CONSULTAS FIN DEL CICLO

02-07-2019

TRANSFORMADAS DE LAPLACE

La transformada de Laplace es un operador lineal muy útil para la resolución de

ecuaciones diferenciales.

Laplace demostró cómo transformar las ecuaciones lineales no homogéneas en

ecuaciones algebraicas que pueden resolverse por medios algebraicos.

Sea f: R R, la transformada de Laplace es:

+∞
∫0 𝑓(𝑡)𝑒 −𝑠𝑡 𝑑𝑡, siempre que esté bien definido la integral

Ejercicios

Hallar la Transformada de Laplace de la siguiente función.

+∞
+∞
−4𝑡 −𝑠𝑡
+∞
(−4−𝑠)𝑡 𝑒 (−4−𝑠)𝑡 1 1
𝐹(𝑆) = ∫ 𝑒 ∙𝑒 𝑑𝑡 = ∫ 𝑒 𝑑𝑡 = | | =− =
0 0 (−4 − 𝑠) 0 −4 − 𝑠 𝑠 + 4

+∞
−𝑠𝑥
−𝑠 (𝑠𝑒𝑛𝜔𝑥 )𝑒 −𝑠𝑥 − 𝑒 −𝑠𝑥 𝜔 cos 𝜔𝑥 𝜔
𝐹(𝑆) = ∫ 𝑠𝑒𝑛𝜔𝑥𝑒 𝑑𝑥 = [ 2 2
]= 2
0 𝑠 +𝜔 𝑠 + 𝜔2
FORMULAS PARA RESOLVER EJERCICICOS DE TRANSFORMADA DE
LAPLACE
PROPIEDADES
Ejemplo

𝟏 ∞ 𝑒 −𝑠𝑡 1 𝑒 −𝑠𝑡 ∞ 𝑒 −𝑠𝑡

L( 𝟐 ) = ∫0 𝑑𝑡 = ∫0 𝑑𝑡 + ∫1 𝑑𝑡
𝒕 𝑡2 𝑡2 𝑡2

04-07-2019

TRANSFORMADA INVERSA DE LAPLACE

Se dice que f (t) es la transformada inversa de Laplace de F(s) si cumple L (f (t))

(s)=F(s).

Ejemplo:

1 1 2! 1
{ 2
}= 𝐿 − 1 ( 3) = 𝑇 2
𝑆 2! 𝑆 2
 09-07-2019

INTERPOLACIÓN

En numerosos fenómenos de la naturaleza observamos una cierta regularidad en la

forma de producirse, esto nos permite sacar conclusiones de la marcha de un fenómeno
en situaciones que no hemos medido directamente.

La interpolación consiste en hallar un dato dentro de un intervalo en el que conocemos

los valores en los extremos.

Es importante diferenciar entre interpolación y la regresión.

 La regresión es el ajuste de los datos experimentales a una función que describe

el modelo físico particular. Por ejemplo, en un experimento de movimiento
rectilíneo uniforme, los datos experimentales (tiempo, posición del móvil) se
ajustan a una línea recta, ya que la ecuación que describe el movimiento
rectilíneo uniforme es x=x0+v·t.

 En la interpolación la función pasa por todos los puntos

.
INTERPOLACION LINEAL

La interpolación lineal es muy sencilla. Disponemos de pares de datos (xk,yk) k=1,2...n.

Queremos conocer el valor de y para un valor cualesquiera de x en el intervalo x1 a xn.
Supongamos que x está en el intervalo (xk,xk+1) tal como se muestra en la figura.
Trazamos la recta que pasa por los puntos (xk,yk) y (xk+1,yk+1), cuya ecuación es

Creamos la función interpola lineal para obtener el valor de y cuando se proporciona el

valor de x
INTERPOLACIÓN POLINOMIAL

En análisis numérico, la interpolación polinómica (o polinomial) es una técnica de

interpolación de un conjunto de datos o de una función por un polinomio. Es decir, dado
cierto número de puntos obtenidos por muestreo o a partir de un experimento se
pretende encontrar un polinomio que pase por todos los puntos.

Dada una función f de la cual se conocen sus valores en un número finito de abscisas
𝑥0 , 𝑥1 , … , 𝑥𝑚 , se llama interpolación polinómica al proceso de hallar un polinomio
𝑝𝑚 (𝑥)de grado menor o igual a m, cumpliendo 𝑝𝑚 (𝑥𝑘 ) = 𝑓(𝑥𝑘 ), 𝑣𝑘 = 0, 1, … , 𝑚.

