Métodos numéricos

Unidad 4
Diferenciación e integración numérica

Acapulco, Guerrero. 21 de noviembre de 2018.

 4.1 Diferenciación numérica
La derivada de una función tiene muchas aplicaciones, entre las cuáles esta la
determinación de la velocidad instantánea de una partícula o móvil a partir de su
función de posición. Este proceso es en ocasiones algo muy sencillo cuando se
cuenta con dicha función, pero cuando se requiere solucionar el mismo problema
con un conjunto de datos discretos y no con su función, el procedimiento no
puede ser llevado de igual manera, es decir, el cálculo no nos da una solución
directa, por lo tanto se debe recurrir a otro tipo de análisis. En la unidad anterior
se estudió la aproximación polinomial para un conjunto de datos tabulados con
base en esos conceptos. En esta unidad se estudiara la aproximación polinomial
a partir de algunos valores de una función f, y dando ciertos puntos se puede
determinar su derivada en un punto dado.

La derivada de una función f en x0, está definido de la siguiente manera:

Para valores pequeños de h, podemos aproximar la derivada de f en x0 de la

siguiente manera:

Notaremos la aproximación a la derivada de una función f como f’ Esta fórmula

aunque sencilla no tiene un comportamiento estable, ya que para funciones
lineales puede llegar a ser exacta, no siendo así para funciones más generales.
Pero sin duda alguna, es un buen punto de partida para el cálculo de la derivada
de una función, además hay que considerar que en algunos casos es la única
opción con que se cuenta. Notaremos la aproximación a la derivada de una
función f como f’ Esta fórmula aunque sencilla no tiene un comportamiento
estable, ya que para funciones lineales puede llegar a ser exacta, no siendo así
para funciones más generales. Pero sin duda alguna, es un buen punto de partida
para el cálculo de la derivada de una función, además hay que considerar que en
algunos casos es la única opción con que se cuenta. Para estimar el valor del
error asociado a la ecuación, nos valemos del polinomio e Taylor de primer grado
cuya estructura es la siguiente:
Si se toma x = x + h 0, entonces 0 h = x − x y se reemplaza en el
polinomio (4.2), se tiene entonces que:

Despejando f’(x0), se obtiene:

Donde 0 = (f ('' ξ ) / 2) = , es el error de truncamiento. Si h > 0, a la

formula (4.3) se le denomina la primera diferencia finita hacia delante o
diferencia progresiva También podemos obtener la diferencia finita hacia
atrás o diferencia regresiva si h < 0

Ahora bien, si sumamos las ecuaciones (4.3) y (4.4), obtendremos la

diferencia finita centrada de la siguiente manera:

Podemos observar que el error de la ecuación (4.5) es del orden h 2 , a

diferencia de las ecuaciones (4.3) y (4.4) que tienen un error del orden h,
es decir que la ecuación (4.5) converge rápidamente a cero, pero para
ello se debe contar con 3 valores de f(x) a diferencia de (4.3) y (4.4) que
solo requiere de dos puntos de la función f(x).
El cálculo de la derivada de una función puede ser un proceso "difícil" ya sea por
lo complicado de la definición analítica de la función o por que esta se conoce
únicamente en un número discreto de puntos. (Este es el caso si la función
representa el resultado de algún experimento). En esta lección estudiaremos
técnicas para aproximar las derivadas de una función y veremos el análisis de
error de dichas formulas.

Fórmulas para la primera derivada: La definición de la derivada de una función

f(x) en el punto "x" está dada en términos del límite:

De esta definición podemos decir que si "h" es pequeño entonces:

(Note el símbolo de aproximación). Esto nos da inmediatamente la primera fórmula

numérica para aproximar la derivada:

Antes de ver algunos ejemplos donde usamos esta fórmula, tratemos de contestar
la pregunta de ¿cuán buena es esta aproximación de la derivada? Por el Teorema
de Taylor sabemos que:

Donde esta entre x y x+h. Si despejamos ahora en esta fórmula por f'(x) y
usamos la definición de tenemos que:

Esta fórmula nos dice que aproxima a f'(x) con un error proporcional a "h",
i.e., O(h).
 4.2 Integración Numérica
En análisis numérico, la integración numérica constituye una amplia gama
de algoritmos para calcular el valor numérico de una integral definida y, por
extensión, el término se usa a veces para describir algoritmos numéricos para
resolver ecuaciones diferenciales. El término cuadratura numérica (a menudo
abreviado a cuadratura) es más o menos sinónimo de integración numérica,
especialmente si se aplica a integrales de una dimensión a pesar de que para el
caso de dos o más dimensiones (integral múltiple) también se utilizan.

El problema básico considerado por la integración numérica es calcular una

solución aproximada a la integral definida:

Este problema también puede ser enunciado como un problema de valor inicial
para una ecuación diferencial ordinaria, como sigue:

Encontrar y(b) es equivalente a calcular la integral. Los métodos desarrollados

para ecuaciones diferenciales ordinarias, como el método de Runge-Kutta, pueden
ser aplicados al problema reformulado. En este artículo se discuten métodos
desarrollados específicamente para el problema formulado como una integral
definida.
Razones para la integración numérica
Hay varias razones para llevar a cabo la integración numérica. La principal puede
ser la imposibilidad de realizar la integración de forma analítica. Es decir,
integrales que requerirían de un gran conocimiento y manejo de matemática
avanzada pueden ser resueltas de una manera más sencilla mediante métodos
numéricos. Incluso existen funciones integrables pero cuya primitiva no puede ser
calculada, siendo la integración numérica de vital importancia. La solución
analítica de una integral nos arrojaría una solución exacta, mientras que la
solución numérica nos daría una solución aproximada. El error de la aproximación,
que depende del método que se utilice y de qué tan fino sea, puede llegar a ser
tan pequeño que es posible obtener un resultado idéntico a la solución analítica en
las primeras cifras decimales.
Métodos para integrales unidimensionales
Los métodos de integración numérica pueden ser descritos generalmente como
combinación de evaluaciones del integrando para obtener una aproximación a la
integral. Una parte importante del análisis de cualquier método de integración
numérica es estudiar el comportamiento del error de aproximación como una
función del número de evaluaciones del integrando. Un método que produce un
pequeño error para un pequeño número de evaluaciones es normalmente
considerado superior. Reduciendo el número de evaluaciones del integrando se
reduce el número de operaciones aritméticas involucradas, y por tanto se reduce
el error de redondeo total. También, cada evaluación cuesta tiempo, y el
integrando puede ser arbitrariamente complicado.
De todos modos, un modo de integración por «fuerza bruta» puede hacerse
siempre, de un modo muy simplista, evaluando el integrando con incrementos muy
pequeños.
Métodos basados en funciones de interpolación
Hay una extensa familia de métodos que se basan en aproximar la función a
integrar f(x) por otra función g(x) de la cual se conoce la integral exacta. La
función que sustituye la original se encuentra de forma que en un cierto número de
puntos tenga el mismo valor que la original. Como los puntos extremos forman
parte siempre de este conjunto de puntos, la nueva función se llama
una interpolación de la función original. Cuando los puntos extremos no se utilizan
para encontrar la función que sustituye a la original entonces se
dice extrapolación. Típicamente estas funciones son polinomios.

