puntos ficticios, por ejemplo x9 ,x10 cuya ubicacion

esta fuera del dominio en donde se obtendran valores nodales ficticios u9 , u10
Luego aproximamos la derivada

u
y

en la frontera por alg

un esquema de dife-

rencias, como el esquema de diferencia central de 2do orden, por ejemplo en el nodo
9 escribimos

u
y

u9 u3
2y

resolviendo el valor ficticio

u9 u3 + 2y

u
y

Sustituyendo este valor por la tercera equacion de (6.16), obtenemos

u1 + 4u3 u4 = g7 + 2y

u
y

la cual despues de reordenarlo tenemos:

u1 + 3u3 u4 = g7 + 2y

u
y

(6.17)
9

2
= 0 + (10)
3
De esta forma la ecuacion

6.2.2.

(6.18)

(6.16) puede ser escrita en la forma

1 1 0 u1 0

u2 0
4
0 1

20

u3 3
0
3 1

20
u4
1 1 3
3

(6.19)

Aproximaci
on por series de Taylor (sin puntos ficticios)

Las aproximaciones de diferencias para puntos en la frontera, tambien puede hacerse sin recurrir a puntos ficticios usando series de Taylor como veremos
en el siguiente procedimiento, donde se presento una aproximacion de 2do orden.
Expresando los valores de u en los nodos 1 y 3 de la malla en terminos del valor
en el nodo 9 (ver figura(??))

u3 = u9 y

u
y

u1 = u9 (2y)

u
y

(y)2
+
2
9

(2y)2
+
2!
9

2u
y 2

(6.20)
9

2u
y 2

(6.21)
9

multiplicando la ecuacion (6.20) por 4 y sustrayendo la ecuacion (6.21) obtenemos:

4u3 u1 = 4u9 u9 [4y 2y]

u
y

+ O(y 3 )
9


resolviendo para

u
y

u
y

=
9

u1 4u3 + 3u9
O(y 2 )
2y

As podemos hacer la aproximacion

u
u1 4u3 + 3u9

y 9
2y
Es una aproximacion de segundo orden de la derivada en la frontera. Resolviendo
para u9 , tenemos

1
u
4u3 u1 + 2y
u9 =
3
y 9

el cual puede identificarse como el valor perdido en (6.16) y tomando la condicion

de contorno de Dirichlet en el problema, la tercera ecuacion (6.16) se transforma
en
1
u1 + 4u3 u4 = 0 + [4u3 u1 + 2
3

1
10]
3

la cual, reescribiendo es
8
20
2
u1 + u3 u4 =
3
3
9

(6.22)

o
2u1 + 8u3 3u4 =

20
3

(6.23)

Un analisis similar en el nodo 10 de (6.16) genera la ecuacion

2u2 3u3 + 8u4 =
y el sistema de la ecuacion

20
3

puede ser escrita como

1 1 0 u1 0

u2 0
4
0 1

20

0
8
3
u3 3

20
u4
2 3 8
3

(6.24)

Este sistema, desde luego, es diferente del sistema (6.19) donde se usa puntos
ficticios.

6.2.3.

Fronteras irregulares y curvadas

Si la frontera del dominio no coincide con las lineas de la malla. Las ecuaciones de diferencias finitas correspondientes a los nodos ubicados en la vecindad
inmediata de la frontera deben ser modificados ligeramente.
Consideremos el problema con una frontera curvada como se muestra en la
firgura (6.4), observe que los puntos A y B no pertencen a la malla, estan a una
distancia escalada por los n
umeros positivos a y b, menores que uno.

A
f

3
f

4
? f

y
?

by

ax
2
f

1
f

x -

Figura 6.4: Nodos pr

ximos a frontera curvada

La aproximacion de diferencias para la primera y segunda derivada en un punto

de la malla, tales como el punto 4, debera ser modificado.

Por ejemplo, utilizando la serie de Taylor

u
(ax)2 2 u
= u4 + (ax)
+ O(x3 )
+
2
x
2!
x
4
2 4
2
u
(x ) u
= u4 (x)
+
+ O(x3 )
x 4
2!
x2 4

uB
u3

(6.25)
(6.26)

Eliminando ( 2 u/x2 )4 de las ecuaciones (6.25) y (6.26), tenemos

u
x

1
=
x

1
1a
a
uB
u4
u3
a(1 + a)
a
1+a

(6.27)

el cual tiene orden de precision 2. De igual manera, siguiendo los mismos argumentos, la eliminacion de (u/x)4 nos conduce a la siguiente formula

