PRACTICA2-KARL CASTRO - Colaboratory

21/10/23, 21:00 PRACTICA2-KARL CASTRO - Colaboratory
Facultad de Ingeniería - Ingeniería Mecatrónica

Métodos Númericos - Prof. Mg. Carlos Deudor Gomez
Alumn@: Castro - Arellanos - Karl Allen
1)Dado el problema de valor inicial

2
′ 2 t
y − y = t e
t
1 ≤ t ≤ 2
y(1) = 0
Con las soluciones exactas y(t) 2

= t (e
t
− e) ; use el método de Euler con: h = 0.1
Despejando:
2
′ 2 t
y = y + t e
t
import matplotlib.pyplot as plt

import pylab as pl
def f(t,y):
return 2/t*y+t**2*pl.e**t
def g(t):
return t**2*(pl.e**t-pl.e)
t0=1
tn=2
h=0.1
t=t0
y=0
k=0
print('{4}{0:^4}{4}{1:^8}{4}{2:^8}{4}{3:^8}{4}'.format('k','t','y','error','|'))
while t<=tn:
plt.scatter(t,y, color= 'blue')
print('{4}{0:^4}{4}{1:>8.6f}{4}{2:>8.6f}{4}{3:>8.6f}{4}'.format(k,t,y,g(t)-y,'|'))
y=y+h*f(t,y)
t=t+h
k=k+1
r=pl.linspace(t0,tn,100)
g=r**2*(pl.e**r - pl.e)
plt.plot(r,g,color='r')
plt.show()
https://colab.research.google.com/drive/1vPR9NYGBRXqIOZcQAm9zLidF--KvhSaA?authuser=2#scrollTo=kKJYVhOsHBOQ&printMode=true 1/10
| k | t | y | error |
| 0 |1.000000|0.000000|0.000000|
| 1 |1.100000|0.271828|0.074092|
| 2 |1.200000|0.684756|0.181887|
| 3 |1.300000|1.276978|0.330237|
| 4 |1.400000|2.093548|0.526812|
| 5 |1.500000|3.187445|0.780221|
| 6 |1.600000|4.620818|1.100144|
| 7 |1.700000|6.466396|1.497477|
| 8 |1.800000|8.809120|1.984505|
| 9 |1.900000|11.747997|2.575085|
Para un tamaño de paso h = 0.05

import pylab as pl
def f(t,y):
return 2/t*y+t**2*pl.e**t
def g(t):
return t**2*(pl.e**t - pl.e)
t0=1
tn=2.05
h=0.05
t=t0
y=0
k=0
print('{4}{0:^4}{4}{1:^8}{4}{2:^8}{4}{3:^8}{4}'.format('k','t','y','error','|'))
while t<=tn:
plt.scatter(t,y, color = 'blue')
print('{4}{0:^4}{4}{1:>8.6f}{4}{2:>8.6f}{4}{3:>8.6f}{4}'.format(k,t,y,g(t)-y,'|'))
y=y+h*f(t,y)
t=t+h
k=k+1
g=r**2*(pl.e**r - pl.e)
plt.show()
| k | t | y | error |
| 0circuito
2)En un |1.000000|0.000000|0.000000|
eléctrico se dispone de un condensador con capacidad constante C = 1.1 faradios y una resistencia R = 2.1 ohmios. Se le
| 1 |1.050000|0.135914|0.017741|
aplica| un
2 voltaje
|1.100000|0.306386|0.039534|
| 3 |1.150000|0.515992|0.065791| −0.06πt
E (t) = e sin(2t − π)
| 4 |1.200000|0.769696|0.096947|
| 5 |1.250000|1.072886|0.133460|
La ecuación diferencial que rige el comportamiento del circuito es
| 6 |1.300000|1.431400|0.175815|
| 7 |1.350000|1.851563|0.224527| dI I dE
| 8 |1.400000|2.340224|0.280136| R + =
| 9 |1.450000|2.904792|0.343219| dt C dt
| 10 |1.500000|3.553282|0.414384|
y la intensidad en el instante inicial es I (0) = 1 amperio.
| 11 |1.550000|4.294358|0.494277|
| 12 |1.600000|5.137379|0.583583|
a)
| Obtén el valor aproximado de la intensidad cada décima de segundo durante los dos primeros segundos, con el método de
13 |1.650000|6.092453|0.683027|
| 14 2|1.700000|7.170493|0.793381|
Euler . Representa gráficamente la solución.
| 15 |1.750000|8.383272|0.915461|
| 16 |1.800000|9.743489|1.050135|
Calculando dE
| 17 |1.850000|11.264837|1.198326|
dt
| 18 |1.900000|12.962071|1.361010|
| 19 |1.950000|14.851090|1.539228|
import | sympy as sp
20 |2.000000|16.949013|1.734084|
import pylab as pl
t= sp.Symbol('t')
E= pl.e**(-0.06*sp.pi*t)*sp.sin(2*t - sp.pi)
dE= E.diff(t, 1)
dE
0.06 ⋅ 2.71828182845905−0.06πt π sin (2t) − 2 ⋅ 2.71828182845905−0.06πt cos (2t)
Expresando este resultado como una función de Python :
dEf = sp.lambdify(t, dE)

