REPBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA EDUCACIN

UNIVERSITARIA
UNIVERSIDAD POLITCNICA TERRITORIAL DEL ESTADO ARAGUA
FEDERICO BRITO FIGEROA
La victoria- edo. Aragua

Informe
De
Mtodos Numricos

Integrantes
Eduardo Guillen CI: 20.335.344
Mauricio Aponte CI: 20.990.544
Cesar Camauta CI: 24.686.588
Seccin: 2

La victoria, Lunes 13 de julio del 2015

INDICE
INTRODUCCION.. 3 pag
METODOS NUMERICOS
Mtodo de biseccin 4
Mtodo de newton.. 6
Mtodo de punto fijo... 9
Mtodo de la secante... 10
Metodo directo de solucin. 12
I.
II.
III.

Mtodo de la inversa
Mtodo de cramer
Mtodo gaussiana

Mtodo iterativo para resolver sistemas lineales. 13

Mtodo directo 14
Mtodo langreangeano 15
Metodo de diferencias divididas (polinomio interpolante de newton)... 18
Interpolacin con puntos igualmente espaciados... 19
Interpolacin polinomial a trozos... 21
Trazador cubico.. 22
Ajustes de curva por mnimos cuadrados.. 26
Diferenciacin e integracin numrica... 29
La regla del trapecio... 31
La regla de Simpson... 32
Mtodo Euler ..... 34

Mtodo Runge-Kutta. 36
Conclucin. 37
Bibliografia. 38

INTRODUCCION
El presente trabajo a continuacin explicara de algunos mtodos numricos
ms importantes, destacando sus usos y aplicaciones tanto en la matemtica
como en la carrera profesional como lo es la ingeniera mecnica.
Los mtodos numrico expuestos en el informe presente son los de mayor
relevancia aunque no queremos expresar con esto que los otros mtodos no sean
de mayor importancia, solo que no nos extendimos en el tema a profundidad e
investigamos ciertos puntos de varias soluciones ya sean de ecuaciones
diferenciales ordinarias, integrales definidas, ecuaciones lineales entre otras
definiciones matemticas.
los sistemas matemticos expuestos en el informe describen los mtodos
por la cual llegamos a una solucin ya sea cual sea la definicin matemtica ,
estn los mtodos con sus explicaciones y ejemplos de aplicacin

Mtodo numrico: Cero de funciones

Mtodo de biseccin
El mtodo de biseccin consiste en dividir el intervalo en 2 su intervalos
de igual magnitud, reteniendo el su intervalo en donde f cambia de signo,
para conservar al menos una raz o cero, y repetir el proceso varias veces.
Este tipo de mtodos se aplican para ecuaciones lineales y no lineales.
Por ejemplo, suponga que f tiene un cero en el intervalo [a,b].

Primero se calcula el punto medio del intervalo

; despus se

averigua s f(a)f(c)<0. Si lo es, entonces f tiene un cero en [a,c].

A continuacin se renombra a c como b y se comienza una vez ms con
el nuevo intervalo [a,b], cuya longitud es igual a la mitad del intervalo
original.
Si f(a)f(c)>0 , entonces f(c)f(b)<0 y en este caso se renombra c como a.
En ambos casos se ha generado un nuevo intervalo que contiene un
cero de f, y el proceso puede repetirse.
Para detener el mtodo de biseccin y dar una aproximacin del cero de
una funcin se pueden usar varios criterios (llamados criterios de parada).
Uno de los criterios de parada consiste en examinar si |f(cn)| < , donde es
una tolerancia previamente establecida (por ejemplo = 10-3). Otro criterio
que puede utilizarse es examinar s :

Tambin se puede usar como criterio de parada el error relativo entre dos
aproximaciones del cero de f ,

Cuando se generan aproximaciones por medio de una computadora, se

recomienda fijar un nmero mximo de iteraciones N que debera realizar la
mquina. Esto con el fin de contar con un resguardo para evitar la
posibilidad de que el proceso de clculo caiga en un ciclo infinito cuando la
sucesin diverge (o cuando el programa no est codificado correctamente).
El mtodo de biseccin tiene la desventaja que es lento en cuanto a
convergencia (es decir que se necesita un n grande para que

sea

pequeo). Otros mtodos requieren menos iteraciones para alcanzar la

misma exactitud, pero entonces no siempre se conoce una cota para la
precisin.
El mtodo de biseccin suele recomendarse para encontrar un valor
aproximado del cero de una funcin, y luego este valor se refina por medio
de mtodos ms eficaces. La razn es porque la mayora de los otros
mtodos para encontrar ceros de funciones requieren un valor inicial cerca
de un cero; al carecer de dicho valor, pueden fallar por completo.
Resolver una ecuacin en una variable como por ejemplo: xex=1 es
equivalente a resolver la ecuacin xex-1=0 , o a encontrar el cero de la
funcin f(x) = xex-1. Para aproximar el cero de f o la raz de la ecuacin se
puede hacer la grfica de f en una calculadora o usar matlab para
determinar un intervalo donde f tenga un cero. Tambin se pueden ensayar
nmeros a y b de tal manera que f(a)f(b)<0. Para el caso de f(x) =xex-1 por

