Anda di halaman 1dari 59

INSTITUTO POLITECNICO NACIONAL

ESCUELA SUPERIOR DE INGENIERIA MECANICA Y ELECTRICA DEPARTAMENTO DE INGENIERIA ELECTRICA ACADEMIA DE COMPUTACION DE IE/ICA/ISISA

APUNTES DE MTODOS NUMRICOS

ING. ARMANDO FLORES JAIME

OCTUBRE 2009

Mtodos Numricos

ESQUEMA GENERAL PARA ANALISIS NUMERICO

* ALGEBRA LINEAL * CALCULO * ECUACIONES DIF.

Definiciones

Clasificacion

Ea,Er

Serie de Taylor ANALISIS NUMERICO Gauss

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

Academia de Computacin de IE/ICA/ISISA

Mtodos Numricos PROGRAMA SINTETICO DE ANALISIS NUMERICO

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

IV.- INTEGRACIN NUMRICA Introduccin Mtodo del Trapecio Mtodo de Simpson

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

Academia de Computacin de IE/ICA/ISISA

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.

Sea Sm la solucin de mtodo y sea Em el error de mtodo, Donde: Sh = Sm + Em


Sh Em
|N
Truncamiento

Sm

Si el mtodo es numrico:
Sm =S1 +S2 +S3 +S4 + "" Sn +Sn-1 +Sn-2 + ""
n

donde numricamente debemos limitar la serie infinita truncando los trminos S m = Si y


i =1

Teora de Errores

Introduccin al los Mtodos Numricos


Sn =

i = n +1

, a dicho truncamiento se le conoce como Error de Mtodo (Em).

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

por lo tanto la funcin toma la forma


f ( x) = ai ( x c )
i =0 i

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

Por lo tanto sea: 2 3 n f ( x) = ao + a1 ( x c ) + a2 ( x c ) + a3 ( x c ) + "" + an ( x c ) + ""

Derivando : f ( x) = a1 + 2a2 ( x c ) + 3a3 ( x c ) + "" + nan ( x c )


2 2 n 1

+ ""
n2

f ( x) = 2a2 + ( 2 )( 3) a3 ( x c ) + ( 3)( 4 ) a4 ( x c ) + "" + ( n )( n 1) an ( x c ) f ( x) = ( 2 )( 3) a3 + ( 2 )( 3)( 4 ) a4 ( x c ) + "" + ( n )( n 1)( n 2 ) an ( x c ) # f ( ) ( x) = n !an


n n 3

+ ""

+ ""

Para x = c f (c) = ao f (c) = a1

ao = f (c) a1 = f (c) f (c) 2! f (c) a3 = 3! f (c) a4 = 4! a2 = an = f ( ) (c ) n!


n

f (c) = 2!a2 f (c) = 3!a3 f (c) = 4!a4 # f ( ) (c) = n !an


n

Teora de Errores

Introduccin al los Mtodos Numricos f ( x ) = f (c ) +


n

f (c) f (c) f (c) f (c) 2 3 4 ( x c) + ( x c) + ( x c) + ( x c) +" 1! 2! 3! 4!

f ( ) (c ) n "+ ( x c ) + "" n! si hacemos h = x - c tenemos:


n f (c ) f (c ) 2 f (c ) 3 f (c ) 4 f ( ) (c ) n f ( x ) = f (c ) + h+ h + h + h + "" + h + "" + Rn 1! 2! 3! 4! n!

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

Para un error residual Rn =

Error Absoluto (Ea) y Relativo (Er)

Podemos determinar sin utilizar Taylor el error absoluto y relativo de una solucin, sea grficamente.
f(x) f(x)

Solucion exacta

Solucion inicial aproximada

Ea=|xi - xe|

Ea=|xe - xi|

El error absoluto Ea es:


Ea = xe xi Ea = S e S i Se : Solucin Exacta Si : Solucin Aproximada

xe

xi+1

xi

xi

xe

Teora de Errores

Introduccin al los Mtodos Numricos Se llama error relativo ala relacin:


Er = S e Si Se Se 0

Error Absoluto y Relativo iterativo.


f(x)

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

Introduccin al los Mtodos Numricos


Errores de redondeo Sea el criterio que en los reales matemticos \ existe un numero infinito de intervalos entre un intervalo definido.

