Los mtodos numricos son

metodologas
que
utilizan
tcnicas meramente algebraicas
y aritmticas
para
resolver de
Matemtica
Superior Aplicada
Resumen de Teora
forma aproximada
ecuaciones o
sistemas
de
ecuaciones
complejos, que analticamente
resultan muy difciles e incluso
imposibles de resolver. Para el
caso
de
aplicaciones
de
ingeniera sirven exactamente
para lo mismo: resolver modelos
analticamente
complejos
mediante
la
aplicacin
de
tcnicas matemticas bsicas
(estas tcnicas numricas, son
las bases para la solucin y
simulacin
de
problemas
complejos
utilizando
computadoras). En esta gua se
Armoa, Maximiliano

Y complementos de ejercicios
Maximiliano Armoa
AO 2012

40

Armoa, Maximiliano

Contenido
Introduccin...........................................................................................................3
Teorema de Taylor.................................................................................................4
Los Coeficientes de un polinomio en trminos de sus derivadas......................7
Errores.................................................................................................................10
Definiciones.....................................................................................................10
Sistemas de numeracin:.................................................................................10
Errores en una funcin:....................................................................................11
Grafos:.................................................................................................................12
Grafo de funcin de dos argumentos...............................................................13
Interpolacin........................................................................................................15
Definicin........................................................................................................15
Interpolacin Lineal y polinomio interpolador de Lagrange...........................15
Trminos y cotas de error............................................................................16
Polinomio Interpolador de Newton.................................................................17
Mtodo de diferencias divididas..................................................................17
Cota de error................................................................................................18
Mnimos Cuadrados.........................................................................................18
Splines.............................................................................................................19
Sistema de Ecuaciones Lineales..........................................................................21
Introduccin.....................................................................................................21
Tipos de Sistemas............................................................................................22
Mtodos para resolver sistemas de ecuaciones lineales..................................22
Eliminacin Gaussiana y pivoteo................................................................23
Factorizacin Triangular..............................................................................23
Mtodo de Jacobi.............................................................................................24
Criterio de paro de la iteracin de Jacobi....................................................25
Mtodo iterativo de Gauss-Seidel....................................................................25
Determinacin de la convergencia de ambos mtodos de iteracin................26
Para sacar la matriz T de Jacobi:.................................................................26
Para sacar la Matriz T de Gauss Seidel.....................................................27
Determinacin de convergencia..................................................................27
Clculo de autovalores.................................................................................27
Ajustes.................................................................................................................28
Rectas de regresin en Mnimos cuadrados.....................................................28
Determinacin de la regresin.....................................................................28
Integracin Numrica..........................................................................................29
Definicin............................................................................................................29
Grado de precisin...............................................................................................30
Frmulas de cuadratura cerradas de Newton - Cotes..........................................31
Precisin de las frmulas de Newton Cotes.................................................31
Frmulas de cuadratura cerrada de Newton Cotes...........................................32
Reglas de Trapecio y Simpson con sus respectivos errores.............................32
Anlisis de error para la regla compuesta de trapecios y Simpson..............36
Cuadratura de Gauss Legendre.....................................................................38
Ecuaciones Diferenciales.....................................................................................40
Condicin de Lipschitz....................................................................................40

40

Armoa, Maximiliano
Mtodo de Euler..................................................................................................41
Descripcin geomtrica...................................................................................42
Error.................................................................................................................43
Error de truncamiento global.......................................................................43
Error de truncamiento local.........................................................................43
Precisin de Euler............................................................................................43
Runge Kutta de orden 4 (RK4).........................................................................44
Error de RK4...................................................................................................44
Transformadas de Laplace...................................................................................46
Introduccin a transformada............................................................................46
Notacin...........................................................................................................49
Condicin para aplicar la transformada...........................................................53
Pasos para resolver un problema con las transformadas de Laplace...............54

40

Armoa, Maximiliano

Introduccin
Este es un resumen confeccionado como gua de estudio para la materia
Matemtica superior aplicada de la carrera de Ingeniera Qumica, esta hecho con el fin
de ser una herramienta mas y como un resumen de la materia para su eventual estudio.
Es solo para ayuda, no se recomienda estudiar solo de este material (aunque cada uno es
libre de hacer lo que quiera) y la idea es mejorarlo en todo momento posible para
brindar una ayuda a todos los compaeros que la cursan o cursarn.
Es una recopilacin de apuntes tomados en clase, de extracciones de
distintos libros y varias fuentes de Internet.
Vuelvo a repetirlo para que quede claro, es un material recopilado por un
estudiante y no es un apunte de la ctedra.
Espero les sirva como me sirvi a mi.
Ahh me olvidaba, cualquier mejora que se le pueda hacer (que
seguramente son muchas) bienvenidas sean.
Gracias por difundirlo
Armoa Maximiliano

40

Armoa, Maximiliano

Teorema de Taylor
Sabemos que la recta tangente, como la mejor aproximacin lineal a la grfica
de f en las cercanas del punto de tangencia (xo, f (xo)), es aquella recta que pasa por el
mencionado punto y tiene la misma pendiente que la curva en ese punto (primera
derivada en el punto), lo que hace que la recta tangente y la curva sean prcticamente
indistinguibles en las cercanas del punto de tangencia. Grficamente podemos observar
que la curva se pega "suavemente" a la recta en este entorno, de tal manera que "de
todas las rectas que pasan por el punto, es esta recta la que ms se parece a la curva
cerca del punto".

Ntese que cerca del punto de tangencia, la curva se comporta casi linealmente,
como se puede apreciar si hacemos acercamientos a la grfica anterior

40

Armoa, Maximiliano

Como observamos en los problemas de diferencial, si x se encuentra "lejos" de

xo, la recta tangente ya no funciona como aproximador. Parece pues natural
preguntarnos por otra funcin (no lineal) que sirva a nuestros propsitos. La recta
tangente es un polinomio de grado 1, el ms sencillo tipo de funcin que podemos
encontrar, por lo que podemos tratar de ver si es posible encontrar un polinomio de
grado dos que nos sirva para aproximar nuestra funcin en un rango ms grande que la
recta tangente.
Veamos que sucede si en lugar de aproximarnos con una recta tratamos de
hacerlo con una parbola, es decir tratemos de encontrar de todas las parbolas que
pasan por (xo, f (xo)), la que mejor aproxima a la curva, es decir tratemos de encontrar
"la parbola tangente". Ntese que la parbola tangente a una curva no es nica.

40

Armoa, Maximiliano
Naturalmente a esta parbola P(x) = a + b(x- x o) + c(x- xo)2 debemos pedirle que
pase por el punto, que tenga la misma inclinacin (primera derivada) y la misma
concavidad que la parbola (segunda derivada), es decir debemos pedirle:
a) P (xo) = f (xo)
b) P ' (xo) = f ' (xo)
c) P '' (xo) = f '' (xo)
Como P (xo) = a, P'(x) = b y P''(x) = 2c, concluimos que
a = f (xo), b = f ' (xo) y c = (1/2) f (xo)
Quedando la ecuacin de la parbola que mejor aproxima a la curva en las
cercanas de (xo, f (xo)), como:

En la figura de abajo, observamos grficamente los tres sumandos de la

expresin de la parbola tangente. Los dos primeros nos dan la altura sobre la recta
tangente y aadindole el tercero nos da la altura sobre la parbola tangente.

