You are on page 1of 50

PORTAFOLIO DE EVIDENCIAS

ASIGNATURA:
Anlisis numrico
ALUMNO:
GASPAR Jimnez GUSTAVO
Monroy Marn adrin
Lpez salinas Vctor Josu
PROFESOR:
Gutierrez Villalba Mara ivonne

Qu es un mtodo numrico?
Los mtodos numricos son tcnicas mediante las cuales es posible formular problemas de tal
forma que puedan resolverse usando operaciones.

Error.-Diferencia, discrepancia, variacin entre el valor verdadero y el valor aproximado.


Exactitud.-cercana del valor medido al valor real.
Precisin.-Es la dispersin del conjunto de valores que se obtiene a partir de las
mediciones .Repetidad de una magnitud a menor dispersin, mayor precisin.

Tipos de error
Error de formulacin.
Error de medicin.
Error numrico
Error verdadero Ev=valor verdadero-valor aproximado
Error Absoluto | |=| |
Error Relativo

Er=

Er=

| |=| | x 100%
1.-Procedimiento (Algoritmo) para la resolucin de un problema.
Caractersticas: Utilizan algoritmos con cdigo finito, soluciones numricas no son exactas y son
aproximadas.

Presentacin de punto flotante


Precisin simple
Precisin doble

Float (A bytes)
Doubl(8 bytes)

32 bits IEFF
64 bits IEFF

Muchas de las aplicaciones requieren trabajar con nmeros que no son enteros. Una forma de
representar es un punto flotante. Bajo este esquema un nmero puede ser expresado mediante un
exponente y una mantisa.

Ejemplo: l numero 10.75 puede ser expresado como:


10.75x10
1.075x101
Mantisa

Exponente

De forma general un nmero flotante se representa:

d0, d1,d2,d3dk bexp


Donde:
d0,d1,d2,d3dk es la mantisa
b es la base
exp es el exponente

Qu se necesita para representar un punto flotante?

El signo del numero


El signo del exponente
Dgitos del exponente
Dgitos de la mantisa

Dado que el nmero se puede representar de distintas formas es necesario establecer una nica
representacin, es por ello que se trabaja con nmeros normalizados. Decimos que un nmero esta
normalizado si:

El digito a la izquierda del punto est entre 0 y la base


Para un nmero binario esta normalizado si el digito a la izquierda es 1.

Estndar IEEE-754 para representar punto flotante.


Este estndar se desarrolla para facilitar la portabilidad de los programas de un procesador a otro y
para alentar el desarrollo de programas numricos sofisticados. Este estndar ha sido ampliamente
adoptado y se utiliza bsicamente en todos los procesadores y coprocesadores aritmticos actuales.
El estndar de la EEE define el formato para precisin simple de 32 bits y precisin doble para 64
bits.

Precisin Simple.
El formato para los nmeros de precisin simple de 32 bits.

s
1 bits

Exp
8 bits

Mantisa
23 bits

S=signo (0,1) 0 positivo, 1 negativo


Es el bit ms significativo de esta manera se pueden comparar datos con respecto de 0.
Exp=exponente con signo. Si los nmeros estn normalizados se comparan los exponentes, si son
iguales se comparan las mantisas.
Mantisa=formada por los 23 bits. Como los nmeros se representan de forma normalizada entonces
siempre se tendr un 1 a la izquierda del punto. Por lo que este digito no es necesario representarlo
en la palabra y se tiene de manera implcita.
Ejemplo: Representar segn el estndar IEEE de punto flotante los siguientes valores
a) 710=1112
Convertimos en nmero binario
24
16
0

23
8
0

22
4
1

21
2
1

20
1
1

b) Normalizamos el numero:

1112=1.11x1022
c) Calculamos el exponente con exceso de 127 para precisin simple.

2+127=12910
Convertimos 12910 a binario

12910=1000,00012

Representacin de 7 en un punto flotante IEEE.


S
0
1bit

Exp
100000001
8 bits

Mantisa
1100000000
23 bits

Ejemplo: Representar 2110 a binario con el estndar IEEE para 32 bits.


a) Normalizar 10101=1.0101x1042
b) Calculamos Exp con exponente 127

4+127=13110=100000112
c) Representacin de 21 con IEEE

S
0

Exp
10000011

Mantisa
01010000

Algoritmo de conversin de un punto flotante decimal a cualquier base.


Dado un nmero Num10 es punto decimal y una base b d0=parte entera de Num10

Num10=( Num10 d0)*b


I=1 Repetir desde i=1 hasta N
Di=parte entera (Num10)

Num10= ( Num10 di)*b


Num10= d0, d1, d2,d3dNb
Ejemplo: Convertir 0.510 a binario y hallar su representacin con IEEE precisin simple.

Num10=0.5
(0.5-0)*2=1

d0=0

(1.00-1)*2=0

d1=1

0.510=0.12

1.0x2-1

Calculamos el exponente con exceso de 127


-1+127=126 ;12610=0111 11102
Representacin de 0.5 con IEEE

0
1 bit

0111 1110
8 bits

000000
23 bits

Serie de Taylor.
Es una funcin y surge de una expresin en la cual se puede encontrar una solucin aproximada a
una funcin y se define como:

que puede ser escrito de una manera ms compacta como la siguiente sumatoria:

, cuando a=0

Mc.Laurin

Donde:

n! es el factorial de n y

f (n)(a) denota n-sima derivada l de f para el valor a de la variable respecto de la cual se


deriva.

Ejercicio: Encuentre la Serie de Mc.laurin de f(x)=ex

Aproxima e0.5 con la Serie de Mc.Laurin e0.5=1.64

Teorema fundamental del algebra.


