You are on page 1of 33

UNIVERSIDAD NACIONAL SAN CRISTOBAL DE HUAMANGA

DEPARTAMENTO ACADEMICO DE INGNIERIA DE MINAS,


GEOLOGIA Y CIVIL
ESCUELA PROFESIONAL DE INGENIERIA DE MINAS

“Minería en Ayacucho”
Docente : Ing. ALARCON MEDINA, Cesar

Alumno : ARIAS RONDINEL, Clever

PALOMINO NAVEROS, Ronald Heder

QUISPE ALLCCA, Nancy

ROJAS TAIPE, Ederson

YUPANQUI CUBA, Roguer

Ayacucho, 14 de Julio de 18
Resumen
Índice

Resumen........................................................................................................................................ 2
Índice ............................................................................................................................................. 3
Objetivos ....................................................................................................................................... 4
Calculo Numérico .......................................................................................................................... 4
Teorema de Taylor ........................................................................................................................ 4
CONVERGENCIA..................................................................................................................... 5
Calculo del intervalo de convergencia: “prueba de la razón” ............................................... 6
Aproximación y acotación del error ...................................................................................... 6
Derivación Numérica ................................................................................................................. 8
Aproximación a la primera derivada con diferencia hacia atrás ........................................... 8
Aproximación a la primera derivada con diferencia hacia adelante................................... 10
Aproximación a la primera derivada con diferencia centradas .......................................... 10
Formas de derivación con alta exactitud ............................................................................ 13
Extrapolación de Richardson ............................................................................................... 17
INTEGRACIÓN NUMÉRICA ....................................................................................................... 20
Teorema Fundamental del Cálculo ..................................................................................... 20
FÓRMULAS DE INTEGRACIÓN DE NEWTON-COTES ............................................................ 20
REGLA DEL TRAPECIO .......................................................................................................... 20
Regla Trapecial Compuesta. ................................................................................................ 21
REGLAS DE SIMPSON ............................................................................................................... 23
Regla de Simpson 1/3 .......................................................................................................... 23
Error de la fórmula de Simpson .......................................................................................... 24
La regla de Simpson 1/3 de aplicación múltiple.................................................................. 24
Regla de Simpson 3/8 .......................................................................................................... 25
METODO DE RUNGE-KUTTA .................................................................................................... 26
MÉTODOS DE RUNGE-KUTTA DE SEGUNDO ORDEN .......................................................... 27
MÉTODOS DE RUNGE-KUTTA DE TERCER ORDEN ............................................................. 29
MÉTODOS DE RUNGE-KUTTA DE CUARTO ORDEN ............................................................. 29
MÉTODOS DE RUNGE-KUTTA DE ORDEN SUPERIOR........................................................... 30
MÉTODO DE HEUN .............................................................................................................. 31
MÉTODO DEL PUNTO MEDIO (O DEL POLÍGONO MEJORADO) .......................................... 32
Objetivos
 Buscamos obtener una aproximación de 𝑓 ′ en un punto 𝑥0 en una función de
valores de 𝑓 en un número finito de puntos cercanos a 𝑥0

Calculo Numérico
Teorema de Taylor
Una serie de Taylor es una aproximación de funciones mediante una serie de potencias o
suma de potencias enteras de polinomios como (𝑥 − 𝑎)𝑛 llamados términos de la serie,
dicha suma se calcula a partir de las derivadas de la función para un determinado valor o
punto a suficientemente derivable sobre la función y un entorno sobre el cual converja la
serie.
Sea f una función cuyas “n” derivadas existen en un intervalo I, y estas no tienen un
tamaño desmesurados es decir están acotadas:
|𝑓 𝑛 (𝑥)| ≤ 𝑘 𝑥∈𝐼

Entonces, se verifica que:


𝐹 ′ (𝑎)(𝑥 − 𝑎) 𝐹 ′ ′(𝑎)(𝑥 − 𝑎)2 𝐹 ′ ′′(𝑎)(𝑥 − 𝑎)3 𝑓 𝑛 (𝑎)(𝑥 − 𝑎)𝑛
𝑃𝑛,𝑎 (𝑥) = 𝑓(𝑎) + + + +⋯+ …
1! 2! 3! 𝑛!
Donde 𝑎 ∈ 𝐼
Es decir, una función infinitamente derivable en un intervalo puede representarse como
un polinomio a partir de sus derivadas evaluadas en un punto "𝑎" de dicho intervalo. De
esta manera puede ser escrito, más compacta como la siguiente suma:

(𝑥 − 𝑎)𝑛
𝑓(𝑥) = ∑ 𝑓 𝑛 (𝑎)
𝑛!
𝑛=0

Donde:

 n! es el factorial de n
 𝑓 𝑛 (𝑎) denota la n-ésima derivada de f para el valor 𝑎 de la variable respecto de la cual se
deriva.

Nota: Observamos que el polinomio de


𝐹 ′ (𝑎)(𝑥−𝑎)
grado 1, 𝑃1,𝑎 (𝑥) = 𝑓(𝑎) + 1!
es la
recta tangente a f en el punto a, de manera
que los polinomios de Taylor serán una
especie de “polinomios tangentes” a la
función en el punto. Al tener mayor grado
que la recta tangente se espera que se
parezcan más a la función que esta, aunque
dado que para su construcción únicamente
usamos los valores de f y sus derivadas en
el punto 𝑎, será una aproximación local
(cerca de 𝑎).
Caso especial. Cuando el punto escogido "𝑎" , para evaluar la función y sus derivadas es
0, la serie toma el nombre de Maclaurin en honor a Colin Maclaurin, quien estudio este
caso particular de la serie de Taylor.
Ejemplo1. Calcúlese la serie de Taylor de 𝑓(𝑥) = 𝑒 𝑥
Empezamos derivando, tratando de obtener un patrón; lo que es fácil con esta función:

𝑓(𝑥) = 𝑒 𝑥 , 𝑓 ′(𝑥) = 𝑒 𝑥 , 𝑓 ′′(𝑥) = 𝑒 𝑥 , … , 𝑓 𝑛 (𝑥) = 𝑒 𝑥


Entonces, de la fórmula:
𝑒 𝑎 (𝑥 − 𝑎) 𝑒 𝑎 (𝑥 − 𝑎)2 𝑒 𝑎 (𝑥 − 𝑎)3 𝑒 𝑎 (𝑥 − 𝑎)𝑛
𝑒 𝑥 = 𝑒𝑎 + + + + ⋯+ …
1! 2! 3! 𝑛!
Tomamos un punto (“a”), de fácil cálculo y con el que existan las derivadas; en este caso
escogemos 𝑎 = 0
𝑒 0 (𝑥 − 0) 𝑒 0 (𝑥 − 0)2 𝑒 0 (𝑥 − 0)3 𝑒 0 (𝑥 − 0)𝑛
𝑒 𝑥 = 𝑒0 + + + + ⋯+ …
1! 2! 3! 𝑛!
1(𝑥) (𝑥)2 (𝑥)3 (𝑥)𝑛
𝑒𝑥 = 1 + + + +⋯+ …
1! 2! 3! 𝑛!
De tal modo la serie para 𝑓(𝑥) = 𝑒 𝑥 , es:

𝑥
𝑥 𝑥2 𝑥3 𝑥4 𝑥5 𝑥𝑛
𝑒 = 1 + + + + + …+ …
1! 2! 3! 4! 5! 𝑛!
De forma más simple:

𝑥
𝑥𝑛
𝑒 =∑
𝑛!
𝑛=0

Es decir, evaluar 𝑓(𝑥) = 𝑒𝑥 resulta iguala evaluar el polinomio infinito


𝑥𝑛
∑∞
𝑛=0 ; por ejemplo:
𝑛!
∞ ∞
1
1𝑛 1
𝑓(1) = 𝑒 = ∑ =∑
𝑛! 𝑛!
𝑛=0 𝑛=0

Desarrollando el polinomio hasta 5° grado.


1 1 1 1 1
𝑒 ≈1+ + + + + = 2.71
1! 2! 3! 4! 5!
Como vemos en el ejemplo
las series de Maclaurin de las funciones
(exp(𝑥) , 𝑠𝑒𝑛(𝑥), cos(𝑥) , 𝑦 ln(𝑥 + 1))es un caso particular de sucesión de Taylor

CONVERGENCIA
La aproximación con series de Taylor es mejor para cualquier grado de desarrollo
mientras más cerca este el número del punto de prueba (𝑎). Es decir, hay un intervalo de
convergencia centrado en “𝑎", con un radio de convergencia “r” (que pertenece al
intervalo I); para el cual la serie converge.