40

Armoa, Maximiliano
Verifiquemos lo anterior en el caso particular de la funcin

, xo = 0 y

valores de x cercanos a 0
En la tabla de abajo observamos que la parbola tangente a la grfica de f en
(0,1) efectivamente es una mejor aproximacin para f que la recta tangente, para valores
cercanos a 0.
x

1+x

1.0

2.5

2.718281828

0.5

1.5

1.625

1.6487212707

0.3

1.3

1.345

1.34985880757

0.1

1.1

1.105

1.10517091807

0.01

1.01

1.01005

1.010050167

0.001

1.001

1.0010005

1.00100050016

Los Coeficientes de un polinomio en trminos de sus derivadas

Un polinomio de grado n est completamente determinado por sus (n+1)
coeficientes.
P(x) = ao + a1 (x- xo) + a2 (x- xo)2 + ... + an (x- xo)n
En lo sucesivo, expresaremos al polinomio en potencias de (x - x o) y
encontraremos sus coeficientes en trminos de las derivadas evaluadas en xo.
P '(x) = a1 +2 a2 (x- xo) + 3a3 (x- xo)2 + 4a4 (x-xo)3 +... + nan (x- xo)n-1
P(2)(x) = 2 a2 + (2)(3)a3 (x- xo ) + (3)(4)a4 (x-xo )2 +... + n(n-1)an (x- xo)n-2
P(3)(x) = (2)(3)a3 + (2)(3)(4)a4 (x-xo ) +... + n(n-1)(n-2)an (x- xo)n-3

P(n) (x) = (1) (2)... (n) an = n! an

40

Armoa, Maximiliano
De donde, evaluando cada una de estas derivadas en x o, obtenemos los
coeficientes del polinomio:
ao = P(xo), a1 = P '(xo),

, ... ,

y en consecuencia la expresin del polinomio ser:

......(I)
Volviendo a la representacin (I), si f no es un polinomio, obviamente no podr
representarse de la misma manera, sin embargo en vista de que para, la recta tangente,
que es un polinomio de grado 1, se cumple que para x cercano a xo:

y grficamente observamos que para x cercano a xo, la funcin es muy parecida a

su "parbola tangente", es decir:

surge de manera natural preguntarnos si para valores cercanos a xo, se cumplir:

Entonces al polinomio:

Lo llamaremos el POLINOMIO DE TAYLOR de grado n para f, en el

punto xo.
El Teorema de Taylor que a continuacin enunciaremos sin demostracin, nos
dice que bajo ciertas condiciones, una funcin puede ser expresarse como un polinomio
de Taylor ms un cierto error, es decir
f(x) = Pn(x) + En

40

Armoa, Maximiliano
y adems nos dir como estimar este error.
TEOREMA DE TAYLOR. Sea f continua en [a, b] y con derivadas hasta de
orden n continas tambin en este intervalo cerrado; supngase que f (n+1) (x) existe en
(a,b), entonces para x y xo perteneciente a (a,b) se tiene:

Donde:

En =

y c es un punto que se encuentra entre x y xo.

40

Armoa, Maximiliano

Errores
Definiciones
Error absoluto = | a am|
Error relativo = | a am | / a
Como podemos notar, el error absoluto tiene unidad y el relativo carece de ella.
Adems la magnitud del error relativo es independiente de la magnitud medida.

Sistemas de numeracin:
Diremos que un nmero xo es una aproximacin a x con d cifras decimales
significativas si d es el mayor nmero natural tal que
Error por redondeo
| x - x0| <
|x|

b-d
2

Error por truncamiento

| x - x0| < b-d
Punto flotante: los nmeros se escriben con mantisa y exponente.
a=M*bE
b-1 |M|1
Ejemplo: 1234.45678 = 0.12345678 * 104. Notemos que 10-1 |0.12345678|1
Para el error absoluto con redondeo
| x - x0| < b-m * bE
2
Si divido ambos miembros por |x|

40

Armoa, Maximiliano

| x - x0|

b-m * bE

<

|x|

b-m * bE

b-m

2 |M|* bE

2 |x|

b-m * b (sabiendo que b-1 |M|)

2

Error de precisin de mquina

Para una computadora que trabaja con 8 bytes m=16
Con lo anterior deducimos que el error absoluto (sabiendo que d son decimales
significativos)
10-d
2
Con error relativo (con t cantidad de dgitos significativos)
101-t
2

Errores en una funcin:

F(x + x) = f(x) + x * f(x) + O(x)2
F(x + x) - f(x) = x * f(x)
f = f* x (al dividir por f ambos miembros)
f = f* x (multiplico y divido el segundo miembro por x)
f

f = f* x * x
f

f = f* x * x
f

f* x = FAX (FACTOR DE AMPLIFICACION DE X)

f

El FAX indica como vara su funcin en relacin a su derivada

40

Armoa, Maximiliano
f = FAX * x

se puede prolongar para varias variables.

Grafos:
Un grafo es un conjunto de objetos (llamados vrtices o nodos) unidos por
enlaces (llamados aristas o arcos) que permiten representar relaciones binarias entre
elementos de un conjunto. Permiten estudiar las interrelaciones entre unidades que
interactan unas con otras.
Ejemplo Suma

FAX

x+y

x+y

FAY

Recordemos que:

FAX = f* x
f
SUMA
Entonces
f = x *x + y * y + SUMA
x+y

x+y

En base a lo anterior: se obtiene la siguiente tabla:

40

Armoa, Maximiliano

Operacin
Suma
Resta
Multiplicacin
Divisin

FAX
X

FAY
Y

X+Y
X

X+Y
-Y

X-Y
1
1

X-Y
1
-1

Grafo de funcin de dos argumentos

FAX

fx(x, y) * x

fy(x, y) * y

f(x, y)

FAY

f(x, y)
Recordemos que:

f(a, b)

FAX = fx* x
f
OPERACION
Entonces
f = fx(x, y) * x * x + fy(x, y) * y * y + OPERACION
f(x, y)

f(x, y)
Vale aclarar que en cada funcin (cada operacin) tenemos:

La funcin
El error de la funcin
El error de operacin
A los errores de datos los acotamos con i y a los errores de operacin con

40

Armoa, Maximiliano
(hay que tener en cuenta que esto es la posicin de decimales que plantee el
problema o bien dicho las cifras significativas)
Todo lo que est multiplicando a i se lo llama condicin del problema, el termino
que multiplica a (termino de estabilidad) depende del grafo utilizado.
Un algoritmo se dice numricamente ms estable que otro si su trmino de
estabilidad es menor.
Se puede definir un algoritmo estable si:
(COND+ESTAB) >> 1
COND

40

Armoa, Maximiliano

Interpolacin
Definicin
Se denomina interpolacin a la obtencin de nuevos puntos partiendo del
conocimiento de un conjunto discreto de puntos.
En ingeniera es frecuente disponer de un cierto nmero de puntos obtenidos por
muestreo o a partir de un experimento y pretender construir una funcin que los ajuste.
En todo caso, se trata de, a partir de n parejas de puntos (xk,yk), obtener una
funcin f que verifique

A la que se denomina funcin interpolante de dichos puntos. A los puntos xk se

les llama nodos.
En esta unidad se vern los mtodos de mnimos cuadrados, Lagrange, Newton
y splines.

