Wjda Metodos Numericos PDF

UNIVERSIDAD DE CUENCA
FACULTAD DE INGENIERÍA
MÉTODOS NUMÉRICOS – INTRODUCCIÓN
Ing. Walter Dután

Septiembre 2018 - Febrero 2019
1
1 Introducción a los Métodos Numéricos
1. Presentación
2. Prerrequisitos
3. Objetivos
4. Modelos matemáticos
5. Teoría de errores
2
1 Presentación
 Métodos Numéricos, Cálculo Numérico.

 Rama de las matemáticas, usada para encontrar aproximaciones a
problemas difíciles, tales como:
• Encontrar las raíces de ecuaciones no lineales.
• Integrales que envuelven expresiones complejas.
• Encontrar las soluciones de ecuaciones diferenciales para las
cuales no existen soluciones analíticas.
 Aplicados en una amplia variedad de disciplinas:
• Negocios, mercados.
• Todos los campos de la ingeniería.
• Computación.
• Educación.
3
• Otros…
2 Prerrequisitos
 Álgebra básica.
 Geometría.
 Trigonometría.
 Fundamentos de cálculo diferencial e integral.
 Álgebra lineal.
 Es deseable un conocimiento previo de ecuaciones diferenciales.
 Se pueden usar: C, Fortran, Visual Basic, Maple, Mathematica,
Mathcad, SciLab, Octave, Euler, Matlab o incluso hojas de cálculo
para resolver problemas complejos.
 Practicas en Matlab.
4
3 Objetivos
 Entender la necesidad de los Métodos Numéricos.

 Análisis de errores.
• Error verdadero.
• Error verdadero relativo.
• Error aproximado.
• Error aproximado relativo.
• Criterio de parada.
• Dígitos significativos.
5
4 Modelos matemáticos
 Son una parte integral en la solución de problemas de ingeniería.

 Muchas veces, estos modelos matemáticos son derivados de
principios de la ciencia e ingeniería, mientras otros son obtenidos a
partir de los experimentos.
 Necesidad de usar procedimientos matemáticos que incluyen (pero
no están limitados) a:
• Diferenciación.
• Ecuaciones no lineales.
• Ecuaciones lineales simultáneas.
• Ajuste de curvas por interpolación o regresión.
• Integración.
• Ecuaciones diferenciales.
 Solución exacta – Solución aproximada 6
 Pasos en la solución de un problema de ingeniería:
Descripción del problema
Modelo matemático
Solución del modelo matemático
Usar la solución
7
8
9
10
5 Teoría de errores
 Un algoritmo es un procedimiento que describe sin ninguna

ambigüedad, una sucesión finita de pasos a realizarse en un orden
específico.
 Para obtener resultados confiables, es necesario imponer criterios
que garanticen que el algoritmo se mueva en un marco de estabilidad.
 Algoritmos estables:
• Pequeños cambios en los datos iniciales produzcan
correspondientemente pequeños cambios en los resultados
finales.
• Acumulación de error aceptable.
 Algoritmos inestables:
• Provocarían una acumulación exagerada del error con la
consecuencia de tener respuestas fuera de la realidad..
 Cálculo de la magnitud del error en cada proceso numérico. 11
 En cualquier análisis numérico, surgirán errores durante los cálculos.

Para tratar con los errores tenemos que:
1. Identificar el origen del error.
2. Cuantificar el error.
3. Minimizar el error según nuestras necesidades.
 ¿Por qué medir los errores?
• Para determinar la precisión de los resultados numéricos.
• Para desarrollar criterios de parada para algoritmos iterativos.
12
 Error verdadero:
Error verdadero = Valor real (exacto) – Valor aproximado
 Ejemplo:
La derivada, f (x )
de una función f (x) puede ser
aproximada por la ecuación,
f ( x  h)  f ( x)
f ' ( x) 
h
0.5 x y
Si f ( x)  7e h  0 .3
a) Encontrar el valor aproximado de f ' ( 2)
b) El valor real de f ' ( 2)
c) El error verdadero de la parte (a)
13
 Error verdadero relativo:

 La magnitud del error verdadero no muestra que “tan malo” es el error.
Esto nos lleva a la definición de error verdadero relativo:
Error verdadero relativo = Error verdadero / Valor verdadero
 Ejemplo:
En el ejemplo previo, encontrar el error verdadero
relativo
f ( x  h)  f ( x)
f ' ( x) 
h
0.5 x y
Si f ( x)  7e h  0 .3
 El error verdadero relativo se presenta además como porcentaje.

 Se puede calcular el error verdadero relativo absoluto.
14
 Error aproximado:
• ¿Qué se puede hacer si no se conocen los valores verdaderos o
son muy difíciles de obtener?
• Cuando se soluciona un problema numéricamente, tenemos
acceso únicamente a valores aproximados.
• Es necesario saber cómo cuantificar los errores para tales casos.
Error aproximado = Presente aproximación – Previa aproximación
 Ejemplo:
f ( x  h)  f ( x)
f ' ( x) 
h
Si f ( x)  7e
0.5 x
en x = 2
a) Encontrar f ' ( 2) usando h = 0.3
b) Encontrar f ' ( 2) usando h = 0.15
15
c) El error aproximado de f ' ( 2) de la parte (b)
 Error aproximado relativo:

• La magnitud del error aproximado no muestra que “tan malo” es
el error. Esto nos lleva a la definición de error aproximado
relativo:
Error aproximado relativo = Error aproximado / Presente aproximación
 Ejemplo:
f ( x  h)  f ( x)
f ' ( x) 
h
Si f ( x)  7e
0.5 x
en x = 2
a) El error aproximado relativo para h=3 y h=0.5
 El error aproximado relativo se presenta además como porcentaje.

 Se puede calcular el error aproximado relativo absoluto.
16
 Error aproximado relativo como criterio de parada

• En un método numérico que usa métodos iterativos, se puede
calcular el error aproximado relativo el fin de cada iteración. Se
puede definir una tolerancia mínima aceptable (tolerancia pre-
especificada) s
• Si el error aproximado relativo absoluto es menor o igual que la
tolerancia pre especificada |a |  s entonces el error aceptable
ha sido alcanzado y no se requieren más iteraciones.
• Alternativamente, se puede especificar cuántos dígitos

significativos serán correctos en la respuesta final, entonces
|a | 0.5  10 2m %
donde m son los dígitos significativos 17

 Error aproximado relativo como criterio de parada

• En un método numérico que usa métodos iterativos, se puede
calcular el error aproximado relativo el fin de cada iteración. Se
puede definir una tolerancia mínima aceptable (tolerancia pre-
especificada) s
• Si el error aproximado relativo absoluto es menor o igual que la
tolerancia pre especificada |a |  s entonces el error aceptable
ha sido alcanzado y no se requieren más iteraciones.
• Alternativamente, se puede especificar cuántos dígitos
significativos (m) serán correctos en la respuesta final, entonces
|a | 0.5  10 2m %
• Ejemplo:
Para f ( x)  7e
0.5 x
en x  2 con tamaño de paso variable, h
h f (2) a m 18
5 Fuentes de error
 Error en el modelo
 Errores en los programas o en la medición de cantidades físicas
 En aplicaciones de métodos numéricos nos enfocamos en dos tipos
de error:
• Error de redondeo
• Ocasionado al representar un número solo de manera
aproximada.
1
 0.333333 2  1.4142...
3
• Error de truncamiento
• Causado por truncar o aproximar un procedimiento
matemático.
 x 2