dEf(0)
-2.0
Reordenando:
dI 1 dE I
= ( − )
dt R dt C
Hallando la solución analítica:
import sympy as sp
t = sp.Symbol('t')
I = sp.Function('I')
R = 2.1
C = 1.1
f = 1/R*( 0.06*2.71828182845905**(-0.06*sp.pi*t)*sp.pi*sp.sin(2*t) - 2*2.71828182845905**(-0.06*sp.pi*t)*sp.cos(2*t) -I(t)/C)
IC = {I(0):1}
ode3 = sp.Eq(I(t).diff(t, 1), f)
sol_v3 = sp.dsolve(ode3, I(t), ics = IC)
sol_v3
Empleando el Método de Euler:
import numpy as np
C = 1.1
R = 2.1
E = lambda t: np.exp(-0.06 * np.pi * t) * np.sin(2 * t - np.pi)
def dI_dt(I, E, C, R):
return (E - I/C) / R
def euler_method(h, num_steps, I0, E, C, R):
t_values = np.linspace(0, h * num_steps, num=num_steps+1)
I_values = [I0]
for i in range(num_steps):
I = I_values[-1]
E_value = E(t_values[i])
I_values.append(I + h * dI_dt(I, E_value, C, R))
return t_values, I_values
I0 = 1
h1 = 0.1
h2 = 0.05
num_steps1 = int(2 / h1)
# Resolver con el método de Euler para los dos pasos de tiempo
t_values1, I_values1 = euler_method(h1, num_steps1, I0, E, C, R)
# Graficar la solución
plt.figure(figsize=(12, 6))
plt.plot(t_values1, I_values1, label=f'Paso h={h1}')
plt.xlabel('Tiempo (s)')
plt.ylabel('Intensidad (A)')
plt.title('Aproximación de la intensidad con el método de Euler')
plt.legend()
plt.grid()
plt.show()
# Calcular y mostrar el error
error = np.abs(np.array(I_values2[::2]) - np.array(I_values1))
print("Error estimado cada décima de segundo:")
for i, err in enumerate(error):
print(f"Error en el tiempo {i * h1 * 2:.1f}s: {err}")
import numpy as np
# Definir la ecuación diferencial y los parámetros
C = 1.1
R = 2.1
E = lambda t: np.exp(-0.06 * np.pi * t) * np.sin(2 * t - np.pi)
# Definir la función para la ecuación diferencial
def dI_dt(I, E, C, R):
return (E - I/C) / R
# Implementar el método de Euler
def euler_method(h, num_steps, I0, E, C, R):
t_values = np.linspace(0, h * num_steps, num=num_steps+1)
I_values = [I0]
for i in range(num_steps):
I = I_values[-1]
E_value = E(t_values[i])
I_values.append(I + h * dI_dt(I, E_value, C, R))
return t_values, I_values
# Parámetros iniciales
I0 = 1
h1 = 0.1
h2 = 0.05
# Resolver con el método de Euler para los dos pasos de tiempo
# Graficar la solución
plt.figure(figsize=(12, 6))
plt.xlabel('Tiempo (s)')
plt.ylabel('Intensidad (A)')
plt.title('Aproximación de la intensidad con el método de Euler')
plt.legend()
plt.grid()
plt.show()
# Calcular el error
error = np.abs(np.array(I_values2[::2]) - np.array(I_values1))
print("Error estimado cada décima de segundo:")
for i, err in enumerate(error):
print(f"Error en el tiempo {i * h1 * 2:.1f}s: {err}")
Error estimado cada décima de segundo:

Error en el tiempo 0.0s: 0.0
Error estimado cada décima de segundo:

3) Considere
Error enelel
problema
tiempo de condición
1.0s: frontera −y ′′ + 400y = −400 cos2 (πx) − 2π 2 cos(πx) con y(0) = y(1) = 0 halle la solución
0.005782807440730897
aproximada usando diferencias finitas para n = 5 sabemos que la solución exacta es:
Error en el tiempo 1.6s: 0.00431229176506831 e−20 20x
1
−20x 2
y(x) =
Error en el tiempo 1.8s: 0.003089036849073634 e + e − cos (πx)
−20 −20
1 + e 1 + e
Error
Muestre en el tiempo
el sistema 2.2s: 0.00012261564645471568
de ecuaciones lineales o la matriz asociada, así como la representación gráfica de la solución exacta y aproximada.
Reemplazando:
Error en el tiempo 3.0s: 0.007534587022994421 ′′
y i+1 − 2y i + y i−1
Error en el tiempo 3.2s: 0.009156747784722752 y =
2
h
Error en el tiempo 3.6s: 0.011685093202263824 y i+1 − y i−1
′
y =
Error en el tiempo 3.8s: 0.012506337029395576 2h
y = yi
x = xi
Para un n = 5 , se obtiene h = 0.2 :