Interpolacin Lineal y polinomio interpolador de Lagrange

En esta interpolacin se utiliza un segmento rectilneo que pasa por dos puntos
que se conocen. La pendiente que pasa por esos dos puntos es:
m = y 1 - y0
x1 x0
Para calcular un punto intermedio, basta con reemplazar el valor de x en la
ecuacin:
y = p(x) = y0 + (x - x0) * y1 - y0
x1 x0
Otra forma de expresar este polinomio es:
p(x) = y0 + (y1 - y0) * x - x0
x1 x0
Aplicando distributiva en el producto del parntesis obtenemos:
p(x) = y0 + (x - x0) * y1 (x - x0) * y0
x1 x0

40

x1 x0

Armoa, Maximiliano
Si sacamos como factor comn y0 obtenemos:
p(x) = y0 * (x x1) + y1 * (x - x0)
x0 x1

x1 x0

Los trminos que multiplican a las yk se llaman polinomios coeficientes de

Lagrange:
L1,0(x) = (x x1)

L1,1(x) = (x x0)

x0 x1

x1 x0

Por lo general la frmula para interpolacin para polinomios lineales se expresa:

P1(x) = yk * L1,k(x)
Esta sumatoria va de cero a uno.
Observamos que para definir una funcin lineal (polinomio de grado 1) se
necesitan dos puntos (k = 0 y k = 1), de modo similar, para una cuadrtica se necesitan
tres puntos (k = 0, k = 1 y k = 2). Se necesitan n+1 puntos para obtener un polinomio
de grado n.
Para calcular un polinomio de grado N usamos:
P1(x) = yk * LN,k(x)
De donde LN,k = (x - x0) * (x x1) * * (x xk-1) * (x xk+1) * * (x xN)
(xk - x0) * (xk x1) * * (xk xk-1) * (xk xk+1) * * (xk xN)
En el numerador no aparece el trmino (x xk).
En el denominador no aparece el trmino (xk xk).
En pocas palabras, sacamos los trminos que anulan tanto numerador como
denominador.

Trminos y cotas de error

El trmino de error es similar al de Taylor:
En(x) = (x xk) * f n+1
(n+1)!

40

Armoa, Maximiliano
Sabiendo que la productoria va de 0 a n.

Polinomio Interpolador de Newton

Este polinomio se calcula mediante un esquema recursivo:
P1(x) = a0 + a1 (x x0)
P2(x) = a0 + a1 (x x0) + a2 (x x0) (x x1)
P3(x) = a0 + a1 (x x0) + a2 (x x0) (x x1) + a3 (x x0) (x x1) (x x2)

Pn(x) = a0 + a1 (x x0) + a2 (x x0) (x x1) + + an (x x0) (x x1) ... (x xn-1)

Mtodo de diferencias divididas

Este mtodo sirve para calcular los coeficientes del polinomio interpolador de
Newton. Debemos calcular las siguientes generalidades:
f[xk] = f(xk)
f[xk-1; xk] = f[xk] f[xk-1]
xk - xk-1
f[xk-2; xk-1; xk] = f[xk-1; xk] f[xk-2; xk-1]
xk - xk-2
f[xk-3; xk-2; xk-1; xk] = f[xk-2; xk-1; xk] f[xk-3; xk-2; xk-1; xk]
xk - xk-3
Para ello, vamos a construir una tabla de diferencias divididas:
k

[xk]

f[xk-1; xk]
(Y1 - Y0)/ (X1 - X0) (b)
(Y2 Y1)/ (X2 X1)

f[xk-2; xk-1; xk]

(a-b)/( X2 - X0)

f[xk-3; xk-2;xk-1; xk]

-

Coefi
cientes del
(a)
polinomio

(Yn Yn-1)/ (Xn Xn-1)

Una vez completado el cuadro, los nmeros que quedan en la diagonal

principal son los coeficientes del polinomio interpolador de Newton.

40

Armoa, Maximiliano

Cota de error
Es igual que el trmino de Lagrange:
En(x) = (x xk) * f n+1
(n+1)!
Sabiendo que la productoria va de 0 a n.

Mnimos Cuadrados
En su forma ms simple, intenta minimizar la suma de los cuadrados de las
diferencias ordenadas (llamadas residuos) entre los puntos generados por la funcin y
los correspondientes en los datos.
El mtodo de resolucin se basa en resolver un sistema de ecuaciones dado un
conjunto de n puntos. Tenemos como funcin de ajuste a una funcin lineal y = a0 + a1 x
Se debe plantear:

xk2 * A + xk * B = xk * yk

xk* A + N * B = yk
Para el cual es conveniente realizar una tabla como la que se muestra a

continuacin.
2
N de puntos
xk
yk
xkyk
xk
1
X1
Y1
(X1)2
X1Y1
2
X2
Y2
(X2)2
X2Y2
3
X3
Y3
(X3)2
X3Y3

n
Xn
Yn
(Xn)2
XnYn
Total
xk
yk
xk2
xk * yk
Resolviendo el sistema encontramos los coeficientes a y b correspondientes a la

ecuacin y = A x + B.
Coeficientes

Otra forma de encarar el problema:

Si planteamos que la ecuacin lineal es y = a 0* 1 + a1* X, podemos tomar a los

coeficientes que tienen los ak y armar una matriz de 2 columnas y n filas (por la cantidad
de puntos) de manera tal que la primer columna sean los coeficientes de a 0
generalmente es 1- y la segunda columna los coeficientes de a1 generalmente los
valores de x:

40

Armoa, Maximiliano

F=

x1

x2

x3

x1

x2

x3

xn

=> F t =

1.xn
A = F t * F -------- notemos que esta matriz es de 2x2
B = F t * y -------- notemos que la matriz y es de 8x1 y B de 2x1
De ac resuelvo es sistema de ecuaciones matricial A*C = B donde C son los
coeficientes a calcular. (Sabemos que C es una matriz de 1 x n).

Splines
La interpolacin por splines consiste en armar varios polinomios entre los puntos
(o nodos) de manera tal de tener una funcin a tramos que, generalmente, ser
continua pero no derivable. Para m+1 puntos voy a tener m curvas de splines.
Un factor a tener en cuenta es que, el grado del polinomio de splines me da una
idea de los grados de libertad que tengo para resolver el sistema, si el grado del
polinomio de cada spline es n, necesito n+1 ecuaciones para resolver todos los
coeficientes de cada spline.
Analizando lo anterior, n+1 ecuaciones por cada spline y m curvas de spline
necesito (n+a)*m ecuaciones ya que este nmero es la cantidad de incgnitas que tengo.
Por ejemplo, si tengo 5 puntos tengo que armar 4 splines, y si cada spline es
cbica, tengo 4 incgnitas por cada spline. Por consiguiente necesito 4*4 = 16
ecuaciones para encontrar todos los coeficientes.
Vamos a armar las ecuaciones de cada una:
1. Si analizamos por continuidad, conozco dos puntos por cada spline (seran los
extremos de cada una) por lo que puedo formar 2*m ecuaciones.
2. Podemos obtener mas ecuaciones si planteamos la continuidad en la derivada
primera (las derivadas primeras en los puntos interiores son iguales). Este
planteo me da m-1 ecuaciones ya que en los extremos no puedo calcular la
continuidad (que equivalen a dos puntos = 1 spline menos)

40

Armoa, Maximiliano
3. En caso de que nos sigan faltando ecuaciones, planteamos continuidad en la
derivada segunda y seguimos as hasta obtener todas las ecuaciones necesarias.
Una vez obtenidas todas las ecuaciones, armamos el sistema de ecuaciones
lineales de forma matricial (para facilitar cuentas) y resolvemos el sistema.
Notemos que el sistema de ecuaciones lineales que es generalmente grande (de
grandes dimensiones).
Ejemplo grfico

40

Armoa, Maximiliano

Sistema de Ecuaciones Lineales

Introduccin
Un Sistema de ecuaciones lineales es un conjunto de ecuaciones lineales (de
grado 1) definidas sobre un cuerpo o un anillo conmutativo.

El problema consiste en encontrar los valores desconocidos de las variables x1, x2

y x3 que satisfacen las tres ecuaciones.
En general, un sistema con m ecuaciones lineales y n incgnitas puede ser
escrito en forma normal como:

Donde

son las incgnitas y los nmeros

coeficientes del sistema sobre el cuerpo

son los

. Es posible reescribir el

sistema separando con coeficientes con notacin matricial:

(1)
Si representamos cada matriz con una nica letra obtenemos:

40

Armoa, Maximiliano
Donde A es una matriz m por n, x es un vector columna de longitud n y b es otro
vector columna de longitud m.

