MODULOS-Métodos Numéricos

FUNDAMENTOS DE CLASE
f(b)

Rodrigo A. Ocor

a r
1

f(a)

c b
) f(x ) f(x
) f(x x ) f(x x
c
1 2
1 2 2 1
=
Mtodos Numricos Rodrigo A. Ocor 1

UNIVERSIDAD SANTIAGO DE CALI

FACULTAD: INGENIERIAS
PROGRAMA: INGENIERA DE SISTEMAS
ASIGNATURA: METODOS NUMERICOS
PRERREQUISITO: CALCULO 2
PROFESOR: Rodrigo A. Ocor
E-mail : raocoro@usc.edu.co
SEMESTRE: QUINTO

OBJETIVO GENERAL: Al finalizar el curso, el estudiante tendr las capacidades para
analizar, calcular y argumentar conceptos matemticos que le permitan:
1. Resolver problemas matemticos que no tienen solucin por mtodos analticos
2. Construir un asistente matemtico en un lenguaje de programacin que le
permitan realizar clculos por mtodos numricos.

INTRODUCCION

El anlisis numrico y sus mtodos son una reflexin sobre los cursos tradicionales de
clculo, lgebra lineal, ecuaciones diferenciales, etc., desde el punto de vista numrico
concretado en una serie de mtodos o algoritmos con aplicaciones en diferentes reas de
la ingeniera y de las ciencias. Por lo tanto, consiste en procedimientos que resuelven
problemas y realizan clculos puramente aritmticos ya que tiene que ver con el diseo,
desarrollo y evaluacin de mtodos como parte del procesamiento de informacin donde
los datos constituyen las entradas, los mtodos o algoritmos los procedimientos y los
resultados las salidas.

Dado que cada algoritmo implica numerosas operaciones lgicas, aritmticas y en algunos
casos graficaciones, el computador es fundamental para el estudio y uso de ellos aunque
el curso de mtodos numricos no incluye detalles sobre programacin de computadores.

Los algoritmos se presentan en pseudocdigos para que el estudiante los programe en el
lenguaje que el considere apropiado y presente los trabajos propuestos por el profesor.

ESTRUCTURA TEMATICA

El curso se desarrollar en 16 secciones de clases (teorica-prcticas) as:

Modulo 1: APROXIMACIONES Y ERRORES (2 secciones)
Objetivo: - Manejar tipos de errores y algunas formas de evitarlos.

Contenido detallado:
1.1.introduccin

1.2.Tipos de errores
1.3.Formas de medir el error
1.4.Cifras significativas
1.5.Reglas de redondeo manual
1.6.Nmeros en la mquina
1.7.Serie de Taylor
1.8.Actividad: desarrollo de ejercicios propuestos y lecturas complementarias.

Modulo 2: SOLUCION DE ECUACIONES NO LINEALES (3 secciones)
Objetivo: Presentar mtodos analticos para solucin de ecuaciones no lineales

2.1.Mtodo de biseccin
2.2.Mtodo de regula falsi
2.3.Mtodo de la secante
2.4.Mtodo de Newton Raphson
2.5.Mtodo de punto fijo
2.7.Actividad: desarrollo de algoritmos para diversos mtodos y el programa de los
mismos en el computador aplicndolos a varios ejercicios.

Modulo3: LGEBRA LINEAL NUMRICA (4 secciones)
Objetivo: Solucionar sistemas de ecuaciones lineales mediante la utilizacin de diferentes
mtodos.

3.1.Fundamentos preliminares
3.2.Solucin de sistemas de ecuaciones lineales
3.3.Eliminacin Gaussiana
3.4.Efecto de los errores de redondeo
3.5.Mtodo de Gauss-Jordan
3.6.Mtodo de Jacobi
3.7.Mtodo de Gauss-Seidel
3.5.Actividad: Desarrollo de ejercicios propuestos y creacin de programas para la
solucin de ejercicios.

Modulo 4: AJUSTE DE CURVAS (3 secciones)
Objetivo: Aproximar funciones disponibles en forma discreta con funciones analticas
sencillas.

4.1.Introduccin
4.2.Ajuste lineal por mnimos cuadrados
4.3.Ajuste exponencial, potencial y logartmico
4.4.Ajuste lineal mltiple
4.5.Aproximacin polinomial con mnimos cuadrados
4.6. Polinomios de Lagrange
4.7.Diferencias divididas

4.5.Actividad: desarrollo de ejercicios propuestos y creacin de diferentes algoritmos y sus
respectivos programas para solucin de ejercicios.
Modulo 5: INTEGRACION NUMERICA (2 secciones)
Objetivo: Aplicar algunos mtodos iterativos para el clculo de integrales.

5.1.Mtodos de Newton-Cotes
5.2.Regla trapezoidal simple
5.3.Regla trapezoidal compuesta
5.4.Reglas de Simpson
5.5.Cuadratura de Gauss
5.4.Actividad: desarrollo de ejercicios propuestos. Trabajo complementario.

Modulo 6. ECUACIONES DIFERENCIALES NUMRICAS (2 secciones)
Objetivo: Utilizar algunos mtodos numricos en la solucin de ecuaciones diferenciales
ordinarias.

6.1.Mtodo de Euler
6.2.Anlisis de error mediante la serie de Taylor
6.3.Mtodo de Euler modificado
6.4.Mtodos de Runge-Kutta
6.5. Diseo y aplicacin de Softwares de los mtodos estudiados.

METODOLOGIA
Con el constante apoyo y orientacin del profesor, el alumno se ir apropiando del
conocimiento necesario para cumplir con los propsitos.
Cada seccin contemplar desarrollo terico y practica sobre ejercicios propuestos y
verificacin de software en el computador adems del trabajo extraclase que debe realizar
cada estudiante. En tal sentido, se realizarn las siguientes actividades:
Exposicin del profesor sobre el tema a tratar
Ejercicios de ejemplificacin, motivacin, y apoyo para la orientacin del estudiante.
Talleres de practicas para controlar el avance en el aprendizaje de los temas.
Desarrollo por parte de los estudiantes de las actividades propuestas
Creacin de algoritmos y desarrollo de estos en programas para el computador.
Sustentacin de los trabajos realizados por los estudiantes.
Anlisis, discusin y evaluacin de los trabajos realizados.

RECURSOS
-Aula de clases
-Mdulos proporcionados por el docente
-Bibliografa especificada
-Computador personal
-Salas de cmputo de la Universidad

-Plataforma virtual Dokeos
-Calculadora

EVALUACION

Primer parcial: 30%
Segundo parcial
Evaluacin escrita: 15%
Talleres y software: 15%
Evaluacin final:
Evaluacin 30%
Trabajo final 10%

BIBLIOGRAFIA

AKAI, Mtodos Numricos aplicados a la Ingeniera. Ed. Limusa Wiley

CHAPRA S.C, CANALES R.P., Mtodos numricos para ingenieros
Ed. Mc Graw Hill.

CONTE S.D., Anlisis numrico. Ed. Mc.Graw Hill.

CURTIS F. G.,Anlisis numrico. Ed. Alfaomega.

NIEVES A., DOMINGUEZ F., Mtodos numricos aplicados a ingenieros
Ed. Cecsa.
RINCON L.A., Anlisis Numrico. Universidad Nal. Palmira.

SCHEID F., Anlisis numrico. Coleccin Shawm.

SHOICHIRO N., Mtodos numricos aplicados con Software
Ed. Prentice Hall.

EN INTERNET:

1. METODOS NUMERICOS I
Mtodos Numricos I. Temario: INTRODUCCION AL ANALISIS
NUMERICO. Problemas numricos y algoritmos. Fuentes de error.
Errores absolutos y relativos....
URL: www.csi.ull.es/docencia/asignaturas/311.html

2. Laboratorio de Mtodos Numricos
Laboratorio de Mtodos Numricos. Programas para calcular: Las races
de ecuaciones [ f(x)=0 ] por el mtodo de Newton-Raphson. La integral
de una funcin.
URL: gaia.fim.utp.ac.pa/Laboratorios/LabMetNum/

4. METODOS NUMERICOS II
Mtodos Numricos II. Temario: OBSERVACIONES GENERALES.
INTERGRACION DE E.D.O. POR EL PROCEDIMIENTO DE LAS
SERIES DE POTENCIAS. METODOS DE EULER PARA LA...
URL: filemon.csi.ull.es/docencia/asignaturas/331.html

5. Mtodos Numricos de Resolucin de E.D.P.- Ingeniera Tcnica
Informtica
URL: www.etsimo.uniovi.es/~cesarm/DOCENCIA/mnredp_eutio.html

6. Mtodos Numricos y lgebra lineal
Panorama de las aplicaciones de los mtodos numricos. Fundamentos de
los mtodos numricos. Secuencias y...
URL: webdia.cem.itesm.mx/dia/ac/nbatres/cb851.html

___________________________________________________________

CRONOGRAMA
DESARROLLO TEMATICO
METODOS NUMERICOS
INGENIERIA DE SISTEMAS
5 SEMESTRE

TEMAS SEMANAS
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Modulo 1
Mdulo 2
Primer parc.
Mdulo 3
Modulo 4
Segundo
parcial

Mdulo 5
Mdulo 6
Examen
Final


MODULO 1. APROXIMACIONES Y ERRORES

1.1 INTRODUCCIN

Dado que la mayora de los mtodos numricos utilizan conceptos de aproximacin,
podemos esperar que involucren errores; por ello es indispensable definir aspectos
inherentes a los errores al realizar clculos.

En muchas ocasiones se presentan varios algoritmos para producir los resultados
requeridos y se necesita escoger entre ellos para lo cual es necesario tener en cuenta la
rapidez y la exactitud pero la obtencin de esta ltima evidencia la presencia de error
debido a que normalmente los datos de entrada provienen de mediciones que involucran
algunos errores y en ellos pueden intervenir aproximaciones.

Al resolver un problema matemtico por medio de una calculadora de bolsillo, estamos
conscientes de que los nmeros decimales que calculamos quizs no sean exactos. Estos
nmeros casi siempre se redondean cuando los registramos. An cuando los nmeros no
se redondeen de manera intencional, el nmero limitado de dgitos de la calculadora
puede provocar errores de redondez (una calculadora de bolsillo cientfica puede tener 10
dgitos, mientras que una estndar puede tener 6).

En una computadora electrnica los errores de redondeo aparecen por las mismas
razones y afectan los resultados de los clculos; en algunos casos causan efectos muy
serios haciendo que los resultados de los clculos carezcan por completo de sentido. De
all la importancia de aprender algunos aspectos bsicos de las operaciones aritmticas en
las computadoras y comprender bajo qu circunstancias pueden ocurrir severos errores de
redondeo por causa de las aproximaciones.

1.2 TIPOS DE ERROR

Los errores numricos se generan con el uso de aproximaciones para representar las
operaciones y cantidades matemticas. De acuerdo con la forma en que se producen o
generan los errores, tenemos:

1.2.1 Error de redondeo: Se debe a que la computadora slo puede representar
cantidades con un nmero limitado de dgitos, por lo tanto los valores verdaderos no son
expresados exactamente ya que parte de la fraccin decimal estn redondeada pues ha
sido acortada despus del dgito final.

1.2.2 Error de truncamiento: Se debe a las aproximaciones utilizadas en la frmula
matemtica del modelo. Los errores de truncamiento representan la diferencia entre una
formulacin matemtica exacta del problema y la aproximacin dada por un mtodo
numrico. Por ejemplo el resultado exacto de un problema es 7.6784231 y el mtodo
numrico arroja 7.678.

1.2.3 Error significativo: Ocurre cuando al ejecutar una operacin en una mquina
calculadora, el nmero de cifras vlidas es menor que lo esperado. Por ejemplo la
operacin 7.898845 7.898732 = 0.000113, en una mquina que maneje notacin de
punto flotante para 6 dgitos genera como resultado 0.113000 x 10
3
y los tres ltimos
dgitos no son significativos.

1.2.4 Error propagado: En el error que se obtiene en la salida (respuesta) generada en los
pasos sucesivos debido a la ocurrencia de un error anterior.

1.3 FORMAS DE MEDIR EL ERROR

1.3.1 Error absoluto: Diferencia positiva entre los valores exacto y calculado.
c
V
e
V E =

1.3.2 Error relativo: Es la relacin aritmtica entre el error absoluto y el valor exacto.
x100%
e
V
c
V
e
V
E
R
=

* Se recomienda usar el error relativo.

Ejercicio 1. Supongamos que debemos evaluar la velocidad con la cual se desplaza una
partcula al cabo de t=4,01 sabiendo que la funcin de velocidad est expresada como
v(t)=10t
2
+14t.

Si redondeamos t=4
a) Cul es el error en t?
b) Cul es el error en v(t)?

Solucin:

a) Error en t:
V
e
=4,01 V
c
=4
0,25% 100% x 0,00249377 x100%
4,01
4 4,01
E
seg. 0,01 4 4,01 E
R
= =
=
= =

b) Error en v(t)
V
e
V(4,01) =10 (4,01)
2
+14 4,01= 216,941
V
c
V(4) =10 4
2
+14 4= 216
0,43% 100% x 0,00433758 100%
216,941
216 216,941
E
0,941 216 216,941 E
R
= =
=
= =


Observe que el error absoluto que se propaga para V(t) es 94 veces; el error cometido
para t (0,941 94 0,01).

Nota: Como en muchos casos no es posible tener el valor exacto (V
e
) entonces en vez de
establecer el error relativo (E
R
) podemos determinar un error de aproximacin (E
X
) definido
as:

100% x
actual Valor
previo Valor - actual Valor
E
X
=

Este es indispensable en los procesos iteractivos en los que se desea tener un valor
aproximado cuando el error sea menor que un valor prefijado (
). Entonces se procede
hasta que se cumpla
<
x
E
.

1.4 CIFRAS SIGNIFICATIVAS

Cuando se emplea un nmero en un clculo, debe haber seguridad que pueda usarse con
confianza. El concepto de cifras o dgitos significativos se ha desarrollado para designar
formalmente la confiabilidad de un valor numrico.

El nmero de cifras significativas es el nmero de dgitos, ms un dgito estimado que se
pueda usar con confianza.

Por ejemplo: Los nmeros:
0.00001845
0.0001845
0.001845
0.01845
0.1845

Tienen 4 cifras significativas (los ceros antes de la primera cifra no nula no se consideran
cifras significativas).

0.0020051 tiene 5 cifras significativas.
3.005 tiene 4 cifras significativas.

El nmero 45300 puede tener tres cuatro o cinco cifras significativas dependiendo de los
ceros que se conozcan con exactitud. La incertidumbre se puede desechar usando
notacin cientfica.

4.53 x 10
4
tiene 3 cifras significativas
4.530 x 10
4
4.5300 x 10
4


1.5 REGLAS DE REDONDEO

Las siguientes reglas dan la pauta a seguir en el redondeo de nmeros cuando se realizan
clculos a mano:

a) El ltimo dgito que se conserva se aumenta en uno si el primer dgito a descartar es
mayor de 5 de lo contrario (si es menor a 5) se conserva igual.
b) Si el primer dgito a descartar es 5 o es 5 seguido de ceros, entonces el ltimo dgito a
conservar se incrementa en 1, slo si es impar.
c) En la suma y resta, el redondeo se lleva a cabo de forma tal que el ltimo dgito
retenido en la respuesta corresponda al ltimo dgito ms significativos de las
cantidades que estn sumando restando (un dgito en columna de centsimas es ms
significativo que uno en una columna de milsimas).

Ejercicios:

Redondee cada uno de los nmeros a las cifras significativas dadas:

5.6723 a 3 cifras significativas
7289 a 2 cifras significativas

2. Efecte 4.68 x 10
-7
+ 8.3 x 10
-4
2.28 x 10
-4

Se deben expresar los nmeros con un mismo exponente:
0.004668 x 10
-4
+ 8.3 x 10
-4
2.28 x 10
-4
(dgito ms significativo es el de 3)
= 6.02468 x 10
-4
= 6.0 x 10
-4

3. Efecte 0.137 x 10
1
+ 0.269 x 10
-1

Se ajustan los exponentes para poder efectuar las operaciones:
0.137 x 10
1
+ 0.00269 x 10
1
= 0.13969 x 10
1

a) Recortado a 3 cifras significativas: 0.139 x 10
1

x100%
0.13969
0.139 0.13969
E
R
=
E
R
= 0.49 %

b)Redondeado a 3 cifras significativas: 0.140 x 10
1

x100%
0.13969
0.140 0.13969
E
R
=
E
R
= 0.22 %

Observe que el redondeo requiere de una operacin extra, aadiendo con ello costo
por ello es que la mayora de las computadoras recortan (truncan) en vez de
redondear.

1.6 NMEROS EN LA COMPUTADORA

Por razones prcticas slo puede manejarse una cantidad finita de bits para cada nmero
en una computadora y esta cantidad o longitud vara de una mquina a otra. Por ejemplo
cuando se realizan clculos de ingeniera y ciencias es deseable una longitud grande pero
para procesamientos administrativos es ms econmica y til para los clculos una
longitud pequea.

El sistema numrico que usamos cotidianamente se llama sistema decimal cuya base es
10, pero las computadoras no usan el sistema decimal en los clculos ni en la memoria,
sino que usan el binario (base 2). Este sistema es natural para las computadoras ya que
su memoria consiste en un enorme nmero de dispositivos de registro magntico y
electrnico, en los que cada elemento solamente tiene los estados de encendido y
apagado (1 0). Sin embargo, en los lenguajes de mquina se usan otros sistemas
numricos como el octal (base 8) y el hexadecimal (base 16) pues las expresiones son
ms cortas que en binario proporcionando un uso ms eficiente del espacio en memoria.

1.6.1. Nmeros enteros: para una computadora dada, el nmero de bits generalmente se
llama palabra y estos van desde 8 bits hasta 64 bits. Para facilitar su manejo la palabra se
divide en partes ms cortas denominadas bytes; por ejemplo, una palabra de 32 bits
puede dividirse en 4 bytes (8 bits cada uno).

Cada palabra, cualquiera sea su longitud, almacena un nmero aunque en ciertas
circunstancias se usan varias para contener un nmero. Por ejemplo, consideremos una
palabra de 16 bits, el primero representa el signo del nmero (un cero es signo ms y un
uno es signo menos); los 15 bits restantes pueden usarse para guardar nmeros binarios
desde 000000000000000 y 111111111111 111.

Al convertirlo en decimal se obtiene:
1 x 2
14
+ 1 x 2
13
+ 1x 2
12
+ . + 1 x 2
1
+ 1 x 2
0
= 32767 (2
15
1)

Por tanto cada palabra de 16 bits puede contener un nmero entero en el intervalo 32768
a +32767. (-2
15
a 2
15
1)

Si la palabra es de 32 bits el primer bit representa el signo del nmero (0 si es positivo y 1
si es negativo)
1 x 2
30
+ 1 x 2
29
+ . + 1 x 2
1
+ 1 x 2
0
= 2147483647 (2
31
1)

Por tanto cada palabra de 32 bits puede contener un nmero en el intervalo 2147483648
a +2147483647. (-2
31
a 2
31
1)

La menor y la mayor cantidad de un nmero que se puede representar en una
computadora varan de acuerdo con el diseo tanto del hardware como del software
(algunas pueden tener un rango de 2.9 x 10-
39
hasta 1.7 x 10
38
).


En general si n es el nmero de bits de una palabra, entonces el rango de nmeros
enteros osc ila entre

Ejemplo: Represente el nmero 525 en una palabra de 16 bits.

525 = -1000001101
2

1 0 0 0 0 0 1 0 0 0 0 0 1 1 0 1

Representa el signo del nmero

1.6.2. Nmeros reales (punto flotante): el formato para un nmero real en una
computadora difiere segn el diseo de hardware y software. Cuando se desea almacenar
un nmero real, se emplea en su representacin binaria, llamada de punto flotante, la
notacin en precisin simple de 32 bits:
( .abbbbbbbb .. bbbb) x 2
z

El nmero decimal debe convertirse primero al binario ms cercano en el formato
normalizado
(1)
.

En la notacin anterior, a es siempre 1 y cada b es un dgito binario (0 1) y Z es un
exponente que tambin se expresa en binario.

Los 32 bits se distribuyen as:
El primer bit: para el signo de la mantisa (0 si es +, 1 si es negativo).
Los siguientes 7 bits: para el exponente z (binario)
(*)
incluyendo el signo del exponente (0
si es +, 1 si es negativo).
Y los ltimos 24 bits: para la mantisa o fraccin.

1 Bit para
El signo

Si la palabra es de 16 bits se tiene: primer bit para el signo (0 si es +, 1 si es negativo),
7 bits para el exponente (binario) y 8 bits para la mantisa.

1
Normalizar: consiste en ajustar el exponente de tal manera que el primer dgito de la expresin binaria no
sea cero.
*
En algunas computadoras el exponente se almacena en base 8 (octal), o en base 16 (hexadecimal) en lugar
de base 2.
7 bits para el
exponente
(caracterstica)
24 bits para la fraccin
(mantisa)
-2
n-1
2
n-1
-1

Algunas computadoras como las Mainframe IBM usan el formato de punto flotante
normalizado en hexadecimal que se expresa como:
X = (0.abbbbb) x 16
k
x = nmero en base decimal
a = dgito hexadecimal diferente de cero, cada b es un dgito hexadecimal y k es un
exponente binario. La mantisa tiene 6 dgitos hexadecimal.

Ejemplo: Representar el nmero decimal -125.32 en palabra: a) de 16 bits b)32 bits
Parte entera: 125=1111101
Parte fraccional: .010100011110101 ( se toma .32 se multiplica por la base
Indicada (2); se escoge el dgito que quede a la izquierda del punto y la otra parte
de la derecha se multiplica nuevamente por la base y as sucesivamente.
Entonces: -125.32 = -1111101.010100011110101
(2)

Normalizamos el nmero binario: desplazamos el punto flotante 7 lugares hacia la
izquierda (por qu?) y lo expresamos con exponente binario (7 es 111)
=> -.

1111101010100011110101x2
111

a)en palabra de 16 bits: 10000111 11111010
los primeros 8 campos son para signo del nmero, signo del
exponente, y el exponente (6 campos) mientras que los otros 8 campos corresponden a la mantisa del nmero el cual es truncado a
partir del dgito 9.

b)en palbra de 32 bits: 10000111 111110101010001111010100
los 8 primeros campos siguen la
misma estructura del a) pero la mantisa puede albergar hasta 24 dgitos.

1.6.3 Doble precisin: la doble precisin es un esfuerzo para aumentar la exactitud de los
clculos adicionando ms bits a la mantisa. Esto se hace utilizando dos palabras: la
primera en la forma expuesta anteriormente y los bits de la segunda para aumentar a
mantisa de la primera.

As, una palabra de 16 bits al usa en doble precisin queda la mantisa de 8 + 16 = 24 bits,
mientras que una de 32 bits en doble precisin permite a la mantisa 24 + 32 = 56 bits.

