Documente Academic
Documente Profesional
Documente Cultură
MATEMTICAS ESPECIALES
Mtodos Numricos
Segunda parte
Profesor: Luis Alberto Daz
Facultad de Ingeniera
Departamento de Ingeniera Qumica
UNIVERSIDAD DE ANTIOQUIA
2
SOLUCIN DE ECUACIONES LINEALES
SIMULTNEAS
3
Introduccin
4
Jacobi/Gauss Seidel
5
5
Jacobi/Gauss Seidel
2 21 (
x [k ] = a x [k ] + a x [k 1] + a x [k 1] a + b a
1 23 3 24 4 ) 22 2 22
[k ]
k k ] [k 1]
) a33 + b3 a33
x1 = (a12 x2 + a13 x3 + a14 x 4 ) a11 + b1 a11 ( [k ] [k ]
x 4 = a41 x1 + a42 x2 + a43 x3 a44 + b4 a44
[k ]
)
x2 = (a21 x1 + a23 x3 + a24 x 4 ) a22 + b2 a22
x3 = (a31 x1 + a32 x 2 + a34 x 4 ) a33 + b3 a33 Frmulas recurrente s del Mtodo Jaccobi :
x 4 = (a41 x1 + a42 x2 + a43 x3 ) a44 + b4 a44 ( )
x1[k ] = a12 x 2[k 1] + a13 x3[k 1] + a14 x 4[k 1] a11 + b1 a11
[k ]
( [k 1] [k 1]
x 2 = a21 x1 + a23 x3 + a24 x 4
[k 1]
)
a22 + b2 a22
[k ]
( [k 1]
x3 = a31 x1 + a32 x2 + a34 x 4
[k 1] [k 1]
)
a33 + b3 a33
4 41 (
x [k ] = a x [k 1] + a x [k 1] + a x [k 1] a + b a
1 42 2 43 3 )
44 4 44
6
Jacobi/Gauss Seidel
xi[k ] x i[k 1]
x con i = 1,.., n A X [k ] B R
x i[k ]
Tolerancia asociada al cambio relativo
x =
de las variables.
Donde Tolerancia asociada a la norma del vector
R = residuo : raiz cuadrada de la suma de los caudrados
de los residuos de las ecuaciones.
7
Jacobi/Gauss Seidel
8
Jacobi/Gauss Seidel
8 1 2 3
1 10 2 5
A= Es diagonalmente dominante
1 6 12 3
3 2 3 9
8 1 2 3
1 6 2 5 No es diagonalmente dominante
A=
1 6 12 3
3 2 3 9
9
Jacobi/Gauss Seidel
Veamos:
5 0 12 80 - No es diagonalmente dominante
4 1 1 2 - Elementos con mayor magnitud
en cada fila.
6 8 0 45 - Puede transformarse en un
sistema equivalente y
diagonalmente dominante
intercambiando filas. Tambin se
pueden intercambiar columnas
4 1 1 2 pero esto cambia el orden de las
6 8 0 45 variables, por lo que se debe tener
cuidado a la hora de presentar los
resultados.
5 0 12 80 - Cambiando nicamente las filas
- Matriz diagonalmente dominante
10
Jacobi/Gauss Seidel
EJEMPLO 2:
Despejando una variable de cada ecuacin
x1 = ( x 2 + x3 2) / 4
x 2 = ( 45 6 x1 ) / 8
x3 = (80 + 5 x1 ) / 12
Suponiendo como valores iniciales X[0]=[0 0 0]T
[1] [0 ] [0 ]
x1 = ( x 2 + x3 2) / 4 = 0.5 x1[2 ] = ( x 2[1] + x3[1] 2) / 4 = 2.6146
x 2[1] = ( 45 6 x1[1] ) / 8 = 6.0 x 2[2 ] = ( 45 6 x1[2 ] ) / 8 = 3.6641
x3[1] = (80 + 5 x1[1] ) / 12 = 6.4583 x3[2 ] = (80 + 5 x1[2 ] ) / 12 = 7.7561
11
Jacobi/Gauss Seidel
EJEMPLO 2:
RESULTADOS NUMRICOS
[k]
k X //A.X-B//
0 0.00000000 0.00000000 0.00000000 91.8095856
1 -0.5 6 6.45833333 12.4583333
2 2.61458333 3.66406250 7.75607639 1.03819444
3 2.35503472 3.85872396 7.64793113 0.0865162
4 2.37666377 3.84250217 7.65694324 0.00720968
5 2.37486135 3.84385399 7.65619223 0.00060081
6 2.37501155 3.84374133 7.65625481 5.0067E-05
7 2.37499904 3.84375072 7.65624960 4.1723E-06
8 2.37500008 3.84374994 7.65625003 3.4769E-07
9 2.37499999 3.84375001 7.65625000 2.8974E-08
10 2.37500000 3.84375000 7.65625000 2.4145E-09
12
Ejemplo aplicado
1 2 8
3 5 9
10
4 6 11 15
7
12 16
13
14 17
13
Ejemplo aplicado
EJEMPLO APLICADO:
14
Ejemplo aplicado
EJEMPLO APLICADO:
Balances de masa en los nodos Relaciones en los divisores
F3 = F1 - F2 F2 = F3
F7 = F3 + F4 - F5 F6 F5 = F6
F10 = F2 + F5 - F8 F9 F6 = F7
F12 = F6 + F10 - F11 F8 = F9
F14 = F7 + F12 - F13 F9 = F10
