Ajuste de curvas e interpolacin

INTRODUCCIN
En numerosos fenmenos de la naturaleza observamos una cierta regularidad
en la forma de producirse, esto nos permite sacar conclusiones de la marcha
de un fenmeno en situaciones que no hemos medido directamente.
Al revisar estos datos, podramos preguntarnos si se podran usarse para
estimar razonablemente, algunas predicciones de este tipo pueden obtenerse
usando una funcin que ajuste los datos. Este es un tema llamado
Interpolacin.
INTERPOLACIN.
El problema de interpolacin consiste en encontrar el valor de la funcin F(x),
de la cual slo se conocen algunos puntos, para un valor de x que se encuentre
entre dos valores consecutivos conocidos. En pocas palabras podramos decir
que:
"La interpolacin consiste en hallar un dato dentro de un intervalo en el que
conocemos los valores en los extremos".
El problema general de la interpolacin se nos presenta cuando nos dan una
funcin de la cual solo conocemos una serie de puntos de la misma:
(xo, yo), (x1, y1),........., (xn, yn)
y se pide hallar el valor de un punto x (intermedio de x 0 y xn) de esta funcin.
Interpolacin. Eleccin de la interpolacin ms adecuada.
Consideremos una funcin de la cual solo conocemos una serie de puntos de la
misma:
(xo, yo), (x1, y1), .............., (xn, yn)
Deseamos encontrar la expresin analtica de dicha funcin para poder
estudiarla en otros puntos.
Ahora bien, por n+1 puntos pasan infinitas funciones, con cul de ellas nos
quedamos? Lo ms lgico es recurrir a la ms sencilla. La familia de funciones
ms sencillas es la de los polinomios, por tanto buscaremos el polinomio de
menor grado que pase por los n+1 puntos dados.

La funcin polinmica de menor grado que pasa por los puntos es en principio
de grado n: y= anxn+............+a1x+ao
Y se obtiene resolviendo el sistema de n+1 ecuaciones con n+1 incgnitas
(sistema que tiene solucin nica ya que el determinante de la matriz de los
coeficientes es de Vandermonde y por lo tanto distinto de cero)
Se le llama polinomio interpolador correspondiente a esos puntos. Una vez
obtenida su expresin dando valores en l se pueden encontrar nuevos puntos
de la funcin. Los resultados obtenidos son naturalmente estimaciones
aproximadas.

Interpolacin: Lineal y cuadrtica.

La interpolacin lineal es un caso particular de la Interpolacin general de
Newton. Con el polinomio de interpolacin de Newton se logra aproximar un
valor de la funcin f(x) en un valor desconocido de x. El caso particular, para
que una interpolacin sea lineal es en el que se utiliza un polinomio de
interpolacin de grado 1, y se denota de la siguiente manera:

En general la interpolacin consiste en hallar un dato dentro de un intervalo en

el que conocemos los valores en los extremos. Se presenta cuando nos dan una
funcin de la cul slo conocemos una serie de puntos de la misma:

Y si se pide hallar el valor de un punto x (intermedio de x0 y xn) de esta

funcin. Se le llama polinomio interpolador a estos puntos, los valores
obtenidos son slo estimaciones aproximadas.
La interpolacin se llama lineal cuando slo se toman dos puntos y cuadrtica
cuando se tomen tres.

Interpolacin lineal:
Sean dos puntos (x0, y0), (x1, y1), la interpolacin lineal consiste en hallar una
estimacin del valor y, para un valor x, tal que x0<x< x1. Teniendo en cuanta
que la ecuacin de la recta que pasa por esos dos puntos, obtenemos:

Un polinomio de interpolacin es una funcin polinomial que adems de

interpolar los datos, es el de menor grado posible.
Caso 1: En este caso tenemos que f (x) = y0 (polinomio constante) es el
polinomio de menor grado tal que f (x0) = y0, por lo tanto, es el polinomio de
interpolacin: (x0, y0)
Caso 2: Tenemos los datos: (x0, y0), (x1, y1) en este caso el polinomio de
interpolacin es la funcin lineal que une a los dos puntos dados. Por lo tanto
tenemos que:

Es el polinomio de interpolacin.

Interpolacin cuadrtica:
Cuando se tiene ms de dos puntos:
Caso 3: tenemos los datos (x0, y0), (x1, y1), (x2, y2). Para este caso, el
polinomio de interpolacin va a ser un polinomio de grado 2, el polinomio de
interpolacin ser como sigue.