Teorema
Sea ∑∞ 𝑛
𝑛=0(𝑥 − 𝑎) una serie cualquiera; entonces se cumple una de las condiciones:

 La serie solo converge (es exacta) para "𝑎". (𝑟 = 0)


 La serie converge para cualquier valor de “x”. (𝑟 = ∞)
 La serie converge para un intervalo (𝑎 − 𝑟, 𝑎 + 𝑟); 𝑐𝑜𝑛 𝑟 > 0.

Calculo del intervalo de convergencia: “prueba de la razón”


Supongamos una serie de Taylor: 𝑇(𝑓, 𝑎) = ∑∞ 𝑛
𝑛=0 𝑢𝑛 (𝑥 − 𝑎) donde los 𝑢𝑛 son los
coeficientes; entonces, se justifica que los términos vayan haciéndose más pequeños (ya
que el denominador factorial se hace más grande), es decir, para cualquier n:
|𝑢𝑛(𝑥−𝑎)𝑛|>|𝑢𝑛(𝑥−𝑎)𝑛+1 |

La prueba de la razón consiste en evaluar el límite:


|𝑢𝑛+1 (𝑥 − 𝑎)𝑛+1 |
lim <1
𝑛→∞ |𝑢𝑛 (𝑥 − 𝑎)𝑛 |
Dado que:
|𝑢𝑛+1 (𝑥 − 𝑎)𝑛+1 | (𝑥 − 𝑎)𝑛+1 𝑢𝑛+1 𝑢𝑛+1
lim = lim | | | | = |(𝑥 − 𝑎)|lim | |<1
𝑛→∞ |𝑢𝑛 (𝑥 − 𝑎)𝑛 | 𝑛→∞ (𝑥 − 𝑎)𝑛 𝑢𝑛 𝑢𝑛
𝑛→∞

Después de calcular el límite, resulta un intervalo en “x”.


Aproximación y acotación del error
Al realizar una aproximación con una serie de Taylor uno está limitado obligado a realizar
una suma finita; es decir, escoger el grado hasta que se desarrollara el polinomio.
Para entenderlo mejor tomamos la expansión de Taylor para la función exponencial para
calcular una aproximación de numero de Euler podríamos desarrollar el polinomio de
distintos grados.
1 1 1 1 1
𝑒 ≈1+ + + + + = 2.71667 (𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑞𝑢𝑖𝑛𝑡𝑜 𝑔𝑟𝑎𝑑𝑜 𝑛
1! 2! 3! 4! 5!
= 5)
1 1 1 1 1 1
𝑒 ≈1+ + + + + + = 2.71806 (𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑔𝑟𝑎𝑑𝑜 𝑛
1! 2! 3! 4! 5! 6!
= 6)
1 1 1 1 1 1 1
𝑒 ≈1+ + + + + + + = 2.71825 (𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑐𝑖𝑜𝑛 𝑑𝑒 𝑔𝑟𝑎𝑑𝑜 𝑛
1! 2! 3! 4! 5! 6! 7!
= 7)
Entonces si aproximamos una función 𝑓(𝑥) por una suma finita de grado “n” 𝑇𝑛 (𝑓, 𝑎); el
error cometido es:
ɛ = 𝑓(𝑥) − 𝑇𝑛 (𝑓, 𝑎)
En otras palabras, se comete un error por todos aquellos términos que no se sumaron, este
se puede acotar.
ɛ ≤ 𝑅𝑛 Donde 𝑅𝑛 es el resto de Lagrande, que se expresa:
𝑓 𝑛+1 (𝜃)(𝑥 − 𝑎)𝑛+1
𝑅𝑛 = 𝑎<𝜃<𝑥
(𝑛 + 1)!
Que representa el máximo error cometido en la aproximación de grado “n”.
EJERCICIO.1 Encontrar el polinomio de Taylor de grado n para la función 𝑓(𝑥) =
𝑒 5𝑥 alrededor de 𝑎 = 1
𝐹 ′ (𝑎)(𝑥 − 𝑎) 𝐹 ′ ′(𝑎)(𝑥 − 𝑎)2 𝐹 ′ ′′(𝑎)(𝑥 − 𝑎)3 𝑓 𝑛 (𝑎)(𝑥 − 𝑎)𝑛
𝑓(𝑥) = 𝑓(𝑎) + + + + ⋯+
1! 2! 3! 𝑛!

(𝑥 − 𝑎)𝑛
𝑓(𝑥) = ∑ 𝑓 𝑛 (𝑎)
𝑛!
𝑛=0

Paso 1. Derivamos f(x) varias veces y evaluamos cada derivada en 𝑎

𝑓(𝑥) = 𝑒 5𝑥 = 𝑓(1) = 𝑒 5(1)


𝑓′(𝑥) = 5𝑒 5𝑥 = 𝑓(1) = 5𝑒 5(1)
𝑓′′(𝑥) = 52 𝑒 5𝑥 = 𝑓(1) = 52 𝑒 5(1)

𝑓′′′(𝑥) = 53 𝑒 5𝑥 = 𝑓(1) = 53 𝑒 5(1)

𝑓 ′′′′(𝑥) = 54 𝑒 5𝑥 = 𝑓(1) = 54 𝑒 5(1)

𝑓 𝑛 (𝑥) = 5𝑛 𝑒 5𝑥 = 𝑓(1) = 5𝑛 𝑒 5(1)


Paso 2. Usar la serie de Taylor y definir un patrón de convergencia.
52 𝑒 5𝑥 (𝑥 − 1)2 53 𝑒 5𝑥 (𝑥 − 1)3 5𝑛 𝑒 5𝑥 (𝑥 − 1)𝑛
𝑓(𝑥) = 𝑒 5𝑥 + 5𝑒 5𝑥 (𝑥 − 1) + + + ⋯+
2! 3! 𝑛!
𝑛
𝑛
𝑛 5 (𝑥 − 𝑎)
𝑓(𝑥) = ∑ 5 𝑒
𝑛!
𝑛=0

Derivación Numérica
Para empezar, ¿porque se hace esto?

 Porque solo conocemos el valor de 𝑓 en número finitos de puntos cercanos a 𝑥0


 Porque es menos costoso calcular la aproximación de un valor exacto
Entendiendo porque se hace estos métodos en el proceso de Derivación numérica
empezamos a ver los diferentes métodos y formas de aplicación de los métodos a estudiar.
Empezando con la derivación numérica se empezará por el análisis de una función que
es:
∆𝑓𝑖
𝑓 ′ (𝑥𝑖 ) = + 𝑂(ℎ)

Donde ∆𝑓𝑖 se le conoce como la primera diferencia hacia delante, atrás o dividida y
centrada, lo cual más adelante se dará a conocer las formas de ejecución y los errores que
conllevan cada método, y tenemos también h que es el paso o incremento; esto es, la
longitud del intervalo sobre la cual se realiza la aproximación. Y por último que tenemos
𝑂(ℎ) que sería en teoría el error cometido en la aproximación.

A continuación, se detallará algunas formas de ∆𝑓𝑖 que se presenta:

Aproximación a la primera derivada con diferencia hacia atrás


La serie de Taylor se expande hacia atrás para calcular el valor anterior sobre la base del
valor actual,
𝑓 ′ ′(𝑥𝑖 ) 2
𝑓 ′ (𝑥𝑖−1 ) = 𝑓 ′ (𝑥𝑖 ) − 𝑓 ′ (𝑥𝑖 )ℎ + ℎ − ….
2!
Truncando la ecuación después de la primera derivada y reordenando los términos se
obtiene
𝑓(𝑥𝑖 ) − 𝑓(𝑥𝑖−1 ) ∆𝑓𝑖
𝑓 ′ (𝑥𝑖 ) ≅ = + 𝑂(ℎ)
ℎ ℎ
∆𝑓𝑖
Donde el error es 𝑂(ℎ), y a se le conoce como primera diferencia dividida hacia atrás.