\
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

Redondeo hacia abajo: 1 + = 1

m
2

< m Redondeo hacia arriba: 1 + = 1 + m

Podemos determinar el valor de la epsilon de la maquina, utilizando el criterio de redondeo.


m = 1, N = 0,
Mientras Uno 1 m =

2 Uno = 1 + m N=N+1

1-N 2 m = -N 2

Redondeo hacia abajo Redondeo hacia arriba

Teora de Errores

Introduccin al los Mtodos Numricos


La codificacin es la siguiente #include<stdio.h> #include<iostream.h> #include<conio.h> void main(void) { clrscr(); float Eps=1.0, Uno; int N=0; do { Eps=Eps/2; N++; Uno=1+Eps; } while(Uno!=1.0); cout<<"El psilon de la maquina es eps ="<< Eps <<" en "<< N <<" iterac."; getch();

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

Solucin real exacta

xi

xb xc xa
L2 L1

xf

1 Ln +1 = L1 2

hasta que : Ln +1 < Er

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

la raiz esta por la izquierda la raiz esta por la derecha

Para k = 1, n
f(x)

Si f ( xi ) f ( xm ) < 0 en [ xi , xm ] esta, x f = xm > 0 en [ xm , x f ] esta, xi = xm = 0 xi o xm es la raiz

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

2 .- Si f ( xi ) f ( x f ) < 0 en [ xi , x f ] si esta la raiz Si " no " proponer otro int ervalo


3 .- Calular xm = xi + x f 2

4 .- Si f ( xi ) f ( xm ) = 0  xm es la raiz xi o Si < 0 la raiz esta en [ xi , xm ] x f = xm Si no xi = xm


5 .- Evaluar Si xm - xi < Er xm xm es raiz

Si no repetir desde 3.

6.- Iterar n veces de 3 a 5.

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

Mtodo de Newton para races Reales

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

Si no xi = xi +1 4.- Repetir n iteraciones de 2 y 3.

Mtodo de Newton para races Reales

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 )

y evaluando el error de la forma:

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

Si no zi = zi +1 4.- Repetir n iteraciones de 2 y 3.

Mtodo de Newton para races Complejas

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

UNIDAD IMAGINARIA La unidad imaginaria se obtiene al resolver la ecuacin x 2 + 1 = 0 x = 1 de aqu que i = 1

POTENCIAS DE i

i1 = 1 = i
i2 =

i 5 = i 4 .i = 1.i = i

( 1)

= 1

i 6 = i 4 .i 2 = 1.i 2 = i 2 = 1 i 7 = i 4 .i 3 = 1.i 3 = i 3 = i i 8 = i 4 .i 4 = 1.i 4 = i 4 = 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

( )

Solucin Numrica de Ecuaciones No Lineales

4 10

.i = i = i Al dividir 43 entre 4 nos da 10 de cociente y 3 de resto.


3 3

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

si a = 0, el nmero bi se llama imaginario puro si b = 0, el nmero a es real puro

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

Mtodo de Newton para races Complejas

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 ]

De acuerdo a la representacion y aplicando trigonometria tenemos : r = z = a 2 + b2 & b tan = a b = tan -1 a

b r

b z=r = a 2 +b 2 tan -1 a

FORMA POLAR [ z = r ] A RECTANGULAR [ z = a + bi ] Representndolo en el plano complejo tenemos:

z = r
b r

De acuerdo a la representacion y aplicando trigonometria tenemos : a r b sin = r cos =

a = r cos b = r sin

Donde : r = Es el modulo

= Es el argumento

z = a + bi = r cos + r sin i z = r (cos a + i sin a)

Mtodo de Newton para races Complejas

Solucin Numrica de Ecuaciones No Lineales


OPERACIONES CON NMEROS COMPLEJOS

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

(a + c) + (b + d )i (a - c) + (b - d )i (ac - bd ) + (ad + bc)i

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

EN FORMA POLAR No se usa esta forma para sumar ni para restar.