Fórmulas de Newton-Cotes
La interpolación con polinomios evaluada en puntos igualmente separados en da
las fórmulas de Newton-Cotes, de las que la regla del rectángulo, la del trapecio y
la de Simpson son ejemplos. Si se escogen los nodos hasta será la fórmula de
Newton-Cotes cerrada y si se escogen será la fórmula de Newton-Cotes abierta.
Regla del rectángulo.
El método más simple de este tipo es hacer a la función interpoladora ser una

función constante (un polinomio de orden cero) que pasa a través del punto .
Este método se llama la regla del rectángulo:
Regla del punto medio
Si en el método anterior la función pasa a través del punto este método se
llama la regla del punto medio:

Regla de Simpson

La función interpoladora puede ser un polinomio de grado 2 que pasa a través de

los puntos y Este método se llama regla de Simpson:
.
Reglas compuestas
Para cualquier regla interpoladora, se puede hacer una aproximación más precisa
dividiendo el intervalo en algún número de subintervalos, hallando una
aproximación para cada subintervalo, y finalmente sumando todos los resultados.
Las reglas que surgen de hacer esto se llaman reglas compuestas, y se
caracterizan por perder un orden de precisión global frente a las correspondientes
simples, si bien globalmente dan valores más precisos de la integral, a costa eso
sí de incrementar significativamente el coste operativo del método. Por ejemplo,
la regla del trapecio compuesta puede expresarse como:
4.3 Integración múltiple
Una integral múltiple es un tipo de integral definida aplicada a funciones
de más de una variable real, por ejemplo, f(x,y) o f(x,y,z) .

De la misma manera en que la integral de una función positiva f(x) de una variable
definida en un intervalo puede interpretarse como el área entre la gráfica de la
función y el eje x en ese intervalo, la doble integral de una función
positiva f(x,y) de dos variables, definida en una región del plano xy, se puede
interpretar como el volumen entre la superficie definida por la función y el plano xy
en ese intervalo. Al realizar una "integral triple" de una función f(x,y,z) definida en
una región del espacio xyz, el resultado es un hipervolumen, sin embargo es
bueno notar que si f(x,t,z) el resultado se puede interpretar como el volumen de la
región de integración. Para integrales de órdenes superiores, el resultado
geométrico corresponde a hipervolúmenes de dimensiones cada vez superiores.
La manera más usual de representar una integral múltiple es anidando signos de
integración en el orden inverso al orden de ejecución (el de más a la izquierda es
el último en ser calculado), seguido de la función y los diferenciales en orden de
ejecución. El dominio de integración se representa sobre cada signo de integral, o
a menudo es abreviado por una letra en el signo de integral de más a la derecha:

Definición
El cálculo de varias variables es una extensión del cálculo bidimensional o de una
variable a más de una dimensión. Comúnmente utilizado en el espacio
tridimensional. Por eso, así como la derivación tiene su abstracción
multidimensional, la integración también la tiene.

La integración múltiple es el proceso de encontrar las primitivas de una función de

varias variables respecto a todas las variables independientes que dicha función
posea. Generalmente la aplicación más directa es la integral definida, utilizada
para encontrar áreas de regiones y volúmenes de superficies en el espacio.

Integral doble
La doble integral es utilizada en funciones de dos variables independientes, de la
forma z = f ( x , y ). La integral de esta función tiene la forma siguiente:

A la integral anterior se le llama integral iterada, pues el proceso se realiza por

pasos. El orden de integración puede cambiar primero respecto a y y luego
respecto a x o viceversa. El proceso consiste en integrar primero la función
respecto a la primera variable y volver la otra constante para luego integrar ese
resultado respecto a la variable restante.

La doble integral definida se usa para encontrar áreas o volúmenes. Para

encontrar áreas no es necesario contar con una función. Por ejemplo, el área de
una circunferencia con centro en el origen de radio 1.
Para encontrar el área del círculo, que en este caso es igual a Pi, se pueden usar
ambos ordenes de integración. Esto depende de lo siguiente. La ecuación de este
círculo es:

La ecuación se puede despejar respecto a las dos variables. Lo más importante

son los límites de integración. La región tipo I se obtiene al sumar las áreas de
rectángulos verticales, como se acostumbra. En este caso, primero se integra
respecto a y y luego respecto a x. Los límites de la primera integral son funciones
de la forma y = f(x).

Entonces, la función se despeja respecto a y para encontrar los límites de

integración de esa variable. Los límites de integración de x son siempre
constantes y representan el rango en el que x se mueve; en este caso, el radio de
la circunferencia.

Cuando los límites superior e inferior son idénticos a excepción del signo, se dice
que existe simetría. Por ello, el límite inferior puede ser 0 y la integral completa se
multiplica por 2. En este caso, por 4 pues los dos pares de límites son simétricos.

La integral se resuelve de la forma convencional. Se integra y se evalúa, dos

veces:
En caso de la región tipo II, los rectángulos son horizontales y es la variable x la
que depende de y. El despeje es al revés, y los límites de integración de y son
iguales que los de x en el primer ejemplo.

