ASIGNATURA:
Anlisis numrico
ALUMNO:
GASPAR Jimnez GUSTAVO
Monroy Marn adrin
Lpez salinas Vctor Josu
PROFESOR:
Gutierrez Villalba Mara ivonne
Qu es un mtodo numrico?
Los mtodos numricos son tcnicas mediante las cuales es posible formular problemas de tal
forma que puedan resolverse usando operaciones.
Tipos de error
Error de formulacin.
Error de medicin.
Error numrico
Error verdadero Ev=valor verdadero-valor aproximado
Error Absoluto | |=| |
Error Relativo
Er=
Er=
| |=| | x 100%
1.-Procedimiento (Algoritmo) para la resolucin de un problema.
Caractersticas: Utilizan algoritmos con cdigo finito, soluciones numricas no son exactas y son
aproximadas.
Float (A bytes)
Doubl(8 bytes)
32 bits IEFF
64 bits IEFF
Muchas de las aplicaciones requieren trabajar con nmeros que no son enteros. Una forma de
representar es un punto flotante. Bajo este esquema un nmero puede ser expresado mediante un
exponente y una mantisa.
Exponente
Dado que el nmero se puede representar de distintas formas es necesario establecer una nica
representacin, es por ello que se trabaja con nmeros normalizados. Decimos que un nmero esta
normalizado si:
Precisin Simple.
El formato para los nmeros de precisin simple de 32 bits.
s
1 bits
Exp
8 bits
Mantisa
23 bits
23
8
0
22
4
1
21
2
1
20
1
1
b) Normalizamos el numero:
1112=1.11x1022
c) Calculamos el exponente con exceso de 127 para precisin simple.
2+127=12910
Convertimos 12910 a binario
12910=1000,00012
Exp
100000001
8 bits
Mantisa
1100000000
23 bits
4+127=13110=100000112
c) Representacin de 21 con IEEE
S
0
Exp
10000011
Mantisa
01010000
Num10=0.5
(0.5-0)*2=1
d0=0
(1.00-1)*2=0
d1=1
0.510=0.12
1.0x2-1
0
1 bit
0111 1110
8 bits
000000
23 bits
Serie de Taylor.
Es una funcin y surge de una expresin en la cual se puede encontrar una solucin aproximada a
una funcin y se define como:
que puede ser escrito de una manera ms compacta como la siguiente sumatoria:
, cuando a=0
Mc.Laurin
Donde:
n! es el factorial de n y
++(x-Y1)(x-Y2) (x-Yn)
Donde:
Y1,Y2 ,Yn
Races reales(+)
0
0
0
Races reales(-)
5
3
1
Complejas
0
2(-1)
4(-1)
Mtodo de la Biseccin.
El mtodo de la biseccin o corte binario es un mtodo de bsqueda incrementada que divide el
intervalo siempre en 2.5; la funcin cambia de signo sobre un intervalo, se evala el valor de la
funcin en el punto medio. La posicin de la raz se determina situando en el punto medio del
subintervalo donde exista cambio de signo. El proceso se repite hasta mejorar la aproximacin.
PASO 1.-Elegir los valores iniciales Xa y Xb de tal forma de que la funcin cambie de signo:
f(Xa)*f(Xb)<0
PASO 2.-La primera aproximacin a la raz se determina con la frmula del punto medio de esta
forma:
Xpm=
Xa Xb
2
punto medio.
si f(Xa) f(Xb)>0 ,entonces la solucin o raz esta fuera del intervalo entre Xa y Xpm, y
Xa pasa a ser el punto medio(Xpm).
PASO 4: Si f(Xa) f(Xb)=0 o Error=|Xpm Xpm 1|<Tolerancia y Xpm-1 es el punto medio de la
iteracin anterior.
Al cumplirse la condicin del paso 4, la raz o solucin es el ltimo punto medio que se obtuvo.
Para el error relativo porcentual se tiene la siguiente formula:
Error relativo=
a) si
Xpm
* 100
Metodos intervalos
(cerrados)
Biseccion
regla falsa
Raices reales
Punto fijo
Metodos abiertos
Tangente
Secante
Mtodo de biseccin.
El mtodo de biseccin conocido tambin como de corte binario es un mtodo de bsqueda
implemental, en el que el intervalo siempre se divide en 2.si la funcin cambia de signo
sobre un intervalo, se evala el valor de la funcin en el punto medio. La posicin de la raz
se determina situndola en el punto medio del subintervalo dentro del cual ocurre un
cambio de signo. El proceso se repite hasta obtener una mejor aproximacin.