OPERACIONES Sea z1 = r1

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

Mtodo de Newton para races Complejas

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

Solucin: xi +1 = xi = xi f ( xi ) f ( xi ) donde xi es el valor inicial.

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

f ( xi ) f ( xi 1 ) f ( xi ) f ( xi 1 ) y como tg = f ( xi ) , por lo tanto f ( xi ) = xi xi 1 xi xi 1 Sustituyendo en la ecuacin de Newton Raphson tenemos: tg =

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

Mtodo Punto Fijo

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

Si no xi = xi +1 4.- Iterar n veces de 2 y 3.

Mtodo Punto Fijo

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

donde grficamente se observa:

y
(x3 ,f(x3 )) (x1 ,f(x1 )) (x2 ,f(x2 ))

Colocaci n (xn-1 ,f(xn-1 )) (xn,f(xn))

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

o f ( x) = b0 + b1 ( x - x0 )( x - x2 ).......( x - xn -1 )( x - xn ) + + b2 ( x - x0 )( x - x1 ).......( x - xn-1 )( x - xn ) + + bn ( x - x0 )( x - x1 ).......( x - xn-2 )( x - xn-1 )

INTERPOLACIN LINEAL Sea el conjunto de dos puntos

{ f ( x0 , f ( x0 )), ( x1 , f ( x1 ))}

se requiere colocar un polinomio de grado

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

Anlisis de un Conjunto de Puntos


INTERPOLACIN CUADRATICA Sean los tres puntos { f ( x0 , f ( x0 )), ( x1 , f ( x1 )), ( x2 , f ( x2 ))}

el polinomio de colocacin es

f ( x) = b0 + b1 ( x x0 ) + b2 ( x x0 )( x x1 ) por lo tanto hay que conocer {b0 , b1 , b2 } , entonces : Si x = x0 f ( x0 ) = b0


Si x = x1 f ( x1 ) = f ( x0 ) + b1 ( x1 x0 ) b1 = f ( x1 ) f ( x0 ) ( x1 x0 )

f ( x1 ) f ( x0 ) Si x = x2 f ( x2 ) = f ( x0 ) + ( x2 x0 ) + b2 ( x2 x0 )( x2 x1 ) ( x1 x0 ) f ( x2 ) f ( x1 ) f ( x1 ) f ( x0 ) (x x ) (x x ) 2 1 1 0 2 Diferencia Dividida b2 = ( x2 x0 ) f ( x2 ) f ( x1 ) f [ x2 , x1 ] = x2 x1 Sea f [ x , x ] = f ( x1 ) f ( x0 ) 1 0 x1 x0 Por lo que b2 = f [ x2 , x1 ] f [ x1 , x0 ] = f [ x2 , x1 , x0 ] , ( x2 x0 )

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 ] =

Mtodo de Diferencias Divididas de Newton

Anlisis de un Conjunto de Puntos

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

Mtodo de Diferencias Divididas de Newton

Anlisis de un Conjunto de Puntos


Algoritmo

1.- Datos n {( xi , f ( xi ))}i = 0 Puntos a evaluar


j ++

2.-Generar la tabla de diferencia dividida por recurrencias

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 :

f ( x0 ) = F00 f ( x1 ) = F10 f ( x2 ) = F20 f ( xn ) = Fn 0

o bien

f ( xi ) = Fi 0 Para i = 0,..., n

Fij =

F(i +1)( j 1) F(i )( j 1) x( i + j ) xi

Para : j = 1,....., n i = 0,....., n - j

3.- Encontrar el polinomio al desarrollar

f ( x) = F00 + F0 j ( x xi 1 )
J =1 i =1

4.-Evaluar los puntos, e interpretar.