2u
x2

1
=
x2

2
2
2
uB +
u3 u4
a(1 + a)
1+a
a

(6.28)

Con precision de orden x. As, podemos seguir para el caso de la variable y

2u
y 2

1
=
y 2

2
2
2
uA +
u2 u 4 ,
b(1 + b)
1+b
b

(6.29)

con precision del orden y. Por consiguiente, ( xu2 ) puede aproximarse en los puntos malla 1, 2 y 3 con una precision de orden (x)2 , mientras la precision global
es solo del orden (x) debido a las irregularidades en la frontera cerca del punto
malla 4.
Sustituyendo (6.28) y (6.29) apropiadamente en (6.16) obtenemos, para x =
y,

2
b(1+b)

2
a(1+a)

u1

u2
1

u3
1

2
2
u
+
4
a
b
0

g6 + g16
g13 + g15
g7 + g9
2
g
b(1+b) 10

2
g
a(1+a) 12

(6.30)

Captulo 7
Convergencia de problemas
lineales y no lineales
En este captulo haremos un analisis de esquemas de diferencias, en un nivel
un poco mas profundo, para problemas mas generales y problemas no lineales.
Basados en la experiencia de los captulos anteriores, por tanto se necesita un
poco mas de cuidado en el analsis de los mismos conceptos ya conocidos, haciendo
enfasis en los problemas no lineales, que por su naturaleza no tienen un tratamiento
igual al caso de los lineales.

296

7.1.

Estabilidad y Convergencia
Consideremos el (PVI) periodico para sistemas lineales de Ecuacines Dife-

renciales Parciales, para x Rd , u Rm

u
= P
t

x, t,
x

u,

(7.1)

u(x, 0) = u0 (x)
Suponga que u0 y los coeficientes son 2 periodicos en todas las direcciones del
espacio.

7.1.1.

Discretizaci
on del Dominio

Lo hacemos definiendo la malla de puntos {xj } como sigue:

xj = (j1 h, . . . , jd h) ,

j = 0. 1, 2, . . .

h = 2/(N + 1),

N un n
umero natural

y el paso de tiempo k > 0 , el cual por conveniencia siempre es asumido de la

forma k = hp , donde > 0 y p es el orden del operador diferencial en el espacio.

7.1.2.

Discretizaci
on de la Variable

Simplemente definimos una funcion en la malla construida anteriormente.

7.1.3.

Discretizaci
on de la Ecuaci
on

Una aproximacion de diferencias general se puede escribr en la forma

Q1 v

n+1

v0 =

q
X

Q v n ,

=0
u0 ,

n = q, q + 1, . . . ,

(7.2)

= 0, 1, . . . , q.

Por simplicidad escribimos la funcion discreta v n sin subndices, pero se entiende

que la ecuacion (7.2) es valida en toda la malla.
Los operadores de diferencias Q tienen coeficientes matriciales 2-periodicos
y pueden depender de x, t, k, h as como tambien de los datos iniciales.
Asumimos que el operador Q1 es uniformemente acotado y tiene una inversa
uniformemente acotado Q1
1 cuando h, k 0, de tal manera que podemos avanzar
en la solucion paso por paso.
Para proposito teoricos es conveniente reescribir la ecuacion (7.2) como un
esquema de un solo paso, usando la matriz de Companion e introcuciendo los
siguientes vectores.

n+q
v

n+q1
v

vn =

..

vn

u0

q1

u0

,
u
=
0

..

u00

(7.3)

La ecuacion (7.2) ahora toma la forma

vn+1 = Q(tn )vn ,
v0 = u0 ,

(7.4)

donde

Q(tn ) = Q(xj , tn ) =

Q1
1 Q0

Q1
1 Q1

...

Q1
1 Qq

I
I
I

(7.5)

es la matriz de Companion.
Por ejemplo, el esquema de Leapfrog puede ser escrito como

2kD0 I

n
n+1
v
=
v

I
0

(7.6)

Ahora definimos el operador discreto Sh por

vn = Sh (tn , t )vn .

(7.7)

En lo sucesivo los argumentos h, k seran omitidos.

El operador Sh puede ser expresado explcitamente como
Sh (tn , t ) = np
=1 Q(tn ),

Sh (tn , tn ) = I.

Si Q es independiente de t tenemos
Sh (tn , t ) = Qn ,

(7.8)

Usamos la norma en L2h como

kvn kh =

q
X

!1/2
kv n+ k2h

=0

y denotamos por kSh k la norma del operador correspondiente.

Ahora vamos a dar los conceptos necesarios de Estabilidad.

