1

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

Los mtodos que se discutirn en este curso para solucionar

este problema son:

Mtodos directos: Mediante transformaciones matemticas

modifican el sistema de ecuaciones original en un sistema de
ecuaciones equivalente (con la misma solucin del original) que
puede resolverse secuencialmente (se utiliza una ecuacin a la
vez para calcular una variable desconocida a la vez).
Eliminacin Gaussiana
Descomposicin LU
Mtodos iterativos: A partir de un estimativo inicial X[0] de la
solucin X* del sistema, se calculan aproximaciones sucesivas
X[1], X[2] , X[3] ,, hasta encontrar una lo suficientemente cerca
de la solucin X*.
Jacobi
Gauss-Seidel

4
Jacobi/Gauss Seidel

El mtodo de Jacobi y Gauss Seidel est basado en la

siguiente transformacin [Ilustracin para un sistema 4x4]:
Si se toma el sistema original y se despeja una variable de
cada ecuacin:
a11 x1 + a12 x2 + a13 x3 + a14 x 4 = b1
a21 x1 + a22 x2 + a23 x3 + a24 x 4 = b2
a11 a12 a13 a14 x1 b1 a31 x1 + a32 x2 + a33 x3 + a34 x 4 = b3
a a22 a23 a24 x 2 b2 a41 x1 + a42 x2 + a43 x3 + a44 x 4 = b4
21 =
a31 a32 a33 a34 x3 b3 x1 = (a12 x2 + a13 x3 + a14 x 4 ) a11 + b1 a11

a41 a42 a43 a44 x 4 b4 x 2 = (a21 x1 + a23 x3 + a24 x 4 ) a22 + b2 a22
x3 = (a31 x1 + a32 x 2 + a34 x 4 ) a33 + b3 a33
x 4 = (a41 x1 + a42 x2 + a43 x3 ) a44 + b4 a44

En el mtodo de Jacobi, las nuevas aproximaciones se

calculan a partir de un mismo conjunto de valores
precedentes. En el mtodo de Gauss-Seidel se tiene en cuenta
que para calcular cada variable se considera la informacin
ms reciente de cada variable.

5
5
 Jacobi/Gauss Seidel

La caracterstica principal del mtodo de Gauss-Seidel es

que utiliza los valores ms actualizados de las variables
disponibles:
Frmulas recurrente s del Mtodo Gauss - Seidel :
[k ]
( [k 1] [k 1]
x1 = a12 x 2 + a13 x3 + a14 x 4
[k 1]
)
a11 + b1 a11

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

Sistema de ecuaciones transforma do

[ ]
( [ ] [
x3 = a31 x1 + a32 x2 + a34 x 4
k

[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

En el mtodo de Gauss Seidel se calcula el valor actualizado de

cada variable (nueva iteracin) teniendo en cuenta la informacin
ms actualizada disponible con respecto a las otras variables.

Criterio de paro: Se afirma que se est lo suficientemente cerca de

la solucin y se detienen los clculos cuando se cumple alguna de
las siguientes condiciones:

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

Caractersticas de convergencia: Se dice que un mtodo

iterativo es convergente cuando la serie de soluciones que
genera X[1], X[2], X[3], se va acercando cada vez ms a la
solucin X*. Para que el mtodo de Jacobi/Gauss-Seidel sea
convergente:
Condicin suficiente pero no necesaria: La matriz A debe ser
diagonalmente dominante; es decir, que en cada fila el valor
absoluto del coeficiente en la diagonal principal es superior a la
suma de los valores absolutos de los dems coeficientes en ella.
n
aii > aij
i =1
j i

Condicin necesaria y suficiente: El valor absoluto de todos los

valores propios de C es menor o igual 1.
Vector que contiene los
i 1 , Donde =
valores propios de C

8
Jacobi/Gauss Seidel

EJEMPLO 1: Determine si estas matrices son o no diagonalmente

dominantes

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

EJEMPLO 2: Resuelva el sistema caracterizado por

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

x1[3 ] = ( x 2[2 ] + x3[2 ] 2) / 4 = 2.3550 x1[4 ] = ( x 2[3 ] + x3[3 ] 2) / 4 = 2.3767

x 2[3 ] = ( 45 6 x1[3 ] ) / 8 = 3.8587 x 2[4 ] = ( 45 6 x1[4 ] ) / 8 = 3.8425
x3[3 ] = (80 + 5 x1[3 ] ) / 12 = 7.6479 x3[4 ] = (80 + 5 x1[4 ] ) / 12 = 7.6569

11
Jacobi/Gauss Seidel

EJEMPLO 2:

Resultados numricos teniendo en cuenta un R=1x10-8.

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

EJEMPLO APLICADO: El grfico que se muestra a

continuacin representa una red de tuberas.

1 2 8

3 5 9
10

4 6 11 15

7
12 16
13

14 17

Considerando que por el sistema fluye agua a una

temperatura constante y que para cada divisor, el flujo de
sus corrientes de salida es el mismo, el sistema de
ecuaciones que relaciona los flujos de las corrientes se
presenta a continuacin.

13
Ejemplo aplicado

EJEMPLO APLICADO:

Balances de masa en los nodos Relaciones en los divisores

F1 - (F2 + F3 ) = 0 F2 F3 = 0
(F3 + F4 ) - (F5 + F6 + F7 ) = 0 F5 F6 = 0 , F6 F7 = 0
(F2 + F5 ) - (F8 + F9 + F10 ) = 0 F8 F9 = 0 , F9 F10 = 0
(F6 + F10 ) - (F11 + F12 ) = 0 F11 F12 = 0
(F7 + F12 ) - (F13 + F14 ) = 0 F13 F14 = 0
(F9 + F11 + F13 ) - (F15 + F16 ) = 0 F15 F16 = 0
(F14 + F16 ) - (F17 ) = 0

Si F1[m3/h]=100, y F4[m3/h]=400, encuentre los flujos en

las dems corrientes.

Considerando las especificaciones, el sistema de ecuaciones

est dado por:

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

Newton se fundamenta en una aproximacin funcional de F(X)

a una serie de Taylor de primer orden alrededor de un
estimativo X[k]:

F (X ) F X ( [k ]
) +
( ) (X X [ ] )
F X
[k ]
k
Donde :
(
F X [k ]) (
= J F X [k ] ) X = X [k ]
X X

De esta forma, en lugar de tratar de resolver el problema F(X)=0,

se trata de resolver el problema aproximado:

( ) ( )(
F X [k ] + J F X [k ] X X [k ] 0 ) X X [k ] J F
1
( X [ ] ) F (X [ ] )
k k

Esto da lugar a la siguiente frmula recurrente aproximada para el

mtodo de Newton puro:

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

Frmulas recurrentes del mtodo de 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

En forma grfica el mtodo de Newton para una variable:

f(x) y=f(x[0])+f(x[0]).(x-x[0]) x[1]=x[0]-f(x[0])/f(x[0])

y=f(x[1])+f(x[1]).(x-x[1]) x[2]=x[1]-
f(x[1])/f(x[1])

x*

x[0] x[1] x[2] x[3] x

19
Newton

Existen casos en los que el mtodo de Newton no converge.