Mtodo de Diferencias Divididas de Newton

Anlisis de un Conjunto de Puntos MTODO DE LAGRANGE Sea el polinomio de la forma


f ( x) = b0 ( x x1 )( x x2 ) ..........( x xn ) + b1 ( x x0 )( x x2 ) ...........( x xn ) + b2 ( x x0 )( x x1 ) ...........( x xn ) + .......... + bn ( x x0 )( x x1 ) .........( x xn 1 )

Decimos que el polinomio se coloca en el conjunto de n + 1 puntos {( xi , f ( xi ))}i = 0


n

Si determinamos los coeficientes {bi }i = 0 en funcin de los puntos, para tal caso: Sea
n

x = x0 f ( x0 ) = b0 ( x0 - x1 )( x0 - x2 ).......( x0 - xn ) x = x1 f ( x1 ) = b1 ( x1 - x0 )( x1 - x2 ).......( x1 - xn ) b1 = f ( x1 ) ( x1 - x0 )( x1 - x2 ).......( x1 - xn ) b0 = f ( x0 ) ( x0 - x1 )( x0 - x2 ).......( x0 - xn )

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 )

Sustituyendo en el polinomio, los coeficientes tenemos:

f ( x) =

f ( x0 ) ( x x1 )( x x2 ) .....( x xn ) + ( x0 - x1 )( x0 - x2 ).......( x0 - xn ) f ( x1 ) ( x x0 )( x x2 ) .....( x xn ) + ( x1 - x0 )( x1 - x2 ).......( x1 - xn ) f ( x2 ) ( x x0 )( x x1 ) ....( x xn ) + ..... ( x2 - x0 )( x2 - x1 ).......( x2 - xn )

+ + ..... +

f ( xn ) ( x x0 )( x x1 ) ....( x xn1 ) ( xn - x0 )( xn - x1 ).......( xn - xn 1 )

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

Anlisis de un Conjunto de Puntos Donde


L0 =

( 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 )

Podemos obtener los coeficientes de Lagrange de la forma.


Li ( xi ) =

(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

Donde f ( x) es le polinomio de interpolacin de Lagrange.

Mtodo de Lagrange

Anlisis de un Conjunto de Puntos


Algoritmo.

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

la forma f ( x) = a0 + a1 x + a2 x 2 + los puntos dados.

+ an x n , tal que se acerque (ajuste) lo mas posible a cada uno 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

sea minimo para i = 1, . . . , m

R1 = f ( x1 ) y1 R2 = f ( x2 ) y2 R3 = f ( x3 ) y3 Rm = f ( xm ) ym por lo que Ri = f ( xi ) yi lo que es equivalente a Ri = ( f ( xi ) yi )


m m 2
2

por lo tanto se requiere que S = Ri = ( f ( xi ) - yi ) sea minimo


i =1 i =1

Para lograr que S sea mnima S = ( a0 + a1 x + a2 x 2 +


m i =1

+ an x n - yi )

Se toma la derivada parcial


n

S a j

= 0 , lo que implica que la suma

de residuos cuadrados sea mnima en

cada coeficiente {a j } j =0 por lo tanto:

Mtodo de Mnimos Cuadrados

Anlisis de un Conjunto de Puntos


m 2 a0 + a1 xi + a2 xi + a0 i =1

+ 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

Por lo tanto se tiene l sistema de ecuaciones 2 n a0 m + a1 xi + a2 xi + + an xi = yi 1


a0 xi + a1 xi + a2 xi +
2 3 2 3 4

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

Mtodo de Mnimos Cuadrados

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

Aplicando la matriz de Vandermonde de potencias tenemos


1 x 1 2 V = x1 n x1 1 x2 x2 x2
2

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

Mtodo de Mnimos Cuadrados

Anlisis de un Conjunto de Puntos


Algoritmo

1. Datos: El conjunto de m puntos

{( x , y )}
i i

i =1

Proponer el orden del polinomio n. Puntos a evaluar

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)