(7.9)

Definici
on 7.1.1 La Aproximaci
on de diferencias (7.4) es estable para 0 < h <
h0 , si existen constantes s , C, Ks tal que para todo h

kQ1
1 kh C,

kSh (tn , t )kh Ks es (tn t ) .

(7.10)

Esta definicion de estabilidad requiere que la estimativa

kvn kh K(tn )ku0 kh ,

K(tn ) = Ks es tn

(7.11)

sea valida para toda funcion inicial u0 .

La definicion incluye un factor exponencial, puesto que el tratamiento debe incluir
ecuaciones diferenciales que tienen soluciones de crecimiento exponencial, como
por ejemplo ut = ux + u sobre cualquier intervalo finito [0, T ].
Ahora consideremos el caso donde la aproximacion de diferencias incluye una
funcion fuerza.

Q1 v

n+1

v0 =

q
X
=0
u0 ,

Q v n + kF n ,

n = q, q + 1, . . . ,

(7.12)

= 0, 1, . . . , q.

Tambien la ecuacion (7.12) se puede escribir como esquema de un solo paso,

vn+1 = Q(tn )vn + kFn ,

n
T
F = (Q1
1 F , 0, . . . , 0) ,

(7.13)

v 0 = u0 ,
La version discreta del Principio de Duhamel es dado en el siguiente lema
Lema 2 La solucion de las ecuaciones (7.13) pueden ser escritas en la forma

v = Sh (tn , 0)u0 + k

n1
X

Sh (tn , t+1 )F .

(7.14)

=0

Ahora pasamos a hacer estimativas de la ecuacion (7.13)

Teorema 7.1.1 Supongamos que el esquema de diferencias es estable, entonces
la solucion de la ecuaci
on (7.13) satisface la estimativa

S t n

kv kh Ks e
ku0 kh + h (S , tn ) max kF kh
n

0n1

donde
h (S , tn )

n1
X

Z
S (tn t+1 )k

eS (t) d = (S , tn ).

=0

Prueba:
De la ecuacion (7.14) podemos tener
n

kv kh kSh (tn , 0)kh ku0 kh + max kF kh

0n1

n1
X

kSh (tn , t+1 )kh k

=0

luego utilizando (7.10) se concluye la prueba.

Este teorema muestra que es suficiente considerar aproximaciones homogeneas.
Las estimativas para las ecuaciones no homogeneas se obtienen de la estabilidad.
Ahora vamos a discutir la influencia de los errores de redondeo, que se cometen
en cada paso. Estos se pueden interpretar como una ligera permutacion de la
ecuacion en diferencias; pasamos en este momento a calcular la solucion de
n+1

Q1 ve

q
X

Q ven + n ,

kn k

=0

en lugar de la ecuacion (7.2). Observe que es el orden de maquina.

(7.15)

Sustrayendo la ecuacion (7.2) en (7.15) y haciendo wn = ven v n obtenemos

Q1 w

n+1

q
X

Q wn + n .

(7.16)

=0

Por tanto por el Teorema 7.1.1, tenemos

kwn kh C(tn ) .
k

(7.17)

Si el error de truncacion es del orden , entonces se requiere /k .

A continuacion estudiaremos el efecto de la perturbacion de cada operador Q
por un operador del orden O(k).
Por ejemplo si V n+1 = Q0 v n aproxima a ut = ux entonces V n+1 = (Q0 + kI)v n
aproxima ut = ux + u. Es conveniente saber que tal perturbacion de orden k
no causara inestabilidad, puesto que a menudo podemos simplificar el analisis
ignorando terminos de orden k.
Sea {R } operadores con
kR kh K1 ,

= 1, 0, . . . , q

(7.18)

En lugar de la ecucion (7.2) consideremos

(Q1 + kR1 )v

n+1

q
X
=
(Q + kR )v n .

(7.19)

=0

Ahora probaremos que la ecuacion (7.19) es estable si la aproximacion no perturbada (7.2) es estable. Para la prueba utilizamos el siguiente lema:
Lema 3 Sea Q un operador acotado. Para kkQkh < 1
k(I kQ)1 kh

1
1 kkQkh

por tanto (I kQ)1 = I k(I kQ)1 Q = I + kQ1 donde

kQ1 kh

kQkh
1 kkQkh

Teorema 7.1.2 Asumamos que el esquema (7.2) es estable y que la ecuaci

on
(7.18) es valida. Entonces el esquema perturbado (7.19) es estable.
Prueba:
Usando el Lema anterior tenemos
1 1
(I + kR1 )1 = Q1
1 (I + kR1 Q1 )