ejemplo f(0) = -1, f(1) = e-1 1.71828 entonces f tiene un cero en el

intervalo [0,1].
Cuando hay races mltiples, el mtodo de biseccin quiz no sea vlido,
ya que la funcin podra no cambiar de signo en puntos situados a cualquier
lado de sus races. Una grfica es fundamental para aclarar la situacin. En
este caso sera posible hallar los ceros o races trabajando con la
derivada f(x), que es cero en una raz mltiple.
Mtodo de Newton
El mtodo de Newton o tambin llamado mtodo de Newton-Raphson es
uno de los mtodos ms tiles y mejor conocido para aproximar el cero de
una funcin.
Suponga que c es un cero de f , es decir, f(c)=0 y que x0 es una
aproximacin de c. El polinomio de Taylor de grado uno para f alrededor
de x0 y su correspondiente residuo es:

Z esta entre x0 y x.

Si en la ecuacin (1) se reemplaza x por c y usando el hecho que f(c) =

0, se obtiene:

Si x0 est suficientemente cerca de c, entonces en el ltimo sumando de

la ecuacin (2) el trmino (c - x0)2 ser pequeo, comparado con la suma de
los dos primeros trminos.
Si se desprecia este trmino se puede usar la expresin (2) para
encontrar una aproximacin al cero de f.
6

f(x0) + f'(x0)(c - x0)

Despejando c en la ecuacin anterior, resulta:

El mtodo de Newton comienza con una aproximacin inicial x0 del cero

de la funcin a partir de la cual se define una sucesin {xn} de
aproximaciones definida por

,n 0
Desde un punto de vista geomtrico, lo que hace el mtodo de Newton
es construir la recta tangente a la grfica de f en un punto cercano x0 a c y
encontrar el cero de la recta tangente, x1. La aproximacin x2 es el cero de
la recta tangente a la grfica de f en el punto x1 y as sucesivamente.
Anlisis de errores
A continuacin se analizar los errores del mtodo de Newton.
Entendindose por errores las cantidades en = xn- c, xn: aproximacin del
cero de f, c: cero de f
Observe que:

Por el teorema de Taylor

7

Donde zn esta entre xn y c (ya queen=xn- c, c = xn- en).

Ahora,

Reemplazando este resultado en la ecuacin, se tiene

Este resultado indica que cada error es proporcional a la segunda

potencia del error previo. Es decir, que si se comienza con una
aproximacin del cero de f con 1 dgito correcto, despus de una iteracin
se tendra dos dgitos correctos; despus de dos iteraciones cuatro dgitos
correctos; y despus de tres iteraciones ocho dgitos correctos.
Uno de los inconvenientes del mtodo de Newton es la posibilidad de
que se divida entre cero en la frmula (3), lo que ocurrira si f(xn)=0.
Existen funciones y puntos iniciales para los que el mtodo de Newton
fracasa. Se muestra una funcin en la que la grfica tiene una forma que
para ciertos valores iniciales la sucesin {xn} diverge.
En el mtodo de Newton hay que evaluar dos funciones en cada
iteracin, f(xn) y f(xn). Para algunas funciones f(xn) no es una expresin
8

sencilla y se requieren ms operaciones aritmticas para evaluarla que para

la funcin. Esto hace que el mtodo de newton sea ms costoso por
ejemplo que el mtodo de biseccin, en el que en cada iteracin la funcin
se evala una.

Mtodo del punto fijo

El Mtodo de Punto Fijo (tambin conocido como iteracin de punto fijo),
es otro mtodo para hallar los ceros de (X) no necesariamente ecuaciones
lineales. Para resolver f(X) = 0, se reordena en una forma equivalente:
f(x) = 0
x - g(x) = 0
x = g(x)

Observe que si X es un cero de f(x), f(x)=0 y x=g(x) (Siempre que se tenga

X=g(X) se dice que X es un punto fijo de la funcin X). Para aproximar un

cero de f se utiliza la iteracin de punto fijo (1) xn+1 = g(xn) , n =

0, 1, 2, 3, . . . ,

donde X (0) es una aproximacin inicial del cero de f.