4. Formar el polinomio de ajuste. f ( x) = ai xi = a0 + a1 x + a2 x 2 +


i =o n

+ an x n

5. Evaluar los puntos

Mtodo de Mnimos Cuadrados

Integracin Numrica IV.- INTEGRACIN NUMERICA Sea la integral de la forma muestra en la figura.
y f( X ) f( Xn )

xn

xo

f ( x)dx la cual es una integral definida en un intervalo [ x0 , xn ] , como se

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

rea bajo la Curva

Integracin Numrica MTODO DEL TRAPECIO Sea la funcin definida en un intervalo [ x0 , xn ] .


y f( X ) f( Xn )

f( X0 )

A
x Xn

X0

Sabemos que la integral trapecio:

xn

xo

f ( x)dx cubre el rea A, si aproximamos linealmente, obtenemos un

f( X ) f( Xn )
Error

Trapecio
f( X0 )

A
x Xn

X0

Por lo tanto decimos que

xn

xo

f ( x)dx A =

f ( x0 ) + f ( xn ) ( xn x0 ) 2

Si interpolamos linealmente por fracciones uniformes como se muestra en la figura, tenemos:

f( X ) f( X5) f( X4 ) f( X3) f( X2) E3 f( X1) E2 E1 f( Xn-1 ) f( Xn ) En

An A5

f( X0 )

A1
h X0

A4 A2 A3
h h X2 X3 h

h X4 X5

h Xn-1 Xn

X1

Mtodo del Trapecio

Integracin Numrica Decimos entonces que Donde:


AT = Ai = A1 + A2 + A3 + " + An
i =1 n

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

x2 = x0 + 2h f ( x2 ) # xn 1 = x0 + (n 1)h f ( xn 1 ) xi = x0 + ih f ( xi ) para; i = 1,...., n -1

Mtodo del Trapecio

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

Mtodo del Trapecio

Integracin Numrica MTODO DE SIMPSON Para la integral

xn

xo

f ( x)dx , se puede tener una mejor solucin, sobre todo si la funcin es de

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

y resolviendo esta integral tenemos:


h ( f ( xo ) + 4 f ( x1 ) + f ( x2 ) ) 3 Si hacemos la interpolacin cuadrtica por fracciones uniformes como se muestra en la figura, tenemos: A=

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

Decimos entonces que Donde:

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

Suma Resta Producto Transpuesta Determinante

SISTEMAS DE ECUACIONES LINEALES

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

" a1n x1 b1n " a2 n x2 = b2 n % # # # " amn bmn xn

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

Solucin Numrica de Sistemas de Ecuaciones Lineales


SISTEMAS DE ECUACIONES NO LINEALES

Un sistema de ecuaciones no lineales tiene la forma:

f1 ( x1 , x2 ,........, xn ) = 0, f 2 ( x1 , x2 ,........, xn ) = 0, f 3 ( x1 , x2 ,........, xn ) = 0, # f n ( x1 , x2 ,........, xn ) = 0


Donde podemos considerar a toda funcin fi como un mapeo de un vector x = ( x1 , x2 ,........, xn )t del espacio n-dimensional n en la recta real , como se muestra en la figura:
z

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

" a1n b1n " a2 n b2 n % # # " 1 bmn

y efectuando el producto, el sistema toma la forma:

x1 + a12 x2 + a13x3 " a1n xn = b1n x2 + a23x3 " a2 n xn = b2 n %


xn -1 + a( m -1)( n ) xn = b( m -1)( n )

xn = bmn

Realizando un despeje inverso, se obtiene el vector solucin { xi }i =1


n

x1 x 2 . # xn

DETERMINANTE DE UNA MATRIZ POR GAUSS.