La desventaja de la doble precisin es que se emplean ms palabras con lo cual se
consume ms memoria para un programa.

1.6.4 Error al almacenar un nmero en memoria: como no es posible guardar un nmero
binario de longitud infinita o un nmero de ms dgitos de los que posee la mantisa de la
computadora que se est empleando, se almacena slo un nmero finito de estos dgitos y
como consecuencia se comete automticamente un pequeo error conocido como error
de truncamiento, que al repetirse muchas veces puede llegar a se considerable.

Ejercicio.
Qu nmero en base decimal representan los siguientes dgitos almacenados en palabra
de 16 bits?.
a) 1100001110101001 se desnormaliza (
0bserve que el exponente es negativo)

= -.10101001x2
-11
= -.00010101001 = -(2
-4
+2
-6
+2
-8
+2
-11
) = -0.08251958
b) 1000001110101001 Se desnormaliza:
(observe que el exponente es positivo)
= -.10101001x2
11

= -101.01001 = -(2
2
+2
0
+2
-2
+2
-5
)= -5,28125

1.7. LA SERIE DE TAYLOR. Permite epresar funciones en forma polinmica y provee
una formulacin para predecir el valor de la funcin en un punto x
i+1
een trminos del valor
de la funcin y de sus derivadas en otro punto x
i
.

Teorema de Taylor : Si la funcin f y sus primeras n+1 derivadas son continuas en un
intervalo que contiene a y x, entonces el valor de la funcin de x est dada por:
n
n
n
R a x
n
a f
a x
a f
a x
a f
a x a f a f x f + + + + + = ) (
!
) (
...... ) (
! 3
) ( ' ' '
) (
! 2
) ( ' '
) )( ( ' ) ( ) (
) (
3 2
(1)
donde R
n
es el residuo que se define como
1
) 1 (
) (
)! 1 (
) (
+
+
+
=
n
n
n
a x
n
c f
R

si evaluamos la expresin (1) en el punto x=x
i+1
siendo a=x
i

y hacemos h=(x-a)=(x
i+1
x
i
) se obtiene la expresin de la serie de Taylor as:

n
n i
n
i i
i i i
R h
n
x f
h
x f
h
x f
h x f x f x f + + + + + =
+
!
) (
......
! 3
) ( ' ' '
! 2
) ( ' '
) ( ' ) ( ) (
) (
3 2
1
(2)

donde: f
(n)
es la derivada de orden n y
1
) 1 (
)! 1 (
) (
+
+
+
=
n
n
n
h
n
c f
R
, c [x
i+1
,x
i
]
el paso inicial o aproximacin de orden cero (n=0) es: f(x
i+1
)=f(x
i
)
el primer paso o aproximacin de orden 1 (n=1) es:
h x f x f x f
i i i
) ( ' ) ( ) (
1
+ =
+

el segundo paso,aproximacin orden n=2:
2
1
! 2
) ( ' '
) ( ' ) ( ) ( h
x f
h x f x f x f
i
i i i
+ + =
+

y as sucesivamente hasta el paso de aproximacin de orden n:

n i
n
i i
i i i
h
n
x f
h
x f
h
x f
h x f x f x f
!
) (
......
! 3
) ( ' ' '
! 2
) ( ' '
) ( ' ) ( ) (
) (
3 2
1
+ + + + =
+

que podemos resumir as:
=
+
+ =
n
i
i
i
i
i i
i
h x f
x f x f
1
) (
1
!
) (
) ( ) (

Ejemplo 1.Mediante la serie de Taylor hasta orden 4, encuentre el valor de
f(x)= -0.1x
4
-0.15x
3
-0.5x
2
-0.25x +1.2 en x=1 alrededor del punto x=0

necesitamos estimar f(1) tomando como base x=0
x
i+1
=1 y x
i
=0 por lo tanto h= x
i+1
- x
i
=>h=1-0 =1

El valor exacto V
e
es: f(1)= -0.1(1)
4
-0.15(1)
3
-0.5(1)
2
-0.25(1) +1.2=0.2
La seriie de Taylor hasta n=4 es:

4
4
) 4 (
3 2
1
! 4
) (
! 3
) ( ' ' '
! 2
) ( ' '
) ( ' ) ( ) ( R h
x f
h
x f
h
x f
h x f x f x f
i i i
i i i
+ + + + + =
+


donde
5
) 5 (
)! 5 (
) (
h
c f
R
n
=

calculemos los valores de las derivadas en x
i
=0

f(x)= -0.1x
4
-0.15x
3
-0.5x
2
-0.25x +1.2 f(0)=1.2
f (x)=-0.4x
3
-0.45x
2
-1.0x-0.25 f(0)=-0.25
f (x)=-1.2x
2
-0.90x-1.0 f(0)=-1.0
f (x)= -2.4x -0.90 f(0)=-0.9
f
(4)
(x)=-2.4 f
(4)
(0)= -2.4
f
(5)
(x)=0 por lo tanto R
n
=0

Veamos que sucede en cada paso de Taylor y hallemos el Error relativo en c/u:
Recuerde que el v
e
es f(1)= 0.2

Orden
de aprox
n
n
i
i
n
i i
h
n
x f
x f x f

=
+
+ =
1
) (
1
!
) (
) ( ) (

V
c
% 100 x
v
v v
E
e
c e
R
=

n=0 f(1)=f(0)=1.2 1.2 500%
n=1 f(1)=f(0)+f(0)x1=1.2-0.25x1 0.95 375%
n=2 f(1)=f(0)+f(0)xh+(f(0)xh
2
)/2!=1.2-0.25x1-
(1.0x1)/2
0.45 125%
n=3 f(1)=f(0)+f(0)xh+(f(0)xh
2
)/2!+(f(0)xh
3
)/3!
=1.2-0.25x1-(1.0x1)/2-(0.9x1)/6
0.30 50%
n=4 f(1)=f(0)+f(0)xh+(f(0)xh
2
)/2!+(f(0)xh
3
)/3!
+(f
(4)
(0)xh
4
)/4!=1.2-0.25x1-(1.0x1)/2-
(0.9x1)/6 (2.4x1)/24

0.20 0%

Observe que en el paso 4 se obtiene f(1)=0.2 que corresponde al valor exacto.

Ejemplo 2. Usando la serie de Taylor con 5 pasos, estime el valor de f(x)=cos x en
x=
3
tomando como base x=

4

X
i+1
=
3
(60) X
i
=
4
(45) h= X
i+1
- X
i
=
3
-
4
=
12

Veamos:
f(x)=cosx f(
4
)=0.7071068 (debe utilizar Radianes (RAD) en la calculadora

f(x)= -sen x f(
4
)=-0.7071068
f(x)= -cos x f(
4
)=-0.7071068

f(x)= sen x f(
4
)=0.7071068
f
(4)
(x)=cos x f
(4)
(
4
)= 0.7071068
f
(5)
(x)=-sen x f
(4)
(
4
)= -0.7071068
La serie de Taylor para n=5 pasos de aprox. es:
5
) 5 (
4
) 4 (
3 2
1
! 5
) (
! 4
) (
! 3
) ( ' ' '
! 2
) ( ' '
) ( ' ) ( ) ( h
x f
h
x f
h
x f
h
x f
h x f x f x f
i i i
i i i
+ + + + + =
+

Entonces:
! 5
)
12
)(
4
)( 5 (
! 4
)
12
)(
4
(
! 3
)
12
)(
4
( ' ' '
! 2
)
12
)(
4
( ' '
)
12
)(
4
( ' )
4
( )
3
(
5 4 ) 4 ( 3 2

f f f f
f f f + + + + + =

Al reemplazar y calcular estos valores se obtiene que f(
3
)=0.5000003
Y el error relativo es:
% 100 x
v
v v
E
e
c e
R
=
=
% 00006 . 0 % 100
5 . 0
5000003 . 0 5 . 0
=
x

Si se agregan mas pasos pues se obtiene mas exactitud.


ACTIVIDADES N 1

1. Calcule el error absoluto y relativo cometido en c/u de las siguientes situaciones:
a)El nmero 3.0715 es redondeado a 3.07
b)Se redondea
=3.1 para evaluar 3 2 5 6 ) (

3 4
+ = f
c)Se toma x=
2
1.41 para evaluar la funcin f(x)=x
4
-x
2
+ lnx
d)Si f(x)=e
x
1, cul es el error relativo en cada caso para valores de x={0.5; 1; -1; } al
tomar el valor de f(x) aproximado a dos decimales mientras el valor exacto lo considera
con 5 decimales?.

2. Se tiene para medir la longitud de un puente y de un remache, obtenindose en cada
caso 9999 y 9 cm. Si los valores verdaderos son 10000 y 10 cm respectivamente, calcule
el error absoluto y relativo en cada uno y explique cmo considera la estimacin de
medicin hecha para caso.

3. Redondese los siguientes nmeros a tres cifras significativas:
a) 8755 b) 5555x10
3
c) 0.368124x10
2
d)4225.0002 e)0.999500

4. Encuentre el error relativo tanto recortado como redondeado a tres dgitos
significativos:
a) 3.28x10
-2
+ 2.07x10
3
b) (3.26x10
-3
+ 2.07x10
-4
) 2.01x10
-4
d) 3.26x10
-3
+ (2.07x10
-4
2.01x10
-4
) e) (3.28x10
-2
x 6.98x10
3
) 4.82x10
-8
f) 3.28x10
-2
x (6.98x10
3
4.82x10
-8
) g) (4.82x10
2
8.81x10
8
) 4.06x10
-2

5. Repase sus apuntes de semestres anteriores para recordar las conversiones de los
siguientes sistemas numricos:
a) de base decimal a binaria b) de base binaria a decimal
c) de base decimal a octal d) de base octal a decimal
e)de base hexadecimal a decimal f) de base decimal a hexadecimal
g)de base octal a binario h)de base binaria a octal

6. Convierta c/u de los siguientes nmeros decimales a binarios, octal y hexadecimal:
a)536 b)923 c)-1536 d)5000 e)0.8 f)0.973 g)125.35

7. Convierta los siguientes nmeros del sistema octal al binario:
a)777 b)573 c)3052 d)416.42

8. Convierta los siguientes nmeros dados en binario al sistema decimal:
a)1000 b)10101 c)11001 d)-111111 e)0.0001
f)0.11111 g)1011.0101 h)-1001011.011001

9. Disee algoritmos para convertir nmeros:
a) del sistema decimal a binario y comprubelo aplicndolo a los ejercicios del punto 7.
b) del sistema binario a decimal y comprubelo aplicndolo a los ejercicios del punto 9.
c) del sistema decimal a octal y comprubelo aplicndolo a los ejercicios del punto 7.
d) del sistema octal a decimal

e) del sistema decimal a hexadecimal
f) del sistema hexadecimal a decimal

10. Considere una mquina con una palabra de 8 bits. Qu rango de nmeros enteros
puede contener dicha palabra?. Represente el nmero 26 en una palabra de 8 bits.

11. Qu decimales representan cada uno de los siguientes nmeros de mquina en una
palabra de 16 bits? :
a)
0 1 0 0 0 0 1 0 1 1 0 0 1 1 0 0
b)
1 0 0 0 1 0 1 1 1 0 0 1 0 1 0 0
c)
0 0 0 1 1 0 0 0 1 0 0 0 1 1 1 0

Repuestas: 0.19921875; -160; 9306112

12. Normalice los siguientes nmeros y almacene en memoria con palabra de 32 bits
a)723.5578 b)-15.324 c)0.003485
sugerencia: Pase los nmeros a binarios y luego normalcelos.

13.Elabore un programa de modo que:
a) 0.01 se sume 100 veces
b) 0.001 se sume 1000 veces
c) 0.0001 se sume 10000 veces
Imprmase los valores para las sumas y compare sus resultados con los valores
exactos.
Esperaba que en todos los casos diera 1?. Qu puede influir para no obtener el valor de
1 en todos los casos?.

14. Usando la serie de Taylor, estime en el valor indicado y calcule el E
R
:

a) f(x)=25x
3
-6x
2
-7x-88 hasta el tercer orden para f(3) con punto base x=2
b) f(x)=ln x hasta el paso 4 para f(4) alrededor de x=1
c) f(x)=Sen x hasta el paso 4 para f(
3
) con punto base x=

4

d) f(x)=e
x
-1 hasta n=5 para f(-3) alrededor de x=0

15. La forma polinomial (serie de Maclaurin) para e
x
se expresa as:

!
......
! 3 ! 2
1 ) (
3 2
n
x x x
x x f
n
+ + + + + =

Demuestre que la expresin anterior se obtiene aplicando la serie de Taylor para
f(x)=e
x
siendo x
i
=0 y h=x.

16. Obtenga la forma polinomial para f(x)=cos x (aplique la serie de Taylor con
x
i
=0 y h=x ).

17. Obtenga la forma polinomial para f(x)=Sen x

MDULO 2. SOLUCIN DE ECUACIONES NO LINEALES

2.1 RACES DE UNA ECUACIN
Desde hace aos se aprendi a usar la frmula cuadrtica
2a
4ac b b
x
2

= para
resolver f(x) = ax
2
+ bx + c = 0. A los valores x calculados se les llama races de la
ecuacin y representan los valores que hacen la ecuacin igual a cero.

Por lo tanto se puede definir la raz de una ecuacin al valor
de la funcin f(x) si y slo s

f(
) = 0. A las races de una ecuacin tambin se les llama ceros de la funcin.

Aunque la frmula cuadrtica es til para resolver ecuaciones de 2 grado hay muchas
funciones diferentes que no se pueden resolver de manera tan fcil. En estos casos los
mtodos numricos que estudiaremos nos proporcionan medios eficientes para
obtener respuesta.

2.2 FUNDAMENTACIN PRELIMINAR

Cuando se requiere encontrar las races reales de una funcin algunos pasos o
consideraciones previas las situarn dentro de ciertos intervalos del eje real; el objetivo
ser reducir considerablemente el ancho de cada intervalo. Tericamente si estrechamos
el intervalo hasta reducirlo a un punto, ese punto ser una raz de la funcin. En la prctica
no ser necesario que cada raz se determine de manera exacta a cambio de eso se
aceptarn pequeos intervalos que contengan una o ms races.

Como el intervalo no se reduce a un punto, la raz es obtenida con error de truncamiento,
el cual puede ser disminuido en la medida del aumento de las iteraciones. Pero al final, por
el nmero de cifras decimales que puedan ocurrir, tendremos un error de redondeo. La
eleccin de un mtodo para disminuir la longitud del intervalo, slo depende de qu tan
pequeo deba ser ste.
Teorema: si para una funcin f(x) continua en un intervalo cerrado [a, b] se cumple que
f(a)f(b) < 0, entonces existe por lo menos un r
[a, b] tal que f(r) = 0

Figura No. 1 Races de la funcin f(x)
f(a)
a
r
1
r
2
r
3

b
f(b)

La figura 1 presenta un caso en donde f(a)f(b) < 0 con tres races sobre el intervalo [a, b].

El teorema anterior nicamente manifiesta que existe al menos una raz, pero no define
cuntas hay ni donde estn localizadas. Los mtodos para encontrar las races
aproximadas de un polinomio se fundamentan grficamente en este teorema para generar
un algoritmo de bsqueda.

2.3 MTODO DE BISECCIN

Tambin se conoce en la literatura sore el tema como mtodo de reduccin de intervalos a
la mitad o Mtodo Bolzano. Se fundamenta en el conocido mtodo de bsqueda binaria
utilizado para resolver muchos problemas de la programacin.

El algoritmo de bsqueda consiste por lo tanto de los siguientes pasos:
Paso 1: dar f(x); Localizar un intervalo [a, b] que cumpla f(a)f(b) < 0. Longitud mxima
del intervalo de aceptacin de la raz =
, por ejemplo
= 0.001.
Paso 2: I=1; Hacer X
1
= a, x
2
= b
Paso 3: Calcular :X
m
= (X
1
+ X
2
), evale f(X
m
)
Paso 4: Si |f(X
m
)|
, tomar a X
m
como una raz aproximada de f(x).
Paso 5: I=I+1
Paso 6: Si f(x
1
). f(x
m
) < 0, entonces x
2
= x
m
, de lo contrario hacer x
1
= x
m
, regresar al
paso 3.

2.3.1 Ejemplo: si buscamos una raz para la ecuacin: f(x) = xe
x
-2 = 0 y evaluamos f(x) en
algunos enteros encontramos que f(0) = -2 y f(1) =0.718288 Como los polinomios son
funciones continuas para cualquier rango, podemos asegurar que existe al menos una raz
en algn punto del intervalo [0, 1]. De conformidad con el algoritmo propuesto, la tabla No.
1 muestra todos los clculos iterativos realizados para encontrar una raz aproximada en
este intervalo con
< 0.005.

Tabla No. 1. Mtodo de Biseccin para xe
x
-2 = 0

Iteracin X
1
X
2
X
m
f(X
m
) f(X
1
)
1 0 1 0.5 -1.175639 -2
2 0.5 1 0.75 -0.412250 -1.175639
3 0.75 1 0.875 0.099016 -0.412250
4 0.75 0.875 0.8125 -0.169003 -0.412250
5 0.8125 0.875 0.84375 -0.038222 -0.169003
6 0.84375 0.875 0.859375 0.029572 -0.038222
7 0.84375 0.859375 0.8515625 -0.004528 -0.038222

Despus de siete iteraciones sabemos que hay una raz entre 0.84375 y 0.859375 y
podemos aceptar a 0.8515625 como una raz suficientemente aproximada.

Aunque ste mtodo de biseccin es adecuado para calculadoras cientficas, siempre ser
preferible el utilizar programas de computadora para la bsqueda de races.


2.4 MTODO DE REGULA FALSI

Se fundamenta en los conceptos elementales de interpolacin lineal. Esto es, una vez se
tenga un intervalo [a, b] para el que f(a)f(b) < 0, se supone un segmento de recta que une
los puntos (a,f(a)) y (b,f(b)). El cual corta el eje de las abcisas en el punto x = c. Este valor
se utiliza en el algoritmo como una posible raz. La figura No. 2 muestra grficamente la
raz r
1
y el valor c prximo a sta para una funcin. Mediante propiedades de tringulos
semejantes podemos escribir la siguiente proporcin:

f(a) f(b)
bf(a) af(b)
c : entonces ,
f(a)
f(b)
a c
c b
= =

Si x
1
= a, x
2
= b ====>
) f(x ) f(x
) f(x x ) f(x x
c
1 2
1 2 2 1
=

f(b)

f(a)

Figura No. 2 Grfico para encontrar una Raz de la funcin f(x)

El algoritmo para este caso consiste por lo tanto de los siguientes pasos:
Paso 1: Dar f(x); Localizar un intervalo [a, b] que cumpla f(a)f(b) < 0. Longitud mxima
, por ejemplo
= 0.001.
Paso 2: I=1; Hacer x
1
= a, x
2
= b
Paso 3: Calcular c =
) ( ) (
) ( ) (
1 2
1 2 2 1
x f x f
x f x x f x
, evale f(c)
Paso 4: Si |f(c)|
, tomar c como una raz aproximada de f(x).

Paso 5: I=I+1
Paso 6: Si f(x
1
). f(c) < 0, entonces x
2
= c, de lo contrario hacer x
1
= c y regresar
al paso 3.
2.4.1 Ejemplo: supongamos que necesitbamos buscar una raz para la ecuacin:
f(x) = xe
x
2 = 0.
Al evaluar f(x) en algunos enteros encontramos que: f(0) = -2; f(1) = 0.71828183.
podemos asegurar que existe al menos una raz en algn punto de intervalo [0, 1].
Y
X
a c b
r
1


De conformidad con el algoritmo propuesto, la tabla No. 2 muestra todos los clculos
iterativos realizados para encontrar una raz aproximada en este intervalo con
< = 0.001.

Tabla No. 2. Mtodo de Regula Falsi para xe
x
2 = 0
Iteracin X
1
X
2
f(X
1
) f(X
2
) C f(c)
1 0 1 -2 0.71828183 0.73575888 -0.46442322
2 0.73575888 1 -046442322 0.71828183 0.83952077 -0.05629351
3 0.83952077 1 -0.05629351 0.71828183 0.85118386 -0.00617135
4 0.85118386 1 -0.00617135 0.71828183 0.85245157 -0.00066888

Despus de cuatro iteraciones vemos que hay una raz entre 0.85118386 y 1; podemos
aceptar a 0.85245157 como una raz suficientemente aproximada.

2.5 MTODO DE LA SECANTE

Es una variante del mtodo Regular Falsi donde la convergencia hacia la raz se hace
buscando un nuevo valor llamado x
k+2
a partir de los puntos anteriores x
k
y x
k+1
.
Transformando la expresin que calcula el punto c para el mtodo Regula Falsi,
obtenemos;

) f(x ) f(x
) f(x x ) f(x x
x
k 1 k
k 1 k 1 k k
2 k
=
+
+ +
+
Si x
1
= x
k
, x
2
= x
k+1
, x
3
= x
k+2
====>
) f(x ) f(x
) f(x x ) f(x x
x
1 2
1 2 2 1
3
=

El algoritmo para este mtodo consistira en los siguientes pasos:
, por ejemplo
= 0.001.
Paso 2: I=1; Hacer x
1
= a, x
2
= b
Paso 3: Calcular x
3
=
) ( ) (
) ( ) (
1 2
1 2 2 1
x f x f
x f x x f x
, evale f(x
3
)
Paso 4: Si |f(x
3
) - f(x
2
)|
, tomar x
3
como una raz aproximada de f(x). Termina el
proceso de convergencia. De lo contrario vaya al paso siguiente.
Paso 5: I=I+1
Paso 5: Hacer x
1
= x
2
, x
2
= x
3
, regresar al paso 3.

2.5.1 Ejemplo: supongamos que necesitbamos buscar una raz para la ecuacin:
f(x) = xe
x
2 = 0. Tomando como intervalo [0, 1] con
< = 0.001.

Iterac X1 X2 F(x1) F(x2) X3 F(x3) |f(x3)-f(x2)|
1 0 1 -2 0.71828183 0.73575888 -0.46442322 1.182705
2 1 0.735759 0.71828183 -0.46442322 0.83952077 -0.05629351 0.40812970
3 0.7357589 0.839521 -0.46442322 -0.05629351 0.85383269 0.00533812 0.06163163
4 0.8395208 0.853833 -0.05629351 0.00533812 0.85259309 5.3928E-05 0.00539
5 0.85383269 0.852593 0.00533812 -5.3928E-05 0.85260549 -5.0932E-08 0.00005
Despus de 5 iteraciones podemos aceptar como raz aproximada x
3
= 0.85260549

2.7 MTODO DE NEWTON RAPSHON

Uno de los mtodos ms ampliamente utilizados para resolver ecuaciones es el mtodo de
Newton. Comenzando a partir de una estimacin inicial que no est lejos de la raz, se
extrapola a lo largo de la tangente hasta su interseccin con el eje x y se toma esa como
la siguiente aproximacin. Esto se contina hasta que los valores sucesivos de x estn
suficientemente cercanos o el valor de la funcin sea lo suficientemente prximo a cero.