F16 = F9 + F11 + F13 - F15 F11 = F12
F17 = F14 + F16 F13 = F14
F15 = F16
-1 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 F2 -100 F2 50
0 1 -1 -1 -1 0 0 0 0 0 0 0 0 0 0 F3 -400 F3 50
1 0 1 0 0 -1 -1 -1 0 0 0 0 0 0 0 F5 0 F5 150
0 0 0 1 0 0 0 1 -1 -1 0 0 0 0 0 F6 0 F6 150
0 0 0 0 1 0 0 0 0 1 -1 -1 0 0 0 F7 0 F7 150
0 0 0 0 0 0 1 0 1 0 1 0 -1 -1 0 F8 0 F8 66.67
0 0 0 0 0 0 0 0 0 0 0 1 0 1 -1 F9 0 F9 66.67
1 -1 0 0 0 0 0 0 0 0 0 0 0 0 0 * F10 = 0 ==> F10 = 66.67
0 0 1 -1 0 0 0 0 0 0 0 0 0 0 0 F11 0 F11 108.3
0 0 0 1 -1 0 0 0 0 0 0 0 0 0 0 F12 0 F12 108.3
0 0 0 0 0 1 -1 0 0 0 0 0 0 0 0 F13 0 F13 129.2
0 0 0 0 0 0 1 -1 0 0 0 0 0 0 0 F14 0 F14 129.2
0 0 0 0 0 0 0 0 1 -1 0 0 0 0 0 F15 0 F15 152.1
0 0 0 0 0 0 0 0 0 0 1 -1 0 0 0 F16 0 F16 152.1
0 0 0 0 0 0 0 0 0 0 0 0 1 -1 0 F17 0 F17 281.3
15
SOLUCIN DE ECUACIONES NO LINEALES
SIMULTNEAS
Newton
F (X ) F X ( [k ]
) +
( ) (X X [ ] )
F X
[k ]
k
Donde :
(
F X [k ]) (
= J F X [k ] ) X = X [k ]
X X
( ) ( )(
F X [k ] + J F X [k ] X X [k ] 0 ) X X [k ] J F
1
( X [ ] ) F (X [ ] )
k k
X [k +1] = X [k ] J F
1
( X [ ] ) F (X [ ] )
k k
( )( )
J F X [k ] X [k +1] X [k ] = F X [k ] ( )
17
Newton
X [k +1] = X [k ] J F
1
( X [ ] ) F ( X [ ] )
k k
f1 ( X ) f1 ( X ) f1 ( X )
x L
x2 xn
f 2 ( X ) f 2 ( X ) f 2 ( X )
1
Donde (
J F X [k ] ) = x1 x2
L
xn
M M O M
f n ( X ) f n ( X ) f n ( X )
L
x1 x2 xn X = X [k ]
(
F X [k ] F )
Criterio de paro: Tolerancia asociada a
Donde F =
la magnitud de F (X).
18
Newton
y=f(x[1])+f(x[1]).(x-x[1]) x[2]=x[1]-
f(x[1])/f(x[1])
x*
19
Newton
20
Newton
21
Newton
10 2 x2
JF ( X ) =
(1 x1 ) x2 x1
Primera iteracin:
) ( )
x [0 ] 2 10 x [0 ] + 4 (3 )2 10 3 + 4 17
(
F X [0 ] = 2 1
= =
( )
ln x1 x1 x2 + 10 ln(3 ) 3 3 + 10 2.099
[0 ] [0 ] [0 ]
T
1 17 17
(
f X [0 ]
) 1
( ) ( )
= F X [0 ] F X [0 ] =
2
T
2 2.099 2.099
= 146.702
10 2 x 2[0 ] 10 2 3 10
(
JF X [0 ] = ) = =
6
[0 ]
(
[0 ]
1 x1 x 2 )
x1[0 ] (1 3 ) 3 3 2.67 3
22
Ejemplo aplicado
T, P
FI
x1] I
Calor
FL
x1] L
23
Ejemplo aplicado
EJEMPLO:
24
Ejemplo aplicado
EJEMPLO:
i=1 i=2
ai0 14,5171728 14,0495654
ai1 -3158,2986 -3726,31756
ai2 -22,8793838 -93,0381045
25
Ejemplo aplicado
EJEMPLO:
Por lo tanto:
1 0 0 0 0
1 1 0 0 0
x1]V x1]L FV FL 0
JF ( X ) = a11 a11 a11
0 0 P exp a10 + x1]L exp a10 +
a12 + T (a12 + T ) 2
a12 + T
a21
(1 x1]L ) exp a20 +
0 a21 a21
0 P exp a20 +
a22 + T (a22 + T ) 2
a22 + T
26
Ejemplo aplicado
EJEMPLO:
[k] [k] [k] [k] [k]
k X F(X ) JF(X ) S //F(X )//
50 20 1 0 0 0 0 -20
50 0 -1 -1 0 0 0 20
0 0.4 0 -0.4 -0.2 -50 -50 0 0.592395427 107.582874
0.2 -55.4692046 0 0 -150 22.6539769 0.18633308 -0.512395427
300 -89.9846774 0 0 150 -0.01915325 1.33E-03 836.868644
30 0 1 0 0 0 0 0
70 0 -1 -1 0 0 0 0
1 0.99239543 22.0958171 -0.99239543 0.31239543 -30 -70 0 0.005930813 59672.6627
-0.31239543 -37144.7638 0 0 -150 118426.524 -0.29104801 0.313112752
1136.86864 46702.1703 0 0 150 -35586.3103 1.60E+02 -222.6387309
30 0 1 0 0 0 0 0
70 0 -1 -1 0 0 0 0
36 0.77889205 0 -0.77889205 -0.09476055 -30 -70 0 -1.88921E-11 1.3101E-08
0.09476055 -1.3101E-08 0 0 -150 1232.93719 0.08828513 8.09662E-12
449.675439 0 0 0 150 -36.6380329 9.72E-01 3.22171E-09
30 0 1 0 0 0 0 0
70 0 -1 -1 0 0 0 0
37 0.77889205 0 -0.77889205 -0.09476055 -30 -70 0 9.00102E-12 6.2418E-09
0.09476055 6.2418E-09 0 0 -150 1232.93719 0.08828513 -3.85758E-12
449.675439 0 0 0 150 -36.6380329 9.72E-01 -1.53496E-09