Truncation Error  e  1  x  
x
 2!  19
MÉTODOS NUMÉRICOS – SOLUCIÓN DE

ECUACIONES NO LINEALES
Ing. Walter Dután

Septiembre 2018 - Febrero 2019 1
0 Solución de ecuaciones no lineales
1. Presentación
2. Método de Bisección
3. Método de Newton-Raphson
4. Método de la secante
5. Método de falsa posición
6. Método de punto fijo
7. Método de Brent
2
1 Presentación
 En general, no es posible determinar los ceros de una función, es

decir, valores x* tal que f (x*) = 0, en un número finito de pasos..
 Tenemos que usar métodos de aproximación.
 Los métodos son usualmente iterativos y tienen la forma: Iniciando
con una aproximación inicial x0 (o un intervalo [a, b]), se calculan
aproximaciones sucesivas x1, x2, ... y elegimos xn como aproximación
de x* cuando se cumpla un criterio de parada dado.
 A los ceros de un polinomio se les conoce también como raíces.
3
0 Solución de ecuaciones no lineales
1. Presentación
2. Método de Bisección
3. Método de Newton-Raphson
4. Método de la secante
5. Método de falsa posición
6. Método de punto fijo
7. Método de Brent
2
2 Método de bisección
 Teorema: Una ecuación f(x)=0, donde f(x) es una función real

continua, tiene al menos una raíz entre xl y xu si f(xl) f(xu) < 0.
4
 Si la función f(x), no cambia de signo entre dos puntos, aun pueden

existir raíces de la ecuación f(x) = 0 entre los dos puntos.
5
 Si la función f(x), no cambia de signo entre dos puntos, puede que no

exista ninguna raíz para la ecuación f(x) = 0 entre los dos puntos.
6
 Si la función f(x), cambia de signo entre dos puntos, pueden existir

más de una raíz de la ecuación f(x) = 0 entre los dos puntos.
7
 Algoritmo
4. Encontrar la nueva estimación de la raíz:
+
=
5. Encontrar el error:
−
= ×
6. Comparar el error con el valor pre especificado . Si > ,

entonces ir al paso 3, caso contrario parar el algoritmo.
• Es importante, además, comprobar si el número de iteraciones
es mayor que el número máximo permitido. Si es así, hay que
detener el algoritmo y notificar.
 Ejercicios = − 0.165 + 3.993 × 10 =0 9
3 Método de Newton-Raphson
 Principio: Si la estimación inicial de f(x)=0 , está en xi , entonces si

se dibuja la tangente a la curva en f(xi), el punto xi+1 donde la
tangente cruza el eje X es una estimación mejorada de la raíz.
10
 Principio: Si la estimación inicial de f(x)=0 , está en xi , entonces si

se dibuja la tangente a la curva en f(xi), el punto xi+1 donde la
tangente cruza el eje X es una estimación mejorada de la raíz.
10
 Algoritmo:
1. Evaluar f’(x) simbólicamente.
2. Usar un valor supuesto inicial de la raíz, xi , para estimar el nuevo
valor de la raíz, xi+1 , como:
= −
 Ejercicios
12
 Usando la definición de pendiente de una función, en x=xi :
= tan
−0
=
−
 Lo que resulta en la fórmula de Newton-Raphson para resolver

ecuaciones no lineales de la forma f(x)=0:
= −
 Iniciando con un valor inicial supuesto, xi , se puede encontrar el

siguiente valor xi+1 . Se repite el proceso hasta encontrar la raíz
dentro de la tolerancia especificada.
11
 Algoritmo:
1. Evaluar f’(x) simbólicamente.
2. Usar un valor supuesto inicial de la raíz, xi , para estimar el nuevo
valor de la raíz, xi+1 , como:
= −
 Ejercicios
12
4 Método de la secante
 Uno de los inconvenientes del método de Newton-Raphson es que se

tiene que evaluar la derivada de la función. Para superar este
inconveniente, se aproxima la derivada de la función.
−
=
−
Sustituyendo en:
= −
Resulta en el método
de la secante:
( − )
= −
−
14
5 Método de falsa posición
 En el método de bisección identificamos los valores inferior y superior

del intervalo cerrado (xl y xu), tales que f(xl) f(xu) < 0.
 El método de falsa posición dibuja una secante desde f(xl) hasta f(xu)
y estima la raíz en el punto de cruce de la secante con el eje x.
De la semejanza de
triángulos de la figura
0− ( ) 0− ( )
=
−
Esta ecuación puede ser
solucionada para obtener
la nueva aproximación a la
raíz
− ( )
=
− ( )
16
5 Método de falsa posición
 En el método de bisección identificamos los valores inferior y superior

del intervalo cerrado (xl y xu), tales que f(xl) f(xu) < 0.
 El método de falsa posición dibuja una secante desde f(xl) hasta f(xu)
y estima la raíz en el punto de cruce de la secante con el eje x.
De la semejanza de
triángulos de la figura
0− ( ) 0− ( )
=
−
Esta ecuación puede ser
solucionada para obtener
la nueva aproximación a la
raíz
− ( )
=
− ( )
16
6 Método de punto fijo
 Un punto fijo para una función es un número en el que el valor de la
función no cambia cuando se aplica la función.
 El número p es un punto fijo para una función dada g si g(p) = p
 Si la función g tiene un punto fijo en p, entonces la función definida
por f(x) = x-g(x) tiene un cero en p.
 Ejercicio: determinar los puntos fijos de:
= −
= = −2
0= − − 2 = ( + 1)( − 2)
Un punto fijo para g ocurre

precisamente cuando el gráfico de
y=g(x) interseca el gráfico de y=x. 18
6 Método de punto fijo
 Un punto fijo para una función es un número en el que el valor de la
función no cambia cuando se aplica la función.
 El número p es un punto fijo para una función dada g si g(p) = p
 Si la función g tiene un punto fijo en p, entonces la función definida
por f(x) = x-g(x) tiene un cero en p.
 Ejercicio: determinar los puntos fijos de:
= −
= = −2
0= − − 2 = ( + 1)( − 2)
Un punto fijo para g ocurre

precisamente cuando el gráfico de
y=g(x) interseca el gráfico de y=x. 18
7 Método de Brent
 Richard Brent vislumbró una rutina que combinaba la confiabilidad del

método de bisección con la velocidad del método de la secante, y
añadió otro método que puede ser más rápido. La idea es que se
comienza con un cambio de signo en el intervalo, del cual no se sale.
Entonces se tiene tres alternativas para realizar el siguiente paso:
• El paso de bisección (lento);
• El paso de la secante (mediano);
• El paso "cuadrático inverso" (rápido).
 Para problemas unidimensionales, el método de Brent es un método
híbrido que toma en cuenta la naturaleza de la función asegurando
una convergencia lenta y uniforme para valores iniciales pobres, y
una convergencia rápida cerca del óptimo.
20
MÉTODOS NUMÉRICOS – DIFERENCIACIÓN
Ing. Walter Dután

1
0 Diferenciación
1. Presentación
2. Diferencias hacia adelante
3. Diferencias hacia atrás
4. Diferencias divididas centrales
2
1 Presentación
 La derivada de una función representa la tasa de cambio de una

variable con respecto a otra variable.
3
2 Diferencias hacia adelante
lim f  x  Δx   f  x 
f  x  
Δx  0 Δx
Para un finito ' Δx'
f  x  x   f  x 
f  x  
x
f(x)
x x+Δx 4
3 Diferencias hacia atrás
f  x  Δx   f  x 
lim
f  x  
Δx  0 Δx
Para un finite ' Δ
, x'
f  x  x   f  x 
f  x  
x
Si ' Δx' es escogido como un número negativo,
f  x  x   f  x 
f  x  
 x
f  x   f  x  Δx 

Δx
f  xi   f  xi 1 
f  xi  
x
f  xi   f  xi 1 

xi  xi 1
5
Δx  xi  xi 1
3 Diferencias hacia atrás
f  x  Δx   f  x 
lim
f  x  
Δx  0 Δx
Para un finite ' Δ
, x'
f  x  x   f  x 
f  x  
x
Si ' Δx' es escogido como un número negativo,
f  x  x   f  x 
f  x  
 x
f  x   f  x  Δx 