Para una variable, algunos de estos casos son:

20
Newton

Caractersticas del mtodo:

Ventaja: Bastante rpido, puede mostrarse que tiene velocidad de

convergencia cuadrtica.
Desventajas: Requiere derivadas e inversin de matrices. Converge
nicamente si el punto inicial X[0] est suficientemente cerca de la
solucin. En otras palabras, posee una capacidad de convergencia
local.

Elementos en un algoritmo Newton-Rapson eficiente:

Verificacin de la solucin al final.

Lmite mximo de iteraciones.
Evitar divisiones por cero durante el clculo del cambio relativo de X.
Mostrar un mensaje de alerta cuando f(x)0 (Jx(X) singular).

21
Newton

EJEMPLO: A partir de X[0]= [ 3 3 ]T, y con F=1E-5 encuentre

una solucin del sistema:
x2 2 10 x1 + 4 0
=
ln(x1 ) x1 x2 + 10 0

Para poder realizar los clculos es necesario disponer de JF(X):

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

EJEMPLO: La siguiente figura muestra el diagrama de un

evaporador parcial. FV
x1]V

T, P
FI
x1] I

Calor
FL
x1] L

Si se supone sistema ideal y equilibrio de fases, las ecuaciones

que relacionan las variables con las que se describe esta unidad
durante el procesamiento en estado estacionario de una mezcla
binaria son:
FV FI X NV = 0 , exp(a10 + a11 / (a12 + T )) x1]L P x1]V = 0
FI FL FV = 0 , exp(a20 + a21 / (a22 + T )) (1 x1]L ) P (1 x1]V ) = 0
FI x1]I FL x1]L FV x1]V = 0

23
Ejemplo aplicado

EJEMPLO:

Fj [kmol / h ] = (Flujo molar de la corriente " j".)

Fraccin molar del componente " i"
xi]j =
en la corriente " j".
X NV = (Fraccin molar de vaporizaci n.)
, P [kPa ] = (Presin operativa del evaporador .)
, T [K ] = (Temperatur a operativa del evaporador .)
, Constante " j" de la curva de presin de vapor
aij =
de la sustancia " i".

El evaporador se alimenta con una mezcla caracterizada por

FI=100, x1]I=0.3. Considerando que la unidad opera con P=150,
encuentre la temperatura para vaporizar el 30% de la
alimentacin (xNV=0.3).

Emplee el mtodo de Newton con F=1x10-8 y los siguientes

valores iniciales: F
[ ]
50
0
V
F 50
L
x1]V = 0 .5
x
1]L 0 .1
T 300

24
Ejemplo aplicado

EJEMPLO:

Considere los siguientes valores para las aij.

i=1 i=2
ai0 14,5171728 14,0495654
ai1 -3158,2986 -3726,31756
ai2 -22,8793838 -93,0381045

Para resolver este problema se puede tratar de reducir el

sistema de ecuaciones o tratar de resolver el sistema completo.
Si se toma el sistema completo:
F F X
V I NV
FV x1
FI FL FV F
L x2
F ( X ) = FI x1]I FL x1]L FV x1]V
Donde: x1]V = x 3

exp(a10 + a11 / (a12 + T )) x1]L P x1]V x x
1]L 4
exp(a20 + a21 / (a22 + T )) (1 x1]L ) P (1 x1]V ) T x 5

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

Los valores que pueden obtenerse a partir de los valores

iniciales recomendados empleando el mtodo de Newton se
muestran a continuacin:

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

Finalmente, la temperatura necesaria para que se vaporice el

30% de las moles de la mezcla es 449.67 K .

27
Ejemplo aplicado

EJEMPLO:

Si se quiere reducir el sistema original para facilitar la solucin

numrica basta con despejar algunas de las variables de
algunas de las ecuaciones y reemplazar estas expresiones en las
dems ecuaciones.

FV = FI X NV
De las primeras dos ecuaciones: FL = FI (1 X NV )

FI x1]I FI (1 X NV ) x1]L FI X NV x1]V = 0

Reemplazando en la tercera:
x1]I (1 X NV ) x1]L X NV x1]V = 0

De esta forma el sistema de ecuaciones se transforma en:

x1]I (1 X NV ) x1]L X NV x1]V = 0
exp(a10 + a11 / (a12 + T )) x1]L P x1]V = 0
exp(a20 + a21 / (a22 + T )) (1 x1]L ) P (1 x1]V ) = 0

28
Ejemplo aplicado

EJEMPLO:

De esta forma:

x1]I (1 X NV ) x1]L X NV x1]V x1]V x1

x = x
F ( X ) = exp(a10 + a11 / (a12 + T )) x1]L P x1]V Donde: 1]L 2
exp(a + a / (a + T )) (1 x ) P (1 x ) T x 3
20 21 22 1] L 1]V

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

Los resultados numricos que se obtienen con este

planteamiento son:

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

La respuesta es la misma; sin embargo, el planteamiento de

este problema resulta ms simple desde el punto de vista de la
construccin de JF(X) y el nmero de variables con respecto a
las que es necesario fijar valores iniciales. Generalmente, entre
menos variables se deban inicializar es ms fcil proponer
valores iniciales que permiten resolver el problema.

30
Cuasi-Newton

Uno de los requerimientos para el mtodo de Newton es el

clculo de la matriz Jacobiana en cada iteracin.

En los mtodos cuasi-Newton, en lugar de utilizar la matriz

Jacobiana exacta, se utiliza una matriz que aproxima a la
Jacobiana.

Esta Jacobiana aproximada se calcula a partir de los cambios de

X y F(X) en las iteraciones. Una de las frmulas ms usada es la
de Broyden:
I para k = 0
( ) ) ( ( ) )( )

J~F X [k ] = DF [k ] J~F X [k 1] DX [k ] DX [k ] T
~
JF X([k 1]
+ para k > 0

( )
DX [k ] DX [k ]
T

DX [k ] = X [k ] X [k 1]
( ) ( )
Donde
DF [k ] = F X [k ] F X [k 1]
Mtodo de Powell

Para evitar los problemas del mtodo de Newton que resultan

cuando aparecen matrices JF(X[k]) quasi-singulares, se puede
utilizar ms de una direccin de bsqueda.