PASO 1.-Elegir los valores iniciales Xa y Xb de tal forma de que la funcin cambie de signo:
f(Xa)*f(Xb)<0
PASO 2.-La primera aproximacin a la raz se determina con la frmula del punto medio de esta
forma:
Xpm=
Xa Xb
2
punto medio.
si f(Xa) f(Xb)>0 ,entonces la solucin o raz esta fuera del intervalo entre Xa y Xpm, y
Xa pasa a ser el punto medio(Xpm).
Error relativo=
c) si
Xpm
* 100
f(Xa)
f(Xb)
=
(XrXa) (XrXb)
f(Xb)(XaXb
Xr =Xb-[ f(Xa)f(Xb) ]
ALGORITMO.
PASO 1.-Establecer los valores iniciales
Xa
INTERVALO INFERIOR
Xb
INTERVALO SUPERIOR
si f(Xa) * f(Xb)<0
PASO 2.-Determinar la aproximacin hacia la raiz:
f(Xb)(XaXb
Xr =Xb-[ f(Xa)f(Xb) ]
PASO 3.-Evaluar las siguientes condiciones:
Analticamente
Grficamente
Mtodo de regla falsa en el intervalo de [3,4]
Mtodo de biseccin [3,4]
METODOS ABIERTOS.
Los mtodos abiertos se basan en frmulas que requieren nicamente de un solo valor de inicio o
que empiezen con un par de ellos, pero no necesariamente encierran a la raz. Como tales algunas
veces divergen. A medida que crece el nmero de iteraciones, sin embargo cuando los mtodos
abiertos divergen por lo general lo hacen mucho mar rpido por que usan intervalos.
xi+1 =g(xi)
Error aproximado:
Era=|
xi+1xi
|
xi+1
Criterio de convergencia.
|g(xi)|1 podemos asegurar que g(x) elegida converge.
Ejercicio.-Use iteraciones simples de punto fijo para localizar la raz de f(x)=e-x x con la
condicin inicial X0=0.Realice 5 iteraciones.
METODO DE LA SECANTE.
En anlisis numrico el mtodo de la secante es un mtodo para encontrar los ceros de una funcin
de forma iterativa.
Es una variacin del mtodo de Newton-Raphson donde en vez de calcular la derivada de la funcin
en el punto de estudio, teniendo en mente la definicin de derivada, se aproxima la pendiente a la
recta que une la funcin evaluada en el punto de estudio y en el punto de la iteracin anterior. Este
mtodo es de especial inters cuando el coste computacional de derivar la funcin de estudio y
evaluarla es demasiado elevado, por lo que el mtodo de Newton no resulta atractivo.
En otras palabras, el mtodo de la secante es un algoritmo de la raz de investigacin que utiliza una
serie de races de las lneas secantes para aproximar mejor la raz de una funcin f.
El mtodo se define por la relacin de recurrencia:
Como se puede ver, este mtodo necesitar dos aproximaciones iniciales de la raz para poder
inducir una pendiente inicial.
Obtenemos:
f(X0) =|
Xi+1= Xi-[
f(X0)0
xixi+1
f(Xi)
f(Xi)
El problema consiste en encontrar los valores desconocidos de las variables x1, x2 y x3 que satisfacen
las tres ecuaciones.
El problema de los sistemas lineales de ecuaciones es uno de los ms antiguos de la matemtica y
tiene una infinidad de aplicaciones, como en procesamiento digital de seales, anlisis estructural,
estimacin, prediccin y ms generalmente en programacin lineal as como en la aproximacin de
problemas no lineales de anlisis numrico.
METODO DE GAUSS.
El estudio de los sistemas de ecuaciones lineales simultneas est ligado ntimamente al estudio
de las matrices rectangulares de nmeros, definidas por el arreglo de los coeficientes de dichas
ecuaciones.
Definicin 1.- Una matriz es una tabla de "mxn" elementos dispuestos en "m" filas y "n" columnas.