El punto donde la tangente cruza al eje x, representa una aproximacin de la raz.

La pendiente de la recta ser: tan = f (x
k
) =
1
) (
+
k k
k
x x
x f

x
k
x
k+1
=
) ( '
) (
k
k
x f
x f
x
k+1
= x
k

) ( '
) (
k
k
x f
x f

Una de las ventanas de este mtodo consiste en la convergencia rpida que se tiene
cuando se est prximo a una raz.

El algoritmo de este mtodo consiste en los siguientes pasos:
, por ejemplo
= 0.001.
Paso 2: I=1; Iniciar con algn valor x
kE
[a, b], para el cual f (x
k
) 0; calcule f (x).
Paso 3: Calcular x
k+1
= x
k

) ( '
) (
k
k
x f
x f

Paso 4: Si |x
k+1
- x
k
|
, tomar x
k+1
como una raz aproximada de f(x). Termina el
proceso de convergencia. De lo contrario vaya al paso siguiente.
Paso 5: I=I+1; Hacer x
x=
x
k+1
y regresar al paso 3.

2.7.1 Ejemplo 1: Se propone buscar una raz para la ecuacin: f(x)=xe
x
2 = 0. Siendo
f (x) = e
x
(x + 1), no se puede iniciar la evaluacin para x = -1, puesto que f(-1)= 0.
Evaluamos f(x) en otros enteros: f(0) = -2 f(1) = 0.71828183. Podemos asegurar que existe
al menos una raz en algn punto del intervalo [0,1]. De conformidad con el algoritmo
propuesto, tenemos la siguiente tabla:

f(x
k
)
X
k+1
x
k


Tabla No. 4. Mtodo de Newton Rapshon para xe
x
2 = 0
Iteracin X
k
f(x
k
) f(x
k
) X
k+1
|x
k+1
x
k
|
1 0 -2 1 2
2 2 12.7781122 22.1671683 1.42355686 0.57644314
3 1.42355686 3.9104113 10.0622731 1.03493579 0.38862107
4 1.03493579 0.91326712 5.7281926 0.87550206 0.15943373
5 0.87550206 0.10127495 4.50135492 0.85300329 0.02249877
6 0.85300329 0.0017292 4.34841325 0.85260562 0.00039766
En la sexta iteracin se obtiene una raz r 0.85260562.

2.7.2.Ejemplo 2. Utilizando el mtodo de Newton-Raphson, halle una raz para
f(x)=3x+senx e
x
.
NOTA: al utilizar funciones trigonomtricas, el valor de x debe darse en radianes (RAD
en la calculadora y no DEG).

Con [1, 2] y tomando X
k
=2 tenemos: f (x)=3+cosx-e
x

Tabla No. 5. Mtodo de Newton Rapshon para f(X)=3x+senx e
x
=0
Iteracin X
k
f(x
k
) f(x
k
) X
k+1
|x
k+1
x
k
|
1 2 -0.47975 -4.80520 1.90016 0.09984
2 1.90016 -0.04023 -4.01041 1.89013 0.01003
3 1.89013 -0.00039 -3.93416 1.89003 0.00010

X= 1.89003 es una raz aproximada para f(X)=3x+senx e
x

2.8 MTODO DE PUNTO FIJO

Se comienza con la ecuacin general f(x) = 0 y se reorganiza en una expresin
equivalente de la forma x = g(x) de manera que f(x
0
) = 0 siendo x
0
= g(x
0
).

Algoritmo: se proporciona g(x)

Paso 1: Dar valor inicial de x
0
,
, nmero max de iteraciones (MAXI)

Paso 2: Hacer I = 1
Paso 3: Haga mientras I < MAXI (realiza los pasos 4 a 7)
Paso 4: Calcule g(x
0
)
Paso 5: Si |g(x
0
) x
0
) <
entonces x = g(x
0
) es una raz aproximada de f(x) y
termina; de lo contrario contina
Paso 6: I = I + 1
Paso 7: Se actualiza x
0
x
0
= g(x
0
)
Paso 8: Mensaje de falla: El mtodo no converge a una raz.


2.8.1 Ejemplo: consideremos f(x) = x
2
2x 3 = 0
a) Reacomodamos as: x
2
= 2x + 3 x =
3 2x +
g(x) =
3 2x +

determinamos un intervalo para tomar un valor inicial : [4, 2]
Consideremos
= 0.001
Se comienza con x
0
= 4 y se evala g(x) =
3 2x +

Tabla No. 5. Mtodo de punto fijo para f(x) = x
2
2x 3 = 0, con g(x) =
3 2x +

Iteracin X
0
G(X
0
) |g(X
0
) X
0
|
1 4 3.31662479 0.6833752
2 3.31662479 3.103747667 0.21287712
3 3.103747667 3.034385495 0.06936217
4 3.034385795 3.011440019 0.02294547
5 3.011440019 3.003810919 0.00762910
6 3.003810919 3.001270038 0.00254881
7 3.001270038 3.000423316 0.00084672
X = 3.000423316 3 es una raz aproximada de f(x) = x
2
2x 3
b) Reordemos x
2
2x 3 = 0 as:
x
2
3 = 2x x =
2
3
2
x
g(x) =
2
3
2
x

2
2x 3 = 0, con g(x) =
2
3
2
x
tomo x
0
= 4
Iteracin X
0
g(X
0
) |g(X
0
) X
0
|
1 4 6.5 2.5
2 6.5 19.625 13.125
3 19.625 191.0703 171.445
g(X
0
) no converge sino que diverge por lo tanto con g(x) =
2
3
2
x
no es posible hallar
una raz aproximada para f(x) = x
2
2x 3.

Nota:

Comprobemos:
Para g(x) =
3 2x +
q(x) =
3 2x
1
+
g(x
0
) = g(4) = 0.3015 < 1
entonces converge

Para g(x) =
2
3
2
x
q(x) = x g(4) = 4 > 1 por lo tanto no converge

g(x) es convergente si g(x
0
) 1

c) Reordenemos x
2
2x 3 = 0
x(x 2) = 3
2
3
=
x
x g(x) =
2
3
x

Compruebe si es convergente y establezca las iteraciones para hallar una raz aproximada
de f(x) = x
2
2x 3.

1 75 . 0
) 2 4 (
3
) 4 (
) 2 (
3
) (
2 2
< =
= ===>
= g
x
x g

Entonces si converge pues g(x)<1
2
2x 3 = 0, con g(x) =
2
3
x

Iteracin X
0
g(X
0
) |g(X
0
) X
0
|
1 4 1.5 2.5
2 1.5 -6.0 7.5
3 -6.0 -0.375 5.625
4 -0.375 -1.263158 0.888158
5 -1.263158 -0.9193548 0.3438030
6 -0.9193548 -1.0276243 0.1082695
7 -1.0276243 -0.9908759 0.0367484
8 -0.9908759 -1.0030506 0.0121747
9 -1.0030506 -0.9989841 0.0004065
10 -0.9989841 -1.0003387 0.0013546
11 -1.0003387 -0.9998871 0.0004516

X = -0.9998871 -1 es una raz aproximada de f(x) = x
2
2x 3

Como puede observarse, con el mismo punto de inicio pero con g(x) diferentes, obtuvimos
dos races para f(x) = x
2
2x 3; x=3 y x= -1

ACTIVIDADES N 2

1.La ecuacin x
2
-2=0, tiene por races
= 2
1.414214. Utilice el mtodo de Biseccin
para evaluar la raz positiva comenzando con el intervalo [1, 2].

2.Con el mtodo de biseccin, encuentre una raz aproximada para las siguientes
ecuaciones. En cada caso determine un intervalo adecuado y luego calcule la raz con una
precisin del 0.5%.:
a)x
3
-x
2
-2x+1=0 b)2e
-x
-senx=0 c)2x
3
+4x
2
-2x-5=0 d) e
x
-3x
2
=0 e)x
3
-x
2
+4x-7=0

3.Resuelva por el mtodo de Newton Raphson:
a)ln x-x+2=0 b)x-2cosx=0 c)f(x)= x
3
-x- 3 d)f(x)= x
3
-e
x
+3

e)x
3
-5x= -1 f)tanx-x-1=0

4.Resuelva por el mtodo de la secante:
a)xlogx-10=0 b)senx-cscx+1=0 c)f(x)=x
3
+2x
2
+10x-20=0 d)e
x
3x

5.Usando el mtodo de Regula-Falsi determine las raices de las sigientes ecuaciones con
e=0.5%:
a)f(x)= x
3
+2x
2
+10x-20=0 b)f(x)=x
4
-2x-10 c)f(x)=x
3
-e
x
+3

6.Disee y desarrolle los respectivos software para c/u de los mtodos.

7 .Para c/u de siguientes ecuaciones, encuentre todas las raices por el mtodo que usted
considere.
Sugerencia: halle la grfica para observar los puntos de interseccin y resuelva utilizando
los programas diseados para computador considerando e=0.1%.

a) e
x
+2x+4=0 b)tan x - x + 1=0 c) x
3
+ x +1=0
d) 16x
5
20x
3
+ x
2
+5x - 0.5= 0 e) x
4
- 4.4x
3
+ 9.43x
2
14.86x +7.15 =0

8.Utilice el mtodo de punto fijo para hallar races de:
a) x
3
10x 5=0
b) x
2
+ x 1=0
c) cos x 3x =0 con i)x=cos x - 2x ii)x=(cos x)/3

d) Para 2x
3
+4x
2
2x 5=0, establezca 3 reordenaciones y utilice en c/u x
0
=1
e) F(x)= x
3
-10x-5 =0, tiene 3 raices ubicadas en los intervalos [-3, -2], [-1,0] y [3,4]
Hllelas.

9.Desarrolle un programa para correr el mtdo de punto fijo y comprubelo con los
ejercicios del punto 8.


MODULO 3. LGEBRA LINEAL NUMRICA

3.1 INTRODUCCIN

La solucin de sistemas de ecuaciones es un tema clsico de las matemticas y de gran
utilidad en diversas ramas del conocimiento como la economa, la biologa, fsica,
ingenieras, etc. La resolucin de sistemas de cualquier nmero de ecuaciones (10, 50,
100, 500, etc.) es una realidad hoy en da, gracias a los computadores, lo cual proporciona
un atractivo especial a las tcnicas de solucin directa e interactivas tanto en su
programacin, clculos necesarios, propagacin de errores, etc.

3.2 FUNDAMENTOS PRELIMINARES

3.2.1 Notacin matricial: Una matriz es un arreglo rectangular de nmeros en el cual no
slo es importante el valor del nmero sino tambin su posicin dentro del arreglo. El
tamao de una matriz se indica por el nmero de filas (n) y columnas (m): n x m.

[ ]
ij
nm n2 n1
2m 22 21
1m 12 11
a
.....a a a
.....a a a
a ..... a a
A =
(
(
(
(
=
M

3.2.2 Suma de matrices: Para sumar dos matrices, stas deben ser del mismo tamao
(igual nmero de filas y columnas) siendo la matriz resultante de igual tamao.

A + B = [a
ij
+ b
ij
] = [c
ij
]

Ejemplo 1:
2x3 2x3 2x3
10 6.7 7
7 - 10.5 3
3 8 5
4 - 2 1
7 1.3 - 2
3 - 8.5 4
(
=
(
+
(

Ejemplo 2:
(
=
(
4 9.3 - 3 -
1 6.5 5
3 8 5
4 - 2 1
7 1.3 - 2
3 - 8.5 4

i = 1,2,,n
j = 1,2,,m
i = 1,2,,n
j = 1,2,,m

3.2.3 Producto de matrices por un escalar:
Si R, entonces:

[ ] [ ]
ij ij
nm n2 n1
2m 22 21
1m 12 11
nm n2 n1
2n 22 21
1n 12 11
a a
...... a a
...... a a
...... a a
.....a a a
.....a a a
.....a a a
A
=
(
(
(
(
=
(
(
(
(
=
M M

Ejemplo: Multiplique por 2 la matriz A=
(
(
(
2 3 5
1 4 0
1 3 2
===>
(
(
(
=
4 - 6 10 -
2 8 0
2 - 6 - 4
2A

3.2.4 Multiplicacin de matrices: Dada las matrices A y B, se pueden multiplicar en ese
orden si el nmero de columnas de A es igual al nmero de filas de B.

A
nxm
B
mxp
= C
nxp

Donde C
ij
= a
i1
b
1j
+ a
i2
b
2j
+ a
im
b
mj
=
=
n
1 k
kj ik
b a

Ejemplo: Si
(
=
(
(
(
=
3 2 1 -
0 4 2
B
1 - 4
1 0
2 1
A

3x3
2x3
3x2
3 - 14 9
3 2 1 -
6 0 4 -
3 2 1 -
0 4 2
1 - 4
1 0
2 1
B A
(
(
(
=
(
(
(
(
=

TAREA: Elabore un programa para sumar y multiplicar matrices.
i = 1,2,..n
j = 1,2,..p
i = 1,2,..n
j = 1,2,..p

3.2.5 Matrices especiales:
Matriz vector: Cuando una de las dimensiones de la matriz es 1.

Ejemplo: A = [1 2 -3 5]
1x4
Vector fila

B=
3x1
z
y
x
(
(
(
Vector columna

Matriz cuadrada: Cuando el nmero de filas es igual al nmero de columnas.

nxn ij
] [ D
7 - 5
3 1 -
y
2 - 4
7 3
x
=
(
=
(
=

Triangular superior: Cuando todos los elementos bajo la diagonal principal son nulos A =
[a
ij
]
nxn
, a
ij
= o
i>j

(
(
(
(
(
(
(
(
(
(
4 - 0 0 0
7 5 0 0
3 - 2 - 1 0
5 5 4 3

o........a .... .......... o
a ....... o o
......a a a o
a ...... a a a
nn
1n - n
2n 23 22
1n 13 12 11
. ..........

M
M M M

Triangular inferior: Todos los elementos por encima de la diagonal principal son nulos A =
[a
ij
]
nxn
, a
ij
= o
i<j

(
(
(
(
nm n1
22 21
11
a a

.....o o a a
.....o o o a
M M

Matriz diagonal: Todos los elementos por fuera de la diagonal son todos nulos.

A = [a
ij
]
nxn
a
ij
= o
ij


(
(
(
(
(
(
(
(
3 0 0 0 -
0 5 0 0
0 0 1 - 0
0 0 0 4

.....a o o
...... a o
o ..... o a
nn
22
11
M
M

Matriz identidad: Es la matriz diagonal donde los elementos de la diagonal son 1.

A = [a
ij
]
nxn
a
ij
= 1 si i=j
a
ij
= 0 si ij

(
(
(
(
(
(
=
..1 .......... 0
...0 1 0 0
...0 0 1 0
...0 0 0 1
I
M

Matriz transpuesta: Es aquella que resulta de intercambiar las filas por las columnas de
una matriz dada.

A = [a
ij
]
nxm
A
t
= [a
ji
]
mxn

4x2
t
2x4
7 3
6 2 -
4 0
5 - 1
A
7 6 4 5 -
3 2 - 0 1
A
(
(
(
(
=
(
=

3.3. SOLUCIN DE SISTEMAS DE ECUACIONES LINEALES

Un gran nmero de problemas prcticos de ingeniera se reduce a resolver un sistema de
ecuaciones.

Un sistema de m ecuaciones lineales con n incgnitas, tiene la forma:

a
11
x
1
+ a
12
x
2
+ .. + a
1n
x
n
= b
1

a
21
x
1
+ a
22
x
2
+ .. + a
2n
x
n
= b
2

M

a
m1
x
1
+ a
m2
x
2
+ . + a
mn
x
n
= b
m

Con notacin matricial se escribe as:


(
(
(
(
=
(
(
(
(
(
(
(
(
m
2
1
m
2
1
mn m2 m1
2n 22 21
1n 12 11
b
b
b

x
x
x

.....a a a
......a a a
a ..... a a
M M M

A X = B

Donde A es la matriz de coeficientes del sistema
X es el vector incgnita
B es el vector de trminos independientes.

3.3.1 Eliminacin Gaussiana: Es el mtodo ms utilizado y consiste en la eliminacin hacia
adelante y la sustitucin hacia atrs a partir de la matriz de coeficientes aumentada con el
vector de trminos independientes.

La eliminacin hacia adelante consiste en obtener una matriz triangular superior.

Ejemplo 1:

Resolver por eliminacin de Gauss el sistema:

4x
1
9x
2
+ 2x
3
= 5
2x
1
4x
2
+ 6x
3
= 3
x
1
x
2
+ 3x
3
= 4

La matriz aumentable ser:

(
(
(
4
3
5
3 1 1
6 4 2
2 9 4
La matriz de coeficientes la convierto en triangular superior:

i) Multiplico por
4
2
la 1 fila y se lo sumo a la 2 (Elemento

11
21
a
a
)

Multiplico por
4
1
la 1 fila y se lo sumo a la 3 (Elemento

11
31
a
a
)
(El nmero de incgnita debe ser
igual al nmero de ecuaciones)
(
(
(
=
(
(
(
(
(
(
4
3
5
x
x
x
3 1 1
6 4 2
2 9 4
3
2
1
(El nmero de incgnita debe ser
igual al nmero de ecuaciones)
(
(
(
=
(
(
(
(
(
(
4
3
5
x
x
x
3 1 1
6 4 2
2 9 4
3
2
1

(
(
(
(
2.75
0.5
5
2.5 1.25 0
5 0.5 0
2 9 4

a
kj
= a
kj
-
ij
ii
ki
a
a
a

ii) Multiplica la 2 fila por 2.5 y se la sumo a la 3.

(
(
(
(
1.5
0.5
5
10 - 0 0
5 0.5 0
2 9 4
Hasta aqu el proceso de eliminacin hacia delante.

Ahora veamos la sustitucin hacia atrs:

El anterior sistema matricial se puede representar as:

4x
1
9x
2
+ 2x
3
= 5 (1)
0.5x
2
+ 5x
3
=
1
/
2
(2)
-10x
3
=
3
/
2
(3)

Ecuacin 3: x
3
=
10
1.5
= 0.15 x
3
= 0.15

Ecuacin 2: sustituyo x
3
:
0.5x
2
+ 5 (0.15) = 0.5
0.5x
2
= 0.5 + 0.75 = 1.25
x
2
=
0.5
1.25
x
2
= 2.5

Ecuacin 1: se sustituye x2 y x3:
4x
1
9 (2.5) + 2 (0.15) = 5
4x
1
= 5 + 22.5 + 0.30 = 27.8
x
1
=
4
27.8
x
1
= 6.95

Solucin: [ 6.95 2.5 -0.15 ]

NOTA: El determinante de la matriz lo podemos establecer fcilmente en la matriz
triangular multiplicando los elementos de la diagonal.

Det. A = 4x 0.5x (10) = 20

Si el det A = 0 no es posible establecer la solucin nica.

3.3.2 Efecto de las cifras de redondeo en la eliminacin Gaussiana:

Resolver por Gauss:

3x
1
0.1x
2
0.2x
3
= 7.85
0.1x
1
+ 7x
2
0.3x
3
= 19.3
0.3x
1
0.2x
2
+ 10x
3
= 71.4

(
(
(
(
71.4
19.3 -
7.85
10 0.2 - 0.3
0.3 - 7 0.1
0.2 - 0.1 3

(
(
(
(
70.615
19.56170 -
7.85
10.02 0.19 - 0
0.293333 - 7.00333 0
0.2 - 0.1 3

(
(
(
(
70.0843
19.56170 -
7.85
10.0120 0 0
0.293333 - 7.00333 0
0.2 - 0.1 3

x
3
=
10.0120
70.0843
x
3
= 7.00003

x
2
=
7.00333
7.00003) 0.2933333( 19.56170 +
x
2
= - 2.50000

x
1
=
3
(7.00003) 0.2 (-2.50000) 0.1 7.85 + +
x
1
= 3.00000

Evaluamos en cada ecuacin y calculamos el error relativo:

(1) da 7.84999 E
R
=
7.85
7.84999 7.85
=0.0001%

(2) da 19.3000 E
R
= 0%
(3) da 71.4003 E
R
=
71.4
71.4003 71.4
= 0.0004%
Cifras significativas = nmero de cifras
a partir de la 1 cifra no nula.
a) Usando 6 cifras significativas:

3
0.1 -
= - 0.0333333
3
0.3 -
= -0.1
1 fila * ( - 0.0333333) + 2 fila
1 fila * (-0.1) + 3 fila

7.003333
0.19
=0.0271300
2 fila * 0.0271300 + 3 fila

7.003333
0.19
=0.0271300
2 fila * 0.0271300 + 3 fila

b) Usando 3 cifras significativas:

3x
1
0.1x
2
0.2x
3
= 7.85
0.1x
1
+ 7x
2
0.3x
3
= 19.3
0.3x
1
0.2x
2
+ 10x
3
= 71.4

(
(
(
(
71.4
19.3 -
7.85
10 0.2 - 0.3
0.3 - 7 0.1
0.2 - 0.1 3

(
(
(
(
70.6
19.6 -
7.85
10.0 0.210 - 0
0.293 - 7.00 0
0.2 - 0.1 3

(
(
(
(
70.1
19.6 -
7.85
9.99 0 0
0.293 - 7.00 0
0.2 - 0.1 3

9.99
70.1
3
= x x
3
= 7.02

x
2
=
7
) 0.293(7.02 19.6 +
x
2
= -2.51

x
1
=
3
(-2.51) 0.1 (7.02) 0.2 7.85 + +
x
1
= 3

Evaluamos en cada ecuacin:

(1) da 7.84 E
R
=
7.85
7.85 7.84
=0.1%

(2) da 19.4 E
R
=
19.3
19.3 19.4 - +
= 0.5%

(3) da 71.6 E
R
=
71.4
71.4 71.6
= 0.3%

Luego el error de redondeo influye notoriamente en los resultados finales, pues un error en
los primeros pasos tiende a propagarse.
3
0.1 -
=- 0.033
3
0.3 -
=- 0.100
1 fila * ( - 0.033) + 2 fila
1 fila * ( - 0.100) + 3 fila

7.0
0.210
=0.03
2 fila * (0.03) + 3 fila
= - 0.033

7.0
0.210
=0.03
2 fila * (0.03) + 3 fila

3.4 MTODO DE GAUSS-JORDAN

Es una variacin de la eliminacin Gaussiana y consiste en convertir la matriz de
coeficiente en una matriz identidad en vez de una matriz triangular por consiguiente no es
necesario emplear la sustitucin hacia atrs para obtener la solucin.