Todo polinomio de grado n tendr n races reales o complejas es decir para todo polinomio de la
forma:

Tiene n soluciones y se puede determinar como:

++(x-Y1)(x-Y2) (x-Yn)
Donde:

Y1,Y2 ,Yn

son todas las posibles funciones de raz.

Regla de signo de Descartes.


Esta regla nos indica que el nmero de races positivas o negativas que tendr un polinomio, el
nmero de races reales positivas de un polinomio f(x) es igual al nmero de cambio de signo
termino a trmino de f(x) o ese mismo nmero reducido en una cantidad.
El nmero de races reales negativas de un polinomio f(x) es igual al nmero de cambio de signo
termino a trmino f(x) o disminuido este nmero en una cantidad par.

Ejemplo: Para un polinomio P(x)=x5+2x4+x3+2x2+3x+6


Determine el nmero de races reales positivas, negativas o complejas
Races
5

Races reales(+)
0
0
0

Races reales(-)
5
3
1

Complejas
0
2(-1)
4(-1)

Mtodo de la Biseccin.
El mtodo de la biseccin o corte binario es un mtodo de bsqueda incrementada que divide el
intervalo siempre en 2.5; la funcin cambia de signo sobre un intervalo, se evala el valor de la
funcin en el punto medio. La posicin de la raz se determina situando en el punto medio del
subintervalo donde exista cambio de signo. El proceso se repite hasta mejorar la aproximacin.
PASO 1.-Elegir los valores iniciales Xa y Xb de tal forma de que la funcin cambie de signo:

f(Xa)*f(Xb)<0
PASO 2.-La primera aproximacin a la raz se determina con la frmula del punto medio de esta
forma:

Xpm=

Xa Xb
2

PASO 3.-Realizar las siguientes evaluaciones para determinar el intervalo de la raz


si f(Xa) f(Xb)<0 ,entonces la solucin de la raz esta entre Xa y Xpm, y Xb pasa a ser el

punto medio.
si f(Xa) f(Xb)>0 ,entonces la solucin o raz esta fuera del intervalo entre Xa y Xpm, y
Xa pasa a ser el punto medio(Xpm).
PASO 4: Si f(Xa) f(Xb)=0 o Error=|Xpm Xpm 1|<Tolerancia y Xpm-1 es el punto medio de la
iteracin anterior.
Al cumplirse la condicin del paso 4, la raz o solucin es el ltimo punto medio que se obtuvo.
Para el error relativo porcentual se tiene la siguiente formula:

Error relativo=
a) si

f(Xa)* f(Xr)<0 ,entonces la

Por lo tanto Xa=


b)

Xpm

* 100

raz se encuentra en el subintervalo.

Xr, y contine el paso 2.

si f(Xb)* f(Xr)<0 ,entonces la raz se encuentra en el subintervalo.


Por lo tanto Xb=

Xr, y contine el paso 2.

METODO DE BUSQUEDA DE RAICES.

Metodos intervalos
(cerrados)

Biseccion
regla falsa

Raices reales
Punto fijo
Metodos abiertos

Tangente
Secante

Mtodo de biseccin.
El mtodo de biseccin conocido tambin como de corte binario es un mtodo de bsqueda
implemental, en el que el intervalo siempre se divide en 2.si la funcin cambia de signo
sobre un intervalo, se evala el valor de la funcin en el punto medio. La posicin de la raz
se determina situndola en el punto medio del subintervalo dentro del cual ocurre un
cambio de signo. El proceso se repite hasta obtener una mejor aproximacin.
PASO 1.-Elegir los valores iniciales Xa y Xb de tal forma de que la funcin cambie de signo:

f(Xa)*f(Xb)<0
PASO 2.-La primera aproximacin a la raz se determina con la frmula del punto medio de esta
forma:

Xpm=

Xa Xb
2

PASO 3.-Realizar las siguientes evaluaciones para determinar el intervalo de la raz


si f(Xa) f(Xb)<0 ,entonces la solucin de la raz esta entre Xa y Xpm, y Xb pasa a ser el

punto medio.
si f(Xa) f(Xb)>0 ,entonces la solucin o raz esta fuera del intervalo entre Xa y Xpm, y
Xa pasa a ser el punto medio(Xpm).

PASO 4: Si f(Xa) f(Xb)=0 o Error=|Xpm Xpm 1|<Tolerancia y Xpm-1 es el punto medio de la


iteracin anterior.
Al cumplirse la condicin del paso 4, la raz o solucin es el ltimo punto medio que se obtuvo.
Para el error relativo porcentual se tiene la siguiente formula:

Error relativo=
c) si

f(Xa)* f(Xr)<0 ,entonces la

Por lo tanto Xa=


d)

Xpm

* 100

raz se encuentra en el subintervalo.

Xr, y contine el paso 2.

si f(Xb)* f(Xr)<0 ,entonces la raz se encuentra en el subintervalo.

Por lo tanto Xb=

Xr, y contine el paso 2

EJERCICIO.-Aplique el mtodo de biseccin para encontrar la raz positiva de:


F(X)=x2+x-12.Calcula hasta 3 iteraciones [0,8]

EJERCICIO.-Determinar las raices reales f(x)=-0.4x2+2.2x+4.7


a) Realizar la grafica
b) Determinar las races de forma cuadrtica
c) Determinar las raz ms grande en el intervalo Xa=5 y Xb=10.realice 5 iteraciones.

METODO DE REGLA FALSA.


Aunque el mtodo de biseccin es una tcnica perfectamente vlida para determinar races, su
enfoque en algunos de los casos es ineficiente, por esta razn el mtodo de la regla falsa es una
alternativa basada en una situacin grafica en defecto de mtodo de biseccin es aquel al dividir de

Xa en Xn, en mitades, no se toma en consideracin la magnitud de f(Xa) y f(Xb).