Una direccin de bsqueda particularmente til es SG[k], la direccin

en la que f(X)=(1/2).FT(X).F(X) desciende ms rpidamente; es
decir, la direccin dada por -f(X).

( ) 1
( ) ( )
SG[ k ] = f X [ k ] = F T X [ k ] F X [ k ] ( ) (
SG[ k ] = J T F X [ k ] F X [ k ] )
2

Esta direccin SG[k] no presenta los problemas asociados a la

direccin de bsqueda de Newton SN[k] cuando JF(X[k]) se hace
quasi-singular.

Sin embargo, puede demostrarse que, a diferencia de un mtodo

basado en SN[k], la velocidad de convergencia de un mtodo basado
en de SG [k] es muy baja cerca de la solucin.
Mtodo de Powell

Para aprovechar la velocidad de convergencia que brinda SN[k] y

evitar los problemas que surgen cuando JF(X[k]) se hace quasi-
singular, se puede utilizar una combinacin lineal de SG[k] y SN[k].

El mtodo de Powell se inicia con el clculo del tamao de paso [k]

con el que se minimiza una aproximacin cuadrtica de f(X) en la
direccin de SG[k]. Es decir:

[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

Ahora, para un tamao de paso mximo deseado () en cada

iteracin, se construye el vector de bsqueda de acuerdo con:

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:

S[k] es una fraccin de [k].SG[k] cuando el tamao de paso que se

quiere dar es inferior a [k].||SG[k]||.
S[k] es una combinacin de [k].SG[k] y SN[k] cuando el tamao de
paso que se quiere dar est entre [k].||SG[k]|| y ||SN[k]||.
S[k] es SN[k] cuando el tamao de paso que se quiere dar es
superior a ||SN[k]||.

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

De esta forma, al fijar un valor de :

Cuando el mtodo se acerca a un punto en el que JF(X) es quasi-

singular, ||SN[k]|| , 0 y S[k] [k].SG[k] .(SG[k]/||SN[k]||). En
este caso, el mtodo utiliza una direccin casi paralela a SG[k]. Esto
hace que el mtodo no se vea afectado por los puntos donde JF(X)
es quasi-singular.

Cuando el mtodo se acerca a la solucin, f(X) 0 y por tanto

||SG[k]|| 0. Con esto, /||SN[k]|| y S[k] SN[k] .(SN[k]/||SN[k]||).
En este caso , el mtodo utiliza una direccin casi paralela a SN[k].
Esto hace que el mtodo aproveche las caractersticas de
convergencia asociadas a SN[k] cuando se encuentra cerca de la
solucin.

El mtodo aprovecha las ventajas de dos direcciones de bsqueda y

resuelve los problemas asociados al uso de cada una de ellas.
Mtodo de Powell

Frmulas recurrentes del mtodo de Powell.

X [k +1] = X [k ] + S [k ]
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 ]

( ) (
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:

= (0.0040187 ) (1675 .92) = 6.735

[0 ]
[0 ] SG

[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

= (10 (0.0040187 ) 1675.92) (67.84 (0.0040187 ) 1675.92) = 0.0534301

( )
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:

Los resultados que pueden obtenerse son:

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

Puede mostrarse que este mtodo resulta ms robusto y eficiente que

el de Newton para la solucin de este problema.
Homotopa

Los mtodos homotpicos de continuidad pertenecen a un

tipo de mtodos conocidos como mtodos de convergencia
global. En que consisten?

Se pretende encontrar la solucin XF de F(X)=0.

Se dispone de un sistema de ecuaciones G(X)=0 con solucin

XG conocida o fcil de encontrar.

Con las funciones que definen estos sistemas de ecuaciones se

puede plantear una funcin homotpica:

H (t, X ) = t F ( X ) + (1 t ) G( X )
Homotopa

A partir de la funcin homotpica se puede plantear una serie

de M+1 sistemas de ecuaciones:

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

Como t0=0, se deduce que H0(X)=G(X). Es decir, el primer sistema de

ecuaciones de la serie es G(X)=0, cuya solucin XG se conoce o se
puede encontrar fcilmente.

XG se emplea como valor inicial para encontrar XH1 (solucin del

sistema H1(X)=0); este a su vez se emplea para encontrar XH2 (solucin
del sistema H2(X)=0), y as sucesivamente.

Dado que tM=1, se deduce que HM(X)=F(X). Es decir, el ltimo sistema

de ecuaciones de la serie es el sistema que originalmente se quera
resolver F(X)=0.

Con esta metodologa, solucionar el sistema F(X)=0 con garanta de

convergencia a partir de valores iniciales XG lejos de la solucin real XF,
equivale a solucionar una serie de M sistemas de ecuaciones en
donde la solucin de cada sistema sirve como valor inicial que garantiza
convergencia durante la solucin del sistema que le sigue dado que
XmXm-1.
Homotopa

Existen diferentes opciones para G(X). Cada una de ellas conduce a

un mtodo Homotpico diferente. Las ms comunes son:

Homotopa de punto fijo: Caracterizada por

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.

Homotopa afn: Caracterizada por

G( X ) = JF ( X 0 ) ( X X 0 )

El sistema de ecuaciones G(X)=0 (con solucin XG=X0) es ms difcil de

construir que en el caso de la homotopa de punto fijo, pero posee
propiedades de escalado que hacen del mtodo algo ms robusto.
 Homotopa

Para resolver cada sistema de ecuaciones de la forma Hm(X)=0 se

utiliza el mtodo de Newton puro, con lo que:

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 y criterio de paro:

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

Criterio de paro: Para cada sistema Hm(X)=0 se deben realizar clculos

con m constante hasta que se cumpla el siguiente criterio:

( )
H m X m[k ] H
Tolerancia asociada a
Donde H =
la magnitud de H m (X).
Homotopa

Caractersticas del mtodo:

Ventaja: Bastante robusto. Tiene caractersticas de convergencia global

(converge desde casi cualquier valor inicial).
Desventajas: Lento porque implica muchos clculos que requieren
derivadas e inversin de matrices. Equivale a ejecutar M veces el
mtodo de Newton.

Elementos en un algoritmo Homotopa eficiente:

Verificacin de la solucin al final.