El trmino cuadrtico viene dado por:

Polinomios de interpolacin: Diferencias divididas de

Newton y de Lagrange.
El problema de la interpolacin tiene propiamente tres cuestiones:

Saber si tiene solucin o no.

En caso de tenerla, dicha solucin es nica o existen varias?

Y finalmente mtodos de clculo lo ms eficientes posibles.

A este respecto en interpolacin polinmica tenemos el siguiente resultado:

Teorema 1. Supongamos conocido el valor de una funcin f(x) en un conjunto

de puntos distintos dos a dos x0, x1,. . ., xn. Entonces, existe un nico polinomio
P(x) 2 <n[x] (esto es, polinomios de grado menor o igual que n) que interpola a
la funcin en esos puntos, es decir, P (x i) = f (xi) con i = 0,. . ., n.
La prueba ms directa (con el coste de unos leves conocimientos de lgebra)
consiste en plantear el sistema lineal de ecuaciones (ahora las incgnitas son
los coeficientes del polinomio P buscado) y darse cuenta de que es un sistema
compatible determinado al tener matriz de coeficientes de tipo Van der Monde
(con los xi distintos dos a dos) y por tanto invertible.
Otra forma inmediata de ver la unicidad de solucin al problema consiste en
imaginar la existencia de dos polinomios P y Q de grado n satisfaciendo la tesis
del teorema.
Interpolacin de Lagrange
En anlisis numrico, el polinomio de Lagrange, llamado as en honor a JosephLouis de Lagrange, es el polinomio que interpola un conjunto de puntos dado
en la forma de Lagrange. Dado que existe un nico polinomio interpolador para
un determinado conjunto de puntos, resulta algo confuso llamar a este
polinomio el polinomio interpolador de Lagrange. Un nombre ms conciso es
interpolacin polinmica en la forma 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 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.
Entre las desventajas de su uso tenemos que si se aumenta en nmero de
puntos a interpolar (o nodos) con la intencin de mejorar la aproximacin a una
funcin, tambin lo hace el grado del polinomio interpolador as obtenido, por
norma general. De este modo, aumenta la dificultad en el clculo, hacindolo
poco operativo manualmente a partir del grado 4, dado que no existen
mtodos directos de resolucin de ecuaciones de grado 4, salvo que se puedan
tratar como ecuaciones bicuadradas, situacin extremadamente rara.
La tecnologa actual permite manejar polinomios de grados superiores sin
grandes problemas, a costa de un elevado consumo de tiempo de
computacin. Pero, a medida que crece el grado, mayores son las oscilaciones
entre puntos consecutivos o nodos. Se podra decir que a partir del grado 6 las
oscilaciones son tal que el mtodo deja de ser vlido, aunque no para todos los
casos.
Sin embargo, pocos estudios requieren la interpolacin de tan slo 6 puntos. Se
suelen contar por decenas e incluso centenas. En estos casos, el grado de este
polinomio sera tan alto que seria inoperable. Por lo tanto, en estos casos, se
recurre a otra tcnica de interpolacin, como por ejemplo a la Interpolacin
polinmica de Hermite o a los splines cbicos

Otra gran desventaja, respecto a otros mtodos de interpolacin, es la

necesidad de recalcular todo el polinomio si se vara el nmero de nodos.

Polinomios de interpolacin con diferencias divididas de Newton.

Cualquier polinomio de <n[x] se puede expresar en forma nica como una
combinacin lineal de los monomios {1, x, x2,. . ., xn}, pues son
evidentemente sistema generador y adems linealmente independientes
(luego forman una base del espacio vectorial), la ms simple de hecho, la base
canonca.
Esta base, que es adecuada para algunas manipulaciones inmediatas de
polinomios como nombrbamos en la seccin anterior (derivacin e integracin
por ejemplo), no es, sin embargo, la ms adecuada para construir en principio
el polinomio interpolador.
Vimos que resultaba til incluir los propios nodos del problema en los
polinomios a construir, de modo que en este pargrafo adoptamos una
solucin intermedia.

Regresin por mnimos cuadrados: Lineal y Cuadrtica.