La integral queda resuelta de esta forma:

Cuando una integral doble no contiene función en el argumento, el cálculo

corresponde a un área limitada por los límites de integración. Cuando la integral
doble sí contiene una función en el argumento, de la forma z = f( x, y ), el cálculo
de la integral corresponde al volumen entre la superficie en el espacio
representada por dicha función y una región representada por los límites de
integración. Por ejemplo la función de la esfera con centro en el origen y radio 1:

Se despeja la función respecto a z. En este caso, solo se calculara el volumen de

la mitad superior de la esfera para ocupar la raíz positiva. La integral se
multiplicará por 2 para obtener el volumen total. En ese caso, el orden de
integración puede ser el que sea. Por naturalidad, se usará una región tipo I. La
región sobre el plano xy desde la cuál se mide el volumen hasta la superficie es
una circunferencia con centro en el origen con radio 1. Se puede obtener
igualando z a 0. Los límites de x y y quedan como sigue:

La integral, entonces, se plantea de la siguiente manera:

Como los límites de integración de ambas variables presentan simetría, la integral

puede empezar desde 0 en ambos y se multiplica por 4:

La resolución de la integral es compleja pues convergen varios métodos de

integración. Pero el resultado, que es constante, equivale al resultado de calcular
el volumen de la esfera por la ecuación:
Integral triple
La integral triple se usa en funciones de la forma w = f ( x, y, z). Puede utilizarse
para encontrar volúmenes de superficies o entre superficies e hipervolúmenes,
que si bien poseen una magnitud, no tienen una representación física. Encontrar
los límites de integración es nuevamente la tarea más compleja. En general,
debería ser de la forma siguiente:

Este es el orden convencional. Sin embargo si el orden de los diferenciales

cambia, también lo hacen los límites de integración. Pero la función siempre se
queda intacta.

Cuando la integral no tiene una función en el argumento, el cálculo corresponde a

un volumen.

4.4 Aplicaciones
La siguiente ecuación representa un movimiento sobre amortiguado de un sistema
masa – resorte:

Donde 2 m    ,  es la constante de amortiguamiento, m = es la masa del

objeto, m = 1.5 Kg. y 2  es el valor de la constante del resorte por unidad de
masa. Si tenemos que 2  = 4 y los datos tabulados a continuación
las fórmulas de diferenciación numérica de mayor precisión posible,
evaluadas en el dato adecuado para determinar el valor de  . El valor
de  es constante, así que debe ser el mismo si se evalúa en cualquier
punto, pero tenga en cuenta que al tratarse de un método numérico se
puede presentar pequeñas diferencias si es evaluada en datos
diferentes.

La curvatura de una curva está dada por:

Use la fórmula de diferenciación numérica de mejor precisión para

aproximar el valor de K(1) con h=0.05, si: x t  2 y 2 y t  1 3.

Según el análisis cinemático de del movimiento curvilíneo de una

partícula en el plano, el radio de curvatura en cualquier punto de la
trayectoria se calcula a partir de
 Instituto Tecnológico de Acapulco
Ing. en Sistemas Computacionales
Métodos numéricos

Unidad 5
Interpolación y ajuste de funciones

Nombre de Alumno: No. Control

Kevin Alexis lozano de la cruz 15321113

Acapulco, Guerrero. 21 de noviembre de 2018.

 5.1 Polinomio de interpolación de Newton.
Es un método de interpolación polinómica. Aunque sólo existe un único polinomio
que interpola una serie de puntos, existen diferentes formas de calcularlo. Este
método es útil para situaciones que requieran un número bajo de puntos para
interpolar, ya que a medida que crece el número de puntos, también lo hace el
grado del polinomio.
Existen ciertas ventajas en el uso de este polinomio respecto al polinomio
interpolador de Lagrange. Por ejemplo, si fuese necesario añadir algún nuevo
punto o nodo a la función, tan sólo habría que calcular este último punto, dada la
relación de recurrencia existente y demostrada anteriormente.
El primer paso para hallar la fórmula de la interpolación es definir la pendiente de
orden n de manera recursiva:

En general:

Donde xi - xj representa la distancia entre dos elementos (por ejemplo, se puede

tener el elemento en x=3 y x=5 pero desconocer el valor de la secuencia en x=4).

Definición de polinomio

Uno de estas formas de interpolación se denomina Polinomios de Interpolación de

Newton, que trabaja directamente en la tabla obtenida mediante el proceso de
Diferencias Divididas; En el desarrollo de estas diferencias finitas, se obtuvo en
primer lugar las diferencias finitas ordinarias y luego las diferencias finitas
divididas.
Interpolación polinomial de Newton
Algunos casos: lineal, de segundo grado y de tercer grado.

Interpolación lineal
Utilizando triángulos semejantes

Reordenando

Ejemplo:

Estimar ln 2 mediante interpolación lineal si ln1 = 0 y ln 6 = 1.791759 y ln 4 =

1.386294
Valor real ln 2 = 0.6931472
Error relativo porcentual = 33.3%

5.2 Polinomio de interpolación de Lagrange.

En análisis numérico, el polinomio de Lagrange, llamado así en honor a Joseph-
Louis de Lagrange, es el polinomio que interpolaun conjunto de puntos dado en la
forma de Lagrange. Fue descubierto por Edward Waring en 1779 y redescubierto
más tarde por Leonhard Euler en 1783.

Dado que existe un único polinomio interpolador para un determinado conjunto de

puntos, resulta algo confuso llamar a este polinomio el polinomio interpolador de
Lagrange. Un nombre más conciso es interpolación polinómica en la forma de
Lagrange.

Existen en todas las ramas de la ciencia, en la Física, en la Matemática, en la

Química, en la Astronomía, en Biología, etc.. situaciones en las que conociendo un
conjunto de datos experimentales en un cierto intervalo de la variable
independiente, esto es, conociendo una cierta cantidad de datos tabulados, se
hace preciso encontrar una función que verifique todos esos datos y permita, por
consiguiente, predecir la existencia de otros valores con la aproximación
adecuada. El problema de la interpolación es de gran importancia en el análisis
numérico. En este artículo vemos muy brevemente una manera elemental de
interpolación y la obtención de la conocida Fórmula Interpoladora de Lagrange.
Se trata de encontrar un polinomio de grado n que pase por los puntos (x0, f(x0)),
(x1, f(x1)), ... (xn, f(xn)), se construye un cociente Ln,k(xk) con la propiedad de que

Ln,k(xi) = 0 cuando i ¹ k y Ln,k(xk) = 1

Se requiere entonces que el numerador contenga

(x – x0) (x – x1)... (x – xk–1)(x – xk+1)... (x – xn)

El denominador debe coincidir con el numerador cuando x = xk.

N-ésimo polinomio interpolante de Lagrange

Teorema
Si x0, x1, x2, ... xn, son n+1 números distintos y si f es una función cuyos valores
están dados en esos números, entonces existe un polinomio de grado a lo más n,
con la propiedad de que
f(xk) = P(xk) para cada k = 0, 1, 2, ...n
Este polinomio está dado por:

Donde

En análisis numérico, el polinomio de Lagrange, llamado así en honor a Joseph-

Louis de Lagrange, es una forma de presentar el polinomioque interpola un
conjunto de puntos dado. Lagrange publicó este resultado en 1795, pero lo
descubrió Edward Waring en 1779 y fue redescubierto más tarde por Leonhard
Euler en 1783.1 Dado que existe un único polinomio interpolador para un
determinado conjunto de puntos, resulta algo engañoso llamar a este polinomio el
polinomio interpolador de Lagrange. Un nombre más apropiado es interpolación
polinómica en la forma de Lagrange.