Lmite mximo de iteraciones por paso.
Si el mtodo no converge, indicar en que nmero de paso se detiene.
Graficar los puntos Xm (ruta homotpica).
Homotopa

EJEMPLO: A partir de X[0]= [ 3 3 ]T, con H=1E-5, M=3,

aplique el mtodo de la homotopa afin para encontrar una
solucin del sistema 2
x2 10 x1 + 4 0
=
ln(x1 ) x1 x2 + 10 0

Para poder realizar los clculos es necesario disponer de JF(X):

10 2 x2 10 2 x2 ]0 10 2 3 10 6
JF ( X ) = JF ( X 0 ) = = =
(1 x1 ) x 2 x1 ( )
1 x1]0 x 2]0 x1]0 (1 3 ) 3 3 2.67 3

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

Nmero del componente

del vector X
Homotopa

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

PROBLEMA PROPUESTO: A partir de X[0]= [ 20 -50 ]T, y con

H=1E-5, M=3, aplique el mtodo de la homotopa afn para
encontrar una solucin del sistema:

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

Para apreciar las caractersticas de convergencia de la

homotopa afn, trate de resolver el mismo problema
utilizando el mtodo de Newton.
INTERPOLACIN Y APROXIMACIONES
Aproximaciones polinomiales

Cuando se tienen datos de alta precisin, se puede generar una

funcin que capte exactamente el comportamiento de los datos
pasando por todos ellos. Funciones de este tipo permiten estimar
datos intermedios a aquellos presentados en tablas.

Para este propsito, a partir de un conjunto de n+1 datos, se

pueden calcular los coeficientes del nico polinomio de grado n
que pasa por todos ellos.

Este procedimiento se conoce como interpolacin polinomial y

genera una funcin con la que pueden encontrarse valores entre
los intervalos descritos por los datos originales.

Aunque slo existe un polinomio de grado n que pasa

exactamente por un conjunto de n+1 datos, existen varias
presentaciones matemticas equivalentes para tal polinomio.

53
Aproximaciones polinomiales

Grfico que muestra un estimativo de Ln(x) a partir de un

polinomio cbico que pasa por cuatro puntos de la funcin.

54
 Aproximaciones polinomiales

Tres formas equivalentes de polinomios de interpolacin:

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

bk = ( Diferencia finita dividida de orden "k")

f [ x1 ] f [ x0 ]
b0 = f [ x0 ] = f ( x0 ) , b1 = f [ x1 , x0 ] =
x1 x0
f [ x2 , x1 ] f [ x1 , x0 ] f [ xk ,.., x2 , x1 ] f [ xk 1 ,.., x1 , x0 ]
b2 = f [ x2 , x1 , x0 ] = ,L , bk = f [ xk ,.., x2 , x1 , x0 ] =
x2 x0 xk x0

55
Aproximaciones polinomiales

Polinomios de Lagrange:

f (x )n = L0 (x ) f (x0 ) + L1(x ) f (x1 ) + ... + Ln (x ) f (x n )

n
= Lk (x ) f (x k )
k =0

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

Donde (x1 x0 ) (x1 x2 ) ... (x1 xn ) j = 0 (x1 x j )

j 1
M
Lk (x ) =
( x x0 ) ... (x x k 1 ) (x x k +1 ) ... (x x n ) n
=
(x x j )
(xk x0 ) ... (xk xk 1 ) (xk xk+1 ) ... (xk xn ) j =0 (xk x j )
j k

56
 Mtodo de Gregory-Newton

Se fundamentan en las llamadas diferencias divididas de Newton.

Estas cantidades son diferencias de la variable dependiente yi=f(xi)
divididas entre diferencias de la variable independiente xi.

Diferencia dividida de orden cero :

b0 = f [0 ]
= f [x0 ] = f (x0 )
Corresponde a la variable dependiente

Diferencia dividida de orden uno :

f [x1 ] f [x0 ]
b1 = f [1] = f [x1, x0 ] = Relacin entre la diferencia de diferencias de orden cero
x1 x0 y la diferencia entre valores de la variable independiente



Diferencia dividida de orden dos :
f [x 2 , x1 ] f [x1, x 0 ]
b2 = f [2 ]
= f [x 2 , x1, x0 ] = Relacin entre la diferencia de diferencias de orden uno
x2 x0 y la diferencia entre valores de la variable independiente

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

En forma prctica, las diferencias pueden calcularse empleando un

formato tabular en el que las diferencias de orden k se calculan
con la ayuda de las diferencias de orden k-1 calculadas
previamente.

Empleando las diferencias, el polinomio de Newton que pasa por

todos los n+1 puntos est dado por:
k 1
f (x )n = b0 + b1 (x x 0 ) + b2 (x x 0 ) (x x1 ) + ... + bn (x x0 ) ... (x x n 1 ) = b0 + bk (x x j )
n

k =1 j =0

58
Mtodo de Gregory-Newton

Caractersticas del mtodo:

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.

Por sus caractersticas, es posible disear fcilmente algoritmos de

computador altamente eficientes para interpolar datos mediante
polinomios de Newton.

59
Mtodo de Gregory-Newton

EJEMPLO: Empleando un polinomio de Newton que pase por

todos los puntos, encuentre f(3.44)

Datos
i xi yi
0 3.35 0.298507
1 3.4 0.294118
2 3.5 0.285714
3 3.6 0.27778

Antes que nada, es necesario calcular las diferencias divididas:

Clculo de las diferencias divididas
(0) (1) (2) (3)
i xi f i =f i fi fi fi
0 3.35 0.298507 -0.08778 0.024933 -0.00573
1 3.4 0.294118 -0.08404 0.0235
2 3.5 0.285714 -0.07934
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

Los valores que se obtienen para los trminos y la funcin f(x)

evaluada en x=3.44 son:
Clculo de los trminos del
polinomio y estimacin de f(x)
k fi(k) (x-xk) Trminok
1 0.298507 0.09 0.298507
2 -0.08778 0.04 -0.0079
3 0.024933 -0.06 8.98E-05
4 -0.00573 -0.16 1.24E-06
x 3.44
f(x) 0.290698

61
 Mtodo de Lagrange

Estos polinomios se construyen como una combinacin lineal

de polinomios Li(x) (con i=0,,n), cada uno de ellos
asociado a un valor xi. Cada polinomio toma un valor de
uno en el xi al que se encuentra asociado y toma un valor
de cero en el resto de los xi.

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

Empleando las funciones Lk(x) se construye el polinomio como:

n
f (x )n = L0 (x ) f (x0 ) + L1 (x ) f (x1 ) + ... + Ln (x ) f (x n ) = Lk (x ) f (x k )
k =0

El siguiente grfico presenta los 3 trminos de grado 2 (parbolas)

que componen un polinomio de Lagrange que pasa por por 3 puntos
(x0,y0), (x1,y1), (x2,y2).

63
Mtodo de Lagrange

Caractersticas del mtodo:

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.