En el marco del anlisis estadstico multidimensional interesa, en gran medida,
descubrir la interdependencia o la relacin existente entre dos o ms de las
caractersticas analizadas.
La dependencia entre dos (o ms) variables puede ser tal que se base en una
relacin funcional (matemtica) exacta, como la existente entre la velocidad y
la distancia recorrida por un mvil; o puede ser estadstica. La dependencia
estadstica es un tipo de relacin entre variables tal que conocidos los valores
de la (las) variable (variables) independiente(s) no puede determinarse con
exactitud el valor de la variable dependiente, aunque si se puede llegar a
determinar un cierto comportamiento (global) de la misma. (Ej. La relacin

existente entre el peso y la estatura de los individuos de una poblacin es una

relacin estadstica). Pues bien, el anlisis de la dependencia estadstica
admite dos planteamientos (aunque ntimamente relacionados):

El estudio del grado de dependencia existente entre las variables que

queda recogido en la teora de la correlacin.
La determinacin de la estructura de dependencia que mejor exprese
la relacin, lo que es analizado a travs de la regresin.

Mnimos cuadrados es una tcnica de anlisis numrico encuadrada 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, dentro de dicha familia, que mejor se aproxime a
los datos (un "mejor ajuste"), de acuerdo con el criterio de mnimo error
cuadrtico.
En su forma ms simple, intenta minimizar la suma de cuadrados de las
diferencias ordenadas (llamadas residuos) entre los puntos generados por la
funcin y los correspondientes 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 recogidos 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 mnimo cuadrtica consiste en minimizar el error cuadrtico
mencionado ms arriba, y tiene solucin general cuando se trata de un
problema de aproximacin lineal (lineal en sus coeficientes) cualesquiera que
sean las funciones base: antes mencionadas. Por lineal se entiende que la
aproximacin buscada se expresa como una combinacin lineal de dichas
funciones base. Para hallar esta expresin se puede seguir un camino analtico,
expuesto abajo, mediante el clculo multivariable, consistente en optimizar los
coeficientes; o bien, alternativamente, seguir un camino geomtrico con el uso
del lgebra lineal, como se explica ms abajo, en la llamada deduccin
geomtrica. Para los Modelos estticos uniecuacionales, el mtodo de mnimos
cuadrados no ha sido superado, a pesar de diversos intentos para ello, desde
principios del Siglo XIX. Se puede demostrar que, en su gnero, es el que
proporciona la mejor aproximacin.

Calcular el polinomio de Lagrange usando los siguientes datos:

Para solucionar el problema deberemos aplicar la siguiente frmula:

donde:

Sustituyendo, el polinomio de Lagrange queda definido como sigue:

Simplificamos, y obtenemos:

Tras realizar las diferentes operaciones la ecuacin resultante quedar de la

siguiente forma:
f(x) = -0,0739x3 + 0,3906x2 + 0,624x - 2,978
APLICACIN

Supongamos que colocamos en una autova dos radares con una separacin
entre ellos de 5 kilmetros. Cada uno de ellos identifica cada coche que pasa a
su altura y detecta su velocidad, registrando la hora exacta en la que cada
coche entra en ese tramo de 5 kilmetros (mediante el primer radar) y la hora
en la que sale de l (mediante el segundo).
Supongamos ahora que nosotros viajamos en un coche que entra en ese tramo
de carretera (donde la velocidad mxima permitida es 120 km/h) a las 12
horas, 38 minutos y 41 segundos a una velocidad de 110 km/h y sale del
mismo a las 12 horas, 41 minutos y 5 segundos tambin a una velocidad de 90
km/h. En principio las mediciones de los radares indican que en los dos puntos
circulamos a velocidad permitida tanto en el comienzo del tramo como en el
final, pero qu ocurre entre esos dos puntos? Pues muy sencillo:
Hemos tardado 2 minutos y 24 segundos en recorrer esos 5 kilmetros, por lo
que nuestra velocidad media en este tramo ha sido 125 km/h.

UNIDAD 5: DERIVACIN E
INTEGRACIN NUMRICA
5.1 Derivacin numrica.
Consideremos una funcin f(x) de la cual se conoce un conjunto discreto de
valores (x0, f0), (x1, f1),...,(xn, fn). El problema que vamos a abordar es el de calcular
la derivada de la funcin en un punto x que en principio no tiene por qu coincidir
con alguno de los que guran en los datos de que disponemos. La forma ms
sencilla de resolver el problema de la diferenciacin numrica consiste en estimar
la derivada utilizando frmulas obtenidas mediante la aproximacin de Taylor, que
se denominan frmulas de diferencias nitas. Es importante tener en cuenta que el
proceso de diferenciacin numrica es inestable. Los errores que tengan los

datos, por ejemplo los cometidos en la adquisicin de los mismos o los debidos al
redondeo aumentan en el proceso de diferenciacin como veremos a lo largo de
ste captulo.
Frmulas de diferencias de dos puntos