27
Ejemplo aplicado
EJEMPLO:
FV = FI X NV
De las primeras dos ecuaciones: FL = FI (1 X NV )
28
Ejemplo aplicado
EJEMPLO:
De esta forma:
X NV (1 X NV ) 0
a11 a11
JF ( X ) = P
a11
exp a10 + x1]L exp a10 +
a12 + T (a 12 + T )2
a12 + T
a21
(1 x1]L ) exp a20 +
a21 a21
P exp a20 +
a22 + T (a22 + T ) 2
a22 + T
29
Ejemplo aplicado
EJEMPLO:
[k] [k] [k] [k] [k]
k X F(X ) JF(X ) S //F(X )//
0.4 0.04 -0.3 -0.7 0 0.59277387
0 0.2 -55.4692046 -150 22.6539769 0.18633308 -0.19690309 105.707504
300 -89.9846774 150 -0.01915325 1.33E-03 798.816412
0.99277387 0 -0.3 -0.7 0 0.00395261
1 0.00309691 182.849869 -150 107127.959 0.00288529 -0.00169398 30993.6215
1098.81641 30993.0821 150 -31090.4505 1.14E+02 -271.928759
0.77889205 0 -0.3 -0.7 0 -2.9608E-11
34 0.09476055 -2.0532E-08 -150 1232.93719 0.08828513 1.2689E-11 2.0532E-08
449.675439 0 150 -36.6380329 9.72E-01 5.0492E-09
0.77889205 0 -0.3 -0.7 0 1.4107E-11
35 0.09476055 9.7825E-09 -150 1232.93719 0.08828513 -6.0458E-12 9.7825E-09
449.675439 0 150 -36.6380329 9.72E-01 -2.4057E-09
30
Cuasi-Newton
DX [k ] = X [k ] X [k 1]
( ) ( )
Donde
DF [k ] = F X [k ] F X [k 1]
Mtodo de Powell
( ) 1
( ) ( )
SG[ k ] = f X [ k ] = F T X [ k ] F X [ k ] ( ) (
SG[ k ] = J T F X [ k ] F X [ k ] )
2
[k ] ( ) ( )
F T X [k ] J F X [k ] SG[k ] SG[k ]
2
= [k ] =
[k ]T
SG J T
F (X [ ] ) J ( X [ ] ) S [ ]
k
F
k
G
k
( )
J F X [k ] SG[k ]
2
SG[k ]
[k ] Cuando [k ] SG[k ]
SG
S [k ] = [k ] SN[k ] + (1 [k ] ) [k ] SG[k ] Cuando [k ] SG[k ] < < SN[k ]
SN[k ] Cuando SN[k ]
Donde (
[k ] = [k ] SG[k ] ) (S [ ] [ ] S [ ] )
N
k k
G
k
Mtodo de Powell
Segn Powell:
x2
Vectores de bsqueda
cuando [k].||SG[k]|| [k].SG[k]
SN[k]
Vectores de bsqueda
cuando [k].||SG[k]||<<||SN[k]||
Vectores de bsqueda
cuando ||SN[k]||<
X[k]
x1
Mtodo de Powell
( ) (
SG[ k ] = J FT X [ k ] F X [ k ] ) ( ) (
, SN[ k ] = J F1 X [ k ] F X [ k ] )
SG[k ]
2
Donde
[k ] = (
, [k ] = [k ] SG[k ] ) (S [ ] [ ] S [ ] )
k k k
( )
J F X [k ] SG[k ]
2 N G
(
F X [k ] F )
Criterio de paro: Tolerancia asociada a
Donde F =
la magnitud de F (X).
Mtodo de Powell
EJEMPLO: A partir de X[0]= [ 20 -50 ]T, y con F=1E-8, =10 aplique el mtodo
de Powell para encontrar una solucin del sistema:
x x + 50
x1 Cosh 2 Cosh 2 10
x1 x1 0
= 0
x Senh x 2 + 50 Senh x2 65
1 x x
1 1
Para poder realizar los clculos es necesario disponer de JF(X):
x x + 50
x 2 Senh 2 + (x2 + 50 ) Senh 2
Cosh x2 Cosh x 2 + 50 + x1 x1 Senh x2 Senh x2 + 50
x x x1 x x
1 1
JF ( X ) =
1 1
x 2 + 50 x2 x2 + 50 x2
(x 2 + 50 ) Cosh + x2 Cosh Cosh Cosh
x 2 + 50 x2 x1 x1 x1 x1
Senh Senh +
x x x1
1 1
Mtodo de Powell
EJEMPLO:
Primera iteracin:
9.99 6.05
( )
92.65
F X [0 ] = , J F X [0 ] = ( )
56 9.28 5.13
T
9.99 6.05 92.65 1445.58
SG = J F (X ) F (X ) =
[0 ] [0 ] [0 ]
=
T
9.28 5.13 56 847.96
T
[0 ] [0 ]T [0 ] 1445 .58 1445 .58
SG = SG SG = = 1675 .92
847.96 847.96
1
9.99 6.05 92.65 28.1117
SN
[0 ]
= J 1
(X ) F (X )
[0 ] [0 ]
= =
9.28 5.13 56 61.7453
F
T
[0 ] [0 ]T [0 ] 28.1117 28.1117
SN = SN SN = = 67.84
61.7453 61.7453
[0 ] 2
SG 1675 .922
[0 ] = = = 0.0040187
( ) S [0 ] 2 2
[0 ] 9.99 6.05 1445 .58
JF X
9.28 5.13 847.96
G
Mtodo de Powell
EJEMPLO:
[0 ] [0 ]
En este caso se cumple: [0 ] SG < < SN 6.735 < 10 < 67.84
(
[0 ] = [0 ] SG[0 ] ) (S[ ] [ ] S [ ] )
N
0 0
G
0
( )
S [0 ] = [k ] SN[k ] + 1 [k ] [k ] SG[k ]
