ESCUELA SUPERIOR DE INGENIERIA MECANICA Y ELECTRICA DEPARTAMENTO DE INGENIERIA ELECTRICA ACADEMIA DE COMPUTACION DE IE/ICA/ISISA
OCTUBRE 2009
Mtodos Numricos
Definiciones
Clasificacion
Ea,Er
GENERALIDADES
Gauss - Jordan
TEORIA DE ERRORES Biseccion Newton Raphson Secante SISTEMA DE ECUACIONES LINEALES Diferencias Divididas Gauss - Seidel Punto fijo INTERPOLACION Minimos Cuadrados Lagrange INTEGRACION Euler Runge Kutta Simpson ECUACIONES DIFERENCIALES
ECUACIONES NO LINEALES
Trapecio
I.- INTRODUCCIN A LOS MTODOS NUMERICOS (ANLISIS NUMERICO) Introduccin Teora de Errores
II.- SOLUCIN NUMRICA DE ECUACIONES (RAICES) Introduccin Mtodo de Biseccin Mtodo de Newton Raphson Mtodo de la Secante Mtodo de Punto Fijo
III.- ANALISIS DE UN CONJUNTO DE PUNTOS Introduccin Mtodo de Diferencias divididas Mtodo de Lagrange Mtodo de Mnimos Cuadrados
V.- SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES LINEALES Introduccin Mtodo de Gauss (Determinante, Sistemas de Ecuaciones Reales y Complejos) Mtodo de Gauss Jordan (Inversa de una matriz) Mtodo de Gauss Seidel
VI.- SOLUCIN NUMRICA DE ECUACIONES DIFERENCIALES ORDINARIAS Introduccin Mtodo de Euler Mtodo de Runge Kutta Solucin de los Sistemas Diferenciales Ordinarios
Introduccin al los Mtodos Numricos I.- INTRODUCCIN A LOS MTODOS NUMERICOS (ANLISIS NUMRICO) QUE ES ANLISIS NUMRICO? Es la rama de las matemticas que intenta obtener soluciones aproximadas por medio de operaciones elementales. Los mtodos numricos son tcnicas mediante las cuales es posible formular problemas matemticos de tal forma que puedan resolverse usando operaciones aritmticas. CUAL ES SU OBJETIVO? El objetivo principal es el de encontrar soluciones aproximadas a problemas complejos, utilizando solo operaciones simples de la aritmtica, es decir se trata de resolver problemas difciles mediante muchos pasos fciles. Los procedimientos matemticos deben simplificarse a tal grado que sean accesibles para procesarse en un ordenador. Estos mtodos de clculo se denominan algoritmos. QUE ES LGORITMO? Es un procedimiento que describe de manera inequvoca una serie finita de pasos a seguirse en un orden determinado. Su finalidad es implantar un procedimiento para resolver un problema o aproximar una posible solucin. PAQUETES COMPUTACINALES Un algoritmo puede programarse en diferentes tipos de lenguaje: Pascal, Turbo C, Borlan C, ...(Lenguajes de propsito general) FORTRAN, ...(Lenguajes enfocado al calculo cientfico) Paquetes de calculo simblico y numrico: Matlab : www.mathworks.com Mathemtica : www.wolfram.com Derive : www.derive.com Existen bibliotecas de rutinas y plantillas numricas que solucionan, de manera eficaz, cualquier problema numrico (www.netlib.org): IMSL (International Mathematical Software Library): www.vni.com NAG (Numerical Algorithms Group): www.nag.co.uk (uk = united kingdom) Numerical Recipes: www.cup.cam.ac.uk Templates : www.netlib.org/templates
Introduccin
Introduccin al los Mtodos Numricos TEORIA DE ERRORES Al aplicar algn mtodo numrico se realizan muchas operaciones aritmticas elementales lo cual al hacerlas se producen errores, errores que pueden influir en la solucin de algn problema, podemos clasificar a los errores en tres tipos: Errores inherentes Errores de mtodo Errores computacionales
Errores inherentes El error inherente se produce por criterio de incertidumbre, esto es intrnseco a cualquier sistema (natural o artificial) dado que es imposible considerar todas las variables que definen un sistema. Sea la solucin exacta Se de algn mtodo numrico la cual
Se = Sh + Eh
Donde: Sh es la solucin inherente que tiene un (Eh) error inherente
Se
Ejemplo: Sea un circuito RLC
Eh
Sh
Error de mtodo Si un sistema esta representado por un modelo matemtico, el mtodo que se utilice para encontrar la solucin nos dar como resultado una solucin sin error o con error. Si la solucin es analtica se podr llegar a una solucin sin error de mtodo. Si la solucin es numrica su puede tener errores de truncamiento.
Se recurre a la solucin numrica cuando: El mtodo analtico es muy difcil. No hay solucin analtica.
En ingeniera se da la situacin de trabajar funciones no elementales, por lo que casi siempre se recurre a los mtodos numricos.
Sm
Si el mtodo es numrico:
Sm =S1 +S2 +S3 +S4 + "" Sn +Sn-1 +Sn-2 + ""
n
Teora de Errores
i = n +1
Podemos conocer la forma de la solucin Sh, si proponemos una funcin f(x) como solucin del mtodo matemtico, si adems proponemos a f(x) como una funcin elemental (polinomio).
f ( x) = ai x i
i =0
donde decimos que la solucin es valida para un valor cercano alrededor de una constante c.
x x c h
esto es:
f ( x ) = ao + a1 ( x c ) + a2 ( x c ) + a3 ( x c ) + "" + an ( x c ) + ""
2 3 n
Si la solucin es valida en un intervalo alrededor de c, la funcin es derivable. Para conocer completamente la solucin debemos conocer la sucesin: {ai }i = 0
+ ""
n2
+ ""
+ ""
Teora de Errores
Ahora si : x = xi +1 ,
c = xi
n
f ( xi ) f ( xi ) 2 f ( xi ) 3 f ( xi ) 4 f ( ) ( xi ) n f ( xi +1 ) = f ( xi ) + h+ h + h + h +" + h +" + Rn N 1! 2! 3! 4! n !