Definicin 2.- Se llama matriz diagonal a aquella matriz cuadrada cuyos elementos no diagonales
son todos nulos:
Definicin 3.- Se llama matriz escalar a aquella matriz diagonal cuyos elementos diagonales son
todos iguales:
la eliminacin
de
Gauss-Jordan,
llamada
as debido
a Carl Friedrich
Gauss y Wilhelm Jordan, es un algoritmo del lgebra lineal para determinar las soluciones de un
sistema de ecuaciones lineales, encontrar matrices e inversas. Un sistema de ecuaciones se resuelve
por el mtodo de Gauss cuando se obtienen sus soluciones mediante la reduccin del sistema dado
a otro equivalente en el que cada ecuacin tiene una incgnita menos que la anterior. El mtodo de
Gauss transforma la matriz de coeficientes en una matriz triangular superior. El mtodo de GaussJordan contina el proceso de transformacin hasta obtener una matriz diagonal.
ALGORITMO DEL METODE DE GAUUS JORDAN.
1. Ir a la columna no cero extrema izquierda
2. Si el primer rengln tiene un cero en esta columna, intercambiarlo con otro que no lo
tenga
3. Luego, obtener ceros debajo de este elemento delantero, sumando mltiplos adecuados
del rengln superior a los renglones debajo de l
4. Cubrir el rengln superior y repetir el proceso anterior con la submatriz restante. Repetir
con el resto de los renglones (en este punto la matriz se encuentra en la forma de
escaln)
5. Comenzando con el ltimo rengln no cero, avanzar hacia arriba: para cada rengln
obtener un 1 delantero e introducir ceros arriba de ste sumando mltiplos
correspondientes a los renglones correspondientes.
Ejemplo.- Supongamos que es necesario encontrar los nmeros "x", "y", "z", que satisfacen
simultneamente estas ecuaciones:
En nuestro ejemplo, eliminamos x de la segunda ecuacin sumando 3/2 veces la primera ecuacin
a la segunda y despus sumamos la primera ecuacin a la tercera. El resultado es:
Para clarificar los pasos, se trabaja con la matriz aumentada. Podemos ver los 3 pasos en su
notacin matricial:
Primero:
Despus,
Por ltimo.
Si el sistema fuera incompatible, entonces nos encontraramos con una fila como esta:
, es decir,
METODO DE LU.
Para encontrar la matriz triangular inferior se busca hacer ceros los valores de arriba de cada pivote,
as como tambin convertir en 1 cada pivote. Se utiliza el mismo concepto de "factor" explicado
anteriormente y se ubican todos los "factores" debajo de la diagonal segn corresponda en cada
uno.
Esquemticamente se busca lo siguiente:
Originalmente se tena:
Debido a que [A] = [L][U], al encontrar [L] y [U] a partir de [A] no se altera en nada la ecuacin y se
tiene lo siguiente:
SOLUCIN:
[A] =
-2
-1
-1
-4
9
[B] =
7
12
ITERACIN 1
[L] = 1.25
0.25
ITERACIN 2
Factor 3 = (u32 / u22) = 2.5 / 3.5 = 0.7142857143
Encontrando [U]
Fila 3 = - (factor 3) * (fila 2) + (fila 3)
a31 = - (2.5 / 3.5) * (0) + (0) = 0
a32 = - (2.5 / 3.5) * (3.5) + (2.5) = 0
a33 = - (2.5 / 3.5) * (0.25) + (- 0.75) = - 0.9285714286
[U] =
-2
-1
3.5
0.25
- 0.9285714286
Encontrando [L]
[L] =
1.25
0.25 0.7142857143
Al resolver el sistema anterior, se obtienen los siguientes valores para y1, y2 y y3:
El ltimo paso es resolver Ux = y para encontrar la matriz x. En otras palabras es como que se
pidiera resolver el siguiente sistema de ecuaciones, encontrando los valores de x1, x2 y x3:
Este es finalmente el valor de x1, x2 y x3; es decir, la respuesta del ejercicio utilizando la
descomposicin LU.
METODO DE GAUUS-SEIDEL.