28.1117 1445 .58 3.997
= (0.0534301) + (1 0 . 0534301) (0 .0040187 ) 847.96 = 6.525
61.7453
20 3.997 23.997
Finalmente: X [1] = X [0 ] + S [0 ] = + =
50 6.525 43.475
Mtodo de Powell
EJEMPLO:
10
RESULTADOS NUMRICOS
[k] [k] [k] [k] [k]] [k] [k]] [k] [k] [k]
k X F(X ) JF(X ) SG //SG // SN //SN // S //F(X)//
20 92.64579 -9.993222 -6.050204 1445.577 -28.11165 3.996882
0 1675.924 67.84355 0.004019 0.05343 108.2576
-50 56.00409 -9.280519 -5.132289 847.9552 61.74531 6.524627
23.99688 40.51214 -3.216866 -3.25402 165.9252 -20.50909 2.696739
1 230.0674 38.62039 0.030655 0.093364 42.5733
-43.47537 13.08634 -2.720627 -2.104946 159.3734 32.72479 7.484768
26.69362 14.40707 -1.218335 -2.344813 15.08393 -14.59488 -4.309566
2 34.99724 20.03636 0.116557 0.371045 14.607
-35.99061 -2.408439 -1.025023 -0.914341 31.57977 13.72754 7.408613
22.38405 -0.186704 -0.610872 -2.762965 -3.688849 -3.013675 -3.013675
3 4.148693 3.072574 0.211527 4.155984 3.159169
-28.58199 -3.153647 -1.133544 -0.438406 -1.898432 0.598728 0.598728
19.37038 0.063382 -0.784411 -3.399907 1.581779 0.508646 0.508646
4 1.714329 0.518135 0.132311 33.54894 0.859837
-27.98326 0.857498 -1.786665 -0.519524 0.660984 -0.09871 -0.09871
19.87903 0.00294 -0.748162 -3.27159 0.061433 0.023253 0.023253
5 0.067407 0.023669 0.14236 709.8973 0.036137
-28.08197 0.036018 -1.644569 -0.503191 0.027743 -0.004419 -0.004419
19.90228 6.22E-06 -0.746558 -3.265961 0.000119 4.5E-05 4.5E-05
6 0.000131 4.58E-05 0.140711 364890.9 6.99E-05
-28.08639 6.96E-05 -1.638449 -0.502455 5.53E-05 -8.39E-06 -8.39E-06
19.90232 2.51E-11 -0.746555 -3.26595 4.46E-10 1.68E-10 1.68E-10
7 4.94E-10 1.71E-10 0.138827 9.73E+10 2.62E-10
-28.0864 2.61E-10 -1.638437 -0.502454 2.13E-10 -3.08E-11 -3.08E-11
H (t, X ) = t F ( X ) + (1 t ) G( X )
Homotopa
H m ( X ) = 0 Con m = 0,..., M
H m ( X ) = t m F ( X ) + (1 t m ) G( X )
Donde 1
t m = t m 1 + , t0 = 0 , tM = 1
M
Cuando el nmero sistemas M es muy grande, el valor de los
parmetros de continuidad (tm, tm-1) de dos sistemas
adyacentes es muy similar, al igual que las funciones
homotpicas (Hm(X) , Hm-1(X)) que los caracterizan y sus
soluciones (XHm , XHm-1). Matemticamente.
H m ( X ) H m 1 ( X )
t m t m 1
X Hm X Hm 1
Solucin del sistema Solucin del sistema
Donde X Hm = , X Hm 1 =
de ecuaciones H m ( X ) = 0 . de ecuaciones H m 1 ( X ) = 0 .
Homotopa
G( X ) = ( X X 0 )
El sistema de ecuaciones G(X)=0 (con solucin XG=X0) es muy fcil de
construir, pero posee propiedades de escalado deficientes que pueden
impedir una bsqueda exitosa de la solucin.
G( X ) = JF ( X 0 ) ( X X 0 )
Hm ( X ) = 0
Newton
( ) ( )(
H m X m[K ] + J Hm X m[K ] X X m[K ] = 0 )
Con m = 0,..., M Con m = 0,..., M
(
X m[K +1] = X m[K ] J Hm X m[K ] )
1
(
H m X m[K ] )
Con m = 0,..., M
(
J Hm X m[k ] = ) (HX( X ))
m
=
X
(t m F ( X ) + (1 t m ) G( X ))
X = X m[k ] X = X m[k ]
d (G ( X )) ( ) ( ) (
J Hm X m[k ] = t m J F X m[k ] + (1 t m ) JG X m[k ] )
(
JG X m[k ]
) = =
H. punto fijo
dX X = X m[k ] J F ( X 0 ) H. afn t m = t m 1 +
1
, t0 = 0 tM = 1
M
Homotopa
Frmulas recurrentes:
( ) H (X [ ] )
X m[K +1] = X m[K ] J Hm X m[K ]
1
m
K
m
Donde JHm (X [ ] ) = t J (X [ ] ) + (1 t ) J (X [ ] )
m
k
m F m
k
m G m
k
m = 0,..., M
Con 1
t m = t m 1 + , t0 = 0 tM = 1
M
( )
H m X m[k ] H
Tolerancia asociada a
Donde H =
la magnitud de H m (X).