Más adelante se presentará un gráfico donde se verá gráficamente la diferencia de los
métodos.
Problema 1. Calcular la derivada de la función

diferencia divida hacia atrás


x(i) h f(xi) f'(xi)calculado f'(x) real Error%
0 0.5 1.2 -0.25
0.5 0.5 0.925 -0.55 -0.9125 39.7260274
1 0.5 0.2 -1.45 -2.1 30.952381
1.5 0.5 -1.3125 -3.025 -4.1125 26.443769
2 0.5 -4.1 -5.575 -7.25 23.1034483
2.5 0.5 -8.8 -9.4 -11.8125 20.4232804
3 0.5 -16.2 -14.8 -18.1 18.2320442
3.5 0.5 -27.2375 -22.075 -26.4125 16.4221486
4 0.5 -43 -31.525 -37.05 14.9122807
4.5 0.5 -64.725 -43.45 -50.3125 13.6397516
5 0.5 -93.8 -58.15 -66.5 12.556391
5.5 0.5 -131.7625 -75.925 -85.9125 11.6252001
6 0.5 -180.3 -97.075 -108.85 10.817639
6.5 0.5 -241.25 -121.9 -135.6125 10.111531
7 0.5 -316.6 -150.7 -166.5 9.48948949
7.5 0.5 -408.4875 -183.775 -201.8125 8.93775163
8 0.5 -519.2 -221.425 -241.85 8.44531735
8.5 0.5 -651.175 -263.95 -286.9125 8.00331111
9 0.5 -807 -311.65 -337.3 7.60450637
9.5 0.5 -989.4125 -364.825 -393.3125 7.24296838
10 0.5 -1201.3 -423.775 -455.25 6.91378364
Aproximación a la primera derivada con diferencia hacia adelante
También analíticamente se obtiene la diferencia hacia adelante.
Problema 2. Calcular la derivada de la función

diferencia dividida hacia adelante


x(i) h f(xi) f'(xi)calculado f'(x) real Error%
0 0.5 1.2 -0.55 -0.25
0.5 0.5 0.925 -1.45 -0.9125 58.9041096
1 0.5 0.2 -3.025 -2.1 44.047619
1.5 0.5 -1.3125 -5.575 -4.1125 35.56231
2 0.5 -4.1 -9.4 -7.25 29.6551724
2.5 0.5 -8.8 -14.8 -11.8125 25.2910053
3 0.5 -16.2 -22.075 -18.1 21.961326
3.5 0.5 -27.2375 -31.525 -26.4125 19.3563654
4 0.5 -43 -43.45 -37.05 17.2739541
4.5 0.5 -64.725 -58.15 -50.3125 15.5776398
5 0.5 -93.8 -75.925 -66.5 14.1729323
5.5 0.5 -131.7625 -97.075 -85.9125 12.9928707
6 0.5 -180.3 -121.9 -108.85 11.9889757
6.5 0.5 -241.25 -150.7 -135.6125 11.1254494
7 0.5 -316.6 -183.775 -166.5 10.3753754
7.5 0.5 -408.4875 -221.425 -201.8125 9.718179
8 0.5 -519.2 -263.95 -241.85 9.13789539
8.5 0.5 -651.175 -311.65 -286.9125 8.62196663
9 0.5 -807 -364.825 -337.3 8.16039134
9.5 0.5 -989.4125 -423.775 -393.3125 7.74511362
10 0.5 -1201.3 2402.6 -455.25 627.753981

Aproximación a la primera derivada con diferencia centradas


Una tercera forma de aproximar la primera derivada consiste en restar la ecuación
𝑓 ′ ′(𝑥𝑖 ) 2
𝑓 ′ (𝑥𝑖−1 ) = 𝑓 ′ (𝑥𝑖 ) − 𝑓 ′ (𝑥𝑖 )ℎ + ℎ − ….
2!
De la expansión de Taylor hacia adelante
𝑓 ′ ′(𝑥𝑖 ) 2
𝑓(𝑥𝑖+1 ) = 𝑓(𝑥𝑖 ) + 𝑓 ′ (𝑥𝑖 )ℎ + ℎ + ….
2!
Para obtener:

2𝑓 (3) (𝑥𝑖 ) 3
𝑓(𝑥𝑖+1 ) = 𝑓(𝑥𝑖−1 ) + 2𝑓 ′ (𝑥𝑖 )ℎ + ℎ + ….
3!
De donde se despeja

𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖−1 )
𝑓 ′ (𝑥𝑖 ) = − 𝑂(ℎ2 )
2ℎ
Ejercicio 3. Calcular la derivada de la función

diferencia centrada
x(i) h f(xi) f'(xi)calculado f'(x) real Error%
0 0.5 1.2 -0.25
0.5 0.5 0.925 -1 -0.9125 9.5890411
1 0.5 0.2 -2.2375 -2.1 6.54761905
1.5 0.5 -1.3125 -4.3 -4.1125 4.55927052
2 0.5 -4.1 -7.4875 -7.25 3.27586207
2.5 0.5 -8.8 -12.1 -11.8125 2.43386243
3 0.5 -16.2 -18.4375 -18.1 1.86464088
3.5 0.5 -27.2375 -26.8 -26.4125 1.46710838
4 0.5 -43 -37.4875 -37.05 1.18083671
4.5 0.5 -64.725 -50.8 -50.3125 0.9689441
5 0.5 -93.8 -67.0375 -66.5 0.80827068
5.5 0.5 -131.7625 -86.5 -85.9125 0.6838353
6 0.5 -180.3 -109.4875 -108.85 0.58566835
6.5 0.5 -241.25 -136.3 -135.6125 0.50695917
7 0.5 -316.6 -167.2375 -166.5 0.44294294
7.5 0.5 -408.4875 -202.6 -201.8125 0.39021369
8 0.5 -519.2 -242.6875 -241.85 0.34628902
8.5 0.5 -651.175 -287.8 -286.9125 0.30932776
9 0.5 -807 -338.2375 -337.3 0.27794248
9.5 0.5 -989.4125 -394.3 -393.3125 0.25107262
10 0.5 -1201.3 989.4125 -455.25 317.333882

De la ecuación es una representación de las diferencias centradas en la primera derivada.


Observe que el error de truncamiento esta en el orden ℎ2 en contraste con las
aproximaciones de hacia adelante y hacia atrás, que fueron del orden ℎ. Por la tanto, el
análisis de la serie de Taylor ofrece la información practica de que la diferencia centrada
es una representación más exacta de la derivada.
En los gráficos que se muestran a continuación se analizara de manera gráfica como es el
comportamiento de las diferencias y a que se debe el error cometido.
Fig1. Aproximación hacia adelante

Fig2. Aproximación hacia atrás

Diferencia centrada
Formas de derivación con alta exactitud
Se explico en la anterior sección que la exactitud del método se aplica en 𝑂(ℎ) y en el
exponente que lleva ℎ asciendo más exacto su aproximación dependiendo, imaginemos
si aumentamos el exponente de ℎ teniendo en cuenta algunos parámetros.
Dada la ecuación:
𝑓 ′ ′(𝑥𝑖 ) 2
𝑓(𝑥𝑖+1 ) = 𝑓(𝑥𝑖 ) + 𝑓 ′ (𝑥𝑖 )ℎ + ℎ + ….
2!
De lo que se despeja:
𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖 ) 𝑓 ′′ (𝑥𝑖 )
𝑓 ′ (𝑥𝑖 ) = − ℎ + 𝑂(ℎ2 )
ℎ 2
En la anterior sección truncamos este resultado al excluir los términos de la segunda
derivada en adelante y nos quedamos con el resultado final
𝑓(𝑥𝑖 ) − 𝑓(𝑥𝑖−1 )
𝑓 ′ (𝑥𝑖 ) = + 𝑂(ℎ)

Ahora retendremos, en cambio, el término de la segunda derivada sustituyendo la
siguiente aproximación de la segunda derivada
𝑓(𝑥𝑖+2 ) − 2𝑓(𝑥𝑖+1 ) + 𝑓(𝑥𝑖 )
𝑓 ′ ′(𝑥𝑖 ) = + 𝑂(ℎ)
ℎ2
En la segunda ecuación que se tiene en este párrafo para dar
𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖 ) 𝑓(𝑥𝑖+2 ) − 2𝑓(𝑥𝑖+1 ) + 𝑓(𝑥𝑖 )
𝑓 ′ (𝑥𝑖 ) = − + 𝑂(ℎ2 )
ℎ 2ℎ
O al agrupar términos
−𝑓(𝑥𝑖+2 ) + 4𝑓(𝑥𝑖+1 ) − 3𝑓(𝑥𝑖 )
𝑓 ′ (𝑥𝑖 ) = + 𝑂(ℎ2 )
2ℎ
Observe que al concluir el término de la segunda derivada mejora la exactitud a 𝑂(ℎ2 ).
Es posible desarrollar versiones similares mejoradas para las fórmulas hacia adelante y
centradas, así como las aproximaciones de derivadas de orden superior. Las fórmulas
resumen en el siguiente esquema.
Ejemplo 4. Se dará el mismo ejemplo que en las anteriores formas intentando ver el error cometido
en las iteraciones
hacia adelante
x(i) h f(xi) f'(xi)calculado f'(x) real Error%
0 0.5 1.2 -0.536328125 -0.25 114.53125
0.5 0.25 0.925 -0.859375 -0.9125 5.82191781
0.75 0.25 0.63632813 -1.35625 -1.421875 4.61538462
1 0.25 0.2 -2.021875 -2.1 3.7202381
1.25 0.25 -0.43085938 -2.89375 -2.984375 3.03664921
1.5 0.25 -1.3125 -4.009375 -4.1125 2.50759878
1.75 0.25 -2.51054688 -5.40625 -5.521875 2.09394454
2 0.25 -4.1 29.753125 -7.25 510.387931
2.25 1.25 -6.16523438 25.6575 -9.334375 374.871108
3.5 2.25 -27.2375 60.07118056 -26.4125 327.434664
5.75 3.25 -154.598047 116.4365385 -96.921875 220.134426
9 4.25 -807 138.1913603 -337.3 140.969867
13.25 5.25 -3521.04336 -64.70297619 -1022.98438 93.6750768
18.5 6.25 -12837.8 -930.380375 -2705.4125 65.610406
24.75 7.25 -40108.6887 -3295.176724 -6365.02188 48.229923
32 8.25 -110291.6 -8579.658996 -13600.25 36.9154317
40.25 9.25 -273060.271 -89731.1803 -26852.5344 234.162798
49.5 10.25 -619801.913 90702.7189 -49667.3125 282.620549