Por tanto usando el lema anterior, podemos escribir la ecucion (7.19) en la forma
en+1 = (Q + kR)e
v
vn

(7.20)

en , > 0. Entonces la ecuacion

donde R es uniformemente acotado. Sea wn = etn v
(7.20) se transforma en
n
wn+1 = ek Qwn + kek F

(7.21)

donde
n = Rwn .
F
El principio de Duhamel puede ser aplicado a la ecuacion (7.21). El operador
solucion Sh (tn , t ), que corresponde a ek Q se escribe como ek(n) QSh (tn , t ),
donde Sh es el operador solucion para la ecuacion (7.4).
As
kek(n) Sh (tn , t )kh KS e(S )(n) .

Ahora consideremos la ecuacion (7.21) para 0 n y sea

kw kh = max kw kh .
0n

Por el teorema 7.1.1

kw kh KS e(S )t kw0 kh + (S , t )kw kh

La funcion (, t), definida en el Teorema (7.1.1) decrece cuando decrece.
Si elegimos suficientemente grande, el factor que multiplica kw kh puede ser
acotado por 1/2.
Por lo tanto
kwn kh kw kh 2KS e(S )t kw0 kh ,
para suficientemente grande; esto es
k
vn kh 2KS etn +(S )t k
v0 kh 2KS etn k
v 0 kh .
probandose el teorema.

El teorema dice que podemos eliminar terminos de orden k en el analisis de

estabilidad.
A continuacion veremos algunos conceptos que conducen a un mejor resultado
de estabilidad.
Definici
on 7.1.2 Si el operador solucion S(t, t0 ) del problema continuo satisface
el estimado
kS(t, t0 )k Ke(tt0 ) .

El esquema de diferencias es estrictamente estable para 0 < h < h0 si

kSh (t, t0 )kh KS eS (tt0 ) ,

S + O(h).

Por ejemplo, consideremos el problema

ut = ux u,
u(x, 0) = f (x).
donde se cumple
kS(t, t0 )k e(tt0 ) .
Sin embargo, el esquema de Leapfrog
v n+1 = v n + 2k(D0 v n v n )
genera soluciones espurias tal que
kSh (t, t0 )kh e(tt0 ) .
El esquema es estable pero no estrictamente estable. Pero el esquema modificado
(I + k)v n+1 = 2kD0 v n + (I k)v n1
si es estrictamente estable.

7.2.

Consistencia y orden de precisi

on

Definici
on 7.2.1 Sea u(x, t) una funcion suave de (7.1) entonces el error de truncaci
on local se define por
kjn

= Q1 u(xj , tn+1 )

q
X
=0

Q u(xj , tn ).

(7.22)

El esquema de diferencias (7.2) tiene orden de precisi

on (r,p) si para toda solucion
suficientemente suave u(x, t) existe una funcion L(tn ) tal que para h h0
k n kh L(tn )(hr + k p ),

(7.23)

Si r > 0 p > 0 el esquema (7.2) se dice que es consistente.

Como se asumio hay una dependencia entre k y h, por ejemplo k = hp1 .
Entonces el lado derecho de (7.23) depende solamente de h.
Asi tenemos el esquema de Leapfrog para ut = ux que genera
u(xj , tn+1 ) 2kD0 u(xj , tn ) u(xj , tn1 ) = kjk ,
jk =

h2
k2
uxxx (xj , tn ) + uttt (xj , tn ) + O(h4 , k 4 )
3
3

(7.24)

es decir el esquema es consistente con orden de precision (2, 2).

Para que sea consistente y se cumpla (7.15) es necesario que k = ch1+ , > 0,
asi el error de truncamiento tiene la forma

h2
= ch2 utt uxxxx (xj , tn ) + O(h2+4 ).
2
12

(7.25)

y el orden de precision es mn{2, 2}, (generalmente se asume = 1 para ecuaciones

parabolicas).
Tambien es necesario que los datos iniciales del esquema de diferencias sea
consistentes con la solucion de la ecuacon diferencial. Para esquemas de un solo
paso el dato exacto u00 se puede usar, pero para esquemas de multiple paso, los
primeros q pasos deben ser calculados usando otro esquema, generalmente se usan
esquemas de un solo paso para calcular estos q primeros valores.

Definici
on 7.2.2 Los datos iniciales tienen orden de precisi
on (r, p) si para toda
soluci
on suficientemente suave u(x, t) de (7.1)
kv u(., k)kh L1 (hr + k p ),

= 0, 1, . . . , q.

(7.26)

Los datos iniciales son consistentes si r > 0 y p > 0.