Ejemplo.-si f(Xa) es mucho ms cercano que f(Xb) es lgico que la raz que se encuentra ms
cercana de Xa que Xb.
Este mtodo alternativo que aprovecha la visualizacin grafica es la de unir f(Xa) y f(Xb) con una
lnea recta.
La interseccin de esta lnea con el eje de las X, representa una mejor estimacin a la raz de hecho
que se reemplace la curva por una lnea recta de una posicin falsa de la raz.
Usando tringulos semejantes, la interseccin de la recta con la interseccin con el eje de las X
puede ser estimado como:

f(Xa)
f(Xb)
=
(XrXa) (XrXb)

El cual puede resolver, para estimar la aproximacin hacia la raz Xr :

f(Xb)(XaXb

Xr =Xb-[ f(Xa)f(Xb) ]

Formula de regla falsa.

ALGORITMO.
PASO 1.-Establecer los valores iniciales

Xa

INTERVALO INFERIOR

Xb

INTERVALO SUPERIOR

Evaluar si esos valores iniciales encierran a la raz con la condicin:

si f(Xa) * f(Xb)<0
PASO 2.-Determinar la aproximacin hacia la raiz:

f(Xb)(XaXb

Xr =Xb-[ f(Xa)f(Xb) ]
PASO 3.-Evaluar las siguientes condiciones:

si f(Xa) * f(Xr)<0 entonces Xb =Xr


si f(Xb) * f(Xr)<0 entonces Xa =Xr

EJERCICIO.-Determine la raz real x3.3=7.9


a)
b)
c)
d)

Analticamente
Grficamente
Mtodo de regla falsa en el intervalo de [3,4]
Mtodo de biseccin [3,4]

METODOS ABIERTOS.
Los mtodos abiertos se basan en frmulas que requieren nicamente de un solo valor de inicio o
que empiezen con un par de ellos, pero no necesariamente encierran a la raz. Como tales algunas
veces divergen. A medida que crece el nmero de iteraciones, sin embargo cuando los mtodos
abiertos divergen por lo general lo hacen mucho mar rpido por que usan intervalos.

ITERACION SIMPLE DE PUNTO FIJO.


Se basa en una frmula que predice la raz atraves de sustituciones sucesivas, al arreglar la ecuacin
f(x)=0; de tal modo que x pueda quedar del lado izquierdo de la ecuacin encontrando la forma
x=g(x).
Esta transformacin se puede llevar a cabo mediante operaciones algebraicas o simplemente
agregando x a cada lado de la ecuacin original.
La utilidad de la ecuacin es que proporciona una frmula para predecir un nuevo valor x en funcin
del valor anterior de x. De esta manera, dado un valor de inicio a la raz de xi ; se obtiene la ecuacin
que puede usar para obtener una nueva aproximacin xi+1 expresada por la siguiente formula:

xi+1 =g(xi)
Error aproximado:

Era=|

xi+1xi
|
xi+1

Criterio de convergencia.
|g(xi)|1 podemos asegurar que g(x) elegida converge.

Ejercicio.-Use iteraciones simples de punto fijo para localizar la raz de f(x)=e-x x con la
condicin inicial X0=0.Realice 5 iteraciones.

METODO DE LA SECANTE.
En anlisis numrico el mtodo de la secante es un mtodo para encontrar los ceros de una funcin
de forma iterativa.
Es una variacin del mtodo de Newton-Raphson donde en vez de calcular la derivada de la funcin
en el punto de estudio, teniendo en mente la definicin de derivada, se aproxima la pendiente a la
recta que une la funcin evaluada en el punto de estudio y en el punto de la iteracin anterior. Este
mtodo es de especial inters cuando el coste computacional de derivar la funcin de estudio y
evaluarla es demasiado elevado, por lo que el mtodo de Newton no resulta atractivo.
En otras palabras, el mtodo de la secante es un algoritmo de la raz de investigacin que utiliza una
serie de races de las lneas secantes para aproximar mejor la raz de una funcin f.
El mtodo se define por la relacin de recurrencia:

Como se puede ver, este mtodo necesitar dos aproximaciones iniciales de la raz para poder
inducir una pendiente inicial.

EJERCICIO.-Utilice el mtodo de la secante para encontrar una raz real de la ecuacin


polinomial: f(x)=x3+2x2+10x-20=0.
Utilizando la ecuacin:

Obtenemos:

Y mediante x0=0 y x1=1 se calcula x2

Los valores posteriores son los siguientes:

Ahi tenemos el resultado, cuando

NEWTON-RAPHSON (METODO DE LA TANGENTE).


Dentro de las frmulas para localizar races y la formula de la tangente es la ms
ampliamente usada. Si el valor inicial de la raz es Xi ,entonces se puede extender una
tangente desde el punto Xi fi( Xi).el punto donde esta tangente cruza el eje de las X,
representa una aproximacin mejorada de la raz, la interpretacin de esta frmula se basa
en la siguiente grfica.

f(X0) =|

Xi+1= Xi-[

f(X0)0

| que se puede ordenar para obtener:

xixi+1
f(Xi)

f(Xi)

]formula de la tangente 2 mtodo Newton-Raphson

SISTEMA DE ECUACIONES LINEALES.