Δx
f  xi   f  xi 1 
f  xi  
x
f  xi   f  xi 1 

xi  xi 1
5
Δx  xi  xi 1
MÉTODOS NUMÉRICOS – SISTEMAS DE

ECUACIONES LINEALES
Ing. Walter Dután

Septiembre 2018 - Febrero 2019 1
1 Sistemas de ecuaciones lineales
1. Presentación
2. Método de eliminación Gaussiana
3. Factorización o descomposición LU
4. Método de Gauss-Seidel
2
1 Presentación
 El álgebra matricial se usa para resolver un sistema de ecuaciones

lineales simultáneas. De hecho, para muchos procedimientos
matemáticos, como la solución a un conjunto de ecuaciones no
lineales, interpolación, integración y ecuaciones diferenciales, las
soluciones se reducen a un conjunto de ecuaciones lineales
simultáneas.
 Un conjunto general de m ecuaciones y n incógnitas puede ser
escrito como:
3
1 Sistemas de ecuaciones lineales
1. Presentación
2. Método de eliminación Gaussiana
3. Factorización o descomposición LU
4. Método de Gauss-Seidel
2
1 Presentación
 El álgebra matricial se usa para resolver un sistema de ecuaciones

lineales simultáneas. De hecho, para muchos procedimientos
matemáticos, como la solución a un conjunto de ecuaciones no
lineales, interpolación, integración y ecuaciones diferenciales, las
soluciones se reducen a un conjunto de ecuaciones lineales
simultáneas.
 Un conjunto general de m ecuaciones y n incógnitas puede ser
escrito como:
3
2 Sustitución hacia atrás
 Ahora las ecuaciones se resuelven a partir de la última ecuación ya

que solo tiene una incógnita.
a11 x1  a12 x 2  a13 x3  ...  a1n x n  b1

'
a22 x2  a23
'
x3  ...  a2' n xn  b2'
"
a33 x3  ...  an" xn  b3"
. .
. .
. .
 n 1 n 1 
ann xn  bn
6
2 Dificultades con la eliminación Gaussiana
 División por cero. Es una posibilidad en cualquier paso de la

eliminación hacia adelante.
 Errores de redondeo grandes.
 Posibles soluciones:
• Incrementar el número de dígitos significativos.
• Reduce el error de redondeo.
• No evita la división por cero.
• Eliminación gaussiana con pivoteo parcial.
• Evita la división por cero.
• Reduce el error de redondeo.
7
2 Método de eliminación Gaussiana
 Uno de los más populares métodos para solucionar sistemas de

ecuaciones lineales simultáneas.
 Diseñado para solucionar un sistema de n ecuaciones con n
incógnitas.
a11 x1  a12 x2  a13 x3  ...  a1n xn  b1

a21 x1  a22 x2  a23 x3  ...  a2 n xn  b2
. .
. .
. .
an1 x1  an 2 x2  an 3 x3  ...  ann xn  bn
 Consiste de dos pasos:

• Eliminación hacia adelante de las incógnitas.
• Sustitución hacia atrás. 4
3 Factorización o descomposición LU
 Para una matriz no singular [A] en la cual se puede llevar a cabo la

eliminación Gaussiana hacia adelante, siempre se puede escribir:
[A] = [L][U]
Donde
[L] = matriz triangular inferior
[U] = matriz triangular superior
Sistema de ecuaciones [A][X] = [C]
Si [A] = [L][U] entonces [L][U][X] = [C]
Multiplicar por [L]-1
Resula [L]-1[L][U][X] = [L]-1[C]
Puesto que [L]-1[L] = [I] entonces [I][U][X] = [L]-1[C]
Ahora, si [I][U] = [U] entonces [U][X] = [L]-1[C]
Ahora, obtenemos [L]-1[C]=[Z]
Con lo cual [L][Z] = [C] (1)
9
y [U][X] = [Z] (2)
 Descomponer [A] en [L] y [U]
 1 0 0  u11 u12 u13 

A  L U    21 1 0   0 u 22 u 23 
 31  32 1   0 0 u 33 
[U] es la matriz de coeficientes al fin de la eliminación hacia adelante.

[L] es obtenida usando los multiplicadores que fueron usados en el proceso
de eliminación hacia adelante.
10
 25 5 1
 64 8 1
 
144 12 1
 25 5 1 
64
Paso 1:  2.56; Row2  Row12.56   0  4.8  1.56
25
144 12 1 
25 5 1 
144
 5.76; Row3  Row15.76   0  4.8  1.56 
25
 0  16.8  4.76
11
25 5 1 
Matriz después del  0  4.8  1.56 
 
paso 1:  0  16.8  4.76
25 5 1 
 16.8
Paso 2:  3.5; Row3  Row23.5   0  4.8  1.56
 4.8
 0 0 0.7 
25 5 1 
U   0  4.8 1.56
 0 0 0.7 
12
 Para una matriz no singular [A] en la cual se puede llevar a cabo la

eliminación Gaussiana hacia adelante, siempre se puede escribir:
[A] = [L][U]
Donde
[L] = matriz triangular inferior
[U] = matriz triangular superior
Sistema de ecuaciones [A][X] = [C]
Si [A] = [L][U] entonces [L][U][X] = [C]
Multiplicar por [L]-1
Resula [L]-1[L][U][X] = [L]-1[C]
Puesto que [L]-1[L] = [I] entonces [I][U][X] = [L]-1[C]
Ahora, si [I][U] = [U] entonces [U][X] = [L]-1[C]
Ahora, obtenemos [L]-1[C]=[Z]
Con lo cual [L][Z] = [C] (1)
9
y [U][X] = [Z] (2)
 1 0 0  u11 u12 u13 

A  L U    21 1 0   0 u 22 u 23 
 31  32 1   0 0 u 33 
[U] es la matriz de coeficientes al fin de la eliminación hacia adelante.

[L] es obtenida usando los multiplicadores que fueron usados en el proceso
de eliminación hacia adelante.
10
 25 5 1
 64 8 1
 
144 12 1
 25 5 1 
64
Paso 1:  2.56; Row2  Row12.56   0  4.8  1.56
25
144 12 1 
25 5 1 
144
 5.76; Row3  Row15.76   0  4.8  1.56 
25
 0  16.8  4.76
11
25 5 1 
Matriz después del  0  4.8  1.56 
 
paso 1:  0  16.8  4.76
25 5 1 
 16.8
Paso 2:  3.5; Row3  Row23.5   0  4.8  1.56
 4.8
 0 0 0.7 
25 5 1 
U   0  4.8 1.56
 0 0 0.7 
12
1 0 0
 1 0
 21
 31  32 1
Usando los multiplicadores de la eliminación hacia adelante

a 64
Del primer paso de  25 5 1  21  21   2.56
a11 25
eliminación hacia  64 8 1
adelante    31 
a31 144
  5.76
144 12 1 a11 25
13
Del segundo paso 25 5 1 

de eliminación  0  4.8  1.56   32  a32   16.8  3.5
hacia adelante   a 22  4.8
 0  16.8  4.76
 1 0 0

L  2.56 1 0 
5.76 3.5 1
 1 0 0 25 5 1 
LU   2.56 1 0  0  4.8  1.56 
5.76 3.5 1  0 0 0.7 
?
14
Solucionar el sistema  25 5 1  x1  106.8 

usando descomposición  64 8 1  x   177.2 
LU    2  
144 12 1  x3  279.2
Encontrar las matrices [L] y [U]
 1 0 0 25 5 1 
A  LU   2.56 1 0  0  4.8  1.56
5.76 3.5 1  0 0 0.7 
15
 1 0 0  z1  106.8 
2.56 1 0  z   177.2 
Establecer [L][Z] = [C]   2   
5.76 3.5 1  z 3  279.2
z1  10
Solucionar para [Z] 2.56 z1  z 2  177.2
5.76 z1  3.5 z 2  z 3  279.2
Completar la sustitución hacia adelante para solucionar para [Z]
z1  106.8
z 2  177.2  2.56 z1  z1   106.8 
 177.2  2.56106.8    
 96.2
Z    z2    96.21
z3  279.2  5.76 z1  3.5 z 2  z3   0.735 
 279.2  5.76106.8  3.5 96.21
16
 0.735
Establecer [U][X] = [Z]

25 5 1   x1   106.8 
 0  4.8  1.56  x    96.21
   2  
 0 0 0.7   x3   0.735 
Solucionar para[X] Las 3 ecuaciones llegan a ser
25a1  5a2  a3  106.8

 4.8a2  1.56a3  96.21
0.7a3  0.735
 a1  0.2900
a    19.70 
 2  
 a3   1.050  17
4 Método de Gauss-Seidel
 Algoritmo: Forma general de cada ecuación
n n
c1   a1 j x j cn 1  a
j 1
n 1, j xj
j 1
j  n 1
x1 
j 1 xn 1 
a11 an 1,n 1
n
c n   a nj x j
n
c2   a2 j x j
j 1 j 1
j n
x2 
j 2
xn 
a 22 a nn
n
ci   aij x j
j 1
j i
xi  , i  1,2, , n.
aii 22
 Ejemplo:
La velocidad ascendente de un
cohete se da en tres
momentos diferentes
Tabla 1 Velocidad vs. Tiempo

t s  v m/s 
5 106.8
8 177.2
12 279.2
La velocidad es aproximada mediante el polinomio:
v t   a1t 2  a2t  a3 , 5  t  12.