Cada nmero de la diagonal debe convertirse en 1 y el resto de elementos de la columna
deben ser ceros

(
(
(
(
3
2
1
33 32 31
23 22 21
13 12 11
C
C
C
a a a
a a a
a a a

(
(
(
(
*
*
*
3
2
1
C
C
C
1 0 0
0 1 0
0 0 1

* C
* C
* C
x
x
x
3
2
1
3
2
1
=
=
=

Ejemplo resolver por Gauss-Jordan:

4x
1
9x
2
+ 2x
3
= 5
2x
1
4x
2
+ 6x
3
= 3
x
1
x
2
+ 3x
3
= 4

Se pueden intercambiar filas de modo que la de mximo valor absoluto quede de 1 (aqu
no es necesario) se convierte al a
11
en 1 y se hace operacin filas para convertir a21 y a31
en 0. Luego en la fila a
22
se convierte en 1 .. hasta obtener:

(
(
(
(
0.15 -
2.5
6.95
1 0 0
0 1 0
0 0 1

0.15 x
2.5 x
6.95 x
3
2
1
=
=
=

TAREA: Consultar cmo se establece la inversa de una matriz.

(
(
(
(
4
3
5
3 1 - 1
6 4 - 2
2 9 - 4
(
(
(
(
4
3
5
3 1 - 1
6 4 - 2
2 9 - 4

3.5 PROBLEMAS SIN SOLUCIN NICA

No siempre es posible resolver un conjunto de ecuaciones lineales en forma numrica:

Por ejemplo:

1) -x + y = 1
-2x + 2y = 2

2) -x + y = 1
-x + y = 0

3) -x + y = 1
x + 2y = -2
2x y = 0

Slo se encuentra la solucin en pares de ecuaciones.

- Son rectas infinitas
- El nmero de
soluciones es infinito
1

-1
Las rectas son
linealmente
dependientes
Son paralelas
No existen solucin

-2 -1

-1
No hay solucin nica para
las 3 ecuaciones y esto es
debido a que hay ms
ecuaciones que incgnitas.

1

-1

- Son rectas infinitas
- El nmero de
soluciones es infinito
Son paralelas
No existen solucin

-2 -1

-1
No hay solucin nica para
las 3 ecuaciones y esto es
debido a que hay ms
ecuaciones que incgnitas.


3.6. METODOS ITERATIVOS

Al resolver un sistema de ecuaciones lineales por eliminacin, la memoria de maquina
requerida es proporcionar al cuadrado del det A, y el trabajo computacional es
proporcional al cubo del orden de la matriz coeficiente A.
Debido a esto, la solucin de sistemas lineales grandes (n 50), se vuelve costoso y
difcil en una computadora con los mtodos de eliminacin, ya que se requiere ampliar
memoria; adems, como l numero de operaciones que debe ejecutar es muy grande, se
pueden producir errores de redondeo tambin muy grandes. Sin embargo, se han resuelto
sistemas de orden 1000, y aun mayor, con los mtodos que se estudiaran en esta seccin.

Estos sistemas de un numero muy grande de ecuaciones se presentan en la solucin
numrica de ecuaciones difereciales parciales, en la solucin de los modelos resultantes
en la simulacin de columnas de destilacin, etc. A favor de estos sistemas, puede decirse
que tienen matrices con pocos elementos distintos de cero y que estas poseen ciertas
propiedades (simtricas, bandeadas, diagonal dominantes, etc.), que permiten garantizar
el xito en la aplicacin de los mtodos de esta seccin.

3.6.1. METODOS DE JACOBI Y GAUSS-SEIDEL

Los mtodos iterativos ms sencillos y conocidos son una generacin del mtodo de punto
fijo, estudiado en l modulo 2. Se puede aplicar la misma tcnica a fin de elaborar
mtodos para la solucin de A x = b, de la manera siguiente.

Se parte de A=b para obtener la ecuacin A x - b = 0, (1 )

Ecuacin vectorial corresponde a f (x) = 0. Se busca ahora una matriz B y un vector c, de
manera que la ecuacin vectorial x = B + c, (2 )

sea solo un arreglo de la ecuacin (1); es decir, de manera que la solucin de una sea
tambin la solucin de la otra. La ecuacin (2) correspondera a x=g(x). A continuacin se
propone un vector inicial x
(0)
como primera aproximacin al vector solucin x. Luego, se
calcula con la ecuacin (3) la sucesin vectorial x
(1)
, x
(2)
,... de la siguiente manera

X
(x+1)
= B x
(k)
+ c, k = 0, 1, 2, ... (3)
donde
X
(k)
= X
1
k
X
2
k
...X
n

k

T

Para que la sucesin X
(0)
, X
(1)
, ..., X
(n)
,..., converja al vector solucin X es necesario que
eventualmente X
j
m
, 1 j n (los componentes del vector X
(m)
, se aproximen tanto
ax
J
,1 j n (los componentes correspondientes a x) que todas las diferencias
x
j
m
- x
j
, 1 j n sean menores que un valor pequeo previamente fijado, y que se
conserven menores para todos los vectores siguientes de la iteracin; es decir,
Lim x
j
m
=
x
j
1 j n
m

La forma como se llega a la ecuacin (2) define el algoritmo y su convergencia. Dado el
sistema A x = b, la manera ms sencilla es despejar x
1
de la primera ecuacin, x
2
de la
segunda, etc. Para ello, es necesario que todos los elementos de la diagonal principal de
A, por razones obvias, sean distintos de cero. Para ver esto en detalle considrese el
sistema general de tres ecuaciones (naturalmente puede extenderse a cualquier numero
de ecuaciones).

Sea entonces,
a
11
x
1
+ a
12
x
2
+ a
13
x
3
= b
1

a
21
x
1
+ a
22
x
2
+ a
23
x
3
= b
2

a
31
x
1
+ a
32
x
2
+ a
33
x
3
= b
3

con a
11
, a
22
y a
33
distintos de cero.
Se despeja x
1
2
de la segunda y x
3
de la tercera con lo que se
obtiene.

a
12
a
13
b
1

X
1
= - x
2
- x
3
+
a
11
a
11
a
11

a
21
a
23
b
2

X
2
= - x
1
- x
3
+
a
22
a
11
a
22

a
31
a
32
b
3

X
3
= - x
1
- x
2
+
a
33
a
33
a
33

que en notacin matricial queda

a
12
a
13
b
1

X
1
0 - - X
1

a
11
a
11
a
11

a
21
a
23
b
2

X
2
= - - 0 - X
2
+
a
22
a
22
a
22

a
31
a
32
b
3

X
3
- - 0 X
3

a
33
a
33
a
33

X = BX + C


a
12
a
13
b
1

0 - -
a
11
a
11
a
11

a
21
a
23
b
2

B = - 0 - C =
a
22
a
22
a
22

a
31
a
32
b
3

- - 0
a
33
a
33
a
33

Una vez que se tiene la forma en notacin matricial, se propone un vector inicial x
(0)
que
puede ser x
(0)
= 0, o algn otro que sea aproximado al vector solucin x.

Para iterar existe dos variantes.

3.6.1.1. Iteracin de Jacobi (mtodo de desplazamiento simultneos)

X
k
1

Si X
k)
= X
k
2

X
k
3

es el vector aproximacin a la solucin x despus de k iteraciones, entonces se tiene para
la siguiente aproximacin.

1
X
1
k+1
(b
1
a
12
x
k
2
a
13
X
k
3
)
a
11

1
X
(k+1)
= X
2
k+1
= (b
2
a
21
x
k
1
a
13
X
k
3
)
a
22

1
X
3
k+1
(b
3
a
31
x
k
3
a
13
X
k
3
)
a
33

O bien, para un sistema de n ecuaciones con n incgnitas y usando notacin ms
compacta y de mayor utilidad en programacin, se tiene

1
X
i
k+1
= - - b
i
+ a
ij
x
j
k
para 1 i n
a
ii j = 1

j i

3.6.1.2. Iteracin de Gauss-Seidel (mtodo de desplazamientos sucesivos)

En este mtodo los valores que se van calculando en la (k + 1)-sima iteracin se
emplean para calcular los valores faltantes de esa misma iteracin; es decir, con x
(k)
se
calcula x
(k+1)
de acuerdo con:

x
1
k+1
a
11
(b
1
a
12
x
2
a
13
x
3
)

1
X
(k+1)
= x
2
k+1
= (b
2
a
21
x
1
k+1
a
23
x
k
3
)
a
22

1
x
3
k+1
(b
3
a
31
x
1
k+1
a
32
x
2
k+1
)
a
33

O bien, para un sistema de n ecuaciones

1
i -1 n

x
i
k+1
= - - b
i
+ a
ij
x
j
k+1
+ a
ij
x
j
k
, para 1 i n
a
ii j = 1 j = i +1

Sugerencia: para los siguientes ejemplos, el empleo de una calculadora programable,
atenuara considerablemente el trabajo de los clculos.

3.6.1.3. Ejemplo :

Resuelva el siguiente sistema por los mtodos de Jacobi y Gauss-Seidel.
Con
= 0,5%
4x
1
- x
2
= 1
- x
1
+ 4x
2
- x
3
= 1
- x
2
+ 4x
3
- x
4
= 1
- x
3
+ 4x
4
= 1

Solucin:
Despejando x
1
2
de la segunda, etc., se obtiene:

x
1
= x
2
/4 +
x
2
= x
1
/4 + x
3
/4 +
x
3
= x
2
/4 + x
4
/4 +
x
4
= + x
3
/4 +


Vector Inicial:
Cuando no se tiene una aproximacin al vector solucin, se emplea generalmente como
vector inicial el vector cero, esto es X
(0)
= [ 0 0 0 0 ]
T

a) Por Mtodo de Jacobi

El clculo de x
(1)
en el mtodo de Jacobi se obtiene remplazando x
(0)
en cada una de las
ecuaciones despejado anteriormente.

x
1
= 0/4 +
x
2
= 0/4 + 0/4 +
x
3
= 0/4 + 0/4 +
x
4
= + 0/4 +

y entonces x
(1)
= ( )
T

Para calcular x
(2
) se sustituye x
(1)
en cada una de las ecuaciones despejadas. Para
simplificar la notacin se han omitido los superndices.

x
1
= 1/16 + = 0.3125
x
2
= 1/16 + 1/16 + = 0.3750
x
3
= 1/16 + 1/16 + = 0.3750
x
4
= + 1/16 + = 0.3125

A continuacin se presenta los resultados de subsecuentes iteraciones, en forma tabular.

K x
1
k
x
2
k
x
3
k
x
4

0 0.0000 0.0000 0.0000 0.0000
1 0.2500 0.2500 0.2500 0.2500
2 0.3125 0.3750 0.3750 0.3125
3 0.3438 0.4219 0.4219 0.3438
4 0.3555 0.4414 0.4414 0.3555
5 0.3604 0.4492 0.4492 0.3604
6 0.3623 0.4524 0.4524 0.3623

Tabla 3.1. Solucin del ejemplo 1 por mtodo de Jacobi

Solucin: X = 0.3626 0.4524 0.4524 0.3623

b) Por Mtodo de Gauss-Seidel.

Para el clculo del primer elemento del vector x
(1)
, se sustituye x
(0)
en la primera ecuacin
despejada; para simplificar la notacin se ha omitido los superndices.

x
1
= 0/4 + =


Para el clculo de x
2
de x
(1)
, se emplea el valor de x
1
ya obtenido (1/4) y los valores de x
2
,
x
3
y x
4
de x
(0)
. As:
1
x
2
= + 0/4 + = 0.3125
4 (4)

Con los valores de x
1
y x
2
ya obtenidos y con x
3
y x
4
de x
(0)
se evala x
3
de x
(1)

X
3
= 0.3125/4 + 0/4 + = 0.3281

Finalmente, con los valores de x
1
, x
2
y x
3
calculados previamente y con x
4
de x
(0)
, se
obtiene la ltima componente de x
(1)

x
4
= 0.3281/4 + = 0.3320

Entonces x
(1)
= [ 0.25 0.3125 0.3281 0.3320 ]
T

Para la segunda iteracin (clculo de x
(2)
) se procede de igual manera.

x
1
= 0.3125/4 + = 0.3281
x
2
= 0.3281/4 + 0.3281/4 + = 0.4141
x
3
= 0.4141/4 + 0.3320/4 + = 0.4365
x
4
= 0.4365/4 + = 0.3591
T
Con lo que x
(2)
= [ 0.3281 0.4141 0.4365 0.3591 ]

En la tabla 3.2. se presentan los resultados de las iteraciones subsecuentes.

K x
1
k
x
2
k
x
3
k
x
4
K

0 0.0000 0.0000 0.0000 0.0000
1 0.2500 0.3125 0.3281 0.3320
2 0.3281 0.4141 0.4365 0.3591
3 0.3335 0.4475 0.4517 0.3629
4 0.3619 0.4534 0.4541 0.3635
5 0.3633 0.4544 0.4545 0.3636

Tabla 3.2. Solucin del ejemplo 1 por el mtodo de Gauss-Seidel.

Solucin: X = [ 0.3633 0.4544 0.4545 0.3636 ]

Si se tomar el criterio con
= 10
2
y el mtodo de Jacobi, se satisface en la sexta
iteracin de la tabla 3.1.; en cambio si
= 10
3
, se necesitan de 10 iteraciones.

Si se toma
=10
-2
, el mtodo de Gauss-Seidel , se requeriran slo cinco iteraciones,
mientras que con
= 10
3
se requieren 6 iteraciones.


Aunque hay ejemplos en los que Jacobi converge y Gauss-Seidel diverge y viceversa, en
general puede esperarse convergencia ms rpida por Gauss-Seidel, o una manifestacin
ms rpida de divergencia. Esto se debe al hecho de ir usando los valores ms recientes
de x
(k+1)
que permitirn acercarse o alejarse ms rpidamente de la solucin.

3.6.1.4. Reordenaciones de Ecuaciones.

Para motivar el rearreglo de ecuaciones, se propone resolver el siguiente sistema con el
mtodo de Gauss-Seidel y con
= 0.1% aplicado a x
(k+1)
- x
(k)
donde:

x
(k+1)
x
(k)
= (x
i

k+1
x
i
k
)
2
<

- x
1
+ 3x
2
+ 5x
3
+ 2x
4
= 10
x
1
+ 9x
2
+ 8x
3
+ 4x
4
= 15
x
2
+ x
4
= 2
2x
1
+ x
2
+ x
3
- x
4
= -3

Al resolver para x
1
de la primera ecuacin, para x
2
de la segunda, x
3
de la cuarta y x
4
de la
tercera se obtiene.

x
1
= 3x
2
+ 5x
3
+ 2 x
4
- 10
x
2
= - x
1
/9 - (8/9)x
3
- (4/9)x
4
+ 15/9
x
3
= -2x
1
- x
2
+ x
4
- 3
x
4
= - x
2
+ 2

Con el vector cero como vector inicial, se tiene la siguiente sucesin de vectores. Ntese
que el proceso diverge.

k X
1
k
x
2
k
x
3
k
x
4
K)
x
4
(k+1)
x
(k)

0 0.000 0.000 0.000 0.000
1 -10.000 2.7778 14.222 -0.7778 17.62
2 67.8889 -18.172 -121.2 20.17 159.0
3 -631.1 170.7 1108.0 -168.71 1439.05

Pero si reordenamos el sistema de ecuaciones tal que a
ii
sea el mayor valor absoluto en la
fila, entonces converge. Para ello, se toma la fila que tenga el pivote de mayor valor
absoluto con relacin a los dems coeficientes de la respectiva fila. (DIAGONAL
DOMINANTE: a
ii

a
iJ

El ejemplo anterior el reordenar las ecuaciones queda as:
2x
1
+ x
2
+ x
3
- x
4
= - 3
x
1
+ 9x
2
+ 8x
3
+ 4x
4
= 15
- x
1
+ 3x
2
+ 5x
3
+ 2x
4
= 10
x
2
+ x
4
= 2

y la solucin se presenta en el siguiente esquema:

k X
1
K
X
2
K
X
3
K
X
4
K
| k
k+1
X
k
|

0 0.0000 0.0000 0.0000 0.0000 0.0000

1 -1.5000 1.9412 0.7073 2.0000 3.2432

2 -1.8242 0.2582 1.0000 2.0000 1.7387

3 -1.1291 -0.0000 1.0000 2.0000 0.7415

4 -1.0000 -0.0000 1.0000 2.0000 0.1291

5 -1.0000 -0.0000 1.0000 2.0000 0.0000

La solucin es X= [ -1 0 1 2]

En la aplicacin de estas dos variantes son vlida las preguntas siguientes:
1. La sucesin de vectores x
(1)
, x
(2)
, x
(3)
,..., converge o se aleja del vector solucin
x= [ x
1
x
2
...x
n
]

T
?
2. Cundo se detendr el proceso iterativo?
Las respuestas correspondientes, conocidas como criterio de convergencia, se dan a
continuacin.

1. Si la sucesin converge a x, cabe esperar que los elementos de x
(k)
se vayan
acercando a los elementos correspondientes de x, es decir, x
1
k
, a x
1
, x
2
k
a x
2
, etc., o
que se alejen en caso contrario.

a). Los valores absolutos x
1

k+1
- x
1
k
, x
2

k+1
- x
2
k
, etc., sean todos menores de un
nmero pequeo
cuyo valor ser dado por el programador.

b). Si el nmero de iteraciones ha excedido un mximo predeterminado MAXIT.

Si, por el contrario, esta sucesin de nmeros diverge, entonces puede pensarse que el
proceso diverge. Con esto, un criterio ms es

c)Detener el proceso una vez que x
(k+1)
x
(k)
=V (x
i

k+1
x
i
k
)
2
<

Al elaborar un programa de cmputo para resolver sistemas de ecuaciones lineales,
generalmente se utilizan los criterios (a), (b) y (c) o la combinacin de (a) y (b), o la (b) y
(c).

3.6.1.4 .Problema de aplicacin: Un granjero desea preparar una frmula alimenticia
para engordar ganado. Dispone de maz, desperdicios, pasto y cebada; cada uno con
ciertas unidades de ingredientes nutritivos de acuerdo a la siguiente tabla:

Unidades de ingredientes nutritivos por Kg. de cada alimento
alimento
Ingr. nutritivo
MAIZ DESPERDICI
O
PASTO CEBADA Requerimiento
Diario(unid /
kg)
Carbohidrato
s
80 15 32 60 230
Protenas 28 72 57 25 180
Vitaminas 20 12 20 20 80
Celulosa 50 10 20 60 160
COSTO $ 18 5 7 20

a)Determine los Kg. necesarios de cada alimento para satisfacer el requerimiento diario.

b)Determine el costo de la mezcla.


ALGORITMO
Multiplicacin de matrices

Para multiplicar las matrices A y B, proporcionar :

DATOS: Nmero de filas y columnas de A y B; N, M, N1, M1,
respectivamente y sus elementos.

RESULTADOS: La matriz producto C de dimensiones N x M1 o el mensaje "LAS
MATRICES A y B NO PUEDEN MULTIPLICARSE".

PASO 1. Si M = N1 continuar, de otro modo IMPRIMIR "LAS MATRICES A y B NO
SE PUEDEN MULTIPLICAR" y TERMINAR.
PASO 2. Hacer I = 1
PASO 3. Mientras N, repetir los pasos 4 a 12.

PASO 4. Hacer J = 1
PASO 5. Mientras J M1, repetir los pasos 6 a 11.
PASO 6. Hacer C (I, J) = 0
PASO 7. Hacer K = 1

PASO 8. Mientras K M, repetir los pasos 9 y 10.
PASO 9. Hacer
C (I, J) = C (I, J) +
A(I, K) * B(K, J)
PASO 10. Hacer K = K + 1
PASO 11. Hacer J = J + 1

PASO 12. Hacer I = I + 1

PASO 13. IMPRIMIR las matrices A, B y C y TERMINAR.


ALGORITMO Eliminacin de Gauss

Para obtener la solucin de un sistema de ecuaciones lineales A x = b y el determinante
de A, proporcionar

DATOS: N nmero de ecuaciones, A matriz coeficiente y b vector de
trminos independientes.
RESULTADOS: El vector solucin x y el determinante de A o mensaje de falla
"HAY UN CERO EN LA DIAGONAL PRINCIPAL".
PASO 1. Hacer DET = 1
PASO 2. Hacer I = 1
PASO 3. Mientras I N - 1, repetir los pasos 4 a 14.
PASO 4. Hacer DET = DET * A (I,I)
PASO 5. Si DET = 0 IMPRIMIR mensaje "HAY UN CERO EN LA
DIAGONAL PRINCIPAL" y TERMINAR. De otro modo
continuar.
PASO 6. Hacer K = I + 1
PASO 7. Mientras K N, repetir los pasos 8 a 13.
PASO 8. Hacer J = I + 1
PASO 9. Mientras J N, repetir los pasos 10 y 11.
PASO 10. Hacer A(K, J) = A (K, J)
-A(K, I)* A (I, J)/ (I, I)
PASO 12. Hacer b (K) =
b (K) - A(K, I) * b ( I ) / A (I, I)
PASO 13. Hacer K = K + 1
PASO 15. Hacer DET = DET * A (N, N)
PASO 16. Si DET = 0 IMPRIMIR mensaje "HAY UN CERO EN LA DIAGONAL
PRINCIPAL" y TERMINAR.
De otro modo continuar.
PASO 17. Hacer x (N) = b (N) / A (N, N)
PASO 18. Hacer I = N - 1
PASO 19. Mientras I 1, repetir los pasos 20 a 26.
PASO 20. Hacer x ( I ) = b ( I )
PASO 21. Hacer J = I + 1
PASO 22. Mientras J N, repetir los pasos 23 y 24.
PASO 23. Hacer
X ( I ) = x ( I ) - A ( I, J) * x ( J )
PASO 25. Hacer x ( I ) = x ( I ) / A (I, I)
PASO 26. Hacer I = I - 1
PASO 27. IMPRIMIR x y DET y TERMINAR.

ACTIVIDADES N 3.