En matemticas y lgebra lineal, un sistema de ecuaciones lineales, tambin conocido


como sistema lineal de ecuaciones o simplemente sistema lineal, es un conjunto de ecuaciones
lineales (es decir, un sistema de ecuaciones en donde cada ecuacin es de primer grado), definidas
sobre un cuerpo o un anillo conmutativo. Un ejemplo de sistema lineal de ecuaciones sera el
siguiente:

El problema consiste en encontrar los valores desconocidos de las variables x1, x2 y x3 que satisfacen
las tres ecuaciones.
El problema de los sistemas lineales de ecuaciones es uno de los ms antiguos de la matemtica y
tiene una infinidad de aplicaciones, como en procesamiento digital de seales, anlisis estructural,
estimacin, prediccin y ms generalmente en programacin lineal as como en la aproximacin de
problemas no lineales de anlisis numrico.

METODO DE GAUSS.
El estudio de los sistemas de ecuaciones lineales simultneas est ligado ntimamente al estudio
de las matrices rectangulares de nmeros, definidas por el arreglo de los coeficientes de dichas
ecuaciones.
Definicin 1.- Una matriz es una tabla de "mxn" elementos dispuestos en "m" filas y "n" columnas.
Definicin 2.- Se llama matriz diagonal a aquella matriz cuadrada cuyos elementos no diagonales
son todos nulos:

Definicin 3.- Se llama matriz escalar a aquella matriz diagonal cuyos elementos diagonales son
todos iguales:

Definicin 4. La suma de matrices se efecta mediante la adicin de los correspondientes


elementos individuales.

METODO DE GAUSS JORDAN.


En matemticas,

la eliminacin

de

Gauss-Jordan,

llamada

as debido

a Carl Friedrich

Gauss y Wilhelm Jordan, es un algoritmo del lgebra lineal para determinar las soluciones de un
sistema de ecuaciones lineales, encontrar matrices e inversas. Un sistema de ecuaciones se resuelve
por el mtodo de Gauss cuando se obtienen sus soluciones mediante la reduccin del sistema dado
a otro equivalente en el que cada ecuacin tiene una incgnita menos que la anterior. El mtodo de
Gauss transforma la matriz de coeficientes en una matriz triangular superior. El mtodo de GaussJordan contina el proceso de transformacin hasta obtener una matriz diagonal.
ALGORITMO DEL METODE DE GAUUS JORDAN.
1. Ir a la columna no cero extrema izquierda
2. Si el primer rengln tiene un cero en esta columna, intercambiarlo con otro que no lo
tenga
3. Luego, obtener ceros debajo de este elemento delantero, sumando mltiplos adecuados
del rengln superior a los renglones debajo de l
4. Cubrir el rengln superior y repetir el proceso anterior con la submatriz restante. Repetir
con el resto de los renglones (en este punto la matriz se encuentra en la forma de
escaln)
5. Comenzando con el ltimo rengln no cero, avanzar hacia arriba: para cada rengln
obtener un 1 delantero e introducir ceros arriba de ste sumando mltiplos
correspondientes a los renglones correspondientes.

Ejemplo.- Supongamos que es necesario encontrar los nmeros "x", "y", "z", que satisfacen
simultneamente estas ecuaciones:

Esto es llamado un sistema lineal de ecuaciones. El objetivo es reducir el sistema a otro


equivalente, que tenga las mismas soluciones. Las operaciones (llamadas elementales) son estas:

Multiplicar una ecuacin por un escalar no nulo.

Intercambiar de posicin dos ecuaciones

Sumar a una ecuacin un mltiplo de otra.

En nuestro ejemplo, eliminamos x de la segunda ecuacin sumando 3/2 veces la primera ecuacin
a la segunda y despus sumamos la primera ecuacin a la tercera. El resultado es:

Ahora eliminamos y de la primera ecuacin sumando -2 veces la segunda ecuacin a la primera, y


sumamos -4 veces la segunda ecuacin a la tercera para eliminar y.

Finalmente eliminamos z de la primera ecuacin sumando -2 veces la tercera ecuacin a la


primera, y sumando 1/2 veces la tercera ecuacin a la segunda para eliminar z.

Despejando, podemos ver las soluciones:

Para clarificar los pasos, se trabaja con la matriz aumentada. Podemos ver los 3 pasos en su
notacin matricial:

Primero:

Despus,

Por ltimo.

Si el sistema fuera incompatible, entonces nos encontraramos con una fila como esta:

Que representa la ecuacin:

, es decir,

que no tiene solucin.

METODO DE LU.
Para encontrar la matriz triangular inferior se busca hacer ceros los valores de arriba de cada pivote,
as como tambin convertir en 1 cada pivote. Se utiliza el mismo concepto de "factor" explicado
anteriormente y se ubican todos los "factores" debajo de la diagonal segn corresponda en cada
uno.
Esquemticamente se busca lo siguiente:

Originalmente se tena:

Debido a que [A] = [L][U], al encontrar [L] y [U] a partir de [A] no se altera en nada la ecuacin y se
tiene lo siguiente:

Por lo tanto, si Ax = b, entonces LUx = b, de manera que Ax = LUx = b.


PASOS PARA RESOLVER UN SISTEMA DE ECUACIONES POR EL MTODO DE DESCOMPOSICIN LU
1. Obtener la matriz triangular inferior L y la matriz triangular superior U.
2. Resolver Ly = b (para encontrar y).
3. El resultado del paso anterior se guarda en una matriz nueva de nombre "y".
4. Realizar Ux = y (para encontrar x).
5. El resultado del paso anterior se almacena en una matriz nueva llamada "x", la cual brinda
los valores correspondientes a las incgnitas de la ecuacin.