Error residual
Serie de Taylor
( Error de Metodo)
Si lim Rn ( x) = 0
n n
La solucion es convergente a un valor exacto. La solucion diverge y hay truncamiento hay error de metodo Em
f ( ) ( xi ) n +1 h (n + 1)!
n +1
Si lim Rn ( x) 0
Podemos determinar sin utilizar Taylor el error absoluto y relativo de una solucin, sea grficamente.
f(x) f(x)
Solucion exacta
Ea=|xi - xe|
Ea=|xe - xi|
xe
xi+1
xi
xi
xe
Teora de Errores
E ai = S i +1 S i
Solucion exacta
Er =
S i +1 S i S i +1
S i+1 0
Errores computacionales
Se Sh Sm Sc
Eh
Modelo Matemtico
{
Ea
xi+1
xi
Em
Mtodo de Solucin
Ec
Caractersticas de mquina
Si se implementa el mtodo de solucin en computadora, se sujetara a las caractersticas fsicas de ella, por lo cual podemos tener:
Errores de desborde Errores de redondeo Errores acumulables
Errores de desborde Estos errores se dan si cualquier nmero manejado tericamente cae fuera de los rangos definidos en la computadora. Enteros Ec
Reales Rc Se dan criterios de sobreflujo, si el numero x terico a manejar x > mximo Rc. Se dan criterios de bajoflujo si el numero x terico a manejar x < mnimo Rc. Enteros signados = [ -231 , 231-1 ] Palabras de 32 bits Enteros sin signo = [ 0 , 232-1 ] Reales simples [ -10308 , 10308 ] Reales dobles [ -104972 , 104972 ] Teora de Errores
\
En computacin siempre va a haber un intervalo finito posible por las caractersticas fsicas de la computadora.
\c
m
Al intervalo ms pequeo m manejado por la computadora se le llama psilon de la maquina, esto es el nmero mnimo distinguible. Todo numero que este en el intervalo ( 0 , m ) no se puede manejar en la computadora. Sea es un numero en este intervalo ( 0 , m ) ~ 0 < < m Cuando la computadora tiene que manejar a , realiza un criterio de redondeo hacia abajo o hacia arriba del nmero mas distinguible cercano. Si 1+ m nos da el siguiente numero distinguible despus de 1, para el caso 1+ se tiene el siguiente criterio de redondeo: Si 0 < < Si
m
2
m
2
2 Uno = 1 + m N=N+1
1-N 2 m = -N 2
Teora de Errores
Errores acumulables En las operaciones bsicas se tiene un error de redondeo, en operaciones iterativas el error de redondeo se acumula en la proporcin de la operacin.
Sc1 = S1 + E1 Sc2 = S 2 + E2 Sc3 = S3 + E3 # Scn = S n + En Sc1 + Sc2 + Sc3 + " + Scn = S1 + S 2 + S3 + " + S n + E1 + E2 + E3 + " + En para
S = S + E
i =1 ci i =1 i i =1
Teora de Errores
Solucin Numrica de Ecuaciones No Lineales II.- SOLUCIN NUMRICA DE ECUACIONES NO LINEALES Sea f ( x) una funcin no lineal (trascendental o polinomial) decimos que la funcin tiene una solucin, si: f ( xr ) 0 Donde: xr : es la solucin de la ecuacin. La funcin f ( x ) puede tener soluciones reales o complejas. Si la funcin f ( x ) tiene soluciones reales, al graficarla debe cortar el eje x, como se muestra en a), y si la funcin f ( x ) tiene soluciones complejas, al graficarla no debe cortar el eje x, como se muestra en b).
f ( x)
y
f ( x)
( x, y ) = a + bi
Solucin real Solucin Compleja
xr
a)
x
b)
Podemos recurrir a varios mtodos numricos para encontrar una solucin de la funcin f ( x ) , como son:
Mtodos Mtodo de la Biseccin Mtodo de Newton Raphson Mtodo de la Secante Mtodo de Punto Fijo
Soluciones Reales OK OK OK OK
Soluciones Complejas OK -
Races de Ecuaciones
Solucin Numrica de Ecuaciones No Lineales MTODO DE LA BISECCIN Este mtodo parte de dada una funcin f ( x) a la que se quiere encontrar la solucin, y dado un intervalo de la propia funcin [ xi , x f ] , localizar una de las races en el intervalo dado, reduciendo el intervalo, atrapando la raz o hasta estar lo ms cercana a ella.
y f(x)
L1 = x f xi L1 2 L1 L3 = 2 2 L2 =
x
xi
xb xc xa
L2 L1
xf
1 Ln +1 = L1 2
Er
Procedimiento: La funcin tiene al menos una raz en el intervalo propuesto si: f ( xi ) f ( x f ) < 0 Si esto sucede, procedemos a encontrar la raz obteniendo la mitad del intervalo: xm = Para saber en que mitad quedo la raz, tenemos el siguiente criterio, si:
xi + x f 2
f ( xi ) f ( xm ) < 0 f ( xm ) f ( x f ) < 0
Para k = 1, n
f(x)
xi xa
xi = xm
x xf
xf = x m
Si
xm - xi < Er xm
Mtodo de la Biseccin
Solucin Numrica de Ecuaciones No Lineales Algoritmo 1 .- Datos: Funcin f(x) Intervalo [ xi , xf ] Iteraciones n Margen de error Er
Si no repetir desde 3.