Tipos de Sistemas
Los sistemas de ecuaciones se pueden clasificar segn el nmero de soluciones
que pueden presentar. De acuerdo con ese caso se pueden presentar los siguientes casos:

Sistema incompatible si no tiene solucin.

Sistema compatible si tiene solucin, en este caso adems puede distinguirse

entre:
o

Sistema compatible determinado cuando tiene una nica solucin.

Sistema compatible indeterminado cuando admite un conjunto infinito

de soluciones.

Quedando as la clasificacin:

Desde un punto de vista algebraico los sistemas compatibles determinados se

caracterizan porque el determinante de la matriz es diferente de cero:

Mtodos para resolver sistemas de ecuaciones lineales

Un sistema de ecuaciones lineales se puede optar resolver por dos caminos:
Mtodo directo el cual implica demasiadas cuentas pero una solucin segura. En
estos mtodos encontramos el mtodo de Gauss y sustitucin regresiva y la
factorizacin triangular.
Mtodos iterativos el cual las cuentas se reducen considerablemente pero puede
que la iteracin no converja.

40

Armoa, Maximiliano

Eliminacin Gaussiana y pivoteo

Para poder resolver un sistema de ecuaciones lineales por eliminacin gaussiana
necesitamos un sistema de N ecuaciones con N incgnitas. El objetico es construir una
matriz triangular superior para realizar una sustitucin regresiva.
Una vez obtenida la matriz triangular superior despejamos de la ltima ecuacin
una incgnita, la reemplazamos en la de arriba y despejamos la otra incgnita y as
sucesivamente hasta obtener todas las incgnitas a buscar.
Una de las formas ms rpidas para la obtencin de la matriz triangular superior
es el mtodo de pivoteo, para el cual tenemos que seguir los siguientes pasos:
1. Ampliamos la matriz A agregndole como ltima columna la matriz de
resultados.
2. Multiplicamos por algn escalar la primer fila de manera tal que el elemento a 11
sea el nmero 1 (esto no es necesario hacerlo, se hace para facilitar los clculos).
Generalmente se divide toda esa fila por el pivote elegido.
3. Pivoteamos toda la diagonal principal hasta obtener la matriz triangular superior.
4. Resolvemos el sistema por sustitucin regresiva.
Para reducir los errores de clculo, una estrategia de pivoteo es usar como pivote
el elemento de mayor magnitud y, una vez colocado en la diagonal principal, usarlo para
eliminar los restantes elementos de su columna que estn por debajo de l.
Para resolver un sistema de N x N hace falta un total de (4N 3 + 9 N2 7N)/6
operaciones aritmticas. Si N = 20 tenemos que utilizar 5910 operaciones y la
propagacin de errores en los clculos podra dar lugar a una respuesta incorrecta.

Factorizacin Triangular
Para poder aplicar la factorizacin triangular (o factorizacin LU) necesitamos
una matriz invertible.
A=LU
De donde L es una matriz triangular inferior cuya diagonal son todos 1 y U una
matriz triangular superior.

40

Armoa, Maximiliano
Para calcular esta factorizacin lo que hacemos es pivotear la matriz A hasta
obtener una matriz triangular superior. Luego, para calcular L lo que hacemos es
completar la diagonal con 1 y los elementos faltantes se calculan de la siguiente manera:
Lij = (1/Ujj) * Aij
Este mtodo sale de resolver la multiplicacin de LU = A
Una vez obtenidas las dos matrices podemos reemplazar el sistema A*X = B en
el sistema equivalente LU*X = B
De este sistema nuevo podemos resolverlo de la siguiente manera:
Decir que UX = Y de donde el sistema a resolver es LY = B, calculamos Y y con
estos valores calculamos X (sabiendo que Y = UX). Todo lo resolvemos por sustitucin
regresiva.

Mtodo de Jacobi
Este mtodo es utilizado para resolver los sistemas de ecuaciones lineales mucho
mas rpido que por los mtodos directos.
Para resolver un sistema por Jacobi necesitamos reescribir el sistema de
ecuaciones lineales.
Dado el sistema:
4xy+z=7
4 x 8 y + z = - 21
-2 x + y + 5 z = 15
Lo reescribimos de manera tal de despejar de la primera ecuacin la primer
incgnita, de la segunda la segunda y as sucesivamente.
X = (7 + y z)/4
Y = (-21 4 x z)/ (-8)
Z = (15 + 2 x y)/5
A todas las incgnitas del lado izquierdo le ponemos el subndice k+1 y a la de
la derecha el subndice k.

40

Armoa, Maximiliano
Xk+1 = (7 + yk zk)/4
Y k+1 = (-21 4 xk zk)/ (-8)
Z k+1 = (15 + 2 xk yk)/5
Una vez obtenido este sistema elijo un punto cualquiera inicial (P 0) y lo
reemplazo en cada Xk; esto me da un nuevo punto P 1. Seguimos iterando hasta que
converja en un punto que ser la solucin del problema.
Si la matriz de coeficientes original es diagonalmente dominante, el mtodo de
Jacobi converge seguro.
Una matriz se dice matriz diagonalmente dominante, si en cada uno de los
renglones, el valor absoluto del elemento de la diagonal principal es mayor que la suma
de los valores absolutos de los elementos restantes del mismo rengln. A veces la matriz
de un sistema de ecuaciones no es diagonalmente dominante pero cuando se cambian el
orden de las ecuaciones y las incgnitas el nuevo sistema puede tener matriz de
coeficientes diagonalmente dominante.
| akk | > | akj |

Criterio de paro de la iteracin de Jacobi

Un criterio para parar la iteracin es:
Di = mx (|xi xi+1|, |yi yi+1|)

Mtodo iterativo de Gauss-Seidel

Este mtodo es similar al de Jacobi, con la diferencia que se acelera la
convergencia.
Observemos que en el mtodo anterior produce tres sucesiones que convergen
(xk; yk; zk). Puesto que xk+1 es probablemente mejor aproximacin que xk, sera razonable
usar xk+1 en vez de xk a la hora de calcular yk+1 y, de forma semejante, sera mejor usar
xk+1 e yk+1 en el clculo de zk+1.

40

Armoa, Maximiliano
X = (7 + y z)/4
Y = (-21 4 x z)/ (-8)
Z = (15 + 2 x y)/5
De ac le ponemos los subndices
Xk+1 = (7 + y z)/4
Yk+1 = (-21 4 x k+1 z)/ (-8)
Zk+1 = (15 + 2 x k+1 y k+1)/5

Determinacin de la convergencia de ambos mtodos de

iteracin
Dado el sistema de ecuaciones lineales AX = B, sin importar el mtodo de
iteracin que utilicemos (Jacobi o Gauss Seidel) podemos determinar de antemano si el
sistema converge o no para no hacer la iteracin en vano.
Podemos tomar a la matriz de coeficientes A y descomponerla en su diagonal
menos su triangular inferior y su triangular superior.
A = D L U = D (L + U) = (D L) U
Jacobi

Gauss Seidel.