PROBLEMA: Encontrar los valores de x1, x2 y x3 para el siguiente sistema de ecuaciones:

SOLUCIN:

[A] =

-2

-1

-1

-4

9
[B] =

7
12
ITERACIN 1

Factor 1 = (a21 / a11) = 5 / 4 = 1.25


Factor 2 = (a31 / a11) = 1 / 4 = 0.25
Encontrando [U]
Fila 2 = - (factor 1) * (fila 1) + (fila 2)
Fila 3 = - (factor 2) * (fila 1) + (fila 3)
a11 = a11
a12 = a12
a13 = a13
a21 = - (1.25) * (4) + (5) = 0
a22 = - (1.25) * (- 2) + (1) = 3.5
a23 = - (1.25) + (- 1) + (- 1) = 0.25
a31 = - (0.25) * (4) + (1) = 0
a32 = - (0.25) * (- 2) + (2) = 2.5
a33 = - (0.25) * (- 1) + (- 1) = - 0.75
Encontrando [L]
1

[L] = 1.25

0.25

ITERACIN 2
Factor 3 = (u32 / u22) = 2.5 / 3.5 = 0.7142857143
Encontrando [U]
Fila 3 = - (factor 3) * (fila 2) + (fila 3)
a31 = - (2.5 / 3.5) * (0) + (0) = 0
a32 = - (2.5 / 3.5) * (3.5) + (2.5) = 0
a33 = - (2.5 / 3.5) * (0.25) + (- 0.75) = - 0.9285714286

[U] =

-2

-1

3.5

0.25

- 0.9285714286

Encontrando [L]

[L] =

1.25

0.25 0.7142857143

Ahora ya se tiene la matriz [U] y la matriz [L]. El siguiente paso es resolver


Ly = b para encontrar la matriz y. En pocas palabras es como que se pidiera resolver el siguiente
sistema de ecuaciones, encontrando los valores de y1, y2 y y3:

Al resolver el sistema anterior, se obtienen los siguientes valores para y1, y2 y y3:

El ltimo paso es resolver Ux = y para encontrar la matriz x. En otras palabras es como que se
pidiera resolver el siguiente sistema de ecuaciones, encontrando los valores de x1, x2 y x3:

La solucin del sistema es:

Este es finalmente el valor de x1, x2 y x3; es decir, la respuesta del ejercicio utilizando la
descomposicin LU.

METODO DE GAUUS-SEIDEL.
El mtodo de Gauss-Seidel es un mtodo iterativo y por lo mismo resulta ser bastante eficiente. Se
comienza planteando el sistema de ecuaciones con el que se va a trabajar:

De la ecuacin 1 despejar x1, de la ecuacin 2 despejar x2, , de la ecuacin n despejar xn. Esto da
el siguiente conjunto de ecuaciones:

Este ltimo conjunto de ecuaciones son las que forman las frmulas iterativas con las que se va a
estar trabajando. Para comenzar el proceso iterativo, se le da el valor de cero a las variables x2,,
xn; esto dar un primer valor para x1. Ms precisamente, se tiene que:

Enseguida, se sustituye este valor de x1 en la ecuacin 2, y las variables x3,, xn siguen teniendo el
valor de cero. Esto da el siguiente valor para x2:

Estos ltimos valores de x1 y x2, se sustituyen en la ecuacin 3, mientras que x4,, xn siguen
teniendo el valor de cero; y as sucesivamente hasta llegar a la ltima ecuacin. Todo este paso
arrojar una lista de primeros valores para las incgnitas, la cual conforma el primer paso en el
proceso iterativo. Para una mejor comprensin esto se simbolizar de esta forma:

Se vuelve a repetir el proceso, pero ahora sustituyendo estos ltimos datos en vez de ceros como al
inicio. Se obtendr una segunda lista de valores para cada una de las incgnitas, lo cual se
simbolizar as:

En este momento se pueden calcular los errores aproximados relativos, respecto a cada una de las
incgnitas. La lista de errores se presenta a continuacin:

El proceso se vuelve a repetir hasta que:

donde

se debe prefijar convenientemente.

METODO DE JACOBI.
En anlisis numrico el mtodo de Jacobi es un mtodo iterativo, usado para resolver sistemas de
ecuaciones lineales del tipo

. El algoritmo toma su nombre del matemtico alemn Carl

Gustav Jakob Jacobi. El mtodo de Jacobi consiste en usar frmulas como iteracin de punto fijo.
La sucesin se construye descomponiendo la matriz del sistema

en la forma siguiente:

Donde:
, es una matriz diagonal.
, es una matriz triangular inferior.
, es una matriz triangular superior.

Partiendo de

, podemos reescribir dicha ecuacin como:

Luego,

Si aii 0 para cada i. Por la regla iterativa, la definicin del Mtodo de Jacobi puede ser expresado
de la forma:

donde

es el contador de iteracin, Finalmente tenemos:

CONVERGENCIA.
El mtodo de Jacobi siempre converge si la matriz A es estrictamente diagonal dominante y puede
converger incluso si esta condicin no se satisface.
Para verificar la convergencia del mtodo se calcula el radio espectral ():

Es la condicin necesaria y suficiente para la convergencia, siendo R = L + U. No es necesario que


los elementos de la diagonal en la matriz sean mayores (en magnitud) que los otros elementos (la
matriz es diagonalmente dominante), pero en el caso de serlo, la matriz converge.