Homotopa
Primera iteracin:
Nomenclatura
) ( )
x [0 ] 2 10 x [0 ] + 4 (3 )2 10 3 + 4 17
(
F X1 [0 ]
=
2 ]1 1]1
= =
Nmero de la iteracin
( ) [0] [0]
ln x1]1 x1]1 x2[0]1] + 10 ln(3 ) 3 3 + 10 2.099
(
JF X1 [0 ]
) (
=
10
)
[0 ] [0 ]
2 x 2[0]1] 10
[0 ] =
2 3 10
=
6
1 x1]1 x 2 ]1 x1]1 (1 3 ) 3 3 2.67 3
x i[k]m] Nmero del
sistema
Hm(X)=0
EJEMPLO:
10 6 3 3 0
( ) (
G X 1[0 ] = J F ( X 0 ) X 1[0 ] X 0 = )
=
2.67 3 3 3 0
10
( )
JG X 1[0 ] = J F ( X 0 ) =
6
2.67 3
17 0 5.67
( ) ( )
H1 X 1[0 ] = t1 F X 1[0 ] + (1 t1 ) G X 1[0 ] = 0.33 ( )
+ (1 0.33 ) =
2.099 0 0.70
10 10 6 10
( ) ( )
JH1 X 1[0 ] = t1 J F X 1[0 ] + (1 t1 ) JG X 1[0 ] = 0.33 ( )
6
+ (1 0.33 ) =
6
2.67 3 2.67 3 2.67 3
1
10 6 5.67 0.278
[0 ]
S1 = J H1
1
(X ) H (X )
[0 ] [0 ]
= =
2.66 3 0.70 0.48
1 1 1
3 0.28 2.72
X 1[1] = X 1[0 ] + S1[0 ] = + =
3 0.48 3.48
K 2.73
X 1[3 ] =
3.48
2.73
X 2[0 ] =
3.48
( )
H1 X 1[1] = 5.71 ( )
H1 X 1[3 ] = 7E 12
Homotopa
EJEMPLO:
RESULTADOS NUMRICOS M= 3
[k] [k] [k] [k] [k] [k] [k] [k] [k]
m tm k Xm F(Xm ) JF(Xm ) G(Xm ) JG(Xm ) Hm (Xm ) JHm (Xm ) Sm //Hm (Xm )//
3 -17 -10 6 0 -10 6 -5.666667 -10 6 -0.278321
0 5.709681578
3 2.098612 -2.666667 -3 0 -2.666667 -3 0.699537 -2.666667 -3 0.480576
2.721679 -11.10238 -10 6.961152 5.666667 -10 6 0.076984 -10 6.320384 0.010582
1 0.088206108
3.480576 1.52824 -3.113155 -2.721679 -0.699537 -2.666667 -3 0.043055 -2.815496 -2.907226 0.004562
1 0.333
2.73226 -11.17642 -10 6.970275 5.588221 -10 6 6.94E-06 -10 6.323425 -2.08E-06
2 1.98546E-05
3.485138 1.482826 -3.11914 -2.73226 -0.741441 -2.666667 -3 -1.86E-05 -2.817491 -2.910753 -4.38E-06
2.732258 -11.17643 -10 6.970266 5.588215 -10 6 6.4E-12 -10 6.323422 -2.47E-14
3 7.1222E-12
3.485133 1.482844 -3.119136 -2.732258 -0.741422 -2.666667 -3 -3.13E-12 -2.81749 -2.910753 -1.05E-12
2.732258 -11.17643 -10 6.970266 5.588215 -10 6 -5.588215 -10 6.646844 -0.226073
0 5.637185146
3.485133 1.482844 -3.119136 -2.732258 -0.741422 -2.666667 -3 0.741422 -2.968313 -2.821506 0.500611
2.506185 -5.175695 -10 7.971489 10.85261 -10 6 0.167074 -10 7.314326 0.019338
1 0.182339644
3.985744 0.929747 -3.586732 -2.506185 -1.640394 -2.666667 -3 0.073033 -3.280043 -2.67079 0.003596
2 0.667
2.525523 -5.340393 -10 7.978681 10.68081 -10 6 8.62E-06 -10 7.319121 -9.06E-06
2 6.66655E-05
3.989341 0.851276 -3.593383 -2.525523 -1.70275 -2.666667 -3 -6.61E-05 -3.284478 -2.683682 -1.35E-05
2.525514 -5.340411 -10 7.978654 10.68082 -10 6 1.22E-10 -10 7.319103 -5.93E-12
3 1.49644E-10
3.989327 0.851343 -3.593368 -2.525514 -1.702686 -2.666667 -3 -8.61E-11 -3.284468 -2.683676 -2.48E-11
2.525514 -5.340411 -10 7.978654 10.68082 -10 6 -5.340411 -10 7.978654 -0.124148
0 5.407843411
3.989327 0.851343 -3.593368 -2.525514 -1.702686 -2.666667 -3 0.851343 -3.593368 -2.525514 0.513737
2.401366 0.263926 -10 9.006129 15.00472 -10 6 0.263926 -10 9.006129 0.01968
1 0.271232422
4.503065 0.06253 -4.086635 -2.401366 -2.912837 -2.666667 -3 0.06253 -4.086635 -2.401366 -0.007453
3 1
2.421047 5.55E-05 -10 8.991223 14.7632 -10 6 5.55E-05 -10 8.991223 1.89E-05
2 0.00012616
4.495612 0.000113 -4.082567 -2.421047 -2.94296 -2.666667 -3 0.000113 -4.082567 -2.421047 1.49E-05
2.421066 2.21E-10 -10 8.991253 14.7631 -10 6 2.21E-10 -10 8.991253 -3.73E-11
3 3.82477E-10
4.495627 -3.12E-10 -4.082585 -2.421066 -2.943055 -2.666667 -3 -3.12E-10 -4.082585 -2.421066 -6.6E-11
Homotopa
x2 x 2 + 50
1
x Cosh
x Cosh
x
10
1 1 0
= 0
x Senh x 2 + 50 Senh x 2 65
1 x x
1 1
53
Aproximaciones polinomiales
54
Aproximaciones polinomiales
Forma estndar:
n
f (x )n = a0 + a1 x + ... + an x = ak x k
n
k =0
Polinomios de Gregory-Newton:
f (x )n = b0 + b1 (x x0 ) + b2 (x x0 ) (x x1 ) + ... + bn (x x0 ) ... (x x n 1 )
k 1
= b0 + bk (x x j )
n
k =1 j =0
55
Aproximaciones polinomiales
Polinomios de Lagrange:
L0 (x ) =
( x x1 ) (x x 2 ) ... (x x n )
=
n
(x x j )
(x0 x1 ) (x0 x2 ) ... (x0 xn ) j =0 (x0 x j )
j 0
L1 (x ) =
(x x0 ) (x x2 ) ... (x xn ) = (x x j )
n
56
Mtodo de Gregory-Newton
M M
bn = f [n ] = f [xn ,.., x2 , x1, x0 ] Diferencia dividida de orden " n" :
f [x n ,.., x 2 , x1 ] f [x n 1,.., x1, x0 ] Relacin entre la diferencia de diferencias de orden " n - 1"
= y la diferencia entre valores de la variable independiente
x n x0
57
Mtodo de Gregory-Newton
k =1 j =0
58
Mtodo de Gregory-Newton
Ventajas:
Las diferencias divididas pueden calcularse eficientemente mediante un
cdigo de computador.