Para sacar la matriz T de Jacobi:

Nuestro sistema de ecuaciones lineales queda escrito:
[D (L + U)] X = B
Si aplicamos la propiedad distributiva de la multiplicacin con respecto a la resta
para las matrices obtenemos:
D X (L + U) X = B
Pasamos el segundo trmino sumando:
D X = B + (L + U) X
Pasamos la matriz D al otro miembro:
X = D-1 B + D-1 (L + U) X
De ac aplicamos los subndices de iteracin:
Xk+1 =

D-1 B
Cj

+ D-1 (L + U)
Tj

40

Xk

Armoa, Maximiliano

Para sacar la Matriz T de Gauss Seidel

Nuestro sistema de ecuaciones lineales queda escrito:
[(D L) - U)] X = B
Si aplicamos la propiedad distributiva de la multiplicacin con respecto a la resta
para las matrices obtenemos:
(D L) X - UX = B
Pasamos el segundo trmino sumando:
(D L) X = B + U X
Pasamos la matriz (D L) al otro miembro:
X = (D L)-1 B + (D L)-1 U X
De ac aplicamos los subndices de iteracin:
Xk+1 = (D L)-1 B

(D L)-1 U

Cgs

Xk

Tgs

Determinacin de convergencia
Esta iteracin converge si y solo si (T) < 1
Siendo (T) el radio espectral de la matriz T
(T) = mx ||

= autovalor

Clculo de autovalores
Para calcular los autovalores de una matriz hay que realizar los siguientes
pasos:
1. A la matriz restarle un I de donde I es la matriz identidad y tiene las mismas
dimensiones que A.
A - I
2. A esta nueva matriz le aplicamos el determinante y la igualamos a cero
|A - I| = 0
3. Resolvemos la ecuacin en funcin de . Una vez obtenidos los autovalores
vemos cual es el mximo en mdulo.

40

Armoa, Maximiliano

Ajustes
El ajuste se utiliza bsicamente para encontrar los coeficientes de una ecuacin
cualquiera conociendo una determinada cantidad de puntos.

Rectas de regresin en Mnimos cuadrados

Antes de plantear los pasos a seguir para calcular la recta de regresin, vamos a
indicar algunas definiciones para ver qu error se comete y que tan grave o aceptable
puede ser.
Error mximo: E(f) = mx {|f(xk) yk|}
Error medio: E1(f) = (1/N) * |f(xk) yk|
Error cuadrtico medio: [(1/N) * |f(xk) yk|]1/2

Determinacin de la regresin
Supongamos que tenemos N puntos (xk; yk). Para encontrar los coeficientes de la
ecuacin conociendo estos puntos lo primero que tenemos que debemos hacer es
minimizar la suma de los cuadrados de la distancia que hay entre los puntos y la funcin
a encontrar.
E (f) = [f (xk) yk]2
Para encontrar el valor mnimo de esta funcin

tenemos que derivar con

respecto a cada coeficiente (notemos que xk e yk son constantes) e igualarlas a cero.

Una vez armadas todas las ecuaciones resolvemos el sistema por el mtodo que
mas nos guste.

40

Armoa, Maximiliano

Integracin Numrica
Definicin
La integracin numrica es una herramienta esencial que se usa en la
ciencia e ingeniera para obtener valores aproximados de integrales definidas que no
pueden calcularse analticamente. Por ejemplo, en el campo de la estadstica, el modelo
de Distribucin Normal (campana de Gauss), para calcular la funcin de distribucin
deberamos integrar la funcin de densidad:

Puesto que no hay una expresin analtica para esta funcin, debemos usar algn
mtodo de integracin numrica para calcular sus valores.

Tenemos como objetivo aproximar la integral definida de una funcin f(x) en un

intervalo [a; b] evaluando f(x) en un nmero finito de puntos.
Supongamos que a = x0 < x1 < < xm = b una frmula del tipo
m

Q[f] = wk f(xk) = w0 f(x0) + w1 f(x1) + + wm f(xm)

k=0

De manera que

40

Armoa, Maximiliano
b

f(x) dx = Q[f] + E[f]

a

Se llama frmula de integracin numrica o cuadratura; el termino E[f] se

llama error de truncamiento de la frmula; los valores {x k} se llaman nodos de
integracin o nodos de cuadratura y los valores {wk} se llaman pesos de la frmula.
Los nodos se eligen de diferentes maneras, dependiendo de la situacin concreta
en la que queremos aplicar una frmula.

Grado de precisin
EL grado de precisin de una frmula de cuadratura es el primer natural n que
verifica E[Pi] = 0 para todos los polinomios P i(x) de grado i n, y existe un polinomio
Pn+1 tal que E[Pn+1(x)] 0.
Analizando un polinomio cualquiera arbitrario de grado i

Pi(x) = a0 + a1x1 + a2x2 + + ai-1xi-1 + aixi

Si i n entonces Pi(n+1)(x) = 0 para todo x.

Si i = n + 1 entonces Pn+1(n+1)(x) = (n+1)! an+1 para todo x.

Con lo expuesto podemos decir que la forma general del error de truncamiento
es:
E[f] = K f(n+1)
Siendo K una constante y n el grado del polinomio. La deduccin de las
formulas de cuadratura puede hacerse a partir de la interpolacin polinomial.

40

Armoa, Maximiliano
Recordemos que existe un nico polinomio PM(x) de grado menor o igual que M que
pasa por M+1 puntos dados {(xk; yk)}k=0M cuyas abscisas estn equiespaciadas.

Frmulas de cuadratura cerradas de Newton Cotes

Cuando usamos un polinomio para aproximar la funcin f(x) en [a; b], de
manera que yk = f(xk), y luego aproximamos la integral de f(x) por la integral de P M (x).
si el primer nodo es x0 = a y el ltimo es xM = b, entonces decimos que la frmula de
Newton Cotes es cerrada.

Precisin de las frmulas de Newton Cotes

Supongamos que f(x) es suficientemente derivable, entonces el trmino del error
de truncamiento E[f] de las formulas de Newton Cotes contienen una derivada de
orden superior adecuada evaluada en un cierto punto c perteneciente al intervalo (a; b).
En pocas palabras, derivamos hasta un grado ms del orden del polinomio y lo
evaluamos en un punto c intermedio entre a y b.
Nuestro objetivo es, en primera instancia, encontrar un polinomio que se
aproxima a nuestra funcin a integrar. Partimos del polinomio interpolador de Lagrange
PM(x) para los nodos x0, x1, , xM que se usa para aproximar a f(x).
Recordemos el polinomio interpolador de Lagrange:
Para calcular un polinomio de grado N usamos:
PN(x) = yk * LN,k(x)
De donde LN,k = (x - x0) * (x x1) * * (x xk-1) * (x xk+1) * * (x xN)
(xk - x0) * (xk x1) * * (xk xk-1) * (xk xk+1) * * (xk xN)
En el numerador no aparece el trmino (x xk).
En el denominador no aparece el trmino (xk xk).
En pocas palabras, sacamos los trminos que anulan el denominador tanto
en el numerador como en el denominador.

40

Armoa, Maximiliano
Con lo recordado anteriormente, podemos decir que:
F(x) PM(x) = yk * LN,k(x)
Una vez obtenido el polinomio, lo reemplazamos por f(x) y calculamos la
integral de la funcin.
f(x) dx PM(x) dx = [ yk * LN,k(x)] dx = [yk * LN,k(x)] dx
Como yk es constante, sale de la integral:
(1) f(x) dx yk LN,k(x)] dx = yk*wk

Frmulas de cuadratura cerrada de Newton

Cotes
Reglas de Trapecio y Simpson con sus respectivos errores
Supongamos que f(x) es suficientemente derivable; entonces el trmino
del error de truncamiento E(f) de las frmulas de Newton Cotes contienen una
derivada de orden superior adecuada evaluada en un cierto punto c perteneciente a (a,
b). Dependiendo del grado de precisin del polinomio obtendremos las siguientes
reglas:
N = 1 Regla de Trapecios
N = 2 Regla de Simpson
N = 3 Regla 3/8 de Simpson
N = 4 Regla de Boole.
Realizaremos la demostracin para la regla de Simpson. Recordemos que
aproximamos la funcin f con el polinomio de Lagrange
F(x) PM(x) = yk * LN,k(x)