Desventaja: A diferencia de lo que ocurre con los polinomios de Newton,

si se quiere cambiar el grado del polinomio de interpolacin, es
necesario repetir casi todos los clculos. Esto hace que el mtodo de
Lagrange no pueda competir con el mtodo de Newton en cuanto a
eficiencia de cmputo cuando se est tratando de determinar el grado
de interpolacin correcto.

64
Mtodo de Lagrange

EJEMPLO: A partir de los datos presentados en el ejemplo

anterior y empleando un polinomio de Lagrange que pase
por todos los puntos, encuentre f(3.44)
Datos
i xi yi
0 3.35 0.298507
1 3.4 0.294118
2 3.5 0.285714
3 3.6 0.27778

Antes que nada, es necesario calcular las diferencias entre las

xi que posteriormente permiten calcular las Lk(x)
Matriz de diferencias aij=(xi-xj)
x0 x1 x2 x3
3.35 3.4 3.5 3.6
x 3.44 0.09 0.04 -0.06 -0.16
x0 3.35 0 -0.05 -0.15 -0.25
x1 3.4 0.05 0 -0.1 -0.2
x2 3.5 0.15 0.1 0 -0.1
x3 3.6 0.25 0.2 0.1 0

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

Los valores que se obtienen para los trminos y la funcin f(x)

evaluada en x=3.44 son:
Clculo de los trminos del
polinomio y estimacin de f(x)
k f(xk) Lk(x) Trminok
0 0.298507 -0.2048 -0.06113
1 0.294118 0.864 0.254118
2 0.285714 0.384 0.109714
3 0.27778 -0.0432 -0.012
x 3.44
f(x) 0.290698

66
Mnimos cuadrados

Cuando se tienen datos con error, se puede generar una funcin

que capta el comportamiento general de los datos en conjunto sin
pasar necesariamente por todos ellos.

Para un conjunto de puntos determinados pueden plantearse

muchas funciones diferentes con parmetros desconocidos que se
pueden calcular minimizando la discrepancia entre los puntos y la
curva que representa la funcin.

67
Mnimos cuadrados

Existen varios criterios para caracterizar la discrepancia entre la

curva (modelo matemtico) y los puntos:

Suma de las desviaciones:

(Discrepancia) = (y i ]dato y i ]modelo )

n

i =1

Suma de valores absolutos de las desviaciones:

n
(Discrepancia) = y i ]dato y i ]modelo
i =1

La mayor de las desviaciones

(Discrepancia ) = max (y i ]dato y i ]modelo )
Suma de los cuadrados de las desviaciones:

(Discrepanc ia) = (y i ]dato y i ]modelo )2

n

i =1

68
Mnimos cuadrados

Matemticamente se puede mostrar que el mejor de los criterios

para cuantificar la discrepancia es el ltimo: LA SUMA DE LAS
DESVIACIONES CUADRTICAS.

Esta definicin de discrepancia aporta un criterio con el que se

puede cuantificar que tan bueno es el ajuste de un modelo a un
conjunto de datos.

Al ajustar los parmetros desconocidos de un modelo para

minimizar la suma de las desviaciones cuadrticas, se obtiene el
mejor ajuste que puede lograrse entre dicho modelo y los datos en
cuestin.

En ltimo trmino, el procedimiento de ajuste implica la solucin de

un problema de optimizacin : minimizacin de la suma de
desviaciones cuadrticas (funcin objetivo) mediante la
modificacin de los parmetros desconocidos del modelo (variables
independientes).

69
Mnimos cuadrados

Procedimiento general: Se pretende ajustar un conjunto de puntos

a una funcin escalar multivariable general:

( 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

Se construye una funcin de error cuadrtico (E):

E = (y i ]dato y i ]modelo ) = (y i f (A, X i ))

n n
2 2

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.

Para encontrar el mejor ajuste es necesario resolver el problema de

optimizacin no restringido:
n
E = (y i f (A, X i ))
2
min
i =1

Puede demostrarse que este mtodo proporciona el ajuste ms

adecuado cuando la dispersin de los puntos es de magnitud similar en
todo el rango de datos y la distribucin de los puntos al rededor del
modelo es normal.

71
 Mnimos cuadrados

Aplicando condicin necesaria de primer orden para un punto solucin

de este problema de optimizacin:

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

Para establecer que tanto se ajusta un conjunto de puntos a un modelo

se utiliza un parmetro conocido como coeficiente de correlacin (r).

Para calcular el coeficiente de correlacin se debe calcular previamente

dos parmetros:

Desviacin cuadrtica respecto al promedio (Et):

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.

Desviacin cuadrtica respecto al modelo (Er):

Er = (y i ]dato y i ]modelo ) , y i ]modelo = f (A, X i ]dato )

n
2

i =1

73
Mnimos cuadrados

(Er) cuantifica la dispersin de los datos alrededor del modelo. Es decir,

cuantifica la dispersin de la variable independiente despus de realizar
la regresin con el modelo. En otras palabras, representa la variabilidad
en el comportamiento de los datos que no puede explicar el modelo.

Coeficiente de determinacin (r2) y coeficiente de correlacin (r):

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

Regresin polinomial: Se trata de ajustar un conjunto de

puntos a un modelo polinomial de una variable y grado m:
(x1, y 1 )
(x , y )
2 2 Datos :
M

(x n , y n )
m
Modelo : y = ao + ak (x )
k

k =1

Mediante una transformacin de los datos originales y un

cambio de variable es posible convertir este problema en un
problema de regresin lineal mltiple:
(
(x11, x 21,..., x m1, y 1 ) (x1 )1, (x1 )2 ,..., (x1 )m , y 1 )
Datos :
(x , x ,..., x , y )
12 22 m2 2
= ( (
x 2 ) , (x 2 ) ,..., (x 2 ) , y 2
1 2 m
)
Haciendo : M
M
yi = yi , x ki = (xi )
k
(
(x1n , x 2n ,..., x mn , y n ) (x n ) , (x n ) ,..., (x n ) , y n
1 2 m
)


m
Modelo : y = ao + ak x k
k =1

75
Regresin polinomial

Con este cambio de variable se pueden utilizar todas las expresiones

presentadas para la regresin lineal mltiple.

Si se hace el planteamiento de la funcin de error cuadrtico (E) y se

aplica la condicin de primer orden para encontrar el mnimo, se puede
llegar al siguiente sistema de ecuaciones normales:

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

Nuevamente, el sistema lineal de ecuaciones posee una matriz de

coeficientes y vector de trminos independientes que pueden calcularse
a partir de los datos

76
Regresin polinomial

EJEMPLO: Encuentre la ecuacin del polinomio de segundo

grado que mejor se ajusta a los datos:

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

Ajustar estos datos a un modelo y=a0+a1.x+a2.x2 implica el

clculo los parmetros a0, a1 , a2. Para lograrlo, es necesario
estimar los valores de los coeficientes y trminos
independientes de las ecuaciones derivadas a partir de la
minimizacin de la funcin de error cuadrtico (E).

