Universidad de Los Andes Facultad de Ciencias ticas Departamento de Matema n Grupo de Ciencias de la Computacio

Soluci on Num erica de Problemas de Valor de Frontera para Ecuaciones Diferenciales Ordinarias1

rquez Br. Luis Jos e Berbes Ma Trabajo Especial de Grado Para Optar al T tulo de ticas. Licenciado en Matema n. Tutor: Dr. Giovanni Caldero

M erida-Venezuela 2010
Este trabajo fue parcialmente nanciado por Consejo de Desarrollo Cient co Human stico y Tecnol ogico, CDCHT ULA, bajo el proyecto C - 1687 - 10 - 02 - ED
1

RESUMEN
En muchas areas de las Ciencias B asicas e Ingenier a existen problemas donde es necesario encontrar la soluci on de una Ecuaci on Diferencial Ordinaria. Este tipo de problema, representa en la actualidad, uno de los temas b asicos del An alisis Num erico. Un caso particular, el cual representar a la base de este trabajo, est a dado por encontrar la aproximaci on de la soluci on de un Problema de Valor de Frontera (PVF) de segundo orden, esto es, aproximar la soluci on de la ecuaci on diferencial ordinaria: y = f (x, y, y ), y (a) = , y (b) = .

En los u ltimos a nos, se han introducido en la literatura una variedad de m etodos num ericos para resolver este problema. En este trabajo se estudian cinco m etodos para estimar la soluci on del problema planteado. Estos m etodos son: el m etodo del Disparo y Diferencias Finitas, considerados cl asicos en la literatura puesto que est an presentes en la mayor a de los textos de An alisis Num erico que abordan el problema propuesto, el m etodo de los Elementos Finitos y Galerkin Discontinuo, los cuales parten de la teor a de Espacios Normados y del An alisis Funcional, y el m etodo Bvp4c, un m etodo que usa la idea se superposici on y el mismo se encuentra implementado en Matlab.

 Indice general

Introducci on 1. Preliminares 1.1. Orden de aproximaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Teor a de Algebra Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3. Teor a de Ecuaciones Diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4. Teor a de An alisis Funcional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.1. Los espacios normados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.2. El espacio euclidiano y el espacio unitario . . . . . . . . . . . . . . . . . . . . . . . 1.4.3. Funcionales lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.4. Formas bilineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.5. El Teorema de Lax - Milgram . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.5. M etodo de Newton Raphson y Runge Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . O(hn )

III

1 1 2 2 5 5 6 7 8 9 9

2. M etodos Num ericos para aproximar la soluci on de un Problema de Valor de Frontera de segundo orden 11 2.1. M etodo del Disparo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . y y y y = = = = p(x)y + q (x)y + r (x) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . f (x, y, y ) p(x)y 11 12 14 17 17 20 23 23 24 27 28 28 2.1.1. Planteamiento para el caso 2.1.2. Planteamiento para el caso 2.2.1. Planteamiento para el caso 2.2.2. Planteamiento para el caso

2.2. M etodo de Diferencias Finitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . + q (x)y + r (x) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . f (x, y, y )

2.3. M etodo de Elementos Finitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1. Formulaci on d ebil de un problema modelo unidimensional . . . . . . . . . . . . . . 2.3.2. El MEF para el problema modelo con funciones lineales a trozos . . . . . . . . . . 2.3.3. Integraci on num erica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4. M etodo Galerkin Discontinuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.1. Formulaci on d ebil de un problema modelo unidimensional . . . . . . . . . . . . . . i

 Indice General 2.4.2. Derivaci on del sistema lineal A = b mediante el uso de polinomios discontinuos a trozos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.3. Construcci on de la matriz A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.4. Construcci on del vector b . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5. M etodo Bvp4c . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3. Experimentaci on Num erica A. Pruebas de algunas armaciones A.1. Correspondientes al M etodo del Disparo . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.2. Correspondientes al M etodo de Diferencias Finitas . . . . . . . . . . . . . . . . . . . . . . Referencias

31 32 34 36 39 65 65 66 68

ii

Introducci on

Los PVF de segundo orden suelen ser comunes en todas las ramas de las Ciencias Experimentales. Por ejemplo, en F sica, las leyes de Newton y muchas otras se expresan como un problema de este tipo, en Biolog a aparecen en el modelado de din amica de poblaciones, en la Qu mica surgen en la evaluaci on de las concentraciones de diversos reactivos durante una reacci on, etc. A lo largo de los a nos se han desarrollado t ecnicas para encontrar la soluci on anal tica a Ecuaciones Diferenciales Ordinarias, y por ende, la soluci on de los PVF que surgen de los modelos anteriormente mencionados. Sin embargo, resulta habitual que en la mayor a de los casos no se conozca la soluci on anal tica de la misma, y s olo estudios cualitativos de dichas ecuaciones son presentados en la literatura. Debido a esto, en la pr actica, resulta impetuoso usar m etodos num ericos para dar aproximaciones num ericas de la soluci on (aproximaciones tan buenas como se quiera). Hoy en d a, en la literatura, existen muchos m etodos que ayudan a estimar la soluci on de un PVF de segundo orden, y es por esta raz on, que este trabajo se concentrar a en el estudio de cinco de ellos. Estos m etodos son: el m etodo del Disparo y Diferencias Finitas (ver [9, 18]), considerados cl asicos dentro de la literatura, el m etodo de los Elementos Finitos y Galerkin Discontinuo (ver [3, 17] y [1], respectivamente), los cuales se fundamentan en resultados del An alisis Funcional, y el m etodo Bvp4c (ver [14]), un m etodo que usa la idea se superposici on y el mismo se encuentra implementado en Matlab. Las implementaciones num ericas de los cinco m etodos mencionados es llevada a cabo en Matlab. No obstante, por considerarlo irrelevante, los c odigos no son dados expl citamente. En general, el trabajo queda dividido de la siguiente manera: en el Cap tulo 1 se desarrollan los preliminares te oricos necesarios para abordar adecuadamente el estudio de los cinco m etodos. Se introducen resultados del Algebra Lineal (ver [2]), Ecuaciones Diferenciales (ver [7]) y An alisis Funcional (ver [3, 17]). As mismo, se introducen el m etodo de Newton Raphson, tanto para una ecuaci on como para un sistema de ecuaciones no lineales, y el m etodo de Runge Kutta, para resolver Problemas de Valor Inicial de iii

En muchas areas de las Ciencias B asicas e Ingenier a existen problemas donde es necesario encontrar la soluci on de una Ecuaci on Diferencial Ordinaria. Estas describen fen omenos que cambian frecuentemente. Com unmente, una soluci on de inter es est a determinada especicando los valores de todas sus componentes en un punto x = a. Esto es un Problema de Valor Inicial. Sin embargo, en muchas ocasiones, una soluci on est a determinada en m as de un punto. Un problema de este tipo es denominado Problema de Valor de Frontera (PVF). Un PVF muy trabajado en la actualidad son los de segundo orden, es decir, los PVF que se especican en dos puntos: y = f (x, y, y ), y (a) = , y (b) = .

Introducci on Ecuaciones Diferenciales Ordinarias, estudiados en un curso b asico de An alisis Num erico, necesarios al momento de denir los m etodos num ericos. En el Cap tulo 2 se expondr an cada uno de los cinco m etodos que se emplear an para aproximar la soluci on de un PVF de segundo orden. Se presenta la construcci on de cada m etodo, y en mucho de ellos, el an alisis del error. En el u ltimo cap tulo se har a una breve discusi on, m as que comparaci on, sobre la eciencia y propiedades de cada uno de estos m etodos, esto en vista de que no se presentan las condiciones adecuadas para realizar una comparaci on detallada y optima entre ellos. En el Ap endice A se realizan las demostraciones de varios teoremas presentes en el Cap tulo 2. Por u ltimo, la Bibliograf a presenta las referencias literarias usadas.

iv

1
Preliminares
En este cap tulo se expondr an los preliminares matem aticos necesarios para abordar adecuadamente el estudio de los m etodos num ericos usados para aproximar la soluci on de problema de valor de frontera de segundo orden. As pues, el objetivo principal de este cap tulo es el desarrollo de las herramientas matem aticas comunmente usadas en el planteamiento y an alisis de estos m etodos num ericos. Al mismo tiempo, se introducen el m etodo de Newton Raphson, tanto para una ecuaci on como para un sistema de ecuaciones no lineales, y el m etodo de Runge Kutta para resolver Problemas de Valor Inicial de Ecuaciones Diferenciales Ordinarias, estudiados en un curso b asico de An alisis Num erico, necesarios al momento de denir los metodos usados en este trabajo. Es importante resaltar que los resultados que se desarrollan en el presente cap tulo no ser an tratados de forma detallada por completo, pues el objetivo es s olamente dejar asentado un material de repaso, cuyo conocimiento es importante para entender el resto de este trabajo. Muchos de estos temas se tratan de modo m as amplio en algunos textos de An alisis Num erico (ver [6, 12, 18]), Algebra Lineal (ver [2]), Ecuaciones Diferenciales (ver [7]) y An alisis Funcional (ver [3]).

1.1.

Orden de aproximaci on O(hn )

Denici on 1.1 Se dice que f (h) es de orden g(h) cuando h 0 y h = 0, se denotar a por f (h) = O(g(h)), si existen n umeros reales M > 0 y k > 0 tales que, |f (h)| M |g(h)|, siempre que |h| < k. Ejemplo 1.1 Consideremos las funciones f (x) = x3 + 2x2 y g(x) = x2 . Puesto que, x3 < x2 para |x| 1, se obtiene, |x3 + 2x2 | < 3|x2 |. Por lo tanto, f (x) = O(g(x)). Denici on 1.2 Sean p y f funciones, se dice que p(h) aproxima a f (h) con un orden de aproximaci on O(hn ), lo que se denota por f (h) = p(h) + O(hn ), si existe un n umero real M > 0 y un n umero natural n tales que, |f (h) p(h)| M, para h sucientemente peque no. |hn | Al considerar el caso en que p(x) es la n- esima aproximaci on por polinomios de Taylor a f (x) alrededor de x0 , es decir n f (k) (x0 ) f n+1 (c) f (x) = (x x0 )k + (x x0 )n+1 , k! (n + 1)!
k =0

Cap tulo 1: Preliminares para alg un c entre x y x0 . Cuando x x0 0, por la denici on 1.1 se tiene que O((x x0 )n+1 ) = f n+1 (c) (x x0 )n+1 , (n + 1)!

as , f (x) = p(x) + O((x x0 )n+1 ), es decir, p(x), con p(x) el primer t ermino del lado derecho de la igualdad, se aproxima a f (x) con un orden de aproximaci on O((x x0 )n+1 ). Luego, el Teorema de Taylor se puede enunciar de la siguiente forma: Teorema 1.1 (Teorema de Taylor) Si f C n+1 [a, b] y x0 [a, b], entonces para cada x [a, b],
n

f (x0 + h) =
k =0

f (k) (x0 ) k h + O(hn+1 ), donde h = x x0 . k!

1.2.

Teor a de Algebra Lineal

Denici on 1.3 Se dice que una matriz A de n n es invertible, si existe una matriz A1 de n n, con AA1 = A1 A = I , donde I es la matriz identidad. La matriz A1 se llama inversa de A. Una matriz que no tiene inversa se le da el nombre de no invertible o singular. Denici on 1.4 (Matriz tridiagonal) siempre que |i j | > 1. Esto es, a11 a21 0 A= . . . . . . 0 Una matriz A = (aij ) de n n se dice tridiagonal si aij = 0, a12 0 .. . 0 . . . . . .

a22 a23

.. . a32 a33 a34 .. .. .. .. . . . . 0 .. .. .. . . . an1,1 0 an,n1 ann

Ahora bien, en muchas ocasiones estamos interesados en saber qu e condiciones debe cumplir una matriz tridiagonal para que sea invertible. Dichas condiciones nos los da el siguiente teorema. Teorema 1.2 Sea A una matriz tridiagonal, con entradas [A]ij = ai,j . Supongamos que, para cada i = 2, 3, . . . , n 1, se cumple ai,i1 ai,i+1 = 0. Si |a11 | > |a12 |, |aii | |ai,i1 | + |ai,i+1 |, para i = 2, 3, . . . , n 1 y |ann | > |an,n1 |, entonces A es invertible. Demostraci on: Ver referencia [9], Cap tulo 2, Secci on 3, p ag. 56.

1.3.

Teor a de Ecuaciones Diferenciales

Es bien conocido en el quehacer cient co, bien sea en las ciencias puras o la ingenier a, la utilidad de las ecuaciones diferenciales. El estudio de las ecuaciones diferenciales han inuenciado el desarrollo de varias areas de las matem aticas, como es el caso de la Topolog a, el An alisis Real, y nuestra area de estudio: el An alisis Num erico. A lo largo de los a nos se han desarrollado t ecnicas para encontrar soluciones anal ticas a ecuaciones diferenciales ordinarias que modelan un sin n de problemas que surgen de cualquiera de las areas antes 2

Secci on 1.3: Teor a de Ecuaciones Diferenciales mencionadas. Sin embargo, resulta habitual que en la mayor a de los casos no se conozca la soluci on anal tica de la misma, y s olo estudios cualitativos de dichas ecuaciones son presentados en la literatura. Debido a esto, en la pr actica, resulta impetuoso denir m etodos num ericos para dar aproximaciones num ericas de la soluci on (aproximaciones tan buenas como se quiera). Vale se nalar que muchos de estos estudios cualitativos se basan en aproximaciones num ericas para iniciar la investigaci on del problema. Antes de continuar, es importante recordar algunas deniciones y conceptos b asicos de ecuaciones diferenciales. Una ecuaci on diferencial, el cual denotaremos mediante ED, es una ecuaci on que involucra una o m as variables dependientes, con respecto a una o m as variables independientes. Por ejemplo, en la ecuaci on: d2 x + 16x = 0, dt2 se tiene que el s mbolo x representa una variable dependiente mientras que la variable independiente es t. Si una ecuaci on contiene s olo las derivadas ordinarias de una o m as variables dependientes con respecto a una s ola variable independiente, entonces se dice que es una ecuaci on diferencial ordinaria (EDO). Las ecuaciones: dy + 5y = ex , dx d2 y dy + 6y = 0, dx2 dx dx dy + = 2x + y, dt dt son ejemplos de ecuaciones diferenciales ordinarias. Es importante resaltar que en este trabajo las derivadas dy d2 y d3 y , ordinarias se escribir an con la notaci on de Leibniz: , ,. . . , o bien la notaci on del s mbolo dx dx2 dx3 de prima: y , y , y . En realidad, la notaci on de prima se emplea para denotar s olo las tres primeras derivadas, la cuarta derivada se escribir a y (4) en lugar de y ; m as general, la n- esima derivada de y se dn y o y (n) . Por otro lado, el orden de la m as alta derivada de una ED se llama orden de la escribir a dxn ecuaci on. Por ejemplo: d2 y dy 3 + 5 4y = ex , dx2 dx es una EDO de segundo orden. En s mbolos, una EDO de n- esimo orden de una variable dependiente, se puede expresar mediante la forma general F x, y, y , . . . , y (n) = 0, (1.1) donde F es una funci on de valores reales de n + 2 variables: x, y , y ,. . . ,y (n) . Por razones pr acticas y te oricas supondremos de aqu en adelante que es posible despejar en una EDO en forma u nica la derivada superior y (n) de una ED que est e en la forma (1.1), en t erminos de n + 1 variables restantes. La ecuaci on diferencial dn y = f x, y, y , . . . , y (n1) , dxn donde f es una funci on continua de valores reales, se denomina forma normal de (1.1). As , cuando sea conveniente, se usan las formas normales dy = f (x, y ) y dx d2 y = f x, y, y dx2

para representar las EDO de primer y segundo orden. 3

Cap tulo 1: Preliminares Un concepto importante dentro del marco de las EDO es el concepto de linealidad. Se dice que una EDO de orden n es lineal si F es lineal en y , y ,. . ., y (n) . Esto signica que una EDO de orden n es lineal cuando (1.1) se puede reescribir como an (x)y (n) + an1 (x)y (n1) + + a1 (x)y + a0 (x)y = g(x). Las ecuaciones diferenciales lineales se caracterizan por dos propiedades: 1. la variable independiente y junto con todas sus derivadas son de primer grado, es decir, la potencia de cada t ermino en y es 1, 2. los coecientes a0 , a1 ,. . . , an , de y , y ,. . . ,y (n) , dependen s olo de la variable independiente x. Una ecuaci on que no es lineal se dice no lineal. Con frecuencia nos interesa problemas en los que se busca una soluci on y (x) de una ED de modo que y (x) satisfaga condiciones adicionales prescritas, es decir, condiciones impuestas en la y (x) desconocida o sus derivadas. Dos conceptos importantes dentro del marco de las EDO son los conceptos de problema de valor inicial y problema de valor de frontera. Para una ED, un Problema de Valor Inicial (el cual se denotar a como PVI) de n- esimo orden es resolver y (n) = f x, y, y , . . . , y (n1) , sujeta a: y (x0 ) = y0 , y (x0 ) = y1 , . . . , y (n1) (x0 ) = yn1 . Otro tipo de problemas consiste en resolver una ED de orden dos o mayor en el que la variable dependiente y o sus derivadas se especican en diferentes puntos. Un problema que consiste en resolver y = f x, y, y sujeta a: y (a) = y0 , y (b) = y1 , se llama Problema de Valor de Frontera (el cual se denotar a mediante PVF). Los valores preescritos y (a) = y0 y y (b) = y1 se llaman condiciones de frontera. Ahora bien, estamos interesados en saber bajo qu e condiciones un PVF de segundo orden tiene soluci on. El siguiente teorema establece condiciones generales que garantizan la existencia y unicidad de la soluci on a dicho problema de segundo orden. Teorema 1.3 Supongamos que la funci on f en el PVF y = f (x, y, y ), a x b, y (a) = , y (b) = , es continua en el conjunto D = {(x, y, y ) / a x b, < y < , < y < }, y que fy y fy tambi en son continuas en D. Si 1. fy (x, y, y ) > 0, para toda (x, y, y ) D, y 2. existe una constante M , con |fy (x, y, y )| M, para todo (x, y, y ) D, entonces el PVF tiene soluci on u nica. 4

Secci on 1.4: Teor a de An alisis Funcional Demostraci on: Ver referencia [13]. Como consecuencia del teorema anterior, tenemos el siguiente resultado. Corolario 1.1 Si el problema lineal con valor en la frontera y = p(x)y + q (x)y + r (x), a x b, y (a) = , y (b) = , satisface: 1. p(x), q (x) y r (x) son continuas en [a, b], y 2. q (x) > 0 en [a, b], entonces el problema tiene soluci on u nica.

1.4.

Teor a de An alisis Funcional

Para considerar los aspectos referentes al M etodo de los Elementos Finitos y al M etodo Galerkin Discontinuo, es importante conocer algunos resultados del An alisis Funcional.

1.4.1.