40

Armoa, Maximiliano
Una vez obtenido el polinomio, lo reemplazamos por f(x) y calculamos la
integral de la funcin.
f(x) dx PM(x) dx = [ yk * LN,k(x)] dx = [yk * LN,k(x)] dx
Como yk es constante, sale de la integral:
(1) f(x) dx yk LN,k(x)] dx = yk*wk
Para obtener la regla de Simpson necesitamos el polinomio interpolador de
grado 2 (necesito tres puntos).
F(x) P2(x) = f0 (x x1)(x x2) + f1 (x x0)(x x2) + f2 (x x0)(x x1)
(x0 x1)(x0 x2)

(x1 x0)(x1 x2)

(x2 x0)(x2 x1)

Sabemos que los fi son constantes a la hora de integrar, por lo que salen de la
integral.
F(x) dx P2(x) dx = f0 (xx1)(xx2)dx + f1 (xx0)(xx2)dx + f2 (xx0)(xx1)dx
(x0x1)(x0x2)

(x1x0)(x1x2)

(x2x0)(x2x1)

Ahora realizamos un cambio de variable para facilitar el clculo de la integral:

X = x0 + ht dx = h dt
De la ecuacin anterior podemos decir que t va de t = 0 a t = 2 (tres puntos)
Un punto intermedio (nodo) lo podemos escribir como:
Xk = x0 + h k (reemplazo a t por k)
Como estn equiespaciados podemos decir que:
Xk xj = (x0 + h k) (x0 + h j) = h (k - j)
X xj = (x0 + h t) (x0 + h k) = h (t - k)

40

Armoa, Maximiliano

Reemplazando en las integrales obtenemos:

F(x) dx P2(x) dx = f0 h(t1)h(t2)hdt + f1 h(t0)h(t2)hdt + f2 h(t0)h(t1)hdt
h(0-1)h(0-2)

h(1-0)h(1-2)

h(2-0)h(2-1)

F(x) dx P2(x) dx = f0 h(t1)h(t2)hdt + f1 h(t0)h(t2)hdt + f2 h(t0)h(t1)hdt

h(0-1)h(0-2)

h(1-0)h(1-2)

h(2-0)h(2-1)

F(x) dx P2(x) dx = f0 h3(t1)(t2)dt + f1 h3(t)(t2)dt + f2 h3(t)(t1)dt

(-h)(-2h)

(h)(-h)

(2h)(h)

F(x) dx P2(x) dx = f0 h3(t1)(t2)dt + f1 h3(t)(t2)dt + f2 h3(t)(t1)dt

2h2

-(h2)

(2h2)

Distribuimos las multiplicaciones y simplificando obtenemos:

F(x) dx P2(x) dx = f0 h(t23t+2)dt + f1 h (t22t) dt + f2 h(t2t)dt
2

(-1)

(2)

La constante h sale de la integral, resolviendo:

F(x) dx P2(x) dx = f0(h/2)(t3/33/2t2+2t)]02 + f1(-h)(t3/3t2)]02 + f2(h/2)(t3/3t2/2)]02
F(x) dx P2(x) dx = f0(h/2)(2/3) + f1(-h)(-4/3) + f2(h/2)(2/3)
F(x) dx P2(x) dx = f0 (h/3) + f1(4h/3) + f2(h/3)
F(x) dx P2(x) dx = (h/3) (f0 +4 f1 + f2)
De la misma manera se puede deducir las dems reglas vistas con la cantidad de
nodos que cada una posee. A continuacin mostraremos las reglas:
N = 1 Regla de Trapecios F(x) dx (h/2) (f0 + f1)
N = 2 Regla de Simpson F(x) dx (h/3) (f0 + 4f1 + f2)
N = 3 Regla 3/8 de Simpson F(x) dx (3h/8) (f0 + 3 f1 + 3 f2 + f3)

40

Armoa, Maximiliano
N = 4 Regla de Boole F(x) dx (2h/45) (7 f0 + 32 f1 + 12 f2 + 32 f3 + 7 f4)
Notemos que para las reglas necesitamos n+1 puntos o nodos para resolver.
En caso de querer usar estas reglas con ms nodos nos apoyamos en que
podemos partir la integral con sumas de subintervalos y aplicar una suma de reglas. Por
ejemplo: para calcular la integral de f(x) con los lmites de integracin que son de x0 a x4
podemos partir la integral y sumar las integrales partidas con los lmites x 0 a x1, de x1 a
x2, de x2 a x3 y de x3 a x4. Cada subintegral queda definida por dos nodos por lo que cada
una de ellas es una aplicacin de la regla de trapecios; y la suma de ellas se denomina
Regla compuesta de trapecios.

x4

x1

x2

x3

x4

F(x) dx F(x) dx + F(x) dx + F(x) dx + F(x) dx

x0

x0

x1

x2

x3

x4

F(x) dx (h/2) (f0 + f1) + (h/2) (f1 + f2) + (h/2) (f2 + f3) + (h/2) (f3 + f4)
x0

x4

F(x) dx (h/2) (f0 + 2 f1 + 2 f2 + 2 f3 + f4)

x0

De la misma manera, podemos usar una regla compuesta para la regla de

Simpson denominndola Regla compuesta de Simpson:

x4

x2

x4

F(x) dx F(x) dx + F(x) dx

x0

x0

x2

x4

F(x) dx (h/3) (f0 + 4 f1 + f2) + (h/3) (f2 + 4 f3 + f4)

x0

40

Armoa, Maximiliano
x4

F(x) dx (h/3) (f0 + 4 f1 + 2 f2 + 4 f3 + f4)

x0

Anlisis de error para la regla compuesta de trapecios y Simpson

Como se mencion anteriormente, sabemos que la aproximacin de la integral
posee un trmino de error el cual intentaremos calcular a continuacin.
En(x) = (x xk) * f n+1
(n+1)!
Siendo la productoria de 0 a n
El trmino de error para el polinomio interpolador de grado 1 es:
E1(x) = (x x0) (x x1)* f 2(C(x))
2!
El cual se integrar para saber su error
x1

x1

E1(x) = (x x0) (x x1)* f 2(C(x))

x0

x0

2!

Como el trmino (x x0) (x x1) no cambia de signo en el intervalo [x0, x1] y

f2(C(x)) es continua, el segundo teorema del valor medio para integrales nos dice que
existe un valor c1 tal que:
x1

x1

E1(x) = f 2(C1) (x x0) (x x1)

x0

x0

y esta integral se calcula fcilmente con el cambio de variables x = x0 + h t

40

Armoa, Maximiliano
x1

E1(x) = f 2(C1) h(t 0) h (t 1) h dt

x0

x1

E1(x) = f 2(C1) h3 (t2 t) dt

x0

x1

E1(x) = f 2(C1) h3 (t3/3 t2/2)]01

x0

2
x1

E1(x) = - f 2(C1) h3
x0

12

Este ltimo trmino es el error de la regla de trapecios. Si sumamos todos los

errores de cada intervalo de la regla compuesta de trapecios obtendremos el error de la
regla compuesta de trapecios.