77
Regresin polinomial

EJEMPLO:
Para calcular los parmetros desconocidos del modelo:

Valores para el clculo de los parmetros desconocidos del modelo

2 3 4 2
i xi xi xi xi yi xi.yi xi .yi
1 1 1 1 1 16.72089 16.72089 16.72089
2 2 4 8 16 17.55918 35.11836 70.23672
3 2.5 6.25 15.625 39.0625 14.9204 37.30099 93.25248
4 3 9 27 81 12.84009 38.52027 115.5608
5 4 16 64 256 2.750752 11.00301 44.01203
6 4.5 20.25 91.125 410.0625 -3.26496 -14.6923 -66.1154
7 5 25 125 625 -10.6096 -53.0481 -265.241
22 81.5 331.75 1428.125 50.91673 70.92307 8.426855

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:

Para calcular el coeficiente de correlacin del modelo:

Valores para el clculo del coeficiente de

correlacin
2 2
i yi]modelo (yi-yi]modelo) (yi-yPromedio)
1 16.90 0.03 89.25 yPromedio 7.27
2 17.05 0.26 105.79 Er 0.85
3 15.35 0.19 58.47 Et 735.83
4 12.48 0.13 30.98
5 3.19 0.19 20.46
6 -3.23 0.00 111.07
7 -10.82 0.04 319.82
50.92 0.85 735.83

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

-10 y = -2.3587x2 + 7.2213x + 12.04

yi

R2 = 0.9988

-20

-30

-40
xi

80
 Regresin polinomial

EJERCICIO PROPUESTO: Se han obtenido los siguientes

datos en el laboratorio de la capacidad calorfica c para un
gas determinado a diferentes temperaturas T.

T -40 -20 10 70 100 120

c 1250 1280 1350 1480 1580 1700

Ajuste los datos a un modelo polinomial de segundo grado que

permita predecir c en funcin de T. Adems, evale el
coeficiente de determinacin y de correlacin.

81
Regresin No lineal

En el caso en que se tenga la siguiente situacin, se pretende

ajustar un conjunto de puntos a una funcin escalar multivariable
general:
( X 1 , y1 )
( X , y )
Datos : 2 2
M

( X
n n , y )
a
Modelo : y =
b+x
x1
x Vector de
Vector de variables a
X = 2 = , A = = parmetros
M independientes. b del modelo.
Donde :
xm
Variable escalar
y =
dependient e.

82
Regresin No lineal

Se construye una funcin de error cuadrtico (E):

2
a
E = ( yi ]dato yi ]modelo )
n n
= yi
2

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.

Para encontrar el mejor ajuste es necesario resolver el problema de

optimizacin no restringido:
2
n
a
min E = yi
i =1 b + X i

Puede demostrarse que este mtodo proporciona el ajuste ms

adecuado cuando la dispersin de los puntos es de magnitud similar en
todo el rango de datos y la distribucin de los puntos al rededor del
modelo es normal.

83
Regresin No lineal

Aplicando condicin necesaria de primer orden para un punto solucin

de este problema de optimizacin:

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

Linealizacin de datos y modelos: Cuando se tienen modelos

no lineales, es posible aplicar cambios de variables y
transformaciones en los datos que permiten ajustarlos a
modelos lineales. Este es un procedimiento similar al
presentado para convertir la regresin polinomial en una
regresin lineal mltiple. Algunos de los modelos ms
comunes y sus transformaciones son:

Modelo logartmico (y=a0+a1.Ln(x)):

(Ln (x1 ), y 1 ) (x1, y 1)
Transformacin del modelo : (Ln (x ), y ) (x , y )
Datos : 2 2
= 2 2
No es necesario M M

Transforma cin de datos : (Ln (x n ), y n ) (x n , y n )
y i = y i , x i = Ln (x i ) Modelo : y = ao + a1 x

85
Regresin No lineal

Modelo exponencial: y=a0.ea1.x

(x1, Ln (y 1 )) (x1, y 1)
Transformacin del modelo : (x , Ln (y )) (x , y )
Datos : 2 2
= 2 2
( )
Ln (y ) = Ln a0 e a1x Ln (y ) = Ln (a0 ) + a1 x

M

M

Transforma cin de dados : (x n , Ln (y n )) (x n , y n )
y i = ln(y i ) , xi = x i Modelo : y = Ln (ao ) + a1 x

Modelo potencial: y=a0.xa1

(Ln (x1 ), Ln (y 1 )) (x1, y 1)
Transformacin del modelo : (Ln (x ), Ln (y )) (x , y )
( ) Datos : 2
2
= 2 2
Ln (y ) = Ln a0 x a1 Ln (y ) = Ln (a0 ) + a1 Ln (x ) M M

Transformacin de datos : (Ln (x n ), Ln (y n )) (x n , y n )
y i = ln(y i ) , x i = ln(x i ) Modelo : y = Ln (ao ) + a1 x

86
Regresin No lineal

87
Regresin No lineal

Un resumen de algunos de los modelos ms comunes y sus

transformaciones se presenta en la siguiente tabla:
Transformacin del Transformacin de
Modelo original Modelo a ajustar
modelo los datos

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

EJEMPLO 5: Se cree que dos variables x y y que

describen un cierto fenmeno se relacionan de acuerdo con
el modelo y=a0.x/(a1+x). Datos experimentales de estas
variables se muestran a continuacin. Determine el valor de
los parmetros desconocidos empleando regresin lineal.
Datos
i xi yi
1 3 5.66554
2 6 8.85981
3 8 12.1491
4 9 11.5915
5 10 13.1111
6 15 15.8458
7 17 16.1599

Dado que el modelo es no lineal, es necesario plantear una

transformacin para poder utilizar las expresiones de la
regresin lineal.