El procedimiento de este mtodo empieza con una estimacin o
conjetura inicial de X, que es mejorada por iteracin hasta alcanzar la
convergencia. Para que converja, la derivada

debe ser menor que

1 en magnitud (al menos para los valores X que se encuentran durante las
iteraciones). La convergencia ser establecida mediante el requisito de que
el cambio en X de una iteracin a la siguiente no sea mayor en magnitud
que alguna pequea cantidad.
Algoritmo para iteracin de punto fijo
1. Se ubica la raz de f(x) analizando la grfica.
2. Se despeja de manera: x = g(x).
3. Obtenemos de x = g(x) su derivada g(x)
9

4. Resolviendo la desigualdad -1 g(x) 1 obtenemos el rango de valores

en los cuales est el punto fijo.
5. Con el punto fijo buscamos la raz en g(x), es decir g(x)= x haciendo
iteracin de las operaciones.
Grfica

Mtodo de la secante
Es otro mtodo para aproximar el cero de una funcin en el que en
cada iteracin se evala la funcin y no la derivada. En cuanto que este
mtodo

Utiliza la misma frmula del Mtodo de Newton:

Pero en lugar de utilizar la derivada f (xn), este valor se aproxima por

10

Al reemplazar esta aproximacin de f (xn) en la frmula de Newton resulta:

Ya que el clculo de xn+1 requiere conocer xn y xn-1 , se debe dar al

principio dos aproximaciones iniciales x0 y x1.
La interpretacin geomtrica del mtodo de la secante es similar a la del
mtodo de Newton. La recta tangente a la curva se reemplaza por una recta
secante. El cero de f se aproxima por el cero de la recta secante a f,
Si x0y x1 son las aproximaciones iniciales, la aproximacin x2 es la
interseccin de la recta que une los puntos (x0, f(x0)) y (x1,f(x1)). La
aproximacin x3 es la interseccin de la recta que une los puntos (x1, f(x1)) y
(x2, f(x2)) y as sucesivamente.
Algoritmo del mtodo de la secante
El f(x) algoritmo que se obtiene al aplicar esta frmula se conoce como
el mtodo de la secante. Si bien este mtodo requiere de dos valores
iniciales, no es necesario que cambie de signo entre los valores dados.
Grfica

11

Sistemas de ecuaciones lineales

Mtodos directos de solucin
Un mtodo directo se refiere a un procedimiento para calcular una
solucin a partir de una forma que es matemticamente exacta, los
mtodos directos proporcionan una respuesta en un nmero fijo de pasos, y
slo estn sujetos a errores de redondeo.
I. Mtodo de la Inversa X=A-1b
La solucin del sistema Ax = b es x = A-1b
Casi nunca se utiliza por que el clculo de la matriz inversa involucra
muchos clculos.
II. Mtodo de Cramer (Determinantes)
La solucin es

, i = 1,2,...n

12

Donde

Casi nunca se utiliza por que se necesitan (n+1) determinantes y el costo

de

operaciones

de

un

determinante

de

orden n requiere

de

aproximadamente n! multiplicaciones/divisiones y sumas/restas.

III. Mtodo de Eliminacin Gaussiana

Es uno de los mtodos ms utilizados para resolver sistemas lineales, la
tcnica consiste en transformar mediante operaciones elementales la matriz
aumentada del sistema [A|b] en una matriz de la forma [A'|b'] donde A es
una matriz triangular superior y as el sistema AX=b se transforma en un
sistema equivalente AX=b que es un sistema fcil de resolver ya que es
triangular superior y se puede resolver con sustitucin hacia atrs.
Si en el proceso de eliminacin gaussiana resulta que el elemento que se
usar como pivote es cero, este elemento no puede usarse como pivote
para eliminar elementos de la columna que estn por debajo de la diagonal
principal. En este caso se intercambia la fila que tiene el pivote cero por otra
fila en la que el elemento que quede como pivote no sea cero. Este proceso
se llama Pivoteo y el criterio para decidir que fila escoger se llama
estrategia de pivoteo. La estrategia de pivoteo trivial consiste en localizar la
primera fila por debajo de la fila en la que el pivote es cero e intercambiarla.
Mtodos iterativos para resolver sistemas lineales.
El mtodo de eliminacin gaussiana y sus variantes (pivoteo,
factorizacin LU) son conocidos como mtodos directos para resolver un
sistema lineal AX = b; se ejecutan a travs de un nmero finito de pasos y
generan una solucin X que sera exacta si no fuera por los errores de
13

redondeo.

Un

mtodo

iterativo

para

resolver

un

sistema

lineal AX = b comienza con una conjetura una aproximacin inicial X(0) a la

solucin X, y genera una sucesin de vectores

que idealmente

converge a la solucin.
El clculo se detiene cuando se cuenta con una solucin aproximada
con cierto grado de precisin especificado de antemano o despus de cierto
nmero de iteraciones.
Los mtodos iterativos generalmente convierten el sistema AX= b en otro
sistema equivalente de la forma X = TX +C, donde T es una matriz fija
y C un vector fijo; la sucesin de vectores { X(K) } de la solucin aproximada
se genera calculando