METODO DE NEWTON.
El mtodo de Newton-Raphson es un mtodo abierto, en el sentido de que su convergencia global
no est garantizada. La nica manera de alcanzar la convergencia es seleccionar un valor inicial lo
suficientemente cercano a la raz buscada. As, se ha de comenzar la iteracin con un valor
razonablemente cercano al cero (denominado punto de arranque o valor supuesto). La relativa
cercana del punto inicial a la raz depende mucho de la naturaleza de la propia funcin; si sta
presenta mltiples puntos de inflexin o pendientes grandes en el entorno de la raz, entonces las
probabilidades de que el algoritmo diverja aumentan, lo cual exige seleccionar un valor supuesto
cercano a la raz. Una vez que se ha hecho esto, el mtodo linealiza la funcin por la
recta tangente en ese valor supuesto. La abscisa en el origen de dicha recta ser, segn el mtodo,
una mejor aproximacin de la raz que el valor anterior. Se realizarn sucesivas iteraciones hasta
que el mtodo haya convergido lo suficiente.
Sea f : [a, b] -> R funcin derivable definida en el intervalo real [a, b]. Empezamos con un valor
inicial x0 y definimos para cada nmero natural n

Donde f ' denota la derivada de f.


CONVERGENCIA.
El orden de convergencia de este mtodo es, por lo menos, cuadrtico. Sin embargo, si la raz
buscada es de multiplicidad algebraica mayor a uno (una raz doble, triple), el mtodo de NewtonRaphson pierde su convergencia cuadrtica y pasa a ser lineal de constante asinttica de
convergencia 1-1/m, con m la multiplicidad de la raz.
Existen numerosas formas de evitar este problema, como pudieran ser los mtodos de aceleracin
de la convergencia tipo de Aitken o el mtodo de Steffensen.

Evidentemente, este mtodo exige conocer de antemano la multiplicidad de la raz, lo cual no


siempre es posible. Por ello tambin se puede modificar el algoritmo tomando una funcin
auxiliar g(x) = f(x)/f'(x), resultando:

MINIMOS CUADRADOS.
Mnimos cuadrados es una tcnica de anlisis numrico enmarcada dentro de la optimizacin
matemtica, en la que, dados un conjunto de pares ordenados: variable independiente, variable
dependiente, y una familia de funciones, se intenta encontrar la funcin continua, dentro de dicha
familia, que mejor se aproxime a los datos, de acuerdo con el criterio de mnimo error cuadrtico.
En su forma ms simple, intenta minimizar la suma de cuadrados de las diferencias en las ordenadas
entre los puntos generados por la funcin elegida y los correspondientes valores en los datos.
Especficamente, se llama mnimos cuadrados promedio cuando el nmero de datos medidos es 1
y se usa el mtodo de descenso por gradiente para minimizar el residuo cuadrado. Se puede
demostrar que LMS minimiza el residuo cuadrado esperado, con el mnimo de operaciones (por
iteracin), pero requiere un gran nmero de iteraciones para converger.
Desde un punto de vista estadstico, un requisito implcito para que funcione el mtodo de mnimos
cuadrados es que los errores de cada medida estn distribuidos de forma aleatoria. El teorema de
Gauss-Mrkov prueba que los estimadores mnimos cuadrticos carecen de sesgo y que el muestreo
de datos no tiene que ajustarse, por ejemplo, a una distribucin normal. Tambin es importante
que los datos a procesar estn bien escogidos, para que permitan visibilidad en las variables que
han de ser resueltas (para dar ms peso a un dato en particular, vase mnimos cuadrados
ponderados).
La tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas. Muchos otros
problemas de optimizacin pueden expresarse tambin en forma de mnimos cuadrados,
minimizando la energa o maximizando la entropa.
La aproximacin por mnimos cuadrados se basa en la minimizacin del error cuadrtico medio o,
equivalentemente, en la minimizacin del radicando de dicho error, el llamado error cuadrtico,
definido como:

Si se desarrolla la suma, se visualiza la ecuacin "i-sima" del sistema de m ecuaciones

normales: para cada i=1,2, . . .,m

Lo cual, en forma matricial, se expresa como:

Siendo

el producto escalar discreto, definido para dos funciones dadas h(x) y g(x) como:

y para una funcin h(x) y vector cualquiera u, como:

METODO DE LAGRANGE.
Dado un conjunto de k + 1 puntos

Donde todos los xj se asumen distintos, el polinomio interpolador en la forma de Lagrange es


la combinacin lineal

de bases polinmicas de Lagrange

La funcin que estamos buscando es una funcin polinmica L(x) de grado k con el problema de
interpolacin puede tener tan solo una solucin, pues la diferencia entre dos tales soluciones, sera
otro polinomio de grado k a lo sumo, con k+1 ceros.
Por lo tanto, L(x) es el nico polinomio interpolador.
La resolucin de un problema de interpolacin lleva a un problema de lgebra lineal en el cual se
debe resolver un sistema de ecuaciones. Usando una base monmica estndar para nuestro

polinomio interpolador, llegamos a la matriz de Vandermonde. Eligiendo una base distinta, la base de
Lagrange, llegamos a la forma ms simple de matriz identidad = i,j, que puede resolverse
inmediatamente.

Se desea interpolar

en los puntos

Con cinco puntos, el polinomio interpolador tendr, como mximo, grado cuatro (es decir, la
mxima potencia ser cuatro), al igual que cada componente de la base polinmica.
La base polinmica es:

As, el polimomio interpolador se obtiene simplemente como la combinacin lineal entre


los

y los valores de las abscisas:

METODO DE INTERPOLACION DE NEWTON.


Dada una funcin
abscisas

de la cual se conocen sus valores en un nmero finito de


,

un polinomio

se

llama interpolacin

de

grado

polinmica al

menor

cumpliendo

proceso

de

hallar

igual

m,

A este polinomio se le llama Polinomio interpolador de grado m de la funcin f.


Sea

una variable discreta de

elementos y sea

otra variable discreta de

elementos los

cuales corresponden, por parejas, a la imagen u ordenada y abscisa de los datos que se quieran
interpolar, respectivamente, tales que:

Este mtodo es muy algortmico y resulta sumamente cmodo en determinados casos, sobre todo
cuando se quiere calcular un polinomio interpolador de grado elevado.
El polinomio de grado

Definiendo

y definiendo

Los coeficientes

resultante tendr la forma

como

como

son las llamadas diferencias divididas.