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

La interpolación polinómica es un método usado para conocer, de un modo aproximado, los

valores que toma cierta función de la cual sólo se conoce su imagen en un número finito de
abscisas. A menudo, ni siquiera se conocerá la expresión de la función y sólo se dispondrá de
los valores que toma para dichas abscisas.
INTERPOLACIÓN DE LAGRANGE

En análisis numérico, el polinomio de Lagrange, llamado así en honor a Joseph-Louis

de Lagrange, es una forma de presentar el polinomio que interpola un conjunto de
puntos dado. Lagrange publicó este resultado en 1795, pero lo descubrió Edward
Waring en 1779 y fue redescubierto más tarde por Leonhard Euler en 1783.1 Dado que
existe un único polinomio interpolador para un determinado conjunto de puntos, resulta
algo engañoso llamar a este polinomio el polinomio interpolador de Lagrange. Un
nombre más apropiado es interpolación polinómica en la forma de Lagrange.

Dado un conjunto de k + 1 puntos.

(𝑥0 , 𝑦0 ), … , (𝑥𝑘 , 𝑦𝑘 )

donde todos los xj se asumen distintos, el polinomio interpolador en la forma de

Lagrange es la combinación lineal.

𝑙(𝑥) = ∑ 𝑦𝑖 𝑙𝑗 (𝑥)
𝑗−0

de bases polinómicas de Lagrange

𝑥 − 𝑥𝑖 𝑥 − 𝑥0 𝑥 − 𝑥𝑗−1 𝑥 − 𝑥𝑗−1 𝑥 − 𝑥𝑘
𝑙𝑗 (𝑥) = = … …
𝑥𝑗 − 𝑥𝑖 𝑥𝑗 − 𝑥0 𝑥𝑗 − 𝑥𝑗−1 𝑥𝑗 − 𝑥𝑗−1 𝑥𝑗 − 𝑥𝑘
Ejemplo:

Se desea interpolar f(x) = tan(x) en los puntos

𝑥0 = −1.5 𝑓(𝑥0 ) = −14.1014

𝑥1 = −0.75 𝑓(𝑥1 ) = −0.931596

𝑥2 = 0 𝑓(𝑥 2 ) = 0

𝑥3 = 0.75 𝑓(𝑥3 ) = 0.931596

𝑥4 = 1.5 𝑓(𝑥4 ) = 14.1014

Con cinco puntos, el polinomio interpolador tendrá, como máximo, grado cuatro (es
decir, la máxima potencia será cuatro), al igual que cada componente de la base
polinómica.

La base polinómica es:

1
𝑙0 = 𝑥(2𝑥 − 3)(4𝑥 − 3)(4𝑥 + 3)
243

8
𝑙1 = − 𝑥(2𝑥 − 3)(2𝑥 + 3)(4𝑥 − 3)
243

1
𝑙2 = (243 − 520𝑥 2 + 192𝑥 4 )
243

8
𝑙3 = − 𝑥(2𝑥 − 3)(2𝑥 + 3)(4𝑥 + 3)
243

1
𝑙4 = 𝑥(2𝑥 + 3)(4𝑥 − 3)(4𝑥 + 3)
243

Así, el polinomio interpolador se obtiene simplemente como la combinación lineal entre

los 𝑙𝑖 (𝑥) y los valores de las abscisas:

1
(𝑓(𝑥0 )𝑥(2𝑥 − 3)(4𝑥 − 3)(4𝑥 + 3) − 8𝑓(𝑥1 )𝑥(2𝑥 − 3)(2𝑥 + 3)(4𝑥 − 3)
243
+ 𝑓(𝑥2 )(243 − 540𝑥 2 + 192𝑥 4 ) − 8𝑓(𝑥3 )𝑥(2𝑥 + 3)(4𝑥 + 3)
+ 𝑓(𝑥4 )𝑥(2𝑥 + 3)(4𝑥 − 3)(4𝑥 + 3))

= −1.47748𝑥 + 4.83456𝑥 3
 11-07-2019

INTERPOLACIÓN DE DIFERENCIAS DIVIDIDAS DE NEWTON

Se usa en el caso que los puntos en el eje x se encuentran espaciados de forma arbitraria
y provienen de una función desconocida pero supuestamente diferenciable.