Los espacios normados

En un espacio lineal podemos asignar a cada elemento x la noci on de longitud por medio del n umero real ||x|| que es llamado norma de x. En particular, la norma es una funci on de valor real denida en un espacio lineal E que satisface las siguientes condiciones o axiomas: 1. ||x|| 0, con la particularidad de que ||x|| = 0 s olo si x = 0. 2. ||x|| = ||||x||, donde es un n umero real. 3. ||x + y || ||x|| + ||y ||, x, y E. Ejemplo 1.2 Si E = R2 , la selecci on usual para la longitud o norma || ||2 de un vector x = (x1 , x2 ) en el plano real es ||x||2 =
2 x2 1 + x2 ,

que es llamada norma 2 o norma euclidiana. Otro ejemplo de norma es la norma 1 que se dene como ||x||1 = |x1 | + |x2 |, o la norma innita que se dene como ||x|| = m ax{|x1 |, |x2 |}. Ejemplo 1.3 Sea E = C [a, b]. La funci on de valor real denida por ||f || = m ax |f (t)|
atb

es una norma en E, conocida como norma uniforme o norma Chebyshev de f en el espacio C [a, b]. Una segunda norma en C [a, b], que es tambi en muy importante, es la llamada norma L2 , que se denota
b 1/2

|| ||L2 =

[f (t)]2 dt

. 5

Cap tulo 1: Preliminares Sea E un espacio normado. La sucesi on {un } n=1 E se dice acotada en E si existe un C > 0 tal que ||un || < C , para todo n. La sucesi on se dice convergente en E si existe un elemento u E tal que para todo 0 < R, existe un N0 N tal que ||u un || < , para todo n > N0 . El elemento u es el l mite de la sucesi on {un }n=1 . Usualmente se escibir a de forma indistinta
n

l m un = u

||u un || 0, para n .

La sucesi on {un } a una sucesi on de Cauchy si para todo > 0, existe N0 N tal que n=1 E ser ||un um || , para todo n, m N0 . Un espacio lineal normado E se llama completo, cuando toda sucesi on de Cauchy de este espacio converge hacia un cierto elemento u E. Los espacios lineales normados completos se llaman espacios de Banach. Todo espacio lineal normado de dimensi on nita es completo.

1.4.2.

El espacio euclidiano y el espacio unitario

Una forma conocida de introducir una norma en un espacio lineal consiste en denir en este el producto escalar o producto interior. Se llama producto escalar en un espacio lineal real (o complejo) E a una funci on (, ) : E E R (o C) con las siguientes propiedades para todo par de elementos x, y E: 1. (x, y ) = (y, x), 2. (x + y, z ) = (x, z ) + (y, z ), 3. (x, y ) = (x, y ), R (o C), 4. (x, x) 0, y (x, x) = 0 s olo si x = 0. En el caso de un espacio lineal real el primer axioma se reduce a la simetr a (x, y ) = (y, x). Ejemplo 1.4 Sean x(t) e y (t) dos funciones de C 2 [a, b]. Se pueden denir varios productos escalares:
b

(x, y ) =
a b

x(t)y (t)dt,

(x, y ) =
a b

x(t)y (t) + x (t)y (t) dt, x(t)y (t) + x (t)y (t) + x (t)y (t) dt,

(x, y ) =
a

donde las integrales son integrales de Riemann. Lema 1.1 Sea E un espacio con producto interno. Entonces la funci on ||u|| = es una norma en E. 6 (u, u), u E

Secci on 1.4: Teor a de An alisis Funcional Los espacios dotados de un producto interno son llamados espacio producto interno. Un espacio lineal real normado E, en el cual la norma est a generada por un producto escalar, es decir, ||u|| = (u, u),

se llama espacio euclidiano ; en el caso complejo recibe el nombre de espacio unitario. Un espacio unitario (euclidiano) completo es llamado espacio de Hilbert H. Ahora se introducen algunos espacios de Hilbert que resultan naturales para la formulaci on variacional de los problemas de valor de frontera que ser an considerados. Si es un dominio acotado en R2 , se dene el espacio de funciones de cuadrado integrables sobre : L2 () = {v : R tal que v 2 d < }.

El espacio L2 () es un espacio de Hilbert con el producto escalar (u, v )L2 () = y la correspondiente norma
1/2

vud,

||v ||L2 () = Se introduce adem as el espacio H1 () =

[v (x)]2 dx

= (v, v )L2 () .

1/2

v L2 () :

v L2 (), i = 1, 2 , xi

dotado del producto escalar y la correspondiente norma (v, w)H1 () = (vw + v w)d, || ||H1 () = (, )H1 () .
1/2

El espacio H1 () consiste de todas las funciones v denidas en junto con sus primeras derivadas que son de cuadrado integrable, es decir, pertenecen a L2 (). Adem as, se dene el espacio
1 H1 0 = v H () : v = 0 en v ,

que se dota del mismo producto interno y norma que el espacio H1 (). Para evitar sobrecargar la notaci on, siempre y cuando no se lleve a confusi on, se utilizar a la notaci on (, ) y |||| en lugar de (, )L2 () y ||||L2 () . De forma an aloga, (, )1 y || ||1 denotar an (, )H1 () y || ||H1 () , respectivamente. Lp (), Los espacios L2 () y H1 () pertenecen a familias de espacios m as generales, conocidas como espacios con p 1,y espacios de Sobolev, respectivamente.

1.4.3.

Funcionales lineales

Un funcional lineal es un caso particular de un operador lineal, es decir, es un operador lineal que transforma el espacio dado E en valores de R o C. En general, si E es un espacio lineal normado sobre un cuerpo K, entonces un funcional lineal f es una aplicaci on lineal de E K tal que 1. f (u + w) = f (u) + f (v ), u, v E, 2. f (u) = f (u), u E, K. 7

Cap tulo 1: Preliminares El espacio de todos los funcionales lineales de un espacio normado E sobre su cuerpo, L(E, K), se le llama espacio dual de E, y suele denotarse por E . Consideremos algunos ejemplos de funcionales. Ejemplo 1.5 Sea E = Rn . El operador F : E R denido como el promedio de las componentes del vector n 1 f (v ) = vi , para todo v E, n
i=1

es un funcional lineal sobre E, es decir, f E . Ejemplo 1.6 El operador integral A : C [a, b] R, denido por
b

A(f ) =
a

f (x)dx,

para todo v C [a, b],

es un funcional lineal sobre C [a, b]. Teorema 1.4 (Teorema de Representaci on de Riesz) Sea H un espacio de Hilbert y sea F un funcional lineal continuo de H. Entonces existe un u nico elemento u H tal que F (v ) = (u, v ), Adem as ||F || = ||u|| v H.

1.4.4.

Formas bilineales

Otro tipo especial de operador que pueden ocurrir muy frecuentemente en el estudio de problemas de valor de frontera es uno que mapea un par de elementos a los n umeros reales, y que es lineal en cada uno de estos. Un operador B : U V R (U, V espacios lineales) se dice que es una forma bilineal si: 1. B (u + w, v ) = B (u, v ) + B (w, v ), 2. B (u, v + w) = B (u, v ) + B (u, w), u, w U, v V u U, v, w V

Formas bilineales continuas. Consideremos una forma bilineal B : U V R, donde U y V son espacios lineales normados. Si existe una constante k > 0 tal que |B (u, v )| k||u||||v || para todo u U, v V,

entonces B es llamada una forma bilineal continua. Formas bilineales H - el pticas. Dada una forma bilineal B : H H R, donde H es un espacio con producto interno, se dice que B es H - el ptica si existe una constante > 0 tal que B (v, v ) ||v ||2 , As una forma H - el ptica es acotada inferiormente. 8 v H.

Secci on 1.5: M etodo de Newton Raphson y Runge Kutta

1.4.5.

El Teorema de Lax - Milgram

Teorema 1.5 (El Teorema de Lax - Milgram) Sea H un espacio de Hilbert y sea B : H H R una forma bilineal, H - el ptica, continua, denida en H. Entonces, dada cualquier funcional lineal F denida en H, existe un u nico elemento u H tal que B (u, v ) = F (v ), adem as, ||u||1 1 ||f ||H . v H,

1.5.

M etodo de Newton Raphson y Runge Kutta

En esta secci on se introducen dos m etodos que ser an necesarios para el estudios de los m etodos que se emplear an para aproximar la soluci on de un PVF de segundo orden. Estos m etodos son el de Newton Raphson, tanto para una ecuaci on como para un sistema de ecuaciones no lineales, y el de Runge Kutta, para resolver PVI de ecuaciones diferenciales ordinarias. M etodo de Newton Raphson. Sea f una funci on dos veces diferenciable. Supongamos que es una ra z simple de f (x) = 0 y x0 es una aproximaci on inicial a . El m etodo de Newton-Raphson consiste en conseguir la aproximaci on usando la recta tangente a la curva f , que pasa por el punto (x0 , f (x0 )). Esta recta intersecta al eje OX en el punto (x1 , 0), donde x1 ser a la aproximaci on a la ra z de f , luego x1 = x0 f (x0 ) . f (x0 )

Para continuar, se renombra x0 = x1 y se repite el proceso tanto como desee. Teorema 1.6 (Convergencia del M etodo de Newton-Rapson) Sean f C 2 [a, b] y [a, b] tal on {xk } que f () = 0. Si f () = 0, entonces existe > 0 tal que la sucesi k =0 denida por el proceso iterativo, f (xk1 ) xk = g(xk1 ) = xk1 , para k = 1, 2, 3, . . . , f (xk1 ) converge a cualesquiera que sea la aproximaci on inicial x0 [ , + ]. Demostraci on: Ver la referencia [18], Cap tulo 2, Secci on 2.1, p ag. 69. M etodo de Newton para sistemas de ecuaciones no lineales. En muchas ocasiones aparece la necesidad de resolver sistemas de ecuaciones algebraicas no lineales de la forma f1 (x1 , x2 , . . . , xn ) = 0, f2 (x1 , x2 , . . . , xn ) = 0, . . . fn (x1 , x2 , . . . , xn ) = 0.

El m etodo de Newton para sistema de ecuaciones no lineales es una extensi on directa del m etodo del mismo nombre para buscar ceros de funciones de una variable. La idea es realizar el desarrollo de Taylor en n variables en el entorno de una raiz, f(x) = f(x(0) ) + fi xj (x x(0) ) + O(||x x(0) ||2 ). 9

x(0)

Cap tulo 1: Preliminares Si x es una ra z aproximada, deniendo la matriz jacobiana como J (x(0) ) = x x(0) J 1 (x(0) )f(x(0) ). En la pr actica, esta f ormula nos permite denir un proceso iterativo, x(k+1) = x(k) J 1 (x(k) )f(x(k) ), que es el m etodo de Newton en varias variables. A la hora de implementar el m etodo, es costoso tener que calcular la inversa de J y por eso, normalmente, lo que se hace es resolver el sistema de ecuaciones lineales J (x(k) ) x(k) x(k+1) = f(x(k) ), on. del cual se puede despejar x(k+1) una vez conocida la soluci En [18], Cap tulo 10, Secci on 10.2, se hace el estudio de la convergencia y la implementaci on del m etodo. M etodo de Runge Kutta. Es un m etodo de resoluci on num erica de ecuaciones diferenciales ordinarias, el cual fue inicialmente desarrollado alrededor del a no 1900 por los matem aticos C. Runge 1 y M. W. 2 Kutta . El m etodo de Runge Kutta no es s olo un m etodo sino una importante familia de m etodos iterativos tanto impl citos como expl citos. Un m etodo cl asico es el m etodo de RK expl cito de cuarto orden. Para introducirlo denamos el PVI: y = f (t, y ), y (t0 ) = y0 . Entonces el m etodo de RK de cuarto orden para este problema est a dado por la siguiente ecuaci on: yn+1 = yn + donde: h k1 + 2k2 + 2k3 + k4 , 6 fi xj

encontramos que
x(0)

k1 = f (tn , yn ), k2 = f tn + k3 = f tn + h k1 , yn + , 2 2 h k2 , yn + , 2 2

k4 = f (tn + h, yn + k3 ). Por ser de cuarto orden, se tiene que el error de paso es de orden O(h5 ), mientras que el error total acumulado tiene orden O(h4 ). Para mayores detalles del m etodo, ver [6], Cap tulo 8, Secci on 8.3, p ag. 514.

1 C. Runge naci o el 30 de agosto de 1856 y muri o el 03 de enero de 1927. Fue un matem atico, f sico y espestroscopista alem an. Su primer nombre suele escribirse Carl. 2 Martin Wilhelm Kutta fue un f sico y matem atico alem an, naci o el 03 de noviembre de 1867 en Pitschen, Alta Silecia (en la actualidad pertenece a Polonia) y muri o el 25 de diciembre de 1944 en F urstenfeldbruck, Alemania.

10

2
M etodos Num ericos para aproximar la soluci on de un Problema de Valor de Frontera de segundo orden
Las Ecuaciones Diferenciales Ordinarias describen fen omenos que cambian frecuentemente. Estas surgen en modelos totalmente matem aticos, f sicos o qu micos. Un sistema de ecuaciones diferenciales ordinarias puede tener muchas soluciones. Com unmente, una soluci on de inter es est a determinada especicando los valores de todas sus componentes en un punto x = a. Esto es un Problema de Valor Inicial. Sin embargo, en muchas aplicaciones, una soluci on est a determinada en m as de un punto. Un problema de este tipo es denominado Problema de Valor de Frontera, el cual es nuestro problema a resolver, espec camente en dos puntos: y = f (x, y, y ), y (a) = , y (b) = . Es importante resaltar que si el PVF anterior se expresa mediante y = p(x)y + q (x)y + r (x), a x b, y (a) = , y (b) = , entonces se dice que el PVF es del tipo lineal, en caso contrario, se dice que el PVF es del tipo no lineal. Problemas de este tipo suelen ser comunes en muchas areas de la vida cotidiana, como, por ejemplo, en las Ciencias b asicas o en la Ingenier a. Sin embargo, su principal dicultad radica en que la soluci on a dichos problemas no son f aciles de obtener anal ticamente. Debido a esto, resulta importante denir m etodos num ericos para dar estimaciones num ericas de la soluci on. En este cap tulo se expondr an cinco m etodos num ericos que nos ayudar an a encontrar estas estimaciones: el M etodo del Disparo y el M etodo de Diferencias Finitas, los cuales son presentados en las referencias [9, 18], el M etodo de Elementos Finitos, planteado en [3, 17], el M etodo Galerkin Discontinuo, planteado en la referencia [1], y el M etodo Bvp4c, el cual se presenta en la referencia [14]. Es importante resaltar que, cuando el PVF es del tipo lineal, usaremos los cinco m etodos mencionados, mientras que si el PVF es del tipo no lineal, entonces se emplear a s olo los m etodos de Disparo, Diferencias Finitas y Bvp4c, en vista de que los m etodos de Elementos Finitos y Galerkin Discontinuo ameritan un estudio mucho m as amplio que para el caso lineal, y esto conlleva a que la implementaci on de los c odigos requieran m as tiempo.

2.1.

M etodo del Disparo

Uno de los m etodos num ericos, considerado cl asico en la literatura, para aproximar la soluci on de un Problema de Valor de Frontera de segundo orden, es el m etodo del Disparo. Este m etodo, el cual se plantea en las referencias [9, 18], se reduce a resolver varios PVI para encontrar la soluci on al problema planteado. 11

Cap tulo 2: M etodos Num ericos para aproximar la soluci on de un PVF

2.1.1.

Planteamiento para el caso y = p(x)y + q (x)y + r (x)

Para aproximar la soluci on u nica del problema lineal y = p(x)y + q (x)y + r (x), a x b, y (a) = , y (b) = , garantizada por el cumplimiento de las hip otesis del Corolario 1.1, primero de considera los PVI: u = p(x)u + q (x)u + r (x), a x b, u(a) = , u (a) = 0 y Seg un las hip otesis del Corolario 1.1, tanto (2.2) como (2.3) tienen soluci on u nica. La soluci on de (2.1) viene dada por u(b) y (x) = u(x) + v (x). (2.4) v (b) A partir de esta, y (x) = u (x) + As , y (x) = p(x)u (x) + q (x)u(x) + r (x) + = p(x) u (x) + u(b) (p(x)v (x) + q (x)v (x)) v (b) u(b) v (x) + r (x) v (b) u(b) v (x), v (b) y (x) = u (x) + u(b) v (x). v (b) v = p(x)v + q (x)v, a x b, v (a) = 0, v (a) = 1. (2.3) (2.2) (2.1)

u(b) v (x) + q (x) u(x) + v (b)

= p(x)y (x) + q (x)y (x) + r (x). Como se puede apreciar, la soluci on (2.4) satisface las condiciones de frontera. En efecto, y (a) = u(a) + u(b) v (a) v (b)

= + = , y

u(b) 0 v (b)

y (b) = u(b) +

u(b) v (b) v (b)

= u(b) + u(b) = . Por tanto, y (x) es la soluci on u nica al problema de valor de frontera (sujeta a que v (b) = 0). El m etodo del Disparo para las ecuaciones lineales se basa en la sustituci on del PVF por dos PVI. En el estudio de PVI para ecuaciones diferenciales ordinarias, se describen muchos m etodos con los cuales se pueden aproximar las soluciones u(x) y v (x) (como ejemplo: el m etodo de Euler, Trapecio, Punto Medio, Runge Kutta), y una vez que se cuenta con estas aproximaciones, la soluci on del PVF se aproxima por medio de la ecuaci on (2.4). Para efecto de nuestro estudio, el m etodo que se usar a para aproximar (2.2) y (2.3) ser a el metodo de Runge Kutta. Desde el punto de vista gr aco, el m etodo tiene el aspecto que se observa en la Figura 2.1. 12

Secci on 2.1: M etodo del Disparo

v (x) y (x)

u(x)

Figura 2.1: M etodo del Disparo para el caso lineal.

Algoritmo del M etodo del Disparo para el caso lineal. Entrada: extremos a, b; condiciones de frontera , ; n umero de subintervalos N . Salida: aproximaciones w1,i a y (xi ); w2,i a y (xi ), para cada i = 0, . . . , N. 1. Tomar h = (b a)/N ; u1,0 = ; u2,0 = 0; v1,0 = 0; v2,0 = 1. 2. Para i = 1, . . . , N 1, hacer los pasos 3 y 4. 3. Tomar x = a + ih. 4. Aplicar Runge - Kutta para obtener u1,i+1 , u2,i+1 , v1,i+1 , v2,i+1 . 5. Tomar w1,0 = ; w2,0 = ( u1,N )/v1,N . Mostrar (a, w1,0 , w2,0 ). 6. Para i = 1, . . . , N , tomar w1,i = u1,i + w2,0 v1,i , w2,i = u2,i + w2,0 v2,i , x = a + ih. Mostrar (x, w1,i , w2,i ). 7. Parar. Problemas por errores de redondeo. Desafortunadamente, esta t ecnica, por errores de rodondeo, puede contener problemas ocultos. Si u(x) crece r apidamente cuando x recorre [a, b], entonces u1,N es grande; si adem as, es peque no en comparaci on con u1,N , entonces w2,0 = u1,N v1,N u1,N . v1,N

Por lo tanto,

w1,i = u1,i + w2,0 v1,i u1,i u1,N v1,i , v1,N 13

Cap tulo 2: M etodos Num ericos para aproximar la soluci on de un PVF lo cual permite una posible p erdida de d gitos signicativos debido a la cancelaci on. Pero como u1,i es una aproximaci on a u(xi ), se puede entonces vigilar el comportamiento de u(x), y si u1,i aumenta r apidamente de a a b, podemos aplicar hacia atr as el m etodo del disparo, esto es, resolver en su lugar los problemas de valor inicial u = p(x)u + q (x)u + r (x), a x b, u(b) = , u (b) = 0, y v = p(x)v + q (x)v, a x b, v (b) = 0, v (b) = 1.