89
Regresin No lineal

EJEMPLO 5:

Una posible transformacin para linealizar los datos y el modelo

es:

Transforma cin del modelo :

x x a 1 (x1, (x1 y 1 )) (x1, y 1)
y = a0 = 1 + x (x , (x y )) (x , y )
(a1 + x ) y a0 a0 Datos : 2 2 2 = 2 2
M M

Transforma cin de los datos : (xn , (xn y n )) (xn , y n )
x Modelo : y= a0 +a1x
y i = i , x i = x i
yi
a 1
a0 = 1 , a1 =
a0 a0

90
Regresin No lineal

EJEMPLO 5:

Para calcular los parmetros desconocidos del modelo:

Valores para el clculo de los parmetros desconocidos

del modelo
2
i xi yi xi.yi xi
1 3 0.529516771 1.588550314 9 n 7 xi.yi 57.62
2 6 0.677215543 4.063293259 36 xi 68 xi
2
804
3 8 0.658486129 5.267889028 64 yi 5.40
4 9 0.776428346 6.98785511 81
5 10 0.762712117 7.62712117 100
6 15 0.946625803 14.19938704 225
7 17 1.051989052 17.88381388 289
68 5.40297376 57.6179098 804 Ecuaciones normales:
1
a0 7 68 5.40 0.4243 7 68 a0 5.40
a = = 68 804 a = 57.62
1 68 804 57.62 0.0358 1

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:

Grfico de dispersin de datos

(Modelo y datos transformados)

1.2

0.8
yi

0.6 y = 0.0358x + 0.4243

R2 = 0.9681

0.4

0.2

0
0 2 4 6 8 10 12 14 16 18 20
xi

93
Regresin No lineal

EJEMPLO 5:

Grfico de dispersin de datos

(Modelo y datos originales)

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

La regresin de datos con mnimos cuadrados es en esencia

un problema de optimizacin no restringida.

Dado que el Solver de Excel es una herramienta para

resolver problemas de optimizacin, puede emplearse para
ajustar datos a cualquier tipo de modelo.

Como en todo planteamiento de un problema de

optimizacin en Excel es necesario seleccionar dos conjuntos
de celdas:
Celdas asociadas con las incgnitas del problema:
Corresponden a los parmetros del modelo (a0,...,ap).
Celdas asociadas a la funcin objetivo: Corresponde a la
funcin de error cuadrtico (E=Er).

95
Mnimos cuadrados con Excel

EJEMPLO 5: Se cree que en un cierto sistema qumico

reactivo a condiciones de temperatura y presin dadas, la
relacin entre la velocidad de consumo de un reactivo A
(rA) y su concentracin (CA) en el sistema est dada por el
modelo:
a
CA 1
rA = a0
(1 + a2 CA )a3

A partir de los datos experimentales mostrados a

continuacin y empleando el MSES, encuentre los valores de
los parmetros que permiten el mejor ajuste del modelo a los
datos. Utilice (a0,a1,a2,a3)=(1,1,1,1) como estimativos
iniciales. El modelo planteado caracteriza el
comportamiento del sistema?

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

Las frmulas y valores que se incluyen en Excel para plantear el

problema de optimizacin se muestran a continuacin:
B C D E F G H I J K L
2 yProm edio =PROMEDIO(D5:D11)
Valores para el clculo del coeficiente de correlacin
3 Datos Er =H12
2 2
4 i xi yi i yi]m odelo (yi-yi]m odelo) (yi-yProm edio) Et =I12
5 1 0 0 1 =($L$6*C5^$L$7)/((1+$L$8*C5)^$L$9) =(D5-G5)^2 =(D5-$L$2)^2
6 2 0.2 0.08803 2 =($L$6*C6^$L$7)/((1+$L$8*C6)^$L$9) =(D6-G6)^2 =(D6-$L$2)^2 a0 1.59762943818594
7 3 0.7 0.52894 3 =($L$6*C7^$L$7)/((1+$L$8*C7)^$L$9) =(D7-G7)^2 =(D7-$L$2)^2 a1 1.70104201282993
8 4 2 1.44121 4 =($L$6*C8^$L$7)/((1+$L$8*C8)^$L$9) =(D8-G8)^2 =(D8-$L$2)^2 a2 0.436613198199381
9 5 4.5 2.47556 5 =($L$6*C9^$L$7)/((1+$L$8*C9)^$L$9) =(D9-G9)^2 =(D9-$L$2)^2 a3 1.9933196584736
10 6 7.1 2.51655 6 =($L$6*C10^$L$7)/((1+$L$8*C10)^$L$9) =(D10-G10)^2 =(D10-$L$2)^2
11 2
7 8.7 2.87604 7 =($L$6*C11^$L$7)/((1+$L$8*C11)^$L$9) =(D11-G11)^2 =(D11-$L$2)^2 r =(L4-L3)/L4
12 =SUMA(G5:G11) =SUMA(H5:H11) =SUMA(I5:I11) r =RAIZ(L11)

97
Mnimos cuadrados con Excel

EJEMPLO 5:

Los resultados obtenidos luego del proceso iterativo automtico

desarrollado por el Solver son:
Valores para el clculo del coeficiente de yProm edio 1.42E+00
correlacin Er 5.46E-02
2 2
i yi]m odelo (yi-yi]m odelo) (yi-yProm edio) Et 9.02E+00
1 0.00 0.00E+00 2.01E+00
2 0.09 2.76E-07 1.77E+00 a0 1.60
3 0.51 2.93E-04 7.91E-01 a1 1.70
4 1.49 2.06E-03 5.37E-04 a2 0.44
5 2.36 1.23E-02 1.12E+00 a3 1.99
6 2.69 3.07E-02 1.21E+00
2
7 2.78 9.32E-03 2.13E+00 r 0.9939
9.92 5.46E-02 9.02E+00 r 0.9970

El coeficiente de correlacin indica que el modelo es capaz de

explicar aproximadamente el 99% de la variabilidad de los
datos. Esto indica que el modelo si capta la esencia del
fenmeno medido en el laboratorio.

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

La diferenciacin numrica se puede realizar mediante:

Derivando el polinomio de aproximacin:

f ( x ) = Pn ( x ) f ' ( x ) = Pn ' ( x )

Aproximacin de la derivada mediante la secante:

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

Frmulas hacia adelante, atrs y centradas (siguientes diapositivas)

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.

Cuando se pretende evaluar las derivadas en los primeros

puntos (x1,x2,...) de una lista, es muy probable que se
deban utilizar frmulas hacia a delante (donde f(m)(xi)= f((xi,fi),
(xi+1,fi+1) , (xi+2,fi+2)...)) (no centradas). Cuando se pretende
evaluar las derivadas en los ltimos puntos de (...,xn-2,xn-
1,xn) de una lista, es muy probable que se deban utilizar
frmulas hacia atrs (donde f(m)(xi)= f((xn,fn), (xn-1,fn-1) , (xn-2,fn-
2)...)) (no centradas).