Este proceso de paso al lmite presenta distintos problemas para ser realizado en
situaciones prcticas donde no se conozca la forma explcita de f(x). En primer
lugar un lmite no puede calcularse de modo aproximado en un computador donde
los nmeros que se manejan son nitos. A pesar de todo es de esperar que si la
funcin f(x) no se comporta mal y h0 es un nmero nito pero pequeo se cumpla:

Es ms, la misma definicin de la derivada implica que si f(x) existe, entonces

hay algn h0 a partir del cual nuestra aproximacin dista menos de una cantidad
del valor real para la derivada. El problema es que esto slo es cierto con
precisin innita ya que h0 puede ser tan pequeo que no pueda representarse en
el ordenador o que la diferencia f(x + h0) f(x) est seriamente afectada por el
error de redondeo.
La ecuacin (2.1) es la forma ms sencilla de aproximar una derivada conocidas
f(x) y f(x+h0). El siguiente teorema nos proporciona informacin sobre la precisin
de esta aproximacin.
Teorema. Sea f(x) C1 (a, b) y existe f(x) en (a, b), entonces se cumple que:

Demostracin. Escribamos la aproximacin de Taylor para la funcin en un punto x+h:

Reordenando la expresin anterior queda demostrado el teorema.

El teorema anterior nos indica que el error cometido al aproximar la derivada primera por
su frmula de diferencia adelantada es una funcin lineal de h. Cuanto menor sea h (o sea
al tomar valores de f(x) ms cercanos) la derivada numrica ser ms precisa. Este error se
denomina error de truncacin o discretizacin y puede acotarse fcilmente, obtenindose
que: E
mx(x,x+h) |f(z)|. En realidad, para datos obtenidos a partir de una tabla esta

acotacin no es de gran utilidad directa ya que si no se conoce la derivada primera menos

an se conocer la segunda pero al menos nos permite conocer el orden de aproximacin de
la frmula.
Geomtricamente el error O(h) procede del hecho de aproximar la derivada por la
pendiente de la cuerda que une los puntos f(x) y f(x + h), Por otro lado, si existe la derivada
deben existir las derivadas laterales y entonces

Un problema que presenta esta frmula es que la precisin de la misma es baja y

por lo tanto en situaciones donde slo dispongamos de un muestreo de baja
precisin de f(x), como ocurre en ensayos, datos experimentales, etc., ser
conveniente utilizar otras frmulas de derivacin ms precisas.
Frmulas de orden superior
El error de truncacin de la frmula de diferencia adelantada de dos puntos vara
linealmente con h, de manera que es necesario usar valores de h muy pequeos
para reducir suficientemente los errores de truncacin. Es posible deducir frmulas
para las derivadas con errores de truncacin ms pequeos. Por ejemplo,
tomemos

donde z1 (x, x + h) y z2 (x h, x). Restando (2.1a) y (2.1a) obtenemos

que nos proporciona una siguiente aproximacin para la derivada con un trmino
de error de truncacin que depende cuadrticamente de h. Usando el teorema del
valor intermedio f(z) = (f(z1) + f(z2))/2, y entonces, si f es suficientemente
derivable.

Usando los desarrollos de Taylor de f(x+h) y f(x+2h) se encuentra la llamada frmula de

diferencia adelantada de tres puntos que es:

Reemplazando h por h en (2.3) obtenemos una frmula de diferencias retrasadas de tres

puntos

De todas estas, la frmula de diferencia centrada es la que tiene, en principio, menor error
de truncacin y la que requiere menos evaluaciones de la funcin, siendo por lo tanto ms
eciente desde el punto de vista computacional.
Utilizando el valor de la funcin en ms puntos se construyen frmulas ms precisas para
las derivadas. Alguna de ellas se muestra en la tabla siguiente junto con las que hemos
deducido ya.

Derivadas de orden superior

El mismo procedimiento que se ha seguido al deducir frmulas para
calcular numrica- mente las derivadas primeras puede usarse para construir
derivadas de orden superior partiendo del desarrollo de Taylor y eliminando las
derivadas primeras. Consideremos por ejemplo las expresiones:

Sumando las ecuaciones anteriores y despejando se encuentra que:

Procediendo de la misma forma es posible encontrar aproximaciones que usen

diferentes puntos y aproximaciones para derivadas de orden superior. La tabla
siguiente presenta algunas de las frmulas ms comunes para calcular
derivadas de orden superior.