Si este m etodo de disparo inverso todav a presenta la eliminaci on de los d gitos signicativos y si el aumento de precisi on no produce mayor exactitud, ser a necesario utilizar otros m etodos num ericos, como las que explicaremos m as adelante. An alisis del error. En muchas ocasiones estamos interesados en encontrar cotas para el error que se est a produciendo al momento de aproximar. El siguiente teorema nos proporciona dichas cotas. Para no recargar demasiado la exposici on, presentaremos la prueba en el Ap endice A, al que referimos al lector interesado. Teorema 2.1 Sea h = (b a)/N , xi = a + nh, con i = 0, 1, . . . , N. Sean u(x), v (x) y y (x) las soluciones respectivas de (2.2), (2.3) y (2.4). Si ui y vi son aproximaciones de O(hn ) para ui = u(xi ) y vi = v (xi ), respectivamente, entonces wi ser a una aproximaci on de O(hn ) para yi = y (xi ). En particular, |wi yi | Khn 1 + para alguna K apropiada. Demostraci on: Ver Ap endice A, secci on A.1. vi , vN

2.1.2.

Planteamiento para el caso y = f (x, y, y )

y = f (x, y, y ), a x b, y (a) = , y (b) = ,

El m etodo del Disparo para el PVF no lineal (2.5) utiliza las soluciones de una sucesi on de PVI de la forma que contenga un par ametro t, para aproximar la soluci on al PVF y = f (x, y, y ), a x b, y (a) = , y (a) = t. (2.6) Esto se hace escogiendo los par ametros t = tk de tal forma que
k

l m y (b, tk ) = y (b) = ,

donde y (b, tk ) denotar a la soluci on al PVI (2.6) con t = tk y y (x) denota la soluci on al PVF (2.5). Esta t ecnica se conoce con el nombre de m etodo del Disparo, por la analog a con el procedimiento de dispararle a objetos situados en un blanco jo (ver Figura 2.2). Se comienza con un par ametro t0 que determina la elevaci on inicial a la cual se le dispara al objeto desde el punto (a, ) y a lo largo de la curva descrita por la soluci on al PVI: y = f (x, y, y ), a x b, y (a) = , y (a) = t0 . Si y (b, t0 ) no est a sucientemente cerca de , se cambia la aproximaci on seleccionando las elevaciones t1 , t2 , y as sucesivamente, hasta que y (b, tk ) est e bastante cerca de acertar en el blanco (Ver Figura 2.3). Para determinar los par ametros tk , supongamos que (2.5) satisface las hip otesis del Teorema (1.3). Si y (x, t) denota la soluci on de (2.6), el problema consistir a en determinar t tal que y (b, t) = 0. Esta es una ecuaci on no lineal, y para resolverlo se disponen de varios m etodos. 14 (2.7)

Secci on 2.1: M etodo del Disparo

y (b, t0 )

(b, y (b, t0 ))

y (x, t0 )
Pendiente t0

(a, ) a b

Figura 2.2: M etodo del Disparo para el caso no lineal.

M etodo de la Secante. Para emplear este m etodo, se necesita elegir las aproximaciones iniciales t0 y t1 y luego generar los t erminos restantes de la sucesi on mediante t k = t k 1 (y (b, tk1 ) )(tk1 tk2 ) , k = 2, 3, . . . y (b, tk1 ) y (b, tk2 )

M etodo de Newton. Para generar la sucesi on {tk } con este m etodo, que es m as poderoso, s olo se necesita una aproximaci on inicial t0 . Sin embargo, la iteraci on tiene la forma t k = t k 1 y (b, tk1 ) , dy (b, tk1 ) dt (2.8)

dy (b, tk1 ). Esto presenta un problema porque no se conoce una representaci on expl cita dt de y (b, t); se conoce s olo los valores y (b, t0 ), y (b, t1 ), . . . , y (b, tk1 ). Supongamos que se reescribe el problema de valor inicial (2.6), haciendo enfasis en que la soluci on se basa tanto en x como en el par ametro t: y requiere conocer y (x, t) = f (x, y (x, t), y (x, t)), a x b, y (a, t) = , y (a, t) = t. (2.9)

Se conserva la notaci on prima para indicar la derivada respecto a x. Puesto que se necesita determinar dy (b, t) cuando t = tk1 , primero se toma la derivada parcial de (2.9) respecto a t. Esto signica que dt y (x, t) = t = f (x, y (x, t), y (x, t)) t f x f y (x, y (x, t), y (x, t)) (x, t) + (x, y (x, t), y (x, t)) (x, t) x t y t +
f (x, t)) y (x, t). ( x, y ( x, t ) , y y t

Dado que x y t son independientes,

x = 0, y t (2.10) 15

y f y f y (x, t) = (x, y (x, t), y (x, t)) (x, t) + (x, y (x, t), y (x, t)) (x, t), t y t y t

Cap tulo 2: M etodos Num ericos para aproximar la soluci on de un PVF

y (b, t2 ) y (b, t3 ) y (b, t1 ) y (b, t0 ) y (x, t2 ) y (x, t3 ) y (x, t1 ) y (x, t0 )

(a, ) a b

Figura 2.3: Escogencia de los par ametros tk .

con a x b. Las condiciones iniciales dan y (a, t) = 0, t y (a, t) = 1. t y (x, t) y si se supone que el orden de derivaci on t de x y t puede invertirse, con las condiciones iniciales, la ecuaci on (2.10) se convierte en el PVI: Si se simplica la notaci on usando z (x, t) para denotar z (x, t) = f f (x, y, y )z (x, t) + (x, y, y )z (x, t), a x b, z (a, t) = 0, z (a, t) = 1. y y (2.11)

As pues, el m etodo de Newton requiere que los PVI (2.9) y (2.11), sean resueltos en cada iteraci on. Entonces, conforme a la ecuaci on (2.8), t k = t k 1 y (b, tk1 ) . z (b, tk1 ) (2.12)

Para efecto de nuestro estudio, se emplear a el m etodo de Runge - Kutta de cuarto orden para aproximar las soluciones de (2.9) y (2.11). Algoritmo del M etodo del Disparo para el caso no lineal. Entrada: extremos a, b; condiciones de frontera , ; n umero de subintervalos N 2; tolerancia Tol, n umero m aximo de iteraciones M . Salida: aproximaciones w1,i a y (xi ); w2,i a y (xi ), para cada i = 0, . . . , N , o bien un mensaje de que se excedi o el n umero m aximo de iteraciones. 1. Tomar h = (b a)/N ; u1,0 = ; k = 1, T K = ( )/(b a). 2. Mientras k M , hace los pasos 3 - 10. 3. Tomar w1,0 = , w2,0 = T K , u1 = 0, u2 = 1. 4. Para i = 1, . . . , N , hacer los pasos 5 - 6. 16

Secci on 2.2: M etodo de Diferencias Finitas 5. Tomar x = a + (i 1)h.

6. Aplicar Runge - Kutta para obtener w1,i , w2,i , u1 , u2 . 7. Si |w1,N | < Tol, entonces hacer los pasos 8 y 9. 8. Para i = 0, 1, . . . N , tomar x = a + ih, mostrar (x, w1,1 , w2,i ). 9. Procedimiento terminado, PARAR.

10. Tomar k = k + 1 y T K = T K (w1,N )/u1 . El m etodo de Newton se emplea para calcular T K. 11. N umero m aximo de iteraciones excedido, procedimiento terminado sin exito, PARAR. El valor t0 = T K escogido en el paso 1 es la pendiente de la recta que pasa por (a, ) y por (b, ). Como el m etodo del Disparo emplea el m etodo de Runge Kutta de cuarto orden para aproximar la soluci on de dos problemas de valor inicial, entonces la soluci on encontrada aproxima la soluci on exacta con un orden de aproximaci on O(h4 ) (ver [9], Cap tulo 8, Secci on 7.2, p ag. 426).

2.2.

M etodo de Diferencias Finitas

El m etodo de Diferencias Finitas, al igual que el Disparo, es considerado cl asico dentro de la literatura. Este m etodo, presentado en las referencias [9, 18], se basa en la idea de aproximar las derivadas que aparecen en un problema de contorno o valor de frontera mediante una f ormula de diferencias sobre una malla de puntos. Luego se sustituye dichas aproximaciones en la ecuaci on diferencial para posteriormente resolver un sistema de ecuaciones lineales o no lineales, dependiendo si el PVF es lineal o no lineal.

2.2.1.

Planteamiento para el caso y = p(x)y + q (x)y + r (x)

Para el problema de contorno y = p(x)y + q (x)y + r (x), a x b, y (a) = , y (b) = , se procede a discretizar el intervalo [a, b] en una malla de puntos a = x0 < x1 < < xn+1 = b, el cual se tomar a uniforme, esto es, xi+1 xi = h, aunque, en general, los puntos no necesitan estar distribuidos de esta manera. En los puntos interiores de la malla (xi = a + ih, i = 1, 2, . . . , n), la ecuaci on diferencial a aproximar es y (xi ) = p(xi )y (xi ) + q (xi )y (xi ) + r (xi ). (2.13) Si se usa el polinomio de Taylor de orden 3 para y (x), alrededor de xi , y se eval ua en xi+1 y xi1 , entonces, suponiendo que y C 4 [xi1 , xi+1 ], se tiene y (xi+1 ) = y (xi + h) = y (xi ) + hy (xi ) +
+ para alg u n i en (xi , xi+1 ), y

h2 h3 h4 + y (xi ) + y (3) (xi ) + y (4) (i ), 2 6 24

y (xi1 ) = y (xi h) = y (xi ) hy (xi ) +

para alg u n i en (xi1 , xi ).

h2 h3 h4 y (xi ) y (3) (xi ) + y (4) (i ), 2 6 24

17

Cap tulo 2: M etodos Num ericos para aproximar la soluci on de un PVF Si sumamos adecuadamente estas dos u ltimas igualdades, y (xi+1 ) + y (xi1 ) = 2y (xi ) + h2 y (xi ) + y al despejar y (xi ), y (xi ) = 1 h2 (4) + y ( x ) 2 y ( x ) + y ( x ) y (i ) + y (4) (i ) . i +1 i i 1 h2 24 1 h2 (4) ) 2 y ( x ) + y ( x ) y ( x y (i ), i +1 i i 1 h2 12 h2 (4) + y (i ) + y (4) (i ) , 24

Ahora, aplicando el teorema de valor intermedio, tenemos que y (xi ) = (2.14)

para alg un i en (xi1 , xi+1 ). A este esquema se le llama f ormula de diferencias centradas para y (xi ). De manera semejante se obtiene una f ormula de este tipo para y (xi ), el cual viene dada por y (xi ) = para alg un i en (xi1 , xi+1 ). Formaci on del sistema de ecuaciones. la igualdad y (xi+1 ) 2y (xi ) + y (xi1 ) h2 Sustituyendo (2.14) y (2.15) en (2.13), entonces se obtiene y (xi+1 ) y (xi1 ) 2h 1 h2 y (xi+1 ) y (xi1 ) y (3) (i ), 2h 6 (2.15)

= p(xi )

+ q (xi )y (xi ) + r (xi )

h2 2p(xi )y (3) (i ) y (4) (i ) . 12

El m etodo de Diferencias Finitas con error de truncamiento de orden O(h2 ) se obtiene empleando esta ecuaci on junto con las condiciones de frontera y (a) = y y (b) = para denir w0 = , y wi+1 2wi + wi1 wi+1 wi1 p(xi ) q (xi )wi = r (xi ), 2 h 2h para cada i = 1, 2, . . . , n. Reescribiendo la ecuaci on anterior, se tiene que 1+ h h p(xi ) wi1 + 2 + h2 q (xi ) wi 1 p(xi ) wi+1 = h2 r (xi ). 2 2 (2.16) wn+1 =

El sistema de ecuaciones resultante se expresa en la forma Aw = z, donde, (2.17)

A=

1 2 0 . . . . . . 0

1 2 3 .. .

0 2 3 .. . .. .

.. . 3 .. . .. . 0

.. .. .. . . .

0 . . . . . . 0 n1 n

i = 2 + h2 q (xi ), i = 1 + i = 1

1 i n,

h p(xi ), 1 i n 1, 2 h p(xi ), 2 i n, 2 18

Secci on 2.2: M etodo de Diferencias Finitas

w= wn1 wn

w1 w2 w3 . . .

z=

h2 r (x1 ) + 1 + h 2 p(x1 ) w0 h2 r (x2 ) h2 r (x3 ) . . . h2 r (xn ) + h2 r (xn1 ) 1+ h 2 p(xn ) wn+1

El siguiente teorema establece bajo cu ales condiciones el sistema lineal (2.17) tiene soluci on u nica. Su demostraci on es consecuencia del Teorema 1.2. Teorema 2.2 Supongamos que p(x), q (x) y r (x) son continuas en [a, b]. Si q (x) 0 en [a, b], en2 tonces el sistema lineal tridiagonal (2.17) tiene una soluci on u nica siempre y cuando h < , donde L L = m ax p(x) .
axb

Demostraci on: Ver secci on A.2 del Ap endice A. Algoritmo del M etodo de Diferencias Finitas para el caso lineal. Entrada: extremos a, b; condiciones de frontera , ; N 2. Salida: aproximaciones wi a y (xi ), para cada i = 0, . . . , N + 1. 1. Tomar h x a1 b1 d1 = = = = = (b a)/(N + 1), a + h, 2 + h2 q (x), 1 + (h/2)p(x), h2 r (x) + (1 + (h/2)p(x)). x ai bi ci di x = aN = cN = dN = = = = = = a + ih, 2 + h2 q (x), 1 + (h/2)p(x), 1 (h/2)p(x), h2 r (x).

2. Para i = 2, . . . , N 1, tomar

3. Tomar

b h, 2 + h2 q (x), 1 (h/2)p(x), h2 r (x) + (1 (h/2)p(x)). l1 = a1 , u1 = b1 /a1 , z1 = d1 /l1 .

4. Tomar

(Los pasos 4 - 8 resuelven un sistema lineal tridiagonal utilizando el algoritmo de Crout). 19

Cap tulo 2: M etodos Num ericos para aproximar la soluci on de un PVF 5. Para i = 2, . . . , N 1, tomar

li = ai ci ui1 , ui = bi /li zi = (di ci zi1 )/li . lN zN = aN cN uN 1 , = (dN cN zN 1 )/lN . w0 = , wN +1 = , wN = zN .

6. Tomar

7. Tomar

8. Para N 1, . . . , 1, tomar wi = zi ui wi+1 . 9. Para i = 0, . . . , N + 1, tomar x = a + ih. Mostrar (x, wi ). 10. Parar. An alisis del error El siguiente teorema nos ayuda a deducir cotas para el error de la aproximaci on de las ecuaciones diferenciales mediante f ormula de diferencias nitas de segundo orden. La prueba est a detallada en la Secci on A.2 del Ap endice A. Teorema 2.3 Sean Q tal que q (x) Q > 0, para a x b, L = m ax p(x) , M3 = m ax y (3) (x) y M4 = m ax y (4) (x) . Entonces, para i = 0, 1, . . . , n + 1, se cumple:
axb axb axb

wi y (xi ) h2 Demostraci on: Ver Ap endice A, Secci on A.2.

M4 + 2LM3 . 12Q

El teorema anterior nos dice que la soluci on de diferencias nitas converge a la soluci on exacta cuando h 0, y el error es O(h2 ). Observaci on. Cuando, en la ecuaci on diferencial lineal, p(x) = 0, entonces se puede demostrar que el error cometido es del orden O(h4 ).

2.2.2.

Planteamiento para el caso y = f (x, y, y )

Para el caso del problema no lineal general con valor de frontera: y = f (x, y, y ), a x b, y (a) = , y (b) = , el m etodo de Diferencias Finitas se parece al que se aplic o en la subsecci on anterior para el caso lineal. Sin embargo, el sistema de ecuaciones ser a no lineal y, por tanto, se requiere un proceso iterativo para resolverlo. Nuevamente, se procede a discretizar el intervalo [a, b] en una malla de puntos a = x0 < x1 < < xn+1 = b, que tomaremos equiespaciada o uniforme, es decir, xi+1 xi = h. En los puntos interiores de la malla (xi = a + ih, i = 1, 2, . . . , n), la ecuaci on diferencial a aproximar y (xi ) = f (xi , y (xi ), y (xi )). (2.18) 20 es:

Secci on 2.2: M etodo de Diferencias Finitas Formaci on del sistema de ecuaciones. Sustituyendo (2.14) y (2.15) en (2.18), obtendremos:

y (xi+1 ) 2y (xi ) + y (xi1 ) y (xi+1 ) y (xi1 ) h2 (3) h2 (4) y y (i ), = f x , y ( x ) , ( ) + i i i h2 2h 6 12 etodo de Diferencias Finitas se para alg un i y i en el intervalo (xi1 , xi+1 ), con i = 1, 2, . . . , n. El m obtiene empleando esta ecuaci on junto con las condiciones de frontera y (a) = y y (b) = para denir w0 = , y wi+1 2wi + wi1 wi+1 wi1 = 0, f xi , wi , 2 h 2h para cada i = 1, 2, . . . , n. El sistema no lineal de n n obtenido con este m etodo Fi (w1 , . . . , wn ) = 0, con Fi (w1 , . . . , wn ) = wi+1 2wi + wi1 h2 f xi , wi , tiene soluci on u nica si h < wi+1 wi1 , i = 1, . . . , n, 2h (2.19) wn+1 = ,

2 f , donde L es tal que (x, y, y ) L (ver [13], p ag. 86). L y Para resolver el sistema no lineal (2.19), se usa el m etodo de w1 , . . . , wn
(0) (0) T

Resoluci on del sistema no lineal.

Newton para sistemas de ecuaciones no lineales. Si tomamos inicialmente w(0) = iteraci on mediante este m etodo es: w(j +1) = w(j ) J 1 w(j ) F w(j ) ,

, la

donde J w(j ) es la matriz jacobiana. En la pr actica es m as conveniente a efectos computacionales iterar resolviendo las ecuaciones: J w(j ) w(j +1) w(j ) = F w(j ) . Calculemos el jacobiano J (w(j ) )
p,q

Fp , wq f wk+1 wk1 xk , wk , , y 2h

[J ]k,k = 2 h2 [J ]k,k+1 = 1 [J ]k+1,k = 1 +

h f wk+1 wk1 xk , wk , , 2 y 2h h f wk+1 wk1 , xk , wk , 2 y 2h

con k = 1, . . . , n. El resto de las entradas de la matriz J son nulos. En particular, como todos los elementos con |p q | > 1 son nulos, entonces J es tridiagonal. En cada iteraci on del sistema lineal: J w(j ) v = F w(j ) , con v = (v1 , . . . , vn )T , se requiere obtener v , porque w(j +1) = w(j ) + v. Puesto que J es tridiagonal, se puede utilizar un m etodo para resolver sistemas de ecuaciones lineales. Para efecto de la implementaci on del c odigo, se usar a el algoritmo de reducci on de Crout para sistemas tridiagonales (ver referencia [18], Cap tulo 6, Secci on 6.6, p ag. 408). 21

Cap tulo 2: M etodos Num ericos para aproximar la soluci on de un PVF Algoritmo del M etodo de Diferencias Finitas para el caso no lineal. Entrada: extremos a, b; condiciones de frontera , ; entero N 2; tolerancia Tol, n umero m aximo de iteraciones M . Salida: aproximaciones wi a y (xi ), para cada i = 0, . . . , N +1, o un mensaje de que se excedi o el n umero m aximo de iteraciones. 1. Tomar h = (b a)/(N + 1); w0 = ; wN +1 = . 2. Para i = 1, . . . , N , tomar wi = + i 3. Tomar k = 1. h. ba

4. Mientras k M , hacer los pasos 5 - 16. 5. Tomar x t a1 b1 d1 x t ai bi ci di = = = = = = = = = = = a + h, (w2 )/2h, 2 + h2 fy (x, w1 , t), 1 + (h/2)fy (x, w1 , t), (2w1 w2 + h2 f (x, w1 , t)).