Mtodo de la Biseccin
Solucin Numrica de Ecuaciones No Lineales MTODO DE NEWTON RAPHSON Este mtodo no trabaja sobre un intervalo si no que basa su procedimiento en un proceso iterativo. Sea la funcin f ( x) cuya solucin podemos conocer iterativamente para un valor inicial xi y llegar a xr tal que:
f ( xr ) 0
Para ello podemos trazar una tangente de f ( x) en xi de modo que la tangente corte al eje x donde en tal interseccin se obtiene la tangente xi + 1 aproximada a xr , como se muestra en la grafica
y
f(x)
y
f(x)
f(x0 )
L1
f(x1 )
L2
L3 xr xi+1 xi x xr
1
0
x3 x2 x1
x x0
Iterativamente tg ( 0 ) = f ( x0 ) f ( xi ) f ( x1 ) , tg (1 ) = ,""" , tg ( i ) = x0 x1 x1 x2 xi xi +1
Si f ( xi ) = tg ( i ) f ( xi ) = f ( xi ) , xi xi +1 xi +1 = xi f ( xi ) f ( xi )
despejando
Para
xi +1 xi < Er xi +1
Solucin Numrica de Ecuaciones No Lineales Algoritmo 1.- Datos Funcin f ( x) La derivada de la funcin f ( x) Condicin inicial xi Iteraciones n Margen de error Er
2.- Calcular
xi +1 = xi
3.- Evaluar Si
f ( xi ) f '( xi )
xi +1 xi < Er xi +1 es la raz xi +1
Solucin Numrica de Ecuaciones No Lineales MTODO DE NEWTON-RAPHSON PARA FUNCIONES CON SOLUCIONES COMPLEJAS Sea la funcin f ( z ) la cual tiene como solucin Z r si f ( zr ) = 0 donde Z r es de la forma ( x + yi) = ( x, y ) proponiendo una condicin inicial zi ; Podemos encontrar las aproximaciones mediante la ecuacin siguiente:
zi + 1 = z i f ( zi ) f '( zi )
Si
zi +1 zi < Er zi +1
zi +1 es la solucion
Si "no " zi = zi +1
Algoritmo 1.- Datos Funcin f ( z ) La derivada de la funcin f ( z ) Condicin inicial zi Iteraciones n Margen de error Er
2.- Calcular
zi +1 = zi f ( zi ) f '( zi )
3.- Evaluar Si
zi +1 zi < Er zi +1 es la raz zi +1
Solucin Numrica de Ecuaciones No Lineales NUMEROS COMPLEJOS CONJUNTO DE NUMEROS Veamos en primer lugar todos los tipos de nmeros que conocemos y por qu se han ido ampliando. N: Nmeros Naturales: {0, 1, 2, 3, ...} Z: Nmeros Enteros: {..., -3, -2, -1, 0, 1, 2, 3, ...}= N + negativos Q: Nmeros Racionales:
...,
23 2
, 3,
7 3
, 2, 1,
2 5
1 5 , 0, ,1, 2, , ... 9 3 2
}=Z + fraccionarios
2
, ..., 2 + 3i , 1 2 i , ...
23 7 2 7 1 5 R: Nmeros Reales: ..., ,2 ,3, 10 , ,2,,1, , ,0, ,1, 2 ,2, e, ,... = Q + irracionales 2 3 5 9 3
5 , 1, 3 2 , 2, e, 2
C: Nmeros Complejos:
...,
23 2
, 2 , 10 ,
7 3
, 2, , 1,
7 , 0, 9
} =R + imaginarios
POTENCIAS DE i
i1 = 1 = i
i2 =
i 5 = i 4 .i = 1.i = i
( 1)
= 1
i 3 = i 2 .i = 1.i = i
i 4 = i 2 .i 2 = 1.( 1) = 1
Se repiten cada 4.
Si queremos saber una potencia cualquiera de i, se divide el exponente entre 4, quedando el resto de la n residuo de 4 divisin como nuevo exponente, o sea i n = i Mtodo de Newton para races Complejas
Ejemplo: i
43
=i
4.10 + 3
.= i
( )
4 10
NMEROS COMPLEJOS
z = a +
bi , siendo a y b nmeros reales. Son los que tienen la forma
Forma Binmica
Parte Im aginaria
z=
a N
Parte Re al
P bi
REPRESENTACIN GRFICA DE LOS NMEROS COMPLEJOS Se representan en el plano complejo, el eje horizontal es el EJE REAL y el vertical el EJE IMAGINARIO.
+ 90
Punto afijo del Numero Complejo
180
b z=a+bi
90
180
-90
a
+ 0
-90
- El opuesto de z es z = -a - bi Dado el complejo z = a + bi - El conjugado z es z* = a - bi Ejemplo: Sea el numero complejo z = 5 + 4i representarlo como z, z , z*, en el plano complejo.
+
z = 5 + 4i
+
z = 5 4i
z* = 5 4i
Solucin Numrica de Ecuaciones No Lineales TRANSFORMACIONES DE RECTANGULAR [ z = a + bi ] A POLAR Representndolo en el plano complejo tenemos:
z=a+bi
[ z = r ]
b r
b z=r = a 2 +b 2 tan -1 a
z = r
b r
a = r cos b = r sin
Donde : r = Es el modulo
= Es el argumento
EN FORMA RECTANGULAR La suma, resta y multiplicacin de nmeros complejos, se realizan siguiendo las reglas de las operaciones con nmeros reales y teniendo en cuenta que i 2 = -1 . Para dividir, se multiplica numerador y denominador por el conjugado del denominador.
OPERACIONES Sea z1 = a + bi
z2 = c + di
RESULTADOS
SUMA RESTA
z1 + z 2 z1 - z 2 z1 z 2
MULTIPLICACIN
z1 z2 =
DIVISIN
a + bi c + di
( a + bi )( c di ) ac + bd bc ad = + i c +d c +d ( c + di )( c di )
2 2 2 2
z2 = r2
RESULTADO
MULTIPLICACIN z1 z 2 = ( r1 ) ( r2 ) ( r1 ) z1 = DIVISIN z2 ( r2 )
( r1 r2 ) +
r1 r2
n
POTENCIA
z1 = ( r1 )
n
r1 n
n
Solucin Numrica de Ecuaciones No Lineales MTODO DE LA SECANTE Este mtodo surge de las desventajas del Mtodo de Newton Raphson, las cuales son. 9 La derivada de la funcin 9 Si se tienen funciones con tramos de pendientes como se muestra en la figura.
y f(x) f(xi+1 ) f(xi ) y f(x)
m=0
xr x i+1 xi
xr x i+1 xi x0
f ( xi ) = 0 Por lo tanto para resolver este problema se requieren de mnimo 2 puntos iniciales como se muestra en la figura:
f ( x)
f ( xi )
Sol. exacta
f ( xi 1 )
xr
Por lo tanto tenemos
xi +1
xi 1
xi
xi +1 = xi
f ( xi ) f ( xi ) = xi f ( xi ) - f ( xi -1 ) f ( xi ) xi xi -1
f ( xi ) ( xi xi -1 ) xi +1 xi < Er xi +1 = xi , para xi +1 f ( xi ) - f ( xi -1 )
Mtodo de la Secante
Solucin Numrica de Ecuaciones No Lineales Algoritmo 1.- Datos Funcin f ( x ) Condiciones iniciales n iteraciones Margen de error Er 2.- Calcular xi +1 = xi 3.- Evaluar Si f ( xi ) ( xi xi -1 ) f ( xi ) - f ( xi -1 )
[ xi 1 xi ]
xi +1 xi < Er xi +1
xi +1 es la raz
xi = xi 1 Si no xi 1 = xi +1
4.- Repetir n iteraciones 2 y 3.