Durante el clculo de una derivada de cierto orden a partir

de un conjunto de puntos (xi,f(xi)), se pueden utilizar
formulas diferentes para diferentes puntos siempre y cuando
tengan el mismo orden de error.
106
Frmulas de
diferencias finitas
EJEMPLO: Durante la titulacin de una solucin se
obtuvieron los siguientes datos:
i V (ml) PH
1 0.12 1.946
En este caso V(ml) representa la cantidad 2
3
0.62
1.12
1.982
2.023
de reactivo aadido a la solucin durante 4
5
1.62
2.12
2.073
2.133
la titulacin. 6
7
2.62
3.12
2.208
2.303
8 3.62 2.427
9 4.12 2.597
10 4.62 2.845
Construya las curvas para la primera y 11 5.12 3.238
12 5.62 3.956
segunda derivada. A partir de la ltima 13 6.12 5.695
14 6.62 10.304
encuentre el punto de equivalencia. 15 7.12 12.043
16 7.62 12.761
17 8.12 13.154
18 8.62 13.402
Para cumplir con los requerimientos de 19 9.12 13.572
20 9.62 13.696
precisin se pide que las derivadas 21 10.12 13.791

se calculen con (orden mnimo de error)=2

107
Frmulas de
diferencias finitas
EJEMPLO:

Como los puntos se encuentran igualmente espaciados, es posible

emplear frmulas de diferencias finitas para calcular las derivadas de la
funcin PH=f(V(ml)).

Las derivadas en los puntos intermedios se pueden calcular con las

frmulas de diferencias centrales y error O(h2):

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

Sin embargo, estas frmulas no permiten calcular las derivadas de los

puntos extremos en la lista (i=1, i=21). Para calcular las derivadas en
x1 se requieren frmulas de diferencia finita hacia delante, y para
calcular las derivadas en x21 se requieren frmulas de diferencia finita
hacia atrs, todas ellas con error O(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

Con estas expresiones:

f (x3 ) + 4 f (x 2 ) 3 f (x1 ) (2.023 ) + 4 (1.982) 3 (1.946 )

f ' (x1 ) = = = .067
2h 2 (0.5 )
f (x3 ) f (x1 ) (2.023 ) (1.982)
f ' (x 2 ) = = = .077
2h 2 (0.5 )
M
f (x21 ) f (x19 ) (13.791) (13.572 )
f ' (x20 ) = = = 0.219
2h 2 (0.5 )
3 f (x 21 ) 4 f (x 20 ) + f (x19 ) 3 (13.791) 4 (13.696 ) + f (13.572)
f ' (x21 ) = = = 0.161
2h 2 (0.5 )

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)

(d 2 PH/dV 2) vs . volum e n de reactivo aadido (d 2PH/dV 2 ) vs. volum e n de re activo aadido

(Es calas am pliadas )

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.

Ambas expresiones (diferencias finitas y derivadas de polinomios

de Lagrange) se fundamentan en funciones de interpolacin que,
tal cual se mencion en el captulo de aproximacin funcional, no
son adecuadas para manejar datos con errores.

En su lugar, se recomienda ajustar una funcin f(x) a los datos

mediante un procedimiento de mnimos cuadrados y derivar esta
funcin para encontrar f(n)(x). Esta ltima funcin puede evaluarse
en cualquiera de los xi o valores intermedios.

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

Los datos fueron medidos en el laboratorio con instrumentos

de baja precisin y caracterizan un fenmeno en el que la
relacin de las variable estudiadas est dada por la ecuacin
y=a0+a1.x+a2.x2+a3.x3

115
Diferenciacin de
datos con errores
EJEMPLO:

Mediante mnimos cuadrados se encuentran los parmetros que mejor

ajustan la funcin a los datos:

y (x ) = 6.5853 + 18.272 x 8.8088 x 2 + 1.1278 x 3

Diferenciando:

y ' (x ) = 18.272 2 (8.8088 ) x + 3 (1.1278 ) x 2

y ' ' (x ) = 2 (8.8088 ) + 6 (1.1278 ) x

Con estas funciones se encuentran los siguientes resultados

Derivadas
i y'i y''i
1 18.27218 -17.6176
2 4.038054 -10.8506
3 -3.42908 -4.08364
4 -4.12923 2.683349
5 1.937618 9.450339
6 14.77145 16.21733
7 34.37227 22.98432

116
Diferenciacin de
datos con errores
EJEMPLO:
Grfico de dispersin de datos originales y las derivadas

80

y = 1.1278x3 - 8.8088x2 + 18.272x - 6.5853

60
R2 = 0.9869

40 y' = 3(1.1278)x2 - 2(8.8088)x + 18.272

y'' = 6(1.1278)x - 2(8.8088)

yi, y'i, y''i

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.

Chapra S.,C., Canale R.,P.(2002). Mtodos numricos para ingenieros.

Mxico: McGrawHill. Secciones: 5.1, 5.2 5.2.1, 5.2.2, 5.4, 6.1, 6.1.1, 6.1.2,
6.2, 6.2.2, 6.2.3, 6.5, 6.5.1, 6.5.2.

Biegler L.T., Grossmann I.E., Westerberg A.W. (1997). Systematic methods

of chemical process design. Upper Saddle River: Prentice Hall. Seccin 8.3

Henao C.A. (2005 ). Simulacin y Evaluacin de Procesos Qumicos.

Medelln: UPB. Secciones: 2.2.1, 2.2.2, 2.2.5.

118
 Referencias
REFERENCIAS
"Mtodos matemticos aplicados en ingeniera qumica. Heberto Tapias,
Luz Amparo Palacio. U. de Antioquia.

Chapra S.,C., Canale R.,P.(2002). Mtodos numricos para ingenieros.

Mxico: McGrawHill. Secciones: PT6.1, PT6.2, PT6.3, 21.1, 21.1.1, 21.1.2,
21.2, 21.2.1, 21.2.2, 21.2.3, 21.3, 22.3, 22.3.2, 22.3.3, 23.1, 23.3, 23.4,
25.1, 25.3, 25.3.1, 25.3.2, 25.3.3, 25.5, 25.5.1, 25.5.2, 25.5.3, 26.1,
26.2.3.

Rice R.,G., Do D.,D.(1995). Applied mathematics and modeling for chemical

engineers. New York: John Wiley. Secciones: 7.3, 7.4, 7.5, 7.6, 7.7, 7.8.

Hoffman J.,D. (1992). Numerical methods for engineers and scientists. New
York: Marcel Dekker. Secciones: 7.14.3

Notas de clase curso Mtodos numricos para ingenieros qumicos. I.Q.

Carlos A. Henao U.P.B. 2005

Queda prohibida la reproduccin total o parcial, copia, uso, distribucin, comercializacin,

comunicacin pblica o cualquier otra actividad que se pueda hacer con el contenido. No se
responsabiliza de la mala utilizacin de los contenidos de presentacin por parte del usuario.