Para que una una solucion discreta converja a la solucion exacta no es suficiente
que sea consistente si no tambien tiene que ser estable.
Teorema 7.2.1 Sea la solucion de (7.1) suave y el esquema (7.2) estable. Adem
as
suponga que los datos iniciales son precisos de orden (r, p). Entonces sobre cualquier intervalo finito [0, T ] el error satisface

S t n

kv u(tn )kh KS e

kv u(0)kh +

kQ1
1 kh h (, tn )

max k kh

0jn1

= O(hr + k p ),
es decir, las soluciones del esquema de diferencias converge cuando h 0 a la
soluci
on de la ecuaci
on diferencial.
Prueba:
Si la solucion es sustituida en el esquema de diferencias (7.2) entonces obtenemos
Q1 u(xj , tn+1 ) =

q
X

Q u(xj , tn ) + kjn .

=0

Sea wjn = u(xj , tn ) vjn . Sustrayendo la ecuacion (7.2) en (7.27) obtenemos

Q1 wjn+1

q
X

Q wjn + kjn ,

=0

wj = u(xj , k) vj ,

= 0, 1, . . . , q

(7.27)

luego la estimativa se obtiene del teorema 7.1.1.

7.3.

Problemas no lineales: Ecuaci

on de
Burgers

La teora de convergencia anteriormente presentada y basada en el teorema

de Lax es valida para problemas lineales, no se puede usar en la forma en que se
presenta o no es exactamente aplicable a los problemas no lineales. Sin embargo la
mayora de problemas en aplicaciones son no lineales. Para introducirnos en este
estudio, presentamos el analisis de un problema no lineal basado en la siguiente
ecuacion
ut + uux = uxx

(7.28)

llamada Ecuacion de Burgers, en la que en general siempre se cumple 1, por

lo que generalmente se le conoce como ecuacion de Burgers a la siguiente ecuacion
ut + uux = 0

(7.29)

Entonces para diferenciar llamaremos a la ecuacion (7.28) como ecuacion de Burgers disipativa.

7.3.1.

Esquemas de diferencias finitas

Para efectos del analisis que presentamos aqu, utilizaremos la ecuacion

disipativa. No haremos comparacion de EDF, utilizaremos como ejemplo un solo

esquema de diferencias (FTCS, sin embargo nuestro objetivo esta centrado en la

convergencia con la presencia de la no linealidad.
FTCS
n
n
n
n
vjn+1 vjn
vj+1
vj1
vj+1
2vjn + vj1
+ vjn
=
k
2h
h2

(7.30)

el cual se puede escribir en la forma de algoritmo

n

1
n
n
vj1
+ r vj+1
2vjn + vj1
vjn+1 = vjn vjn vj+1
2
donde = k/h2 y r = k/h2

7.3.2.

Consistencia

Sea una funcion suficientemente suave

k2
tt + O(k)3
2!
h3
h2
= nj + hx + xx + xxx + O(h)4
2!
3!
2
h
h3
= nj hx + xx xxx + O(h)4
2!
3!

n+1
= nj + kt +
j
nj+1
nj1

sustituyendo en (7.30) se obtiene

t + O(k) + (x + O(h)2 ) = xx + O(h)2
y de ello se obtiene
t + x xx = O(k) + O(h)2
Por lo tanto el esquema FTCS es consistente de orden (k, h2 ).

(7.31)

7.3.3.

Estabilidad

Presentamos dos formas de analisis de estabilidad: Algunos analistas congelanel

coeficiente no lineal y aplican el analisis de von Neumann, es decir, vjn = g n eij en
(7.31) se obtiene
1
1
g n+1 eij = (1 2r)g n eij ( v r)g n ei(j+1) + ( v + r)g n ei(j1)
2
2
simplificando g n ei se obtiene
1
1
g = (1 2r) ( v r)ei + ( v + r)ei
2
2

= 1 i vsen 4r sen2
2
luego la condicion de estabilidad dice que
r

|g| = (1 4 r sen2 )2 + ( v sen)2 1

2
si y solo s

(1 4 r sen2 )2 + ( v sen)2 1
2
si y solamente s

|1 4 r sen2 | + |v| |sen| 1

2
de donde podemos decir que

|1 4rsen2 | 1 si y solamente s
2

1
2

de estas estimativas podemos decir que

|1 2r| + |v| 1
Asi se concluye que se elige estabilidad si se cumple la condicion
|1 2r| + |v|max 1

donde |v|max es la norma del maximo para la funcion v.