Sea la matriz Amn

a11 a12 a a22 = 21 # # am1 am 2

" a1n " a2 n , a la cual al aplicar el Mtodo de Gauss se obtiene la matriz % # " amn

Mtodo de Gauss

Solucin Numrica de Sistemas de Ecuaciones Lineales

a11 a12 0 a 22 triangular superior # # 0 0

" 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

SISTEMA DE ECUACIONES COMPLEJO POR GAUSS

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

" z1n b1n " z2 n b2 n % # # " 1 bmn

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:

x1 + z12 x2 + z13x3 " z1n xn = b1n x2 + z23x3 " z2 n xn = b2 n %


xm -1 + z( m -1)( n ) xn = b( m -1)( n )

xn = bmn

Realizando un despeje inverso, se obtiene el vector solucin { xi }i =1


n

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

" a1n x1 b1n " a2 n x2 = b2 n % # # # " amn bmn xn

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

y efectuando el producto obtenemos el vector solucin

xi = bkn

i = 1,....., n para : k =,....., m

xn = bmn

Mtodo de Gauss Jordan

Solucin Numrica de Sistemas de Ecuaciones Lineales

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

Complementando el Mtodo de Gauss Jordan tenemos que:


Matriz Inversa P Gauss I , N A 1 Jordan mn

( A , b)

Gauss Jordan

( I , b ')

( A , I ) m2n

( A , b, I )

Gauss Jordan Inversa

I , N x , A 1 b

para comprobar podemos realizar las operaciones siguientes:

A-1 * b = x A* x = b A * A1 = I

Mtodo de Gauss Jordan

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

solucin trivial, { xi = 0}i =1 .


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 =

bmn am1 x1 amn

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

Como en el mtodo es de aproximacin proponemos un margen de error Si


xi +1 xi < Er xi +1 { xi }i =1 es el vector solucion .
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:

Mtodo de Jacobi y Gauss Seidel

Solucin Numrica de Sistemas de Ecuaciones Lineales


x1( 0 ) (0) x2 x (0) n x1(1) (1) x2 x (1) n x1( k ) (k ) x2 x (k ) n

Por lo que el proceso termina en K iteraciones Si


xi +1 xi < Er xi +1 { xi }i =1 es el vector solucion
n

Esto es, se debe cumplir e margen de error para cada una de las soluciones aproximadas.

Algoritmo: 1.- Datos

i m _ ecuaciones i ( A , b ) Matriz Aumentada i { xi = 0}i =1 Vector inical


m

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

3.- Verificar el Margen de Error

Si

xi +1 xi < Er xi +1

{ xi }i =1 es el vector soluci o n
n

Si "no " repetir 2 y 3

Mtodo de Jacobi y Gauss Seidel

Solucin Numrica de Sistemas de Ecuaciones Lineales VI.-SOLUCIN NUMRICA DE ECUACIONES DIFERENCIALES. Sea la ecuacin diferencial ordinaria (EDO).

y n = f ( x, y, y (1) , y (2) ,..., y ( n 1) )


Donde;

dy = y (1) , dx

d2y d (n) y = y (2) , ... , ( n ) = y ( n ) dx dx 2

Para el caso particular de EDO de 1er orden

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 toda y cada una C se obtiene una solucin particular.


Y cn c5 c4 c3 c2 c1

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

Por lo que la solucin particular es:

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

Analizando el triangulo rectngulo tenemos que:

tan =

k xn x0

y ' = tan , F ( x, y ) =

h = xn x0 , y ' = F ( x, y ) , k = yn y0

y n y0 h despejando la aprocimacion tenemos : yn = y0 + h F ( x0 , y0 )


Algoritmo 1.- Datos Ecuacin diferencial ordinaria F(x,y) Condicin inicial y0 Intervalo [x0 , xn] Numero de iteraciones

2.- Calcular el paso de integracin x -x h= n 0 n 3.- Evaluamos la ecuacin de Euler

yi +1 = yi + hF ( xi , yi ) para i = 0,......, n 1

4.- Iteramos n veces obteniendo nuevos intervalos


xi = xi + h yi = yi+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 )