Cuando no se conoce el grado ms adecuado para el polinomio, se
pueden reutilizar los clculos construyendo polinomios de grado superior
que se basan en los clculos de diferencias divididas hechos para
polinomios de grado inferior.
No se requiere que los datos estn igualmente espaciados ni que se
encuentren organizados de mayor a menor con respecto a los xi.
59
Mtodo de Gregory-Newton
Datos
i xi yi
0 3.35 0.298507
1 3.4 0.294118
2 3.5 0.285714
3 3.6 0.27778
60
Mtodo de Gregory-Newton
EJEMPLO:
A partir del valor de x donde se quiere evaluar la funcin f(x)
y las diferencias divididas recin calculadas, se pueden generar
todos los trminos que al sumarse conforman el polinomio de
Newton. El trmino de grado k est dado por:
k 1
f [x k ,..., x0 ] (x x j )
j =0
61
Mtodo de Lagrange
L0 (x ) =
( x x1 ) (x x 2 ) ... (x x n ) n
=
(x x j ) Polinomio de orden " n" :
1 para i = 0
(x0 x1 ) (x0 x2 ) ... (x0 xn ) j =0 (x0 x j )
L 0 (x i ) = 0 para i 0
j 0
(x x ) (x x ) ... (x x ) = (x x )
Polinomio de orden " n" :
n
L (x ) =
(x x ) (x x ) ... (x x ) (x x )
0 2 n j 1 para i = 1
1 L1(x i ) = 0 para i 1
1 0 1 2 1 n j =0 1 j
j 1
M M
Ln (x ) =
( x x 0 ) (x x1 ) ... (x x n 1 ) n
=
(x x j ) Polinomio de orden " n" :
(xn x0 ) (xn x1 ) ... (xn xn 1 ) j =0 (xn x j ) 1 para i = 0
L 0 (x i ) = 0 para i 0
j n
62
Mtodo de Lagrange
63
Mtodo de Lagrange
Ventajas:
Las frmulas para el clculo de los trminos en los polinomios de
Lagrange son muy simples y fciles de programar. Cuando se van a
hacer clculos conociendo el grado de interpolacin adecuado, Newton y
Lagrange implican aproximadamente la misma carga computacional. Sin
embargo, el mtodo de Lagrange se prefiere en este caso gracias a la
mayor facilidad en la programacin de las frmulas.
No se requiere que los datos estn igualmente espaciados ni que se
encuentren organizados de mayor a menor con respecto a los xi.
64
Mtodo de Lagrange
65
Mtodo de Lagrange
EJEMPLO:
A partir de las diferencias ya calculadas se pueden calcular los
Lk(x), y con estos y los f(xk) se pueden generar todos los
trminos del polinomio de Lagrange. El trmino de grado k est
dado por:
n
f (x k )
(x x )
j
j =0 (x x )
k j
j k
66
Mnimos cuadrados
67
Mnimos cuadrados
i =1
i =1
68
Mnimos cuadrados
69
Mnimos cuadrados
( X 1, y 1 )
( X , y )
Datos : 2 2
M
( X n , y n )
Modelo : y = f (A, X )
x1 a0
x a Vector de
Vector de variables
X = 2 = , A = = parmetros
1
M independie ntes. M
Donde : del modelo.
xm ap
Variable escalar
y =
dependient e.
70
Mnimos cuadrados
i =1 i =1
Dado que los valores {(Xi,yi)} son datos conocidos, E es una funcin
de p+1 variables: Los parmetros desconocidos del modelo a0, a1,
a2,, ap.
71
Mnimos cuadrados
f (A, X i )
( )
n
E a , a ,..., a 2 (y f ( A , X ))
a a0
0 1 p i i
0
i =1
E(a0 , a1,..., ap ) 2 (y i f (A, X i ))
n
f ( A, X )
i
E(a0 , a1,..., ap ) = a1 = i =1 a1 = 0
M M
( )
E(a0 , a1,..., ap ) 2 (y i f (A, X i ))
n
f A, X
i
a
p
i =1 a p
n f (A, X i ) n f (A, X i )
y i f (A, X i )
a0 a0
i n=1 i =1
Sistema de p+1
f (A, X i ) n f (A, X i )
y f (A, X i )
ecuaciones con p+1
a1 a1 = 0
i
i =1 i =1 incgnitas (ao,a1,,ap)
M
n
f (A, X i ) n f (A, X i )
y i f (A, X i )
i =1 ap i =1 ap
72
Mnimos cuadrados
Et = (y i ]dato y Promedio )
n n
, y Promedio = y i ]dato n
2
i =1 i =1
(Et) cuantifica la dispersin de los datos alrededor del valor medio de los
datos yi. Es decir, cuantifica la dispersin de la variable independiente
cuando no se considera ningn modelo.
i =1
73
Mnimos cuadrados
r 2 = (Et E r ) Et , r= (Et Er ) Et
(Et-Er) cuantifica la reduccin en la dispersin de los datos que se logra
cuando se ajusta un modelo a los datos. Es decir, cuantifica la
variabilidad de los datos que puede explicar el modelo. Como (Et-Er)
depende de la escala con la que se miden los datos, se debe normalizar
para obtener (Et-Er)/Et, un parmetro objetivo que puede utilizarse para
comparar el ajuste de diferentes datos y modelos.
Un ajuste perfecto implica: Er=0, r2=1, r=1. Esto quiere decir que el
modelo es capaz de explicar el 100% de la variabilidad de los yi.