Mtodo de la Secante
Solucin Numrica de Ecuaciones No Lineales METODO DE PUNTO FIJO Un punto fijo de una funcin g ( x) es un nmero real tal que: x = g ( x) Este mtodo sirve para resolver funciones no lineales de tal forma que f ( xr ) 0 y
f ( x)
f ( xr ) = 0
xr
Para tal objetivo la ecuacin se transformara de alguna manera a la forma x = g ( x) ; esto se logra despejando x de alguno de los miembros de la ecuacin. Se requiere de un solo valor inicial x0 , y el mtodo iterativo surge de aplicar la regla: x1 = g ( x0 ) x2 = g ( x1 ) x3 = g ( x2 ) # xn 1 = g ( xn 2 ) xn = g ( xn 1 ) Hasta satisfacer la tolerancia del error o bien hasta encontrar el punto fijo. Grficamente este es un mtodo de dos curvas: una formada con y = x y la otra con y = g ( x) ; la raz es la abscisa del punto de interseccin de ambas funciones.
y
g ( x0 )
g ( x1 )
y=x
y = g( x )
g ( x2 ) Punto fijo x2
x1
x0
Solucin Numrica de Ecuaciones No Lineales Algoritmo 1.- Datos Funcin f ( x) Obtener g ( x) Condicin inicial xi n Iteraciones Margen de error Er
2.- Calcular
xi +1 = g ( xi )
3.- Determinar Si
xi +1 xi < Er xi +1 es la raz, xi +1
Anlisis de un Conjunto de Puntos III.- ANLISIS DE UN CONJUNTO DE PUNTOS Sea el conjunto n + 1 puntos
{( x , f ( x ) )}
i i
i =0
y
(x3 ,f(x3 )) (x1 ,f(x1 )) (x2 ,f(x2 ))
Ajuste
(x0 ,f(x0 ))
x0
x1
x2
x3
xn-1
xn
Se requiere analizar el comportamiento de los puntos para ello se trata de buscar una funcin analtica que se coloque o ajuste a los puntos, para esto utilizaremos los siguientes mtodos numricos
Mtodo Mtodo de las Diferencias divididas de Newton Mtodo de Lagrange Mtodo de Mnimos cuadrados.
Colocacin
Ajuste
OK OK OK
OK
Interpolacin y Extrapolacin
Anlisis de un Conjunto de Puntos MTODO DE DIFERENCIAS DIVIDAS DE NEWTON n Para el conjunto de n + 1 puntos {( xi , f ( xi ))}i = 0 se requiere encontrar una funcin que se coloque en tales puntos, para ello la funcin f ( x ) debe cumplir las condiciones siguientes. Que sea definida (continua) en el intervalo de los puntos. Que sea elemental, esto es fcilmente derivable e integrable. Que solo exista una funcin que se coloque en los puntos. La funcin que puede cumplir esto es un polinomio de la forma
f ( x) = ai x i = a0 + a1 x + a2 x 2 +
i =0 n
+ an x n
{ f ( x0 , f ( x0 )), ( x1 , f ( x1 ))}
uno en los puntos por lo tanto f ( x) = b0 + b1 ( x x0 ) , entonces debemos encontrar los coeficientes
{b0 , b1} que colocan el polinomio en dicho conjunto, como se observa en la figura.
y f( x1 ) f( x ) f( x0 ) O x0 x x1 x
Si tomamos una x para interpolar con el polinomio, por tringulos semejantes tenemos
tan = Por lo tanto f ( x) f ( x0 ) f ( x1 ) f ( x0 ) = x x0 x1 x0 f ( x1 ) f ( x0 ) ( x x0 ) ( x1 x0 )
f ( x) = f ( x0 ) +
se observa que
b0 = f ( x0 ) b1 = f ( x1 ) f ( x0 ) er 1 Diferencia Dividida ( x1 x0 )
Mtodo de Diferencias Divididas de Newton
el polinomio de colocacin es
Sustituyendo tenemos: f ( x) = f ( x0 ) + f [ x, x0 ]( x - x0 ) + f [ x2 , x1 , x0 ]( x - x0 )( x - x1 ) CASO GENERAL n Sea el caso general en que se tiene n + 1 puntos {( xi , f ( xi ))}i = 0 se tiene el polinomio de colocacin f ( x) = b0 + b1 ( x - x0 ) + b2 ( x - x0 )( x - x1 ) + .......+bn ( x - x0 )( x - x1 )......( x - xn -1 ) Haciendo una recurrencia de diferencias dividas tenemos que:
bo ; b1 ; b2 ;
f ( x0 ) f [ x1 , x0 ] = f ( x1 ) f ( x0 ) 1 x1 - x0 f ( x 2 , x1 ) f ( x1 , x0 ) 2 x 2 - x0
f [ x 2 , x1 , x0 ] =
b3 ; b4 ;
f [ x3 , x2 , x1 , x0 ] =
f ( x3 , x2 , x1 ) f ( x2 , x1 , x0 ) 3 x3 - x0 f ( x4 , x3 , x2 , x1 ) f ( x3 , x2 , x1 , x0 ) 4 x4 - x0
f [ x4 , x3 , x2 , x1 , x0 ] =
bn ;
f [ xn , xn-1 , , x0 ] =
f ( xn , xn -1 , , x1 ) f ( xn -1 , xn -2 , , x0 ) n xn - x0
Sustituyendo en el polinomio general tenemos: f ( x) = f ( x0 ) + f [ x1 , x0 ]( x - x0 ) + f [ x2 , x1 , x0 ]( x - x0 )( x - x1 ) + f [ x3 , x2 , x1 , x0 ]( x - x0 )( x - x1 )( x - x2 ) + + f [ xn , xn 1 , , x0 ]( x - x0 )( x - x1 ) ( x - xn 1 ) Con esta generamos la tabla de diferencias dividas de Newton de la forma
xi x0
f ( xi ) f ( x0 )
1 f [ x1 , xo ]
2 f [ x2 , x1 , x0 ]
3
f [ x3 , x2 , x1 , x0 ]
.... ....