6. Para i = 2, . . . , N 1, tomar

a + ih, (wi+1 wi1 )/2h, 2 + h2 fy (x, wi , t), 1 + (h/2)fy (x, wi , t), 1 (h/2)fy (x, wi , t), (2wi wi+1 wi1 + h2 f (x, wi , t)).

7. Tomar

8. Tomar l1 = a1 ; u1 = b1 /a1 ; z1 = d1 /l1 . (Los pasos 8-12 resuelven un sistema lineal tridiagonal utilizando el algoritmo de Crout). 9. Para i = 2, . . . , N 1, tomar li = ai ci ui1 ; ui = bi /li ; zi = (di ci zi1 )/li . 10. Tomar lN = aN cN uN 1 ; zN = (dN cN zN 1 )/lN . 11. Tomar vN = zN ; wN = wN + vN . 12. Para i = N 1, . . . , 1, tomar vi = zi ui vi+1 ; wi = wi + vi . 13. Si ||v || Tol, hacer los pasos 14-15. 14. Para i = 0, . . . , N + 1, tomar x = a + ih. Mostrar (x, wi ). 15. Parar. Procedimiento terminado con exito. 16. Tomar k = k + 1. 17. M aximo de iteraciones, procedimiento terminado sin exito. Parar. Al igual que el caso lineal, la soluci on encontrada por el m etodo de Diferencias Finitas aproxima a la 2 soluci on exacta con un orden de aproximaci on O(h ) (ver [9], Cap tulo 8, Secci on 7.2, p ag. 432 - 433). 22

x = b h, t = ( wN 1 )/2h, aN = 2 + h2 fy (x, wN , t), cN = 1 (h/2)fy (x, wN , t), dN = (2wN wN 1 + h2 f (x, wN , t)).

Secci on 2.3: M etodo de los Elementos Finitos

Figura 2.4: La funci on y (x) = 3x2 + 3x es un ejemplo de una funci on en V.

2.3.

M etodo de Elementos Finitos

El m etodo de Elementos Finitos (MEF), el cual se plantea en las referencias [3, 17], constituye hoy en d a el procedimiento habitual para la aproximaci on num erica de la soluci on de problemas pr acticos que surgen en Ingenier a o las Ciencias. Se trata de un m etodo general para la soluci on de problemas de contorno de ecuaciones diferenciales ordinarias o parciales. En esencia se trata de una t ecnica que sustituye el problema diferencial por otro algebraico, aproximadamente equivalente, para el cual se conocen t ecnicas generales de resoluci on. Para ello hace uso de la discretizaci on o subdivisi on de una regi on sobre la cual est an denidas las ecuaciones en formas geom etricas simples denominadas elementos nitos. Una de las ventajas de este m etodo es su facilidad de implementaci on en un programa computacional, que a su vez es una condici on b asica para su utilizaci on ya que el tratamiento de un problema, en particular, debe efectuarse en un n umero muy elevado de operaciones para resolver sistemas algebraicos del orden de cientos o miles de ecuaciones. No obstante, esta cantidad no es una limitaci on con las computadoras est andar de hoy. El MEF fue al principio desarrollado en 1943 por R. Courant, qui en utiliz o el m etodo de Ritz de an alisis num erico y minimizaci on de las variables de c alculo para obtener soluciones aproximadas a un sistema de vibraci on. En la d ecada de 1960 el m etodo fue generalizado para la soluci on aproximada de problemas de an alisis de tensi on, ujo de uidos y transferencia de calor. El primer libro sobre Elementos Finitos fue publicado en 1967 por Zienkiewicz y Cheung ([19]). En la d ecada de 1970 el m etodo fue extendido al an alisis de problemas no lineales de la mec anica del continuo. Hoy el m etodo permite resolver pr acticamente cualquier situaci on f sica que pueda formularse mediante un sistema de ecuaciones diferenciales.

2.3.1.

Formulaci on d ebil de un problema modelo unidimensional

Consideremos el problema de valor de frontera siguiente: u (x) = f (x), (2.20)

u(0) = u(1) = 0, dv donde v = y f es una funci on continua. Se introduce el siguiente espacio vectorial de funciones: dx V = v : v C [0, 1], v es continua a trozos y acotada en [0, 1], v (0) = v (1) = 0 . Si se multiplica la ecuaci on (2.20) por una funci on cualquiera de V (ver Figura 2.4) e integramos en el intervalo [0, 1] usando la f ormula de integraci on por partes, entonces se tiene:
1

u (x)v (x)dx = u (1)v (1) + u (0)v (0) +

1 0

u (x)v (x)dx =
0

u (x)v (x)dx, 23

Cap tulo 2: M etodos Num ericos para aproximar la soluci on de un PVF

Figura 2.5: Ejemplo de una funci on vh Vh , 5 subintervalos.

y concluimos que para toda funci on v V, la soluci on u del problema modelo (2.20) verica: B (u, v ) = F (v ),
1

(2.21)
1

donde B (u, v ) =

La formulaci on anterior (2.21) se llama formulaci on d ebil o variacional del problema de partida (2.20). Las dos formulaciones no son estrictamente equivalentes. En efecto, toda soluci on de (2.20) es soluci on de (2.21). Sin embargo, para que toda soluci on de (2.21) sea soluci on de (2.20), se debe exigir que dicha soluci on sea dos veces continuamente diferenciable. La existencia y unicidad de la soluci on de (2.21) queda garantizada en virtud del Teorema de Lax Milgram y el Teorema de Representaci on de Riesz (Ver Preliminares, Teor a de An alisis Funcional).

u (x)v (x)dx es una forma bilineal y F (v ) =

f (x)v (x)dx es un funcional lineal.

0

2.3.2.

El MEF para el problema modelo con funciones lineales a trozos

El espacio V es un espacio de funciones de dimensi on innita. La idea del m etodo de los elementos nitos es buscar soluciones de (2.21) en un subespacio de V m as sencillo, en particular, en un espacio vectorial de funciones que sea de dimensi on nita. Esto nos permitir a representar cualquier funci on de este subespacio como una combinaci on lineal de elementos de una base. En primer lugar, construiremos un subespacio Vh de V. Para ello sea 0 = x0 < x1 < < xM < xM +1 = 1, una partici on del intervalo (0, 1) en subintervalos Ij = (xj 1 , xj ) de longitud hj = xj xj 1 , j = 1, 2, . . . , M + 1, y sea h = m ax hj . La cantidad h es una medida de lo na que es la partici on. Consideremos ahora Vh = {v : v es lineal en cada subintervalo Ij , v C [0, 1] y v (0) = v (1) = 0}. Un ejemplo de una funci on en Vh se aprecia en la Figura 2.5. Una base del espacio Vh est a constituido por el siguiente conjunto de funciones j Vh , j = 1, . . . , M , denidas por: j (xi ) = 1 si i = j, 0 si i = j.

es decir, j es continua y lineal a trozos, y toma el valor 1 en el nodo xj y el valor 0 en los otros nodos. 24

Secci on 2.3: M etodo de los Elementos Finitos 1

Figura 2.6: Ejemplo de una funci on de la base de Vh , 10 subintervalos.

De forma m as precisa:

j (x) =

0 x xj 1 xj xj 1 xj +1 x xj +1 xj 0

si x xj 1 , si xj 1 < x xj , si xj < x < xj +1 , si xj +1 x.

Una funci on de esta base se aprecia en la Figura 2.6.

Una funci on vh Vh se escribe de forma u nica como combinaci on lineal de funciones de la base M {j }j =1 ,
M

vh (x) =
j =1

vh (xi )j (x), x [0, 1].

El m etodo de los elementos nitos para el problema (2.20) se formula de la siguiente manera: encontrar uh Vh tal que para todo vh Vh verique B (uh , vh ) = F (vh ). (2.22)

Este problema, como vamos a ver, es equivalente a resolver un sistema algebraico lineal. En efecto, por una parte la soluci on uh (x) se expresa en funci on de los elementos de la base {i }M i=1 , esto es,
M

uh (x) =
i=1

ui i (x),

donde ui = uh (xi ). Por otro lado, para que se verique (2.22) con cualquier vh (x), es necesario y suciente que se verique para cualquier funci on de la base. Teniendo en cuenta la linealidad de la integral, resulta que el problema a resolver es:
M i=1

B (i (x), j (x))ui = F (j ),

para j = 1, . . . , M .

En forma matricial, el sistema se puede escribir como: Au = b, (2.23) 25

Cap tulo 2: M etodos Num ericos para aproximar la soluci on de un PVF donde [A]ij = B (i (x), j (x)) y bj = F (j ).

Los elementos [A]ij se calculan f acilmente. Primero notemos que si |i j | > 1, entonces [A]ij = 0, pues, en este caso, para x [0, 1], i (x) o j (x) es igual a cero. Por lo tanto, la matriz A es tridiagonal, esto es, u nicamente los elementos de la diagonal principal y los elementos de las dos diagonales adyacentes pueden ser diferentes de cero. As , para j = 1, . . . , M ,
1

B (j (x), j (x)) = =

j (x)j (x)dx xj +1 xj

xj x j 1

j (x)j (x)dx +

j (x)j (x)dx

= y para j = 2, . . . , M ,

1 1 + , hj hj +1
1 j (x)j 1 (x)dx

B (j (x), j 1 (x)) = =

xj x j 1

1 dx h2 j

1 . hj

La matriz A es sim etrica y denida positiva, esto es, xAxT > 0, para todo vector la x de dimensi on M no nulo. En efecto, notemos que [A]ij = B (i (x), j (x)) = B (j (x), i (x)) = [A]ji . Por otro lado, para un vector la x arbitrario no nulo, tenemos
M M p=1

xAxT

=
k =1 M

vp B (p (x), k (x)) vk

=
k =1

B
M

vp p (x), k (x) vk
p=1 M

= B

vp p (x),
p=1 k =1

vk k (x) ,

= B (v (x), v (x)) > 0. As , como A es denida positiva, entonces A es invertible, por tanto, el sistema (2.23) tiene soluci on. En el caso especial en que los subintervalos Ij tengan todos la misma longitud h = M1 , el sistema tiene la +1 forma: 2 1 0 . . . 0 u1 b1 . 1 2 1 . . . . . 1 . . . . . . . = . . .. .. .. . h 1 uM bM 0 0 . . . 1 2 26

Secci on 2.3: M etodo de los Elementos Finitos Observaci on: Si consideramos la ecuaci on diferencial u (x) = f (x), con u(0) = u(1) = 0, entonces la matriz A, del m etodo de Diferencias Finitas para el caso lineal, coincide con la matriz A del m etodo de los Elementos Finitos.

2.3.3.

Integraci on num erica

A la hora de calcular el segundo miembro del sistema (2.23), aparecen integrales de la forma
xj xj +1

f (x)j (x)dx +
x j 1 xj

f (x)j (x)dx,

(2.24)

con j = 1, . . . , M . Salvo en el caso en que la funci on f sea una funci on constante a trozos, la forma pr actica de calcular estas integrales ser a mediante la integraci on num erica. Para efecto de este trabajo, se usar a la f ormula de cuadratura Gaussiana, espec camente la de dos puntos (Ver [12], Cap tulo 5, Secci on 5.3, p ag. 270). Dicha f ormula dice que
1 1 b

f ( )d f

1 3

1 +f . 3

Por otro lado, una integral

a

g(x)dx en un intervalo arbitrario [a, b] se puede transformar en otra en 2x a b , ba

[1, 1], usando el cambio de variables t= el cual equivale a decir que x=

1 (b a)t + a + b . 2

Esto permite aplicar la f ormula de cuadratura Gaussiana a cualquier intervalo [a, b], ya que
b

g(x)dx =
a

ba 2

g
1

(b a)t + b + a dt. 2

Por comodidad pongamos j (x) = f (x)j (x), j = 1, . . . , M . Para (2.24), se cumple

xj xj +1

bj =
x j 1

j (x)dx +
xj 1

j (x)dx
1

hj 2

j
1

hj t + xj + xj 1 hj +1 dt + 2 2 + j

j
1

hj +1 t + xj +1 + xj dt 2

hj hj p + xj + xj 1 j 2 2 +

hj p + xj + xj 1 2 + j hj +1 p + xj +1 + xj 2 ,

hj +1 hj +1 p + xj +1 + xj j 2 2

1 donde p = . 3 27

Cap tulo 2: M etodos Num ericos para aproximar la soluci on de un PVF Descripci on de un algoritmo del M etodo de Elementos Finitos. del m etodo de Elementos Finitos requiere, en general, de cuatro etapas: 1. El problema debe reformularse en forma variacional. 2. El dominio de la variable independiente debe dividirse mediante una partici on en subdominios, llamados elementos nitos. Asociada a la partici on anterior se construye un espacio vectorial de dimensi on nita, llamado espacio de elementos nitos, siendo la soluci on num erica una combinaci on lineal en dicho espacio vectorial. 3. Se obtiene la proyecci on del problema variacional original sobre el espacio de elementos nitos obtenido de la partici on. Esto da lugar a un nito sistema de ecuaciones con un n umero elevado de inc ognitas. El n umero de ecuaciones y de inc ognitas ser a igual a la dimensi on del espacio vectorial. En general, cuanto mayor sea dicha dimensi on tanto mejor ser a la aproximaci on num erica obtenida. 4. El u ltimo paso es el c alculo num erico de la soluci on del sistema de ecuaciones. Es importante resaltar que la soluci on estimada por el m etodo de Elementos Finitos aproxima la 2 soluci on exacta con un orden de aproximaci on O(h ) (ver [17]). El desarrollo de un algoritmo

2.4.

M etodo Galerkin Discontinuo

El m etodo Galerkin Discontinuo, presentado en la referencia [1], forma parte de una clase de m etodos num ericos para solucionar ecuaciones diferenciales parciales y ordinarias. Combina muchas caracter sticas del m etodo de Elementos Finitos y se ha aplicado con exito a problemas hiperb olicos, el pticos y parab olicos. Este m etodo fue propuesto y analizado en los a nos 70 como una t ecnica para solucionar num ericamente ecuaciones diferenciales parciales que surgen en muchas aplicaciones. Este m etodo num erico sigue la misma estructura del m etodo de Elementos Finitos. La idea consiste en reformular el problema dado en forma d ebil o forma variacional. Se procede a dividir el dominio de la variable independiente en subdominios. Asociada a la partici on anterior se construye un espacio vectorial de dimensi on nita, siendo la soluci on num erica una combinaci on lineal en dicho espacio vectorial, lo que conllevar a a un sistema de ecuaciones lineales, es decir, encontrar la soluci on de una ecuaci on diferencial se limita a encontrar la soluci on de un sistema de ecuaciones lineales.

2.4.1.

Formulaci on d ebil de un problema modelo unidimensional

Consideremos el problema siguiente en el intervalo (0, 1) (K (x)p (x)) = f (x), p(0) = 1, p(1) = 0, (2.25)

donde K C 1 (0, 1), es positiva y acotada, y f C 0 (0, 1). Vamos a reformular el problema modelo, pero antes se introducir a algunos conceptos que ser an u tiles para todo lo que sigue. Sea 0 = x0 < x1 < < xN = 1 una partici on h de (0, 1), pongamos In = (xn , xn+1 ), y denamos hn = xn+1 xn , hn1,n = m ax(hn1 , hn ), h =
0nN 1

m ax

hn .

Denotemos por Dk (h ) el espacio de los polinomios discontinuos a trozos de grado k: Dk (h ) = v : v |In Pk (In ), n = 0, . . . , N 1 , 28

Secci on 2.4: M etodo Galerkin Discontinuo

1

0.25

0.5

0.75

Figura 2.7: Ejemplo de una funci on v en D2 (h ), 4 subintervalos de igual longitud. En I0 e I2 v es un abola cuadr atica. segmento de recta, mientras que en I1 e I3 v es una par

donde Pk (In ) es el espacio de los polinomios de grado k en el intervalo In . Sean v (x+ m v (xn + ) n ) = l y v (x m v (xn ), donde > 0. Deniremos el salto y promedio de v en los extremos de In , n ) = l 0 respectivamente, como 1 + + [v (xn )] = v (x n ) v (xn ), {v (xn )} = (v (xn ) + v (xn )), n = 1, . . . , N 1, 2 mientras que el salto y promedio en los extremos del intervalo (0, 1) se dene como:
+ [v (x0 )] = v (x+ 0 ), {v (x0 )} = v (x0 ), [v (xN )] = v (xN ), {v (xN )} = v (xN ). 0

Ahora, se introducen los t erminos de salto de la soluci on y su derivada. Estos t erminos vienen dados por
N

J0 (v, w) =

h n=0 n1,n

[v (xn )][w(xn )],

J1 (v, w) =

N 1 n=1

1 hn1,n

[v (xn )][w (xn )],

donde 0 y 1 son dos n umeros reales no negativos. Ahora bien, ya estamos en condici on de reformular el problema modelo. Sea v una funci on en Dk (h ) (Ver Figura 2.7). Si se multiplica la ecuaci on (2.25) por v y se integra en In , con n = 0, . . . , N 1, usando la f ormula de integraci on por partes, entonces
xn+1 xn + K (x)p (x)v (x)dx K (xn+1 )p (xn+1 )v (x n+1 ) + K (xn )p (xn )v (xn ) = xn+1

f (x)v (x)dx.
xn

Sumando las N ecuaciones anteriores y usando la denici on de salto para v en cada nodo de la partici on, se tiene
N 1 n=0 xn+1 xn N

K (x)p (x)v (x)dx

[K (xn )p (xn )v (xn )] =

n=0 0

f (x)v (x)dx.

Notemos que, para n = 1, . . . , N 1, se cumple [K (xn )p (xn )v (xn )] = {K (xn )p (xn )}[v (xn )] + {v (xn )}[K (xn )p (xn )]. (2.26)

Si se usa (2.26) y sabiendo que la soluci on exacta p satisface [K (xn )p (xn )] = 0 en los nodos interiores de la partici on h (esto gracias a la continuidad de p ), se obtiene
N 1 n=0 xn+1 xn N

K (x)p (x)v (x)dx

n=0

{K (xn )p (xn )}[v (xn )] =

f (x)v (x)dx.
0

29

Cap tulo 2: M etodos Num ericos para aproximar la soluci on de un PVF Como la soluci on exacta p es tambi en continua, entonces [p(xn )] = 0. Notemos que p(x0 ) = p(0) = 1 y p(xN ) = p(1) = 0, con lo que
N 1 n=0 xn+1 xn N N

K (x)p (x)v (x)dx

1

n=0

{K (xn )p (xn )}[v (xn )] +

n=0

{K (xn )v (xn )}[p(xn )]

=
0 1

f (x)v (x)dx K (x0 )v (x0 )p(x0 ) + K (xN )v (xN )p(xN ) f (x)v (x)dx K (x0 )v (x0 ).