23
 Algoritmo:
Reescribir cada ecuación
De ecuación 1
De ecuación 2
De ecuación n-1
De ecuación n
21
 Algoritmo: Forma general de cada ecuación
n n
c1   a1 j x j cn 1  a
j 1
n 1, j xj
j 1
j  n 1
x1 
j 1 xn 1 
a11 an 1,n 1
n
c n   a nj x j
n
c2   a2 j x j
j 1 j 1
j n
x2 
j 2
xn 
a 22 a nn
n
ci   aij x j
j 1
j i
xi  , i  1,2, , n.
aii 22
 Ejemplo:
Aplicando los valores iniciales y

solucionando para ai
 a1  1 106.8  5(2)  (5)
a1   3.6720
 a    2 25
 2  
 a3  5 177.2  643.6720   5
a2   7.8510
Valores 8
iniciales
279.2  1443.6720   12 7.8510 
a3   155.36
1
¿Al soluciona para a2, cuántos valores iniciales fueron usados?
26
 Ejemplo:
Encontrar el valor absoluto del error relativo

aproximado
xinew  xiold Al fin de la primera iteración

a i  new
100
xi
 a1   3.6720 
 a     7.8510 
3.6720  1.0000  2  
a 1  x100  72.76%
3.6720  a 3    155 .36 
 7.8510  2.0000 El valor absoluto máximo del

a 2  x100  125.47%
 7.8510 error relativo aproximado es
125.47%
 155.36  5.0000
a 3  x100  103.22%
 155.36
27
 Ejemplo:
Iteración #2
Usando
Los valores de ai son encontrados:
 a1   3.6720 
a    7.8510 106.8  5 7.8510   155.36
 2   a1   12.056
 a3    155.36  25
De la iteración #1
177.2  6412.056   155.36
a2   54.882
8
279.2  14412.056   12 54.882 

a3   798.34
1
28
 Ejemplo:
Encontrar el valor absoluto del error relativo

aproximado
12.056  3.6720 Al fin de la segunda iteración

a 1  x100  69.543%
12.056  a1   12.056 
a    54.882
 2  
 54.882   7.8510   a3   798.54
a 2  x100  85.695%
 54.882
El valor absoluto máximo del
 798.34   155.36  error relativo aproximado es
a 3  x100  80.540% 85.695%
 798.34
29
 Ejemplo:
Repitiendo más iteraciones, los siguientes valores son obtenidos
Iteración a1 a 1 % a2 a 2 % a3 a 3 %
1 3.6720 72.767 −7.8510 125.47 −155.36 103.22
2 12.056 69.543 −54.882 85.695 −798.34 80.540
3 47.182 74.447 −255.51 78.521 −3448.9 76.852
4 193.33 75.595 −1093.4 76.632 −14440 76.116
5 800.53 75.850 −4577.2 76.112 −60072 75.963
6 3322.6 75.906 −19049 75.972 −249580 75.931
Nota – No existe un decremento significativo de los errores relativos
 a1  0.29048
Además, la solución no está convergiendo a la a    19.690 
solución real  2  
a 3   1.0857 
30
 Ejemplo:
Iteración #2
Usando
Los valores de ai son encontrados:
 a1   3.6720 
a    7.8510 106.8  5 7.8510   155.36
 2   a1   12.056
 a3    155.36  25
De la iteración #1
177.2  6412.056   155.36
a2   54.882
8
279.2  14412.056   12 54.882 

a3   798.34
1
28
MÉTODOS NUMÉRICOS – INTERPOLACIÓN
Ing. Walter Dután

1
1 Interpolación
1. Presentación
2. Método directo de interpolación
3. Método de interpolación de diferencias divididas
de Newton
4. Polinomios de interpolación de Lagrange
5. Interpolación mediante trazadores (splines)
2
1 Presentación
 Dados (x0,y0), (x1,y1), …… (xn,yn), encontrar el valor de ‘y’ en un valor

de x’ que no está dado.
 Se puede usar una función continua f(x) para representar los n+1
datos pasando a través de los n+1 puntos.
3
Interpolación de datos discretos
2 Método directo de interpolación
 Una elección común para una función interpolante es un polinomio,

debido a que los polinomios son fáciles de evaluar, diferenciar e
integrar.
 Encontrar un polinomio de orden n que pase a través de los n+1
puntos.
y  a0  a1 x  ....................  an x . n
 a0, a1,………………. an son constantes reales

 Establecer n+1 ecuaciones para encontrar n+1 constantes.
 Solucionar el sistema de n+1 ecuaciones lineales simultáneas.
 Para encontrar el valor 'y' en un valor dado de 'x', simplemente
sustituyir el valor de 'x' en el polinomio anterior.
4
 Ejemplo: La velocidad de un cohete está dada como una función del

tiempo en la tabla 1. Encontrar la velocidad a t = 16 s, usando el
método directo para interpolación lineal.
Tabla 1 Velocidad como

función del tiempo.
t , s  vt , m/s 
0 0
10 227.04
15 362.78
20 517.35
22.5 602.97
30 901.67
Velocidad vs. tiempo para el ejemplo

5
2 Método directo de interpolación lineal
 Interpolación lineal: interpolación mediante un polinomio de primer

orden.
y
vt   a0  a1t
x1, y1
v15  a 0  a1 15  362.78
v20  a 0  a1 20  517.35 x0, y0
f1x
Solucionando el sistema de ecuaciones,
x
a0  100.93 a1  30.914
Interpolación lineal.
Por lo tanto
vt   100.93  30.914t , 15  t  20.
v16  100.93  30.91416  393.7 m/s
6
 Una elección común para una función interpolante es un polinomio,

debido a que los polinomios son fáciles de evaluar, diferenciar e
integrar.
 Encontrar un polinomio de orden n que pase a través de los n+1
puntos.
y  a0  a1 x  ....................  an x . n
 a0, a1,………………. an son constantes reales

 Establecer n+1 ecuaciones para encontrar n+1 constantes.
 Solucionar el sistema de n+1 ecuaciones lineales simultáneas.
 Para encontrar el valor 'y' en un valor dado de 'x', simplemente
sustituyir el valor de 'x' en el polinomio anterior.
4
2 Método directo de interpolación cuadrática
550
517.35
v t   12 .05  17 .733t  0.3766 t , 10  t  20

500
2
450
ys
v16   12.05  17.73316   0.376616 

400
2 f ( range)

f x desired  350
 392.19 m/s 300
250
227.04 200
10 12 14 16 18 20
10 x s  range x desired 20
El valor absoluto del error de aproximación a obtenido entre

los resultados de los polinomios de primer y segundo orden es
392.19  393.70
a  100
392.19
 0.38410%
8
2 Método directo de interpolación cúbica
método directo para interpolación cúbica.
 Interpolación cúbica: interpolación mediante un polinomio de tercer
orden.
y
x3 , y3 
vt   a0  a1t  a2t  a3t
2 3
x1 , y1 
v10  227.04  a0  a1 10  a2 10  a3 10
2 3
f 3 x 
 x2 , y 2 
v15  362.78  a0  a1 15  a2 15  a3 15
2 3
x0 , y0 
v20  517.35  a0  a1 20  a2 20  a3 20

2 3 x
Interpolación cúbica
v22.5  602.97  a0  a1 22.5  a2 22.5  a3 22.5
2 3
a0  4.2540 a1  21.266 a2  0.13204 a3  0.0054347 9