y i+1 − 2y i + y i−1
2 2
−( ) + 400y i = −400 cos (πxi ) − 2π cos(2πxi )
2
(0.2)
Simplificando:
2 2
−25 (y i+1 − 2y i + y i−1 ) + 400y i + 400 cos (πxi ) + 2π cos(2πxi ) = 0
2 2
−25y i−1 + 450y i − 25y i+1 + 400 cos (πxi ) + 2π cos(2πxi ) = 0
Empleando el método de diferencias finitas:
import sympy as sp
import pylab as pl
sp.init_printing()
y1, y2, y3, y4, y5, y6, y7, y8, y9 = sp.symbols('y1 y2 y3 y4 y5 y6 y7 y8 y9')
def x(n):
h = 0.2
return n*h
y0 = 0
y5 = 0
eq1 = -25*y0 + 450*y1 -25*y2 + 400*pl.cos(pl.pi*x(1))**2 + 2*pl.pi**2*pl.cos(2*pl.pi*x(1))
yapr = sp.solve([eq1, eq2, eq3, eq4], [y1, y2, y3, y4])
y_lst = []
for value in yapr.values():
y_lst.append(value)
yaprox = [y0] + y_lst + [y5]
yaprox
[0, −0.600207317141634, −0.08760571453429, −0.08760571453429, −0.600207317141634, 0]
def x(n):
h = 0.2
return n*h
import pylab as pl
x = [x(n) for n in range(0,6)]
r = pl.linspace(0,1,100)
f = (pl.e**(-20)/(1 + pl.e**(-20)))*pl.e**(20*r) + (1/(1 + pl.e**(-20)))*pl.e**(-20*r) - pl.cos(pl.pi*r)**2
pl.plot(r,f, color = 'blue')
pl.scatter(x,yaprox, color = 'orange')
pl.legend(['Solución analítica','Método de Dif. Fin.'])
pl.title('Método de diferencias finitas')
pl.xlabel('x')
pl.ylabel('y')
pl.show()
4)Use el algoritmo lineal de diferencias finitas para aproximar las soluciones de y −10x
= e al problema con valor frontera
y
′′
, , ,
= 100y 0 ≤ x ≤ 1 y(0) = 1 y(1) = e
−10
Use h = 0.1 y 0.05 . ¿Puede explicar las consecuencias?
, ,
1
h = 0.1 2
= 100 n = 10
h
Reemplazando:
y i+1 − 2y i + y i−1
′′
y =
2
h
y i+1 − y i−1
′
y =
2h
y = yi
x = xi
Se obtiene:
y i+1 − 2y i + y i−1
− 100y i = 0
1 2
( )
6
100y i+1 − 200y i + 100y i−1 − 100y i = 0
100y i−1 − 300y i + 100y i+1 = 0
import sympy as sp
import pylab as pl
sp.init_printing()
y1, y2, y3, y4, y5, y6, y7, y8, y9 = sp.symbols('y1 y2 y3 y4 y5 y6 y7 y8 y9')
y0 = 1
y10 = pl.e**(-10)
eq1 = 100*y0 - 300*y1 + 100*y2
eq2 = 100*y1 - 300*y2 + 100*y3
eq3 = 100*y2 - 300*y3 + 100*y4
eq4 = 100*y3 - 300*y4 + 100*y5
eq5 = 100*y4 - 300*y5 + 100*y6
eq6 = 100*y5 - 300*y6 + 100*y7
eq7 = 100*y6 - 300*y7 + 100*y8
eq8 = 100*y7 - 300*y8 + 100*y9
eq9 = 100*y8 - 300*y9 + 100*y10
yapr2 = sp.solve([eq1, eq2, eq3, eq4, eq5, eq6, eq7, eq8, eq9], [y1, y2, y3, y4, y5, y6, y7, y8, y9])
y_lst2 = []
for value in yapr2.values():
y_lst2.append(value)
yaprox2 = [y0] + y_lst2 + [y10]
yaprox2
[1, 0.381966008189199, 0.145898024567596, 0.0557280655135903, 0.0212861719731744, 0.00813045040593303, 0.00310517924462466, 0.0
def x(n):
h = 0.1
return n*h
import pylab as pl
x2 = [x(n) for n in range(0,11)]
f = pl.e**(-10*r)
pl.scatter(x2,yaprox2, color = 'orange')
pl.xlabel('x')
pl.ylabel('y')
pl.show()
, ,
1
h = 0.05 2
= 400 n = 20
h
Reemplazando:
y i+1 − 2y i + y i−1
′′
y =
2
h
y i+1 − y i−1
′
y =
2h
y = yi
x = xi
Se obtiene:
y i+1 − 2y i + y i−1
− 100y i = 0
1 2
( )
6
400y i+1 − 800y i + 400y i−1 − 100y i = 0
400y i−1 − 900y i + 400y i+1 = 0
import sympy as sp
import pylab as pl
sp.init_printing()
y1, y2, y3, y4, y5, y6, y7, y8, y9, y10, y11, y12, y13, y14, y15, y16, y17, y18, y19 = sp.symbols('y1 y2 y3 y4 y5 y6 y7 y8 y9 y10 y11 y12
y0 = 1
y20 = pl.e**(-10)
eq1 = 400*y0 - 900*y1 + 400*y2
eq2 = 400*y1 - 400*y2 + 400*y3
eq3 = 400*y2 - 900*y3 + 400*y4
eq4 = 400*y3 - 900*y4 + 400*y5
eq5 = 400*y4 - 900*y5 + 400*y6
eq6 = 400*y5 - 900*y6 + 400*y7
eq7 = 400*y6 - 900*y7 + 400*y8
eq8 = 400*y7 - 900*y8 + 400*y9
eq9 = 400*y8 - 900*y9 + 400*y10
eq10 = 400*y9 - 900*y10 + 400*y11
eq11 = 400*y10 - 900*y11 + 400*y12
eq12 = 400*y11 - 900*y12 + 400*y13
eq13 = 400*y12 - 900*y13 + 400*y14
eq14 = 400*y13 - 900*y14 + 400*y15
eq15 = 400*y14 - 900*y15 + 400*y16
eq16 = 400*y15 - 900*y16 + 400*y17
eq17 = 400*y16 - 900*y17 + 400*y18
eq18 = 400*y17 - 900*y18 + 400*y19
eq19 = 400*y18 - 900*y19 + 400*y20
yapr2 = sp.solve([eq1, eq2, eq3, eq4, eq5, eq6, eq7, eq8, eq9, eq10, eq11, eq12, eq13, eq14, eq15, eq16, eq17, eq18, eq19], [y1, y2, y3,
y_lst2 = []
for value in yapr2.values():
y_lst2.append(value)
yaprox2 = [y0] + y_lst2 + [y20]
yaprox2
[1, −3.20973001007639, −0.156810808022234, −0.0955852653386829, −0.0582560389898023, −0.0354908223883724, −0.02159831138403
def x(n):
h 0 05
h = 0.05
return n*h
import pylab as pl
x2 = [x(n) for n in range(0,21)]
f = pl.e**(-10*r)
pl.scatter(x2,yaprox2, color = 'orange')
pl.xlabel('x')
pl.ylabel('y')
pl.show()
5)La concentración de sal hecha fabricante de jabón casero se da como una función del tiempo por:
dx
+ 3.5x − 37.5 = 0
dt
En el momento inicial t = 0 , la concentración de sal en el tanque es 50g/L . Encuentra la solución analítica y utilizando el método de Euler
utilice diferentes tipos de paso para obtener una tabla de valores. ¿Cuál es la concentración de sal en el minuto 3 ? Grafique los resultados
obtenidos especificando la solución exacta y aproximada. Reordenando:
dx
= −3.5x + 37.5
dt
Hallando la solución analítica
import sympy as sp
sp.init_printing()
t= sp.Symbol('t')
x= sp.Function('x')
f= -3.5*x(t) + 37.5
IC= {x(0):50}
edo= sp.Eq(x(t).diff(t, 1), f)
sol_v= sp.dsolve(edo, x(t), ics = IC)
sol_v
x(t) = 10.7142857142857 + 39.2857142857143e−3.5t
Para un h = 0.1875 :