hacia atrás
x(i) h f(xi) f'(xi)calcualdo f'(x) real Error%
0 0.5 1.2 -0.25
0.5 0.25 0.925 -0.9125
0.75 0.25 0.63632813 -1.18203125 -1.421875 16.8681319
1 0.25 0.2 -2.040625 -2.1 2.82738095
1.25 0.25 -0.43085938 -2.9125 -2.984375 2.40837696
1.5 0.25 -1.3125 -4.028125 -4.1125 2.05167173
1.75 0.25 -2.51054688 -5.425 -5.521875 1.75438596
2 0.25 -4.1 -7.140625 -7.25 1.50862069
2.25 0.25 -6.16523438 -9.2125 -9.334375 1.30565785
2.5 2.25 -8.8 -1.297569444 -11.8125 89.0152851
4.75 2.25 -78.2511719 -45.71527778 -58.021875 21.2102715
7 2.25 -316.6 -143.465625 -166.5 13.8344595
9.25 2.25 -894.705859 -332.4375 -364.584375 8.81740338
11.5 2.25 -2044.9375 -638.353125 -679.6125 6.07101473
13.75 2.25 -4061.17305 -1088.55 -1138.92188 4.42276824
16 2.25 -7298.8 -1710.365625 -1769.85 3.36098398
18.25 2.25 -12174.7152 -2531.1375 -2599.73438 2.63861092
20.5 2.25 -19167.325 -3578.203125 -3655.9125 2.12558082
Diferencia media
x(i) h f(xi) f'(xi)calcualdo f'(x) real Error%
0 0.5 1.2 -0.25
0.5 0.25 0.925 -0.9125
0.75 0.25 0.63632813 -1.389713542 -1.421875 2.261904762
1 0.25 0.2 -2.1 -2.1 0
1.25 0.25 -0.43085938 -2.984375 -2.984375 1.48805E-14
1.5 0.25 -1.3125 -4.1125 -4.1125 2.1597E-14
1.75 0.25 -2.51054688 -5.521875 -5.521875 4.82542E-14
2 0.25 -4.1 -7.25 -7.25 3.67522E-14
2.25 0.25 -6.16523438 -9.334375 -9.334375 1.90303E-14
2.5 0.25 -8.8 -11.8125 -11.8125 4.51138E-14
2.75 0.25 -12.1074219 -14.721875 -14.721875 2.41322E-14
3 0.25 -16.2 -18.1 -18.1 3.92565E-14
3.25 0.25 -21.1996094 -21.984375 -21.984375 4.84805E-14
3.5 0.25 -27.2375 -26.4125 -26.4125 4.03526E-14
3.75 0.25 -34.4542969 -31.421875 -31.421875 0
4 0.25 -43 -37.05 -37.05 0
4.25 0.25 -53.0339844 -69.41809896 -43.334375 60.19176222
4.5 0.25 -64.725 127.090625 -50.3125 352.6024845

Extrapolación de Richardson
Hay que recordar que este método también es utilizado en la estimación de la integración
numérica.
Hasta aquí hemos visto dos formas de para mejorar la estimación obtenida al emplear
diferencias divididas finitas: 1. Disminuir el tamaño de paso o 2, usar una fórmula de
grado superior que emplee más puntos. Un tercer procedimiento, basado en la
extrapolación de Richardson, utiliza dos estimaciones de la derivada para calcular una
tercera aproximación más exacta.
1
𝐼 ≅ 𝐼(ℎ2 ) + [𝐼(ℎ2 ) − 𝐼(ℎ1 )]
ℎ 2
( 1) − 1
ℎ2
Donde las 𝐼1 y 𝐼2 son las estimaciones de la integral obtenidas usando los tamaños de
paso, ℎ1 y ℎ2 . Debido a su conveniencia cuando se expresa como un algoritmo
computacional, esta formula usando se escribe para el caso en que ℎ2 = ℎ1 /2, como:
4 1
𝐼 ≅ 𝐼(ℎ2 ) − 𝐼(ℎ1 )
3 3
De manera similar, la ecuación anterior se escribirá para las derivadas como:
4 1
𝐷≅ 𝐷(ℎ2 ) − 𝐷(ℎ1 )
3 3
Para aproximaciones por diferencia centrada con 𝑂(ℎ2 ), la aplicación de esta formula
dara una nueva estimación de la derivada de 𝑂(ℎ4 ).
Ejemplo 5. Para un análisis mejor se analizará la misma función de los ejemplos anteriores

Hacia adelante
x(i) h f(xi) f'(xi)calculado f'(x) real Error%
0 0.5 1.2 -0.1 -0.25 60
0.5 0.5 0.925 -0.6625 -0.9125 27.3972603
1 0.5 0.2 -1.75 -2.1 16.6666667
1.5 0.5 -1.3125 -3.6625 -4.1125 10.9422492
2 0.5 -4.1 -6.7 -7.25 7.5862069
2.5 0.5 -8.8 -11.1625 -11.8125 5.5026455
3 0.5 -16.2 -17.35 -18.1 4.14364641
3.5 0.5 -27.2375 -25.5625 -26.4125 3.21817321
4 0.5 -43 -36.1 -37.05 2.56410256
4.5 0.5 -64.725 -49.4125 -50.3125 1.78881988
5 0.5 -93.8 -65.5 -66.5 1.5037594
5.5 0.5 -131.7625 -84.8125 -85.9125 1.28037247
6 0.5 -180.3 -107.65 -108.85 1.10243454
6.5 0.5 -241.25 -134.3125 -135.6125 0.9586137
7 0.5 -316.6 -165.1 -166.5 0.84084084
7.5 0.5 -408.4875 -200.3125 -201.8125 0.74326417
8 0.5 -519.2 -240.25 -241.85 0.66156709
8.5 0.5 -651.175 -285.2125 -286.9125 0.59251514
9 0.5 -807 -335.5 -337.3 0.53364957
9.5 0.5 -989.4125 -391.4125 -393.3125 0.48307643
hacia atrás
x(i) h f(xi) f'(xi)calculado f'(x) real Error%
0 0.5 1.2 -0.25
0.5 0.5 0.925 -0.9125
1 0.5 0.2 -1.9 -2.1 9.52380952
1.5 0.5 -1.3125 -3.8125 -4.1125 7.29483283
2 0.5 -4.1 -6.85 -7.25 5.51724138
2.5 0.5 -8.8 -11.3125 -11.8125 4.23280423
3 0.5 -16.2 -17.5 -18.1 3.31491713
3.5 0.5 -27.2375 -25.7125 -26.4125 2.65026029
4 0.5 -43 -36.25 -37.05 2.15924426
4.5 0.5 -64.725 -49.4125 -50.3125 1.78881988
5 0.5 -93.8 -65.5 -66.5 1.5037594
5.5 0.5 -131.7625 -84.8125 -85.9125 1.28037247
6 0.5 -180.3 -107.65 -108.85 1.10243454
6.5 0.5 -241.25 -134.3125 -135.6125 0.9586137
7 0.5 -316.6 -165.1 -166.5 0.84084084
7.5 0.5 -408.4875 -200.3125 -201.8125 0.74326417
8 0.5 -519.2 -240.25 -241.85 0.66156709
8.5 0.5 -651.175 -285.2125 -286.9125 0.59251514
9 0.5 -807 -335.5 -337.3 0.53364957
9.5 0.5 -989.4125 -391.4125 -393.3125 0.48307643