2 Método directo de interpolación cúbica
vt   4.2540  21.266t  0.13204t 2  0.0054347t 3 , 10  t  22.5

v 16   4 .2540  21 .266 16   0 .13204 16   0.0054347 16 
2 3
 392 .06 m/s

700
El valor absoluto del error de
aproximación a obtenido entre los
602.97
600 resultados de los polinomios de

segundo y tercer orden es
ys 500
392 .06  392 .19

f ( range)
 
f x desired
400 a   100
392 .06
300
 0.033269 %
227.04 200
10 12 14 16 18 20 22 24
10 x s  range x desired 22.5
10
2 Método directo de interpolación cuadrática
método directo para interpolación cuadrática.
 Interpolación cuadrática: interpolación mediante un polinomio de
segundo orden.
y
x1 , y1 
vt   a0  a1t  a2t 2
v10  a0  a1 10  a2 10  227.04

2 x2 , y2 
v15  a0  a1 15  a2 15  362.78

2
v20  a0  a1 20  a2 20  517.35

2 f 2 x 
 x0 , y 0  x
Interpolación cuadrática.
Solucionando el sistema de ecuaciones
a0  12.05 a1  17.733 a2  0.3766 7

3 Método de interpolación de diferencias
divididas de Newton
 Interpolación cuadrática
Dados ( x 0 , y 0 ), ( x1 , y1 ), y ( x 2 , y 2 ), ajustar mediante interpolación cuadrática
f 2 ( x)  b0  b1 ( x  x0 )  b2 ( x  x0 )( x  x1 )
b0  f ( x0 )
f ( x1 )  f ( x0 )
b1 
x1  x0
f ( x 2 )  f ( x1 ) f ( x1 )  f ( x0 )

x 2  x1 x1  x0
b2 
x 2  x0
12
divididas de Newton
 Forma general
Dados (n  1) puntos de datos,  x0 , y 0 ,  x1 , y1 ,......,  x n 1 , y n 1 ,  x n , y n  el

polinomio interpolante es
f n ( x)  b0  b1 ( x  x0 )  ....  bn ( x  x0 )( x  x1 )...( x  x n 1 )
donde
b0  f [ x0 ]
b1  f [ x1 , x0 ]
b2  f [ x 2 , x1 , x0 ]
.
.
bn 1  f [ x n 1 , x n  2 ,...., x0 ]
bn  f [ x n , x n 1 ,...., x0 ]
13
divididas de Newton
 Forma general
El polinomio de tercer orden, dados ( x0 , y 0 ), ( x1 , y1 ), ( x 2 , y 2 ), y ( x3 , y 3 ), es
f 3 ( x)  f [ x 0 ]  f [ x1 , x0 ]( x  x0 )  f [ x 2 , x1 , x0 ]( x  x 0 )( x  x1 )
 f [ x3 , x 2 , x1 , x 0 ]( x  x0 )( x  x1 )( x  x 2 )
b0
x0 f ( x0 ) b1
f [ x1 , x0 ] b2
x1 f ( x1 ) f [ x 2 , x1 , x0 ] b3
f [ x 2 , x1 ] f [ x3 , x 2 , x1 , x0 ]
x2 f ( x2 ) f [ x3 , x 2 , x1 ]
f [ x3 , x 2 ]
x3 f ( x3 )
14
4 Polinomios de interpolación de Lagrange
 El polinomio de interpolación de Lagrange está dado por:
−
=
−
 El polinomio de interpolación de Lagrange es simplemente una

reformulación del polinomio de Newton que evita el cálculo de las
diferencias divididas 15
divididas de Newton
 Forma general
Dados (n  1) puntos de datos,  x0 , y 0 ,  x1 , y1 ,......,  x n 1 , y n 1 ,  x n , y n  el

polinomio interpolante es
f n ( x)  b0  b1 ( x  x0 )  ....  bn ( x  x0 )( x  x1 )...( x  x n 1 )
donde
b0  f [ x0 ]
b1  f [ x1 , x0 ]
b2  f [ x 2 , x1 , x0 ]
.
.
bn 1  f [ x n 1 , x n  2 ,...., x0 ]
bn  f [ x n , x n 1 ,...., x0 ]
13
1 550
v(t )   Li (t )v(ti )  L0 (t )v(t 0 )  L1 (t )v(t1 ) 517.35
i 0
t 0  15, t 0   362.78 500
ys
t1  20, t1   517.35 f ( range)

450

f x desired 
1 t tj t  t1
L0 (t )   
j 0 t0  t j t 0  t1 400
j 0
1 t tj t  t0
L1 (t )  
362.78
 350
10 12 14 16 18 20 22 24
j 0 t1  t j t1  t 0 x s  10
0
x s  range x desired x s  10
1
j 1
t  t1 t  t0 t  20 t  15
v(t )  v(t 0 )  v(t1 )  (362.78)  (517.35)
t 0  t1 t1  t 0 15  20 20  15
16  20 16  15
v(16)  (362.78)  (517.35)
15  20 20  15
 0.8(362.78)  0.2(517.35)
 393.7 m/s. 17
 Interpolación de Lagrange
cuadrática.
2
v (t )   Li ( t ) v(t i )
i 0
 L0 (t )v (t 0 )  L1 (t ) v( t1 )  L2 (t ) v( t 2 )
t 0  10, v(t 0 )  227.04 517.35

550
t1  15, v(t1 )  362.78 500
t 2  20, v(t 2 )  517.35 450
ys
400
2 t tj  t  t1  t  t 2 
L0 (t )       f ( range)
j 0 t0  t j t  t
 0 1  0 2 t  t 
f x desired 
j 0
350
2 t t j  t  t0  t  t 2 
L1 (t )       300
j 0 t1  t j  t1  t 0  t1  t 2 
j 1
250
2 t tj  t  t 0  t  t1 
L2 (t )       227.04 200
j 0 t2  t j t  t
 2 0  2 1  t  t 10 12 14 16 18 20 18
j 2 10 x s  range x desired 20
 Interpolación de Lagrange cuadrática.
 t  t1  t  t2   t  t0  t  t2   t  t0  t  t1 
vt     vt0     vt1     vt2 
 t0  t1  t0  t2   t1  t0  t1  t2   t2  t0  t2  t1 
 1615 16 20   1610 16 20   1610  1615 
v16    227 .04     362 .78     517.35
 1015 10 20   1510  15 20   2010  2015
  0.08227.04  0.96362.78  0.12527.35
 392.19 m/s
El error a para los resultados obtenidos de los polinomios de primer y

segundo orden es:
392.19 393.70
a  100
392.19
 0.38410% 19
 Interpolación de Lagrange cúbica.
3
v (t )   Li ( t ) v(t i )
i 0
 L0 (t ) v( t 0 )  L1 ( t ) v(t 1 )  L2 ( t ) v(t 2 )  L3 ( t ) v(t 3 )

t o  10, v t o   227.04 t1  15, v t1   362.78
t 2  20, v t 2   517.35 t 3  22.5, v t 3   602.97
3 t tj  t  t 1  t  t 2  t  t 3 
L0 (t )        ; 700
  
602.97
j 0 t0  t j t t t t
 0 1  0 2  0 3  t t
j 0
600
3 t t j  t  t0  t  t 2  t  t 3 
L1 (t )       
j 0 t1  t j  t1  t 0  1 2  t1  t 3
t  t  ys 500
j 1
f ( range)
 
t tj  t  t 0  t  t1  t  t 3 
f x desired
3
L2 (t )  
400
     ;
j 0 t2  t j  t 2  t 0  t 2  t 1  t 2  t 3 
j 2
300
3 t tj  t  t 0  t  t1  t  t 2 
L3 ( t )        227.04
j 0 t3  t j t  t t  t
 3 0  3 1  3 2  t  t 200
10 12 14 16 18 20 22 24 20
j 3 10 x s  range x desired 22.5
 Interpolación de Lagrange cúbica.
 t  t1  t  t 2  t  t3   t  t0  t  t 2  t  t3 
vt   
 

 

 
 vt1      vt 2 
 t0  t1  t0  t 2  t0  t3   t1  t0  t1  t 2  t1  t3 
 t  t0  t  t1  t  t3   t  t1  t  t1  t  t 2 
  