E1(x) = - f 2(Ck) h3
a

12

= - h3 f 2(Ck)
12

Sabemos que h = (b-a)/M por lo que nos queda al reemplazar una sola h:
b

E1(x) = - f 2(Ck) h3
a

12

= - (b-a) h2 f 2(Ck)
12

El trmino de la sumatoria es una media aritmtica de valores de la derivada

segunda y esta funcin es continua, entonces podemos reemplazarlo por algn punto c
perteneciente al intervalo (a, b) quedando
b

E1(x) = - f 2(Ck) h3
a

12

40

= - (b-a) h2 f 2(C)
12

Armoa, Maximiliano
De manera similar, se puede llegar al error de Simpson compuesta obteniendo el
siguiente trmino:
b

E1(x) = - (b-a) h4 f 4(C)

a

180

Cuadratura de Gauss Legendre

El mtodo consiste en seleccionar los valores x1, x2, , xn en el intervalo [a, b]
y los coeficientes c1, c2, , cn que minimicen el error de aproximacin.
Para una funcin arbitraria f(x) la mejor eleccin de estos valores ser la que
maximice el grado de precisin de la formula.
(1) f(x) dx yk LN,k(x)] dx = yk*wk
Si los coeficientes de un polinomio se consideran tambin como parmetros, la
clase de polinomios de grado a lo sumo 2n-1 contiene 2n parmetros y es la clase ms
grande de polinomios para la cual es razonable esperar que la ecuacin anterior sea
exacta.
Los valores de los xi y los coeficientes ci se calculan por el mtodo de
coeficientes indeterminados. Por ejemplo, para que la integral sea exacta para
polinomios cbicos (n=2 por lo tanto necesito 4 parmetros) para que la funcin cbica
f(x) = a3x3 + a2x2 + a1x + a0 sea exacta hay que determinar cuatro nmeros (w 1, w2, x1 y
x2). Para ello necesito 4 condiciones (ecuaciones) para resolver las 4 incgnitas del
sistema.
1

F(x) = 1

1 dx = 2 = w1 + w2
-1

F(x) = x

x dx = 0 = w1x1 + w2x2
-1

F(x) = x2

x2 dx = 2/3 = w1x12 + w2x22

-1

40

Notemos que hacemos cumplir

la ecuacin (1) utilizando los
trminos que multiplican a los
ai de la ecuacin cbica

Armoa, Maximiliano
1

F(x) = x3

x3 dx = 0 = w1x13 + w2x23
-1

De las 4 ecuaciones anteriores obtenemos un sistema de ecuaciones no lineal que

tenemos que resolver:
2 = w1 + w2
0 = w1x1 + w2x2
2/3 = w1x12 + w2x22
0 = w1x13 + w2x23
Si resolvemos el sistema obtenemos que
x1 = x2 = (1/3)1/2 0,5773502692
w1 = w2 = 1
Para no tener que encontrar los nodos y pesos cada vez que aproximemos una
integral se tabularon obtenindose la siguiente tabla:

La aplicacin del mtodo de Gauss Legendre sirve solo para integrales cuyos
lmites de integracin sean -1 y 1 respectivamente. Para aplicarlo en cualquier intervalo
[a, b] usamos el siguiente cambio de variable:
t=a+b + ba x
2

De donde:
dt = b a dx
2

40

Armoa, Maximiliano

Ecuaciones Diferenciales
Las ecuaciones diferenciales se usan habitualmente para construir modelos
matemticos de problemas de la ciencia y la ingeniera. A menudo se da el caso de que
no hay una solucin analtica conocida, por lo que necesitamos aproximaciones
numricas.
Si consideramos la ecuacin
dy/dx = 1 e-t
Esta es una ecuacin diferencial porque en ella aparece la derivada dy/dx de la
funcin desconocida y = y(t). en el miembro derecho de la ecuacin slo aparece la
variable independiente t, as que las soluciones son las primitivas de 1 - e -t. resolviendo
la integral hallamos y(t).
y(t) = t + e-t + C
donde C es la constante de integracin. Notemos que en la solucin hallada
tenemos un grado de libertad en la eleccin de la solucin, la constante de integracin
C. para encontrar una curva en particular necesitamos un punto de antemano. En un
anlisis en general, somos capaces de medir cmo los cambios de una variable afectan a
otra. Cuando traducimos esto en un modelo matemtico, el resultado es una ecuacin
diferencial que involucra la velocidad de cambio de la funcin desconocida.
Cada eleccin de punto nos da una solucin distinta por lo que la condicin
inicial es como un punto anclaje de la curva correspondiente a la solucin.

Condicin de Lipschitz
Dado el rectngulo R = {(t, y) : a t b, c y d}, supongamos que f(t, y) es
continua en R. se dice que la funcin f verifica la condicin de Lipschitz con respecto a
sus variables y en R si existe una constante L > 0 tal que:
| f(t, y1) f(t, y2) | L | y1 y2 |
Para cualquier (t, y1), (t, y2) perteneciente a R. la constante L se llama constante
de Lipschitz.

40

Armoa, Maximiliano
Un problema de valor inicial tiene solucin nica si f verifica la condicin de
Lipschitz.

Mtodo de Euler
Sea [a, b] el intervalo en el que queremos hallar la solucin de un problema
inicial y= f(t, y) con y(a) = y0 que est bien planteado (cumple con la condicin de
Lipschitz). Hay que advertir que, de hecho, no vamos a encontrar una funcin derivable
que sea solucin del problema de valor inicial. Sino que construimos un conjunto finito
de puntos {(tk, yk)} que son aproximaciones de la solucin.
Primeramente se parte en intervalo en subintervalos del mismo tamao.
Tk = a + h k

para k = 0, 1, 2, , M

siendo h = (b-a)/M.

Suponemos que y(t), y(t) e y(t) son continuas, por lo que si utilizamos el
teorema de Taylor para desarrollar y(t) alrededor de t = t0,para cada t existe un c1 entre t0
y t tal que:
y(t) = y(t0) + y(t0)(t t0) + y(c1)(t t0)2
2
Al sustituir y(t0) = f(t0, y(t0)) y h = t t0 el resultado es:
y(t) = y(t0) + f(t0, y(t0)) h + y(c1) h2
2
Si el tamao de paso h es muy pequeo lo podemos despreciar por lo que nos
queda:
y(t) = y(t0) + f(t0, y(t0)) h
que se llama aproximacin de Euler.

40

Armoa, Maximiliano
Repitiendo el proceso generamos una sucesin de puntos que se aproximan a la
grfica de la solucin y = y(t). el paso general del mtodo de Euler es:
Tk+1 = tk + h,

yk+1 = yk + h f (tk, yk)

para k = 0, 1, 2, , M 1

Descripcin geomtrica
Si partimos del punto (t0, y0), calculamos el valor de la pendiente m 0 = f(t0, y0),
nos movemos horizontalmente una distancia h y verticalmente una distancia h f(t 0, y0),
entonces lo que hacemos es desplazarnos a lo largo de la recta tangente a la curva y(t)
terminando en el punto (t1, y1). Cabe mencionar que (t1, y1) no es un punto de la curva
aunque sea la aproximacin que se genera. Ahora debemos usar (t1, y1), como si fuera
un punto correcto para calcular la pendiente m 1 = f(t1, y1) y usar este valor para obtener
el siguiente desplazamiento vertical h f(t1, y1), que nos lleva al punto (t2, y2), y asi
sucesivamente.