Aplicando estos resultados a (FTCS) diremos que, este esquema es estable
seg
un von Neumann, si se elige r = k/h2 y = k/h tal que la solucion vjn en cada
paso de tiempo cumple con la condicion
|v|max

h
(1 |1 2r|).
k

Otra forma de analizar la estabilidad es la siguiente:

Cosnsideremos las siguientes definiciones y notaciones
Definici
on 7.3.1 Decimos que el esquema de diferencias es estable si se cumple
kv n+1 k Keck kv n k,

K > 0,

cR

donde k.k es una norma apropiada.

Estabilidad usando la norma de la suma

Por ejemplo considerando el esquema de diferencias FTCS, escrito en la forma
vjn+1 = vjn kvjn D0 vjn + k 0 vjn
a fin de utilizar la norma de la suma
kvj ks =

X
h
|vj |
j

se tiene

1
n
|vjn+1 | |vjn ||1 2r| + |vjn ||vj+1
|
2
1
n
n
n
+ |vjn ||vj1
| + r|vj+1
| + r|vj1
|
2

sumando

1 X n n
n
|vj ||vj+1 | + |vjn ||vj1
| + 2rkvjn ks )
kvjn+1 ks kvjn ks |1 2r| +
2 j
1
(|1 2r| + 2r)kvjn ks + |v|max kvjn ks
2

|1 2r| + 2r + |v|max kv n ks
2
Como observamos en la u
ltima expresion la estabilidad existe, pero depende de
la solucion misma y se debe cumplir |1 2r| + 2r + 12 |v|max 1, esta expresion
indica que la condicion es mucho mas restrictiva que la condicion obtenida por el
criterio de von Neumann.

Estabilidad usando la norma l2

Sea la norma

kvj k2 =

!1/2
|vj |2

kvjn+1 k22 = hvjn kvjn D0 vjn + k0 vjn , vjn kvjn D0 vjn + k0 vjn i
= kvjn k22 2khvjn Dv0 j n , vjn i + k 2 kvjn D0 vjn k22 2k 2 h0 vjn , vjn D0 vjn i
+2kh0 vjn , vjn i + k 2 kvjn k2
1
(|1 2r| + 2r)kvjn ks + |v|max kvjn ks
2

Veamos algunos lemas previos

Lema 4
1
kvkmax kvk2
h

Prueba:

kvk2max

2
max |vj |
j

max |vj |2
j

|vj |2

|vj |2

X
h
h
|vj |2
h
j

1
kvk22
h

Lema 5
a) hu, vi kuk2 kvk2
b) hu, vi kuk2 kvk2

Desigualdad de Schwarz
kuk22 +kvk22
2

Prueba: Unicamente
probemos la parte b)
0 hv u, v ui = h

X
X
(vj uj )(vj ui ) = h
(vj2 2vj uj + u2j )
j

kvk22

2|hu, vi| +

kuk22

de donde se obtiene la desigualdad

2|hu, vi| kvk2 + kuk22

Lema 6 Sean u, v y w funciones discretas tal que uv = {ui vi }

hu, vwi kvkmax (kuk2 kwk2 )

Prueba:
hu, vwi = h

uj vj wj hkvkmax h

uj wj

= kvkmax |hu, wi|

kvkmax kuk2 kwk2

Lema 7
kD0 vk2 kD+ vk2 = kD vk2
donde
D+ v =

vj+1 vj
;
h

D v =

vj vj1
;
h

D0 =

D+ + D
2

Prueba:
kD0 vk2

1
1
kD+ vk2 + kD vk2
2
2

pero
X 1
|v vj |2
2 j+1
h
j
j
X
X 1
2
|v

v
|
=
h
|D vj |2 = kD vk22
= h
j1
2 j
h
j
j

kD+ vk22 = h

|D+ vj |2 = h

por tanto
kD+ vk22 = kD vk22
y de ello
1
1
kD0 vk2 = kD+ vk2 + kD+ vk2 = kD+ vk2
2
2

Lema 8
hv, 0 vi = hDv , Dv i
Prueba: Sabemos que 0 = D+ D , entonces
hv, 0 vi = h

vj D + D vj = h

vj D vj+1

X D vj+1 D vj

vj D vj =

(vj1 vj ) D vj = h

vj1 D vj

vj D vj

D vj D vj =

= hD v, D vi

Corolario 1
hv, 0 vi = kD vk22 = kD+ vk22
Ahora pasemos a analizar la estabilidad del esquema (FTCS) para la ecuacion de
Burgers. El esquema se puede escribir en la forma
vjn+1 = vjn kvjn D0 vjn + kD+ D vjn
tomando producto interno con vjn a la ecuacion anterior se tiene
hvjn+1 , vjn i kv n k22 hkvjn D0 vjn , vjn i + hkD+ D vjn , vjn i
kv n k22 + kkv n kmax kD0 v n k2 kv n k2 kkD v n k22