X(K) = TX (K -1) + C para k = 1,2,3, ; X(0) es la aproximacin

inicial. Interpolacin y Ajuste de Curvas
Mtodo directo
Si (xi, f(xi)) para i= 0, 1, 2,...n, denotan los n + 1 puntos dados, entonces
se busca un polinomio de la forma:
P(x) = anxn + an-1xn-1+ ... + a1x + a0...
Puesto que P(x) debe pasar por los puntos, se tienen n + 1 ecuaciones
algebraicas

lineales P(xi)

= f(xi)

para

los n +

coeficientes

desconocidos ai de P(x). Las ecuaciones son:

Este sistema se puede escribir como:

14

(2)

El sistema tiene una solucin nica para las incgnitas ai, i=0, 1,
2, ..., n si y slo si el determinante de los coeficientes de las incgnitas es
distinto de cero, es decir D 0 donde

D se conoce como determinante de Vandermonde y es distinto de cero

cuando los xi son distintos. Luego el sistema tiene solucin nica y esto
muestra que solamente existe un nico polinomio P tal que P(xi) = f(xi), i =
0, 1, 2,..., n.
Con frecuencia la matriz de Vandermonde est mal condicionada y por tal
razn los coeficientes ai del polinomio podran no quedar determinados con
precisin cuando se resuelva el sistema. Adems la cantidad de trabajo
invertida en la obtencin del polinomio resulta excesiva por lo tanto no se
recomienda este enfoque.
Mtodo lagreangeano
15

El matemtico francs Joseph Louis Lagrange descubri que se puede

encontrar un polinomio de grado a lo ms n tal que Pn (xi) = f(xi), para i = 0,
1, 2, ... n usando un mtodo distinto. Por ejemplo para 3 puntos (x0, f(x0)),
(x1, f(x1)) y (x2, f(x2)) el polinomio interpolante de Lagrange de grado 2 es:

Observe que

El polinomio P2(x) se escribe en forma simplificada como

Donde

Observe que

La forma general del polinomio de Lagrange P(x) de grado menor o igual

a n y que pasa por los n + 1 puntos (x0, f(x0)), (x1, f(x1)),..., (xn, f(xn)) es la
frmula:

16

Pn(x) = L0(x)f(x0) + L1f(x1) + ... + Ln(x)f(xn) =

Donde Lk(x) se llaman polinomios coeficientes de Lagrange y se definen
como:

Observe que hay n factores en el numerador, de modo que cada Lk(x) es

un polinomio de grado n. En Lk (x) est ausente el factor (x - xk) en el
numerador; el denominador es el numerador evaluado en x = xk. Por
consiguiente

Teorema
Si x0, x1,..., xn son nmeros distintos en el intervalo [a, b] y f Cn+1 [a, b].
Entonces para cada x en [a, b] existe un nmero z (que depende de x)
en (a, b) tal que:

Donde Pn(x) es el polinomio interpolante de Lagrange.

El teorema establece que cuando (x) se aproxima por Pn(x), entonces el

error que se comete en la aproximacin es:

17

(3)
Observe que la forma del error del polinomio de Lagrange se parece
mucho a la del polinomio de Taylor. El polinomio de Taylor de
grado n alrededor de x0concentra toda la informacin conocida en x0 y tiene
un trmino de error de la forma:

donde z esta entre x0 y x

El polinomio de Lagrange de grado n utiliza la informacin en todos los

nmeros distintos x0, x1, ..., xn y en lugar de (x - x0)n+1, su frmula de error
utiliza un producto de n+1 trminos (x x0), (x x1), ..., (x - xn).
El uso de los polinomios de Lagrange plantea dos problemas. El primero
es que si se desea sumar o restar un punto del conjunto de puntos usados
para obtener el polinomio, esencialmente deben volver a empezarse los
clculos ya que no se dispone de un procedimiento simple que permita
medir la contribucin de cualquier punto particular al polinomio.
El segundo problema es que pueden ocurrir grandes oscilaciones en el
polinomio, de modo que entre los puntos (datos) no se representa en forma
realista la funcin que origin los datos.
Mtodo de diferencias divididas (Polinomio Interpolante de Newton)
La forma general del polinomio interpolante de Newton para n+1 datos
(x0, (x0)), (x1, (x1)), ..., (xn, (xn)) es:

18

Los coeficientes ai se obtienen calculando un conjunto de cantidades

denominadas diferencias divididas.
La notacin para las diferencias divididas de una funcin (x) estn
dadas por:

Las diferencias divididas de orden superior se forman de acuerdo con la

siguiente regla recursiva:

Retomando

el

polinomio

interpolante

de

Newton:

Pn(x) = a0 + a1(x x0) + a2(x x0)(x x1) + ... +an(x x0)(x x1)(x xn-1)
Observe que Pn(x0) = a0. Como Pn(x) interpola los valores de
en xi, i=0,1,2,...,nentonces P(xi) = (xi), en particular Pn(x0) = (x0) = a0. Si se
usa la notacin de diferencia dividida a0= [x0].
Ahora, Pn(x1)= a0 + a1(x1 x0), como Pn(x1)= (x1) y a0= (x0), entonces
reemplazando se tiene
(x1)=(x0) + a1(x11x0), donde
Si se usa la notacin de diferencia dividida a1= [x0, x1].
De manera similar cuando se evala Pn(x) en x = x2 se obtiene a2 =
[x0, x1, x2.
Interpolacin con puntos igualmente espaciados
19

Suponga que los puntos x0,x1,..., xn estn separados consecutivamente por

una distancia h

Si x [x0, xn], x

xi entonces x = x0 + Sh, para algn nmero real S, ahora,

x xi = x0 + Sh x0 ih
x xi = (S - i)h,
Si i=0 x x0 = Sh
i = 1 x x1 = (S - 1)h

i = n-1 x xn-1 = (S n+1)h

Si se reemplazan los anteriores valores en el polinomio interpolante de

Newton resulta:

20

A la frmula se le llama frmula de diferencias divididas progresivas de

Newton y generalmente se utiliza cuando el valor x que se quiere aproximar
se encuentra ms cerca de x0 que de xn.
Si los datos x0, x1,..., xn se reordenan como xn, xn-1,..., x1, x0 entonces se
puede construir el polinomio de Newton como:

Para este caso:

Si se reemplazan los anteriores valores en (4), se tiene

Esta frmula se conoce como frmula de diferencias divididas regresivas

de Newton y se utiliza cuando el valor x que se quiere aproximar se
encuentra ms cerca de xn que de x0.
En la tabla de diferencias divididas, los coeficientes para la frmula
progresiva de Newton se encuentran en la diagonal (superior), y para la
frmula regresiva se encuentra en la diagonal (inferior).
21

Interpolacin polinomial a trozos

Frecuentemente la interpolacin polinomial para un conjunto numeroso
de n+1 datos (xi,yi) , resulta ser muy poco satisfactoria debido a que el
polinomio interpolante de grado n puede exhibir fuertes oscilaciones cuando
se usan polinomios de alto grado . Por ejemplo, supngase que los puntos
de datos son aproximaciones a una recta. Al forzar un polinomio de alto
grado a pasar por varios puntos, la curva producida se puede desviar
significativamente de la recta. Para aliviar estas condiciones indeseables
una opcin es ir enlazando, una detrs de otra, las grficas de unos
polinomios de grado bajo Sj(x) que slo interpolan entre dos nodos o puntos
consecutivos (xj,yj) y (xj+1,yj+1). Las porciones adyacentes de la curva y=Sj(x)
e y=Sj+1(x), que se construyen sobre los intervalos [xj,xj+1] y [xj+1,xj+2],
respectivamente, se enlazan una con la otra en el punto (xj+1,yj+1) y el
conjunto

de

funciones Sj(x) forma una curva

polinomial

trozos

o cercha ( en ingls, spline) que se denota por S(x).

Si se usa un polinomio Sj(x) de grado 1 se llama spline lineal y presenta el
problema que la pendiente es discontinua en los puntos (nodos). Si se usa
un spline cuadrtico, este tiene derivada continua en [x0,xn] pero presenta el
problema que cuando hay que especificar las condiciones referentes a la
derivada en los extremos x0 y xn, no hay constantes suficientes para
cerciorarse de que se satisfacen las condiciones. Si se usan polinomios
cbicos entonces tanto la primera derivada como la segunda son continuas
en el intervalo, y en este caso se la llama trazador cbico.
Trazador Cbico
El ajuste de una curva polinomial a trozos a un conjunto de puntos dados
tiene aplicaciones en los campos del diseo asistido por computador, de la
fabricacin asistida por computador y de los sistemas de generacin de
grficas por computador. Lo que generalmente se desea es dibujar una
curva que pase por una serie de puntos, cuyas coordenadas se conocen
22

con precisin, y que sea suave. Tradicionalmente esto se haca usando una
cercha, una regla flexible o un conjunto de plantillas rgidas, con las que se
poda dibujar a mano alzada una curva que parece suave a la mirada.

Matemticamente, es posible construir una funcin cbica Sj (x) en cada

intervalo [xj,xj+1] de manera que la curva definida a trozos y=S(x) que
resulta, es dos veces derivable y la segunda derivada es continua en el
intervalo completo [x0,xn]. La continuidad se S(x) significa que la curva de
ecuacin y=S(x) no tiene picos o esquinas; la continuidad de S(x)
significa que el radio de curvatura est definido en cada punto.
Definicin.
Dada una funcin f definida en [a,b] y un conjunto de nodos a=x0<xl<...<xn=b un
trazador cbico ( o spline cbico) S para f es una funcin que cumple con las
siguientes condiciones:
I) S(xj)=f(xj)=yj para j=0,1,2,...,n ( indica que el trazador se ajusta a cada uno de
los puntos)
II) Sj(xj+1)= Sj+1(xj+1) para j=0,1,2,...,n-2 (indica que el trazador es continuo)
III) S(xj+1) = Sj+1(xj+1) para j=0,1,2,...,n-2 (indica que la pendiente es continua)
IV) Sj(xj+1) = Sj+1(xj+1) para j=0,1,2,...,n-2 (indica que la curvatura es continua)
V) Se satisface uno de los siguientes conjuntos de condiciones de frontera
a) S'(x0)=S(xn)=0 ( el trazador se llama libre o natural )
b) S'(x0)=f(x0) y S(xn)=f(xn) ( el trazador se llama sujeto)