diferencia centrada
x(i) h f(xi) f'(xi)calcualdo f'(x) real Error%
0 0.5 1.2 -0.25
0.5 0.5 0.925 -0.9125
1 0.5 0.2 -2.1 -2.1 0
1.5 0.5 -1.3125 -4.1125 -4.1125 2.1597E-14
2 0.5 -4.1 -7.25 -7.25 0
2.5 0.5 -8.8 -11.8125 -11.8125 0
3 0.5 -16.2 -18.1 -18.1 1.9628E-14
3.5 0.5 -27.2375 -26.4125 -26.4125 1.3451E-14
4 0.5 -43 -37.05 -37.05 3.8356E-14
4.5 0.5 -64.725 -50.3125 -50.3125 1.4123E-14
5 0.5 -93.8 -66.5 -66.5 6.4109E-14
5.5 0.5 -131.7625 -85.9125 -85.9125 3.3082E-14
6 0.5 -180.3 -108.85 -108.85 2.6111E-14
6.5 0.5 -241.25 -135.6125 -135.6125 2.0958E-14
7 0.5 -316.6 -166.5 -166.5 6.828E-14
7.5 0.5 -408.4875 -201.8125 -201.8125 0
8 0.5 -519.2 -241.85 -241.85 4.7007E-14
8.5 0.5 -651.175 -451.8145833 -286.9125 57.4746947
9 0.5 -807 781.7 -337.3 331.752149
INTEGRACIÓN NUMÉRICA
En los cursos de Análisis Matemático (Cálculo Integral), nos enseñan como calcular una
integral definida de una función continua mediante la aplicación del Teorema
Fundamental del Cálculo:
Teorema Fundamental del Cálculo
Sea una función continua y definida en el intervalo [a, b] y sea una F(x) función primitiva
de f(x), entonces:
𝑏
I=∫𝑎 𝑓(𝑥)𝑑𝑥 =𝐹(𝑏) − 𝐹(𝑎)

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


función primitiva requerida, aún para integrales aparentemente sencillas como:

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


En este capítulo estudiaremos diversos métodos numéricos que nos permitirán obtener
aproximaciones bastante precisas a integrales como la mencionada anteriormente.
Esencialmente, veremos dos tipos de integración numérica: las fórmulas de Newton-
Cotes y el algoritmo de Romberg.
Las fórmulas de Newton-Cotes a desarrollar son las tres primeras, constituidas por las
reglas del trapecio y de Simpson (regla de un tercio y de tres octavos). El algoritmo de
Romberg forma parte de una técnica conocida como método de extrapolación de
Richardson.
FÓRMULAS DE INTEGRACIÓN DE NEWTON-COTES
Estas fórmulas se basan en la idea de integrar una función polinomial en vez de f(x):
𝑏 𝑏
I=∫𝑎 𝑓(𝑥)𝑑𝑥 ≈ ∫𝑎 𝑃𝑛 (𝑥)𝑑𝑥

donde 𝑷𝒏 (𝑿) = 𝒂𝟎 +𝒂𝟏 𝑿+......+𝒂𝒏 𝑿𝒏 es un polinomio de aproximación de grado n


para ciertos valores de f(x) que se escogen apropiadamente (se suele conocer también
como polinomio de interpolación, ya que la condición es que tome los mismos valores
que la función original en los puntos elegidos). Estas fórmulas se pueden aplicar también
a una tabla de datos, siendo éstos los puntos a considerar.
Dentro de las fórmulas de Newton-Cotes, existen las formas cerradas y abiertas. En las
formas cerradas se conocen los valores de f(a) y f(b), en caso contrario, se llaman formas
abiertas.
Nos remitiremos a estudiar únicamente las formas cerradas, y por lo tanto, siempre
supondremos que conocemos los valores de los extremos, f(a) y f(b).
REGLA DEL TRAPECIO
Corresponde al caso donde n=1, es decir:
𝑏 𝑏
I=∫𝑎 𝑓(𝑥)𝑑𝑥 ≈ ∫𝑎 𝑃1 (𝑥)𝑑𝑥
donde 𝑷𝟏 (𝑿) es un polinomio de de grado 1.
En el gráfico trazamos la recta que une los puntos: (a, f(a)) y (b, f(b)) obteniendo un
trapecio cuya superficie será, aproximadamente, el valor de la integral I.

Así tendremos:
𝑏 𝑏
I=∫𝑎 𝑓(𝑥)𝑑𝑥 ≈ ∫𝑎 𝑃1 (𝑥)𝑑𝑥 =
𝑏
𝑓(𝑎) + 𝑓(𝑏)
∫ (𝒂𝟎 + 𝒂𝟏 𝑥)𝑑𝑥 = (𝑏 − 𝑎)( )
𝑎 2
conocida como Regla del Trapecio.
Es de apreciar que el error que se llega a cometer con esta forma de aplicación puede ser
significativo. Una mejor aproximación se obtiene dividiendo el intervalo de integración
en subintervalos y aplicando en cada uno de ellos la regla trapecial. A este procedimiento
se lo conoce como Regla Trapecial Compuesta.
Este nombre se debe a la interpretación geométrica que le podemos dar a la fórmula. El
polinomio de interpolación para una tabla que contiene dos datos, es una línea recta. La
integral, corresponde al área bajo la línea recta en el intervalo, que es precisamente el área
del trapecio que se forma.

Regla Trapecial Compuesta.


Este nombre se debe a la interpretación geométrica que le podemos dar a la fórmula. El
polinomio de interpolación para una tabla que contiene dos datos, es una línea recta. La
integral, corresponde al área bajo la línea recta en el intervalo, que es precisamente el área
del trapecio que se forma.
La regla del trapecio se puede ampliar si subdividimos el intervalo[a,b] en n
subintervalos, todos de la misma longitud . h=(b-a)/n
Sea 𝑷(𝑿) = {𝑿𝟎 ,𝑿1, ......,𝑿𝒏 } la partición que se forma al hacer dicha subdivisión.
Usando propiedades de la integral tenemos que:
𝒃 𝟏 𝒙 𝒙𝟐 𝒏
∫𝒂 𝒇(𝒙)𝒅𝒙=∫𝒙 𝒇(𝒙)𝒅𝒙+∫𝒙𝟏 𝒇(𝒙)𝒅𝒙+.......+∫𝒏−𝟏 𝒇(𝒙)𝒅𝒙
𝟎

Aplicando la regla del trapecio en cada una de las integrales, obtenemos:

Ahora bien, ya que todos los subniveles tienen la misma longitud h, tenemos que :

Sustituyendo el valor de h y usando la notación sigma, tenemos finalmente

Esta es la regla del trapecio para n subintervalos. Cuantos más subintervalos se usen,
mejor será la aproximación a la integral, hasta que la importancia de los errores por
redondeo comience a tomar relevancia.
Ejercicios: con trapecio simple trapecio compuesto
𝟏 𝟐 𝟏 𝟐
𝟏) ∫𝟎 𝒆𝒙 𝒅(𝒙) : 𝟐) ∫𝟎 𝒆𝒙 𝒅(𝒙) : solución
n=1 En este caso, identificamos n=5 y la partición generada es:
Solución: h=(b-a) /n…remplazando h= 0.2 la partición P= {0,0.2,0.4,0.6,0.8,1}
𝑏 𝒇(𝒂)+𝒇(𝒃)
formula: ∫𝑎 (𝑏 − 𝑎)( )
𝟐
𝟐
f(x)=𝒆𝒙 , b=1 , a=0

= (1−0)(𝑓(0)+𝑓(1)
2
) =(1+e) /2
=1.85914

= 1.48065

REGLAS DE SIMPSON

la fórmula de Simpson para integrar una función en un intervalo, equivale a sustituir, dentro de la
integral, la función a integrar por el polinomio de interpolación de grado dos, que pasa por los
puntos de la función de los extremos y el punto medio del intervalo. Es decir, sustituimos la
función por una parábola e integramos:
otra forma de obtener una estimación más exacta de una integral consiste en usar polinomios de
grado superior para unir los puntos. Por ejemplo, si hay otro punto a la mitad entre f(a) y f(b), los
tres puntos se pueden unir con una parábola (figura 1 a). Si hay dos puntos igualmente espaciados
entre f(a) y f(b), los cuatro puntos se pueden unir mediante un polinomio de tercer grado (figura
1b). Las fórmulas que resultan de tomar las integrales bajo esos polinomios se conocen como
reglas de Simpson.