El mtodo de Gauss-Seidel es un mtodo iterativo y por lo mismo resulta ser bastante eficiente. Se
comienza planteando el sistema de ecuaciones con el que se va a trabajar:
De la ecuacin 1 despejar x1, de la ecuacin 2 despejar x2, , de la ecuacin n despejar xn. Esto da
el siguiente conjunto de ecuaciones:
Este ltimo conjunto de ecuaciones son las que forman las frmulas iterativas con las que se va a
estar trabajando. Para comenzar el proceso iterativo, se le da el valor de cero a las variables x2,,
xn; esto dar un primer valor para x1. Ms precisamente, se tiene que:
Enseguida, se sustituye este valor de x1 en la ecuacin 2, y las variables x3,, xn siguen teniendo el
valor de cero. Esto da el siguiente valor para x2:
Estos ltimos valores de x1 y x2, se sustituyen en la ecuacin 3, mientras que x4,, xn siguen
teniendo el valor de cero; y as sucesivamente hasta llegar a la ltima ecuacin. Todo este paso
arrojar una lista de primeros valores para las incgnitas, la cual conforma el primer paso en el
proceso iterativo. Para una mejor comprensin esto se simbolizar de esta forma:
Se vuelve a repetir el proceso, pero ahora sustituyendo estos ltimos datos en vez de ceros como al
inicio. Se obtendr una segunda lista de valores para cada una de las incgnitas, lo cual se
simbolizar as:
En este momento se pueden calcular los errores aproximados relativos, respecto a cada una de las
incgnitas. La lista de errores se presenta a continuacin:
donde
METODO DE JACOBI.
En anlisis numrico el mtodo de Jacobi es un mtodo iterativo, usado para resolver sistemas de
ecuaciones lineales del tipo
Gustav Jakob Jacobi. El mtodo de Jacobi consiste en usar frmulas como iteracin de punto fijo.
La sucesin se construye descomponiendo la matriz del sistema
en la forma siguiente:
Donde:
, es una matriz diagonal.
, es una matriz triangular inferior.
, es una matriz triangular superior.
Partiendo de
Luego,
Si aii 0 para cada i. Por la regla iterativa, la definicin del Mtodo de Jacobi puede ser expresado
de la forma:
donde
CONVERGENCIA.
El mtodo de Jacobi siempre converge si la matriz A es estrictamente diagonal dominante y puede
converger incluso si esta condicin no se satisface.
Para verificar la convergencia del mtodo se calcula el radio espectral ():
METODO DE NEWTON.
El mtodo de Newton-Raphson es un mtodo abierto, en el sentido de que su convergencia global
no est garantizada. La nica manera de alcanzar la convergencia es seleccionar un valor inicial lo
suficientemente cercano a la raz buscada. As, se ha de comenzar la iteracin con un valor
razonablemente cercano al cero (denominado punto de arranque o valor supuesto). La relativa
cercana del punto inicial a la raz depende mucho de la naturaleza de la propia funcin; si sta
presenta mltiples puntos de inflexin o pendientes grandes en el entorno de la raz, entonces las
probabilidades de que el algoritmo diverja aumentan, lo cual exige seleccionar un valor supuesto
cercano a la raz. Una vez que se ha hecho esto, el mtodo linealiza la funcin por la
recta tangente en ese valor supuesto. La abscisa en el origen de dicha recta ser, segn el mtodo,
una mejor aproximacin de la raz que el valor anterior. Se realizarn sucesivas iteraciones hasta
que el mtodo haya convergido lo suficiente.
Sea f : [a, b] -> R funcin derivable definida en el intervalo real [a, b]. Empezamos con un valor
inicial x0 y definimos para cada nmero natural n
MINIMOS CUADRADOS.
Mnimos cuadrados es una tcnica de anlisis numrico enmarcada dentro de la optimizacin
matemtica, en la que, dados un conjunto de pares ordenados: variable independiente, variable
dependiente, y una familia de funciones, se intenta encontrar la funcin continua, dentro de dicha
familia, que mejor se aproxime a los datos, de acuerdo con el criterio de mnimo error cuadrtico.
En su forma ms simple, intenta minimizar la suma de cuadrados de las diferencias en las ordenadas
entre los puntos generados por la funcin elegida y los correspondientes valores en los datos.
Especficamente, se llama mnimos cuadrados promedio cuando el nmero de datos medidos es 1
y se usa el mtodo de descenso por gradiente para minimizar el residuo cuadrado. Se puede
demostrar que LMS minimiza el residuo cuadrado esperado, con el mnimo de operaciones (por
iteracin), pero requiere un gran nmero de iteraciones para converger.
Desde un punto de vista estadstico, un requisito implcito para que funcione el mtodo de mnimos
cuadrados es que los errores de cada medida estn distribuidos de forma aleatoria. El teorema de
Gauss-Mrkov prueba que los estimadores mnimos cuadrticos carecen de sesgo y que el muestreo
de datos no tiene que ajustarse, por ejemplo, a una distribucin normal. Tambin es importante
que los datos a procesar estn bien escogidos, para que permitan visibilidad en las variables que
han de ser resueltas (para dar ms peso a un dato en particular, vase mnimos cuadrados
ponderados).
La tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas. Muchos otros
problemas de optimizacin pueden expresarse tambin en forma de mnimos cuadrados,
minimizando la energa o maximizando la entropa.
La aproximacin por mnimos cuadrados se basa en la minimizacin del error cuadrtico medio o,
equivalentemente, en la minimizacin del radicando de dicho error, el llamado error cuadrtico,
definido como:
Siendo
el producto escalar discreto, definido para dos funciones dadas h(x) y g(x) como:
METODO DE LAGRANGE.
Dado un conjunto de k + 1 puntos
La funcin que estamos buscando es una funcin polinmica L(x) de grado k con el problema de
interpolacin puede tener tan solo una solucin, pues la diferencia entre dos tales soluciones, sera
otro polinomio de grado k a lo sumo, con k+1 ceros.
Por lo tanto, L(x) es el nico polinomio interpolador.
La resolucin de un problema de interpolacin lleva a un problema de lgebra lineal en el cual se
debe resolver un sistema de ecuaciones. Usando una base monmica estndar para nuestro
polinomio interpolador, llegamos a la matriz de Vandermonde. Eligiendo una base distinta, la base de
Lagrange, llegamos a la forma ms simple de matriz identidad = i,j, que puede resolverse
inmediatamente.
Se desea interpolar
en los puntos
Con cinco puntos, el polinomio interpolador tendr, como mximo, grado cuatro (es decir, la
mxima potencia ser cuatro), al igual que cada componente de la base polinmica.
La base polinmica es:
un polinomio
se
llama interpolacin
de
grado
polinmica al
menor
cumpliendo
proceso
de
hallar
igual
m,
elementos y sea
elementos los
cuales corresponden, por parejas, a la imagen u ordenada y abscisa de los datos que se quieran
interpolar, respectivamente, tales que:
Este mtodo es muy algortmico y resulta sumamente cmodo en determinados casos, sobre todo
cuando se quiere calcular un polinomio interpolador de grado elevado.
El polinomio de grado
Definiendo
y definiendo
Los coeficientes
como
como
Una vez se hayan realizado todos los clculos, ntese que hay (muchas) ms diferencias divididas
que coeficientes
porque son necesarios para poder formar todos los trminos finales. Sin embargo, los trminos
usados en la construccin del polinomio interpolador son todos aquellos que involucren a
Estos coeficientes se calculan mediante los datos que se conocen de la funcin .
Queda definido, como:
DIFERENCIACION NUMERICA.
RELACION CON LAS DERIVADAS.
La derivada de la funcin f en un punto x est definida por el lmite
Por lo tanto, la diferencia posterior dividida por h aproxima a la derivada cuando h es pequeo. El
error de esta aproximacin puede derivarse del teorema de Taylor. Asumiendo que f es
continuamente diferenciable, el error es:
Sin embargo, la diferencia central lleva a una aproximacin ms ajustada. Su error es proporcional
al cuadrado del espaciado (si f es dos veces continuamente diferenciable).
INTEGRACION NUMERICA.
En anlisis numrico, la integracin numrica constituye una amplia gama de algoritmos para
calcular el valor numrico de una integral definida y, por extensin, el trmino se usa a veces para
describir algoritmos numricos para resolver ecuaciones diferenciales. El trmino cuadratura
numrica es ms o menos sinnimo de integracin numrica, especialmente si se aplica a integrales
de una dimensin a pesar de que para el caso de dos o ms dimensiones (integral mltiple) tambin
se utiliza.
El problema bsico considerado por la integracin numrica es calcular una solucin aproximada a
la integral definida:
Este problema tambin puede ser enunciado como un problema de valor inicial para una ecuacin
diferencial ordinaria, como sigue:
METODO DE TRAPECIO.
En matemtica la regla del trapecio es un mtodo de integracin numrica, es decir, un mtodo
para calcular aproximadamente el valor de la integral definida
La regla se basa en aproximar el valor de la integral de f(x) por el de la funcin lineal que pasa a
travs de los puntos (a,f(a)) y (b, f(b)). La integral de sta es igual al rea del trapecio bajo la
grfica de la funcin lineal. Se sigue que
Siendo
TRAPECIO COMPUESTOS.