5.2 Integracin numrica: Mtodo del trapecio, Mtodos de Simpson 1/3 y 3/8.
En los cursos de Clculo Integral, nos ensean como calcular una integral definida
de una funcin continua mediante una aplicacin del Teorema Fundamental del
Clculo:
Teorema Fundamental del Clculo
Sea f(x) una funcin continua en el intervalo [a,b] y sea F(x) una anti derivada
def(x). Entonces:

El problema en la prctica, se presenta cuando nos vemos imposibilitados de encontrar la

antiderivada requerida, an para integrales aparentemente sencillas como:

la cual simplemente es imposible de resolver con el Teorema Fundamental del Clculo.

REGLA DEL TRAPECIO
Corresponde al caso donde n=1 , es decir :

donde f1(x) es un polinomio de interpolacin (obviamente de grado 1) para los datos:

x
a
b
y

f(a)

f(b)

sabemos que este polinomio de interpolacin es:

Integrando este polinomio, tenemos que:

Que es la conocida Regla del Trapecio. Este nombre se debe a la interpretacin

geomtrica que le podemos dar a la frmula. El polinomio de interpolacin para
una tabla que contiene dos datos, es una lnea recta. La integral, corresponde al
rea bajo la lnea recta en el intervalo [a,b], que es precisamente el rea del
trapecio que se forma.

REGLA DE SIMPSON DE UN TERCIO

Suponemos que tenemos los datos:
a

xm

f(a)

f(xm)

f(b)

donde xm es el punto medio entre a y b.

En este caso se tiene que:

Donde f2(x) es el polinomio de interpolacin para los datos en la tabla anterior.

Usaremos el polinomio de LaGrange. As, tenemos que:

Si denotamos h= (b-a)/2 = xm-a = b-xm, entonces:

Simplificando trminos:

Vemos que cada uno de los trminos anteriores, es esencialmente de la misma

forma, es decir, una constante por (x-)(x-).
As, calculamos la siguiente integral por partes:

Obteniendo, por lo tanto,

Usamos esta frmula para calcular la integral de cada uno de los tres trminos de
f2(x) y obteniendo como resultado final

Debido al factor h/3 se le conoce como la regla de Simpson de un tercio.

En la prctica, sustituimos el valor de h = (b-a)/ 2 para obtener nuestra frmula
final:

REGLA DE SIMPSON DE TRES OCTAVOS

Este caso corresponde a n=3 , es decir,

donde f3(x) es un polinomio de interpolacin para los siguientes datos:

x0

x1

x2

x3

f(x0)

f(x1)

f(x2)

f(x3)

Y donde a= x0, b= x3 y x1, x2 son los puntos que dividen en tres partes iguales al
intervalo [a,b].
Igual que en el caso anterior, se usa el polinomio de interpolacin de Lagrange, y
usando el mtodo de integracin por partes se llega a la siguiente frmula:

donde h = (b-a) / 3 . Debido al factor 3h / 8 es que se le dio el

nombre deRegla de Simpson de 3/8. En la prctica, se sustituye el valor de h para
obtener:

5.3 Integracin con intervalos desiguales.

Cuando la longitud de los subintervalos no es igual, se usa una combinacin de la
regla Trapezoidal y las reglas de Simpson, procurando seguir el siguiente orden
jerrquico:
1 .- Simpson 3/8
Esta se aplica, si contamos con 4 puntos igualmente espaciados.
2 .- Simpson 1/3
Esta se
espaciados.

aplica si falla (1) y contamos con 3 puntos igualmente

3 .- Regla Trapezoidal
Solo se aplica si no se cumple (1) y (2)
Ejemplo
Evaluar
1
usando la siguiente tabla:

0.1

0.3

0.5

0.7

0.95

1.2

f(x)

6.84

4.2

5.51

5.77

Solucin.
Vemos que en el intervalo [0,0.01] podemos aplicar la regla del trapecio, en el
intervalo [0.1,0.7] la regla de Simpson de 3/8 y en el intervalo [0.7,1.2] la regla de
Simpson de 1/3. As, tenemos las siguientes integrales:

Finalmente, la integral buscada es la suma de las tres integrales anteriores:

5.4 Aplicaciones.

Mtodo del trapecio

Ejemplo 1:
Utilizar la regla del trapecio para aproximar la integral:

Solucin.
Usamos la frmula directamente con los siguientes datos:

Por lo tanto tenemos que:

Mtodo de Simpson 1/3

Ejemplo 1.
Usar la regla de Simpson de 1/3 para aproximar la siguiente integral:

Solucin.
Aplicamos la frmula directamente, con los siguientes datos:

Por lo tanto, tenemos que:

Mtodo de Simpson 3/8

Ejemplo 1.
Aproximar la siguiente integral:

aplicando la regla de Simpson de 3/8, y subdiviendo en 3 intervalos.

Solucin
Identificamos n=3 y la particin correspondiente:

Al considerar los puntos que dividen en tres partes iguales a cada subintervalo,
tenemos los siguientes datos:

Sustituyendo todos los datos en la frmula, obtenemos:

De acuerdo a los ejemplos vistos, resulta evidente que la regla de Simpson de 3/8, es ms
exacta que la de 1/3 y a su vez, sta es ms exacta que la regla del trapecio. En realidad,
pueden establecerse cotas para los errores que se cometen en cada uno de estos mtodos.

6.1 Fundamentos de ecuaciones diferenciales.

El objeto de este subtema es hacer una breve introduccin al estudio de
ecuaciones diferenciales, que constituye una de las ramas ms importantes
para el Clculo, por sus innumerables aplicaciones en todas las ciencias.
Definicin 1 Se llama ecuacin diferencial a aquella ecuacin que contiene
derivadas.
Si la ecuacin slo tiene una sola variable independiente recibe el nombre de
ecuaciones diferenciales ordinarias (EDO).Si la ecuacin contiene ms de una
variable independiente, apareciendo as sus derivadas parciales, recibe el
nombre de ecuaciones diferenciales en derivadas parciales.
Definicin 2 Se llama orden de una ecuacin diferencial al orden de lamayor
derivada que aparezca en ella.
Definicin 3 Se llama grado de una ecuacin diferencial al grado de laderiva
da de mayor orden que aparezca en ella.
Definicin 4 Se llama solucin general de una ecuacin diferencial a toda
relacin entre las variables, libres de derivadas, que satisface dicha ecuacin
diferencial.
Por lo comn, la solucin general de una ecuacin diferencial de
orden n tiene nconstantes. Integrar o resolver una ecuacin diferencial es hallar
su solucin general.
Definicin 5 Se llama solucin particular de una ecuacin diferencial a aquella
solucin que se obtiene a partir de la solucin general, dando valores a las
constantes.

Bibliografa
http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r73203.
PDF
Steven C. Chapra, Mtodos Numricos para Ingenieros, 6 ed., Mc Graw Hill.

Antonio Nieves Hurtado, Federico C. Domnguez Snchez, Mtodos

Numricos, 3 ed., CESA.

6.2 Mtodos de un paso: Mtodo de Euler, Mtodo de Euler

mejorado y Mtodo de Runge-Kutta.

Mtodo de Euler
Este mtodo se aplica para encontrar la solucin a ecuaciones
diferencialesordinarias (EDO), esto es, cuando la funcin involucra solo una
variable independiente.

El mtodo se basa de forma general en la pendiente estimada de la funcin para

extrapolar desde un valor anterior a un nuevo valor:
Nuevo valor = valor anterior + pendiente x tamao de paso.
O bien,

De esta manera, la formula (1), se aplica paso a paso para encontrar un valor en
el futuro y as trazar la trayectoria de la solucin. La figura 1, muestra el
procedimiento aplicado con la ecuacin (1).

Prediccin de un nuevo valor en la

solucin
El mtodo de Euler utiliza la pendiente al inicio del intervalo como
unaaproximacin de la pendiente promedio sobre todo el intervalo. La primera
derivada proporciona una estimacin directa de la pendiente en x i.

f(xi,yi), es la ecuacin diferencial evaluada en xi y yi. Sustituyendo esta estimacin

de la pendiente en la ecuacin (1), se tiene:

La ecuacin (2), se le conoce como el mtodo de Euler. En esta formula se

predice un nuevo valor de y por medio de la pendiente que es igual a la primera
derivada en el valor original de x, este nuevo valor habr de extrapolarse en forma
lineal sobre el tamao de paso h.
Bibliografia
http://www.uaem.mx/posgrado/mcruz/cursos/mn/euler.pdf
Mtodo de Euler mejorado
Este mtodo se basa en la misma idea del mtodo anterior, pero hace un
refinamiento en la aproximacin, tomando un promedio entre ciertas pendientes.