La n-ésima diferencia dividida finita es:

𝑓[𝑥𝑛 , 𝑥𝑛−1 , … , 𝑥1 ] − 𝑓[ 𝑥𝑛−1 , 𝑥𝑛−2, … , 𝑥0 ]

𝑓[𝑥𝑛 , 𝑥𝑛−1 , … , 𝑥1 , 𝑥0 ] =
𝑥𝑛 − 𝑥0

Para lo cual debe interpretar la tabla de diferencias divididas:

Las diferencias sirven para evaluar los coeficientes y obtener el polinomio de

interpolación:

𝑓𝑛 (𝑥) = 𝑓(𝑥0 ) + (𝑥 − 𝑥0 )𝑓[𝑥1 , 𝑥0 ] + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )𝑓[𝑥2 , 𝑥1 , 𝑥0 ] + ⋯

+ (𝑥 − 𝑥0 )(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛−1 )𝑓[𝑥𝑛 , 𝑥𝑛−1 , … , 𝑥0 ]

Se conoce como el polinomio de interpolación de Newton en diferencias divididas.

DIFERENCIACIÓN E INTEGRACIÓN NUMÉRICA.

𝑏
Una integral definida tiene la forma, ∫𝑎 𝑓(𝑥)𝑑𝑥, Donde a, b son el límite inferior y
superior de integración, respectivamente, f(x) es la función a integrar y dx es la
diferencial de x.

La integral, geométricamente, representa el área delimitada por el lugar geométrico de

la función, f(x), el eje de la abscisas, y la dos rectas verticales x = a y x = b.

Cuando, la integral definida es muy difícil o de plano imposible de resolver, existen

estrategias que permiten tener una solución aproximada. La integral definida permite
que, geométricamente, se determine una aproximación a través de trapecios. Otra forma
de obtener una solución aproximada a la integral definida es tratar de ajustar un
polinomio al lugar geométrico de la función a integrar, y así en vez de integrar la
función f(x), se integra el polinomio 𝑃𝑛 (𝑥).

𝑏 𝑏
∫ 𝑓(𝑥)𝑑𝑥 ≈ ∫ 𝑃𝑛 (𝑥)𝑑𝑥
𝑎 𝑎

Al igual que la integral, la derivada tiene un significado geométrico que permite una
aproximación numérica. Así, la derivada representa, geométricamente, la pendiente de
una recta tangente.
 23-07-2019

Métodos de Integración Numérica

Dada una función f definida sobre un intervalo [a,b], estamos interesados en calcular

Suponiendo que esta integral tenga sentido para la función f. La cuadratura o

integración numérica consiste en obtener fórmulas aproximadas para calcular la integral
J (f) de f. Estos métodos son de gran utilidad cuando la integral no se puede calcular por
métodos analíticos, su cálculo resulta muy costoso y estamos interesados en una
solución con precisión finita dada o bien sólo disponemos de una tabla de valores de la
función (es decir, no conocemos la forma analítica de f).

06-08-2019

METODO DEL TRAPECIO

1. La regla del trapecio es un método de integración numérica.

𝑏
2. Consideremos una función continua, y= f(x) y queremos calcular ∫𝑎 𝑓(𝑥)𝑑𝑥

• El área de cada uno de los trapecios es la semisuma de las bases por la altura, de
modo que tenemos:
 𝒃
∫ 𝒇(𝒙)𝒅𝒙 ≈ 𝑨𝟏 + 𝑨𝟐 + 𝑨𝟑
𝒂

𝒇(𝒙𝟎 )+𝒇(𝒙𝟏 ) 𝒇(𝒙𝟏 )+𝒇(𝒙𝟐 ) 𝒇(𝒙𝒏−𝟏 )+𝒇(𝒙𝒏 )

= 𝒉+ 𝒉+…+ 𝒉
𝟐 𝟐 𝟐

𝒃−𝒂
= [𝒇(𝒙𝟎 ) + 𝟐𝒇(𝒙𝟏 ) + ⋯ . +𝟐𝒇(𝒙𝒏−𝟏 ) + 𝒇(𝒙𝒏 )]
𝟐𝒏

• Esta expresión sirve para calcular aproximadamente una integral definida.

METODO DE SIMPSON

Es una forma de obtener una aproximación adecuada de una integral usando polinomios
de grado superior para unir los puntos y aproximarlos a la función real.

En comparación con la regla del trapecio este método es más exacto

 REGLA DE SIMPSON 1/3

• Utiliza polinomios de segundo orden

• Se utiliza la fórmula
𝒉
𝑰= [𝒇(𝒙𝟎 ) + 𝟒𝒇(𝒙𝟏 ) + 𝒇(𝒙𝟐 )]
𝟑
• Donde I= ancho por la altura promedio
 REGLA DE SIMPSON 3/8
 Consiste en subdividir el intervalo [a, b] en n subintervalos, todos de la misma
𝑏−𝑎
longitud ℎ = . Cuando el número de subdivisiones que se haga sea igual a
𝑛

tres, entonces el método recibe el nombre de la regla de Simpson 3/8.