Demostración
La función que estamos buscando es una función polinómica L(x) de grado k con
el problema de interpolación puede tener tan solo una solución, pues la diferencia
entre dos tales soluciones, sería otro polinomio de grado k a lo sumo, con k+1
ceros.
Por lo tanto, L(x) es el único polinomio interpolador
Concepto
La resolución de un problema de interpolación lleva a un problema de álgebra
lineal en el cual se debe resolver un sistema de ecuaciones. Usando una base
monómica estándar para nuestro polinomio interpolador, llegamos a la matriz de
Vandermonde. Eligiendo una base distinta, la base de Lagrange, llegamos a la
forma más simple de matriz identidad = δi,j, que puede resolverse inmediatamente.

Ejemplo
Se desea interpolar f(x) = tan(x) en los puntos

Con cinco puntos, el polinomio interpolador tendrá, como máximo, grado

cuatro (es decir, la máxima potencia será cuatro), al igual que cada
componente de la base polinómica.

La base polinómica es:

Así, el polimomio interpolador se obtiene simplemente como la
combinación lineal entre los li(x) y los valores de las abscisas:

5.3 Interpolación segmentada.

En el subcampo matemático del análisis numérico, un spline es una curva
diferenciable definida en porciones mediante polinomios.
En los problemas de interpolación, se utiliza a menudo la interpolación mediante
splines porque da lugar a resultados similares requiriendo solamente el uso
de polinomios de bajo grado, evitando así las oscilaciones, indeseables en la
mayoría de las aplicaciones, encontradas al interpolar mediante polinomios de
grado elevado.
Para el ajuste de curvas, los splines se utilizan para aproximar formas
complicadas. La simplicidad de la representación y la facilidad de cómputo de los
splines los hacen populares para la representación de curvas en informática,
particularmente en el terreno de los gráficos por ordenador.
Interpolación Segmentaria Lineal
Este es el caso más sencillo. En él, vamos a interpolar una función f(x) de la que
se nos dan un número N de pares (x,f(x)) por los que tendrá que pasar nuestra
función polinómica P(x). Esta serie de funciones nuestras van a ser lineales, esto
es, con grado 1: de la forma P(x) = ax + b.
Definiremos una de estas funciones por cada par de puntos adyacentes, hasta un
total de (N-1) funciones, haciéndolas pasar obligatoriamente por los puntos que
van a determinarlas, es decir, la función P(x) será el conjunto de segmentos que
unen nudos consecutivos; es por ello que nuestra función será continua en dichos
puntos, pero no derivable en general.
Ejemplo: Interpolar con splines f(x) = 1 / x , en los puntos en los que x vale 1, 2 y
4

 f(1) = 1
 f(2) = 0.5
 f(4) = 0.25
El primer segmento P1(x) = ax + b deberá unir los primeros dos puntos
de coordenadas (1,1) y (2,0.5). Surge un sistema lineal de dos
ecuaciones en dos incógnitas:

 (1) 1=a+b
 (2) 0.5=2a+b
De (1) se obtiene:
a=1-b (3)
Reemplazando (3) en (2) se obtiene:
0.5=2(1-b)+b
Luego
b=1.5
Reemplazando el valor de (b) en (1), se obtiene:
a = - 0.5
Por lo tanto, se concluye que: P1(x) = - 0.5x + 1.5 El segundo segmento P2(x) =
ax + b deberá unir el segundo punto (2,0.5) con el tercer punto (4,0.25).
Análogamente a lo hecho para P1(x), en el caso de P2(x) se obtiene:

1. (1) 0.5 = 2a + b
2. (2) 0.25 = 4a + b
a = - 0.125, b = 0.75
Luego P2(x) = - 0.125x + 0.75
Interpolación Segmentaria Cuadrática
En este caso, los polinomios P(x) a través de los que construimos el Spline tienen
grado 2. Esto quiere decir, que va a tener la forma P(x) = ax² + bx + c
Como en la interpolación segmentaria lineal, vamos a tener N-1 ecuaciones
(donde N son los puntos sobre los que se define la función). La interpolación
cuadrática nos va a asegurar que la función que nosotros generemos a trozos con
los distintos P(x) va a ser continua, ya que para sacar las condiciones que ajusten
el polinomio, vamos a determinar como condiciones:

 Que las partes de la función a trozos P(x) pasen por ese punto. Es decir, que
las dos Pn(x) que rodean al f(x) que queremos aproximar, sean igual a f(x) en
cada uno de estos puntos.

 Que la derivada en un punto siempre coincida para ambos "lados" de la

función definida a trozos que pasa por tal punto común.
Esto sin embargo no es suficiente, y necesitamos una condición más. ¿Por qué?.
Tenemos 3 incógnitas por cada P(x). En un caso sencillo con f(x) definida en tres
puntos y dos ecuaciones P(x) para aproximarla, vamos a tener seis incógnitas en
total. Para resolver esto necesitaríamos seis ecuaciones, pero vamos a tener tan
sólo cinco: cuatro que igualan el P(x) con el valor de f(x) en ese punto (dos por
cada intervalo), y la quinta al igualar la derivada en el punto común a las dos P(x).
Se necesita una sexta ecuación,¿de dónde se extrae? Esto suele hacerse con el
valor de la derivada en algún punto, al que se fuerza uno de los P(x).
Interpolación Segmentaria Cúbica
En este caso, cada polinomio P(x) a través del que construimos los Splines en
[m,n] tiene grado 3. Esto quiere decir, que va a tener la forma P(x) = ax³ + bx² + cx
+d
En este caso vamos a tener cuatro variables por cada intervalo (a,b,c,d), y una
nueva condición para cada punto común a dos intervalos, respecto a la derivada
segunda:

 Que las partes de la función a trozos P(x) pasen por ese punto. Es decir, que
las dos Pn(x) que rodean al f(x) que queremos aproximar, sean igual a f(x) en
cada uno de estos puntos.

 Que la derivada en un punto siempre coincida para ambos "lados" de la

función definida a trozos que pasa por tal punto común.