 

 
 vt 2      vt3 
 t 2  t0  t 2  t1  t 2  t3   t3  t1  t3  t1  t3  t 2 
 16  15  16  20  16  22.5   16  10  16  20  16  22.5 
v16     227.04      362.78
 10  15  10  20  10  22.5   15  10  15  20  15  22.5 
 16  10  16  15  16  22.5   16  10  16  15  16  20 
   517.35     602.97 
 20  10  20  15  20  22.5   22. 5  10  22.5  15  22.5  20 
  0.0416227.04  0.832362.78  0.312517.35   0.1024602.97 
 392.06 m/s
392.06 392.19
a  100
392.06
 0.033269% 21
 Interpolación de Lagrange cuadrática.
 t  t1  t  t2   t  t0  t  t2   t  t0  t  t1 
vt     vt0     vt1     vt2 
 t0  t1  t0  t2   t1  t0  t1  t2   t2  t0  t2  t1 
 1615 16 20   1610 16 20   1610  1615 
v16    227 .04     362 .78     517.35
 1015 10 20   1510  15 20   2010  2015
  0.08227.04  0.96362.78  0.12527.35
 392.19 m/s
El error a para los resultados obtenidos de los polinomios de primer y

segundo orden es:
392.19 393.70
a  100
392.19
 0.38410% 19
MÉTODOS NUMÉRICOS – REGRESIÓN
Ing. Walter Dután

1
1 Regresión
1. Presentación
2. Método de mínimos cuadrados
3. Regresión lineal
4. Modelos no lineales
5. Modelo exponencial
6. Modelo exponencial - linealización
2
1 Presentación
 Dados (x0,y0), (x1,y1), …… (xn,yn), regresión es encontrar el mejor

ajuste = ( ) a los datos.
 El residuo en cada punto es = − ( )
 El objetivo del análisis de regresión es expresar la variable de
respuesta (dependiente) en función de las variables predictoras
(independientes)
y
( xn , y n )
( xi , yi )
E i  yi  f ( xi )
y  f (x )
( x1 , y1 )
x
3
Modelo básico de regresión
2 Presentación
 Para el uso efectivo del análisis de regresión se debe:
1. investigar el proceso de recolección de datos
2. descubrir cualquier limitación en los datos recopilados, y
3. restringir las conclusiones, como consecuencia de lo anterior
 Una vez que se obtiene una relación de análisis de regresión, se
puede usar para predecir los valores de la variable de respuesta,
identificar las variables que más afectan la respuesta o verificar
modelos causales hipotéticos de la respuesta.
 Como cualquier dato individual puede ser incorrecto, no se busca
intersecar todos los puntos. En lugar de esto, se construye una curva
que siga la tendencia de los puntos tomados como un grupo.
 Una forma de hacerlo es obtener una curva que minimice la
discrepancia entre los puntos y la curva. Una técnica para lograr tal
objetivo, llamada regresión por mínimos cuadrados, será analizada.
 Abusos del análisis de regresión: extrapolación, generalización, 4
causalidad.
2 Método de mínimos cuadrados
 Se busca predecir la respuesta a n puntos de datos (x0,y0),

(x1,y1), …… (xn,yn), por un modelo de regresión dado por = ,
donde ( ) tiene coeficientes que deben ser estimados.
 ( )= + es un modelo de regresión lineal con constantes
y .
 = es un modelo exponencial con constantes y .
 = + + es un modelo cuadrático con constantes
, y .
 Una medida de la bondad del ajuste es la magnitud del residuo en
cada punto es = − ( )
 En el método de mínimos cuadrados, las estimaciones de las
constantes de los modelos se eligen de tal manera que se logre la
minimización de la suma de los residuos al cuadrado:
5
1 Regresión
1. Presentación
2. Método de mínimos cuadrados
3. Regresión lineal
4. Modelos no lineales
6. Modelo exponencial - linealización
2
1 Presentación
 Dados (x0,y0), (x1,y1), …… (xn,yn), regresión es encontrar el mejor

ajuste = ( ) a los datos.
 El residuo en cada punto es = − ( )
 El objetivo del análisis de regresión es expresar la variable de
respuesta (dependiente) en función de las variables predictoras
(independientes)
y
( xn , y n )
( xi , yi )
E i  yi  f ( xi )
y  f (x )
( x1 , y1 )
x
3
Modelo básico de regresión
2 Presentación
 Para el uso efectivo del análisis de regresión se debe:
1. investigar el proceso de recolección de datos
2. descubrir cualquier limitación en los datos recopilados, y
3. restringir las conclusiones, como consecuencia de lo anterior
 Una vez que se obtiene una relación de análisis de regresión, se
puede usar para predecir los valores de la variable de respuesta,
identificar las variables que más afectan la respuesta o verificar
modelos causales hipotéticos de la respuesta.
 Como cualquier dato individual puede ser incorrecto, no se busca
intersecar todos los puntos. En lugar de esto, se construye una curva
que siga la tendencia de los puntos tomados como un grupo.
 Una forma de hacerlo es obtener una curva que minimice la
discrepancia entre los puntos y la curva. Una técnica para lograr tal
objetivo, llamada regresión por mínimos cuadrados, será analizada.
 Abusos del análisis de regresión: extrapolación, generalización, 4
causalidad.
3 Regresión lineal
 Dados n puntos de datos (x0,y0), (x1,y1), …… (xn,yn), encontrar el

mejor ajuste = + a los datos.
2
S r   Ei    yi  a0  a1 xi 
n 2 n
i 1 i 1
y
( xi , yi )
E i  y i  a 0  a1 x i ( xn , yn )
( x2 , y2 )
( x3 , y3 )
y  a0  a1x
( x1 , y 1 )
6
x
3 Regresión lineal
 Minimizar la suma de los cuadrados de los residuos.

2
S r   Ei    yi  a0  a1 xi 
n n
2
i 1 i 1
 Para encontrar y minimizar con respecto a y .

S r n
 2  y i  a 0  a1 xi  1  0
a 0 i 1
S r n
 2  y i  a 0  a1 xi  xi   0
a1 i 1
 Resultando.
n n n
a  a x   y
i 1
0
i 1
1 i
i 1
i
n n n
a x  a x   yi xi
2
0 i 1 i
i 1 i 1 i 1 7
3 Regresión lineal
 Caso especial =
n n n n
n x i y i  x i  y i x y i i
a1  i 1 i 1 i 1
2
a1  i 1
n
 
 i
n n 2
n x   x i 
2
i
x
i 1  i 1  i 1
11
4 Modelos no lineales
 Algunos modelos de regresión no lineal populares son:

( y  aebx )
2. Modelo de potencia
( y  ax b )
3. Modelo de razón de crecimiento
 ax 
y 
 b x
4. Modelo polinomial
( y  a 0  a1 x  ...  amx m ) 12
5 Modelo exponencial
Dados ( x1 , y1 ), ( x 2 , y 2 ), ... , ( x n , y n ) el mejor ajuste y  aebx
(x1, y1)
y  aebx
yi  aebxi
( xi , yi )
( x2 , y2 )
( xn , yn )
13
 
n
bxi 2
Sr   yi  ae
i 1
S r
  
n
  2 y i  ae bxi  e bxi  0
a i 1
S r
  
n
  2 y i  ae bxi  axi e bxi  0
b i 1
n n
bxi 2bxi
  yi e  ae 0
i 1 i 1
n n
bxi 2bxi
 y i xi e  a  xi e 0
i 1 i 1 14
Solucionando la primera ecuación para a

n
bxi
 i
y e
i 1
a n
2bxi
e
i 1
Sustituyendo a en la ecuación previa

n
bxi
n
 yi e n
bxi i 1 2bxi
 y i xi e  n
 xi e 0
i 1 2bxi i 1
 e
i 1
La constante b puede ser encontrada mediante métodos
numéricos, tal como el de bisección.
15
4 Modelos no lineales
 Algunos modelos de regresión no lineal populares son:

( y  aebx )
2. Modelo de potencia
( y  ax b )
3. Modelo de razón de crecimiento
 ax 
y 
 b x
4. Modelo polinomial
( y  a 0  a1 x  ...  amx m ) 12
Dados ( x1 , y1 ), ( x 2 , y 2 ), ... , ( x n , y n ) el mejor ajuste y  aebx
(x1, y1)
y  aebx
yi  aebxi
( xi , yi )
( x2 , y2 )
( xn , yn )
13
MÉTODOS NUMÉRICOS – INTEGRACIÓN
Ing. Walter Dután

1
Tabla. Intensidad relativa de radiación como función del tiempo.
t(hrs) 0 1 3 5 7 9
1.000 0.891 0.708 0.562 0.447 0.355
  Ae t
  0.9998 e 0.1151t
16
6 Modelo exponencial - linealización
y  aebx
Tomando el logaritmo natural a ambos lados,
ln y  ln a  bx
Haciendo z  ln y y a 0  ln a
Se obtiene un modelo de regresión lineal
z  a 0  a1 x a  e ao a1  b
n n n
n  xi z i   xi  z i
a1  i 1 i 1 i 1
2
n
 n 
n xi    xi 
2
i 1  i 1 
_ _
a 0  z  a1 x
b  a1
a  e a0 17
1 Presentación
– Fuentes geométricas del cálculo

• Encontrar la tangente a una curva. Este problema constituye la
fuente más importante del cálculo diferencial.
• Encontrar las áreas y los volúmenes de muchas figuras. Estos
son problemas fundamentales del cálculo integral.
– La invención del cálculo
• Lo que faltaba hasta fines del siglo XVII era tomar conciencia de
que estos dos tipos de problemas están relacionados entre sí. Es
el trabajo realizado por Newton y Leibniz.
= , =
• Dieron contenido: James Bernoulli, John Bernoulli, L´Hôpital.

• Libro de texto del siglo XVIII como la Introducción al análisis del
infinito, de Euler (1748). 4
1 Presentación
b
I   f ( x )dx
a
5
2 Regla trapezoidal de integración
 Basada en la fórmula de Newton-Cotes: aproximar el integrando por

un polinomio de orden n
 ≈ ( ), donde = + + ⋯+ +
≈ ( )
 La regla trapezoidal asume =1
+ ( )
=( − )
6
1 Presentación
b
I   f ( x )dx
a
5
3 Regla trapezoidal de segmentos múltiples
30
  140000  
x    2000 ln    9.8t dt
8 140000  2100t  
8
4 Regla de Simpson 1/3
 Extensión de la regla trapezoidal, donde el integrando es aproximado
mediante un polinomio de segundo orden.
= ≈ ( )
= + +
Escoger
 a  b  a  b 
( a , f ( a )),  ,f  , y ( b , f ( b ))
 2  2 
Como los tres puntos de la función para evaluar a0, a1 y a2.
f ( a )  f 2 ( a )  a 0  a1 a  a 2 a 2
2
a  b a  b a b a b
f   f2    a 0  a1    a2  
 2   2   2   2 
f ( b )  f 2 ( b )  a 0  a1b  a 2 b 2 9
3 Regla trapezoidal de segmentos múltiples
 Dividir − en n segmentos iguales de ancho ℎ =
= + + ⋯+ +
 Aplicando la regla trapezoidal a cada segmento

−
= ( )+ + + ( )
7
Entonces
b
I   f 2 ( x )dx
a
  a0  a1 x  a 2 x 2 dx
b
b
 x x 
2 3
 a0 x  a1  a 2 
 2 3 a
b2  a2 b3  a3
 a0 ( b  a )  a1  a2
2 3
11
Sustituyendo los valores de a0, a1, a 2
b
ba a  b 
 2
f ( x )dx   f ( a )  4 f    f ( b )
a 6   2 
Para la regla de Simpson’s 1/3, el intervalo [a, b] es dividido
en 2 segmentos, el ancho del segmento es
ba
h
Entonces 2
b
h a  b 
 f 2 ( x )dx   f ( a )  4 f    f ( b )
a 3  2 
Debido a la presencia de 1/3 en la fórmula, es llamada regla de 1/3. 12

5 Método de Romberg
 La precisión de un método de integración del tipo Newton-Cotes es

generalmente una función del número de puntos de evaluación. El
resultado es usualmente más preciso cuando el número de puntos de
evaluación aumenta, o, equivalentemente, cuando la anchura del
paso entre puntos decrece. ¿Qué pasa cuando la anchura del paso
tiende a cero? Esto puede responderse extrapolando el resultado de
dos o más anchuras de paso (extrapolación de Richardson). La
función de extrapolación puede ser un polinomio o una función
racional. En particular, al aplicar el método de extrapolación de
Richardson a la regla del trapecio compuesta se obtiene el método de
Romberg.
 La integración de Romberg es una fórmula de extrapolación de la
regla trapezoidal para la integración. Proporciona una mejor
aproximación de la integral al reducir el verdadero error.
13
6 Regla de cuadratura de Gauss de dos
puntos
 Previamente, la Regla Trapezoidal fue desarrollada por el método de
coeficientes indeterminados. El resultado de ese desarrollo se
resume a continuación:
b
 f ( x)dx  c f (a)  c
a
1 2 f (b)
ba ba
 f (a)  f (b)
2 2
 La regla de cuadratura de Gauss de dos puntos es una extensión de
la aproximación de la regla trapezoidal en la que los argumentos de
la función no están predeterminados como a y b, sino como
incógnitas x1 y x2. En la regla de cuadratura de Gauss de dos puntos,
la integral se aproxima como
b
I   f ( x )dx  c1 f ( x1 )  c2 f ( x2 )
14
a
puntos
 Las cuatro incógnitas x1, x2, c1 y c2 se encuentran al suponer que la
fórmula proporciona resultados exactos para integrar un polinomio
general de tercer orden:
f ( x )  a0  a1 x  a2 x 2  a3 x 3 .
 Por lo tanto,
 dx
b b
 f ( x )dx  a 
 0 1 a x  a 2 x 2
 a 3 x 3
a a
b
 x 2
x x 
3 4
 a0 x  a1  a 2  a3 
 2 3 4 a
 b2  a2   b3  a3   b4  a4 
 a0 b  a   a1    a 2    a3  
 2   3   4 
   
b
2 3 2 3
 f ( x )dx  c1 a0  a1 x1  a 2 x1  a3 x1  c2 a0  a1 x2  a 2 x2  a3 x2 15
a
puntos
 Igualando ecuaciones las dos expresiones anteriores dan como
resultado:
 b2  a2   b3  a3   b4  a4 
a0 b  a   a1    a 2    a3  
 2   3   4 
 2 3
 
 c1 a0  a1 x1  a 2 x1  a3 x1  c2 a0  a1 x2  a 2 x2  a3 x2
2 3

 a0 c1  c2   a1 c1 x1  c x   a c x   
2 2 3 3
2 2 2 1 1  c2 x2  a3 c1 x1  c2 x2
 Dado que las constantes a0, a1, a2, a3 son arbitrarias:
b2  a2
b  a  c1  c2  c1 x1  c 2 x2
2
b3  a3 2 2 b4  a4
 c1 x1  c2 x2 3
 c1 x1  c 2 x 2
3
16
3 4
puntos
 Las cuatro ecuaciones no lineales simultáneas anteriores tienen solo
una solución aceptable:
 b  a  1  b  a  b  a  1  b  a
x1      x2     
 2  3 2  2  3  2
ba ba
c1  c2 
2 2
 De ahí la regla de la cuadratura gaussiana de dos puntos:

b
 f (x)dx  c f x   c f x 
a
1 1 2 2
ba ba  1  ba ba ba  1  ba

 f       f    
2  2  3 2  2  2  3 2 
17
Sustituyendo los valores de a0, a1, a 2
b
ba a  b 
 2
f ( x )dx   f ( a )  4 f    f ( b )
a 6   2 
Para la regla de Simpson’s 1/3, el intervalo [a, b] es dividido
en 2 segmentos, el ancho del segmento es
ba
h
Entonces 2
b
h a  b 
 f 2 ( x )dx   f ( a )  4 f    f ( b )
a 3  2 
Debido a la presencia de 1/3 en la fórmula, es llamada regla de 1/3. 12