=
0

El tercer t ermino del primer miembro de la igualdad anterior es casi siempre cero. Adem as, puede ser cualquier n umero real, sin embargo, nos restringiremos al caso en que = 1, = 0 o = 1. As , denimos la forma bilineal del m etodo Galerkin Discontinuo B : Dk (h ) Dk (h ) R, como B (w, v ) =
N 1 n=0 xn+1 xn N N

K (x)w (x)v (x)dx

n=0

{K (xn )w (xn )}[v (xn )]

n=0

{K (xn )v (xn )}[w(xn )] + J0 (w, v ) + J1 (w, v ).

La forma bilineal B tiene las siguientes propiedades: 1. Para = 1, la forma es sim etrica, y adem as B1 (v, v ) =
N 1 n=0 xn+1 xn N

K (x)(v (x))2 dx 2

n=0

{K (xn )v (xn )}[v (xn )] + J0 (v, v ) + J1 (v, v ).

2. Para = 0 o = 1, la forma es no sim etrica, y cumple B1 (v, v ) =

N 1 n=0 N 1 n=0 xn+1 xn xn+1 xn

K (x)(v (x))2 dx + J0 (v, v ) + J1 (v, v ) 0,

N 2

B0 (v, v ) =

K (x)(v (x)) dx

n=0

{K (xn )v (xn )}[v (xn )] + J0 (v, v ) + J1 (v, v ).

La idea de este m etodo consiste en encontrar P Dk (h ) tal que B (P , v ) = L(v ), para cada v Dk (h ), donde L : Dk (h ) R es el funcional lineal denido por
1

(2.27)

L(v ) =

f (x)v (x)dx K (x0 )v (x0 ) +

0 v (x0 ). h0,1

La existencia y unicidad de la soluci on de (2.27) queda garantizada en virtud del Teorema de Lax Milgram y el Teorema de Representaci on de Riesz (Ver Preliminares, Teor a de An alisis Funcional). 0 1 Dependiendo de la elecci on de los par ametros , y , el m etodo Galerkin Discontinuo recibe varios nombres. 30

Secci on 2.4: M etodo Galerkin Discontinuo Si = 1, 1 = 0 y 0 est a acotado inferiormente por un n umero de gran magnitud, el m etodo resultante es llamado symmetric interior penalty Galerkin (SIPG), introducido despu es de 1970 por Wheeler (ver [16]) y Arnold (ver [8]). Si = 1 y 0 = 1 = 0, el m etodo resultante es llamado global element, introducido en 1979 por Delves y Hall (ver [15]). Sin embargo, la matriz asociada a la forma bilineal es indenida, la parte real de los autovalores no son todos positivos y, por tanto, el m etodo es inestable. Si = 1, 1 = 0 y 0 = 1, el m etodo resultante es llamado nonsymmetric interior penalty Galerkin (NIPG), introducido en 1999 por Rivi` ere, Wheeler and Girault (ver [4]). Si = +1 y 0 = 1 = 0, el m etodo resultante fue introducido por Oden, Babu ska y Baumann en 1998 (ver [10]). Haremos referencia a este m etodo como NIPG 0, ya que corresponde al caso particular de NIPG, con 0 = 0. Si = 0, obtenemos el m etodo incomplete interior penalty Galerkin (IIPG), el cual fue introducido por Dawson, Sun and Wheeler en 2004 (ver [5]). Cabe preguntarnos, qu e pasa si = 0 y 0 = 1 = 0?. Resulta que el m etodo no es convergente y es inestable, m as a un, no se puede probar la existencia y unicidad de la soluci on.

2.4.2.

Derivaci on del sistema lineal A = b mediante el uso de polinomios discontinuos a trozos

En este apartado se deriva el sistema lineal que se obtiene al emplear el esquema Galerkin Discontinuo para el problema modelo, tomando el caso simple cuando K (x) es id enticamente igual a 1 y 1 = 0. Al mismo tiempo, y por efectos de c alculo, se consideran los polinomios cuadr aticos discontinuos a trozos, es decir, cuando se trabaja en D2 (h ). Una base del espacio P2 (In ) est a contituido por el siguiente conjunto de funciones n j P2 (In ), j = 0, 1, 2, denidas por n 0 (x) = 1, donde xn = n 1 (x) = 2 x xn , xn+1 xn n 2 (x) = 4 (x xn )2 , (xn+1 xn )2

1 n n xn + xn+1 es el punto medio del intervalo In . Notemos que n 0 , 1 y 2 son las traslaciones 2 respectivas de las funciones g0 (x) = 1, g1 (x) = x y g2 (x) = x2 , desde el intervalo (1, 1) al intervalo In (Ver Figura 2.8). Con efecto de simplicar un poco los c alculos, supongamos que h es una partici on uniforme de (0, 1). Por tanto, las funciones de base local y sus derivadas se pueden simplicar n 0 (x) = 1, n 1 (x) = 2 1 x n+ h , h 2
(n 1 ) (x) =

n 2 (x) =

4 1 x n+ h 2 h 2

(2.28) (2.29)

(n 0 ) (x) = 0,

2 , h

(n 2 ) (x) =

8 1 h . x n+ 2 h 2

Las funciones de base global {n i } para el espacio D2 (h ) son obtenidas de las funciones de base local extendi endolas a cero: n i (x), x In , n i (x) = 0, x In . Ahora, para cada x (0, 1), notemos que la soluci on aproximada P viene dada por P (x) =
N 1 2 m=0 i=0 m m i i (x),

(2.30) 31

Cap tulo 2: M etodos Num ericos para aproximar la soluci on de un PVF

n 0 (x)

n 2 (x) 0 xn n 1 (x) 1 xn+1 1

Figura 2.8: Funciones de base local para el espacio P2 (In ).

donde los coecientes m i son desconocidos y requieren ser calculados. Si se sustituye (2.30) en (2.27), entonces, gracias a la linealidad de B y L, se tiene
N 1 2 m=0 i=0 m n n m i B (i (x), j (x)) = L(j (x)),

para n = 0, . . . , N 1 y j = 0, 1, 2. La igualdad anterior no es m as que un sistema lineal de la forma m n A = b, donde es el vector con componentes j , A es la matriz con entradas B (m i (x), j (x)), y b es n el vector con componentes L(j (x)).

2.4.3.

Construcci on de la matriz A

Las entradas de la matriz global A pueden ser obtenidas calculando y ensamblando matrices locales, por tanto, vamos a describir c omo calcular dichas matrices. Se reagrupar an los t erminos de la denici on B en tres grupos: los t erminos que involucran las integrales sobre In , los t erminos que involucran los nodos interiores xn , y los relacionados con los nodos de la frontera x0 y xN . Primero se considera los t erminos correspondientes a las integrales sobre los intervalos In . En cada elemento In , la soluci on P es un polinomio de grado 2, y se puede expresar como
n n n n n P (x) = n 0 0 (x) + 1 1 (x) + 2 2 (x),

(2.31)

para cada x In . Usando (2.31) y elegiendo v = n j (x), para cada j = 0, 1, 2, se obtiene

2 In P (x)(n j ) (x)dx = i=0

n i

In

n (n i ) (x)(j ) (x)dx,

Este sistema lineal puede ser reescrito como An n , donde n 0 n , [An ]ij = n = n (n i ) (x)(j ) (x)dx. 1 In n 2 La matriz An es f acil de determinar, 0 0 1 0 4 An = h 0 0 0 0 . 16 3 32

Secci on 2.4: M etodo Galerkin Discontinuo En segundo lugar, se considera los t erminos que involucran los nodos interiores xn . Usando la denici on promedio y salto de la funci on v para dichos nodos, se tiene P (xn ) v (xn ) + v (xn ) P (xn ) + donde bn =
0 1 + + )v (x+ ) + P (x+ )v (x+ ), P (xn )v (x+ P ( x ) n n n n n 2 2 h

0 P (xn ) v (xn ) = bn + cn + dn + en , h

1 0 cn = P (x P (x n )v (xn ) + P (xn )v (xn ) + n )v (xn ), 2 2 h 1 0 + dn = P (x+ P (x+ n )v (xn ) P (xn )v (xn ) n )v (xn ), 2 2 h en =
0 1 )v (x+ ) P (x )v (x+ ). P (xn )v (x+ ) + P ( x n n n n n 2 2 h

erminos anteriores determinar an las matrices Usando (2.31) y con el cambio v = n j (x), los cuatros t locales Bn , Cn , Dn y En , respectivamente. Las entradas de dichas matrices son [Bn ]ij [Cn ]ij [Dn ]ij [En ]ij =
0 1 n + n + + )(n ) (x+ ) + n (x+ )n (x+ ), (i ) (xn )j (xn ) n ( x n n j 2 2 i h i n j n 0 1 n n )(n ) (x ) + n (x )n (x ), (i ) (xn )j (xn ) + n ( x n j 2 2 i n h i n j n

= = =

1 n + n 0 n + n + n (i ) (xn )j (xn ) n (x ) (x ), i (xn )(j ) (xn ) 2 2 h i n j n

0 1 n n + )(n ) (x+ ) n (x )n (x+ ). (i ) (xn )j (xn ) + n ( x n j 2 2 i n h i n j n

Las entradas ij de cada matriz local 3 3 se puede calcular f acilmente usando (2.28) y (2.29): Bn = 0 1 0 2 + 0 1 0 1 + + 0 2 0 , h 0 0 2 + 1 2 2 + 2 0

Cn =

0 1 + 0 2 + 0 1 + 0 1 + + 0 2 + + 0 , h 2 + 0 1 + 2 + 0 2 + 2 + 0 0 1 + 0 2 0 1 0 1 + + 0 2 0 , h 2 0 1 + 2 + 0 2 2 0 0 1 0 2 0 1 + 0 1 + + 0 2 + + 0 . h 0 2 1 2 0 2 2 0

Dn =

En =

33

Cap tulo 2: M etodos Num ericos para aproximar la soluci on de un PVF Para nalizar, se considera los t erminos relacionados con los nodos de frontera x0 y xN : f0 = P (x0 )v (x0 ) P (x0 )v (x0 ) + fN 0 P (x0 )v (x0 ), h 0 P (xN )v (xN ). h

= P (xN )v (xN ) + P (xN )v (xN ) +

Los dos t erminos anteriores determinar an, respectivamente, dos matrices locales, F0 y FN , las cuales vienen dadas por: 0 2 0 4 + 0 1 F0 = 2 0 2 + 2 + 0 4 2 0 , h 4 + 0 2 4 0 4 + 4 + 0 FN = 0 2 + 0 4 + 0 1 2 + 0 2 + 2 + 0 4 + 2 + 0 . h 4 + 0 2 + 4 + 0 4 + 4 + 0

Estas matrices locales son independientes del intervalo In . Una vez que las matrices han sido calculadas, ellas son ensambladas dentro de la matriz global. El ensamble depende del orden de las incognitas n i . Si se supone que las incognitas est an ordenadas de la siguiente manera
N 1 1 1 0 0 1 1 1 2 2 2 0 , , N , N 0 , 1 , 2 , 0 , 1 , 2 , 0 , 1 , 2 , . . . , 0 1 2

donde

entonces la matriz global viene dada por: M0 D1 E1 M D2 EN 2 M = An + Bn + Cn+1 ,

M DN 1 EN 1 MN

M0 = A0 + F0 + C1 ,

MN = AN 1 + FN + BN 1 .

Observaci on: Ya que el par ametro de penalizaci on es constante, las matrices locales son independientes de los subintervalos. Por tanto, ellas pueden ser denidas antes de ensamblar la matriz global.

2.4.4.

Construcci on del vector b

Recordemos que el vector b es un vector con componentes L(n j (x)), donde L(n j (x)) =
1 0 n f (x)n j (x)dx (j ) (x0 ) +

0 n (x0 ), h j

para n = 0, . . . , N 1 y j = 0, 1, 2. En virtud de la denici on de n j (x), se tiene

1 0

f (x)n j (x)dx =

xn+1 xn

f (x)n j (x)dx.

Despu es de un cambio de variable (ver [18], Cap tulo 4, Secci on 4.7, p ag. 224), se obtiene
1 0

f (x)n j (x)dx =

h 2

f
1

h 1 t+ n+ h tj dt. 2 2 34

Secci on 2.5: M etodo Galerkin Discontinuo Salvo en el caso en que la funci on f sea una funci on constante a trozos, la forma pr actica de calcular la integral anterior ser a mediante la integraci on num erica, y, al igual que en el MEF, usaremos la f ormula de cuadratura Gaussiana de dos puntos (Ver [12], Cap tulo 5, Secci on 5.3, p ag. 270). Por lo tanto
1 0

f (x)n j (x)dx

h 2

f
p=1

h 1 sp + n + h (sp )j , 2 2

1 1 donde s1 = y s2 = . Escribiremos las componentes del vector b en un orden consecuente con el 3 3 n orden de las incognitas i N 1 1 1 0 0 1 1 1 2 2 2 b0 , bN , bN , 0 , b1 , b2 , b0 , b1 , b2 , b0 , b1 , b2 , . . . , b0 1 2

donde las tres primeras componentes vienen dadas por b0 0 = h 2 h 2 h 2

2

f
p=1 2

h h sp + 2 2

0 , h

b0 1 =

f
p=1 2

h h 2 0 sp + sp , 2 2 h h h h 4 0 sp + (sp )2 + + , 2 2 h h

b0 2 =

f
p=1

mientras que el resto de las 3(N 1) componentes son bn i = h 2

2

f
p=1

h 1 sp + n + h (sp )i . 2 2

A continuaci on se presenta un breve algoritmo de este m etodo, el cual emplea las ideas b asicas anteriormente descritas. Algoritmo del M etodo Galerkin Discontinuo. Entrada: N umero de subintervalos N 2; par ametros y 0 . Salida: Vector de inc ognitas n i , i = 0, 1, 2; n = 0, . . . , N . 1. Tomar h = 1/N . 2. Construir las matrices locales An , Bn , Cn , Dn , En , F0 , FN . 3. Ensamblar las matrices locales dentro de la matriz global A. 4. Aplicar cuadratura Gaussiana de dos puntos para calcular y construir el vector b. 5. Tomar A1 b. Para efecto de la implementaci on de los c odigos, se trabajar a con SIPG, esto es, cuando = 1 y 0 = 106 . A ra z de esto, la soluci on encontrada por este m etodo aproxima la soluci on exacta con un 3 orden de aproximaci on O(h ) (ver [1], p ag. 13). 35

Cap tulo 2: M etodos Num ericos para aproximar la soluci on de un PVF

2.5.

M etodo Bvp4c

Hasta los momentos se han planteado cuatro m etodos para aproximar la soluci on de un Problema de Valor de Frontera de segundo orden: los m etodos de Disparo y Diferencias Finitas son los m etodos com unmente m as usados, con frecuencia aparecen en todas las referencias b asicas de An alisis Num erico, mientras que los m etodos de los Elementos Finitos y Galerkin Discontinuo, un poco m as complejos que los anteriores, parten de la teor a de espacios normados y se fundamentan en resultados del An alisis Funcional. En esta secci on se plantear a el u ltimo de los m etodos num ericos que se emplear a para la resoluci on del problema planteado: el M etodo Bvp4c, presentado en [14], el cual se encuentra implementado en Matlab. El M etodo Bvp4c pone en pr actica el principio de superposici on para aproximar la soluci on del Problema de Valor de Frontera de segundo orden: y = f (x, y, y ), y (a) = , (2.32) y (b) = .

Para conseguir esto, se reescribe (2.32) como un sistema de ecuaciones diferenciales ordinarias de primer orden: (2.33) y = f(x, y), a x b, sujeta a condiciones generales de frontera no lineales: g(y(a), y(b)) = 0. La soluci on aproximada del sistema (2.33), S(x), es una funci on continua. M as en general, la soluci on S(x) es un polinomio c ubico en cada subintervalo In = [xn , xn+1 ], de una malla de puntos a = x0 < x1 < < xN = b. Esta soluci on aproximada satisface las condiciones de frontera que cumple y, es decir: g(S(a), S(b)) = 0. As mismo, la soluci on S(x) satisface la ecuaci on diferencial en los extremos y punto medio de cada subintervalo In , esto es, S (xn ) = f(xn , S(xn )), S xn + xn+1 2 = f xn + xn+1 xn + xn+1 ,S 2 2 ,

S (xn+1 ) = f(xn+1 , S(xn+1 )). Estas ecuaciones conllevan a un sistema de ecuaciones algebraicas no lineales para los coecientes de S(x). A diferencia del m etodo del Disparo para el caso no lineal, la soluci on y(x) es aproximada sobre todo el intervalo [a, b] y las condiciones de frontera son tomadas en cuenta todo el tiempo. Las ecuaciones algebraicas no lineales son resueltas iterativamente por linealizaci on. La soluci on S(x) es una aproximaci on de cuarto orden para y(x), es decir, ||y(x) S(x)|| Ch4 (ver [11]). Aqu , h es el m aximo tama no de paso hn = xn+1 xn y C una constante.

Este m etodo adapta la malla para obtener as una soluci on num erica acertada con un modesto n umero de puntos de dicha malla. Poder hacer una aproximaci on sucientemente buena es la parte m as dif cil al momento de resolver un PVF. La continuidad de S(x) en [a, b] y la superposici on en los extremos y punto medio de cada intervalo implica que la derivada de S(x) tambi en es continua en [a, b]. El m etodo Bvp4c controla el error cometido al momento de aproximar y(x) mediante S(x). Para el control de dicho error, se introduce el residuo o resto de la ecuaci on diferencial. Este viene dado por r(x) = S (x) f(x, S(x)). Como se puede apreciar, en los extremos y punto medio de cada intervalo In , el resto es cero. 36

Secci on 2.5: M etodo Bvp4c Sintaxis. Como se dijo, el m etodo Bvp4c es un m etodo que usa la idea se superposici on y el mismo se encuentra implementado en Matlab, el cual permite resolver num ericamente un PFV del tipo y (x) = f (x, y (x), y (x)), x [a, b], sujeta a g(y (a), y (b)) = 0. La sintaxis b asica, empleando Matlab, es la siguiente: sol = bvp4c(@odef un, @bcf un, solinit), donde, 1. @odef un es el nombre del chero de la ecuaci on diferencial ordinaria que se quiere resolver, expresado como un sistema de ecuaciones diferenciales ordinarias de primer orden, dv = h(x, v ). Aqu x es un escalar, y adem as, v = [v1 v2 ]T = [y (x) y (x)]T ,

v ]T = [y (x), f (x, y (x), y (x))]T . dv = [v1 2

2. @bcf un es el nombre del chero que contiene las condiciones de contorno. 3. solinit es el dato inicial de la ecuaci on diferencial en un conjunto de nodos ordenados a = x0 < x1 < < xN = b. Para ello se usa la funci on bvpinit: solinit = bvpinit(xmesh, yinit), para un mallado inicial. La salida sol es una estructura con sol.x, que es el mallado seleccionado por Bvp4c, sol.y , aproximaci on a y (x) en los puntos del mallado sol.x, sol.yp, aproximaci on a y (x) en los puntos del mallado sol.x.