.... ....
n f [ xn , xn 1 , , x0 ]
x1 x2 x3
f ( x1 ) f ( x2 ) f ( x3 )
f [ x2 , x1 ] f [ x3 , x2 ]
f [ x3 , x2 , x1 ]
xn
f ( xn )
Donde se observa que toma una forma escalonada, segn sea el nmero de diferencias
xi x0
f ( xi ) F00
F10 F20 F30
1 Fij
Fij Fij
2 Fij
Fij
3 Fij
.... ....
.... ....
n Fij
x1 x2
x3
i ++
xn Donde :
Fn 0 Ademas :
o bien
f ( xi ) = Fi 0 Para i = 0,..., n
Fij =
f ( x) = F00 + F0 j ( x xi 1 )
J =1 i =1
Si determinamos los coeficientes {bi }i = 0 en funcin de los puntos, para tal caso: Sea
n
Y en general x = xn
f ( xn ) = bn ( xn - x0 )( xn - x2 ).......( xn - xn 1 ) bn = f ( xn ) ( xn - x0 )( xn - x1 ).......( xn - xn 1 )
f ( x) =
+ + ..... +
Compactadas tenemos:
f ( x) = L0 ( x0 ) f ( x0 ) + L1 ( x1 ) f ( x1 ) + ......Ln ( xn ) f ( xn ) = Li ( xi ) f ( xi )
i =0 n
Mtodo de Lagrange
( x x1 )( x x2 ) .....( x xn )
( x0 - x1 )( x0 - x2 )......( x0 - xn )
(x x )
j
(x
j =0 n
j =0 n
; j0
xj )
L1
(x x j ) x x0 )( x x2 ) .....( x xn ) ( j =0 = = ( x1 - x0 )( x1 - x2 )......( x1 - xn )
n 1 j j =0
(x x ) (x x )
j n j =0 n
; j 1
L2 = #
( x x0 )( x x1 ) ......( x xn )
( x2 - x0 )( x2 - x1 ).......( x2 - xn )
(x
j =0 n
; j2
xj )
Ln
(x x j ) x x0 )( x x1 ) .......( x xn 1 ) ( j =0 = = ( xn - x0 )( xn - x1 ).......( xn - xn 1 )
(x
j =0
; jn
xj )
(x x )
j
(x x )
i j j =0
n i =o
j =0 n
; j i para; i = 0,...., n
y como f ( x) = Li ( xi ) f ( xi )
f (x ) n i ( x x j ) , para f ( x) = n j =0 i =0 ( xi x j ) j =0
n
i j i = 0,......., n
Mtodo de Lagrange
1.-Datos n {( xi , f ( xi ))}i = 0
Puntos a evaluar
2.- Evaluar
n f ( xi ) ( x x j ) , f ( x) = n j =0 i =0 ( xi x j ) j =0
n
i j i = 0,......., n
3.- Se obtiene el polinomio de Lagrange, al realizar el algebra necesaria. 4.- Evaluar los puntos.
Mtodo de Lagrange
Anlisis de un Conjunto de Puntos MTODO DE MNIMOS CUADRADOS m Sea el conjunto de m puntos dados {( xi , yi )}i =1 , se desea proponer un polinomio de grado n de
y
(xn-1,yn-1) R4 (x3,y3) R2 (x2,y2) (x1,y1) R1 R3 (x4,y4) Rn-1 Rn (x1,y1)
Para lograr que el polinomio f ( x) sea lo mas ajustado posible a los puntos, se toma la distancia Ri de cada punto, en forma estadstica para que sea lo mas prxima a la funcin., o sea que:
R
i =1
+ an x n - yi )
S a j
+ an xi - yi
n 2 n
) =0
2
= 2 a0 + a1 xi + a2 xi +
i =1
+ an xi - yi
2
a ) a
0 0
=0
m
= a0 1 + a1 xi + a2 xi +
i =1 i =1 i =1
+ an xi = yi
n i =1 i =1
a0 m + a1 xi + a2 xi +
2
+ an xi = yi 1
n
m 2 2 xi a0 + a1 xi + a2 xi + a1 i =1
+ an xi - yi
n
a ) a
1 1
=0
a0 xi +a1 xi +a2 xi +
2 3
+ an xi
n +1
= yi xi 2
m 2 2 2 xi a0 + a1 xi + a2 xi + a2 i =1
+ an xi - yi
n
a ) a
2 2
=0
2
a0 xi +a1 xi +a2 xi +
2 3 4
+ an xi
n+2
= yi xi 3
m n 2 2 xi a0 + a1 xi + a2 xi + an i =1
+ an xi - yi
n
a ) a
2n
n n
=0
n
a0 xi +a1 xi
n
n +1
+a2 xi
n+2
+ an xi
= yi xi n
a0 xi + a1 xi + a2 xi +
+ an xi
n +1
+ an xi
= yi xi 2 = yi xi 3
2
n+2
a0 xi + a1 xi
n
n +1
+ a2 xi
n+2
+ an xi
2n
= yi xi n
n
Matricialmente tenemos
S0 S 1 S2 sn S1 S2 S3 S n +1 S2 S3 S4 Sn+ 2 S n a0 t0 S n +1 a1 t1 S n + 2 a2 = t2 [ S ][ a ] = [t ] S2 n an tn
Anlisis de un Conjunto de Puntos Donde el polinomio que se ajusta a cada uno de los puntos se determina mediante:
f ( x) = ao + a1 xi + a2 xi + a3 xi +
2 3
+ an xi
1 x3 x3 x3
2
1 xm 2 xm n xm ( n + 1)( m)
Donde S = V *V t
1 1 x1 xm 1 x2 2 xm 1 x3 n xm 1 xm (n + 1)(m) m n x1 m n x2 x i n x3 = i =1 2 xi n xm n xi (m)(n + 1)
1 x 1 x12 n x1
1 x2 x2 x2
2
1 x3 x3 x3
2
x1
2 2 2
x
i =1
x2 x3
i 3
x x x
i
i 4
x x
i
xm
n +1
n+2
n +1 xi n+2 x i 2n xi
( n + 1)(n + 1)
t j = yi xi
i =1
i = 1, , m para j = 0, , n
0 0 to = y1 x1 + y2 x2 + t1 = y1 x11 + y2 x21 + 2 2 t2 = y1 x1 + y2 x2 + t = y x n + y x n + 1 1 2 2 n
+ ym xm = yi
0 i =1
+ y x = yi xi
1 m m 2
+ ym xm = yi xi + ym xm = yi xi
n
{( x , y )}
i i
i =1
2. Determinar
m i = 1, , m j t = j yi xi para j = 0, , n i =0 n 3. Formar el sistema de ecuaciones, y obtener el vector solucin {ai }i =0
S( n +1)( n +1) = VV T ,
[S ](
n +1)( n +1)
[a]
( n+1)(1)
= [t ]
( n+1)(1)
+ an x n
Integracin Numrica IV.- INTEGRACIN NUMERICA Sea la integral de la forma muestra en la figura.