La regla del trapecio compuesta o regla de los trapecios es una forma de aproximar una integral
definida utilizando n trapecios. En la formulacin de este mtodo se supone que f es continua y
positiva en el intervalo [a,b]. De tal modo la integral definida
representa el rea de
la regin delimitada por la grfica de f y el eje x, desde x=a hasta x=b. Primero se divide el intervalo
[a,b] en n subintervalos, cada uno de ancho
Donde
y n es el nmero de divisiones.
EJEMPLO.-Determina:
=
y queda:
En este caso no se comete ningn error en el clculo (el resultado es exacto) porque la
funcin sujeta a integracin es lineal.
METODO DE ROMBERG.
En anlisis numrico, el Mtodo de Romberg genera una matriz triangular cuyos elementos son
estimaciones numricas de la integral definida siguiente:
Donde:
puntos.
puntos.
METODO DE SIMPSON.
En anlisis numrico, la regla o mtodo de Simpson (nombrada as en honor de Thomas Simpson) y
a veces llamada regla de Kepler es un mtodo de integracin numrica que se utiliza para obtener
la aproximacin de la integral:
Es equivalente a:
ERROR.
El trmino error E(f), llamado error global, corresponde:
donde y
Se puede calcular una estimacin del error cometido al aproximar la integral mediante este mtodo.
Si las cuatro primeras derivadas de f(x) son continuas en el intervalo, entonces el error (en trminos
absolutos) est acotado como.
Donde, de nuevo
CUADRATURA DE GAUSS.
En anlisis numrico un mtodo de cuadratura es una aproximacin de una integral definida de una
funcin. Una cuadratura de Gauss n, es una cuadratura que selecciona los puntos de la evaluacin
de manera ptima y no en una forma igualmente espaciada, construida para dar el resultado de una
polinomio de grado 2n-1 o menos, elegibles para los puntos xi y los coeficientes wi para i=1,...,n. El
dominio de tal cuadratura por regla es de [1, 1] dada por:
Tal cuadratura dar resultados precisos solo si f(x) es aproximado por un polinomio dentro del rango
[1, 1]. Si la funcin puede ser escrita como f(x)=W(x)g(x), donde g(x) es un polinomio aproximado
y W(x) es conocido.
EJERCICIO.-Aproxime la integral
Con
podemos resolver la integral con exactitud para todos los polinomios de grado igual o
METODO DE EULER.
En matemtica y computacin, el mtodo de Euler, llamado as en honor de Leonhard Euler, es un
procedimiento de integracin numrica para resolver ecuaciones diferenciales ordinarias a partir de
un valor inicial dado.
El mtodo de Euler es el ms simple de los mtodos numricos para resolver un problema del
siguiente tipo:
en
puntos:
del
.
La condicin inicial
, representa el punto
Con esta informacin se traza una recta, aquella que pasa por
recta aproxima
en una vecindad de
y de pendiente
correspondiente a
. Esta
y
la Grfica:
Se resuelve para
, pues existe un
en el
aproximaciones siguiente:
donde
es un conjunto
,
Donde h es el paso por iteracin, o lo que es lo mismo, el incremento
puntos
. Los coeficientes
de manera local
con
cuadratura utilizada. Los esquemas Runge-Kutta pueden ser explcitos o implcitos dependiendo de
las constantes
del esquema. Si esta matriz es triangular inferior con todos los elementos de la
para
Definicin:
En general, una ecuacin diferencial lineal de orden n puede formularse, siendo cada
una
Una solucin de la ecuacin ser una "familia" de curvas o funciones del tipo
que
substituida dentro de la ecuacin la convierte en una igualdad en la que todos los trminos son
conocidos.
En la formulacin ms simple, la funcin incgnita es una funcin para cierto valor real o complejo
pero con mayor generalidad, puede serlo para el valor de un vector o matriz, lo que lleva a
considerar un sistema de ecuaciones diferenciales ordinarias para una nica funcin.
Vamos a resolver la ecuacin diferencial de primer orden
=f(t,x)
La primera derivada nos permite conocer la posicin xi+1 en el instante ti+1, a partir de la
posicin xi en el instante ti de acuerdo a la frmula siguiente. La lnea de color rojo es la tangente
a la curva en el instante ti
xi+1=xi+f(ti,xi)h
El procedimiento de Euler produce un error que se acumula a cada paso h de integracin, que es
el segmento en color azul que une los dos puntos en la figura.
Escribimos una funcin:
la funcin f(t,x),
la condicin inicial de que en el instante t0 la posicin es x0,
el instante final tf
el nmero de pasos de integracin n
Y nos devolver un vector t y su correspondiente vector x.