1.Elabore un programa de computacin para sumar y multiplicar matrices y aplquelo
considerando las siguientes matrices:

1 2 -1 3 0 1 0 0 1 4 2 -1.2
A= 0 4 -2 1 B= 1 2 -1 C= -1 -2 3 1 X= 3.7
3 -1 1 1 1 -1 3 0 1 2 -1 -2.0
2 -2 1

Efectuar: a) A+C b)C-A c)A-2C d)A.B e)B.A f)A.C g)B.X h)C.X

2.Calcule la inversa de c/u de las siguientes matrices y utilizando su programa de
multiplicar matrices, compruebe que el producto de la matriz por su inversa da como
resultado la matriz identidad:
1 -1 0 0 1 4 5 0 5 1
A= -1 2 -1 0 B= 2 1 2 C= -1 6 3
0 -1 2 -1 8 1 1 3 -9 5
0 0 -1 2

3.Resuelva por Eliminacin Gaussiana:

a) 2x
1
+

x
2

3x
3
= -1 b) 0.1x
1
0.6x
2
+ x
3
= 0
-x
1
+3x
2
+2x
3
=12 -2x
1
+ 8x
2
+0.3x
3
=1
3x
1
+ x
2
3x
3
= 0 x
1
+ 6x
2
+ 4x
3
=2

3x
2
13x
3
= -50 2x
2
+ x
4
= 0
b) 2x
1
6x
2
+x
3
=44 d) 2x
1
+ 2x
2
+3x
3
+2x
4
= -2
4x
1
- 8x
3
= 4 4x
1
- 3x
2
+ x
4
= -7
6x
1
+ x
2
6x
3
5x
4
= 6

4.Muestre que el siguiente sistema de ecuaciones no tiene solucin nica:

3x
1
+ 2x
2
x
3
4x
4
= 10
x
1
- x
2
+ 3x
3
x
4
= -4
2x
1
+ x
2
3x
3
= 16
- x
2
+ 8x
3
5x
4
= 3

5.Utilice el programa que desarroll para el mtodo de Eliminacin Gaussiana y resuelva:

a)el ejercicio 3d. b)el ejercicio 4.

0.5x
1
+0.25x
2
= 0.32 4x
1
+ x
2
= -1
c) 0.3x
1
+0.8x
2
+0.43x
3
= 0.77 d) -8x
1
x
2
+ x
3
= 13
0.2x
2
+ x
3
+0.6x
4
= -0.6 3x
2
2x
3
+4x
4
= -3
x
3
- 3x
4
= -2 x
3
- x
4
+ x
5
= 2.1
2x
4
+ 6x
5
= 3.4

6. Utilice cualquiera de mtodos iterativos (Jacobi o Gauss-Seidel) y con
=0.5%
resuelva:

a) 5x
1
x
2
= 9 b) 4x
1
+ x
2
x
3
= -8 c) 2x
1
+ x
2
8x
3
= -15
- x
1
+5x
2
x
3
= 4 2x
1
+5x
2
= 5 6x
1
- 3x
2
+ x
3
= 11
-x
2
+5x
3
=- 6 3x
1
+8x
2
+9x
3
=0 x
1
7x
2
+ x
3
= 10

d) x
1
3x
2
+12x
3
= -86
4x
1
2x
2
x
3
= 39
x
1
-6x
2
+2x
3
= -28

7. Desarrolle el algoritmo y un programa de computacin para el mtodo de Guss-Seidel
y aplquelo para resolver con
=0.1% los siguientes sistemas:

a) 5.8x
1
+ 3.2x
2
+11.24x
3
=20.24 b) 4x
1
+ 5x
2
+ 2x
3
x
4
=3
4.3x
1
+ 3.4x
2
+9.625x
3
=17.325 5x
1
+ 8x
2
+ 7x
3
+6x
4
=2
2.5x
1
+ 5.2x
2
+9.625x
3
=17.325 3x
1
+ 7x
2
4x
3
2x
4
=0
- x
1
+ 6x
2
- 2x
3
+ 5x
4
=1

b) 2.156x
1
+ 4.102x
2
2.3217x
3
+ 6x
4
=18
-4.102x
1
+ 6 x
2
+1.2x
4
=6.5931
- x1 - 5.7012x
2
+ 1.222x
3
=3.4
6.532x
1
+ 7x
2
-4x
4
=0

8. Un ingeniero industrial supervisa la produccin de cuatro tipos de computadoras. Se
requieren 4 clases de recursos en la produccin (horas/hombre, metales, plsticos y
componentes electrnicos). En el cuadro se resumen las cantidades necesarias para cada
uno de estos recursos en la produccin de cada tipo de computadora.

Si se dispone diariamente de 504 horas/hombre, 1970 kg. de metal, 970 kg de plstico y
601 componentes electrnicos, cuntas computadoras de cada tipo se pueden construr
por da?.

Cuadro: Recursos necesarios para producir cuatro tipos de computadoras

Compudora horas/hombre metales plsticos componentes
kg/computad. kg/computad. kg/computad. kg/computad.
1 3 20 10 10
2 4 25 15 8
3 7 40 20 10
4 20 50 22 15
Respuesta: [10 12 18 15]

Si las ganancias correspondientes a cada tipo de computadora en dlares es:

500, 370, 650 y 420 respectivamente, Cul sera la ganancia total en esta produccin?.

9. Un ingeniero supervisa la produccin de tres tipos de automviles. Se requieren tres
clases de materiales para la produccin: metal, plstico y caucho. La cantidad necesaria
para producir cada automvil es:

Automvil Metal Plstico Caucho
Kg/auto Kg/auto Kg/auto
1 1500 25 100
2 1700 33 120
3 1900 42 160

Si se dispone diariamente de un total de 106 toneladas de metal, 2.17 toneladas de
plstico y 8.2 toneladas de caucho. Cuntos automviles se pueden producir diario?.

10. Un ingeniero requiere 4800 m
3
de arena, 5810 m
3
de grava fina y 5690 m
3
de grava
gruesa para la construccin de un proyecto. Existen tres bancos de materiales donde se
pueden obtener estos implementos. La composicin de cada banco es:

Banco arena grava fina grava gruesa
% % %
1 52 30 18
2 20 50 30
3 25 20 55

Cuntos metros cbicos se debe tomar de cada banco para cumplir con las
necesidades del ingeniero?.

4. AJUSTE DE CURVAS
(Aproximacin polinomial e interpolacin)

4.1 INTRODUCCIN

Los datos que se obtienen mediante mediciones fluctan, esto se debe a errores
aleatorios del sistema de medicin aplicada al comportamiento del sistema en
observacin. Cualquiera que sea la razn, es frecuente que surja la necesidad de
ajustar una funcin a los datos de una medicin, por ejemplo, un economista deseara
ajustar una curva a una tendencia econmica para poder predecir el futuro.

La interpolacin es de gran importancia en el campo de la ingeniera ya que al
consultar fuentes de informacin presentadas en forma tabular, es frecuente no
encontrar el valor buscado como un punto en la tabla.

Una funcin de interpolacin es aquella que pasa a travs de puntos dados como datos
los cuales se muestran comnmente por medio de una tabla de valores o se toman
directamente de una funcin dada. La interpolacin de los datos puede hacerse
mediante un polinomio la cual consiste en ajustar a un polinomio los puntos dados.

4.2 REGRESIN LINEAL

Consiste en ajustar a una lnea recta un conjunto de parejas de datos observados: (X
1
,
Y
1
), (X
2
, Y
2
),, (Xn, Yn) y para ello utilizaremos el mtodo de mnimos cuadrados.

La expresin matemtica de la funcin lineal es g(x)=a
0
+ a
1
x donde a
0
y a
1
son
constantes a determinar.

La desviacin de la recta con respecto a cada dato se define como:
d
i
= y
i
g(x
i
) y como g(x
i
) = a
0
+ a
1
x
i

entonces d
i
= y
i
a
0
a
1
x
i
donde i = 1,2,n siendo n nmero de datos

El cuadrado total de las desviaciones para obtener un buen ajuste est dado por:

n n
D = (d
i
)
2
= (y
i
a
0
a
1
x
i
)
2
cuando este valor es mnimo.
i=1 i=1

Para determinar los valores de las constantes a
0
y a
1
y hacer mnimo a D, se deriva la
ecuacin anterior con relacin a cada uno de los coeficientes (derivados parciales) y se
igualan a cero.


y
i
- a
0
- a
1
x
i
= 0
donde =
y
i
x
i
- a
0
x
i
- a
1
x
i
2
= 0

n
Considerando que a
0
=na
0
, entonces las anteriores ecuaciones se pueden expresar
i=1
como un conjunto de 2 ecuaciones lineales con 2 incgnitas:

na
0
+ a
1
x
i
= y
i

a
0
x
i
+ a
1
x
i
2
= x
i
y
i

al expresar estas 2 ecuaciones en forma matricial, tenemos:

n x
i
a
0
y
i

x
i
x
i
2
a
1
x
i
y
i

Que se resuelven por los mtodos conocidos (eliminacin gaussiana o gauss-seidel)

Ejemplo 1. Para el siguiente conjunto de datos observados, determine la lnea de
ajuste.

X 0.1 0.4 0.5 0.7 0.7 0.9
y 0.61 0.92 0.99 1.52 1.47 2.03

Solucin: Organicemos as:

x
i
0.1
0.4
0.5
0.7
0.7
0.9
y
i
0.61
0.92
0.99
1.52
1.47
2.03
X
i
2
0.01
0.16
0.25
0.49
0.49
0.81
x
i
y
i
0.061
0.368
0.495
1.064
1.029
1.827
3.3

7.54 2.21 4.844

6 3.3 a
0
7.54
3.3 2.21 a
1
4.844
i

n = 6
(Parejas (x,y))

n
i=1
n
i=1
D
a
2 (y a a x ) 0
D
a
2 x (y a a x ) 0
0
i 0 1 i
1
i i 0 1 i
= =
= =
n
i=1
=
=
Resolviendo por eliminacin Gausiana,
Se tiene:
(Ecuaciones normales)

Luego la ecuacin lineal de ajuste ser:

g(x) = a
0
+ a
1
x g(x) = 0.2861603 + 1.764557x

D=
2 2
) ) ( (
i i
y x g di =

S=(y
i
- y )
2

Otra forma de hallar los valores de a
0
y a
1
sin resolver la ecuacin es:

.2.1Cuantificacin de error en regresin lineal: Se establece mediante el coeficiente de
determinacin r
2
que indica el grado de correlacin entre las variables, dependiendo del
valor en que se ubique r
2
, as:
(0 a 0.60) el ajuste es malo
(0.60 a 0.80) el ajuste es moderado
(0.80 a 0.90) el ajuste es bueno
(0.90 a 0.99) el ajuste es excelente
Si r
2
= 1 el ajuste es perfecto

Por lo tanto el ajuste lineal realizado con g(x) = 0.2861603 + 1.764557x es excelente.
x
g(x)
g(x)

2.0

1.5

1.0

0.5

0
0.5 1.0
.
.
.
.
.
.
.
i x
i
y
i
g(x
i
) d
i
2
(y
i
- y )
2
1
2
3
4
5
6
0.1
0.4
0.5
0.7
0.7
0.9
0.61
0.92
0.99
1.52
1.47
2.03
0.4626
0.9917
1.1684
1.5214
1.5214
1.8743
0.02172
0.00511
0.03183
0.00000
0.00264
0.02424
0.4182
0.1134
0.0711
0.0693
0.0455
0.5979
D=0.08574 S=1.3155

a
0.697
0.395
a 1.764557
a
7.54 - 3.3 (1.764557)
6
a 0.2861603
1 1
0 0
= =
= =
6 3.3 7.54

0 0.395 0.697
a
n x y x y
n x ( x )
a y bx donde y
y
n
x
x
n
1
i i i i
i
2
i
2 0
i i
=

= = =

r
S D
S
donde D = (d ) (Total de las desviaciones)
S = (y y) (Variacin total)
Para el ejemplo anterior S =1.315533
r
1.315533 0.086779
1.315533
0.9340
2
i
2
i
2
2
=

=

=

n
i=1
n
i=1

4.3. APLICACIN DE LA REGRESIN LINEAL

La regresin lineal proporciona una tcnica muy poderosa para ajustar datos a una
mejor lnea. Pero no siempre los datos se comportan en forma lineal pues en algunos
casos son en forma curvilnea pero se pueden hacer las transformaciones para que
sean compatibles con el ajuste.

4.3.1 El modelo exponencial g(x)=ae
bx
donde a y b son constantes, lo podemos
linealizar as: Lny = Ln(ae
bx
) Lny = Lna + bx Lne Lny = Lna + bx

(
(
=
(
(
(

) * (
2
i i
i
i i
i
y Ln x
y Ln
b
a Ln
x x
x n

4.3.2 El modelo potencial g(x)=ax
b
donde a y b son constantes, lo linealizamos as:
Log y = Log (ax
b
) Log y = Log a + b Log x

(
(
=
(
(
(

i i
i
i i
i
y Log x Log
y Log
b
a Log
x Log x Log
x Log n
* ) (
2

Ejemplo 1: ajuste los siguientes datos mediante un modelo potencial:

X 1 2 3 4 5
y 0.5 1.7 3.4 5.7 8.4
D S
x
i
y
i
Log x
i
Log y
i
(Log x
i
)
2
Log x
i
. log y
i
G(x
i
) d
i
2
(y
i
- y )
2
1
2
3
4
5
0.5
1.7
3.4
5.7
8.4
0
0.3010
0.4771
0.6021
0.6990
-0.3010
0.2304
0.5315
0.7559
0.9243
0
0.090601
0.227624
0.362524
0.488601
0
0.06935
0.253379
0.455127
0.644608
0.5011
1.6874
3.4328
5.6819
8.3992
0.0000
0.0002
0.0010
0.0005
0.0000
11.8336
5.0176
0.2916
3.0976
19.8976
2.0792 2.1411 1.16930 1.42414 0.0017 40.1320

. .
.
.
.
.
.
. .
.
.
.
.
.
.
.
.
.
.
.
.
.
. . .
.
.
.
.
.
n=5

n logx
i
log a log y
i

logx
i
(logx
i
)
2
b log x
i
.logy
i

5 2.0792 2.1411 5 2.0792 2.1411
2.0792 1.16935 1.4241 0 0.30474 0.53374

La ecuacin de regresin ser: Logy= loga+b.log x => Log y = -0.3001 + 1.75 Log x

a=antilog(-0.3001) a=0.5010

Como g(x) = ax
b
tomando antilog queda : g(x
i
) = 0.5010 X
1.75

r
2
= S - D r
2
=
99 . 0
1320 . 40
0017 . 0 1320 . 40
=
Ajuste excelente
S

Ejemplo 2. Ajuste los datos del ejemplo anterior a un modelo exponencial.
G(x)=ae
bx
Ln y = ln a + bx
X
i
y
i
ln y
i
x
i
2
x
i
.ln y
i
g(x
i
) d
i
2
(y
i
- y )
2
1 0.5 -0.6931 1 -0.6931 0.6806 0.0326 11.8336
2 1.7 0.5306 4 1.0612 1.3506 0.1221 5.0176
3 3.4 1.2238 9 3.6714 2.6802 0.5182 0.2916
4 5.7 1.7405 16 6.9620 5.3184 0.1456 3.0976
5 8.4 2.1282 25 10.6410 10.5537 4.6383 19.8976
_______________________________________________________________
15 19.7 4.9300 55 21.6426 5.4568 40.1320

(
(
=
(
(
(

i i
i
i i
i
y Ln x
y Ln
b
a Ln
x x
x n
*
2

(
=
(
6426 . 21
9300 . 4
55 15
15 5
b
a Ln

Que al resolver se obtiene: b= 0.68526 y Ln a= -1.0698 a=antiln(-1.0698) a=0.3430
G(x)= ae
bx
g(x)= 0.3430e
0.6853X
r
2
=0.86 el ajuste exponencial es bueno

=
resolviendo
De all se obtiene log a =
2.1411- 2.0792 (1.7515)
5
0.3001 : b =
0.53374
0.30474
= = 17515 .

4.4. REGRESIN LINEAL MLTIPLE

Una extensin til en la regresin lineal es el caso en que y es una funcin lineal de
dos o ms variables. Por ejemplo, y pudiera ser una funcinlineal de x
1
y x
2
, de la
forma:
y = a
0
+ a
1
x
1
+ a
2
x
2

Tal ecuacin es til particularmente cuando se ajustan datos experimentales en donde
la variable que est analizando, a menudo es funcin de otras dos variables. En este
caso bidimensional, la lnea de regresin viene a ser un plano .

Como con los casos anteriores, los mejores valores de los coeficientes se determinan
agrupando la suma de los cuadrados de los residuos:

n
D = (y
i
- a
0
- a
1
x
1
+ a
2
x
2
)
2

i = j

y derivando con respecto a cada uno de los coeficientes:
D
1

= - 2 (y
i
- a
0
- a
1
x
1
- a
2
x
2
)
a
0

D
1

= - 2 x
1
(y
i
- a
0
- a
1
x
1
- a
2
x
2
) (1)
a
1

D
1

= - 2 x
2
(y
i
- a
0
- a
1
x
1
- a
2
x
2
)
a
2

Los coeficientes que generan la suma mnima de los cuadrados de los residuos se
obtienen igualando cada una de las derivadas parciales a cero y expresando la
ecuacin (1) como un conjunto de ecuaciones lineales simultneas, de la forma:

na
o
+ x
1
a
1
+

x
2
a
2
= y
1
x
1
a
o
+ x
1
2
a
1
+

x
1
x
2
a
2
= x
1
y
1
x
2
a
o
+ x
1
x
2
a
1
+

x
2
2

a
2
= x
2
y
1

o como una matriz:

n x
1

x
2
a
0
y
1
x
1
x
1
2

x
1
x
2
a
1
= x
1
y
1
(2)
x
2
x
1
x
2

x
2
2

a
2
x
2
y
1


4.4.1. Ejemplo:
Dados los siguientes datos, determine el modelo de regresin lineal mltiple:

x
1
x
2
y

0 0 5
2 1 10
2.5 2 9
1 3 0
4 6 3
7 2 27

Clculos necesarios para desarrollar las ecuaciones normales del ejemplo

y x
1
x
2
x
1
2
x
2
2
x
1
x
2
x
1
y x
2
y G(x
i
) d
i
2
(y
i
- y )
2

5 0 0 0 0 0 0 0 4.91920 0.00652 16
10 2 1 4 1 2 20 10 9.94012 0.00358 1
9 2.5 2 6.25 4 5 22.5 18 8.98061 0.00019 0
0 1 3 1 9 3 0 0 0.06547 0.00428 81
3 4 6 16 36 24 12 18 3.17830 0.03179 36
27 7 2 49 4 14 189 54 26.9109 0.00794 324
54 16.5 14 76.25 54 48 243.5 100

0.0543 458
S D

Solucin:
Estas sumatorias necesarias para desarrollar la ecuacin (1), se sustituyen en (2)
y se obtiene:

6 16.5. 14 a
0
54
16.5. 76.25 48 a
1
= 243.5
14 48 54 a
2
101

que se puede resolver usando un mtodo como la eliminacin Gaussiana para obtener:

a
o
= 4.91922 a
1
= 3.98329 a
2
= -2.94568

g(x)=4.91922 +3.98329X
1
-2.94568X
2

9
6
54
= =
n
y
y
i

99 . 0
458
0543 . 0 458
2 2
=
= r
S
D S
r
El ajuste es Excelente


La regresin lineal mltiple se puede formular en el caso ms general como:

y = a
0
+ a
1
x
1
+ a
2
x
2
+..+a
m
x
m

en donde los coeficientes que minimizan la suma de los cuadrados de lo residuos se
determinan resolviendo el sistema:

n x
1,i

x
2,i
. . . x
m
,
i
a
0
y
i
x
1,i
x
2
1,i

x
2,i
x
1,i . . .

x
1,i
x
m,i
a
1
x
1,i
y
i

x
2,i
x
2,i
x
1,i

x
2
2,i

. . .
x
2
,
i
x
m
,
i
a
2
= x
2,i
y
i

. . .
. . .
. . .
x
m,i
x
m,i
x
1,i

x
m
,
i
x
2,i . . .
x
2
m,i,
a
m
x
m,i
y
i


4.5. REGRESIN POLINOMIAL

El mtodo de mnimos cuadrados puede extenderse para ajustar un polinomio de
cualquier valor a los datos de una medicin.

g(x) = a
0
+ a
1
x + a
2
x
2
+ a
m
x
m
d
i
=y
i
g(x
i
)

La suma de los cuadrados de la desviacin as:

D = (y
i
a
0
a
1
x
i
a
2
x
i
2
+ a
m
x
i
m
)
2

Siguiendo el mismo procedimiento hecho para la regresin lineal, tenemos: derivados
parciales con respecto a los coeficientes al polinomio.

Al igualar estas ecuaciones a cero y reordenando, se tiene el siguiente conjunto de
ecuaciones.

a
0
n + a
1
x
i
+ a
2
x
i
2
+ +a
m
x
i
m
= y
i
a
0
x
i
+ a
i
x
i
2
+ a
2
x
2
3
+ + a
m
x
i
m+1
= x
i
y
i
a
0
x
i
2
+ a
1
x
i
3
+ a
2
x
i
4
++ a
m
x
i
m+2
= x
i
2
y
i

a
0
x
i
m
+ a
1
x
i
m+1
+ a
2
x
i
m+2
++ a
m
x
i
2m
= x
i
m
y
i

(Todos los van desde i =1 hasta n)

Desviacin de la curva con
respecto a cada Polinomio.
D
a
2 (y a a x a x ..........a x )
D
a
2 x ( y a a x a x .......a x )
D
a
2 x ( y a a x a x .......a x )
D
a
2 x ( y a a x a x .......a x )
0
i 0 1 i 2 i
2
m i
m
1
i i 0 1 i 2
2
m 2
m
2
i
2
i 0 1 i 2 i
2
m i
m
m
i
m
i 0 1 i 2 i
2
m i
m
=
=
=
=


el anterior sistema lo podemos expresar as:

n x
i
x
i
2
xi
m
a
0
y
i

x
i
x
i
2
x
i
3
xi
m+1
a
1
x
i
y
i

x
i
2
x
i
3
x
i
4
x
i
m+2
a
2
x
i
2
y
i

x
i
m
x
i
m+1
x
i
m+2
x
i
2m
a
m
x
i
m
y
i

El sistema de ecuaciones se resuelve por los mtodos vistos para resolver sistema de
ecuacin.

Ojo: si el polinomio es de grado m => necesitamos m + 1 ecuaciones lineales con m+1
incgnitas.

4.5.1.Ejemplo: ajuste a un polinomio de 2 grado el siguiente conjunto de datos:

x 0 1 2 3 4 5
y 2.1 7.7 13.6 27.2 40.9 61.1

Como el polinomio de ajuste es de grado 2 necesitamos 3 ecuaciones y 3 incgnitas
(a
0
, a
1
, a
2
)

Organicemos la siguiente tabla:

x
i
y
i
x
i
2
x
i
3
x
i
4
X
i
y
i
x
i
2
y
i

0
1
2
3
4
5
2.1
7.7
13.6
27.2
40.9
61.1
0
1
4
9
16
25
0
1
8
27
64
125
0
1
16
81
256
625
0
7.7
27.2
81.6
163.6
305.5
0
7.7
54.4
244.8
654.4
1527.5
15 152.6 55 225 979 585.6 2488.8

n=6

n x
i
x
i
2
a
0
y
i

x
i
x
i
2
x
i
3
a
1
x
i
y
i

x
i
2
x
i
3
x
i
4
a
2
x
i
2
y
i

Reemplazando y resolviendo por curvas:

6 15 55 152.6 a
0
=2.47857
15 55 225 585.6 a
1
=2.35929
55 225 979 2488.8 a
2
=1.86071

La ecuacin cuadrtica de ajuste con mnimo cuadrado es:
g(x) = a
0
+ a
1
x + a
2
x
2 ==
g(x) = 2.47857 + 2.35929x + 1.86071x
2

grafique
=
=
=
.