y f( X ) f( Xn )
xn
xo
f( X0 )
A
x X0 Xn
Si la funcin no es elemental la integral no tiene solucin analtica o es muy difcil de resolver por algn mtodo analtico. Por lo tanto podemos recurrir a un mtodo numrico como lo son: Mtodo del Trapecio Mtodo de Simpson
f( X0 )
A
x Xn
X0
xn
xo
f( X ) f( Xn )
Error
Trapecio
f( X0 )
A
x Xn
X0
xn
xo
f ( x)dx A =
f ( x0 ) + f ( xn ) ( xn x0 ) 2
An A5
f( X0 )
A1
h X0
A4 A2 A3
h h X2 X3 h
h X4 X5
h Xn-1 Xn
X1
xn
xo
f ( x)dx = Ai + Ei
i =1 i =1
f ( x0 ) + f ( x1 ) ( h) 2 f ( x1 ) + f ( x2 ) ( h) A1 = 2 f ( x2 ) + f ( x3 ) ( h) A3 = 2 # A1 = An = f ( xn 1 ) + f ( xn ) ( h) 2 h ( f ( x0 ) + 2 f ( x1 ) + 2 f ( x2 ) + " + 2 f ( xn1 ) + f ( xn ) ) 2
AT =
xn f ( x0 ) + f ( xn ) n 1 AT = f ( x)dx = A = h + f ( xi ) xo 2 i =1
Donde : nh = xn - x0 h = xi f ( xi ) x1 = x0 + h f ( x1 )
xn - x0 si n >> , h << , E 0 n
Integracin Numrica
Algoritmo
1.- Datos
f ( x) [ x0 , xn ] n _ Trapecios
2.- Calcular
f ( xo ) f ( xn ) h= xn x0 n xi = x0 + ih f ( xi ) para i = 1,....., n -1
f (x )
i =1 i
n 1
3.- Evaluar
f ( x0 ) + f ( xn ) n 1 A = h + f ( xi ) 2 i =1
xn
xo
concavidades muy pronunciadas o f(x) es muy oscilante; entonces aproximamos a un polinomio cuadrtico de la forma:
f ( x ) = f ( xo ) + f [ x1 , x0 ]( x xo ) + f [ x2 , x1 , x0 ]( x xo )( x x1 )
A= [ f ( x) = f ( xo ) + f [ x1 , x0 ]( x xo ) + f [ x2 , x1 , x0 ]( x xo )( x x1 )]dx
xo
xn
f(x)
En
f(x2n)
E2 E1
f(x1)
f(x2) f(x3)
f(x4)
f(x2n-2)
f(x2n-1)
f(x0)
A1
x0 x1 x2
A2
x2n-2 x3 x4
An X
x2n-1
x2n
xn
xo
f ( x ) dx = Ai + Ei
i =1 i =1
h ( f ( xo ) + 4 f ( x1 ) + f ( x2 ) ) 3 h A2 = ( f ( x2 ) + 4 f ( x3 ) + f ( x4 ) ) 3 # # A1 = An = h ( f ( x2 n 2 ) + 4 f ( x2 n1 ) + f ( x2 n ) ) 3
Mtodo de Simpson
Integracin Numrica
2 n 1 2n2 h A= f ( xo ) + f ( x2 n ) + 4 f ( xi ) + 2 f ( xi ) 3 i =1 i=2
impares pares
Donde : 2nh = x2 n - x0 h = xi f ( xi ) x1 = x0 + h f ( x1 ) x2 = x0 + 2h f ( x2 )
x2 n - x0 2n
# x2 n 1 = x0 + (n 1)h f ( x2 n 1 ) xi = x0 + ih f ( xi )
Algoritmo 1 .- Datos
para; i = 1,...., 2n -1
f ( x) [ x0 , x2 n ] n _ Divisiones
2 .- Calcular
f ( xo ) f ( x2 n ) h= x2 n x0 2n
xi = x0 + ih f ( xi ), para i = 1,....., 2n -1
2 n 1 i =1
f (x ) ; f (x )
i i=2 i
2n2
3 .- Evaluar
2 n 1 2n2 h A= f ( xo ) + f ( x2 n ) + 4 f ( xi ) + 2 f ( xi ) 3 i =1 i=2
impares pares
Mtodo de Simpson
Solucin Numrica de Sistemas de Ecuaciones Lineales V.- SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES LINEALES
OPERACIONES BSICAS CON MATRICES
Sea el sistema de ecuaciones lineales: a11 x1 + a12 x2 + " + a1n xn = b1n a21 x1 + a22 x2 + " + a2 n xn = b2 n # am1 x1 + am 2 x2 + " + amn xn = bmn El cual decimos que es compatible y determinado por lo que tiene solucin nica factorizando podemos llevar a sistema a su forma matricial.
a11 a 21 # am1
a12 a22 # am 2
En forma compacta tenemos: [ A][ x] = [b] Podemos resolver el sistema de ecuaciones si encontramos el vector solucin { xi }i =1 , para ello se tienen los siguientes mtodos numricos.