Una vez se hayan realizado todos los clculos, ntese que hay (muchas) ms diferencias divididas
que coeficientes

. El clculo de todos los trminos intermedios debe realizarse simplemente

porque son necesarios para poder formar todos los trminos finales. Sin embargo, los trminos
usados en la construccin del polinomio interpolador son todos aquellos que involucren a
Estos coeficientes se calculan mediante los datos que se conocen de la funcin .
Queda definido, como:

DIFERENCIACION NUMERICA.
RELACION CON LAS DERIVADAS.
La derivada de la funcin f en un punto x est definida por el lmite

Si h tiene un valor fijado no nulo, en lugar de aproximarse a cero, el trmino de la derecha se


convierte en

Por lo tanto, la diferencia posterior dividida por h aproxima a la derivada cuando h es pequeo. El
error de esta aproximacin puede derivarse del teorema de Taylor. Asumiendo que f es
continuamente diferenciable, el error es:

La misma frmula es vlida en la diferencia anterior:

Sin embargo, la diferencia central lleva a una aproximacin ms ajustada. Su error es proporcional
al cuadrado del espaciado (si f es dos veces continuamente diferenciable).

METODO DE DIFERENCIA HACIA ADELANTE.


Una diferencia progresiva, adelantada o posterior es una expresin de la forma

Dependiendo de la aplicacin, el espaciado h se mantiene constante o se toma el lmite h 0.

METODO DE DIFERENCIA HACIA ATRS.


Una diferencia regresiva, atrasada o anterior es de la forma

METODO DE DIFERENCIA CENTRAL.


Finalmente, la diferencia central es la media de las diferencias anteriores y posteriores. Viene dada
por

INTEGRACION NUMERICA.
En anlisis numrico, la integracin numrica constituye una amplia gama de algoritmos para
calcular el valor numrico de una integral definida y, por extensin, el trmino se usa a veces para
describir algoritmos numricos para resolver ecuaciones diferenciales. El trmino cuadratura
numrica es ms o menos sinnimo de integracin numrica, especialmente si se aplica a integrales
de una dimensin a pesar de que para el caso de dos o ms dimensiones (integral mltiple) tambin
se utiliza.
El problema bsico considerado por la integracin numrica es calcular una solucin aproximada a
la integral definida:

Este problema tambin puede ser enunciado como un problema de valor inicial para una ecuacin
diferencial ordinaria, como sigue:

Encontrar y(b) es equivalente a calcular la integral.

METODO DE TRAPECIO.
En matemtica la regla del trapecio es un mtodo de integracin numrica, es decir, un mtodo
para calcular aproximadamente el valor de la integral definida

La regla se basa en aproximar el valor de la integral de f(x) por el de la funcin lineal que pasa a
travs de los puntos (a,f(a)) y (b, f(b)). La integral de sta es igual al rea del trapecio bajo la
grfica de la funcin lineal. Se sigue que

y donde el trmino error corresponde a:

Siendo

un nmero perteneciente al intervalo [a,b].

TRAPECIO COMPUESTOS.
La regla del trapecio compuesta o regla de los trapecios es una forma de aproximar una integral
definida utilizando n trapecios. En la formulacin de este mtodo se supone que f es continua y
positiva en el intervalo [a,b]. De tal modo la integral definida

representa el rea de

la regin delimitada por la grfica de f y el eje x, desde x=a hasta x=b. Primero se divide el intervalo
[a,b] en n subintervalos, cada uno de ancho

Despus de realizar todo el proceso matemtico se llega a la siguiente frmula:

Donde

y n es el nmero de divisiones.

La expresin anterior tambin se puede escribir como:

El error en esta aproximacin se corresponde con :

Siendo n el nmero de subintervalo.

EJEMPLO.-Determina:

Primero se obtiene h, de los lmites de la integral que representan a y b y para n=6


queda:

Y ahora se sustituye en la frmula

=
y queda:

En este caso no se comete ningn error en el clculo (el resultado es exacto) porque la
funcin sujeta a integracin es lineal.

METODO DE ROMBERG.
En anlisis numrico, el Mtodo de Romberg genera una matriz triangular cuyos elementos son
estimaciones numricas de la integral definida siguiente:

El mtodo se define de forma recursiva as:

Donde:

La cota superior asinttica del error de R(n,m) es:

La extrapolacin a orden cero


a orden uno

es equivalente a la Regla del trapecio con

es equivalente a la Regla de Simpson con

puntos.

puntos.

METODO DE SIMPSON.
En anlisis numrico, la regla o mtodo de Simpson (nombrada as en honor de Thomas Simpson) y
a veces llamada regla de Kepler es un mtodo de integracin numrica que se utiliza para obtener
la aproximacin de la integral:

Consideramos el polinomio interpolante de orden dos


integrando

, que aproxima a la funcin

entre los nodos x0 = a, x1 = b y m = (a+b)/2. La expresin de ese polinomio

interpolante, expresado a travs de la interpolacin polinmica de Lagrange es:

As, la integral buscada

Es equivalente a:

Donde: E(f) es el trmino de error; por lo tanto, se puede aproximar como:

ERROR.
El trmino error E(f), llamado error global, corresponde:

donde y

pertenece al intervalo [a,b].

Se puede calcular una estimacin del error cometido al aproximar la integral mediante este mtodo.
Si las cuatro primeras derivadas de f(x) son continuas en el intervalo, entonces el error (en trminos
absolutos) est acotado como.