FIGURA 1 a) Descripción gráfica de la regla de Simpson 1/3, que consiste en tomar el área bajo una parábola que
une tres puntos. b) Descripción gráfica de la regla de Simpson 3/8, que consiste en tomar el área bajo una ecuación
cúbica que une cuatro puntos.

Regla de Simpson 1/3


La regla de Simpson 1/3 resulta cuando un polinomio de interpolación de segundo grado se
sustituye en la ecuación:
𝑏 𝑥2
𝐼 = ∫ 𝑓(𝑥) 𝑑𝑥 ≅ ∫ 𝑝2 (𝑥) 𝑑𝑥
𝑎 𝑥0
Si se designan a y b como x 0 y x 2, y f 2 (x) se representa por un polinomio de Lagrange de
segundo grado, la integral se transforma en
𝑥2 (𝑥 (𝑥 − 𝑥0)(𝑥 − 𝑥2)
− 𝑥1)(𝑥 − 𝑥2)
𝐼=∫ [ 𝑓(𝑥0) + 𝑓(𝑥1)
𝑥0 (𝑥0 − 𝑥1)(𝑥0 − 𝑥2) (𝑥1 − 𝑥0)(𝑥1 − 𝑥2)
(𝑥 − 𝑥0)(𝑥 − 𝑥2)
+ 𝑓(𝑥2)] 𝑑𝑥
(𝑥2 − 𝑥0)(𝑥2 − 𝑥1)

Después de la integración y de las manipulaciones algebraicas, se obtiene la siguiente


fórmula:
ℎ 𝑓(𝑥0) + 4𝑓(𝑥1) + 𝑓(𝑥2)
𝐼≅ [ ]
3 6
donde, en este caso, h = (b – a) /2. Esta ecuación se conoce como regla de Simpson 1/3, y es la
segunda fórmula de integración cerrada de Newton-Cotes. La especificación “1/3” se origina del
hecho de que h está dividida entre 3 en la ecuación.
La regla de Simpson 1/3 también se puede expresar usando el formato de la ecuación

𝑓(𝑥0) + 4𝑓(𝑥1) + 𝑓(𝑥2)


𝐼 ≅ (𝑏 − 𝑎)
6
donde a = x 0, b = x 2 y x 1 = el punto a la mitad entre a y b, que está dado por (b + a) /2.

Error de la fórmula de Simpson


Se puede demostrar que la aplicación a un solo segmento de la regla de Simpson
1/3 tiene un error de truncamiento de
1
𝐸𝑡 = − ℎ5 𝑓 (4) ( 𝜉)
90
o, como h = (b – a) /2,
(𝑏 − 𝑎)5 (4)
𝐸𝑡 = − 𝑓 ( 𝜉)
2880
donde ξ está en algún lugar en el intervalo de a a b. Así, la regla de Simpson 1/3 es más exacta
que la regla del trapecio. En lugar de ser proporcional a la tercera derivada, el error es proporcional
a la cuarta derivada. Esto es porque, el término del coeficiente de tercer grado se hace cero durante
la integración de la interpolación polinomial. En consecuencia, la regla de Simpson 1/3 alcanza
una precisión de tercer orden aun cuando se base en sólo tres puntos. En otras palabras, ¡da
resultados exactos para polinomios cúbicos aun cuando se obtenga de una parábola!

La regla de Simpson 1/3 de aplicación múltiple

la regla de Simpson se mejora al dividir el intervalo de integración en varios segmentos de un


mismo tamaño (figura 2):
𝑏−𝑎
ℎ=
𝑛
El integral total se puede representar como
𝑥2 𝑥4 𝑥𝑛
𝐼 = ∫ 𝑓(𝑥)𝑑𝑥 + ∫ 𝑓(𝑥)𝑑𝑥 + ⋯ + ∫ 𝑓(𝑥)𝑑𝑥
𝑥0 𝑥2 𝑥𝑛−2
Al sustituir la regla de Simpson 1/3 en cada integral se obtiene
𝑓(𝑥0) + 4𝑓(𝑥1) + 𝑓(𝑥2) 𝑓(𝑥2) + 4𝑓(𝑥3) + 𝑓(𝑥4)
𝐼 ≅ 2ℎ + 2ℎ +⋯
6 6
𝑓(𝑥𝑛−2 ) + 4(𝑥𝑛−1 ) + 𝑓(𝑥𝑛 )
+ 2ℎ
6
o, combinando términos y usando la ecuación (21.17),

FIGURA 2 Representación gráfica de la regla de Simpson 1/3 de aplicación múltiple. Observe que el método se puede
emplear sólo si el número de segmentos es par.

𝑓(𝑥0 ) + 4 ∑𝑛−1 𝑛−2


𝑖=1,3,5 𝑓(𝑥𝑖 ) + 2 ∑𝑗=2,4,6 𝑓(𝑥𝑗 ) + 𝑓(𝑥𝑛 )
𝐼 ≅ (𝑏 − 𝑎)
3𝑛
Observe que, como se ilustra en la figura 2, se debe utilizar un número par de segmentos para
implementar el método.
Un error estimado en la regla de Simpson de aplicación múltiple se obtiene de la misma forma
que en la regla del trapecio: sumando los errores individuales de los segmentos y sacando el
promedio de la derivada para llegar a

(𝑏 − 𝑎)5 (4)
𝐸𝑎 = − 𝑓̅
180𝑛4
donde 𝑓 ̅ (4) es el promedio de la cuarta derivada en el intervalo.

Regla de Simpson 3/8

De manera similar a la obtención de la regla del trapecio y Simpson 1/3, es posible ajustar un
polinomio de Lagrange de tercer grado a cuatro puntos e integrarlo:
𝑏 𝑥2
𝐼 = ∫ 𝑓(𝑥) 𝑑𝑥 ≅ ∫ 𝑝3 (𝑥) 𝑑𝑥
𝑎 𝑥0
para obtener
3ℎ
𝐼≅ [𝑓(𝑥0 ) + 3𝑓(𝑥1 ) + 3𝑓(𝑥2 ) + 𝑓(𝑥3 )]
8
donde h = (b – a) /3. Esta ecuación se llama regla de Simpson 3/8 debido a que h se multiplica
por 3/8.
La regla 3/8 se expresa también en la forma:
𝑓(𝑥0) + 3𝑓(𝑥1) + 3𝑓(𝑥2) + 𝑓(𝑥3)
𝐼 ≅ (𝑏 − 𝑎)
8
Así los dos puntos interiores tienen pesos de tres octavos, mientras que los puntos extremos tienen
un peso de un octavo. La regla de Simpson 3/8 tiene un error de
3 5 (4)
𝐸𝑡 = − ℎ 𝑓 ( 𝜉)
80
o, como h = (b – a) /3,

(𝑏 − 𝑎)5 (4)
𝐸𝑡 = − 𝑓 ( 𝜉)
6480
la regla 3/8 es más exacta que la regla 1/3. Por lo común, se prefiere la regla de Simpson 1/3, ya
que alcanza una exactitud de tercer orden con tres puntos en lugar de los cuatro puntos requeridos
en la versión 3/8. No obstante, la regla de 3/8 es útil cuando el número de segmentos es impar.
Quizá esto no sea recomendable, sin embargo, debido al gran error de truncamiento asociado con
dicho método. Una alternativa sería

FIGURA 3 Ilustración de cómo se utilizan en conjunto las reglas de Simpson 1/3 y 3/8 para manejar aplicaciones
múltiples con números impares de intervalos.

aplicar la regla de Simpson 1/3 a los dos primeros segmentos y la regla de Simpson 3/8 a los
últimos tres (figura 3). De esta forma, podríamos obtener un estimado con una exactitud de tercer
orden durante todo el intervalo.

METODO DE RUNGE-KUTTA
Los métodos de Runge-Kutta (RK) utilizan indirectamente el algoritmo de Taylor. En
general estos métodos evalúan f(x, y) en más de un punto en la proximidad de (𝑥𝑛, 𝑦𝑛 )
en lugar de evaluar derivadas de f(x, y), las cuales se necesitarían para el uso directo del
algoritmo por series de Taylor. la derivada de estos métodos se acompaña de la suposición
de un algoritmo particular con ciertos coeficientes indeterminados. Los valores de estos
términos constantes se encuentran igualando a la fórmula de Runge-Kutta.
Los métodos de Runge-Kutta (RK) logran la exactitud del procedimiento de la serie de
Taylor sin necesitar el cálculo de derivadas de orden superior. Existen muchas variantes,
pero todas tienen la forma generalizada de la ecuación.