1 Ecuaciones diferenciales ordinarias
1. Presentación
2. Método de Euler
3. Método de Runge-Kutta de 2º orden
4. Ejemplo
2
1 Presentación
 El enfoque de un ingeniero para las ecuaciones diferenciales es

diferente de un matemático. Mientras que este último está interesado
en la solución matemática, un ingeniero debe ser capaz de interpretar
el resultado físicamente. Entonces, el enfoque de un ingeniero se
puede dividir en tres fases:
a) formulación de una ecuación diferencial a partir de una situación
física dada.
b) resolver la ecuación diferencial y evaluar las constantes, usando
las condiciones dadas, y
c) interpretar los resultados físicamente para su implementación.
3
1 Presentación
 Una ecuación diferencial ordinaria (EDO) es una ecuación que
implica una o más derivadas de una función desconocida. Una
solución de una ecuación diferencial es una función específica que
satisface la ecuación.
 En estos tres ejemplos, la letra c denota una constante arbitraria. El

hecho de que esas constantes se presenten en las soluciones es una
indicación de que, en general, una ecuación diferencial, no determina
una función solución única. Cuando en un problema científico se
presenta, una ecuación diferencial generalmente se acompaña de
condiciones auxiliares que (junto con la ecuación diferencial)
determinan la función desconocida exactamente. 4
puntos
 Las cuatro ecuaciones no lineales simultáneas anteriores tienen solo
una solución aceptable:
 b  a  1  b  a  b  a  1  b  a
x1      x2     
 2  3 2  2  3  2
ba ba
c1  c2 
2 2
 De ahí la regla de la cuadratura gaussiana de dos puntos:

b
 f (x)dx  c f x   c f x 
a
1 1 2 2
ba ba  1  ba ba ba  1  ba

 f       f    
2  2  3 2  2  2  3 2 
17
1 Presentación
 En este capítulo nos dedicamos a un tipo de ecuación diferencial y a

un tipo de condición auxiliar: el problema con valor inicial para una
ecuación diferencial de primer orden.
 Junto con la condición inicial
 Una solución numérica a este problema genera una secuencia de

valores para la variable independiente, x0, x1,…, y una secuencia
correspondiente de valores para la variable dependiente, y0, y1,…,
para que cada yn se aproxime a la solución en xn
6
2 Método de Euler
 Técnica numérica para solucionar ecuaciones diferenciales de la

forma:
dy
 f  x, y , y 0   y 0
= ( , ) 0 =
dx
=0=
La pendiente es
−
=
−
= ( , )
De aquí, igualando
= + ( , )( − )
ℎ= −
= + , ℎ
Se usa el valor de (un valor aproximado de en = ) para calcular (valor

predecido en ):
= + , ℎ = +ℎ 7
1 Presentación
 Las ecuciones diferenciales son de dos tipos:

• Ecuaciones diferenciales ordinarias – ODE: en las cuales todas
las derivadas son con respecto a una sola variable. Se clasifican
en términos de orden y grado.
• Ecuaciones en derivadas parciales – PDE: en las cuales existen

más de una variable independiente.
5
1 Presentación
 En este capítulo nos dedicamos a un tipo de ecuación diferencial y a

un tipo de condición auxiliar: el problema con valor inicial para una
ecuación diferencial de primer orden.
 Junto con la condición inicial
 Una solución numérica a este problema genera una secuencia de

valores para la variable independiente, x0, x1,…, y una secuencia
correspondiente de valores para la variable dependiente, y0, y1,…,
para que cada yn se aproxime a la solución en xn
6
3 Método de Runge-Kutta de 2º orden
 Método de Heun
1
=
2
1
=
2
=1
=1
1 1
= + + ℎ
2 2
= ( , )
= ( + ℎ, + ℎ)
10
3 Método de Runge-Kutta de 2º orden
 Método del punto medio  Método de Ralston

=1 2
=
=0 3
1
1 =
= 3
2 3
=
4
1
= 3
2 =
4
1 2
= + ℎ = + + ℎ
3 3
= ( , )
= ( , )
1 1
= ( + ℎ, + ℎ) 3 3
2 2 = ( + ℎ, + ℎ)
4 4
11
4 Ejemplo
 Una bola a 1200 K se deja enfriar en el aire a una temperatura

ambiente de 300 K. Suponiendo que el calor se pierde solo debido a
la radiación, la ecuación diferencial de la temperatura de la bola
viene dada por
d
dt
 
 2.2067  10 12  4  81  10 8 , 0   1200 K
 Encontrar la temperatura a t = 480 s.

 Asuma h = 240 s.
 Reduzca el tamaño del paso.
 Compare entre los diferentes métodos.
12

Wjda Metodos Numericos PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Wjda Metodos Numericos PDF

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDAD DE CUENCA

MÉTODOS NUMÉRICOS – INTRODUCCIÓN

Ing. Walter Dután

 Métodos Numéricos, Cálculo Numérico.

 Entender la necesidad de los Métodos Numéricos.

 Son una parte integral en la solución de problemas de ingeniería.

 Pasos en la solución de un problema de ingeniería:

Descripción del problema

Solución del modelo matemático

 Un algoritmo es un procedimiento que describe sin ninguna

 En cualquier análisis numérico, surgirán errores durante los cálculos.

 Error verdadero relativo:

 El error verdadero relativo se presenta además como porcentaje.

 Error aproximado relativo:

 El error aproximado relativo se presenta además como porcentaje.

 Error aproximado relativo como criterio de parada

• Alternativamente, se puede especificar cuántos dígitos

|a | 0.5  10 2m %

donde m son los dígitos significativos 17

 Error aproximado relativo como criterio de parada

MÉTODOS NUMÉRICOS – SOLUCIÓN DE

Ing. Walter Dután

 En general, no es posible determinar los ceros de una función, es

 Teorema: Una ecuación f(x)=0, donde f(x) es una función real

 Si la función f(x), no cambia de signo entre dos puntos, aun pueden

 Si la función f(x), no cambia de signo entre dos puntos, puede que no

 Si la función f(x), cambia de signo entre dos puntos, pueden existir

6. Comparar el error con el valor pre especificado . Si > ,

 Principio: Si la estimación inicial de f(x)=0 , está en xi , entonces si

 Principio: Si la estimación inicial de f(x)=0 , está en xi , entonces si

 Usando la definición de pendiente de una función, en x=xi :

 Lo que resulta en la fórmula de Newton-Raphson para resolver

 Iniciando con un valor inicial supuesto, xi , se puede encontrar el

 Uno de los inconvenientes del método de Newton-Raphson es que se

 En el método de bisección identificamos los valores inferior y superior

 En el método de bisección identificamos los valores inferior y superior

Un punto fijo para g ocurre

Un punto fijo para g ocurre

 Richard Brent vislumbró una rutina que combinaba la confiabilidad del

MÉTODOS NUMÉRICOS – DIFERENCIACIÓN

Ing. Walter Dután

 La derivada de una función representa la tasa de cambio de una

Si ' Δx' es escogido como un número negativo,

Si ' Δx' es escogido como un número negativo,

MÉTODOS NUMÉRICOS – SISTEMAS DE

Ing. Walter Dután

 El álgebra matricial se usa para resolver un sistema de ecuaciones

 El álgebra matricial se usa para resolver un sistema de ecuaciones

 Ahora las ecuaciones se resuelven a partir de la última ecuación ya

a11 x1  a12 x 2  a13 x3  ...  a1n x n  b1

 División por cero. Es una posibilidad en cualquier paso de la

 Uno de los más populares métodos para solucionar sistemas de

a11 x1  a12 x2  a13 x3  ...  a1n xn  b1

 Consiste de dos pasos:

 Para una matriz no singular [A] en la cual se puede llevar a cabo la

 Descomponer [A] en [L] y [U]

 1 0 0  u11 u12 u13 

[U] es la matriz de coeficientes al fin de la eliminación hacia adelante.

 Descomponer [A] en [L] y [U]

 Para una matriz no singular [A] en la cual se puede llevar a cabo la

 Descomponer [A] en [L] y [U]

 1 0 0  u11 u12 u13 

[U] es la matriz de coeficientes al fin de la eliminación hacia adelante.