.

.

.

.

.

.


Calculemos las desv. de cada punto; grafiquemos g(x) para la grfica de dispersin y
hallemos el coeficiente de determinacin para mirar cmo es el ajuste con este mtodo
para dichos datos.

d
i
2

= [y
i
- g(x)]
2
x
i
y
i
(y
i
y)
2
g(x
i
) (y
i
g(x
i
)
2

0
1
2
3
4
5
2.1
7.7
13.6
27.2
40.9
61.1
544.44
314.47
140.03
3.12
239.22
1272.11
2.4786
6.6986
14.6406
26.3077
41.6882
60.7941
0.14332
1.00286
1.08158
0.80491
0.61951
0.09439
15 152.6 2513.39 152.6038 3.74657

S= (y
i
y)
2
variacin total
D= (y
i
g(x))
2
Total de los cuadrados de las desviaciones

r
2
= 0.998 excelente (ajuste casi perfecto)
y
y
n
152.6
6
25.433 = = =
r
S P
S
2513.39 3.74657
2513.39
0.99851
2
=

=

=

4.6. POLINOMIOS DE INTERPOLACIN
La interpolacin de los datos puede hacerse mediante un polinomio la cual consiste en
ajustar a un polinomio los puntos dados.

4.6.1. POLIMONIO DE LAGRANGE
El mtodo de aproximacin Polimonial requiere de la solucin de un sistema de
ecuaciones algebraicas lineales que cuando el grado del polinomio es alto, puede
presentar inconvenientes. Con el mtodo de Lagrange los clculos se realizan
directamente.

Con frecuencia, se tienen que estimar valores intermedios entre valores conocidos y el
mtodo ms comn empleado para este propsito es la interpolacin polinomial.

La interpolacin es una aplicacin de la aproximacin polinmica que permite el clculo
de algunos valores de una funcin y = f(x) para la que se conocen otros valores (x
o
, y
o
),
(xi, yi), (x
2
, y
2
) .........., (x
n
,y
n
). Generalmente consiste en calcular y=f(x) para xE [ x
k
,
x
k+1
]

, suponiendo conocidos y
k
, y
k+1

Recuerde que la frmula general de un polinomio de n-simo orden es:
n
P(x) = a
0
+ a
1
x + a
2
x
2
+ a
3
x
3
+ ........ + a
n
x
n
= a
k
x
k

k=0

El polinomio de interpolacin consiste en determinar el nico polinomio n-simo que
ajusta a los n+1 puntos dados. As por ejemplo hay solo una recta (polinomio de primer
orden) que conecta dos puntos; hay solo una parbola que conecta a tres puntos
(polinomio de segundo orden) y as sucesivamente. Este polinomio proporciona una
frmula para calcular valores intermedios.

(a) (b) (c)

Ejemplos de interpolacin polinomial: a) Primer orden (lineal), conexin de
dos puntos; b) conexin de tres puntos, segundo orden (cuadrtica o
parablica) y c) conexin de cuatro puntos, tercer orden (cbico)

Existen gran variedad de frmulas matemticas mediante las cuales se puede
expresar este polimonio entre ellas utilizaremos el mtodo de Lagrange.

Si dados en el plano cartesiano los puntos (x
o
, y
o
), (xi, yi), (x
2
, y
2
) .........., (x
n
,y
n
) el
polimonio equivalente pasa por todos y cada uno de ellos. Observemos que para
encontrar los parmetros a
0,
a
1,
a
2
,.....,a
n1
debe resolverse el siguiente sistema de
ecuaciones lineales:


0
+ a
1
x
0
+ a
2
x
0
2
+ a
3
x
0
3
+ ...............+ a
r
x
0
n
= y
0

a
0
+ a
1
x
1
+ a
2
x
1
2
+ a
3
x
1
3
+ ...............+ a
n
x
1
n
= y
1

a
0
+ a
1
x
2
+ a
2
x
2
2
+ a
3
x
2
3
+ ...............+ a
n
x
2
n
= y
2

....................................................................=....
....................................................................=....
a
0
+ a
1
x
n
+ a
2
x
n
2
+ a
3
x
n
3
+ ...............+ a
n
x
n
n
= y
n

con el objeto de evitar el desarrollo del sistema anterior, Lagrange demostr que este
polinomio es equivalente con p(x) =
=
n
k 0
y
k.
L
k
(x), cuando se encuentra
apropiadamente L
k
(x) , para cada k.
n
(x-x
0
) (x-x
1
)........(x - x
k-1
) (x-x
k+1
).........(x-x
n
) (x-x
J
)

(x
k
-x
0
) (x
k
-x
1
)......(x
k
- x
k-1
) (x
k
-x
k+1
).......(x
k
-x
n
) j=0 (x
k
-x
J
)

J

k
La expresin anterior dispone de n factores en el numerador que generan como
resultado un polinomio L
k
(x) de grano n.

4.6.1. Ejemplo 1: Encuentre el polinomio de colocacin para los puntos (-1,4),
(0,1) y (3,4) usando el mtodo directo (sistema de ecuaciones lineales) y el
mtodo de Lagrange, interpole en x = 2

Como hay 3 puntos entonces, el polinomio ser de 2 grado.
El polinomio a buscar es P(x) = a
0
+ a
1
x + a
2
x
2

a)Mtodo Directo. Reemplazando cada punto en P(x), obtenemos:
(-1,4): a
0
+ a
1
+ a
2
= 4
( 0,1): a
0
= 1
( 3,4): a
0
+ 3a
1
+ 9a
2
= 4

Resolviendo este Sistema por eliminaci gaussiana obtenemos:

a
0
= 1, a
1
= -2, a
2
= 1

Con ello el polinomio de colocacin resultante es P(x) = 1 2x + x
2

b)Mtodo de Lagrange:
Los Lagrangianos resultan ser los siguientes:

(x
o
, y
o
) = (-1,4)
(x
1
, y
1
) = (-0,1)
(x
2
, y
2
) = ( 3,4)

=
L
k
(x) =

(x-x
1
) (x-x
2
) (x-0) (x-3) x
2
-3x
L
0
(x) =
(x
0
-x
1
) (x
0
-x
2
) (-1-0) (-1-3) 4

(x-x
0
) (x-x
2
) (x+1) (x-3) x
2
-2x - 3
L
1
(x) =
(x
1
-x
0
) (x
1
-x
2
) (0+1) (0-3) -3

(x-x
0
) (x-x
1
) (x+1) (x-0) x
2
+x
L
1
(x) =
(x
2
-x
0
) (x
2
-x
1
) (3+1) (3-0) 12

El polinomio de Colocacin se calcula como:
2
P(x) = y
k
L
k
(x) = y
0
L
0
(x) + y
1
L
1
(x) + y
2
L
2
(x)

K=0

( x
2
3x) ( x
2
2x 3) ( x
2
x)
P(x)= 4 +1 + 4
4 -3 12

( x
2
2x - 3 ) x
2
x
= x
2
3x - +
3 3

3x
2
9x - x
2
2x + 3 + x
2
+ x 3x
2
6x +3
= x
2
2x +1
3 3

p(x) = x
2
2x + 1
p(x) = 2
2
2(2) +1 = 1 (2, 1)

4.6.2. Ejemplo 2: Para la tabla que se presenta a continuacin:

i 0 1 2 3
Xi 0 1 3 6
F(x
i
) -3 0 5 7

a) Obtenga el polinomio de Lagrange con todos los puntos.
b) Interpole el valor de la funcin para x =1.8
L
0
(x) = =
L
1
(x) =
L
2
(x) =
=
=

4.6.3.Algoritmo para la regresin polinomial:

Paso 1. Introduzca el orden del polinomio a ser ajustado, m
Paso 2: Introduzca el nmero de puntos, n y los puntos (x
i
, y
i
)
Paso 3: si n m imprima: error el polinomio de regresin es imposible y terminar.
Si n m contine.
Paso 4: calcule las sumas y producto de potencia (x
i
, x
i
2
...... x
i
2m
, y
i
,
x
i
y
i,
...... x
i
m
y
i
).

Paso 5: arregle estas sumas y productos en forma de matriz aumentada.
Paso 6: reducir la matriz suministrada por un mtodo (llmela subrutina)
Paso 7: imprimir resultado.

________________________________________________

4.6.4. ALGORITMO
Interpolacin con polinomios de Lagrange

Para interpolar con polinomios de Lagrange de grado N, proporcionar los

DATOS: El grado del polinomio N, las N + 1 parejas de valores (X (I ),
FX (I), I = 0,1 ..., N) y el valor para el que se desea la
interpolacin XINT.
RESULTADOS: La aproximacin FXINT, el valor de la funcin en XINT.

PASO 1. Hacer FXINT = 0
PASO 2. Hacer I = 0
PASO 3. Mientras I N, repetir los pasos 4 a 10
PASO 4. Hacer L = 1
PASO 5. Hacer J = 0
PASO 6. Mientras J N, repetir los pasos 7 y 8
PASO 7. Si I J
Hacer L = L*(XINT - X(J)/(X(I)-X(J))
PASO 9. Hacer FXINT = FXINT + L*FX(I)
PASO 11. IMPRIMIR FXINT y TERMINAR.

ACTIVIDADES N 4

1.Para los siguientes datos en cada caso determine:
i)La ecuacin de ajuste lineal mediante el mtodo de mnimos cuadrados
ii)La grfica de los puntos y la lnea de ajuste
iii)La cuantificacin del error mediante el coeficiente de determinacin

a)
X
i
1.0 1.5 2.0 2.5 3.0
Y
i
2.0 3.2 4.1 4.9 5.9

b)
X
i
4 6 8 10 14 16 20 22 24 28 28 34 36 38
Y
i
30 18 22 28 14 22 16 8 20 8 14 14 0.1 8

c)
X
i
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0
Y
i
9.9 9.2 8.4 6.6 5.9 5.0 4.1 3.1 1.9 1.1

2.Ajuste a una ecuacin de potencias:

X
i
2.5 3.5 5 6 7.5 10 12.5 15 17.5 20
Y
i
5 3.4 2 1.6 1.2 0.8 0.6 0.4 0.3 0.3
Grafique los datos y la ecuacin de ajuste.

3.Ajuste a un modelo exponencial:

X
i
0.05 0.4 0.8 1.2 1.6 2.0 2.4
Y
i
550 750 1000 1400 2000 2700 3750
Grafique los datos y la ecuacin de ajuste.

4.Mediante el modelo de regresin lineal mltiple, ajuste:
a)
X
1
0 1 2 0 1 2
X
2
2 2 4 4 6 6
Y 19 12 11 24 22 15
b)
X
1
1 1 2 2 3 3 4 4
X
2
1 2 1 2 1 2 1 2
Y 18 12.8 25.7 20.6 35.0 29.8 45.5 40.3

5. Ajuste a un modelo cuadrtico (parablico) los datos del ejerccio 3. Y grafique los
datos y la ecuacin de ajuste. Para estos datos, cual ajuste considera mejor?.


6. Dados los siguientes datos:

X
i
0.1 0.2 0.4 0.6 0.8 1.0
y
i
3.25 7.78 10.68 8.37 3.97 2.5

Grafique los datos y ajuste a los siguientes modelos: a) lineal b)cuadrtico c)cbico
d)exponencial e)Potencial.
Cul de ellos considera el mejor ajuste para dichos datos? (realice la grfica de c/u en
la grfica de los datos y compare). Establezca el coefic. de determinacin en c/u.

7. Dados los datos:

X
i
5 10 15 20 25 30 35 40 45 50
Y
i
17 25 30 33 36 38 39 40 41 42

sese regresin con mnimos cuadrados para ajustar:
a)a una lnea recta
b)a una parbola o cuadrtico
c)a una ecuacin de potencia
d)Grafique los datos con las curvas de ajuste y establezca cul de ellas da mejor
ajuste.

8. Desarrolle los respectivos programas para regresin lineal por mnimos cuadrados y
para la regresin Polinomial y aplquelo a los ejercicios 2, 5 y 6.

9. Al medir la velocidad (con un tubo de pitot) en una tubera circular de 20 cms de
dimetro interior, se encontr la siguiente informacin:

V(cm/s) 600 550 450 312 240
r(cm) 0 3 5 7 8
Donde r es la distancia en cm medida a partir del centro del tubo
a)Obtenga la curva v=f( r) que aproxima estos datos experimentales mediante un
modelo parablico.
b)Calcule la velocidad en el punto r=4cm. Respuesta: 503.89 cm/s


10. Se ha llevado a cabo un estudio para determinar la relacin entre la fuerza de
friccin que acta hacia arriba y la velocidad de cada de un paracaidista obtenendose
los siguientes resultados (v medida en cm/s y Fr

medida en 10
6
dinas)

v 1000 2000 3000 4000 5000

Fr 5 15.3 29.3 46.4 66.3
Grafquese Fr contra v y mediante un modelo de regresin apropiado, determine la
expresin que permita relacionar la fuerza de rozamiento y la velocidad.
11.Utilizando el mtodo de Lagrange encuentre el polinomio de colocacin para cada
grado de puntos:
a) (0,1) , (1, 0) e interpole en x=0.8
b) (0,16), (-4, 0), (4,0) e interpole en x= 2.5
c) (0,0), (-2, -8), (1, 1), (2, 8) e interpole en x= -1.7
12.Dados los puntos (x
k
, y
k
)={(1,1),(2,1),(3,1) y (4,5)},
a)obtenga una estimacin de y para x= -1
b)Qu efecto tendra la anterior estimacin al omitir el punto (4, 5)?.
13.Dados los puntos (x
k
, y
k
)={(0,1),(1,-1),(2,1),(3,-1) y (4,1)}, obtenga una estimacin
para de y para a) x=0.5 b)x=-1
14.Dados los datos:
x 1 2 3 5 6
f(x) 4.75 4.0 5.25 19.75 36
Calcule f(4.5) usando polinomios de interpolacin de Lagrange de orden 1 hasta 4.
15.Desarrolle el software correspondiente para la interpolacin de Lagrange y aplquelo
para resolver los ejercicios 11, 12 y 13.
16.Se mide la cada de voltaje v atravs de una resistencia para cierto nmero de
valores de la corriente i. Los resultados obtenidos son:

i 0.25 0.75 1.25 1.5 2.0

v -0.23 -0.33 0.70 1.88 6.00

Usando interpolacin polinomial, calcule la cada de voltaje cuando la corriente es 0.9.


5. INTEGRACIN NUMRICA

5.1. INTRODUCCIN
Una vez que se ha determinado un polinomio p(x), bien sea por criterio del ajuste
exacto o por el mtodo de mnimos cuadrados, de manera que aproxime
satisfactoriamente una funcin dada f(x) sobre un intervalo de inters, puede esperarse
que al diferenciar P
n
(x) o integrarlo en forma definida tambin aproxime
satisfactoriamente la derivada o integral definida correspondiente a f(x).

Con frecuencia es necesario integrar una funcin cuando solo es conocida una
tabulacin de datos. Los mtodos de integracin numrica se pueden utilizar para
integrar funciones dadas ya sea mediante una tabla o en forma analtica ahorrando
tiempo y esfuerzo si solo se desea conocer el valor numrico de la integral.

5.2. MTODOS DE NEWTON COTES

las frmulas de integracin de Newton Cotes son los esquemas ms comunes dentro
de la integracin numrica y se basan en la estrategia de reemplazar una funcin
complicada o un conjunto de datos tabulares con alguna funcin aproximada que sea
ms fcil de integrar:

I = f(x)dx P (x)dx
b b
n

donde P
n
(x) es un polinomio de la forma:
P(x) = a
o
+ a
z
x + + a
n-1
x
n-1
+ a
n
x
n

n = orden del polinomio

Entre las frmulas de Newton Cotes tenemos:
Regla del trapecio
Reglas de Simpson
Cuadraturas de Gauss

5.3. REGLA DE TRAPECIO
La regla trapezoidal corresponde al caso en donde el polinomio es de primer orden
(lineal)
I = f(x)dx P (x)dx
b b
1

El rea bajo la lnea recta es una aproximacin de la integral de f(x) entre los lmites a y
b.

(
I f(a) +
f(b) - f(a)
b a
(x - a) dx
b

f(x)
f(a)
f(b)
a
b
x

que despus de hacer diferentes arreglos y ajustes (ver cuadro 2), nos queda como
resultado:
I (b - a)
f(a) + f(b)
2

Geomtricamente, la regla trapezoidal es equivalente a aproximar el rea del trapecio
bajo la lnea recta que une a f(a) y f(b) en la figura pero el trapecio se encuentra sobre
uno de sus lados.
Recuerde que en un trapecio
( )
A h
b b
2
1 2
=
+

5.3.1. Error de truncamiento en la regla trapezoidal: Cuando se emplea la integral con
un segmento de lnea recta para aproximar la integral bajo una curva, se comete un
error de truncamiento dado por:
3 ' '
T
a) (c)(b f
12
1
E =
donde c es un punto cualquiera dentro del intervalo [a,b].

5.3.2. Ejemplo 1: Utilice la regla trapezoidal para integrar:
f(x) = 0.2 + 25x 200x
2
+ 675x
3
900x
4
+ 400x
5
entre 0 y 0.8

a=0 f(0) = 0.2
b=0.8 f(0.8) = 0.232

89.468%
1.640533
0.1728 1.640533
E
2
0.232 + 0.2
0) - (0.8
2
f(b) + f(a)
a) - (b = I
R
=
=
= = 1728 . 0

Para hallar el error de trucamiento, calculemos f (x)
F (x) = 25 400x + 2025x
2
3600x
3
+ 2000x
4

f (x) = -400 + 4050x 10800x
2
+ 8000x
3

calculemos el error en 0.8 f (0.8) = 24

024 . 1 = = =
3 3
T
(0.8) 24
12
1
a) (0.8)x(b ' ' f
12
1
E

A
f(a)
b
1

b
2

f(b)
a h b
Donde:
h= b a (amplitud del intervalo)
b
1
= f(a)
b
2
= f(b)

5.3.3.Cuadro 4: Derivacin de la regla trapezoidal

Antes de integrar, la ecuacin anterior se puede expresar como:

Agrupando los dos ltimos trminos se obtiene

Que se puede integrar entre x = a y x = b y obtener:

Este resultado se puede evaluar, obteniendo

Ahora, considerando que b
2
- a
2
= (b - a) (b + b)

Multiplicando y agrupando trminos se obtiene:

Que es la frmula de la regla trapezoidal.
a b
a af b af
a f x
a b
a f b f
x f
=
) ( ) (
) (
) ( ) (
) (
a b
a af b af a af a bf
x
a b
a f b f
x f
+
+
=
) ( ) ( ) ( ) (
) ( ) (
) (
a b
b af b bf
a f x
a b
a f b f
x f
=
) ( ) (
) (
) ( ) (
) (
b
a
x
a b
b af a bf x
a b
a f b f
I
) ( ) (
2
) ( ) (
2
) ( ) (
) (
b f a f
a b I
+

) ( ) ( ) (
2 2
a b a f b f [ ] ) ( ) (
) (
) ( ) ( b af a bf
a b
a f b f I +

) (
) ( ) (

2
) ( ) ( ) (
2 2
a b
a b
b af a bf
a b
a b
a f b f
I
[ ] ) ( ) (
2
) (
) ( ) ( b af a bf
a b
a f b f I +

2
) ( ) (
) (
b f a f
a b I
+


5.3.4. Ejemplo 2:

a) Dada la siguiente informacin:
Puntos 0 1 2 3 4 5
X 500 900 1400 1800 2000 2200
f(x) 9.0 13.4 18.7 23.0 25.1 27.2

Aproxime el rea bajo la curva en el integral [500, 1800]

b = 1800 a = 500
A (1800 500)
(9 23)
2
20800
1
=
+
=

f(b) = 23.0 f(a) = 9.0
_____________________________________________
b) Aprox.
A (2 3x)dx
2 0
5
= +
f(x) = 2+3x

a= 0 f(0) = 2+3(0) = 2
b= 5 f(5) = 2+3(5) = 17

____________________________________________
____
c) Aproxime
A (1 2x 3x )dx
3 2
4 2
= + +

a= -2 f(-2)= 1 + 2(-2) + 3(-2)
2
= 9
b= 4 f(4) = 1 + 2(4) + 3(4)
2
= 57

( )
= +
+
= A (4 2)
9 57
2
198
3

________________________________________________
d) Aproxime
A senx dx
4 0
/2
=

a= 0 f(0) = sen = 0
b
2
f( / 2) sen
2
1
A
2
0
0 1
2 2
1
2 4
X
= = =
=
|
\
|
+
|
\
| = =

__________________________________________________

5.4. REGLA DEL TRAPECIO USANDO SEGMENTOS MLTIPLES
(Mtodo Tropeziodal Compuesto)

Algunas veces el intervalo de integracin es tan amplio que resulta conveniente dividirlo
en sub-intervalos y aproximar cada uno por medio de un polinomio con el fin de obtener
mejor exactitud.

Se divide [a,b] en n intervalos y se aplica a cada uno de ellos la regla trapezoidal y la
suma de todos ellos de la integral sobre el intervalo completo.

47.5
2
17 2
0) (5 A
2
=
|
\
| +
=

Si tenemos n+1 puntos igualmente espaciados (x
0
, x
1
, x
2
,x
n
)
Por lo tanto hay n segmentos de igual anchura:

h
b a
n
=

si a y b se igualan a x
0
y a x
n
respectivamente, entonces la integral total ser:
I f(x) dx + f(x) dx + ........+ f(x) dx
x
x
x
x
x
x
0
1
1
2
n-1
n
=

y reemplazando la regla trapezoidal en cada una de las integrales, se tiene:

I h. f
(x ) f(x )
2
h
f(x ) f(x )
2
......... h
f(x ) f(x )
2
que al agrupar queda:
I =
h
2
f(x ) 2 f(x ) f(x ) donde h =
b - a
n
1 0 2 1 n n 1
0 i n
i 1
n 1
=
+
+
+
+ +
+
+ +

El error de la regla trapezoidal mltiple se obtiene sumando los errores individuales de
cada uno de los segmentos.