La frmula es la siguiente:

donde,

Para entender esta frmula, analicemos el primer paso de la aproximacin, con

base en la siguiente grfica:

En la grfica, vemos que la pendiente promedio

corresponde a la pendiente
de la recta bisectriz de la recta tangente a la curva en el punto de la condicin
inicial y la recta tangente a la curva en el punto (x1, y1), donde y1 es la
aproximacin obtenida con la primera frmula de Euler. Finalmente, esta recta
bisectriz se traslada paralelamente hasta el punto de la condicin inicial, y se
considera el valor de esta recta en el punto x = x1 como la aproximacin de Euler
mejorada.
Bibliografa
http://www.monografias.com/trabajos73/metodos-numericos-metodo-eulermejorado/metodos-numericos-metodo-euler-mejorado.shtml
Mtodo de Runge-Kutta
En la seccin anterior se estableci que el mtodo de Euler para resolver la
ecuacin diferencial de primer orden

Y' = f(X, Y)

(7)

con la condicin inicial

Y(X0) = Y0

(8)

consiste en aplicar repetidamente la frmula de recurrencia

Yn+1 = Yn + h f(Xn, Yn) donde n = 1, 2, 3, ...

(9)

para determinar la solucin de la ecuacin diferencial en

X = X1, X2, X3,...
Sustituyendo la funcin f(X, Y) dada en (7), en (9), se tiene que
Yn+1 = Yn + h Y'n

(10)

expresin que indica que el mtodo de Euler consiste grficamente, en ir de un

valor Yn conocido de la solucin de la ecuacin diferencial (7) en un punto, al
siguiente por medio de la tangente T1 a la curva integral Y = Y(X) en el mismo
punto de la solucin conocida, como se muestra en la siguiente figura.

De este planteamiento grfico puede verse que una mejor aproximacin a la

solucin de la ecuacin diferencial se obtendra si en vez de ir por la
tangente T1para determinar la solucin en el siguiente Punto Pivote, se utiliza una
secante con pendiente igual al promedio de pendientes de la curva integral en los
puntos coordenados (Xn, Yn), (Xn+1, Yn+1) en donde Xn+1 y Yn+1 pueden estimarse con
el procedimiento normal de Euler, como se muestra en la siguiente grfica:

Con lo anterior se obtendra un mtodo mejorado de Euler con error del orden
deh3 definido por la expresin

en donde f(Xn+1, Yn+1) es el valor de la funcin f(X, Y) para:

X = Xn+1
Y = Yn + h f(Xn, Yn)

Observando las expresiones para resolver la ecuacin diferencial, puede decirse

que ambas consisten en aplicar la frmula de recurrencia

(12)

en donde

(13)
en el mtodo de Euler y

(14)
en lo que
Y' = f(X, Y)
en el mtodo de Euler Mejorado.
Como se ve, estos mtodos tienen los siguientes puntos en comn:
1.

Son mtodos de un paso; para determinar Yn+1 se necesita conocer

nicamente los valores de Xn y Yn del punto anterior.

2.

No requieren evaluar ninguna derivada, sino nicamente valores de la

funcin f(X, Y).

Estas caractersticas dan origen a una gran variedad de mtodos conocidos como
de Runge-Kutta. La diferencia entre ellos consiste en la forma como se define la
funcin
que aparece en la expresin (12).
La ventaja de los mtodos de Runge-Kutta con respecto al uso de la serie de
Taylor, que es tambin un mtodo de un paso, est expresado en el punto (2)
anterior; es decir, los mtodos de Runge-Kutta requieren slo de la funcin f(X, Y)y

de ninguna derivada, mientras que la serie de Taylor s requiere de la evaluacin

de derivadas. Esto hace que, en la prctica, la aplicacin de los mtodos de
Runge-Kutta sean ms simples que el uso de la serie de Taylor.
Un mtodo de Runge-Kutta para resolver ecuaciones diferenciales ordinarias de
primer orden con error del orden de h5, de uso tan frecuente que en la literatura
sobre mtodos numricos se le llama simplemente el Mtodo de Runge-Kutta, se
dar a conocer sin demostrar y consiste en aplicar la ecuacin de recurrencia (12)
en donde la funcin

est dada por la expresin:

(16)
en el cual

(17)
La ecuacin (16) se obtiene haciendo un promedio de las cuatro pendientes, k1,
k2, k3 y k4 a la curva integral, en forma semejante a como se procedi con las
pendientes de las tangentes T1 y T2 que dieron lugar a (11).