m
Mtodos por eliminacin: Gauss Gauss-Jordan (Inversa de la Matriz) LU - Choleski Mtodos iterativos: Jacobi Gauss-Seidel
Matrices
z = f2( x1 , x2 ) z = f1 ( x 1 , x 2 ) x2
x1
f1 ( x1 , x2 ) = 0
f 2 ( x 1 , x2 ) = 0
Este sistema de n ecuaciones no lineales con n incgnitas puede representarse tambin mediante la definicin de una funcin F, mapeando n en n por medio de:
F ( x1 , x2 ,........, xn ) = ( f1 ( x1 , x2 ,........, xn ), f 2 ( x1 , x2 ,........, xn ), f3 ( x1 , x2 ,........, xn ),........, f n ( x1 , x2 ,........, xn ), )t
Si se emplea una notacin vectorial para representar las variables x1 , x2 ,........, xn , el sistema de ecuaciones no lineales toma la forma F ( x ) = 0 .- Las funciones ( f1 , f 2 ,........, f n ) , son entonces las funciones coordenadas de F. Para resolver un sistema de ecuaciones no lineales aplicaremos un mtodo numrico en particular, el cual es:
Mtodo de newton
Matrices
Solucin Numrica de Sistemas de Ecuaciones Lineales METODO DE ELIMINACIN DE GAUSS Sea la matriz aumentada ( A , b )
a11 a12 " a1n b1n a a " a b 2n 2n 21 22 # # % # # am1 am2 " amn bmn m n
A la cual si le aplicamos el mtodo de Gauss se tiene ( A , b) Gauss ( A+ , b ' ) Donde : A+ es la matriz triangular superior. Sea: a11 a12 " a1n b1n 1 a12 a21 a22 " a2 n b2 n Gauss 0 1 # # # % # # # am1 am 2 " amn bmn 0 0 Donde llevando a la forma A+ x = b
xn = bmn
x1 x 2 . # xn
" a1n " a2 n , a la cual al aplicar el Mtodo de Gauss se obtiene la matriz % # " amn
Mtodo de Gauss
" a1n " a2 n . El determinante de una matriz se obtiene, aplicando % # " amn
operaciones sobre determinantes, por lo tanto se puede factorizar a11 ya que los elementos bajo el son cero, y de igual forma para a22 """ amm a11 0 Det # 0 a12 " a1n a22 " a2 n = a11 # % # 0 " amn a22 0 # 0 a23 " a2 n a33 " a3n = a11a22 # % # 0 " amn a33 0 # 0 a34 " a3n a44 " a4 n # % # 0 " amn
Por lo tanto tenemos como resultado que el determinante de una matriz aplicando el Mtodo de Gauss es:
Det [ Amn ] = a11a22 a33 a44 """" amn Det [ Amn ] = aii
i =1 m
Sea el sistema de ecuaciones lineales complejo: z11 x1 + z12 x2 + " + z1n xn = b1n z21 x1 + z22 x2 + " + z2 n xn = b2 n # zm1 x1 + zm 2 x2 + " + zmn xn = bmn A la cual si le aplicamos el mtodo de Gauss se tiene ( Z , b) Gauss ( Z + , b ') Donde : Z + es la matriz triangular superior. Sea: z11 z12 " z1n b1n 1 z12 z21 a22 " z2 n b2 n Gauss 0 1 # # # # % # # zm1 zm 2 " zmn bmn 0 0
Mtodo de Gauss
Solucin Numrica de Sistemas de Ecuaciones Lineales Donde llevando a la forma Z + x = b y efectuando el producto, el sistema toma la forma:
xn = bmn
x1 x 2 . # xn
Donde:
Z = Es matriz compleja de orden m n ( Matriz propia de los elementos del sistema ) x = Es un vector columna complejo ( Vector solucion) b = Es un vector columna complejo (Vector de excitacion)
Mtodo de Gauss
Solucin Numrica de Sistemas de Ecuaciones Lineales MTODO DE GAUSS JORDAN Sea el sistema de ecuaciones lineales: a11 x1 + a12 x2 + " + a1n xn = b1n a21 x1 + a22 x2 + " + a2 n xn = b2 n # am1 x1 + am 2 x2 + " + amn xn = bmn podemos llevar a sistema a su forma matricial.
a11 a 21 # am1
a12 a22 # am 2
En forma compacta tenemos que: [ A][ x ] = [b] A la cual si le aplicamos el Mtodo de Gauss-Jordan se tiene
( A , b) Gauss Jordan ( I , b ')
Donde: I es la matriz identidad de orden mn. Por la tanto: a11 a12 " a1n b1n 1 a21 a22 " a2 n b2 n Gauss 0 # # # % # # Jordan am1 am 2 " amn bmn 0 Donde llevando a la forma I directamente.
x1 = b1n x2 = b2 n x3 = b3n #
xn -1 = b( m -1)( n )
0 1 # 0
0 b1n 0 b2 n # # 1 bmn
x=b
xi = bkn
xn = bmn
INVERSA DE UNA MATRIZ POR GAUSS JORDAN Sea Ax = b un sistema de ecuaciones lineales en forma matricial y sea A1 la inversa de A tal que AA1 = I , donde I es la matriz identidad. Podemos encontrar a A1 , si en Ax = b tomamos a b = I de la forma Ax = I , multiplicando por A1 tenemos A1 Ax = IA1 Ix = IA1 x = A1 . Por lo que aplicando Gauss-Jordan a la matriz aumentada
Matriz Inversa P Gauss A1 I , N Jordan mn
( A , I ) m2n
( A , b)
Gauss Jordan
( I , b ')
( A , I ) m2n
( A , b, I )
I , N x , A 1 b
A-1 * b = x A* x = b A * A1 = I
Solucin Numrica de Sistemas de Ecuaciones Lineales MTODO ITERATIVO Sea el sistema de ecuaciones lineales: a11 x1 + a12 x2 + a21 x1 + a22 x2 + am1 x1 + am 2 x2 + + a1n xn = b1n + a2 n xn = b2 n + amn xn = bmn
El mtodo iterativo esta basado en aproximaciones sucesivas, donde xi +1 = g ( xi ) , en el caso general de un sistema de ecuaciones lineales, se toma un vector inicial propuesto, { xi }i =1 el cual puede ser la
n
Con esta solucin inicial, tomamos del sistema las xi siguientes a aproximar: b a x a1n xn x1 = 1n 12 2 a11
x2 = b2 n a21 x1 a22 a2 n xn
xn =
a( m 1)n xm
Compactando tenemos:
xi =
bin aik xk
k =1
aii
i k , para aii 0
i = 1,.., n k = 1,.., n
A tal mtodo se le conoce como MTODO DE JACOBI. Una variable del mtodo es el de GAUSS SEIDEL en el que en lugar de ir sustituyendo en cada iteracin el vector anteriormente calculado, se va sustituyendo en la aproximacin, cada solucin parcial obtenida, esto es:
Esto es, se debe cumplir e margen de error para cada una de las soluciones aproximadas.