 Que la derivada segunda en un punto siempre coincida para ambos "lados" de

la función definida a trozos que pasa por tal punto común.
Como puede deducirse al compararlo con el caso de splines cuadráticos, ahora no
nos va a faltar una sino dos ecuaciones (condiciones) para el número de
incógnitas que tenemos.
La forma de solucionar esto, determina el carácter de los splines cúbicos. Así,
podemos usar:

 Splines cúbicos naturales: La forma más típica. La derivada segunda de P

se hace 0 para el primer y último punto sobre el que está definido el conjunto
de Splines, esto son, los puntos m y n en el intervalo [m,n].

 Dar los valores de la derivada segunda de m y n de forma "manual", en el

conjunto de splines definidos en el intervalo [m,n].

 Hacer iguales los valores de la derivada segunda de m y n en el conjunto de

splines definidos en el intervalo [m,n]

 Splines cúbicos sujetos: La derivada primera de P debe tener el mismo valor

que las derivada primera de la función para el primer y último punto sobre el
que está definido el conjunto de Splines, esto son, los puntos m y n en el
intervalo [m,n].
 5.4 Regresión y correlación
Regresión lineal
El análisis de regresión es una técnica estadística para investigar la relación
funcional entre dos o más variables, ajustando algún modelo matemático.

La regresión lineal es una técnica que permite cuantificar la relación que puede ser
observada cuando se grafica un diagrama de puntos dispersos correspondientes a
dos variables, cuya tendencia general es rectilínea; mediante una ecuación “del
mejor ajuste” de la forma:

Y= mX+b

En esta ecuación: donde m y b son los parámetros de la recta

m es la pendiente de la recta

b es la ordenada al origen

Regresión lineal simple es un modelo óptimo para patrones de demanda con

tendencia (creciente o decreciente), es decir, patrones que presenten una relación
de linealidad entre la demanda y el tiempo

Regresión y Correlación lineal simple es el noveno fascículo, de una serie de

guías de estudio en las que se desarrollan los temas de los programas de las
asignaturas del área de Probabilidad y Estadística, así como temas selectos que
complementan el aprendizaje de de esta disciplina. Tienen la característica de que
el estudiante adquiera sólo aquella que trate el tema que necesite reforzar o el que
sea de su propio interés.

REGRESIÓN Y CORRELACIÓN LINEAL SIMPLE Es común que las personas

tomen decisiones personales y profesionales basadas en predicciones de sucesos
futuros. Para hacer estos pronósticos, se basan en la relación intuitiva y calculada
entre lo que ya se sabe y lo que se debe estimar. Si los responsables de la toma
de decisiones pueden determinar cómo lo conocido se relaciona con un evento
futuro, pueden ayudar considerablemente al proceso de toma de decisiones.
Cualquier método estadístico que busque establecer una ecuación que permita
estimar el valor desconocido de una variable a partir del valor conocido de una o
más variables, se denomina análisis de regresión. Los análisis de regresión y
correlación mostrarán como determinar la naturaleza y la fuerza de una relación
entre dos variables.
REGRESIÓN LINEAL SIMPLE “Una técnica estadística que establece una
ecuación para estimar el valor desconocido de una variable, a partir del valor
conocido de otra variable, (en vez de valores de muchas otras variables) se
denomina análisis de regresión simple.” Por lo tanto el análisis de regresión lineal
simple, es el proceso general de predecir una variable (Y) a partir de otra (X). Las
relaciones entre las variables pueden ser directas o también inversas.  Relación
directa: la pendiente de esta línea es positiva, por que la variable Y crece a
medida que la variable X también lo hace.

Relación inversa: La pendiente de esta línea es negativa, porque a medida que

aumenta el valor de la variable Y, el valor de la variable X disminuye.
VARIABLE INDEPENDIENTE (X)

En el análisis de regresión una variable cuyo valor se suponga conocido y que se

utilice para explicar o predecir el valor de otra variable de interés se llama variable
independiente; se simboliza con la letra X. Otros nombres alternativos para la
variable independiente (X), son variable explicatoria, variable predictora y en
ocasiones variable regresora.

VARIABLE DEPENDIENTE (Y)

En el análisis de regresión una variable cuyo valor se suponga desconocido y que

se explique o prediga con ayuda de otra se llama variable dependiente y se
simboliza con la letra Y. La variable dependiente, al igual que la variable
independiente es llamada de diferentes maneras algunas de ellas son: variable
explicada o variable pronosticada.

DIAGRAMAS DE DISPERSIÓN

Un diagrama de dispersión es una ilustración gráfica que se usa en el análisis de

regresión. Consta de una dispersión de puntos tal que cada punto representa un
valor de la variable independiente (medido a lo largo del eje horizontal), y un valor
asociado de la variable dependiente (medido a lo largo del eje vertical).
 5.5 Mínimos cuadrados
Mínimos cuadrados es una técnica de análisis numérico enmarcada dentro de
la optimización matemática, en la que, dados un conjunto de pares ordenados —
variable independiente, variable dependiente— y una familia de funciones, se
intenta encontrar la función continua, dentro de dicha familia, que mejor se
aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio de mínimo
error cuadrático.
En su forma más simple, intenta minimizar la suma de cuadrados de las
diferencias en las ordenadas(llamadas residuos) entre los puntos generados por la
función elegida y los correspondientes valores en los datos. Específicamente, se
llama mínimos cuadrados promedio (LMS) cuando el número de datos medidos es
1 y se usa el método de descenso por gradiente para minimizar el residuo
cuadrado. Se puede demostrar que LMS minimiza el residuo cuadrado esperado,
con el mínimo de operaciones (por iteración), pero requiere un gran número de
iteraciones para converger.
Desde un punto de vista estadístico, un requisito implícito para que funcione el
método de mínimos cuadrados es que los errores de cada medida estén
distribuidos de forma aleatoria. El teorema de Gauss-Márkov prueba que los
estimadores mínimos cuadráticos carecen de sesgo y que el muestreo de datos no
tiene que ajustarse, por ejemplo, a una distribución normal. También es importante
que los datos a procesar estén bien escogidos, para que permitan visibilidad en
las variables que han de ser resueltas (para dar más peso a un dato en particular,
véase mínimos cuadrados ponderados).
La técnica de mínimos cuadrados se usa comúnmente en el ajuste de curvas.
Muchos otros problemas de optimización pueden expresarse también en forma de
mínimos cuadrados, minimizando la energía o maximizando la entropía.