Bibliografia
http://www.google.com.mx/url?
sa=t&rct=j&q=&esrc=s&source=web&cd=3&ved=0CGAQFjAC&url=h
ttp%3A%2F%2Fwww.itescam.edu.mx%2Fprincipal%2Fsylabus
%2Ffpdb%2Frecursos%2Fr45643.DOC&ei=c6vTT-2CLPY2AWD0ZCcDw&usg=AFQjCNHsmQzsvtyYodR6DhItiXyY1UJGeg&
sig2=vSJ01IP-BoLrvU5g10RpIQ

6.3 Mtodos de pasos mltiples

Los mtodos de un paso descritos en las secciones anteriores utilizan informacin
en un solo punto xi para predecir un valor de la variable dependiente y i+1 en un
punto futuro xi+1. Procedimientos alternativos, llamados mtodos multipaso, se
basan en el conocimiento de que una vez empezado el clculo, se tiene
informacin valiosa de los puntos anteriores y esta a nuestra disposicin.
La curvatura de las lneas que conectan esos valores previos proporciona
informacin con respecto a la trayectoria de la solucin. Los mtodos multipaso
que exploraremos aprovechan esta informacin para resolver las EDO.
Antes de describir las versiones de orden superior, presentaremos un mtodo
simple de segundo orden que sirve para demostrar las caractersticas generales
de los procedimientos multipaso.

Bibliografa
http://metodosnumericos.webatu.com/tema5_2.html

6.4 Aplicaciones a la ingeniera.

Mtodo de Euler
Ejercicio 1. Use el mtodo de Euler para integrar numricamente la siguiente
ecuacin diferencial:

Desde x = 0 hasta x = 4, con un tamao de paso h = 0.5. Con la condicin inicial

de que cuando x = 0 entonces y = 1. Obtenga la solucin exacta integrando
analticamente y compare los resultados con los obtenidos por el mtodo de Euler.
Tabular los resultados de Euler, la solucin real y el error relativo porcentual.
Ejemplo:
Aplicando la ecuacin (2), para encontrar la primera aproximacin:
x1= 0
y1= 1
y2 = y1 + f (x1, y1 )h
La pendiente es:
f(0,1)= -2(0)3 +12(0)2 -20(0)+8.5 = 8.5
Sustituyendo en la formula de Euler
y2 = 1 + 8.5(0.5) = 5.25
Mtodo de Euler mejorado
Aplicar el mtodo de Euler mejorado, para aproximar y(0.5) si:
y' = 2xy
y(0) = 1

Solucin
Vemos que este es el mismo ejemplo 1 del mtodo anterior. As que definimos h =
0.1 y encontraremos la aproximacin despus de cinco iteraciones. A diferencia
del mtodo de Euler 1, en cada iteracin requerimos de dos clculos en vez de
uno solo: el de yn* primero y posteriormente el de yn.

Para aclarar el mtodo veamos con detalle las primeras dos iteraciones. Primero
que nada, aclaramos que tenemos los siguientes datos iniciales:

En nuestra primera iteracin tenemos:

Ntese que el valor de y1* coincide con el y1 (Euler 1), y es el nico valor que va
a coincidir, pues para calcular y2* se usar y1 y no y1*.
Esto lo veremos claramente en la siguiente iteracin:

Ntese que ya no coinciden los valores de y2 (Euler 1) y el de y2*. El proceso debe

seguirse hasta la quinta iteracin. Resumimos los resultados en la siguiente tabla:
n

xn

yn

0.1

1.01

0.2

1.040704

0.3

1.093988

0.4

1.173192

0.5

1.28336

Conclumos entonces que la aproximacin obtenida con el mtodo de Euler

mejorado es:
y(0.5) = 1.28336
Con fines de comparacin, calculamos el error relativo verdadero:

Vemos que efectivamente se ha obtenido una mejor aproximacin con este

mtodo, reduciendo el error relativo verdadero de un 5.4% hasta un 0.05%. En
nuestro tercer mtodo veremos cmo se reduce an ms este error prcticamente
a un 0%!

Link de aplicacin del mtodo de Euler a un sistema masa-amortiguador.