74
Regresin polinomial
k =1
75
Regresin polinomial
n n n
n
x x i
2 m
n i i L x i y
n i =1
n
i =1
n
i =1
n a0 n i =1
m +1
a xi y i
x x
2 3
xi L xi
i =1 i =1
i
i =1
i
i =1
1 i =1 Ecuaciones
n 2 n n n = n 2
m + 2 a2
normales de
xi x i
3
x i
4
L xi xi y i la regresin
i =1 i =1 i =1 i =1 M i =1 polinomial
M M M O M a M
n m m
m +m
n n n n
x i x x i
m +1 m +2
m
i i L x i x y i
i =1 i =1 i =1 i =1 i =1
76
Regresin polinomial
Datos
i xi yi
1 1 16.7209
2 2 17.5592
3 2.5 14.9204
4 3 12.8401
5 4 2.75075
6 4.5 -3.26496
7 5 -10.6096
77
Regresin polinomial
EJEMPLO:
Para calcular los parmetros desconocidos del modelo:
Ecuaciones normales:
4
n 7.00 xi 1428.13 7 22 81.5 a0 50.92
xi yi 22 331.75 a1 = 70.92
22.00 50.92
2
xi.yi 81.5
xi 81.50 70.92
xi
3
331.75 2
xi .yi 8.43 81.5 331.75 1428.13 a2 8.43
1
a0 7 22 81.5 50.92 12.04
a = 22 81.5 331.75 70.92 = 7.22
1
a2 81.5 331.75 1428.13 8.43 2.36
78
Regresin polinomial
EJEMPLO:
2
r 0.9988
r 0.9994
79
Regresin polinomial
EJEMPLO:
Grfico de dispersin de datos
20
10
0
0 1 2 3 4 5 6
R2 = 0.9988
-20
-30
-40
xi
80
Regresin polinomial
81
Regresin No lineal
82
Regresin No lineal
i =1 i =1 b + X i
Dado que los valores {(Xi,yi)} son datos conocidos, E es una funcin
de p+1 variables: Los parmetros desconocidos del modelo a, b.
83
Regresin No lineal
n
2 yi a 1
a E(a, b )
i =1 b + X i b + X i
E(a, b ) = = n =0
E(a, b ) 2 ( yi f ( A, X i )) a
b i =1 (b + X )2
i
n a 1
i y
b + X
= b + X i i
=0
i 1
n
( yi f ( A, X i ))
a
2
i =1 (b + X i )
84
Regresin No lineal
85
Regresin No lineal
86
Regresin No lineal
87
Regresin No lineal
Modelo logartmico y i = y i
- y = ao + a1 x
= 0 + 1 xi = Ln (x i )
Transforma
ln(ydados
y i = de i)
Ln (y ) = Ln (a0 ) + a1 x cin
Modelo exponencial
1
y= Ln (ao ) + a1 x
= 0 x i = x i
y i = ln(y i )
y = Ln (ao ) + a1 x
Modelo potencial
Ln (y ) = Ln (a0 ) + a1 Ln (x )
= 0 1 x i = ln(x i )
x
y i = i
yi
Modelo cintico de
x i = x i
Michaelis-Menten x a1 1
= + x a y = a0 +a1x
y a0 a0 a0 = 1
=
0 a0
1+
1
a1 =
a0
88
Regresin No lineal
89
Regresin No lineal
EJEMPLO 5:
90
Regresin No lineal
EJEMPLO 5:
a0 1 a1 1 0.0358 27.95
a = a a = = 11.86
1 0 1 0 . 4243 0 .0358
91
Regresin No lineal
EJEMPLO 5:
Para calcular el coeficiente de correlacin del modelo modificado
y del modelo original:
Valores para el clculo del coeficiente de
correlacin (modelo modificado) yProm edio 0.77
i yi]m odelo (yi-yi]m odelo)2 (yi-yProm edio)2 Er 0.01
1 0.53 0.00 0.06 Et 0.19
2 0.64 0.00 0.01
3 0.71 0.00 0.01
4 0.75 0.00 0.00
5 0.78 0.00 0.00
2
6 0.96 0.00 0.03 r 0.9681
7 1.03 0.00 0.08
r 0.9839
5.40 0.01 0.19
Valores para el clculo del coeficiente de
correlacin (modelo original) yProm edio 11.91
i yi]m odelo 2
(yi-yi]m odelo) (yi-yProm edio)
2 Er 1.55
1 5.64 0.00 39.02 Et 83.45
2 9.39 0.28 9.31
3 11.26 0.79 0.06
4 12.06 0.22 0.10
5 12.79 0.11 1.44
2
6 15.61 0.06 15.48 r 0.9815
7 16.46 0.09 18.05
r 0.9907
83.21 1.55 83.45
92
Regresin No lineal
EJEMPLO 5:
1.2
0.8
yi
0.4
0.2
0
0 2 4 6 8 10 12 14 16 18 20
xi
93
Regresin No lineal
EJEMPLO 5:
20
18
16
14
12
10
yi
y = 27.95x / (11.86 + x)
8
R2 = 0.9815
6
0
0 2 4 6 8 10 12 14 16 18 20
xi
94
Mnimos cuadrados con Excel
95
Mnimos cuadrados con Excel
96
Mnimos cuadrados con Excel
EJEMPLO 5:
Datos
i xi=CA yi=rA
1 0 0
2 0.2 0.088029
3 0.7 0.528936
4 2 1.441212
5 4.5 2.475565
6 7.1 2.516552
7 8.7 2.876045
97
Mnimos cuadrados con Excel
EJEMPLO 5:
98
Mnimos cuadrados con Excel
EJEMPLO 5:
Grfico de dispersin de datos
3.5
2.5
2
yi
1.5
0.5
0
0 1 2 3 4 5 6 7 8 9 10
xi
99
DIFERENCIACIN NUMRICA
Diferenciacin numrica
f ( xn +1 ) f ( xn ) f ( xn +1 ) f ( xn ) x +x
f ' ( xn ) = f ' (C ) = , C = n +1 n
xn +1 xn xn +1 xn 2
Diferencias finitas:
Ver ejemplo libro y realizarlo en Excel.
1 1 2 1 3 1 4 1 2 11 4 5 5
D= + + ... D2 = 3
+ ...
h 2 3 4 h2 12 6
102
Frmulas de
diferencias finitas
Con el nmero de trminos de la aproximacin se puede
construir frmulas de diferencias finitas hacia adelante
103
Frmulas de
diferencias finitas
Tambin permite construir frmulas de diferencias finitas
hacia atrs:
104
Frmulas de
diferencias finitas
Finalmente, permite construir frmulas de diferencias finitas
centradas:
105
Frmulas de
diferencias finitas
El uso de una frmula de diferencias finitas hacia adelante,
hacia atrs o centrada depende de la disponibilidad de datos
alrededor del punto xi en el que se desea evaluar la frmula.