Primero

Cmo

hallar

se

supone

el

trazador
que Sj(x), xj

cbico
x

de

xj+1 es

una
de

funcin f ?
la

forma:

Sj(x)= aj + bj(x-xj) + cj(x-xj)2 + dj(x-xj)3, para j=0,1,2,...,n -1

23

Por la condicin I.)

Sj(xj)= aj= f(xj)

= yj

Sj+1(xj+1)= aj+1
Si se aplica la condicin II.):

Sj+1(xj+1)= Sj(xj+1)
aj+1= aj + bj(xj+1-xj) + cj(xj+1-xj)2 + dj(xj+1-xj)3
si hj=xj+1-xj, j=0,1,2,...,n-1
aj+1= aj + bjhj + cjhj2 + djhj3

Observe que

Sj(x)= bj + 2cj(x-xj) + 3dj(x-xj)2

Sj(xj)= bj
Sj+1(xj+1)= bj+1

por la condicin III.):

Sj+1(xj+1)= Sj(xj+1)
bj+1= bj + 2cj(xj+1-xj) + 3dj(xj+1-xj)2
bj+1= bj + 2cjhj + 3djhj2

Est claro que

Sj(x)= 2cj + 6dj(x-xj)

Sj(xj)=2cj
Sj+1(xj+1)=2cj+1

por la condicin IV.):

Sj+1(xj+1)= Sj(xj+1)
2cj+1=2cj+6dj(xj+1-xj)
cj+1=cj+3djhj

Al despejar bj en la ecuacin se tiene que

Si bj y bj-1 se reemplazan en la ecuacin se obtiene:

24

Para j=1,2,...,n-1
El sistema tiene slo como incgnitas a cj, ya que los valores de hj estn
dados por el espaciado de los nodos xj (recuerde que hj = xj+1 - xj); y los
valores de ajson los valores de f en los xj (aj = f(xj).)
Si en la ecuacin se reemplaza j=1,2,...,n-1 se obtiene el sistema

Si el trazador es natural entonces S(x0) = 0 = S(xn) y teniendo en

cuenta la ecuacin(*)
Sj(x) = 2cj + 6dj(x-xj), S0(x0) = 2c0 + 6d0(x0-x0) = 2c0, luego c0=0, de la
misma forma cn = 0.

25

El sistema anterior junto con las ecuaciones c0=0 y cn=0 se puede escribir
en forma matricial como

Observe que la matriz del sistema es estrictamente dominante en sentido

diagonal por lo tanto el sistema lineal tiene una nica solucin
c0, c1, c2,..., cn.

Una vez que se hallan los valores de

usando la ecuacin y los

cbicos

se encuentran los

. Finalmente es fcil construir los polinomios

Ajuste de curvas por mnimos cuadrados

En la ciencia y la ingeniera se da, a menudo, el caso de que un
experimento produce un conjunto de datos (x1,y2), (x2,y2), ..., (xn,yn). El
objetivo en esta seccin es determinar una frmula y = (x) que relacione
las variables. Generalmente se dispone de un conjunto de variables
previamente establecidas, y lo que hay que hallar son los valores ms
adecuados de unos coeficientes o de unos parmetros para estas frmulas.
Aunque existen muchas funciones que se pueden usar, suele ocurrir que
existe un modelo matemtico subyacente, basado en la situacin fsica que
se est estudiando y determina la forma de la funcin salvo algunos
coeficientes.
26

Si la relacin entre xi e yi para 1

n, es lineal, entonces la funcin que

mejor se ajusta a los datos es una lnea de aproximacin de la forma:

y = ax + b
Una forma para encontrar la recta ptima es el mtodo de los mnimos
cuadrados y consiste en hallar el valor de las constantes a y b de tal
manera que reduzcan al mnimo la suma de los cuadrados de los errores
entre los valores yi dados y los valores y (xi) = axi + b en la lnea de
aproximacin.

La cantidad se puede considerar una funcin de dos variables a y b, a

la que se le quiere hallar un mnimo. Para que ocurra un mnimo es
necesario que las derivadas parciales

sean cero. Observe que la xi y

el yi son puntos de datos.