Por lo tanto: y11 = y0 + k1

2o Orden h k k2 = hF x0 + , y0 + 1 2 2 y12 = y0 + k2

3er Orden 1 1 k3 = hF x0 + h, y0 + k2 2 2 y13 = y0 + k3

4o Orden

k 4 = hF ( x0 + h, y0 + k2 )

y14 = y0 + k4

Esto debido a la distribucin Beta. 1 k = ( k1 + 2k2 + 2k3 + k4 ) 6 y = y0 + k

Distribucin beta 1 i i i i i k ( ) = k1( ) + 2k2( ) + 2k3( ) + k4( ) 6 Por lo que y = y0 + k ( i )

con
Por lo que nh para

x0 = x0 + h;

y0 = y

i = 1, n

(i ) 1

= hF ( x0 , y0 )

1 1 i k2( ) = hF x0 + h, y0 + k1 2 2 1 1 i k3( ) = hF x0 + h, y0 + k2 2 2 k4( ) = hF ( x0 + h, y0 + k3 )


i

Mtodo de Runge Kutta

Solucin Numrica de Sistemas de Ecuaciones Lineales


Algoritmo

1 .- Datos Ecuacin diferencial ordinaria F(x,y) Condicin inicial y0 Intervalo [x0 , xn] Numero de iteraciones

2.- Calcular el paso de integracin h= xn - x0 n

3.- Evaluamos las ecuaciones de Runge Kutta de 4 orden.


K1( ) = hF ( xo , yo )
i

1 1 (i) = hF ( xo + h, yo + K1 ) K2 2 2 1 1 (i) = hF ( xo + h, yo + K 2 ) K3 2 2 (i) K 4 = hF ( xo + h, yo + K 3 ) 1 i i (i) (i) (i) + 2 K3 + K4 K ( ) = ( K1( ) + 2 K 2 ) 6

Donde finalmente yi +1 = yi + K (i )

4.- Iteramos n veces obteniendo nuevos xi = xi + h yi = yi+1

Mtodo de Runge Kutta

Solucin Numrica de Sistemas de Ecuaciones Lineales


ECUACIONES DIFERENCIALES DE ORDEN SUPERIOR.
Sea y ( ) = F x, y, y ( ) ,..., y (
n 1

n 1)

)
n 1)

Para donde;

y ( 0 ) = y0 ; y1 ( 0 ) = y1 ,..., y (

( 0 ) = yn1

dy dv dv = v1 , 1 = v 2 ,..., n-2 = v n-1 = F ( x, y, v1 , v 2 ,..., v n-1 ) dx dx dx

se puede reducir el orden de la ecuacin diferencial.


Por ejemplo: y '' y ' 6 y = 0
para y' = y ( 0 ) = y0 ; y ' ( 0 ) = y1 dy =v dx

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 k2 = hF x0 + h, y0 + k1 , v0 + l1 2 2 2 1 1 1 k3 = hF x0 + h, y0 + k2 , v0 + l2 2 2 2 k4 = hF ( x0 + h, y0 + k5 , v 0 + l3 ) Por lo que: 1 k = ( k1 + 2k2 + 2k3 + k4 ) 6 1 l = ( l1 + 2l2 + 2l3 + l4 ) 6

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

Mtodo de Runge Kutta

Solucin Numrica de Sistemas de Ecuaciones Lineales


Algoritmo

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

3.- Evaluamos las ecuaciones de Runge Kutta


k1 = hF ( x0 , y0 , v 0 ) l1 = hG ( 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 , v 0 + l3 )

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 )

Donde 1 ( k1 + 2k2 + 2k3 + k4 ) 6 1 l = ( l1 + 2l2 + 2l3 + l4 ) 6 yi +1 = yi + k Finalmente vi +1 = vi + l k=

4.- Iteramos n veces obteniendo nuevos xi = xi + h yi = yi+1 vi = vi+1

Mtodo de Runge Kutta

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

Anda mungkin juga menyukai