37

Cap tulo 2: Experimentaci on Num erica

38

3
Experimentaci on Num erica
Como ya se ha dicho, los problemas de valor de frontera de segundo orden suelen ser comunes en todas las ramas de las Ciencias Experimentales e Ingenier a. Por ejemplo, en F sica, las leyes de Newton y muchas otras se expresan como un problema de este tipo, en Biolog a aparecen en el modelado de din amica de poblaciones, en la Qu mica surgen en la evaluaci on de las concentraciones de diversos reactivos durante una reacci on, etc. Sin embargo, la dicultad radica en que las ecuaciones diferenciales que surgen de estos modelos no pueden resolverse anal ticamente excepto en algunos casos especiales. A ra z de esto, resulta necesario usar m etodos num ericos para dar aproximaciones (sucientemente buenas) de la soluci on de dichos modelos. En ese sentido, se han introducido, en este trabajo, cinco m etodos num ericos con la nalidad de estimar esas aproximaciones, los cuales son: el M etodo del Disparo y Diferencias Finitas (ver [9, 18]), el M etodo de los Elementos Finitos (ver [3, 17]), el M etodo Galerkin Discontinuo (ver [1]) y el M etodo Bvp4c, un m etodo que usa la idea se superposici on y el mismo se encuentra implementado en Matlab (ver[14]). En muchas ocasiones estamos interesados en tener conocimento sobre costo de error y costo computacional (tiempo de CPU usado) que ocurre al momento de usar uno de los m etodos anteriormente mencionados, es decir, nos interesa saber qu e tan grande es la magnitud del error que se comete cuando se aproxima la soluci on y el tiempo de m aquina que se requiere para realizar tal aproximaci on. Es por esto que en este cap tulo se har a una breve discusi on, m as que comparaci on, sobre la eciencia y propiedades de cada uno de estos m etodos, esto en vista de que no se presentan las condiciones adecuadas para realizar una comparaci on detallada y optima entre ellos. Por ejemplo, el m etodo Bvp4c realiza proceso adaptativo mientras que los otros m etodos no realizan. Otro ejemplo es que el m etodo de los Elementos Finitos y Galerkin Discontinuo s olo son aplicables al caso en que la ecuaci on diferencial es del tipo lineal, mientras que los m etodos del Disparo, Diferencias Finitas y Bvp4c se pueden emplear en un PVF ya sea lineal como no lineal. Esta discusi on se har a usando los c odigos de estos m etodos sobre un conjunto de ejemplos. Las implementaciones num ericas de estos m etodos es llevada a cabo en Matlab. No obstante, por considerarlo irrelevante, los c odigos no son dados expl citamente en este trabajo. Igualmente, en este cap tulo, se estimar a el error cometido al momento de aproximar la soluci on con los m etodos que se han introducido. Para ello se emplear a la norma del m aximo o norma innita, esto es, si x es un vector de n componentes, entonces ||x|| = m ax{|x1 |, |x2 |, . . . , |xn |}. De la misma maner a, se usar a la norma L2 , dada por
b 1/2

||eh (x)||L2 =

(eh (x))2 dx

con eh (x) = u(x) u(x), donde u(x) es la soluci on exacta del PVF planteado y u(x) su aproximaci on. En el caso en que se emplee el m etodo Galerkin Discontinuo, u(x) es un polinomio de grado 2 en cada 39

Cap tulo 3: Experimentaci on Num erica subintervalo de la partici on, mientras que si se emplea alguno de los otros m etodos, entonces u(x) es un polinomio lineal en cada subintervalo de dicha partici on. En lo que sigue, se ponen a prueba los c odigos de los m etodos num ericos sobre un conjunto de seis ejemplos. Los tres primeros son del tipo lineal, lo que permite emplear los cinco m etodos, mientras que los ejemplos 4, 5 y 6 son del tipo no lineal, lo que conlleva a usar s olo el m etodo del Disparo, Diferencias Finitas y Bvp4c. En vista de que el m etodo del Disparo y Diferencias Finitas, para el caso no lineal, usan un m etodo iterativo para encontrar el cero de una funci on no lineal y resolver un sistema de ecuaciones no lineales, respectivamente, estos se ejecutar an usando una tolerancia de 103 . De la misma manera, como el m etodo Bvp4c realiza proceso adaptativo, este se ejecutar a usando una tolerancia tambi en de 103 . Para el m etodo Galerkin Discontinuo, se trabajar a en el caso particular en que = 1 y 0 = 106 , es decir, se trabajar a con el m etodo SIPG. Se estimar a el error mediante la norma del m aximo y la norma L2 , los cuales se denotar an mediante |||| y ||||L2 , respectivamente, as como tambi en el tiempo de m aquina, en segundos, requerido para realizar las distintas operaciones, y estos datos se representar an en cuadros. Para nalizar, se presentan un conjunto de gr acas que revelan el comportamiento de los errores producidos para una partici on particular del dominio donde est a denida la soluci on de la ecuaci on diferencial planteada.

Ejemplo 1
Consideremos el siguiente problema de valor de frontera lineal: y = 27x + 28 , 3

y (0) = 1, y (1) = 0, el cual tiene por soluci on exacta

14 7 9 y (x) = x3 + x2 x + 1. 2 3 6 La gr aca de la soluci on exacta y (x) se reeja en la Figura 3.1. Si se particiona el intervalo [0, 1] en 10, 50 y 100 subintervalos de igual longitud, entonces, en virtud del Cuadro 3.1, se logra apreciar que los errores, empleando la norma del m aximo, son relativamente buenos. Notemos que el m etodo del Disparo logra obtener una mejor aproximaci on que los restantes m etodos, a pesar que emplea casi el doble del tiempo que el m etodo de Diferencias Finitas, que es m as r apido. Esto es previsible debido a que Disparo emplea el m etodo de Runge - Kutta de cuarto orden, el cual ofrece una exactitud O(h4 ) a las soluciones de los problemas de valor inicial. Para un tama no de paso de h = 0.02, el comportamiento del error cometido por cada uno de los m etodos se ilustra en la Figura 3.1. En las gr acas se reejan como, para Diferencias Finitas, Elementos Finitos y Galerkin Discontinuo, al aumentar x, el error va aumentando, hasta llegar a un cierto punto a partir del cual el error empieza a disminuir. Para Disparo y Bvp4c, el error empieza a aumentar y disminuir en peque na magnitud, pero a partir de un cierto valor el error presenta oscilaciones considerables. Para el error empleando la norma L2 , el m etodo Galerkin Discontinuo logra obtener una mejor aproximaci on sobre los otros m etodos, en vista de que este emplea polinomios de grado 2, a diferencias de los otros m etodos que emplean polinomios de grado 1. Es importante resaltar que el m etodo Bvp4c no realiza proceso de adaptatividad en las tres mallas iniciales dadas, ya que en cada subintervalo de cada una de las tres particiones, la norma del residuo, que resulta de aproximar la soluci on mediante polinomios c ubicos, est a por debajo de la tolerancia dada. Si se toma como referencia la malla de 10 subintervalos de igual longitud, entonces, en vista del Cuadro 3.1, 40

Ejemplo 1

8 7 6 5 y 4 3 2 1

x 10

16

0 0

0.1

0.2

0.3

0.4

0.5 x

0.6

0.7

0.8

0.9

(a) Gr aca de la soluci on exacta

8 7 x 10
15

(b) Error absoluto producido con Disparo

1.2 1 x 10
14

6 5 y 4 3

0.8 y 0.6 0.4

2 1 0 0 0.1 0.2 0.3 0.4 0.5 x 0.6 0.7 0.8 0.9 1

0.2 0 0

0.1

0.2

0.3

0.4

0.5 x

0.6

0.7

0.8

0.9

(c) Error absoluto producido con Diferencias. Finitas

8 7 6 5 y 4 3 x 10
9

(d) Error absoluto producido con Elementos Finitos

1.8 1.6 1.4 1.2 y 1 0.8 0.6 x 10
15

0.4
1 0 0 0.1 0.2 0.3 0.4 0.5 x 0.6 0.7 0.8 0.9 1

0.2 0 0 0.1 0.2 0.3 0.4 0.5 x 0.6 0.7 0.8 0.9 1

(e) Error absoluto producido con Galerkin Discontinuo

(f) Error absoluto producido con Bvp4c

Figura 3.1: Ejemplo 1. De arriba hacia abajo y de izquierda a derecha se muestran la soluci on exacta y el error absoluto obtenidos con Disparo, Diferencias Finitas, Elementos Finitos, Galerkin Discontinuo y Bvp4c, para un mallado de 50 subintervalos, empleando la norma del m aximo. 41

Cap tulo 3: Experimentaci on Num erica

8 7 6 5 y 4 3 2 1

x 10

15

0 0

0.2

0.4 x

0.6

0.8

(a) Gr aca de la soluci on exacta

1 x 10
14

(b) Error relativo producido con Disparo

1.4 1.2 x 10
14

0.8 1 0.6 y 0.4 y 0.6 0.4 0.2 0.2 0 0 0 0 0.8

0.2

0.4 x

0.6

0.8

0.2

0.4 x

0.6

0.8

(c) Error relativo producido con Diferencias. Finitas

8 7 5 6 4 5 y 4 3 2 2 1 1 0 0 0.2 0.4 x 0.6 0.8 1 y 3 x 10
9

(d) Error relativo producido con Elementos Finitos

6 x 10
15

0 0

0.2

0.4 x

0.6

0.8

(e) Error relativo producido con Galerkin Discontinuo

(f) Error relativo producido con Bvp4c

Figura 3.2: Ejemplo 1. De arriba hacia abajo y de izquierda a derecha se muestran la soluci on exacta y el error relativo obtenidos con Disparo, Diferencias Finitas, Elementos Finitos, Galerkin Discontinuo y Bvp4c, para un mallado de 50 subintervalos, empleando la norma del m aximo. 42

Ejemplo 2 N = 10 M etodo Disparo Dif. Finitas Elementos Finitos G. Discontinuo Bvp4c Disparo Dif. Finitas Elementos Finitos G. Discontinuo Bvp4c Disparo Dif. Finitas Elementos Finitos G. Discontinuo Bvp4c Tiempo 0.043 0.021 0.062 0.115 0.979 0.046 0.024 0.080 0.127 1.028 0.049 0.026 0.104 0.148 1.064 |||| 4.441 1016 5.551 1016 8.882 1016 1.788 109 7.772 1016 7.772 1016 7.994 1015 1.177 1014 7.703 109 1.665 1015 6.661 1016 1.088 1014 1.410 1014 2.195 108 2.442 1015 ||||L2 7.340 103 7.340 103 7.340 103 2.165 104 7.340 103 2.946 104 2.946 104 2.946 104 1.732 106 2.946 104 7.365 105 7.365 105 7.365 105 2.170 107 7.365 105

N = 50

N = 100

Cuadro 3.1: Ejemplo 1. Tiempo empleado y errores obtenidos para un mallado de 10, 50 y 100 subintervalos. Bvp4c emplea 0.979 segundos para obtener la aproximaci on con un error m aximo de 7.772 1016 . Para que los restantes cuatros m etodos requieran un tiempo relativamente igual, necesitan emplear el n umero de intervalos que vienen dados en el Cuadro 3.2. M etodo Disparo Dif. Finitas Elementos Finitos G. Discontinuo Intervalos 3610 5635 1100 524 ||||

6.151 1014 5.358 1012 7.480 1013 1.570 107

Cuadro 3.2: Ejemplo 1. N umeros de intervalos necesarios y error obtenido por los m etodos para requerir un tiempo pr oximo a 0.979 segundos. Como se puede apreciar en el Cuadro 3.2, el m etodo de Elementos Finitos logra obtener una aproximaci on casi tan buena como la aportada por Disparo, en una cantidad de intervalos mucho menor, mientras que, si se hace la comparaci on con Diferencias Finitas, la aproximaci on es mejor y emplea s olo casi una quinta parte de los intervalos que amerita este u ltimo m etodo. El m etodo Galerkin Discontinuo requiere menos intervalos pero el error obtenido aumenta signicativamente en relaci on cuando se usan menos intervalos.

Ejemplo 2
Trabajemos ahora con el siguiente problema de valor de frontera: y = (4x3 4x2 6x + 2)ex , y (0) = 1, y (1) = 0, 43
2

Cap tulo 3: Experimentaci on Num erica N = 10 M etodo Disparo Dif. Finitas Elementos Finitos G. Discontinuo Bvp4c Disparo Dif. Finitas Elementos Finitos G. Discontinuo Bvp4c Disparo Dif. Finitas Elementos Finitos G. Discontinuo Bvp4c Tiempo 0.041 0.023 0.061 0.115 0.987 0.045 0.024 0.084 0.141 1.018 0.049 0.027 0.103 0.151 1.075 |||| 1.915 106 1.203 103 1.277 106 1.277 106 1.915 106 3.042 109 4.845 105 2.028 109 1.755 109 3.042 109 ||||L2 1.115 103 8.653 104 1.114 103 3.796 105 1.115 103 4.472 105 3.455 105 4.472 105 3.041 107 4.472 105 1.118 105 8.637 106 1.118 105 3.846 108 1.118 105

N = 50

N = 100

1.902 1010 1.211 105 1.268 1010 9.361 109 1.902 1010

Cuadro 3.3: Ejemplo 2. Tiempo empleado y errores obtenidos para un mallado de 10, 50 y 100 subintervalos. con soluci on

y (x) = (1 x)ex . La gr aca de la soluci on exacta de este problema lineal se reeja en la Figura 3.3. Particionando uniformente el intervalo [0, 1] en 10, 50 y 100 subintervalos, se aprecia, en virtud del Cuadro 3.3, que las aproximaciones, empleando la norma del m aximo, son optimas. Para el caso del m etodo de Diferencias Finitas, los resultados son menos exactos que los restantes m etodos, esto se debe a que presenta un error del orden O(h2 ), cosa que no sucede, por citar, con el m etodo del Disparo o Bvp4c, que presentan un error del orden O(h4 ).

El comportamiento del error al dividir el intervalo [0, 1] en 50 subintervalos de igual longitud se ilustra en la Figura 3.3. Se puede apreciar en las gr acas como, para Disparo, Diferencias nitas, Elementos Finitos y Bvp4c, el error empieza a aumentar hasta alrededor de x = 0.5, punto en el cual empieza a disminuir en forma considerable. Para el m etodo Galerkin Discontinuo, el error se comporta de manera oscilatoria hasta un entorno de x = 0.5, para luego empezar a disminuir de manera estable. Al igual que en el ejemplo anterior, el m etodo Galerkin Discontinuo logra dar una mejor aproximaci on a la soluci on etodos. del PVF empleando la norma L2 , por encima de los otros cuatros m

Para cada una de las tres mallas que se usan en el Cuadro 3.3, el m etodo Bvp4c no realiza proceso de adaptatividad, en vista de que en cada subintervalo de esas tres mallas, la norma del residuo, que resulta de aproximar la soluci on mediante polinomios c ubicos, est a por debajo de la tolerancia dada. Tomando como referencia la malla de 10 subintervalos de igual longitud, entonces, en vista del Cuadro 3.3, el m etodo Bvp4c emplea 0.987 segundos para obtener la aproximaci on con un error m aximo de 1.915 106 . Para que los restantes cuatros m etodos requieran un tiempo relativamente igual, necesitan emplear el n umero de intervalos que se expresan en el Cuadro 3.4. Como resultado se tiene, empleando el Cuadro 3.3 y el Cuadro 3.4, que tanto el m etodo del Disparo como Diferencias Finitas requieren una cantidad considerable de intervalos para usar el tiempo empleado por Bvp4c para 10 subintervalos. Sin embargo, esto implica que los errores, empleando la norma del 44

Ejemplo 2

3.5 3 2.5 2 y 1.5 1 0.5

x 10

0 0

0.1

0.2

0.3

0.4

0.5 x

0.6

0.7

0.8

0.9

(a) Gr aca de la soluci on exacta

5 x 10
5

(b) Error absoluto producido con Disparo

2.5 x 10
9

3 y 2

1.5 y 1

0.5

0 0

0.1

0.2

0.3

0.4

0.5 x

0.6

0.7

0.8

0.9

0 0

0.1

0.2

0.3

0.4

0.5 x

0.6

0.7

0.8

0.9

(c) Error absoluto producido con Diferencias. Finitas

1.8 1.6 x 10
9

(d) Error absoluto producido con Elementos Finitos

3.5 3 x 10
9

1.4
2.5

1.2 y 1 0.8 0.6

1 y 2 1.5

0.4 0.2 0 0 0.1 0.2 0.3 0.4 0.5 x 0.6 0.7 0.8 0.9 1
0.5 0 0

0.1

0.2

0.3

0.4

0.5 x

0.6

0.7

0.8

0.9

(e) Error absoluto producido con Galerkin Discontinuo

(f) Error absoluto producido con Bvp4c

Figura 3.3: Ejemplo 2. De arriba hacia abajo y de izquierda a derecha se muestran la soluci on exacta y el error absoluto obtenidos con Disparo, Diferencias Finitas, Elementos Finitos, Galerkin Discontinuo y Bvp4c, para un mallado de 50 subintervalos, empleando la norma del m aximo. 45

Cap tulo 3: Experimentaci on Num erica

2.5

x 10

1.5 y 1

0.5

0 0

0.1

0.2

0.3

0.4

0.5 x

0.6

0.7

0.8

0.9

(a) Gr aca de la soluci on exacta

6 5 1.2 4 1 y 3 2 0.4 1 0.2 0 0 0.2 0.4 x 0.6 0.8 1 0 0 y 0.8 0.6 x 10
4

(b) Error relativo producido con Disparo

1.6 1.4 x 10
8

0.2

0.4 x

0.6

0.8

(c) Error relativo producido con Diferencias. Finitas

2 x 10
9

(d) Error relativo producido con Elementos Finitos

2.5 x 10
8

2 1.5 1.5 y 1 y 1 0.5 0.5

0 0

0.2

0.4 x

0.6

0.8

0 0

0.2

0.4 x

0.6

0.8

(e) Error relativo producido con Galerkin Discontinuo

(f) Error relativo producido con Bvp4c

Figura 3.4: Ejemplo 2. De arriba hacia abajo y de izquierda a derecha se muestran la soluci on exacta y el error relativo obtenidos con Disparo, Diferencias Finitas, Elementos Finitos, Galerkin Discontinuo y Bvp4c, para un mallado de 50 subintervalos, empleando la norma del m aximo. 46

Ejemplo 3 M etodo Disparo Dif. Finitas Elementos Finitos G. Discontinuo Intervalos 3554 5559 1108 514 ||||

4.796 1014 3.918 109 3.221 1012 3.160 107

Cuadro 3.4: Ejemplo 2. N umeros de intervalos necesarios y error obtenido por los m etodos para requerir un tiempo pr oximo a 0.987 segundos. m aximo, aunmenten considerablemente, en relaci on a cuando se usan menos intervalos. Por otro lado, y a diferencia del m etodo del Disparo y Diferencias Finitas, tanto el m etodo de Elementos Finitos como el m etodo Galerkin Discontinuo requieren menos intervalos para obtener el tiempo de prueba, aunque el error aumenta levemente. Como es de apreciar, el m etodo de Elementos Finitos aproxima mejor la soluci on en menos intervalos en comparaci on con Diferencias Finitas. Para nalizar, Galerkin Discontinuo emplea menos intervalos, m as el error obtenido no disminuye, por el contrario, aumenta debido al gran volumen de operaciones que se ven involucrados en la implementaci on del c odigo.