(7.32)

luego tenemos

hvjn+1 , vjn i + kkD v n k22 kv n k22 + kkv n kmax kD0 v n k2 kv n k2

kv n kmax
kv n k22 + 2k kD v n k2 kv n k2
2

1 kv n k2max

n 2
n 2
kv n k22
kv k2 + 2k
kD v k2 +
2
2 4
simplificando terminos se tiene

hvjn+1 , vjn i

k n 2
1+
kv kmax kv n k22
4

Si kv n k2max C 2 entonces usando la desigualdad de Cauhy-Schwarz se cumple

kv

n+1

k2

kC 2
1+
4

kv n k2

Observando la u
ltima desigualdad se puede iterar hasta tener

kv

n+1

k2

kC 2
1+
4

t0 C

kv 0 k2 e 4 kv 0 k

(7.33)

podemos observar la desigualdad (7.33) y decir que no hay estabilidad, para t0 sera
incontrolable. Sin embargo puede haber convergencia si hacemos w = u(tn , xj )vjn
y logramos que w satisfaga una ecuacion como la (7.33).
El siguiente lema presenta una estimativa para w
Lema 9 Si kC 2 /4 < 1, entonces se cumple
kwn+1 k2 (1 + C1 k)kwn k2 + kO(h2 )
con estos lemas podemos enunciar el teorema de converencia

Teorema 7.3.1 Bajo las hipotesis de los lemas precedentes el error w satisface
kwn k2 = O(h2 )
kwn kmax = O(h3 /2).

7.3.4.

Implementaci
on num
erica

A continuacion presentamos la implemetacion numerica del esquema de

diferenicias fnitas para resolver la ecuacion de Burgers no disipativa, es decir
ut + uux = 0.
Para esto debemos tener en cuenta la forma en que esta escrita la ecuacion, para
lo cual ademas del esquema utilizado, es muy importante tratar la ecuacion misma, por ejemplo la ecuacion que estamos trabajando (7.29) tiene otra forma de
escribirse,
ut +

1 2
u x=0
2

(7.34)

llamada forma conservativa de la ecuacion de Burgers. El analsisis detallado de

este esquemas de diferencias no lo haremos en este trabajo, sin embargo hacemos
la implementacion numerica tomando un mismo esquema de diferencias.
El esquema FTCS para la forma no conservativa de la ecuacion de Burgers es:
vjn+1 = vjn rvjn D0 vjn

(7.35)

con r = k/h, y el esquema FTCS para la forma conservativa de la ecuacion de

Burgers es
1 2
vjn+1 = vjn r D0 vjn
2

(7.36)

mas detalladamente
vjn+1 = vjn r

1 n 2 n 2
vj+1 vj1
,
2

(7.37)

Utilizamos la condicion inicial

u0 (x) =

1 , x<0

1x , 0x1

0 , x > 1.

(7.38)

En las Figuras (7.1) y (7.2) , presentamos la solucion numerica de la ecuaci

n de
Burgers en ambos casos, para la forma conservativa y la no conservativa, utilizando
en ambos casos, FTCS y en ambos casos tambien se compara con la solucion
exacta para t = 90k = 1m, h = 1/20 y k = 2h/3. Lo mas destacable es que la
discretizacion en la forma conservativa es mas cercana a la solucion exacta para
t > 1, la cual es una onda de rarefraccion ( ver [23] ) que en el caso de la forma no
conservativa, diriamos que la forma conservativa conserva la energa inicial mucho
mejor que la forma no conservativa; observando pues que en el caso no lineal existen
otros aspectos que no lo tratamos aqu, sin embargo si el lector desea concer algo
mas de estos topicos recomendamos, sin embargo si el lector desea concer algo mas
de estos topicos recomendamos [11], [23].