Al dividir entre 2 cada una de estas ecuaciones y desarrollar las

sumatorias se obtienen las llamadas ecuaciones normales

La solucin del sistema, de dos ecuaciones con dos incgnitas es

27

Por lo tanto la recta que mejor se ajusta a los datos (xi, yi), 1
n relacionados

en

forma

lineal

es y = ax + b con a y b dados

El problema de aproximar un conjunto de datos (xi, yi), 1

i
por.

n con un

polinomio algebraico Pm(x) de grado m < n 1 mediante el procedimiento

de mnimos cuadrados, es similar al de y = ax + b (Ver ejercicio 24de

este

captulo.
En muchos casos los datos provenientes de pruebas experimentales no
son lineales por lo que es necesario ajustarlos a una funcin que no sea un
polinomio de primer grado. Algunas veces conviene suponer que los datos
tienen una relacin exponencial. Para ello, la funcin de aproximacin debe
tener la forma:
y = Beax o bien
y = Bxa para algunas constantes a y B
Es posible desarrollar ecuaciones normales para stas de manera
anloga al desarrollo precedente para una recta por mnimos cuadrados si
las derivadas parciales se igualan a cero. Tales ecuaciones no lineales son
mucho ms difciles de resolver que las ecuaciones lineales. Por esta razn
el mtodo que suele utilizarse cuando se sospecha que los datos tienen
una relacin exponencial, consiste en considerar el logaritmo de la ecuacin
de aproximacin:
y = Beax

y = Bxa

ln y = ln(Beax)

ln y = ln(Bxa)

ln y = ln B + ln eax

ln y = ln B + ln xa

ln y = ax + ln B (6)

ln y = aln x + ln B
28

(se conocen como formas linealizadas)

Observe que en se presenta en una relacin lineal entre x y ln y, por lo
que se pueden usar las frmulas dadas en para resolver el problema lineal
cambiando yi por ln yi y b por ln B.

Una ventaja adicional de las formas lnealizadas es que las grficas de

los datos en papel Log-Log o en papel semilogartmico muestran a simple
vista si estas formas son idneas, en el sentido de que una recta representa
los datos cuando se trazan de esa manera.
Diferenciacin e Integracin Numrica
Diferenciacin Numrica
Diferenciacin
numrico para producir una

numrica
estimacin

es
del

una

tcnica

de

anlisis

derivado d e

la

funcin

matemtica o funcin subprograma usando valores de la funcin y

quizs del otro conocimiento sobre la funcin. Una valoracin simple del
dos-punto es computar la cuesta de una prxima lnea secante.
Supondremos que para calcular la derivada en un punto dado
conocemos los valores de la funcin en cualquier punto arbitrariamente
prximo a este.
Se define la derivada de en x0 como.

Una manera razonable de aproximar la derivada es

29

Para el caso de una funcin lineal o ecuacin lineal, (x) = ax + b, la

aproximacin dada por la expresin, resulta exacta para cualquier valor de
h distinto de cero. Pero para cualquier funcin en general no siempre
resulta exacta.
En este mtodo se usa unas series de expresiones usando el teorema de
Taylor asociando los polinomios de grado 1.

Con esta frmula se puede obtener fcilmente otro complemento de la

diferenciacin numrica como es el caso de diferencia hacia atrs, ambas
frmulas presentan la misma aproximacin o el error.:

Integraciones Numricas
El objetivo de esta seccin es aproximar la integral definida de una
funcin (x) en un intervalo [a, b] es decir

Los mtodos de integracin numrica se usan cuando (x) es difcil o

imposible de integrar analticamente, o cuando (x) est dada como un
conjunto de valores tabulados.
La estrategia acostumbrada para desarrollar frmulas para la integracin
numrica consiste en hacer pasar un polinomio por puntos definidos de la
funcin y luego integrar la aproximacin polinomio de la funcin .
30

La Regla del Trapecio

Considrese la funcin en el intervalo [a, b], con los puntos (a, (a)) y (b,
(b)) se construye el polinomio de Lagrange de grado uno.
(x) = P1(x) + E, donde E es el error en la aproximacin

Si h = b - a

La expresin que aproxima el valor de la integral se conoce como regla

del trapecio, porque geomtricamente se puede interpretar que se aproxima
el rea bajo la curva por el rea bajo un polinomio de grado uno P1(x) y la
figura que resulta es un trapecio como en la grfica.

31

La regla del trapecio es exacta para funciones lineales (f(x) = mx + c) ya

que el trmino de error contiene f''(z) y este caso f''(x) = 0

y el error sera

cero.
Grfica:

Regla de Simpson
Una forma evidente de mejorar la aproximacin de una integral es con
una mejor aproximacin para el integrando (x). Esto se puede lograr con
un polinomio de grado 2.
Considrese

la

funcin

(x)

en

el

intervalo

[a, b]

y x0 = a, x1 = x0 + h, x2 = b, donde.