 𝑦𝑖+1 = 𝑦𝑖 + f (𝑥𝑖 , 𝑦𝑖 , h) h

Donde: (f(𝑥𝑖 , 𝑦𝑖 , h)h) se conoce como función incremento, la cual puede interpretarse
como una pendiente representativa en el intervalo. La función incremento se escribe en
forma general como:

 f = 𝑎1 𝑘1 + 𝑎2 𝑘2 + 𝑎3 𝑘3 +· · · + 𝑎𝑛 𝑘𝑛

𝑎𝑖 : son valores constantes mientras (𝑘𝑖 )


 k1= ƒ(𝑥𝑖 , 𝑦𝑖 )
 k2 = ƒ(𝑥𝑖 + 𝑝1h, 𝑦𝑖 + 𝑞11 𝑘1 h)
 k3 = ƒ(𝑥𝑖 + 𝑝2 h, 𝑦𝑖 + 𝑞21 𝑘1 h +𝑞22 𝑘2 h)0
.
.
.
 kn = ƒ(𝑥𝑖 + 𝑝𝑛−1h, yi + qn–1,1k1h + qn–1,2k2h +···+ qn–1,n–1kn–1h)

Donde las (p) y las (q) son constantes. y los valores las k son relaciones de recurrencia.
K1 aparece en la ecuación K2, la cual aparece en la ecuación K3, etcétera. Como cada k
es una evaluación funcional, esta recurrencia vuelve eficientes a los métodos RK para
cálculos en computadora.
Es posible tener varios tipos de métodos de Runge-Kutta empleando diferentes
números de términos en la función incremento especificada por n. Observe que el método
de Runge-Kutta (RK)
 primer orden con (n = 1)
 segundo orden (n = 2)
 Tercer orden (n=3)
 Cuarto orden (n=4)

MÉTODOS DE RUNGE-KUTTA DE SEGUNDO ORDEN


Como su ecuación ya se desarrolló y tenemos.

 𝑦𝑖+1 = 𝑦𝑖 + (𝑎1 𝑘1 + 𝑎2 𝑘2 )h

donde:

 k1= ƒ(𝑥𝑖 , 𝑦𝑖 )
 k2 = ƒ(𝑥𝑖 + 𝑝1h, 𝑦𝑖 + 𝑞11 𝑘1 h)
donde los valore a1, a2, p1 y q11 se evaluará la ecuación general con la expansión de la
serie de Taylor hasta el termino ce segundo orden. Al hacerlo desarrollamos tres
ecuaciones para evaluar cuatro constantes desconocidas.
Las tres ecuaciones son:
 𝑎1 + 𝑎2 =1
1
 𝑎2 𝑝1 =2
1
 𝑎2 𝑞11 =2
Como tenemos tres ecuaciones con cuatro incógnitas, debemos dar el valor de una de
estas incógnitas para determinar las otras tres. Suponga que damos un valor para a2.
 𝑎1 =1-𝑎2
1
 𝑝1=𝑞11 =2𝑎2

Debido a que podemos elegir un número infinito de valores para 𝑎2 , hay un número
infinito de métodos RK de segundo orden. Cada versión daría exactamente los mismos
resultados si la solución de la EDO fuera cuadrática, lineal o una constante. Sin embargo,
se obtienen diferentes resultados cuando (como típicamente es el caso) la solución es más
complicada.
1
 𝑦𝑖+1 = 𝑦𝑖 +2(k1 + k2)h
Donde
 k1= ƒ(𝑥𝑖 , 𝑦𝑖 )
1 1
 k2 = ƒ(𝑥𝑖 + 2h, 𝑦𝑖 + 2 𝑘1 h)

Ejemplo:
 ejemplo:
Encontrar un valor aproximado de y(1), por el método de Runga-Kutta de segundo orden,
del siguiente problema de valores iniciales.
 h = 0:2
 y(0.2).=2
 𝑦 ′ = ƒ(𝑥𝑖 , 𝑦𝑖 )= x-y
Solución.
I) En primer lugar, debemos encontrar las constantes
 k1= ƒ(𝑥𝑖 , 𝑦𝑖 ) = ƒ(0, 2) = 0-2 =-2
1 1 0.2 0.2(−2)
 k2 = ƒ(𝑥𝑖 + 2h, 𝑦𝑖 + 2 𝑘1 h) = ƒ(0+ 2 , 2 + 2 ) = -1.7

II) a continuación, aplicaremos la formula general de ecuación Runga-Kutta de


segundo orden.
1
 𝑦𝑖+1 = 𝑦𝑖 + 2(k1 + k2)h

Para saber su valor aproximado de y(0.2).


1 0.2
𝑦1 =y(0.2)=𝑦𝑖 +2(k1 + k2)h =2+ 2 (-2+(-1.7)) = 1.63
III) repitiendo el proceso, obtenemos las aproximaciones

 𝑦2 =y(0.4)=1.26
 𝑦3 =y(0.6)= 0.89
 𝑦4 =y(0.8)=0.52

MÉTODOS DE RUNGE-KUTTA DE TERCER ORDEN


Para n = 3, es posible efectuar un desarrollo similar al del método de segundo orden. El
resultado de tal desarrollo genera seis ecuaciones con ocho incógnitas. Por lo tanto, se
deben dar a priori los valores de dos de las incógnitas con la finalidad de establecer los
parámetros restantes. Una versión común que se obtiene es
1
 𝑦𝑖+1 = 𝑦𝑖 + +6(k1 + 4k2 + k3)h
Donde:
 k1= ƒ(𝑥𝑖 , 𝑦𝑖 )
1 1
 k2 = ƒ(𝑥𝑖 + 2h, 𝑦𝑖 + 2 𝑘1 h)
3
 k3 = ƒ(𝑥𝑖 + h, 𝑦𝑖 - 4 𝑘1 h+2 k2h)

se observe que, si la EDO está en función sólo de x, este método de tercer orden se reduce
a la regla de Simpson 1/3. Ralston (1962) y Ralston y Rabinowitz (1978) desarrollaron
una versión alternativa que proporciona un mínimo para el error de truncamiento. En
cualquier caso, los métodos RK de tercer orden tienen errores local y global de O(h4) y
O(h3), respectivamente, y dan resultados exactos cuando la solución es una cúbica.

MÉTODOS DE RUNGE-KUTTA DE CUARTO ORDEN


El más popular de los métodos RK es el de cuarto orden. Como en el caso de los
procedimientos de segundo orden, hay un número infinito de versiones. La siguiente, es
la forma comúnmente usada y, por lo tanto, le llamamos método clásico RK de cuarto
orden:
1
 𝑦𝑖+1 = 𝑦𝑖 + +6(k1 + 2k2 + 2k3 + k4)h

Donde:
 k1= ƒ(𝑥𝑖 , 𝑦𝑖 )
1 1
 k2 = ƒ(𝑥𝑖 + 2h, 𝑦𝑖 + 2 𝑘1 h)
1 1
 k3 = ƒ(𝑥𝑖 + 2h, 𝑦𝑖 + 2 𝑘2 h)
 k4 = ƒ(𝑥𝑖 +h, 𝑦𝑖 + 𝑘3 h)

 ejemplo:
Encontrar un valor aproximado de y(1), por el método de Runga-Kutta de cuarto orden,
del siguiente problema de valores iniciales.
 h = 0:2
 y(0.2).=2
 𝑦 ′ = ƒ(𝑥𝑖 , 𝑦𝑖 )= x-y
Solución.
I) En primer lugar, debemos encontrar las constantes
 k1= ƒ(𝑥𝑖 , 𝑦𝑖 ) = ƒ(0, 2) = 0-2 =-2
1 1 0.2 0.2(−2)
 k2 = ƒ(𝑥𝑖 + 2h, 𝑦𝑖 + 2 𝑘1 h) = ƒ(0+ 2 , 2 + 2 ) = -1.7
1 1 0.2 0.2(−1.7)
 k3 = ƒ(𝑥𝑖 + 2h, 𝑦𝑖 + 2 𝑘2 h) = ƒ(0+ 2 , 2 + ) = -1.73
2
1
 k4 = ƒ(𝑥𝑖 +h, 𝑦𝑖 + 2 𝑘3 h) = ƒ(0+0.2, 0.2(-1.73)) = -1.454

II) a continuación, aplicaremos la formula general de ecuación Runga-Kutta de


cuarto orden.
1
 𝑦𝑖+1 = 𝑦𝑖 +6(k1 + 2k2 + 2k3 + k4)h

Para saber su valor aproximado de y(0.2).