Ejemplo 3
Consideremos el problema de valor de frontera lineal: y = 4 y (0) = 1, y (1) = 0, con soluci on exacta y (x) = 1x . cos4 (x) sin(2x) + 4 cos2 (x) 4x cos2 (x) 5 + 5x , cos6 (x)

La gr aca de la soluci on exacta y (x) viene dada en la Figura 3.5. En el Cuadro 3.5, se reejan los datos obtenidos para una partici on uniforme de [0, 1] en 10, 50 y 100 subintervalos. Para el mallado inicial de 10 subintervalos, el m etodo Bvp4c adapta la malla con la nalidad de que el residuo satisfaga la tolerancia dada, obteniendo as un nuevo mallado de 15 subintervalos (no todos de la misma longitud). Al igual que los dos ejemplos anteriores, las aproximaciones arrojadas por cada m etodo son relativamente optimas, haciendo enfasis, nuevamente, en que el m etodo de Diferencias Finitas proporciona errores un poco mayor que los dados por los otros m etodos, esto, en parte, al bajo orden de aproximaci on (O(h2 )) que presenta. Es importante resaltar que el proceso de adaptatividad por parte de Bvp4c conlleva a que se realicen realizen m as operaciones con el n de mejorar los resultados. Es por eso, por ejemplo, que el tiempo empleado al usar la malla inicial de 10 subintervalos es mucho mayor que el tiempo usado en la malla de 50 o 100 subintervalos. Para el caso particular en que el mallado consta de 51 puntos distribuidos uniformemente, el comportamiento del error cometido se reeja en la Figura 3.5. Aqu se puede notar como los errores, para cada uno de los cinco m etodos, se comportan de manera similar. Los errores empiezan a aumentar de forma lineal hasta un entorno de x = 0.8, punto donde aproximadamente alcanzan el m aximo, para luego disminuir de manera r apida. En esta malla, el m etodo Bvp4c usa un tiempo de 1.045 segundos para realizar las operaciones involucradas en la aproximaci on, cometiendo un error m aximo de 3.073 106 . Para tener un tiempo aproximadamente igual, los cuatros m etodos necesitar an aproximar la soluci on sobre el n umero de intervalos que se reejan en el Cuadro 3.6. 47

Cap tulo 3: Experimentaci on Num erica

3.5 3 2.5 2 1.5 1 0.5

x 10

0 0

0.1

0.2

0.3

0.4

0.5 x

0.6

0.7

0.8

0.9

(a) Gr aca de la soluci on exacta

3.5 3 x 10
3

(b) Error absoluto producido con Disparo

2.5 x 10
6

2
2.5 2

1.5 y

1.5 1

0.5
0.5 0 0

0.1

0.2

0.3

0.4

0.5 x

0.6

0.7

0.8

0.9

0 0

0.1

0.2

0.3

0.4

0.5 x

0.6

0.7

0.8

0.9

(c) Error absoluto producido con Diferencias. Finitas

2.5 x 10
6

(d) Error absoluto producido con Elementos Finitos

3.5 3 x 10
6

2
2.5

1.5 y 1
y

2 1.5 1

0.5
0.5

0 0

0.1

0.2

0.3

0.4

0.5 x

0.6

0.7

0.8

0.9

0 0

0.1

0.2

0.3

0.4

0.5 x

0.6

0.7

0.8

0.9

(e) Error absoluto producido con Galerkin Discontinuo

(f) Error absoluto producido con Bvp4c

Figura 3.5: Ejemplo 3. De arriba hacia abajo y de izquierda a derecha se muestran la soluci on exacta y el error absoluto obtenidos con Disparo, Diferencias Finitas, Elementos Finitos, Galerkin Discontinuo y Bvp4c, para un mallado de 50 subintervalos, empleando la norma del m aximo. 48

Ejemplo 3

x 10

3 y 2

0 0

0.2

0.4 x

0.6

0.8

(a) Gr aca de la soluci on exacta

5 x 10
3

(b) Error relativo producido con Disparo

3.5 3 x 10
6

4 2.5 3 y 2 y 1.5 1 1 0.5 0 0 0 0 2

0.2

0.4 x

0.6

0.8

0.2

0.4 x

0.6

0.8

(c) Error relativo producido con Diferencias. Finitas

3.5 3 4 2.5 2 y 1.5 1 1 0.5 0 0 y 2 3 x 10
6

(d) Error relativo producido con Elementos Finitos

5 x 10
6

0.2

0.4 x

0.6

0.8

0 0

0.2

0.4 x

0.6

0.8

(e) Error relativo producido con Galerkin Discontinuo

(f) Error relativo producido con Bvp4c

Figura 3.6: Ejemplo 3. De arriba hacia abajo y de izquierda a derecha se muestran la soluci on exacta y el error relativo obtenidos con Disparo, Diferencias Finitas, Elementos Finitos, Galerkin Discontinuo y Bvp4c, para un mallado de 50 subintervalos, empleando la norma del m aximo. 49

Cap tulo 3: Experimentaci on Num erica N = 10 M etodo Disparo Dif. Finitas Elementos Finitos G. Discontinuo Bvp4c Disparo Dif. Finitas Elementos Finitos G. Discontinuo Bvp4c Disparo Dif. Finitas Elementos Finitos G. Discontinuo Bvp4c Tiempo 0.043 0.021 0.059 0.116 1.118 0.045 0.024 0.077 0.129 1.045 0.049 0.027 0.102 0.148 1.070 |||| 1.706 103 7.850 102 1.128 103 1.128 103 1.120 104 3.073 106 3.407 103 2.048 106 2.052 106 3.073 106 1.928 107 8.543 104 1.285 107 1.159 107 1.928 107 ||||L2 2.340 102 6.295 102 2.274 102 2.877 103 6.232 103 9.846 104 2.765 103 9.833 104 2.321 105 9.846 104 2.466 104 6.933 105 2.465 104 2.901 106 2.466 104

N = 15 N = 50

N = 100

Cuadro 3.5: Ejemplo 3. Tiempo empleado y errores obtenidos para un mallado de 10, 50 y 100 subintervalos. Para la malla inicial de 10 subintervalos, el m etodo Bvp4c adapta la malla con la nalidad de mejorar la estimaci on de la soluci on, obteniendo as una malla nal de 15 subintervalos. M etodo Disparo Dif. Finitas Elementos Finitos G. Discontinuo Intervalos 3654 5801 1109 533 ||||

1.020 1013 8.607 1012 2.698 107 2.542 107

Cuadro 3.6: Ejemplo 3. N umeros de intervalos necesarios y error obtenido por los m etodos para requerir un tiempo pr oximo a 1.045 segundos. Nuevamente, al igual que los Ejemplos 1 y 2, se obtiene, en virtud del Cuadro 3.5 y del Cuadro 3.6, que los errores se incrementan a medida que aumentan los intervalos de la partici on. Tanto el m etodo del Disparo como Elementos Finitos aportan errores relativamente iguales, con la diferencia de que Elementos Finitos requiere menos intervalos para aproximar la soluci on. De la misma manera, tanto Diferencias Finitas como Galerkin Discontinuo obtienen errores similares, pero se diferencian en el hecho de que Galerkin Discontinuo necesita menos de la d ecima parte del total de intervalos que necesita Diferencias Finitas.

Ejemplo 4
Trabajemos ahora con la siguiente ecuaci on diferencial: 12(2x 1)p , (p + (2x 1)2 )5/2 y (0) = 1, y (1) = 0, y = 50

Ejemplo 4 el cual tiene por soluci on exacta 1 (2 p + 1 + p + 1)(2x 1) 1 + , p+1 2 p + (2x 1)2 2 2x 1

y (x) =

donde p = 103 . En la Figura 3.7, se ilustra la gr aca de la soluci on y (x). Para una partici on uniforme del intervalo [0, 1] en 100, 200 y 500 subintervalos, los errores y tiempo requerido por cada m etodo se expresan en el Cuadro 3.7. Es importante mencionar que para el mallado inicial que consta de 101 puntos distribuidos uniformemente, el m etodo Bvp4c realiza proceso adaptativo, para obtener as una malla nal que consta de 65 puntos, mientras que para el mallado de 201 puntos, este m etodo realiza nuevamente proceso adaptativo para obtener una mallado constitu do por 139 puntos, no necesariamente distribu dos uniformente.

N = 100

N = 64 N = 200

M etodo Disparo Dif. Finitas Elementos Finitos G. Discontinuo Bvp4c Disparo Dif. Finitas Elementos Finitos G. Discontinuo Bvp4c Disparo Dif. Finitas Elementos Finitos G. Discontinuo Bvp4c

Tiempo 0.066 0.032 0.120 0.199 1.582 0.091 0.047 0.164 0.376 1.669 0.171 0.064 0.417 1.231 1.744

|||| 1.230 103 2.522 102 8.797 104 8.796 104 1.115 103 9.264 105 6.931 103 6.216 105 6.223 105 9.849 104 2.144 106 1.150 103 1.431 106 1.435 106 2.144 106

||||L2 4.154 103 2.438 103 4.479 103 4.479 103 1.408 103 1.096 103 1.479 104 1.087 103 1.087 103 1.404 103 1.761 104 9.045 106 1.758 104 1.758 104 1.761 104

N = 138 N = 500

Cuadro 3.7: Ejemplo 4. Tiempo empleado y errores obtenidos para un mallado de 100, 200 y 500 subintervalos. Para las mallas iniciales de 100 y 200 subintervalos, el m etodo Bvp4c adapta dichas mallas con la nalidad de mejorar la estimaci on de la soluci on, obteniendo as dos mallas nales de 64 y 138 subintervalos, respectivamente

En la Figura 3.7 se muestran las gr acas de los distintos errores absolutos al emplear cada uno de los cinco m etodos num ericos, trabajando con un mallado de 200 subintervalos. Como se dijo anteriormente, para esta malla en m etodo Bvp4c realiza proceso adaptativo con la nalidad de mejorar la estimaci on, para ello crea una malla nal que va a constar de 139 nodos. Para realizar dicha adaptatividad, este m etodo emplea 1.669 segundos, cometiendo un error m aximo de 9.849 104 . Para que los restantes cuatros m etodo usen un tiempo similar, necesitar an usar aproximadamente el n umero de subintervalos que se ilustran en el Cuadro 3.8 51

Cap tulo 3: Experimentaci on Num erica

x 10

0.8

0.6 y 0.4

0.2

0 0

0.2

0.4 x

0.6

0.8

(a) Gr aca de la soluci on exacta

7 6 5 4 y 3 2 1 0 0 y 3 2 1 0 0 x 10
3

(b) Error absoluto producido con Disparo

7 6 5 4 x 10
5

0.2

0.4 x

0.6

0.8

0.2

0.4 x

0.6

0.8

(c) Error absoluto producido con Diferencias. Finitas

7 6 x 10
5

(d) Error absoluto producido con Elementos Finitos

1 x 10
3

0.8 5 4 y 3 2 0.2 1 0 0 0 0 y 0.4 0.6

0.2

0.4 x

0.6

0.8

0.2

0.4 x

0.6

0.8

(e) Error absoluto producido con Galerkin Discontinuo

(f) Error absoluto producido con Bvp4c

Figura 3.7: Ejemplo 4. De arriba hacia abajo y de izquierda a derecha se muestran la soluci on exacta y el error absoluto obtenidos con Disparo, Diferencias Finitas, Elementos Finitos, Galerkin Discontinuo y Bvp4c, para un mallado de 200 subintervalos, empleando la norma del m aximo. 52

Ejemplo 4

7 6 5 4 y 3 2 1

x 10

0 0

0.1

0.2

0.3

0.4

0.5 x

0.6

0.7

0.8

0.9

(a) Gr aca de la soluci on exacta

1.6
4.5 x 10
3

(b) Error relativo producido con Disparo

1.4 1.2 1 y 0.8 0.6

y

4 3.5 3 2.5 2 1.5

0.4
1

0.2 0 0 0.5 0.6 0.7 0.8 0.9 x (c) Error relativo producido con Diferencias. Finitas
x 10
3

0.5

0.1

0.2

0.3

0.4

0 0

0.1

0.2

0.3

0.4

0.5 x

0.6

0.7

0.8

0.9

(d) Error relativo producido con Elementos Finitos

0.25

4.5 4

0.2
3.5 3 2.5 y 2 1.5 1 0.5 0 0 0.1 0.2 0.3 0.4 0.5 x 0.6 0.7 0.8 0.9 1

0.15 y 0.1

0.05

0 0

0.1

(e) Error relativo producido con Galerkin Discontinuo

0.5 0.6 0.7 0.8 x (f) Error relativo producido con Bvp4c

0.2

0.3

0.4

0.9

Figura 3.8: Ejemplo 4. De arriba hacia abajo y de izquierda a derecha se muestran la soluci on exacta y el error relativo obtenidos con Disparo, Diferencias Finitas, Elementos Finitos, Galerkin Discontinuo y Bvp4c, para un mallado de 50 subintervalos, empleando la norma del m aximo. 53

Cap tulo 3: Experimentaci on Num erica M etodo Disparo Dif. Finitas Elementos Finitos G. Discontinuo Intervalos 3841 6930 1301 631 ||||

6.173 1010 5.960 106 3.123 108 9.876 107

Cuadro 3.8: Ejemplo 4. N umeros de intervalos necesarios y error obtenido por los m etodos para requerir un tiempo pr oximo a 1.669 segundos. N = 20 M etodo Disparo Dif. Finitas Bvp4c Disparo Dif. Finitas Bvp4c Disparo Dif. Finitas Bvp4c Tiempo 0.045 0.042 0.886 0.052 0.047 1.046 0.059 0.052 1.087 |||| 1.672 106 3.643 105 3.087 107 8.711 107 9.106 106 3.077 107 4.807 107 2.276 106 3.079 107 ||||L2 7.431 105 5.530 105 7.384 105 1.875 105 1.382 105 1.857 105 4.785 106 3.454 106 4.759 106

N = 40

N = 80

Cuadro 3.9: Ejemplo 5. Tiempo empleado y errores obtenidos para un mallado de 20, 40 y 80 subintervalos.

Ejemplo 5
Consideremos la siguiente ecuaci on diferencial: y = y 3 + y (0.2) = y (0.8) = el cual tiene por soluci on exacta y (x) = 0.2 , 1.04 0.8 , 1.64 x . 1 + x2 3x3 6x , (1 + x2 )3

Para un tama no de paso h = 0.0075, el comportamiento del error que se comete con los tres m etodos se reeja en la Figura 3.9. Como es de apreciar, los errores, tanto para Diferencias Finitas (que amerita dos iteraciones por parte del m etodo de Newton para sistemas de ecuaciones no lineales) como Bvp4c, empiezan a aumentar considerablemente, alcanzando el m aximo alrededor de x = 0.4 y x = 0.5, respectivamente, 54

Como se puede notar, la ecuaci on planteada es un problema de valor de frontera del tipo no lineal. En la Figura 3.9, se ilustra la gr aca de la soluci on y (x). Particionando uniformemente el intervalo [0.2, 0.8] en 20, 40 y 80 subintervalos, entonces, en virtud del Cuadro 3.9, se aprecia que los errores, empleando las dos normas, son relativamente buenos. Se puede notar que las estimaciones aportadas tanto por Disparo como por Bvp4c son mejores que las aportadas por Diferencias Finitas, en vista de que el orden de aproximaci on 4 2 de los dos primeros es el doble que el orden de aproximaci on de Diferencias Finitas (O(h ) contra O(h )).

Ejemplo 5

x 10

3 y 2

0 0.2

(a) Gr aca de la soluci on exacta

2.5 x 10
6

0.5 0.6 0.7 x (b) Error absoluto producido con Disparo

x 10
7

0.3

0.4

0.8

3.5 3

2
2.5

1.5 y 1
y

2 1.5 1

0.5
0.5 0 0.2

0.5 0.6 0.7 0.8 x (c) Error absoluto producido con Diferencias. Finitas

0 0.2

0.3

0.4

0.3

0.4

0.5 x

0.6

0.7

0.8

(d) Error absoluto producido con Bvp4c

Figura 3.9: Ejemplo 5. De arriba hacia abajo y de izquierda a derecha se muestran la soluci on exacta y el error absoluto obtenidos con Disparo, Diferencias Finitas y Bvp4c, para un mallado de 80 subintervalos, usando la norma del m aximo.

55

Cap tulo 3: Experimentaci on Num erica

x 10

0.8

0.6 y 0.4

0.2

0 0.2

0.4 x

0.6

0.8

(a) Gr aca de la soluci on exacta

7 6 5
5

(b) Error relativo producido con Disparo

8 7 6 x 10
7

x 10

4 y 3

4 3

2 1 0 0.2

2 1

0.4 x

0.6

0.8

0 0.2

0.4 x

0.6

0.8

(c) Error relativo producido con Diferencias. Finitas

(d) Error relativo producido con Bvp4c

Figura 3.10: Ejemplo 5. De arriba hacia abajo y de izquierda a derecha se muestran la soluci on exacta y el error relativo obtenido con Disparo, Diferencias Finitas y Bvp4c, para un mallado de 80 subintervalos, usando la norma del m aximo.

56

Ejemplo 6 para luego empezar a disminuir. En el caso del m etodo del Disparo (que requiere tres iteraciones del m etodo Newton Raphson) el error crece de forma lineal. Es importante resaltar que tanto en el m etodo de Diferencias Finitas como en Bvp4c, la soluci on es aproximada sobre todo el intervalo [0.2, 0.8] y las condiciones de frontera son tomadas todo el tiempo, cosa que no ocurre con Disparo. Es por esta raz on, para este u ltimo m etodo, que el error producido para x = 0.8 no necesariamente es cero, como se podr a pensar. Para las tres mallas iniciales dadas, el m etodo Bvp4c no realiza proceso de adaptatividad, lo que hace pensar que las aproximaciones usando los polinomios c ubicos son buenas. Particularmente, cuando se trabaja en una malla uniforme que consta de 21 nodos, el m etodo Bvp4c usa un tiempo de 0.886 segundos para realizar las operaciones involucradas en la aproximaci on, cometiendo un error m aximo de 3.087 107 . Para que Disparo y Diferencias Finitas requieran un tiempo similar, necesitan emplear el n umero de intervalos que vienen dados en el Cuadro 3.10. M etodo Disparo Dif. Finitas Intervalos 3601 3391 ||||

1.050 107 1.267 109

Cuadro 3.10: Ejemplo 5. N umeros de intervalos necesarios y error obtenido por los m etodos para requerir un tiempo pr oximo a 0.886 segundos. Empleando el Cuadro 3.9 y el Cuadro 3.10, se logra apreciar que el error obtenido por el m etodo del Disparo no mejora, sino que se mantiene aproximadamente igual pese a aumentar la partici on del dominio de la ecuaci on diferencial. Por el contrario, las estimaciones aportadas por Diferencias Finitas son mejores a medida que se incrementa la partici on del dominio. El error que comete Diferencias Finitas es mucho menor en comparaci on con el m etodo del Disparo, con la ventaja de que el mallado requiere menos intervalos.