' ' f
12n
a) - (b
- = E
n
(c) ' f'
= ' f' es completo intervalo el sobre derivada 2 la de edio valor prom el como y
(c) ' f'
12n
a) (b
E
2
3
T
n
1 = i a.
n
1 = 2
3
3
T

Observe que si el nmero de segmento se duplica el error de truncamiento
disminuye a un cuarto de su valor.

f(x)
f(x
2
)
f(x
2
)
f(x
2
)
f(x
4
)
x
0
x
1
x
2
x
3
x
4
x
5

dividida en 5 segmentos
f(x)
x
0
x
1
x
2

dividida en 2 segmentos

5.4.1.Ejemplo 3:
Para f(x) = 0.2 + 25x 200x
2
+ 675x
3
900x
4
+ 400x
5

Calcule la integral entre 0 0.8 tomando:
a) 2 segmentos:
n= 2 h=0 b=0.8
h
b a
n
0.8
2
0.4 =

= =

f(0) = 0.2 f(0.4) = 2.456 f(0.8)=0.232
f(x
0
) f(x
1
) f(x
2
)

[ ] I
h
2
f(x ) 2 f(x ) f(x )
0.4
2
0.2 2(2.456) 0.23 1.0688
0 1 n
i 1
n 1
= + +
(
= + + =
=

b) 3 segmentos:
n=3
h
0.8 0
3
0.2667 ancho de cada intervalo =

=

x
0
= a = 0
x
3
= b = 0.8

f(x
0
)=0.2
f(x
1
)= f(x
0
+ 0.2667)= f(0.2667) = 1.4329
f(x
2
)= f(x
1
+ 0.2667) = f(2h) = f(0.5333) = 3.4874
f(x
3
) = f(0.8) = 0.232

[ ] + + + = I =
0.2667
2
0.2 2(1.4329 3.4874) 0.232 1.3698

c) 4 segmentos
n=4
a x 0
b x 0.8
h
0.80
4
0.2
0
4
= =
= =
= =
0 0.2 0.4 0.6 0.8

x
0
x
1
x
2
x
3
x
4

f(x
0
) = f(0) = 0.2
f(x
1
) = f(0.2) = 1.288
f(x
2
) = f(0.4) = 2.456
f(x
3
) = f(0.6) = 3.464
f(x
4
) = f(0.8) = 0.232

[ ] + + + + = I =
0.2
2
0.2 2(1.28 2.456 3.464) 0.232 1.4848


d) 10 segmentos:
n=10
h
0.8 0
10
0.08 =

=

f(x
0
) = f(0)= 0.2
f(x
1
) = f(0.08) =
f(x
2
) = f(0.16) =
f(x
3
) = f(0.32) =
f(x
10
) = f(0.32) =

Recomendacin: use el programa de computacin para obtener un cuadro como este y
trate de hallar hasta que E
R
=0.5%

5.4.2. Ejemplo 4:
Dada la siguiente funcin en forma tabular, aproxime el rea bajo la curva entre -1 y 4.
Como se tienen 6 puntos n=5 intervalos

x -1 0 1 2 3 4
F(x) 8 10 10 20 76 238
x
0
= -1 x
5
= 4
h
4 ( 1)
5
h =1 =

n
2
3
4
5
6
7
8
9
10
h
0.4
0.2667
0.2
0.16
0.1333
0.1143
0.1
0.0889
0.08
I
1.068
1.3695
1.4848
1.5399
1.5703
1.5887
1.6008
1.609
1.6150
E
R

34.9%
16.5%
9.5%
6.1%
4.3%
3.2%
2.4%
1.9%
1.6%
[ ] I
0.08
2
0.2 2(........ ) 0.232
I 1.615
E
1.640 1.615
1.640
x100% 1.6%
R
= + +
=
=

=

Teniendo en cuenta que el valor exacto
=
=

=

=
=

=
0
0.8
R
E C
E
R
R
f(x) dx 1.6405
El E
V V
V
x100%
Para n =2 E
1.605 1.0688
1.6405
34.8%
Para n =4 E
1.6405 1.4848
1.6405
9.5%


f(x
0
) = 8 f(x
5
) = 23

[ ] A
1
2
8 2(10 10 20 76) 238 239 = + + + + + =

La funcin analtica para este dato es: f(x)= x
4
- 2x
2
+ x +10
y el rea
+ + =
1
4 4 2
x 2x x 10 219.17

x
0
= -1 x
5
= 4
h
4 ( 1)
5
h =1 =

=

= E
219.17 239
219.17
9%
R

5.5. REGLA DE SIMPSON

Adems de aplicar la regla trapezoidal con segmento cada vez ms finos, otra manera
de obtener una estimacin ms exacta de una integral es la de usar polinomios de
orden superior para conectar los puntos.

As por ejemplo, si hay un punto medio entre f(a) y f(b), entonces se pueden conectar
los 3 puntos con una parbola (figura a) y si hay 4 puntos igualmente espaciados esta
f(a) y f(b) entonces los 4 puntos se pueden conectar a un polinomio de 3er orden (figura
b).

A las frmulas de calcular la integral bajo estos polinomios, se les llama Regla de
Simpson.

5.5.1. Regla de Simpson de 1/3: Resulta cuando se sustituye un polinomio de 2 grado
en la ecuacin:
dx (x) f dx f(x) I
2
b
a
x
x
2
0
= =

si a y b se denominan como x
0
y x
2
y f
2
(x) se representa mediante un polinomio de
Lagranje de 2 orden.
dx ) f(x
) x )(x x (x
) x )(x x (x
) f(x
x )(x x (x
) x )(x x (x
) f(x
) x )(x x (x
) x )(x x (x
I
2
1 2 0 2
1 0
1
2 1 0 1
2 0
0
2 0 1 0
2 1 x
x
2
0
(

+

+

=
)

Despus de integrar y de reordenar trminos, resulta la siguiente ecuacin:
[ ]
I
h
3
f(x ) 4f(x ) f(x )
donde h =
b - a
2
0 1 2
= + +

(La etiqueta de 1/3, viene de que se le divide por 3, mientras que a la trapezoidal se
divide entre 2).
Figura b
f(x)
x
Figura a
f(x)
x

5.5.1.1. Ejemplo 5:
Utilice Simpson de 1/3 simple para hallar:
0.4
2
0 0.8
h
0.232 f(0.8)
2.456 f(0.4)
0.2 ) f(x
0.8 b x
0.4 x 0 a x
mita) la en esta (x puntos 3 toman se
400x 675x 200x - 25x + 0.2 = f(x) donde f(x)
0
2
1 0
1
5 3 2 0.8
0
=
=
=
=
=
= =
= = =
+ +
4
900X

[ ] + + =
= =

=
I =
0.4
3
0.2 4(2.456) 0.232 1.367467
Comparando con V 1.6405333 E
1.6405333 1.36747
1.6405333
16.6%
E R

5.5.2. Regla de Simpson de 1/3 de segmento multiple (Mtodo de Simpson
compuesto): Al igual que la regla tropezioal, la de Simpson se puede mejorar dividiendo
el intervalo de integracin en segmento de igual amplitud.
h
b a
n
=

La integral se representa como:

+ + + =
n
2 n
4
2
2
0
x
x
x
x
x
x
f(x)dx ... f(x)dx dx f(x) I

al sustituir la regla de Simpson en cada uno e los integrales individuales se obtiene:
I
3 3 3
)
n
f(x )
1 n
4f(x )
2 n
f(x
h ...
)
4
f(x )
3
4f(x )
2
f(x
h
)
2
f(x )
1
4f(x )
0
f(x
h
+
+ +
+ +
+
+ +
=
Reordenando trminos queda:
I =
h
3
f(x ) 4 f(x ) 2 f(x ) f(x )
0 i j n
j 2,4,6
n 2
i 3,5
n 1
+ + +
(
=

1,

Nota: Se debe usar un nmero par de segmentos:
a
x
b
f(x)

5.5.2.1..Ejemplo 6:
Para f(x) = 0.2 + 25x 200x
2
+ 675x
3
900x
4
+ 400x
5

Utilice la regla de Simpson de 1/3 con n = 4 para calcular
f(x)dx
0
0 8 ,

x
0
= a = 0 f(0) = 0.2 h =
0.8 0
4
0.2
=
n = 4

f(x
1
) = f(0.2) = 1.288
f(x
2
) = f(0.4) = 2.456
f(x
3
) = f(0.6) = 3.464
f(x
4
) = f(0.8) = 0.232

I =
h
3
f(x ) 4 f(x ) 2 f(x ) f(x )
0 i j n
j 2,4,6
n 2
i 3,5
n 1
+ + +
(
=

1,

I =
[ ]
0.2
3
0.2 4(1.288 3.464) 2(2.456) 0.232 1.623466 + + + + =

Comparando con V
E
= 1.6405333 E
R
=
1640533 162234662
16405333
. .
.
x100% => E
R
=1.04%

5.5.2.2. Ejemplo 7:
Encuentre la integral aproximada de la funcin
/2 x
2
e
2
1

entre 1 y 1
(expresin de la curva normal tipificada).

a) Utilizando la regla trapezoidal con n = 4
b) Utilizando la regla de Simpson con n = 4
En ambos casos compare con el resultado de tablas que es 0,682

Solucin:
b = 1 a = -1

a) I =
h
2
f(x ) 2 f(x ) f(x )
0 i n
i
n 1
+ +
(
=
1
h =
b a
n
1 ( 1)
4
0,5
=

=

f(x
0
) = f(-1) =
1
2
e
1
2
e
0.606
2
( 1)
2
05
2

= =

0 0.2 0.4 0.6 0.8
x
0
x
1
x
2
x
3
x
4

f(x
1
) = f(-0.5) =
2
0.882
e
2
1
e
2
1
0.125
2
(0.5)
2
= =

f(x
2
) = f(0) =
1
2
e
1
2
e
1
2
0
2
2

= =
0

f(x
3
) = f(0.5) =
1
2
e
1
2
e
0.882
2
(0.5)
2
0125
2

= =

f(x
4
) = f(1) =
1
2
e
1
2
e
0.606
2
1
2
05
2

= =

I =
0.5
2
0.60
2
2
0.882
2
1
2
0.882
2
0.606
2
0.672

+ + +
|
\
| +
(
=

E
R
=
0.682 0672
0.682
0.0147 1.47%
= =

b) I =
(
+ + +

=
1 n
3,5 i
2 n
2,4,6 j
n j i 0
) f(x ) f(x 2 ) f(x 4 ) f(x
3
h
, 1

I =
[ ]
0.5
3 2
0.606 4(0882 0882) 2(1) 0.606 0.683
+ + + + =

E
R
=
0.682 0.683
0.682
0.0015 0.15%
= =

5.5.3. Regla de Simpson de 3/8. Es de utilidad en aplicaciones de segmentos mltiples
cuando el nmero de segmentos es impar.
De manera similar a la derivacin de la regla trapezoidal y a la regla de simpson de 1/3,
se pueden ajustar polinomios de lagrange de tercer orden a 4 puntos e integrar:
I = f(x)dx P (x)dx
b b
1

para obtener:
I=
(
+ + +

) f(x ) f(x ) f(x ) f(x
8
3h
3 2 1 0
3 3
donde h=(b-a)/3
La ecuacin se llama regla de simpson de 3/8 por que h es mltiplo de 3/8
5.5.3.1.Ejemplo 8. para
5 3 2
400x 675x 200x - 25x + 0.2 = f(x) + +
4
900X
, hallar
f(x)
0.8
0

Requiere 4 puntos con n=3 |____|___|____|

x
0
x
1
x
2
x
3
x
0
= a = 0
x
3
= b = 0.8

h
0.8 0
3
0.2667 ancho de cada intervalo =

=

f(x
0
)=f(0)=0.2
f(x
1
)=f(0.2667) = 1.43272428
f(x
2
)= f(0.5333) = 3.48717696
f(x
3
) = f(0.8) = 0.232

( ) [ ] 232 . 0 ) 4817696 . 3 ( 3 43272428 . 1 3 2 . 0
8
2667 . 0 3
+ + + =
x
I

I=1.519170 Er=
% 4 . 7 % 100
6405333 . 1
519170 . 1 6405333 . 1
=
x

5.6. CUADRATURA DE GAUSS

Con los mtodos trapezoidal y de Simpson la estimacin de la integral se basa en
puntos igualmente espaciados por lo tanto la posicin de los puntos base usados en
estas ecuaciones estaba predeterminado o fijo, generando con ello un error muy
grande.

Fig. a: Mtodo trapezoidal Fig. b: Mtodo de Gauss

Gauus investig y encontr que es factible disminuir el error en la integracin
cambiando la localizacin de los puntos sobre la curva de integracin (figura b)
obtenindose un valor ms exacto de la integral. El mtodo de Gauss consiste en
seleccionar los puntos C y D adecuados.

5.6.1. Obtencin del mtodo de integracin Gaussiana usando dos puntos:

Supongamos que deseamos integrar la funcin f(x) entre 1 y 1 Gauss se propuso
desarrollar una frmula del tipo
-1 x
1
x
2
1
f(x
1
)
C
f(x
2
)

D
f(x)
A
B
x
0
x
1
b

C
D

a b


I =
f(x) C f(x ) C f(x )
1 1 2 2
= +
1
1

Para simplificar el clculo del rea en donde C
1
y C
2
son los coeficientes de las
incgnitas y x
1
y x
2
no estn fijos a los puntos extremos sino que son incgnitas por lo
tanto se tienen 4 incgnitas que se deben evaluar y por consiguiente se requieren 4
condiciones que se pueden establecer as.

f(x) = 1 funcin constante
f(x) = x funcin lineal
f(x) = x
2
funcin cuadrtica
f(x) = x
3
funcin cbica

Los valores al integrar estas 4 funciones entre -1 y 1 son:
I
1
=
] 1dx x 2
1
1
1
1
= =

I
2
=
xdx
x
2
0
1
1
2
1
1
=
(
(
=

I
3
=
3
2
3
3
=
(
(
=
1
1
1
1
2
dx x
x

I
4
=
] x dx 0
3
1
1
1
1
= =
x
4
4

tenemos al reemplazar en I = C
1
f (x
1
) + C
2
f(x
2
):
I
1
= C
1
(1) + C
2
(1) = 2 C
1
+ C
2
= 2 (1)
I
2
= C
1
x
1
+ C
1
x
2
= 0 (2)
I
3
= C
1
x
1
2
+ C
2
x
2
2
= 2/3 (3)
I
4
= C
1
x
1
3
+ C
2
x
2
3
= 0 (4)

Si en la primera ecuacin C
1
= C
2
= 1
Entonces en la segunda ecuacin se tendra que x
1
+ x
2
= 0 x
1
= x
2

que tambin satisface para la cuarta ecuacin, al sustituir en la tercera ecuacin, se
obtiene:
x
1
2
+ (-x
1
)
2
= 2/3
2x
1
2
= 2/3 x
1
2
= 1/3 Luego x
1
=
=
1
3
1
3

Luego x
2
3
0.57735....
x
1
3
0.57735....
1
2
= =
= =

Por lo tanto, la frmula quedar:


I f(x) dx =c f(x ) c f(x )
I =f
-1
3
f
1
3
3 1 2 2
1
1
= +
|
\
|
+
|
\

Si los lmites de integracin son de a a b y no 1 a 1 para los cuales de dedujo la
frmula entonces se debe efectuar un cambio de variables. Se reemplaza la variable
dada por otra en la que est relacionada linealmente.

Si se tiene
x
(b a)x (b a)
2
de manera que dx
b a
2
dx
* *
=
+ +
=

|
\
|

entonces f(x)dx
b a
2
f
(b a)x (b a)
2
dx
1
1
a
b
=
+ +
|
\

t= 0.57735

Que es la frmula de Gauss Legendre para dos puntos.

Si se tienen ms de dos puntos.

) ( ...... .......... )
2
(
2
)
1
(
1
[
2
n
x f
n
c x f c x f c
a b
I + + +
=

donde los valores de c (factores de peso) y los x
*
(argumentos de la funcin) se
establecen en el cuadro 3 segn el nmero de puntos considerados.

Donde:
2
) (
*
2
) ( a b
x
a b
X
i
+
+
=

(
\
| +
+
+
|
\
| +
+

=
2
b a
(0.57735)
2
a b
f
2
b a
0.57735) (
2
a b
f
2
a b
f(x)dx
b
a


5.6.2.Cuadro 5. Factores de peso c y argumentos x de la funcin usados en las
frmulas de Gauss-Legendre

Puntos Factores de peso Argumentos de la funcin (X*)
2 c
1
= 1.000 000 000 x
1
= - 0.577 350 269
c
2
= 1.000 000 000 x
2
= 0.577 350 269

3 c
1
= 0.555 555 556 X
1
= - 0.774 596 669
c
2
= 0.888 888 889 x
2
= 0.0
c
3
= 0.555 555 556 x
3
= 0.774 596 669

4 c
1
= 0.347 854 845 x
1
= - 0.861 136 312
c
2
= 0.652 145 155 x
2
= - 0.339 981 044
c
3
= 0.652 145 155 x
3
= 0.339 981 044
c
4
= 0.347 854 845 x
4
= 0.861.136.312

5 c
1
= 0.236 926 885 x
1
= - 0.906 179 846
c
2
= 0.478 628 670 x
2
= - 0.538 469 310
c
3
= 0.568 888 889 x
3
= 0.0
c
4
= 0.478 628 670 x
4
= 0.538 469 310
c
5
= 0.236 926 885 x
5
= 0.906 179 846

6 c
1
= 0.171 324 492 x
1
= - 0.932 469 514
c
2
= 0.360 761 573 x
2
= - 0.661 209 386
c
3
= 0.467 913 935 x
3
= - 0.238 619 186
c
4
= 0.467 913 935 x
4
= 0.238 619 186
c
5
= 0.360 761 573 x
5
= 0.661 209 386
c
6
= 0.171 324 492 x
6
= 0.932 469 514


Ejemplo 1:
Calcular
e dx con 2 puntos
x
0
5
: c
1
=1 x
1
*
= - 0.57735 c
2
=1 x
2
*
= 0.57735
b=5 a=0
b a
2
5
2

b +a
2
5
2
= =

=
=
= +
|
\
| +
+
|
\
|
=
0.57735 x
0.57735 x
x
2
5
x
2
5
= x
2
a b
x
2
a b
x
*
*
* * *
2
1

[ ] [ ]
[ ]

= =
+ = +
= = =
= = =
5
0
x
2 2 1 1
3.943375 -
2
5
(0.57735)
2
5
2
1.056625 -
2
5
0.57735) (
2
5
1
0.917525 dx e 0.917525 0.36701
2
5
= I
0.019383 x 1 0.347627 x 1
2
5
) f(x c ) f(x c
2
a - b
= I
0.019383 e = e ) f(x
0.347627 e = e ) f(x
2
1
x
x
e
e

Si consideramos 3 puntos: c
1
=0.55556 x
1
*
= -0.77460
c
2
=0.88889 x
2
*
= 0.0
c
3
=0.55556 x
3
*
= 0.77460
[ ]
[ ]
= =
= =
+ +
=
= = = =
= = = =
= = = =
+
5
0
R
x
3 3 2 2 1 1
4.4365 2
5
x0.77460
2
5
3
2.5 2
5
x0.0
2
5
2
0.5635 2
5
0.77460) (
2
5
1
0.5%
0.99362
0.998505 0.993262
E 0.993262 dx e de exacto El valor
0.998505 0.01837 x 0.55556 + 0.08208 x 0.88889 + 0.569213 x 0.55556
2
5
I
) f(x c ) f(x c ) f(x c
2
a b
I
0.011837 e e ) f(x
0.082085 e e ) f(x
0.569213 e e ) f(x
3
2
1
x
x
x
e
e
e


ALGORITMO Mtodo trapezoidal

Para aproximar el rea bajo la curva de una funcin analtica f(x) en el intervalo [a, b],
proporcionar la funcin por integrar F(x) y los

DATOS: El nmero de trapecios N, el lmite inferior A y lmite superior
B.
RESULTADOS: El rea aproximada AREA.
PASO 1. Hacer X = A
PASO 2. Hacer S = 0
PASO 3. Hacer H = (B - A)/N
PASO 4. Si N = 1, ir al paso 10. De otro modo continuar.
PASO 5. Hacer I = 1
PASO 6. Mientras I N - 1, repetir los pasos 7 a 9.
PASO 7. Hacer X = X + H
PASO 8. Hacer S = S + F(X)
PASO 10. Hacer AREA = H/2 * (F(A) + 2*S+F(B))
PASO 11. IMPRIMIR AREA y TERMINAR.

ALGORITMO Mtodo de Simpson

Para aproximar el rea bajo la curva de una funcin analtica f(x) en el intervalo [a,b],
proporcionar la funcin por integrar F(X) y los

DATOS: El nmero (par) de subintervalos N, el lmite inferior A y el
lmite superior B.
RESULTADOS: El rea aproximada AREA.
PASO 1. Hacer S1 = 0
PASO 2. Hacer S2 = 0
PASO 3. Hacer X = A
PASO 4. Hacer H = (B-A)/N
PASO 5. Si N = 2, ir al paso 13. De otro modo continuar.
PASO 6. Hacer I = 1
PASO 7. Mientras I N/2-1, repetir los pasos 8 a 12.
PASO 9. Hacer S1 = S1 + F(X)
PASO 12. Hacer i = I + 1
PASO 15. Hacer REA = H/3 * (F(A) + 4*S1 + 2*S2 + F(B))
PASO 16. IMPRIMIR AREA y TERMINAR.

ACTIVIDADES N 5

1.Evale cada una de las integrales de los siguientes datos tabulares usando: regla
trapezoidal y regla de simpson :
a)
X 0 0.1 0.2 0.3 0.4 0.5 0.6
F(x) 1 7 4 3 5 8 9
b)
X -3 -1 1 3 5 7 9
F(x) 1 -4 -5 2 4 8 6

2.Dadas las siguientes integrales:
a)
+ +
10
0
)
4
5
2
6 2 10 ( dx x x x
b)
dx x x x )
5
3
5
3
3
4 1 ( +
c)
0
) sen 5 8 ( dx x

Evale cada una de ellas, utilizando:
1.1.La regla trapezoidal simple
1.2.La regla trapezoidal de segmentos mltiples con n=2, 4 y 6.
1.3.La regla simple de simpson de 1/3
1.4.La regla de simpson de 1/3 de segmentos mltiples con n=4 y 6.
1.5.La regla de simpson de 3/8.
1.6. Halle el Error relativo en cada caso

3.Integre analticamente la siguiente funcin y luego resuelva usando la regla de
simpson de 1/3 con n=4 y 5 y determine el error en cada caso con relacin al valor
analtico.

4.Dada :
dx
x
xe
4
0
2
realice mediante:
a)La regla trapezoidal con n=4
b)La regla de simpson con n=4
c)determine el valor analtico y establezca el error para a) y b).