 Se utiliza la fórmula :
𝒃
𝟑
∫ 𝒇(𝒙)𝒅𝒙 ≈ 𝒉[𝒇(𝒂) + 𝟑𝒇(𝒙𝒏 ) + 𝟑𝒇(𝒙𝒏 ) + 𝒇(𝒃)]
𝒂 𝟖

08-08-2019
METODO DE EULER
Una de las técnicas más simples para aproximar soluciones de una ecuación diferencial
es el método de Euler, o de las rectas tangentes. Suponga que se desea aproximar la
solución del problema de valor inicial.

Observe en la figura 9 que la pendiente de la recta tangente a la curva $y=f(x)$ está

dada por $f^{\prime}(x_n)$ y es aproximadamente igual a la pendiente de la recta
secante

Siempre y cuando $h$ sea pequeño. De aquí obtenemos que:

Con lo cual podemos usar el punto $(x_0,y_0)$ para construir el siguiente punto
$(x_1,y_1)$ y así sucesivamente. De esta forma generamos la sucesión de puntos:

Los cuales son de esperar que se encuentren cercanos a los puntos:

Ejemplo
Utilizando el método de Euler, integre numéricamente la siguiente ecuación:
 dy(x)
= y J = f (x, y(x)) = 4e0.8x 0.5y(x)
−
dx

De x = 0 a x = 4 con un tamaño de paso de 0.5 (h = 0.5). La condición inicial en x = 0 es

y = 2 (es decir, y (0) = 2).

Solución:

Si utilizamos la ecuación 2.4, podemos sustituir los datos y comenzar la solución

numérica del problema:

y(0.5)
y(1.0) = y(0.5) + 0.5f (0.5, 3.5) = 3.5+ 0.5(4e 0.8(0.5)
− 0.5(3.5)) = = y
y(1.5) = 5.608649
= 8.657569 y(1.0)
y(2.0) = y(1.5) + 0.5f (1.5, 8.657569) = 13.133411 + 0.5f
y(2.5) = y(2.0) + 0.5f (2.0, 13.133411) = 19.756123 (1.0,
y(3.0) = y(2.5) + 0.5f (2.5, 19.756123) = 29.595204
y(3.5) = y(3.0) + 0.5f (3.0, 29.595204) = 44.242756
y(4.0) = y(3.5) + 0.5f (3.5, 44.242756) = 66.071361
5.608649) = 5.608649 + 0.5(4e0.8(1.0) − 0.5(5.608649))

Utilizando Maple, lo anterior se pudo haber calculado de la siguiente forma:

 f := (x,y)->4*exp(0.8*x) - 0.5*y;
 ySol:=<<0 | 2>>: h := 0.5:
 for i to 8 do
 x:=ySol[i,1]: y:=ySol[i,2]:
 ySol := <ySol, <x+h | y+h*f(x,y)>>;
 end do: Transpose(ySol);

Σ Σ
La solución exacta a este problema se puede obtener con Maple de la siguiente forma:

 dsolve({diff(y(x),x)=f(x,y(x)), y(0)=2}, y(x));

y(x) = 1 (40e4x/5 − 14e−x/2) (2.6)
o también, se puede obtener un procedimiento para obtener una solución numérica:
  snf1 := dsolve({diff(y(x),x)=f(x,y(x)),y(0)=2},y(x),numeric):
 plots[odeplot](snf1,[x,y(x)],0..4);

y la gráfica de los puntos generados con el método de Euler y la solución

exacta (y/o numérica con un método

70

60

50

40

30

Figura 2.1: Método de Euler y solución exacta de la ecuación diferencial.

METODO DE RUNGE KUTTA

Los métodos de Runge–Kutta utilizan indirectamente el algoritmo de Taylor. En

general, estos métodos evalúan f (x, y) en más de un punto en la proximidad de
(xn, yn) en lugar de evaluar derivadas de f (x, y), las cuales se necesitarían para el uso
directo del algoritmo por series de Taylor.

La derivación de estos métodos se acompaña de la suposición de un algoritmo

particular con ciertos co- eficientes indeterminados. Los valores de estos términos
constantes se encuentran igualando la fórmula de Runge–Kutta de orden p al
algoritmo de Taylor de orden p.

 Una ecuación diferencial de primer orden

 Un sistema de dos ecuaciones diferenciales de primer orden
 Una ecuación diferencial de segundo orden
 Un sistema de dos ecuaciones diferenciales de segundo orden