Sea un conjunto de n pares con abscisas distintas, y

sea un conjunto de m funciones linealmente independientes (en un
espacio vectorial de funciones), que se llamarán funciones base. Se desea
encontrar una función de dicho espacio, o sea, combinación lineal de las
funciones base, tomando por ello la forma:

.
Ello equivale por tanto a hallar los m coeficientes: . En concreto, se
desea que tal función sea la mejor aproximación a los n
pares empleando, como criterio de "mejor", el criterio del mínimo error
cuadrático medio de la función con respecto a los puntos .
El error cuadrático medio será para tal caso:

Minimizar el error cuadrático medio es equivalente a minimizar el error cuadrático,

definido como el radicando del error cuadrático medio, esto es:

Así, los que minimizan también minimizan , y podrán ser calculados

derivando e igualando a cero este último:

Siendo i=1, 2, . . ., m

Se obtiene un sistema de m ecuaciones con m incógnitas, que recibe el nombre

de "Ecuaciones Normales de Gauss". Operando con ellas:

para i=1, 2, . . ., m

para i=1, 2, . . ., m

Si se desarrolla la suma, se visualiza la ecuación "i-ésima" del sistema de m

ecuaciones normales:

para cada i=1, 2, . . ., m

Lo cual, en forma matricial, se expresa como:

Siendo el producto escalar discreto, definido para dos funciones dadas h(x)
y g(x) como:

y para una función h(x) y vector cualquiera u, como:

La resolución de dicho sistema permite obtener, para cualquier base de funciones

derivables localmente, la función f(x) que sea mejor aproximación mínimo
cuadrática al conjunto de puntos antes mencionado. La solución es óptima –esto
es, proporciona la mejor aproximación siguiendo el criterio de mínimo error
cuadrático–, puesto que se obtiene al optimizar el problema.
 5.6 Problemas de aplicación
adoptamos una interpolación lineal y llamamos v a la solución obtenida, podemos
resumir el algoritmo anterior con la ecuación hD2 v(∇u), ∇ui = 0 en D (2) con
condiciones de frontera v|∂D dadas por la altura de las curvas de nivel que
constituyen ∂D, donde D2v representa la matriz Hessiana de v y ∇u el gradiente de
u. Obviamente, en estos métodos de interpolación la información no se difunde a
través de las curvas de nivel dadas y puede que ´estas sean demasiado visibles
en la superficie reconstruida ya que las pendientes de la superficie pueden no
coincidir a un lado y otro de la curva de nivel. El modelo más simple que permite
incorporar información sobre las pendientes de la superficie en las curvas de nivel
está basado en la ecuación ∆∆u = 0 en D (3) donde el operador ∆∆u = uxxxx +
2uxxyy + uyyyy recibe el nombre de bi-laplaciano. Podemos resolver esta
ecuación si especificamos los valores de u y de ∇u · ν D en la frontera de D
(siendo ν la normal unitaria exterior a ∂D). El defecto de este modelo es que puede
provocar la aparición de oscilaciones espurias y ello impide su utilización. Esto no
es nada sorprendente ya que la ecuación (3) no satisface el principio del máximo.
Como veremos en la Sección 3, si pretendemos interpolar datos en un dominio de
forma que se satisfaga el principio del máximo, nos veremos obligados a adoptar
modelos basados en ecuaciones elípticas de segundo orden. El principio del
máximo es el requisito que garantiza que nuestro interpolador va a respetar las
estructuras geométricas presentes en los datos ya que no se van a crear nuevos
extremos; en particular, no van a aparecer oscilaciones esperas.

Los métodos de compresión de imágenes basados en regiones – llamados

métodos de segunda generación–, que intentan alcanzar altas tasas de
compresión, proponen una representación de la imagen en contornos y texturas.
Los contornos conforman una partición de la imagen y la información debe ser
reconstruida por el receptor en cada región a partir de la información dada por
contornos y texturas . Los contornos pueden obtenerse de diferentes maneras, por
ejemplo, pueden estar formados por una selección de curvas de nivel de la imagen
atendiendo a criterios de coste de codificación. El resto de los píxeles de la
imagen ha de recuperarse a partir de la información disponible por el receptor.

Los dos casos planteados hasta ahora conducen al mismo problema de

interpolación. Las soluciones propuestas, bien de forma directa o indirecta, pueden
interpretarse en términos de la solución de una ecuación en derivadas parciales de
tipo elíptico.
 Instituto Tecnológico de Acapulco
Ing. en Sistemas Computacionales
Métodos numéricos

Unidad 6
Solución de ecuaciones diferenciales

Nombre de Alumno: No. Control

Kevin Alexis lozano de la cruz 15321113

Acapulco, Guerrero. 21 de noviembre de 2018.

 6.1 Métodos de un paso.
En matemática y computación, el método de Euler, llamado así en honor
de Leonhard Euler, es un procedimiento de integración numérica para
resolver ecuaciones diferenciales ordinarias a partir de un valor inicial dado.

El método de Euler es el más simple de los métodos numéricos resolver un

problema del siguiente tipo:

Consiste en multiplicar los intervalos que va de a en subintervalos de

ancho ; osea:

de manera que se obtiene un conjunto discreto

de puntos: del intervalo de interes . Para
cualquiera de estos puntos se cumlple que:

La condición inicial , representa el punto por donde

pasa la curva solución de la ecuación de el planteamiento inicial, la cual se
denotará como .

Ya teniendo el punto se puede evaluar la primera derivada de en ese

punto; por lo tanto:
Grafica A.

Con esta información se traza una recta, aquella que pasa por y de
pendiente . Esta recta aproxima en una vecinidad de . Tómese
la recta como reemplazo de y localícese en ella (la recta) el valor de y
correspondiente a . Entonces, podemos deducir segun la Gráfica A:

Se resuelve para :

Es evidente que la ordenada calculada de esta manera no es igual a ,

pues existe un pequeño error. Sin embargo, el valor sirve para que se
aproxime en el punto y repetir el procedimiento anterior a fin
de generar la sucesión de aproximaciones siguiente:
Método de Euler Mejorado

Este método se basa en la misma idea del método anterior, pero hace un
refinamiento en la aproximación, tomando un promedio entre ciertas pendientes.

La fórmula es la siguiente:

Donde

Para entender esta fórmula, analicemos el primer paso de la aproximación,

con base en la siguiente gráfica:

En la gráfica, vemos que la pendiente promedio corresponde a la pendiente

de la recta bisectriz de la recta tangente a la curva en el punto de la condición
inicial y la "recta tangente" a la curva en el punto donde es la
aproximación obtenida con la primera fórmula de Euler. Finalmente, esta recta
bisectriz se traslada paralelamente hasta el punto de la condición inicial, y se
considera el valor de esta recta en el punto como la aproximación de Euler
mejorada.