i Er Margen de Error
2.- Evaluar
xi =
bin aik xk
k =1
aii
i k , para aii 0
i = 1,.., n k = 1,.., n
Si
xi +1 xi < Er xi +1
{ xi }i =1 es el vector soluci o n
n
Solucin Numrica de Sistemas de Ecuaciones Lineales VI.-SOLUCIN NUMRICA DE ECUACIONES DIFERENCIALES. Sea la ecuacin diferencial ordinaria (EDO).
dy = y (1) , dx
y ' = f ( x, y)
Presenta una familia de soluciones
dy = f ( x, y) dx dy = f ( x, y)dx y = f ( x, y)dx + c
Para el caso en que y ' = F ( x, y) resulta de una aplicacin especifica, se requiere la solucin particular a unas condiciones iniciales dadas.
y ( x0 ) = y0
y = x F ( x, y ) dx
xn
0
Ecuaciones Diferenciales
Solucin Numrica de Sistemas de Ecuaciones Lineales Donde grficamente podemos tener la funcin y.
Y
F(x,y)
Y0
x0
Si F ( x, y ) es una funcin no elemental y es difcil de resolver la integral analticamente recurrimos a un mtodo numrico, como pueden ser. Mtodo de Euler Mtodo de Runge Kutta
Ecuaciones Diferenciales
Solucin Numrica de Sistemas de Ecuaciones Lineales MTODO DE EULER Sea la grafica de la ecuacin diferencial, para determinar una solucin aproximada dada una condicin inicial x0, trazamos una recta tangente a un paso h, y tenemos lo siguiente
Y yn F(x,y)
Solucion aproximada
y0
* * *
Solucion exacta
y0
x0
xn
tan =
k xn x0
y ' = tan , F ( x, y ) =
h = xn x0 , y ' = F ( x, y ) , k = yn y0
yi +1 = yi + hF ( xi , yi ) para i = 0,......, n 1
Mtodo de Euler
Solucin Numrica de Sistemas de Ecuaciones Lineales MTODO DE RUNGE-KUTTA (4O ORDEN) Se requiere en este mtodo, al igual que Euler tener distancias regulares de separacin h, de modo que se tengan: nh = xn x0 x x Por lo que: h = n 0 n Y Y
*Y *
K1 h
h x0 x1
h x2
h xn
X0
1er Orden: k1 = h F ( x0 , y0 )
2o Orden h k k2 = hF x0 + , y0 + 1 2 2 y12 = y0 + k2
4o Orden
k 4 = hF ( x0 + h, y0 + k2 )
y14 = y0 + k4
con
Por lo que nh para
x0 = x0 + h;
y0 = y
i = 1, n
(i ) 1
= hF ( x0 , y0 )
1 .- Datos Ecuacin diferencial ordinaria F(x,y) Condicin inicial y0 Intervalo [x0 , xn] Numero de iteraciones
Donde finalmente yi +1 = yi + K (i )
n 1)
)
n 1)
Para donde;
y ( 0 ) = y0 ; y1 ( 0 ) = y1 ,..., y (
( 0 ) = yn1
dv v 6y = 0 dx por lo que se generan 2 ecuaciones diferenciales: dy = v = F ( x, y , v ) dx dv = v + 6 y = G ( x, y , v ) dx En general las n veces que se reduzca el orden se tendr n + 1 ecuaciones diferenciales a resolver. Por Runge-Kutta de 4oorden l1 = hG ( x0 , y0 , v 0 ) k1 = hF ( x0 , y0 , v 0 )
1 1 1 l2 = hG x0 + h, y0 + k1 , v 0 + l1 2 2 2 1 1 1 l3 = hG x0 + h, y0 + k2 , v 0 + l2 2 2 2 l4 = hG ( x0 + h, y0 + k3 , v0 + l3 )
Por lo tanto y = y0 + k
v = v0 + l
1.- Datos Ecuacin diferencial de orden superior Condiciones iniciales y(0) , y(0), . . . . y(n)(0) Numero de iteraciones n Intervalo [x0 , xn] 2.- Calcular el paso de integracin h= xn - x0 n
1 1 1 k2 = hF x0 + h, y0 + k1 , v 0 + l1 2 2 2 1 1 1 k3 = hF x0 + h, y0 + k2 , v 0 + l2 2 2 2 k4 = hF ( x0 + h, y0 + k5 , v0 + l3 )
Mtodos Numricos
BIBLIOGRAFA
MTODOS NUMERICOS PARA INGENIEROS STEVEN C. CHAPRA RAYMOND P. CANALE MC GRAW HILL ANALISIS NUMERICO Y VISUALIZACION GRAFICA CON MATLAB SHOICHIRO NAKAMURA PRENTICE HALL
MTODOS NUMERICOS RODOLFOLUTHE GARCIA ANTONIO OLIVERA SALAZAR FERNANDO J. SCHUTZ ESTRADA LIMUSA METODOS NUMERICOS APLICADOS A LA INGENIERIA NIEVES DOMINGUEZ CECSA ANALISIS NUMERICO BURDEN FAIRES GRUPO EDITORIAL IBEROAMERICANO FUNDAMENTOS DE PROGRAMACION C/C++ ERNSTO PEALOZA ROMERO ALFAOMEGA PROGRAMACION ORIENTADA A OBJETO CON C++ FRANCISCO JAVIER CEVALLOS ALFAOMEGA COMO PROGRAMAR EN C/C++ H.M DEITEL / P.J DEITEL PRENTICE HALL C/C++, CURSO DE PROGRAMACION FRANCISCO JAVIER CEVALLOS ALFAOMEGA RESOLUCION DE PROBLEMAS CON C++ WALTE SAVITCH PRENTICE HALL PROGRAMACION EN C++ LUIS JOYANES AGUILAR MC GRAW HILL Academia de Computacin de IE/ICA/ISISA