40

Armoa, Maximiliano

Error

Error de truncamiento global

Es la diferencia entre la solucin exacta y la calculada con el mtodo en el nodo
correspondiente.
ek = y(tk) yk

para k = 0, 1, 2, , M

Error de truncamiento local

Es el error que se comete en un solo paso, el que nos lleva desde el nodo tk hasta
el nodo tk+1
Ek+1 = y(tk+1) yk h (tk, yk)

para k = 0, 1, 2, , M 1

Cuando obtuvimos la frmula del mtodo de Euler se despreciaba el trmino y

(ck) (h2/2). Si este fuera el nico error que se comete en cada paso, entonces en el otro
extremo del intervalo, una vez dados los M pasos, el error acumulado sera.
y(ck) (h2/2) M y(c) (h2/2) como h = (b a)/M, reemplazo una h
y(ck) (h2/2) y(ck) h (b a)/2 = O(h1)

Precisin de Euler
Sea y(t) la solucin del problema del valor inicial de una ecuacin diferencial. Si
y(t) pertenece a C2 [t0, b] y {(tk, yk)}k=0M es la sucesi de aproximacin generada por el
mtodo de Euler entonces:
|ek| = |y(tk) yk| = O(h)
|Ek+1| = |y(tk+1) yk h (tk, yk)| = O(h2)

40

Armoa, Maximiliano
El error al final del mtodo del intervalo se denomina error global final y viene
dado por:
E(y(b), h) = |y(b) y(n)| = O(h) C h
Para disminuir el erro podramos o bien achicar el tamao de paso
FALTA EULER DE ORDEN SUPERIOR

Runge Kutta de orden 4 (RK4)

Este mtodo simula la precisin del mtodo de la serie de Taylor de orden 4 y
consiste en calcular la aproximacin yk+1 de la siguiente manera:
Se genera la sucesin de aproximaciones usando la formula:
Yk+1 = yk + (h/6) (f1 + 2 f2 + 2 f3 + f4)
De donde
F1 = f ( tk; yk)
F2 = f ( tk + h/2, yk + f1 h/2)
F3 = f (tk + h/2, yk + f2 h/2)
F4 = f ( tk + h, yk + f3 h)
Este mtodo evala varias rectas tangentes y predice el valor de un punto todava
no evaluado, en definitiva, calcula un promedio ponderado de rectas tangentes.

Error de RK4
Supongamos que y(y) es la solucin de un problema de valor inicial. Si y(t)
pertenece a C5 [t0, b] y {(tk, yk)}0M es la sucesin de aproximacin generada por el
mtodo RK4, entonces:

40

Armoa, Maximiliano
|ek| = |y(tk) yk| = O(h4)
|Ek+1| = |y(tk+1) yk h TN(tk, yk)| = O(h5)
El error al final del mtodo del intervalo se denomina error global final y viene
dado por:
E(y(b), h) = |y(b) y(M)| = O(h4) C h4

40

Armoa, Maximiliano

Transformadas de Laplace
Introduccin a transformada
Dados dos espacios E y E con sendas leyes de composicin interna T y T, de
manera que conformen dos estructuras (E T) y (E T), se llama transformada a una
aplicacin biyectiva f: E E que establezca un isomorfismo entre las estructuras (E T)
y (E T)
Es decir:

Por medio de la transformada se establece, entonces, un comportamiento

isomorfo entre las estructuras (E T) y (E T); que permite obtener, usando la
transformada f como puente, el resultado de la composicin interna T conociendo el de
T, o viceversa.
La transformada de Laplace (T.L.) es una aplicacin entre espacios de funciones.
Su aplicacin principal es que reduce las ecuaciones diferenciales lineales con
coeficientes constantes, en ecuaciones algebraicas lineales.

40

Armoa, Maximiliano

Con lo cual se obtiene un mtodo poderoso, por rpido y eficaz, para resolver
ecuaciones diferenciales lineales de coeficientes constantes. Adems, con la T.L. se
resuelven con facilidad ecuaciones diferenciales de coeficientes no constantes en
derivadas parciales y ecuaciones integrales. Por todo esto, la T.L. es de gran aplicacin
en los modelos de la tcnica.
Para aplicar la transformada de Laplace necesitamos conocer la funcin de
Heaviside, definindose como:

Llamada tambin funcin escaln o salto unitario

40

Armoa, Maximiliano

Observacin 1: La funcin de Heaviside no se ha definido en t = 0, pues ello no

tiene importancia. Se puede, sin embargo, definir como algunos autores H: 0 1/2 .
Tambin es de uso comn la funcin escaln desplazada H (t a).

La transformada de Laplace es:

La transformada de Laplace es entonces una aplicacin del espacio E de

funciones reales, sobre el espacio E de funciones complejas; donde f(t) se llama
funcin original y F(s) se llama funcin transformada. A e-s t se la denomina ncleo de la
transformacin.
Observacin 1: La T.L. tambin se extiende como aplicacin de espacios
complejos sobre espacios complejos.
Observacin 2: En la mayora de los libros se define:

Efectivamente, si se toma la definicin original se llega a:

40

Armoa, Maximiliano

Sin embargo, en el caso de funciones con desplazamiento, de tomarse la 2

expresin se obtienen resultados incorrectos.

Notacin
Los smbolos que se emplean para representar a la T.L. son:

donde siempre la funcin se representa en t con minscula y en s con la misma

letra mayscula.
Otra notacin usual es tambin:

La transformada de Laplace tiene dos propiedades que son las que permiten
resolver sistemas y ecuaciones diferenciales lineales con gran facilidad. Son la
linealidad y la transformada de la funcin derivada.
Teorema 1. La T.L de una combinacin lineal es la combinacin lineal de las
T.L.

40

Armoa, Maximiliano

Demostracin:

Observacin: De este teorema se extrae inmediatamente que la T.L. es un vector.

Mejor an, si E es el conjunto de las T.L, es un espacio vectorial sobre el cuerpo de los
complejos (o de los reales) con las leyes de composicin suma de funciones y producto
por un complejo.

Transformada de la derivada:

Los modelos usuales en la ingeniera y en la ciencia en general son lineales.

Ello es porque existen dos razones que se influyen mutuamente:
1 Los modelos fsicos se construyen con funciones o sistemas de funciones
cualesquiera, cuya primera aproximacin es la lineal.
2 La matemtica ms desarrollada es la lineal.

40

Armoa, Maximiliano
La T.L. es una herramienta especialmente til en la resolucin y anlisis de
ecuaciones diferenciales lineales con coeficientes constantes (pero no exclusivamente)
que aparecen en una gran cantidad de problemas de ingeniera.
En el cuadro siguiente se han recopilado modelos regidos por la E.D.D.T.
(Ecuaciones diferenciales en derivadas totales) lineal con coeficientes constantes, que
conforman un conjunto de sistemas anlogos entre s.
Se observa que se han cubierto las ramas ms variadas de la ingeniera, desde la
electricidad, magnetismo, mecnica, acstica hasta la qumica, entre otros.

40

Armoa, Maximiliano

40

Armoa, Maximiliano
Las transformadas elementales son:

Condicin para aplicar la transformada

Una funcin f(t) es seccionalmente continua en un intervalo cerrado, si este
intervalo consta de un conjunto finito de subintervalos en cada uno de los cuales f(t) es
continua. Adems, tiene lmite finito cuando t tiende a uno de los extremos del
subintervalo desde el interior del mismo.
Una funcin f(t) es de orden exponencial cuando t tiende a infinito., si existen
nmeros, , n, tales que:
f(t) < n e t

cuando t

40

Armoa, Maximiliano
la transformada de una funcin f(t) existe si esta funcin es seccionalmente
continua para todos los intervalos finitos en el dominio de t 0 y si es de orden
exponencial cuando t tiende a infinito.

Pasos para resolver un problema con las transformadas de

Laplace
Tenemos la ecuacin diferencial con las condiciones iniciales:
1. Aplicamos la transformada en ambos miembros teniendo en cuenta que:
a. La transformada de una funcin es la funcin con letra mayscula
b. La transformada de la derivada de orden n es:
sn F(s) sn-1 f(0) sn-2f (0) - - s f n-2(0) f n-1 (0)
Los trminos que restan van disminuyendo las potencias de s y
aumentando las derivadas en 1.
2. Reemplazamos las condiciones iniciales y despejamos la F(s).
3. Aplicamos la anti transformada en ambos miembros.
a. Busco en la tabla las anti transformadas (busco lo que tengo del lado
derecho y lo reemplazo por lo del lado izquierdo)

40