Método de Runge-Kutta

El método de Runge-Kutta es un método genérico de resolución numérica

de ecuaciones diferenciales. Este conjunto de métodos fue inicialmente
desarrollado alrededor del año 1900 por los matemáticos C. Runge y M. W. Kutta.

Los métodos de Runge-Kutta (RK) son un conjuntos de métodos iterativos

(implícitos y explícitos) para la aproximación de soluciones de ecuaciones
diferenciales ordinarias, concretamente, delproblema de valor inicial.
Sea

una ecuación diferencial ordinaria, con donde es un

conjunto abierto, junto con la condición de que el valor inicial de ƒ sea

Entonces el método RK (de orden s) tiene la siguiente expresión, en su forma más

general:

donde h es el paso por iteración, o lo que es lo mismo, el incremento entre

los sucesivos puntos y . Los coeficientes son términos de aproximación
intermedios, evaluados en ƒ de manera local

con coeficientes propios del esquema numérico elegido, dependiente de

la regla de cuadratura utilizada. Los esquemas Runge-Kutta pueden ser explícitos
o implícitos dependiendo de las constantes del esquema. Si esta matriz es
triangular inferior con todos los elementos de la diagonal principal iguales a cero;
es decir, para , los esquemas son explícitos.

.
 6.2 Método de pasos múltiples.
Se considera el problema de valores iniciales (P.V.I.) 8<: y0(x) = f(x; y(x)); x 2 [a;
b]; y(a) = y0 dado, el que supondremos tiene solución única, y : [a; b]

Dada una partición del intervalo [a; b]: a = x0 < x1 < < xN = b; los métodos que
hemos visto hasta aquí sólo usan la información del valor yi de la solución
calculada en xi para obtener yi+1. Por eso se denominan métodos de paso simple.

Parece razonable pensar que también podrían utilizarse los valores yi.

Para ello, si integramos y0(x) = f(x; y(x)) en el intervalo [xi; xi+1], se tiene: Z xi+1 xi
y0(x) dx = Z xi+1 xi f(x; y(x)).

Los métodos de un paso descritos en las secciones anteriores utilizan información

en un solo punto xi para predecir un valor de la variable dependiente yi+1 en un
punto futuro xi+1. Procedimientos alternativos, llamados métodos multipaso, se
basan en el conocimiento de que una vez empezado el cálculo, se
tiene información valiosa de los puntos anteriores y está a nuestra disposición. La
curvatura de las líneas que conectan esos valores previos proporciona
información con respecto a la trayectoria de la solución. Los métodos multipaso
que exploraremos aprovechan esta información para resolver las EDO. Antes de
describir las versiones de orden superior, presentaremos un método simple de
segundo orden que sirve para demostrar las características generales de los
procedimientos multipaso.

Sistemas de ecuaciones diferenciales ordinarias

En un sistema de ecuaciones diferenciales ordinarias de cualquier orden, puede

ser reducido a un sistema equivalente de primer orden, si se introducen
nuevas variables y ecuaciones. Por esa razón en este artículo sólo se consideran
sistemas de ecuaciones de primer orden. Un sistema de ecuaciones diferenciales
ordinarias de primer orden escrito en forma explícita es un sistema de ecuaciones
de la forma:
Se considera el problema de valores iniciales (P.V.I.) 8<: y0(x) = f(x; y(x)); x 2 [a;
b]; y(a) = y0 dado, el que supondremos tiene solución única, y : [a; b]

Dada una partición del intervalo [a; b]: a = x0 < x1 < < xN = b; los métodos que
hemos visto hasta aquí sólo usan la información del valor yi de la solución
calculada en xi para obtener yi+1. Por eso se denominan métodos de paso
simple.

Parece razonable pensar que también podrían utilizarse los valores yi.

Para ello, si integramos y0(x) = f(x; y(x)) en el intervalo [xi; xi+1], se tiene: Z xi+1 xi
y0(x) dx = Z xi+1 xi f(x; y(x)).

Ejemplo:

Consiste de un resorte o muelle en espiral suspendido de un soporte rígido con

una masa sujeta al extremo. Para analizar este fenómeno usamos la ley de hooke
y la segunda ley de newton.

La ley de hooke establece que el resorte ejerce una fuerza de restitución opuesta
a la dirección de alargamiento del resorte peso=kl donde k es la constante de
restitución y l es el alargamiento hasta la posición de equilibrio. Para aplicar la ley
de newton, hay q tener en cuenta q sobre la mas m actúa la fuerza de gravedad
(m.g), la fuerza de restitución (-kx-mg donde x es el alargamiento) , la fuerza de
amortiguación que es proporcional a la velocidad de la masa )-b(dx/dt) con b la
constante de amortiguación ) y las fuerzas externas (F(t)). Así q la ecuación
diferencial q resulta es:

M d^2x/dt^2+b dx/dt+kx=f(t)

La Ley de Hooke:

Supongamos que un cuerpo de masa M está sujeto al extremo de un resorte

flexible suspendido de un soporte rígido (por ejemplo un techo), como se muestra
en la figura 5.1b. Cuando M se reemplaza por un cuerpo diferente Mi, el
alargamiento del resorte será, por supuesto, distinto.

Por la Ley de Hooke, el resorte mismo ejerce una fuerza de restitución F opuesta a
la dirección del alargamiento y proporcional a su magnitud s. Dicho en términos
simples, F = ks, en donde k es una constante de proporcionalidad. Aunque
cuerpos de distinto peso producen distintos alargamientos del resorte, tal elemento
elástico esta esencialmente caracterizado por él numero k. Por ejemplo, si un
cuerpo que pesa 10lb alarga el resorte en 1/2 pie, entonces,

10 = k (1/2) implica que k = 20 lb./pie.

Luego, necesariamente una masa que pesa 8 lb alarga el mismo resorte en 2/5
pie.