import pylab as pl
def f(t,x):
return -3.5*x + 37.5
def g(t):
return 10.7142857142857+39.2857142857143*pl.e**(-3.5*t)
t0=0
tn=3
h=0.1875
t=t0
x=50
k=0
print('{4}{0:^4}{4}{1:^8}{4}{2:^8}{4}{3:^8}{4}'.format('k','t','x','error','|'))
while t<=tn:
plt.scatter(t,x, color = 'blue')
print('{4}{0:^4}{4}{1:>8.6f}{4}{2:>8.6f}{4}{3:>8.6f}{4}'.format(k,t,x,g(t)-x,'|'))
x=x+h*f(t,x)
t=t+h
k=k+1
g=10.7142857142857+39.2857142857143*pl.e**(-3.5*r)
plt.show()
| k | t | x | error |
| 0 |0.000000|50.000000|0.000000|
| 1 |0.187500|24.218750|6.876696|
| 2 |0.375000|15.356445|5.931447|
| 3 |0.562500|12.310028|3.889772|
| 4 |0.750000|11.262822|2.297311|
| 5 |0.937500|10.902845|1.287847|
| 6 |1.125000|10.779103|0.701132|
| 7 |1.312500|10.736567|0.375088|
| 8 |1.500000|10.721945|0.198493|
| 9 |1.687500|10.716919|0.104318|
| 10 |1.875000|10.715191|0.054580|
| 11 |2.062500|10.714597|0.028474|
| 12 |2.250000|10.714393|0.014827|
| 13 |2.437500|10.714322|0.007711|
| 14 |2.625000|10.714298|0.004007|
| 15 |2.812500|10.714290|0.002081|
| 16 |3.000000|10.714287|0.001080|

PRACTICA2-KARL CASTRO - Colaboratory

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

PRACTICA2-KARL CASTRO - Colaboratory

Enviado por

Direitos autorais:

Formatos disponíveis

21/10/23, 21:00 PRACTICA2-KARL CASTRO - Colaboratory

Facultad de Ingeniería - Ingeniería Mecatrónica

Alumn@: Castro - Arellanos - Karl Allen

1)Dado el problema de valor inicial

Con las soluciones exactas y(t) 2

import matplotlib.pyplot as plt

Para un tamaño de paso h = 0.05

import matplotlib.pyplot as plt

0.06 ⋅ 2.71828182845905−0.06πt π sin (2t) − 2 ⋅ 2.71828182845905−0.06πt cos (2t)

Expresando este resultado como una función de Python :

dEf = sp.lambdify(t, dE)

Hallando la solución analítica:

Empleando el Método de Euler:

Error estimado cada décima de segundo:

Error estimado cada décima de segundo:

Para un n = 5 , se obtiene h = 0.2 :

Empleando el método de diferencias finitas:

[0, −0.600207317141634, −0.08760571453429, −0.08760571453429, −0.600207317141634, 0]

100y i+1 − 200y i + 100y i−1 − 100y i = 0

100y i−1 − 300y i + 100y i+1 = 0

[1, 0.381966008189199, 0.145898024567596, 0.0557280655135903, 0.0212861719731744, 0.00813045040593303, 0.00310517924462466, 0.0

400y i+1 − 800y i + 400y i−1 − 100y i = 0

400y i−1 − 900y i + 400y i+1 = 0

[1, −3.20973001007639, −0.156810808022234, −0.0955852653386829, −0.0582560389898023, −0.0354908223883724, −0.02159831138403

Hallando la solución analítica

x(t) = 10.7142857142857 + 39.2857142857143e−3.5t

import matplotlib.pyplot as plt

Você também pode gostar