1 0.2
𝑦1 =y(0.2)=𝑦𝑖 +6(k1 + 2k2 + 2k3 + k4)h =2+ 6 (-2+2(-1.7)+2(-1.73)-1.454) = 1.656

III) repitiendo el proceso, obtenemos las aproximaciones

 𝑦2 =y(0.4)=1.47097
 𝑦3 =y(0.6)= 1.24645
 𝑦4 =y(0.8)=1.14801
 𝑦5 = y(1.0)=1.10366

MÉTODOS DE RUNGE-KUTTA DE ORDEN SUPERIOR


Cuando se requieren resultados más exactos, se recomienda el método RK de quinto
orden de Butcher (1964):
1
 𝑦𝑖+1 = 𝑦𝑖 +90(7k1 + 32k3 + 12k4 + 12k5 + 7k6)h

Donde:
 k1= ƒ(𝑥𝑖 , 𝑦𝑖 )
1 1
 k2 = ƒ(𝑥𝑖 + 4h, 𝑦𝑖 + 4 𝑘1 h)
1 1 1
 k3 = ƒ(𝑥𝑖 + 4h, 𝑦𝑖 + 8 𝑘1 h+8 𝑘2 h)
1 1
 k4 = ƒ(𝑥𝑖 +2h, 𝑦𝑖 - 2 𝑘2 h+𝑘3 h)
3 3 9
 k5 = ƒ(𝑥𝑖 + 4h, 𝑦𝑖 + 16 𝑘1 h+16 𝑘4 h)
3 2 12 12 8
 k6 = ƒ(𝑥𝑖 +h, 𝑦𝑖 - 7 𝑘1 h+7 𝑘2 h+ 7 𝑘3 h- 𝑘4 h+7 𝑘5 h)
7

MÉTODO DE RUNGE-KUTTA FEHLBERG


Además de dividir en dos el paso, como una estrategia para ajustar el tamaño de paso, un
procedimiento alternativo para obtener estimación del error consiste en calcular dos
predicciones RK de diferente orden. Los resultados se restan después para obtener un
estimado del error local de truncamiento. Un defecto de tal procedimiento es el gran
aumento en la cantidad de cálculos. Por ejemplo, para una predicción de cuarto y quinto
orden se necesita un total de 10 evaluaciones de la función por cada paso. El método de
Runge-Kutta Fehlberg o RK encapsulado sagazmente evita este problema al utilizar un
método RK de quinto orden que emplea las evaluaciones de la función del método RK de
cuarto orden correspondiente. Así, el procedimiento genera la estimación del error ¡con
sólo seis evaluaciones de la función!
En el presente caso, usamos la siguiente estimación de cuarto orden:
37 250 125 512
 𝑦𝑖+1 = 𝑦𝑖 +(378 k1 + 621 k3 + 594 k4 + 1771 k6)h

Como se tiene la fórmula de quinto orden.


2825 18575 13525 277 1
 𝑦𝑖+1 = 𝑦𝑖 + (27648 k1 + 43384 k3 + 55296 k4 + 14336 k5+4 k6)h

Donde:
 k1= ƒ(𝑥𝑖 , 𝑦𝑖 )
1 1
 k2 = ƒ(𝑥𝑖 + 5h, 𝑦𝑖 + 5 𝑘1 h)
3 3 9
 k3 = ƒ(𝑥𝑖 + 10h, 𝑦𝑖 + 40 𝑘1 h+40 𝑘2 h)
3 3 9 6
 k4 = ƒ(𝑥𝑖 +5h, 𝑦𝑖 + 10 𝑘1 h- 10 k2h+5 k3ℎ)
11 5 70 35
 k5 = ƒ(𝑥𝑖 + h, 𝑦𝑖 − 54 k1ℎ + 2 k2h- 27 k3ℎ + 27 k4ℎ )
7 1631 175 575 44275 253
 k6 = ƒ(𝑥𝑖 +8h, 𝑦𝑖 +55296 k1h+512 k2h+ 13824 k3h+110592 k4h+4096 k5ℎ)

Así, la EDO se resuelve y el error estimado como la diferencia de las estimaciones de


quinto y cuarto órdenes.

MÉTODO DE HEUN
Un método para mejorar la estimación de la pendiente emplea la determinación de dos
derivadas en el intervalo (una en el punto inicial y otra en el final). Las dos derivadas se
promedian después con la finalidad de obtener una mejor estimación de la pendiente en
todo el intervalo.
Que tiene las formulas
 𝑦𝑖′ = ƒ(𝑥𝑖 , 𝑦𝑖 )

se utiliza para extrapolar linealmente a 𝑦𝑖+1 :
 𝑦𝑖+1 = 𝑦𝑖 + ƒ(𝑥𝑖 , 𝑦𝑖 )h
0

0
el método de Heun la 𝑦𝑖+1 calculada no es la respuesta final, sino una predicción
intermedia. Por consiguiente, la distinguimos con un superíndice 0. La ecuación se llama
ecuación predictora o simplemente predictora. Da una estimación de 𝑦𝑖+1 que permite el
cálculo de una estimación de la pendiente al final del intervalo:
 𝑦𝑖+1
′ 0
= ƒ(𝑥𝑖+1 , 𝑦𝑖+1 )

se combinan las dos pendientes para obtener una pendiente promedio en el intervalo:
𝑦𝑖′ +𝑦𝑖+1
′ 0
ƒ(𝑥𝑖 ,𝑦𝑖 )+ƒ(𝑥𝑖+1 ,𝑦𝑖+1 )
 𝑦̅ ′ = 2
= 2

Este pendiente promedio se utiliza después para extrapolar linealmente desde 𝑦𝑖 hasta
𝑦𝑖+1 con el método de Euler:
0
ƒ(𝑥𝑖 ,𝑦𝑖 )+ƒ(𝑥𝑖+1 ,𝑦𝑖+1 )
 𝑦𝑖+1 = +𝑦𝑖 + ℎ
2

se puede aplicar en una forma iterativa. Es decir, una estimación


anterior se utilizará de manera repetida para proporcionar una estimación mejorada de
𝑦𝑖+1 . Deberá entenderse que este proceso iterativo no necesariamente converge a la
respuesta verdadera, sino que lo hará a una estimación con un error de truncamiento finito.
el criterio de terminación para la convergencia del corrector está dado por

𝑗 𝑗−1
𝑦𝑖+1 −𝑦𝑖+1
 |𝜀𝑎|=| 𝑗 |100%
𝑦𝑖+1
Donde
𝑗
 𝑦𝑖+1 : es iteración actual
𝑗−1
 𝑦𝑖+1 : es iteración anterior

MÉTODO DEL PUNTO MEDIO (O DEL POLÍGONO MEJORADO)


ilustra otra modificación simple del método de Euler. Conocida como
método del punto medio (o del polígono mejorado o el modificado de Euler), esta técnica
usa el método de Euler para predecir un valor de y en el punto medio del intervalo

h
 𝑦𝑖+1 = 𝑦𝑖 +ƒ(𝑥𝑖 , 𝑦𝑖 ) 2
2

para calcular una pendiente en el punto medio se utilizará siguiente formula:

 ′
𝑦𝑖+1 = ƒ(𝑥𝑖+1 , 𝑦𝑖+1 )
2 2

que se supone representa una aproximación válida de la pendiente promedio en todo el


intervalo. Dicha pendiente se usa después para extrapolar linealmente desde 𝑥𝑖 hasta 𝑥𝑖+1 .

 𝑦𝑖+1= 𝑦𝑖 + ƒ(𝑥𝑖+1 , 𝑦𝑖+1 )h


2 2

Observe que como 𝑦𝑖+1 no está en los dos lados, el corrector no puede aplicarse de manera
iterativa para mejorar la solución. Como en la sección anterior, este procedimiento
también se relaciona con las fórmulas de integración de Newton-Cotes. Con la fórmula
más simple de integración abierta de Newton-Cotes, la cual se denomina el método del
punto medio, se puede representar como:
𝑏
 ∫𝑎 𝑓(𝑥)𝑑𝑥 ≅ (𝑏 − 𝑎)𝑓(𝑥1 )

donde 𝑥1 , es el punto medio del intervalo (a, b). Usando la nomenclatura del caso actual,
lo anterior se expresa como:
𝑥𝑖+1
 ∫𝑥 𝑓(𝑥)𝑑𝑥 ≅ ℎ𝑓(𝑥𝑖+1 )
𝑖 2
El método del punto medio es mejor que el método de Euler debido a que utiliza
una estimación de la pendiente en el punto medio del intervalo de predicción. las
diferencias divididas finitas centradas son mejores aproximaciones de las derivadas, que
las versiones hacia adelante o hacia atrás.