Ejemplo 6
Consideremos el siguiente PVF no lineal: y = yy 2 sin(x) x cos(x) + x cos2 (x) x2 sin(2x) , 2

y (1) = cos(1), y (2) = 2 cos(2), con soluci on exacta

y (x) = x cos(x). La gr aca de la soluci on del PVF planteado se muestra en la Figura 3.11. Nuevamente, al igual que el ejemplo anterior, se realiza una partici on uniforme del intervalo [1, 2] en 20, 40 y 80 subintervalos. En virtud del Cuadro 3.11, se logra notar que los errores usando cada una de las dos normas introducidas son aceptables. Las estimaciones aportadas por Disparo y Bvp4c siguen siendo mejores que las aportadas por Diferencias Finitas, debido a que este u ltimo m etodo posee un orden de aproximaci on bajo, en comparaci on con los otros dos. Para un tama no de paso h = 0.0375, es decir, dividiendo uniformemente el intervalo [1, 2] en 80 subintervalos, el comportamiento del error cometido viene dada en la Figura 3.11. Para el m etodo del Disparo, que amerita cuatro iteraciones por parte del m etodo de Newton Raphson, el error aumenta considerablemente a lo largo de todo el intervalo [1, 2], sucediendo lo mismo que en el ejemplo anterior, en el cual el error en la segunda condici on de frontera no necesariamente es cero. Para Diferencias Finitas, que requiere cuatro iteraciones por parte del m etodo de Newton para sistemas de ecuaciones no lineales, 57

Cap tulo 3: Experimentaci on Num erica

6 5 4 y 3 2 1

x 10

0 1

(a) Gr aca de la soluci on exacta

x 10
4

0.5 1 1.5 x (b) Error absoluto producido con Disparo

x 10
6

0.5

1.8 1.6 1.4

2 y y

1.2 1 0.8

0.6 0.4 0.2

0 1

0.5 1 1.5 2 x (c) Error absoluto producido con Diferencias. Finitas

0.5

0 1

0.5 1 1.5 x (d) Error absoluto producido con Bvp4c

0.5

Figura 3.11: Ejemplo 6. De arriba hacia abajo y de izquierda a derecha se muestran la soluci on exacta y el error absoluto obtenidos con Disparo, Diferencias Finitas y Bvp4c, para un mallado de 80 subintervalos, usando la norma del m aximo.

58

Ejemplo 6

2.5

x 10

1.5 y 1

0.5

0 1

0.5

0.5 x

1.5

(a) Gr aca de la soluci on exacta

0.012
2

(b) Error relativo producido con Disparo

x 10
5

0.01
1.5

0.008 y 0.006 0.004

0.5 y 1

0.002 0 1

0.5 1 1.5 2 x (c) Error relativo producido con Diferencias. Finitas

0.5

0 1

0.5

0.5 x

1.5

(d) Error relativo producido con Bvp4c

Figura 3.12: Ejemplo 6. De arriba hacia abajo y de izquierda a derecha se muestran la soluci on exacta y el error relativo obtenidos con Disparo, Diferencias Finitas y Bvp4c, para un mallado de 80 subintervalos, usando la norma del m aximo.

59

Cap tulo 3: Experimentaci on Num erica N = 20 M etodo Disparo Dif. Finitas Bvp4c Disparo Dif. Finitas Bvp4c Disparo Dif. Finitas Bvp4c Tiempo 0.049 0.046 1.070 0.053 0.049 1.136 0.062 0.059 1.230 |||| 6.304 104 3.210 103 3.095 106 8.948 105 8.038 104 1.901 106 5.792 105 2.010 104 1.769 106 ||||L2 5.778 103 4.085 103 5.356 103 1.282 103 1.020 103 1.340 103 2.995 104 2.551 104 3.359 104

N = 40

N = 80

Cuadro 3.11: Ejemplo 6. Tiempo empleado y errores obtenidos para un mallado de 20, 40 y 80 subintervalos.

el error aumenta hasta la proximidades de x = 0.75, punto en el cual aproximadamente alcanza su m aximo, para posteriormente empezar a disminuir. Para el m etodo Bvp4c, el error se comporta de manera oscilatoria hasta una vecindad de x = 0.5, punto donde alcanza su m aximo, y luego empieza a disminuir de forma estable. Es importante acotar, que para las tres mallas iniciales dadas, el m etodo Bvp4c no realiza proceso de adaptatividad, con lo que se concluye que las estimaciones usando polinomios c ubicos son buenas. En particular, trabajando en una malla uniforme de 21 puntos, el m etodo Bvp4c usa un tiempo de 1.070 segundos para realizar las operaciones relacionadas con el c alculo de la aproximaci on de 6 la soluci on, cometiendo un error m aximo de 3.095 10 . Para requerir un tiempo aproximadamente igual, tanto Disparo como Diferencias Finitas necesitar an aproximar la soluci on sobre el n umero de intervalos que se muestran en el Cuadro 3.12.

M etodo Disparo Dif. Finitas

Intervalos 3841 3092

1.021 105 1.347 107

||||

Cuadro 3.12: Ejemplo 6. N umeros de intervalos necesarios y error obtenido por los m etodos para requerir un tiempo pr oximo a 1.070 segundos.

En virtud del Cuadro 3.11 y del Cuadro 3.12, se obtiene, al igual que el Ejemplo 5, que el error que proporciona el m etodo del Disparo se sigue manteniendo igual, pese a aumentar considerablemente el total de subintervalos de la partici on del dominio donde est a denido el PVF. Todo lo contrario ocurre con Diferencias Finitas, ya que su error disminuy o relativamente a medida que se consider o m as intervalos en la partici on del dominio. 60

Ejemplo 7

Ejemplo 7
Para nalizar, consideremos ahora el PVF no lineal: y = y 2 + y (0.1) = y (0.1) = con soluci on y (x) = x(px p + x2 3p + x3 (p + x2 )5 p + x2 ) ,

0.1 , p + 0.01

0.1 , p + 0.01 x p + x2 ,

donde p = 105 . La soluci on gr aca del PVF planteado se ilustra en la Figura 3.13. Nuevamente, al igual que el ejemplo anterior, se realiza una partici on uniforme del intervalo [1, 2], pero esta vez en 200, 300 y 500 subintervalos. En virtud del Cuadro 3.13, se aprecia que los errores, empleando cada una de las dos N = 200 M etodo Disparo Dif. Finitas Bvp4c Disparo Dif. Finitas Bvp4c Disparo Dif. Finitas Bvp4c Tiempo 0.157 0.079 1.249 0.214 0.097 1.383 0.333 0.134 1.618 |||| 9.359 105 6.934 103 9.266 105 1.685 105 3.171 103 1.613 105 2.709 106 1.151 103 2.153 106 ||||L2 4.901 104 6.614 105 4.901 104 2.184 104 1.901 105 2.184 104 7.874 105 4.047 106 7.874 105

N = 300

N = 500

Cuadro 3.13: Ejemplo 7. Tiempo empleado y errores obtenidos para un mallado de 200, 300 y 500 subintervalos. normas introducidas, no son los esperados para la gran cantidad de subintervalos de las tres particiones. De nuevo, las estimaciones aportadas por Disparo y Bvp4c siguen siendo mejores que las aportadas por Diferencias Finitas, debido a que ambos presentan un orden de aproximaci on de O(h4 ), contra el orden 2 de aproximaci on O(h ) que presenta Diferencias Finitas. Usando un tama no de paso h = 0.0004, es decir, dividiendo uniformemente el intervalo [0.1, 0.1] en 500 subintervalos, el comportamiento del error que se produce se reeja en la Figura 3.13. Para el m etodo del Disparo, que amerita tres iteraciones por parte del m etodo de Newton Raphson, el error tiene un comportamiento lineal, pero alrededor de x = 0 presenta oscilaciones, esto debido a la alta pendiente que presenta la soluci on en un entorno de ese punto. Para el m etodo de Diferencias Finitas (que requiere tres iteraciones por parte del m etodo de Newton para sistemas de ecuaciones no lineales), y el m etodo Bvp4c, el error tiene un comportamiento estable en casi todo en intervalo [0.1, 0.1], presentando una mayor magnitud en un entorno de x = 0, donde presenta oscilaciones considerablemente altas. Es importante resaltar que en las tres mallas iniciales dadas, el m etodo Bvp4c no realiza proceso de adaptatividad. En particular, cuando se trabaja en una malla uniforme que consta de 201 nodos, el 61

Cap tulo 3: Experimentaci on Num erica

3 2.5 2 y 1.5 1 0.5

x 10

0 0.1 0.08 0.06 0.04 0.02

(a) Gr aca de la soluci on exacta

1.2 1 0.8 y 0.6 0.4 0.2 0 0.1 0.08 0.06 0.04 0.02
0.5 1.5 y 1

0 0.02 0.04 0.06 0.08 x (b) Error absoluto producido con Disparo

0.1

x 10

2.5

x 10

0 0.02 0.04 0.06 0.08 0.1 x (c) Error absoluto producido con Diferencias. Finitas

0 0.1 0.08 0.06 0.04 0.02

0 0.02 0.04 0.06 0.08 x (d) Error absoluto producido con Bvp4c

0.1

Figura 3.13: Ejemplo 7. De arriba hacia abajo y de izquierda a derecha se muestran la soluci on exacta y el error absoluto obtenidos con Disparo, Diferencias Finitas y Bvp4c, para un mallado de 500 subintervalos usando la norma innita.

62

Ejemplo 7

1.6 1.4 1.2 1 y 0.8 0.6 0.4 0.2

x 10

0 0.1

0.05

0 x

0.05

0.1

(a) Gr aca de la soluci on exacta

4 3.5 1 3 0.8 2.5 y 2 1.5 0.4 1 0.2 0.5 0 0.1 0.05 0 x 0.05 0.1 0 0.1 y 0.6 x 10
3

(b) Error relativo producido con Disparo

1.2 x 10
5

0.05

0 x

0.05

0.1

(c) Error relativo producido con Diferencias. Finitas

(d) Error relativo producido con Bvp4c

Figura 3.14: Ejemplo 7. De arriba hacia abajo y de izquierda a derecha se muestran la soluci on exacta y el error relativo obtenidos con Disparo, Diferencias Finitas y Bvp4c, para un mallado de 500 subintervalos, usando la norma del m aximo.

63

Cap tulo 3: Experimentaci on Num erica m etodo Bvp4c usa un tiempo de 1.249 segundos para realizar las operaciones involucradas, cometiendo un error m aximo de 9.266 105 . Para que Disparo y Diferencias Finitas requieran un tiempo similar, necesitan emplear el n umero de intervalos que vienen dados en el Cuadro 3.14. M etodo Disparo Dif. Finitas Intervalos 1889 4250 ||||

7.399 107 1.585 105

Cuadro 3.14: Ejemplo 7. N umeros de intervalos necesarios y error obtenido por los m etodos para requerir un tiempo pr oximo a 1.249 segundos. Como se logra apreciar, pese a aumentar ampliamente la cantidad de intervalos de la partici on del dominio donde est a denida la soluci on del PVF, los errores s olo disminuyen levemente. El m etodo del Disparo logra aportar mejores estimaciones en menos subintervalos que el m etodo de Diferencias Finitas.

64

A
Pruebas de algunas armaciones A.1. Correspondientes al M etodo del Disparo
Teorema A.1 Sea h = (b a)/N , xi = a + nh, con i = 0, 1, . . . , N. Sean u(x), v (x) y y (x) las soluciones respectivas de (2.2), (2.3) y (2.4). Si ui y vi son aproximaciones de O(hn ) para ui = u(xi ) y vi = v (xi ), respectivamente, entonces wi ser a una aproximaci on de O(hn ) para yi = y (xi ). En particular, |wi yi | Khn 1 + para alguna K apropiada. Demostraci on: Denamos ei = wi yi , ei
(u)

vi , vN

= ui ui , = vi vi , (A.1)

ei

(v)

para i = 0, 1, . . . , N. En virtud de (2.4), en cada nodo xi , se tiene, yi = ui + Cvi , donde C= Por otra parte, wi = ui + C vi , donde C= Restando (A.1) a (A.2), wi yi = ui ui + C vi Cvi = ui ui + C vi Cvi + Cvi Cvi = ui ui + C (vi vi ) + (C C )vi . 65 uN . vN (A.2) u(b) . v (b)

Ap endice Por tanto, ei = ei Para j = N , notemos que eN = 0, as , e + CeN . C C = N vN Sustituyendo (A.4) en (A.3), ei = ei
(u) (u) (v) (u)

+ Cei

(v)

+ (C C )vi .

(A.3)

(A.4)

+ Cei
(u)

(v)

eN + CeN
(v)

(u)

(v)

vi . vN

Tomando valor absoluto, y sabiendo que ei M1 y M2 , tenemos

M1 hn y ei

M2 hn , para ciertas constantes positivas vi vN

|ei | M1 hn + C M2 hn + M1 hn + C M2 hn = M1 + C M2 hn 1 + vi vN .

As , eligiendo K = M1 + C M2 , concluimos que wi aproxima a yi con un orden O(hn ).

A.2.

Correspondientes al M etodo de Diferencias Finitas

Teorema A.2 Supongamos que p(x), q (x) y r (x) son continuas en [a, b]. Si q (x) 0 en [a, b], entonces el sistema lineal tridiagonal (2.17) tiene una soluci on u nica siempre y cuando h < 2/L, donde L = m ax |p(x)|.
axb

Demostraci on: Basta vericar que se cumplen las hip otesis del teorema (1.2). Como L < 2/h, entonces, para cada i = 1, 2, . . . , n, se tiene que |p(xi )| < 2/h, con lo que, 1 < De la u ltima desigualdad se obtiene que 0 < 1 h p(xi ) < 1 2 (A.5)

h h p(xi ) = |i | y 0 < 1 + p(xi ) = |i |. Por tanto, 2 2

1. Para i = 2, 3, . . . , n 1, se verica que i i = 0. 2. Usando (A.5) y sabiendo que q (x) 0, en [a, b], se tiene, |1 | = 1 < 2 2 + h2 q (x1 ) = |1 |. h h p(xi ) + 1 p(xi ) 2 2 h p(x1 ) 2

3. Para i = 2, . . . , n 1,

|i | + |i | = 1 +

= 2 2 + h2 q (xi ) = |i |.

Secci on A.2: Correspondientes al M etodo de Diferencias Finitas 4. Nuevamente, usando (A.5), se obtine, |n | = 1 + h p(xn ) 2

< 2 2 + h2 q (xn ) = |n |.

As , el sistema (2.17) tiene soluci on u nica. Teorema A.3 Sean Q tal que q (x) Q > 0, para a x b, L = m ax p(x) , M3 = m ax y (3) (x) y ax y (4) (x) . Entonces, para i = 0, 1, . . . , n + 1, se cumple: M4 = m
axb axb axb

wi y (xi ) h2

M4 + 2LM3 . 12Q
0in+1

Demostraci on: Para i = 0, 1, . . . , n + 1, pongamos ei = wi y (xi ), y sea e = Existen i , i (xi1 , xi+1 ) tales que, y (xi+1 ) 2y (xi ) + y (xi1 ) h2 = p(xi ) y (xi+1 ) y (xi1 ) 2h

m ax |ei |.

+ q (xi )y (xi ) + r (xi ) (A.6)

h2 2p(xi )y (3) (i ) y (4) (i ) , 12 Se sabe que, wi+1 2wi + wi1 wi+1 wi1 = p(xi ) 2 h 2h Restando (A.6) de (A.7) y usando la denici on de ei , ei+1 2ei + ei1 ei+1 ei1 = p(xi ) 2 h 2h + q (xi )ei + h2 2p(xi )y (3) (i ) y (4) (i ) . 12 + q (xi )wi + r (xi ). (A.7)

Multiplicando la igualdad anterior por h2 y manipulando algebr aicamente se obtiene, (2 + h2 q (xi ))ei = 1 h h h4 (4) p(xi ) ei+1 + 1 + p(xi ) ei1 y (i ) 2p(xi )y (3) (i ) , 2 2 12 h h h4 p(xi ) e + 1 + p(xi ) e + |y (4) (i )| + 2|p(xi )||y (3) (i )| 2 2 12 h4 M4 + 2LM3 , 12

para i = 1, 2, . . . , n. Por tanto, (2 + h2 q (xi ))|ei | 1

2e +

Notemos que e0 = en+1 = 0. As , la desigualdad anterior es v alida para todo i = 0, 1, . . . , n + 1. Adem as h2 q (xi ) h2 Q . Por lo tanto, h4 M4 + 2LM3 , h2 Q e 12 de donde, h4 e M4 + 2LM3 . 12Q

Referencias

[1] B eatrice Rivi` ere, Discontinuous Galerkin Methods for Solving Elliptic and Parabolic Equation, SIAM (2008) 3-17. [2] Charles W. Curtis, Linear Algebra: An Introductory Approach, Editorial Board, 1974. [3] B. Dayanad Reddy, Functional Analysis and Boundary-Value Problems: an Introductory treatment. John Wiley & Sons, Inc. 1986. [4] B. Rivi` ere, M. Wheeler, and V. Girault, Improved energy estimates for interior penalty, constrained and discontinuous Galerkin methods for elliptic problems. Part I, Computational Geosciences, 3 (1999), pp. 337 - 360. [5] C. Dawson, S. Sun, and M. Wheeler, Compatible algorithms for coupled ow and transport, Computer Methods in Applied Mechanics and Engineering, 193 (2004), pp. 2565 - 2580. [6] David Kincaid y Ward Cheney, An alisis Num erico: Las matem aticas del c alculo cient co. Addison Wesley Iberoamericana, 1994. [7] Dennis G. Zill, Ecuaciones diferenciales con aplicaciones de modelado, 7a. ed., Thomson Learning, 2002. [8] D. N. Arnold, An interior penalty nite element method with discontinuous elements, SIAM Journal on Numerical Analysis, 19 (1982), pp. 742 - 760. [9] Eugene Isaacson y Helbert Bishop Keller, Analysis of Numerical Methods, John Wiley & Sons, Inc., 1966. [10] J. Oden, I. Babu ska, and C. Baumann, A discontinuous hp nite element method for diusion problems, Journal of Computational Physics, 146 (1998), pp. 491 - 519. [11] J. Kierzenka, Studies in the Numerical Solution of Ordinary Dierential Equations, PhD thesis, Southern Methodist University, Dallas, TX, 1998. [12] Kendall E. Atkinson, An introduction to NUMERICAL ANALYSIS, Second Edition, John Wiley & Sons, Inc., 1989. [13] Keller, H. B., Numerical methods for two-point boundary-value problems, Blaisdell, Waltham, MA, 1968. 69

Referencias [14] Lawrence F. Shampine, Jacek Kierzenka and Mark W. Reichelt, Solving Boundary Value Problems for Ordinary Dierential Equations in MATLAB with bvp4c. El tutorial y programas est an disponibles en http : //www.mathworks.com/bvp tutorial. [15] L. Delves and C. Hall, An implicit matching principle for global element calculations, Journal of the Institute of Mathematics and its Applications, 23 (1979), pp. 223 - 234. [16] M. F. Wheeler, An elliptic collocation - nite element method with interior penalties, SIAM Journal on Numerical Analysis, 15 (1978), pp. 152 - 161. ol [17] Pavel S n, Partial Dierential Equations and the Finite Element Method. John Wiley & Sons, Ltd. 2006 [18] Richard L. Burden y J. Douglas Faires, An alisis num erico, 7a. ed., Thomson Learning, 2002. [19] Zienkiewicz and Cheung, The Finite Element Method in Structural and Continuum Mechanics, 1967.

70