Donde, de nuevo

CUADRATURA DE GAUSS.
En anlisis numrico un mtodo de cuadratura es una aproximacin de una integral definida de una
funcin. Una cuadratura de Gauss n, es una cuadratura que selecciona los puntos de la evaluacin
de manera ptima y no en una forma igualmente espaciada, construida para dar el resultado de una
polinomio de grado 2n-1 o menos, elegibles para los puntos xi y los coeficientes wi para i=1,...,n. El
dominio de tal cuadratura por regla es de [1, 1] dada por:

Tal cuadratura dar resultados precisos solo si f(x) es aproximado por un polinomio dentro del rango
[1, 1]. Si la funcin puede ser escrita como f(x)=W(x)g(x), donde g(x) es un polinomio aproximado
y W(x) es conocido.

Los cambios de intervalos van de [1, 1] despus de aplicar la cuadratura de Gauss:

Despus de aplicar la cuadratura la aproximacin es:

EJERCICIO.-Aproxime la integral

de 1 a 5 cuando n = 2 mediante el mtodo

de cuadratura de Gauss y despus comparelo con el resultado exacto.

Con

podemos resolver la integral con exactitud para todos los polinomios de grado igual o

menor a 3 para f(x)

METODO DE EULER.
En matemtica y computacin, el mtodo de Euler, llamado as en honor de Leonhard Euler, es un
procedimiento de integracin numrica para resolver ecuaciones diferenciales ordinarias a partir de
un valor inicial dado.
El mtodo de Euler es el ms simple de los mtodos numricos para resolver un problema del
siguiente tipo:

Consiste en dividir los intervalos que va de

en

De manera que se obtiene un conjunto discreto de


intervalo de inters

subintervalos de ancho ; o sea:

puntos:

del

. Para cualquiera de estos puntos se cumple que:

.
La condicin inicial

, representa el punto

por donde pasa la curva

solucin de la ecuacin del planteamiento inicial, la cual se denotar como


Ya teniendo el punto
tanto:

se puede evaluar la primera derivada de

en ese punto; por lo

Con esta informacin se traza una recta, aquella que pasa por
recta aproxima

en una vecindad de

localcese en ella (la recta) el valor de

y de pendiente

. Tmese la recta como reemplazo de

correspondiente a

. Esta
y

. Entonces, podemos deducir segn

la Grfica:

Se resuelve para

Es evidente que la ordenada

calculada de esta manera no es igual a

pequeo error. Sin embargo, el valor


punto

sirve para que se aproxime

, pues existe un
en el

y repetir el procedimiento anterior a fin de generar la sucesin de

aproximaciones siguiente:

METODO DE RUNGE KUTTA.


En anlisis numrico, los mtodos de Runge-Kutta son un conjunto de mtodos genricos iterativos,
explcitos e implcitos, de resolucin numrica de ecuaciones diferenciales. Este conjunto de
mtodos fue inicialmente desarrollado alrededor del ao 1900 por los matemticos C. Runge y M.
W. Kutta.
Los mtodos de Runge-Kutta (RK) son un conjunto de mtodos iterativos (implcitos y explcitos)
para la aproximacin de soluciones de ecuaciones diferenciales ordinarias, concretamente,
del problema de valor inicial.
Sea:

Una ecuacin diferencial ordinaria, con

donde

es un conjunto

abierto, junto con la condicin de que el valor inicial de sea

Entonces el mtodo RK (de orden s) tiene la siguiente expresin, en su forma ms general:

,
Donde h es el paso por iteracin, o lo que es lo mismo, el incremento
puntos

. Los coeficientes

entre los sucesivos

son trminos de aproximacin intermedios, evaluados en

de manera local

con

coeficientes propios del esquema numrico elegido, dependiente de la regla de

cuadratura utilizada. Los esquemas Runge-Kutta pueden ser explcitos o implcitos dependiendo de
las constantes

del esquema. Si esta matriz es triangular inferior con todos los elementos de la

diagonal principal iguales a cero; es decir,


explcitos.

para

, los esquemas son

METODO DE ECUACIONES DIFERENCIALES.


En matemticas, una ecuacin diferencial ordinaria es la que contiene una funcin desconocida
de una variable independiente y relaciona con sus derivadas:
una sola variable independiente (a diferencia de las ecuaciones diferenciales parciales que
involucran derivadas parciales de varias variables), y
una o ms de sus derivadas respecto de tal variable.

Definicin:

En general, una ecuacin diferencial lineal de orden n puede formularse, siendo cada

una

funcin dependiente de t, como:

Una solucin de la ecuacin ser una "familia" de curvas o funciones del tipo

que

substituida dentro de la ecuacin la convierte en una igualdad en la que todos los trminos son
conocidos.
En la formulacin ms simple, la funcin incgnita es una funcin para cierto valor real o complejo
pero con mayor generalidad, puede serlo para el valor de un vector o matriz, lo que lleva a
considerar un sistema de ecuaciones diferenciales ordinarias para una nica funcin.
Vamos a resolver la ecuacin diferencial de primer orden

=f(t,x)

Con la condicin inicial de que en el instante t0 la posicin es x0

La primera derivada nos permite conocer la posicin xi+1 en el instante ti+1, a partir de la
posicin xi en el instante ti de acuerdo a la frmula siguiente. La lnea de color rojo es la tangente
a la curva en el instante ti

xi+1=xi+f(ti,xi)h
El procedimiento de Euler produce un error que se acumula a cada paso h de integracin, que es
el segmento en color azul que une los dos puntos en la figura.
Escribimos una funcin:
la funcin f(t,x),
la condicin inicial de que en el instante t0 la posicin es x0,
el instante final tf
el nmero de pasos de integracin n
Y nos devolver un vector t y su correspondiente vector x.