5.Usando las frmulas de Gauss-Legendre dos, tres y cuatro puntos, obtenga el valor
de:

dx
x
xe
4
0
2
y calcule el E
r
en c/u.
6.Mediante la cuadratura Gausiana de tres trminos, evale:
dx
x
x sen
1
0

respuesta: 0.94608

dx x ]
6
4
3
) 8 4 [(
+

6. ECUACIONES DIFERENCIALES NUMRICAS

6.1 INTRODUCCIN

Con mucha frecuencia aparecen problemas en ingeniera, fsica, qumica,
ecologa meteorologa, sociologa, etc., que exigen el manejo de ecuaciones
diferenciales, muchas de las cuales no se pueden resolver pos los mtodos
convencionales, tenindose que recurrir a mtodos numricos aproximados.

Se llama ecuacin diferencial aquella ecuacin que contiene una variable dependiente
y sus derivadas con respecto a una o ms variables independientes. Se dividen en dos
grandes grupos: Ordinarias, si contienen una sola variable independiente y Parciales,
cuando contienen varias variables independientes.

Estudiaremos nicamente las ecuaciones diferenciales ordinarias (EDO). Estas se
clasifican y estudian segn el orden de la mayor derivada que aparece en la respectiva
ecuacin diferencial.

Ejemplo:
dy
dt
ky =
es de 1
er
orden

m
d y
dt
ky
2
2
=
es de 2 orden

d y
dx
5
dy
dx
6y 0
3
3
+ =
es de 3
er
orden

Los problemas que encierran el uso de ecuaciones diferenciales ordinarias, constarn
de:

* Una ecuacin diferencial ordinaria:
dy
dx
y f(x, y)
1
= =

* Las condiciones iniciales.

* El intervalo para la variable independiente x, para el cual debe determinarse la
funcin y, si existe.


6.2 MTODO DE EULER
Consiste en dividir el intervalo de X
0
a X
n
en n subintervalos de ancho h.
h
x x
n
n o
=

obtenindose un conjunto discreto de (n + 1) punto: x
0
, x
1
, x
2
x
n
en el intervalo [x
0
, x
n
] generndose la sucesin de aproximaciones siguientes:

y
1
= y
0
+ hf (x
0
, y
0
)
y
2
= y
1
+ hf (x
1
, y
1
)
y
3
= y
2
+ hf (x
2
, y
2
)
.
.
y
n+1
= y
n
+ hf(x
n
, y
n
)

con i = 0 hasta n

siendo f(x
i
, y
i
) la ecuacin diferencial evaluada en x
i
y y
i
.

Ejemplo 1: Utilice el mtodo de Euler para integrar numricamente la ecuacin:
y
=f(x,y) = -2x
3
+ 12x
2
20x + 8.5 de x=1.0 hasta x=3.0 considerando 4 intervalos y el
valor inicial en x=1 es y=3

X
0
= 1 f(x
0
, y
0
) = f(1 , 3)

y
i+1
= y
i
+ hf(x
i
, y
i
)

La solucin exacta est dada por
dx x x x dx y x f ) 5 . 8 20
2
12
3
2 ( ) , (

+ + =

=> y= -0.5x
4
+4x
3
10x
2
+8.5x+1 y(3)=4

exacto mas da menor y es h ntonces n aumenta se si 6.25%
4
4.25 4
E
R
e x =
= % 100

y
i+1
= y
i
+ hf(x
i
, y
i
)
1.0 1.5 2.0 2.5 3.0
x
0
x
1
x
2
x
3
x
4

x
i x
i
y
i
F(x
i
, y
i
) y
i+1
=y
i
+hf(x
i
,y
i
)
0
1
2
3
4
1
1.5
2.0
2.5
3.0
3
2.25
1.625
1.875
3.000
-1.5
-1.25
0.50
2.25
2.5
2.25
1.625
1.875
3.000
4.25
0.5
4
1 3
h =
=

Ejemplo 2. Dada la ecuacin diferencial
y) f(x,
dx
dy
=
= x y , resuelva por el mtodo de
Euler para el intervalo [0, 1] considerando 5 intervalos y siendo y(0)=2

Y(1)=?
0.2
5
0 1
h =
=
1.0
x
5
y
i+1
= y
i
+ hf(x
i
, y
i
)

i x
i
y
i
F(x
i
, y
i
) y
i
+1=y
i
+hf(x
i
,y
i
)
0
1
2
3
4
5
0
0.2
0.4
0.6
0.8
1.0
2
1.6
1.32
1.136
1.0288
0.98304
-2
-1.4
-0.92
-0.536
-0.2288
-0.01696
1.6
1.32
1.136
1.0288
0.98304
0.986432

El valor exacto es 1.10364
.93%
1.10364
.986432 1.10364
E
R
10 % 100
0
=
= x

3. ANLISIS DEL ERROR EN EL MTODO DE EULER MEDIANTE EL
MTODO DE TAYLOR

La solucin numrica de una ecuacin diferencial ordinaria incluye dos tipos de errores:

1. Errores de truncamiento causados por la naturaleza de los mtodos empleados en la
aproximacin a los valores de y.

2. Errores de redondeo causados por el nmero limitado de dgitos o de cifras
significativas que pueda tener la computadora.

El conocimiento de la magnitud y propiedades del error de truncamiento se puede
obtener derivando el mtodo de Euler directamente de la expansin de la serie de
Taylor.

Recuerde que la ecuacin diferencial que se est integrando tiene la forma general
y
=f(x,y) donde y
=
dy
dx
, x
y
y son las variables independientes y dependientes
respectivamente.

La serie de Taylor se expresa como:
n
n
i
(n)
3 i 2 i
i i 1 i
R
n!
)h (x f
...... h
3!
) (x ' ' ' f
h
2!
) (x ' ' f
)h (x ' f ) f(x ) f(x + + + + + + =
+

R
f (c)
(n 1)!
h
n
(n 1)
n 1
=
+
+
+
en donde R
n
es el trmino residual
0 0.2 0.4 0.6 0.8
00.800.80
x
0
x
1
x
2
x
3
x
4


Si para la ecuacin diferencial y =f (x,y) el punto inicial es (x
i
,y
i
) siendo y =f(x,y)
n
n
(n)
i
2
i
i 1 i
R
n!
h y ,
......
2!
h ' ' y
h ' y y y + + + + + =
+ i con
R
f ( c )
( n 1 ) !
h
n
( n 1 )
n 1
=
+
+
+

como y=f(x,y), entonces podemos reacomodar as:

Este es el mtodo de Taylor que al comparar con el mtodo de Euler y
i+1
=y
i
+hf(x
i
,y
i
), se
observa que este equivale a la serie de Taylor truncada hasta el trmino f(x
i
, y
i
)h que
corresponde al mtodo de Taylor de 1
er
orden dejando por lo tanto una parte de la
solucin verdadera.

Luego los trminos restantes que quedan constituyen el error de truncamiento E
T
.

n!
)h y , (x f
......
3!
)h y , (x ' ' f
2!
)h y , (x ' f
E
n
i i
1) (n 3
i i
2
i i
T
+ + + =

Ejemplo: para la ecuacin y=f(x,y)= -2x
3
+12x
2
20x + 8.5 utilice el mtodo de Taylor
para evaluar en el primer paso (n=1), x=1.0 siendo h=0.5 valor inicial en x=1 y=3 y
compare con el resultado obtenido para el mismo paso con el mtodo de Euler.

Solucin:

f(x
i
, y
i
) = -2x
3
+12x
2
20x + 8.5
f(x
i
, y
i
) = -6x
2
+24x 20
f(x
i
, y
i
) = -12x + 24
f(x
i
, y
i
) = - 12
de aqu en adelante las f
(n)
(x
i
, y
i
)=0

Por Taylor:
! 4
4
) , ( ' ' '
! 3
3
) , ( "
! 2
2
) , ( '
) , (
1
h
i
y
i
x f h
i
y
i
x f h
i
y
i
x f
h
i
y
i
x f
i
y
i
y + + + + =
+

En (x
0
,y
0
) f(1,3) = -2(1)
3
+ 12(1)
2
20(1) + 8.5 = -1.5
f(1,3) = -6(1)
2
+ 24(1) 20 = -2
f(1,3) = -12(1) + 24 = 12
f(1,3) = -12
n
n
i
1) (n
2
i i
i i i 1 i
R
n!
)h y , (x f
......
2!
)h y , (x ' f
)h y , f(x y y + + + + + =
+
1.0 1.5
x
0
x
1


2.21875 0.03125 0.25 0.25 2.25 y
24
12(0.5)
6
12(0.5)
2
2(0.5)
1.5)x0.5 ( 3 y
4!
)h y , (x ' ' ' f
3!
)h y , (x ' ' f
2!
)h y , (x ' f
)h y , f(x y y
1
4 3 2
1
4
0 0
3
0 0
2
0 0
0 0 0 1
= + =
+ +
+ + =
+ + + + =

El valor exacto es x=1.5 para f(x,y) dx y= -0.5x
4
+ 4x
3
10x
2
+ 8.5X + 1
es y= 2.21875

=

= E
2.21875 2.21875
2.21875
0%
R

Con el mtodo de Euler:

Y
1
=y
0
+ f(x
0
,y
0
)h =3+(-1.5)x0.5=2.25 E
a
=2.21875 2.25 = -0.03125

E
R
=
21875 . 2
25 . 2 21875 . 2
x100%=1.408%

E
T
=
24
4
) 5 . 0 ( 12
6
3
) 5 . 0 ( 12
2
2
) 5 . 0 ( 2
! 4
4
)
0
,
0
( ' ' '
! 3
3
)
0
,
0
( "
! 2
2
)
0
,
0
( '

+ +
= + +
h y x f h y x f h y x f

E
T
= -0.25+0.25-0.03125 = -0.03125 que corresponde a E
a

Por Euler: y
i+1
= y
i
+ f(x
i
,y
i
)h + E
T

La serie de Taylor es un medio para cuantificar el error en el mtodo de Euler. Sin
embargo, presenta algunos inconvenientes como:

1) Solamente proporciona una aproximacin local del error de truncamiento durante el
primer paso.

2) La extensin a 4, 5 o ms pasos de la serie de Taylor significa obtener mtodos con
mayor exactitud pero menos prcticos ya que incluiran diferenciaciones complicadas
para f(x,y).

3) Las derivadas necesarias para evaluar la serie de Taylor no siempre son fciles de
obtener.


6.4 MTODO DE EULER MODIFICADO

Una fuente fundamental de error en el mtodo de Euler es que la derivada al principio
del intervalo se supone que se aplica a travs del intervalo entero y para obtener una
exactitud razonable se utiliza un intervalo muy pequeo a cambio de un error de
redondeo mayor.

El mtodo de Euler modificado trata de evitar este problema utilizando un valor
promedio de la derivada tomada en los dos extremos del intervalo en lugar de la
derivada tomada en un solo extremo.

El mtodo de Euler modificado consta de dos pasos bsicos:

1. Se parte de (x
0
,y
0
) y se utiliza el mtodo de Euler a fin de calcular el valor de y
correspondiente a x
1
. Este valor de y se denotar como
y
1
ya que solo es un valor
transitorio para y
1
. Esta parte del proceso se conoce como paso predictor.

2. El segundo paso se llama corrector, pues trata de corregir la prediccin. En el nuevo
punto obtenido
(x , y
1 1
)
se evala la derivada de f
(x , y
1 1
)
usando la ecuacin ordinaria
que se est resolviendo. Se obtiene la media aritmtica de esta derivada y la derivada
en el punto inicial (x
0
,y
0
).
[ ]
1
2
f(x , y ) f(x ,y ) derivada promedio
0 0 1 1
+ =

se usa la derivada promedio para calcular un nuevo valor de y
i
con la ecuacin de Euler
y
n+1
= y
i
+ hf(x
i
, y
i
) que deber ser ms exacto que
y .
1

[ ]
= + + y y
h
2
f(x , y ) (f(x , y ))
1 0 0 0 1 1
que se tomar como valor definitivo de y
1.

h
x x
n
n 0
=

|
\
|

Este procedimiento se repite hasta llegar a y
n
.

El esquema iterativo para este mtodo quedara en general as:
1. Usando el paso de prediccin resulta:
y y hf(x , y )
i 1 i i i +
= +

2. Se calcula la derivada
f(x , y )
i 1 i 1 + +

3. Se establece la derivada promedio (llammosla B)
[ ]
B
1
2
f(x , y ) f(x , y )
i i i 1 i 1
= +
+ +

4. Se sustituye f(x
i
,y
i
) con este valor promedio en la ecuacin de iteracin de Euler y
se obtiene
[ ]
y y
h
2
f(x ,y ) f(x ,y )
i 1 i i i i 1 i 1 + + +
= + +
o simplificado: y
i+1
= y
i
+ hB


Ejemplo 1: Resuelva f(x,y) = x - y en el intervalo [0,1]
Con y(0)=2 y(1)=? y Con 5 intervalos.

x
0
=0 y
0
=2
x
n
=1 y
n
=? n=5

En forma iterativa, hagamos la siguiente tabla:
de i=0 hasta n=5

Recuerde que: x
i+1
=x
i
+h f(x
i
,y
i
) = x
i
- y
i

y y hf(x ,y )
i 1 i i i +
= +

[ ] ) y , f(x ) y , f(x
2
1
B
1 i 1 i i i + +
+ =

i x
i
Y
i
f(x
i
,y
i
)
y
i 1 +

X
i+1
f(x , y )
i 1 i 1 + +

B Y
i+1
=y
i
+hB
0
1
2
3
4
5
0
0.2
0.4
0.6
0.8
1.0
2
1.66
1.4172
1.254104
1.156365
1.112222
-2
-1.46
-1.0172
-0.654104
-0.356365

1.6
1.368
1.21376
1.12328
1.085092

0.2
0.4
0.6
0.8
1.0
-1.4
-0.968
-0.61378
-0.32328
-0.08509
-1.7
-1.214
-0.81548
-0.488694
-0.2207286
1.66
1.4172
1.254104
1.156365
1.112220

Para i=5 y
5
=y(1)=1.112222

El valor exacto es 1.10364

=

=
E
1.10364 1.112222
1.10364
x100%
E 0.78%
R
R

h
x x
n
1 0
5
h = 0.2
n 0
=

=

0 0.2 0.4 0.6 0.8 1
x
0
x
1
x
2
x
3
x
4
x
5

6.5 .METODOS DE RUNGE-KUTTA (RK)

Los mtodos de Runge-Kutta tienen la exactitud del esquema de la serie de Taylor sin
necesidad de clculo de derivadas superiores y consisten en obtener un resultado que
se obtendra al utilizar un nmero finito de trminos en una serie de Taylor de la forma:

! 4
4
) , ( ' ' '
! 3
3
) , ( "
! 2
2
) , ( '
) , (
1
h
i
y
i
x f h
i
y
i
x f h
i
y
i
x f
h
i
y
i
x f
i
y
i
y + + + + =
+
+.......... (1)

con una aproximacin en la cual se calcula y
i+1
de la frmula:
) , ( ....... )
1
,
1
(
1
) , (
0
(
1
h
p
b
i
y h
p i
x f
p
h b
i
y h
i
x f
i
y
i
x f h
i
y
i
Y + + + + + + + + =
+

) (2)
donde los
,

,
b
se determinan de modo que si expandiera
) , ( h
j
b
i
y h
j i
x f + +

con
i
p en series de Taylor alrededor de (x

i
, y
i
), se observara que los coeficientes de h,
h
2
, h
3
, etc. Coincidiran con los coeficientes correspondientes de la ecuacin (1).

Despus de efectuar los clculos convenientes a la ecuacin (2) para establecer los
valores de
,

,
b
, tenemos las siguientes expresiones de Runge-Kutta (RK):

1.Mtodo RK de segundo orden:
y
i+1
= y
i
+
2
h
[k
1
+k
2
] donde: k
1
=f(x
i
, y
i
)
k
2
=f(x
i
+h, y
i
+hk
1
)

2.Mtodo RK de tercer orden:
y
i+1
= y
i
+
6
h
[k
1
+4k
2
+k
3
] donde: k
1
=f(x
i
, y
i
)
k
2
=f(x
i
+
2
h
, y
i
+
2
h
k
1
)
k
3
= f(x
i
+h, y
i
-hk
1
+2hk
2
)

3. Mtodo RK de cuarto orden:
y
i+1
= y
i
+
6
h
[k
1
+2k
2
+2k
3
+k
4
] donde: k
1
=f(x
i
, y
i
)
k
2
=f(x
i
+
2
h
, y
i
+
2
h
k
1
)
k
3
=f(x
i
+
2
h
, y
i
+
2
h
k
2
)
k
4
=f(x
i
+h, y
i
+hk
3
)

*El mtodo ms utilizado es el de cuarto orden ya que coincide con los primeros cinco
trminos de la serie de Taylor lo cual significa gran exactitud sin clculo de derivadas
aunque haya que evaluar la funcin f(x,y) cuatro veces en cada subintervalo.


Ejemplo:
Aplquese el mtodo de Runge-Kutta de cuarto orden para f(x,y)=x-y donde x=0 hasta
x=1 con 5 intervalos y siendo para x=0, y=2.

6.5.1.Ejemplo:
Aplquese el mtodo de Runge-Kutta de cuarto orden para f(x,y)= x y desde x=0
hasta x=1
Con 5 intervalos siendo para x=0 y=2.

Solucin:
1 - 0
(x
0
, y
0
)= (0, 2) h= ------ =0.2
5
para x=1 y=?

x
0
=0 x
1
=0.2 x
2
=0.4 x
3
=0.6 x
4
=0.8 x
5
=1.0

Aplicamos: y
i+1
= y
i
+
6
h
[k
1
+2k
2
+2k
3
+k
4
]
Se calculan los valores de k
1
, k
2
, k
3
, k
4
en cada iteracin y se halla y
i+1

i x
i
Y
i
K
1
K
2
K
3
K
4
Y
i+1

0 0 2 -2 -1.7 -1.73 -1.454 1.6562
1 0.2 1.6562 -1.4562 -1,21058 -1.235142 -1.009172 1.410973
2 0.4 1.410973 -1.010973 -0.809876 -0.829985 -0.644976 1.246451
3 0.6 1.246451 -0.746451 -0.471806 -0.49927 -0.346797 1.148004
4 0.8 1.148004 -0.348004 -0.213204 -0.226684 -0.10268 1.103656
5 1.0 1.103656

para x=1.0, y=1.103656

que al comparar con el valor exacto que es 1.10364, tenemos:

%
1.10364
.103656 1.10364
E
R
001 . 0 % 100
1
=
= x

ALGORITMO
Mtodo de Euler modificado

Para obtener la aproximacin YF a la solucin de un PVI, proporcionar la funcin
F(X,Y) y los

DATOS: La condicin inicial X0, Y0, el valor XF donde se desea
conocer el valor de YF, y el nmero N de subintervalos por
emplear.
RESULTADOS: Aproximacin a YF: Y0.

PASO 1. Hacer H = (XF - X0)/N
PASO 2. Hacer I = 1
PASO 3. Mientras I N, repetir los pasos 4 a 7.
PASO 4. Hacer Y1 = Y0 + H * F(X0, Y0)
PASO 5. Hacer Y0 = Y0 + H2 * (F(X0, Y0)+F(X0+H,Y1))
PASO 6. Hacer X0 = X0 + H
PASO 8. IMPRIMIR Y0 y TERMINAR.

ALGORITMO Mtodo de Runge - Kutta de cuarto orden

Para obtener la aproximacin YF a la solucin de un PVI, proporcionar la funcin
F(X,Y) y los

DATOS: La condicin inicial X0, Y0, el valor XF donde se desea
conocer el valor de YF y el nmero N de subintervalos a
emplear.
RESULTADOS: Aproximacin a YF: Y0

PASO 1. Hacer H = (XF - X0)/N
PASO 2. Hacer I = 1
PASO 3. Mientras I N, repetir los pasos 4 a 10.
PASO 4. Hacer K1 = F(X0, Y0)
PASO 5. Hacer K2 = F(X0 + H/2, Y0 + H * K1/2)
PASO 6. Hacer K3 = F(X0 + H/2, Y0 + H * K2/2)
PASO 7. Hacer K4 = F(X0 + H, Y0 * H * K3)
PASO 8. Hacer
Y0 = Y0 + H/6 * (K1 + 2*K2 + 2*K3 ++ K4)
PASO 9. Hacer X0 = X0 + H
PASO 11. IMPRIMIR Y0 y TERMINAR


ACTIVIDADES N 6

1. Dada la ecuacin diferencial f(x,y)=yx
2
-y con x=0 a x=2 siendo y(0)=1 y n=4
intervalos
a)resuelva por el mtodo sencillo de Euler
b) mtodo de Euler Modificado
c) mtodo RK de segundo orden
d) mtodo RK de cuarto orden
e) Resuelva analticamente y determine el Error relativo en cada caso.

2.dada y=f(x,y) = 2x
3
3x
2
entre x=0 y x=1 siendo f(0)=1 y con n=2, evale utilizando
a)el mtodo sencillo de Euler.
b) el mtodo de Taylor en el primero y segundo paso.

3.Dada y x y x f = ) , ( en el intervalo x=0 a x=1 siendo y(0)=1 y considerando 5
intervalos,
resuelva utilizando los mtodos de:
a)Euler Modificado
b)RK de segundo orden
c)RK de cuarto orden
d) Halle el E
R
en cada caso

4.Desarrolle sendos programas de computador para los mtodos de Euler Modificado y
RK de cuarto orden y aplquelo a la ecuacin del ejercicio 1 con:
a)n=4 intervalos
b)n=8 intervalos

5.Dada y=f(x,y)= -2x
3
+ 12x
2
20x + 8.5 resuelva utilizando el mtodo RK de cuarto
orden
desde x=1 hasta x=3 considrerando 4 intervalos y siendo y(1)=3. Determine el error
relativo si el valor exacto de y(3)=4.

6.Utilice el mtodo de Euler Modificado para resolver:

a) dy/dx=2x
3
2xy con y(0)=0 y(2.5)=? h=0.5

b) y=2x
2
3y
2
con y(1)=0.5 y(2)=? h=0.2

7.Utilice el mtodo RK de cuarto orden para resolver los problemas del ejercicio 6.

8.Utilice los programas de computador de Euler modificado y RK de cuarto orden para
resolver los problemas del ejercicio 6 considerando para c/u h=0.1

MODULOS-Métodos Numéricos

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

MODULOS-Métodos Numéricos

Uploaded by

Copyright:

Available Formats

FUNDAMENTOS DE CLASE

tomando como base x=

)=0.7071068 (debe utilizar Radianes (RAD) en la calculadora

=3.1 para evaluar 3 2 5 6 ) (

) con punto base x=

de la funcin f(x) si y slo s

) = 0. A las races de una ecuacin tambin se les llama ceros de la funcin.

[a, b] tal que f(r) = 0

, tomar c como una raz aproximada de f(x).

, nmero max de iteraciones (MAXI)

la 1 fila y se lo sumo a la 2 (Elemento

la 1 fila y se lo sumo a la 3 (Elemento

cuyo valor ser dado por el programador.

=0.1% los siguientes sistemas:

p en series de Taylor alrededor de (x

You might also like