107
Frmulas de
diferencias finitas
EJEMPLO:
f (xi +1 ) f (xi 1 )
f ' (x i ) =
2h
f (xi +1 ) 2 f (x i ) + f (x i 1 )
f ' ' (x i ) =
h2
108
Frmulas de
diferencias finitas
EJEMPLO:
f (x i + 2 ) + 4 f (x i +1 ) 3 f (x i ) 3 f (x i ) 4 f (x i 1 ) + f (x i 2 )
f ' (x i ) = f ' (x i ) =
2h 2h
f (x i +3 ) + 4 f (x i + 2 ) 5 f (x i +1 ) + 2 f (x i ) 2 f (x i ) 5 f (x i 1 ) + 4 f (x i 2 ) f (x i 3 )
f ' ' (x i ) = f ' ' (x i ) =
h2 h2
109
Frmulas de
diferencias finitas
EJEMPLO:
Adicionalmente:
f (x 4 ) + 4 f (x3 ) 5 f (x2 ) + 2 f (x1 ) (2.073 ) + 4 (2.023 ) 5 (1.982) + 2 (1.946 )
f ' ' (x1 ) = = = 0.004
h2 (0.5 )2
f (x3 ) 2 f (x2 ) + f (x1 ) (2.023 ) 2 (1.982) + (1.946 )
f ' ' (x 2 ) = = = 0.020
h2 (0.5)2
M
f (x21 ) 2 f (x20 ) + f (x19 ) (13.791) 2 (13.696 ) + (13.572)
f ' ' (x20 ) = = = 0.116
h2 (0.5)2
2 f (x 21 ) 5 f (x20 ) + 4 f (x19 ) f (x18 ) 2 (13.791) 5 (13.696 ) + 4 (13.572) (13.402)
f ' ' (x21 ) = = = 0.048
h2 (0.5)2
Los valores numricos para todos los puntos se pueden utilizar para
encontrar el punto de equivalencia. Se sabe que este punto es aquel en
el que la funcin PH=f(V) posee un punto de inflexin, es decir, aquel en
el que (dPH/dV)=f(V) es mxima, o aquel en el que (d2PH/dV2)=f(V) es
igual a cero.
110
Frmulas de
diferencias finitas
EJEMPLO:
Los valores numrico obtenidos son:
2 2
i V (ml) PH dPH/dV d PH/dV
1 0.12 1.946 0.067 0.004
2 0.62 1.982 0.077 0.020
3 1.12 2.023 0.091 0.036
4 1.62 2.073 0.110 0.040
5 2.12 2.133 0.135 0.060
6 2.62 2.208 0.170 0.080
7 3.12 2.303 0.219 0.116
8 3.62 2.427 0.294 0.184
9 4.12 2.597 0.418 0.312
10 4.62 2.845 0.641 0.580
11 5.12 3.238 1.111 1.300
12 5.62 3.956 2.457 4.084
13 6.12 5.695 6.348 11.480
14 6.62 10.304 6.348 -11.480
15 7.12 12.043 2.457 -4.084
16 7.62 12.761 1.111 -1.300
17 8.12 13.154 0.641 -0.580
18 8.62 13.402 0.418 -0.312
19 9.12 13.572 0.294 -0.184
20 9.62 13.696 0.219 -0.116
21 10.12 13.791 0.161 -0.048
111
Frmulas de
diferencias finitas
EJEMPLO:
PH vs . volum e n de re activo aadido (dPH/dV) vs . volum e n de re activo aadido
16 7.000
14 6.000
12
5.000
10
dPH/dV
4.000
PH
8
3.000
6
2.000
4
2 1.000
0 0.000
0 2 4 6 8 10 0 2 4 6 8 10
V (m l) V (m l)
15.000
2.000
10.000 1.500
Punto de equivalencia
1.000 V=6.37 ml
5.000
d 2 PH/dV 2
d 2 PH/dV 2 0.500
0.000 0.000
0 2 4 6 8 10 6.34 6.35 6.36 6.37 6.38 6.39 6.4
-5.000 -0.500
-1.000
-10.000
-1.500
-15.000 -2.000
V (m l) V (m l)
112
Diferenciacin de
datos con errores
Cuando se van a calcular derivadas f(n)(xi) a partir de datos
experimentales de los que se sospecha poseen errores aleatorios,
no se recomienda utilizar ni las frmulas de diferencias finitas ni las
frmulas deducidas a partir de la derivacin de polinomios de
interpolacin como los de Lagrange.
113
Diferenciacin de
datos con errores
Si se utilizan frmulas basadas en funciones de interpolacin
para diferenciar datos con errores, estos errores se
amplifican.
Grficamente:
a) Datos exactos
b) Datos modificados ligeramente
c) Diferenciacin de a)
d) Diferenciacin de b)
114
Diferenciacin de
datos con errores
EJEMPLO: Encuentre los valores de la pendiente y la
curvatura asociadas a cada uno de los puntos en la siguiente
tabla:
Datos
i xi yi
1 0 -7.0619
2 1 4.784551
3 2 4.533839
4 3 -1.99953
5 4 -3.40819
6 5 7.86434
7 6 28.6778
115
Diferenciacin de
datos con errores
EJEMPLO:
Diferenciando:
116
Diferenciacin de
datos con errores
EJEMPLO:
Grfico de dispersin de datos originales y las derivadas
80
20
0
-1 0 1 2 3 4 5 6 7
-20
-40
xi
117
Referencias
REFERENCIAS
"Mtodos matemticos aplicados en ingeniera qumica. Heberto Tapias,
Luz Amparo Palacio. U. de Antioquia.
118
Referencias
REFERENCIAS
"Mtodos matemticos aplicados en ingeniera qumica. Heberto Tapias,
Luz Amparo Palacio. U. de Antioquia.
Hoffman J.,D. (1992). Numerical methods for engineers and scientists. New
York: Marcel Dekker. Secciones: 7.14.3