No conservativo

Conservativo

1.3

1.3

1.2

1.2

1.1

1.1

0.9

0.9

0.8

0.8

0.7

0.7

0.6

0.6

0.5

0.5

0.4

0.4

0.3
-2

-1.5

-1

-0.5

0.5

1.5

Figura 7.1: Forma No Conservativa

0.3
-2

-1.5

-1

-0.5

0.5

1.5

Figura 7.2: Forma Conservativa

Bibliografa
[1] Abbott, M. and Basco, D. Computational Fluid Dynamics. An Introduction for Engineers. Copublished in the United States with Jhon Wiley &
Sons, Inc. , New York, 1989.
[2] Angirasa, D., Eggles, J. and Nieuwstadt, F. Numerical Simulation of
Transient Natural Convection form an Isothermal Cavity Open on a Side,
Numerical Heat Transfer,Part A., 28,755-768, 1995.
[3] Bejan, A. Convection Heat Transfer. Jhon Wiley & Sons. Inc. USA. 1992.
[4] Claeyssen, J. Bravo, E. and Rubio, O. Thermally driven convetive flow
in the boundary condition for the pressure, Numerical Heat Transfer,34,
658-672, 2002
[5] Durran, R. Numerical Methods for Wave Equations in Geophysical Fluid
Dynamics.Edit. Springer-Verlag, New York 1998.
[6] Duchateau, P. and Zachmann, D. Ecuaciones Diferenciales Parciales,
Teora y Problemas, McGraw-Hill,Mexico 1998.

320

[7] Evans, G., Blackledge, J. and Yardley, P. Numerical Methods for Partial
Differential Equations. Edit. Springer-Verlag. London, 2000.
[8] Farlow, S. Partial Diferential Equations for Scientists and Engineers,
Jhon Wiley & Sons, New York, 1982.
[9] Fletcher, C. Computational Techniques for Fluid Dynamics 1. SpringerVerlag, Sydney, 1990.
[10] Flard, J., Manteuffel,T. and Mccormick,S. First-Order System Least
Squares(Fosls) For Convection-Difusion Problemas :Numerical Results,SIAM J. SCL.Comput. Vol.19, No.5,pp. 1958-1979, 1998.
[11] Gustafsson, B ; Kreiss, H. & Oliger, Joseph Time Dependent Problems and
Difference Methods Wiley-Interscience Publication. Jhon wiley & Sons,
INC; New York; 1995.
[12] Hoffmann, K. and Chiag S. Computational Fulid Dynamics for Engineers,
Vol I. Library of Congress Catalog Card Number 93-090310, 1993.
[13] Marshall, G. Solucion Numerica de Ecuaciones Diferenciales Vol. II,
Metodos Computacionales en Ciencia e Ingeniera. Edit. Reverte, Buenos
Aires, 1990.
[14] Murli M. A Survey of Some Second Order Difference Schemes for SteadyState Convection-Difussion Equation. SIAM, 1994, Vol.3 319-331.

[15] Mu
noz R. Introducci
on a los Metodos Numericos para Problemas de la
Fsica Matematica, Notas del Primer Seminario Internacional de Matematica Aplicada, Universidad de Lima, Lima, 1998.
[16] Lara, L. Metodo de Diferencias Finitas para la Solucion de las Ecuaciones
de Navier-Stokes. Tesis Maestria, UNT , 2000.
[17] Patankar, S. Numerical Heat Transfer and Fluid Flow. Edit. McGraw-Hill
Book Company, USA, 1990.
[18] Polanco, F. and May L. An Implicit Finite Difference Approximation
to the one-dimensional Transport Equation, ANZIAM J 42(E) pp.11791198, 2000.
[19] Quarteroni, V. A Numerical Approximation of Partial Differencial.
Springer-Verlag, U.S.A, 1994.
[20] Smith, G. Numerical Solution of Partial Diffrential Equations: Finite Difference Methods, Oxford University Press, 1990.
[21] Strange, G. Introductiona to Applied Mathematics , Wellesley-Cambridge
Press, Massachusetts, 1990.
[22] Striwerda, J. Finite Difference Schemes and Partial Differential Equations. University of Wisconsin-Madison. U.S.A, 1990.
[23] Sod, G. Numerical Methods in Fluid Dynamics: Initial and Initial
Boundary-Value Problems. Cambridge University Press. U.S.A, 1985.

[24] Tijonov, A. y Samarsky A. Ecuaciones de la Fsica Matematica. Edit.

MIR, Mosc
u, 1983.
[25] Tveito, A. and Winther, R. Introduction to Partial Differential Equations.
A Computational Approach. Edit. Springer, 1998.
[26] Thomas, J. Numerical Partial Differential Equations: Finite Difference
Methods. Edit. Springer-Verlag, Nwe York, Inc, 1995.
[27] Weinberger, H. Ecuaciones Diferenciales en Derivadas Parciales Edit.
Reverte, S.A. Barcelona, Traducido por Velez C., F. y Lines E., E. de
Partial Diferential Equations, Edit. Blaisdel, 1965.