Con los puntos (x0, (x0)), (x1, (x1)) y (x2, (x2)) se construye el polinomio de
Lagrange de grado 2,

32

Ahora La integral del polinomio se resuelve por partes y resulta:

Reemplazando x1 = x0 + h, x2 = x0 + 2h resulta:

Luego,

Por lo tanto.

33

La regla de Simpson es exacta para funciones polinmicas de grado menor

o igual a 3, ya que el error contiene

y la cuarta derivada de un polinomio

de grado menor o igual que 3 es cero.

Grafica

Solucin numrica de ecuaciones diferenciales ordinarias

Mtodo de Euler
El mtodo rara vez se utiliza en la prctica para obtener la solucin
aproximada de un problema de valor inicial, pero se estudia por su simplicidad
en la derivacin de la frmula y de la determinacin del error. Los mtodos de
orden superior utilizan las mismas tcnicas, pero el lgebra que requieren es
mucho ms complicada.

yi+1= yi +h f(ti, yi)

para i = 0, 1,2,3 ..., N - 1

y0=

34

Este mtodo se conoce como el mtodo de Euler o mtodo de Taylor de

orden 1 ( mtodo de las tangentes).
Observe que y1 = y0 + hy'0, y2 = y1 + hy'1 donde y'0 = y'(t0) , y'1 = y'(t1).
En la grafica se muestran varios pasos del mtodo de Euler. Los puntos
(t1, y1),(t2, y2),...,(tN , yN) son aproximaciones a los puntos (t1, y(t1)) ,
(t2, y(t2)), ..., (tN ,y(tN)) en la curva solucin y(t).
Grafica

Mtodo de Euler Mejorado

Se conoce como frmula de Euler mejorada. Porque los valores f(ti, yi)
y f(ti+1, yi+1) son aproximaciones a la pendiente de la curva en (ti, y(ti)) y
(ti+1, y(ti+1)) por consiguiente el cociente.

35

Puede interpretarse como una pendiente promedio en el intervalo

entre ti y ti+1.
Las ecuaciones en (5) pueden visualizarse fcilmente. En la grafica se
muestra el caso en el que i = 0, obsrvese que f(t0, y0) y f(ti, y*1) son
pendientes de las rectas que se indican, las cuales pasan por los puntos
(t0, y0) y (t1, y*1) respectivamente. Tomando un promedio de estas
pendientes se obtiene la pendiente de las rectas oblicuas punteadas. En
vez de seguir la recta de pendiente m = f(t0, y0) hasta el punto de
ordenada y*1 obtenida mediante el mtodo de Euler normal, se contina la
recta por (t0, y0) con pendiente mprom hasta llegar a t1, Examinando la figura
parece razonable admitir que y1 es una mejora de y*1.
Se puede decir que el valor de y*1 = y0 + hf(t0, y0) predice el valor
de y(t1),en tanto que corrige esta estimacin.

GRAFICA

36

Mtodo de runge-kutta
Uno de los mtodos numricos ms utilizado y preciso para obtener
soluciones aproximadas de las ecuaciones diferenciales es el mtodo de
Runge-Kutta de cuarto orden. Este mtodo consiste en determinar
apropiadamente constantes de manera que una frmula como:
yi+1 = yi + ak1+ bk2+ ck3+ dk4
Coincida con un desarrollo de Taylor hasta h4, es decir hasta el quinto
termino. Las ki son constantes mltiplos de f(x, y) evaluadas en ciertos
puntos. La deduccin del mtodo es bastante tediosa, por lo que slo se
darn los resultados.
yi+1 = yi + 1/6(k1 + 2k2 + 2k3 + k4)
k1 = h f(ti, yi)
k2 = h f(ti + 1/2h, yi + 1/2k1)
k3 = h f(ti+ 1/2h, yi + 1/2k2)
k4 = h f(ti + h, yi + k3)

37

Observe que k2 depende de k1; k3 depende de k2 y as sucesivamente.

Adems k2 y k3 implican aproximaciones a la pendiente en el punto medio
del intervalo entre ti y ti+1= ti+h

CONCLUCION
La funcin principal de informe tuvo como objetivo primordial la aplicacin
de mtodos numricos para la solucin de diferentes problemas matemticos,
dndole a cada mtodo un ejemplo prctico y explcito de como desarrollarlo,
expusimos de temas que solo fueron bsicos y definiciones de las mismas ya que
las mimas ya tenemos conocimientos bsicos y son aplicables en varias ramas de
la ingeniera como lo son la interpolacin y la extrapolacin.
Un informe que tiene un nivel educativo universitario, introducindonos un
poco en el tema de matemticas para ingeniera y ampliando nuestros
conocimientos en temas bsicos y temas de un cierto grado de complejidad.

38

BIBLIOGRAFIA
La informacin fue extraida de un libro recomendado en clases
R. Burden y J. D. Faires: Anlisis Numrico. 6 edicin. Thomson. 1998

39