Segunda Ley de Newton:

Después que una masa M se sujeta a un resorte, aquella lo alargara en una

magnitud s y alcanzara la posición de equilibrio en la cual su peso W es
equilibrado por la fuerza de restitución ks. El peso es definido por:

W=m.g

En donde la masa puede medirse en Kilogramos, gramos o geolibras (slugs) y g =

9.8 mt/s², p80 cm/s² o 32pie/s², respectivamente. Tal como se indica la figura 5.2b,
la condición de equilibrio es m.g = ks o bien m.g - ks = 0. Si ahora la masa se
desplaza de su posición de equilibrio en una magnitud x y después se suelta, la
fuerza neta F correspondiente a este caso dinámico está dada por la segunda ley
del movimiento de Newton, F = ma, en donde a es la aceleración d²w/dt².
Suponiendo que sobre el sistema no actúan fuerzas exteriores (movimiento
vibratorio libre), entonces podemos igualar F a la resultante del peso y la fuerza de
restitución:

m d²x/dt² = - k (s + x) + mg = - kx + mg - ks = - kx

Ecuación Diferencial Del Movimiento Libre no Amortiguado:

Dividiendo la última ecuación planteada entre la masa m, se obtiene la ecuación

diferencial de segundo orden:

d²x/dt² + k/m x = 0

o bien d²x/dt² + .²x = 0

En dónde .² = k/m. Se dice que la ecuación d²x/dt² + .²x = 0 describe el movimiento

armónico simple o movimiento vibratorio no amortiguado. Hay dos condiciones
iniciales obvias asociadas con dicha ecuación:

x(0) = ., dx/dt% = %t = 0

Que representa la magnitud del desplazamiento inicial y la velocidad inicial,

respectivamente. Por ejemplo si > 0 y < 0, se trata de una masa que parte de un
punto abajo de la posición de equilibrio y a la cual se ha comunicado una
velocidad dirigida hacia arriba. Si < 0 y > 0, se trata de una masa en reposo que
se suelta desde un punto que está %. %unidades arriba de la posición de
equilibrio.
 6.3 Sistemas de ecuaciones diferenciales ordinarias.

En un sistema de ecuaciones diferenciales ordinarias de cualquier orden, puede

ser reducido a un sistema equivalente de primer orden, si se introducen nuevas
variables y ecuaciones. Por esa razón en este artículo sólo se consideran
sistemas de ecuaciones de primer orden. Un sistema de ecuaciones diferenciales
ordinarias de primer orden escrito en forma explícita es un sistema de ecuaciones
de la forma:

Reducción a un sistema de primer orden

Dado un sistema de ecuaciones diferenciales de orden n con m ecuaciones:

Existe un sistema equivalente de primer orden con a lo sumo (n+1)xm ecuaciones.

Para ver esto consideremos un sistema en que intervienen m funciones
incógnitas xi y sus n derivadas, e introduzcamos un nuevo conjunto de
variables yi,k definidos de la siguiente manera:

El sistema de primer orden equivalente en las variables yi,k resulta ser:

Como ejemplo de reducción de un sistema de ecuaciones diferenciales podemos
considerar las ecuaciones de movimiento de la mecánica newtoniana de una
partícula que es un sistema de segundo orden con tres ecuaciones:

Si se introducen tres funciones incógnita nuevas que representan la velocidad, el

sistema anterior se puede reducir a un sistema de primer orden y seis ecuaciones:
 6.4 Aplicaciones
Un cuerpo en reposo tiende a permanecer en reposo, mientras que un cuerpo en
movimiento tiende a persistir en movimiento en una línea recta con velocidad
constante a menos que fuerzas externas actúen sobre él. 2. La tasa de variación
del momentum de un cuerpo en función del tiempo es proporcional a la fuerza neta
que actúa sobre el cuerpo teniendo la misma dirección de la fuerza,
(entendiéndose por momentum de un objeto al producto de su masa m
multiplicado por su velocidad v). 3. A cada acción existe una reacción igual y
opuesta. La segunda ley nos proporciona una relación importante, conociéndose
como la ley de Newton. La tasa de cambio o variación en el momentum en el
tiempo es así d (mv) /dt. Si por F entendemos a la fuerza neta que actúa sobre el
cuerpo, por la segunda ley tenemos: mv)( dt d α F siendo α el símbolo que indica
proporcionalidad. Introduciendo la constante de proporcionalidad k, obtenemos:
mv)( dt d = kF Si m es una constante, kF dt dv m = o ma = kF, dónde a = dv/dt es
la aceleración. Así vemos que k ma F = donde el valor de k depende de las
unidades que deseemos usar. Para el sistema CGS (o sistema Centímetro,
Gramo, Segundo), k = 1 siendo la ley F = ma. En la simbología del cálculo
podemos escribir las leyes de Newton en formas diferentes, al notar que la
aceleración a puede expresarse como la primera derivada de la velocidad v (esto
es, dv/dt), o como la segunda derivada de v de un desplazamiento s (esto es, d2
s/dt2 ). 2 2 dt sd m dt dv mF == 8 Las Ecuaciones Diferenciales y sus Aplicaciones
en la Ingeniería Una vez conocido el problema físico podemos aplicar estos
conocimientos para obtener las formulaciones matemáticas de varios problemas
de la mecánica clásica que involucran los conceptos anteriores, y la solución e
interpretación de tales problemas. Ejemplo aclaratorio: Una masa de m gramos
cae verticalmente hacia abajo, bajo la influencia de la gravedad, partiendo del
reposo, siendo despreciable la resistencia del aire. Vamos a establecer la
ecuación diferen Las Ecuaciones Diferenciales y sus Aplicaciones en la Ingeniería
La velocidad instantánea en P es v = dx/dt. La aceleración instantánea en P es a =
dv/dt o a = d2 x/dt2 . La fuerza que actúa es el peso, siendo su magnitud P= mg.
Por la ley de Newton tenemos: mg dt dv m = o g dt dv = Puesto que la masa cae
desde el reposo, vemos que v = 0 cuando t = 0, o en otras palabras v(0) =0 .
Nuestra formulación matemática es el problema de valor inicial v(t) g dt dv t =)(
v(0) =0 Aquí tenemos una ecuación de primer orden y su condición requerida. Otra
manera de formular el problema es escribir: mg dt xd m = 2 2 o g dt xd = 2 2 En tal
caso tenemos una ecuación de segundo orden en las variables x y t, y
necesitamos dos condiciones para determinar x. Una de ellas es v = 0 o dx/dt = 0
en t = 0. La segunda puede obtenerse al notar que x = 0 en t = 0 (puesto que
escogimos el origen de nuestro sistema de coordenadas en A). La formulación
matemática es: g dt xd = 2 2 x=0 y = 0 dt dx en t = 0 Cuando establezcamos
ecuaciones diferenciales para describir algún fenómeno o ley, siempre las
acompañaremos de suficientes condiciones necesarias para la determinación de
las constantes arbitrarias en la solución general. Solución: Empezando con g dt dv
= (separación de variables) obtenemos por integración v = gt + c1. Puesto que v=0
cuando t = 0, c1 = 0, ó v = gt, esto es, gt dt dx = . 10 Las Ecuaciones Diferenciales
y sus Aplicaciones en la Ingeniería Otra integración produce de la anterior
ecuación 2 2 2 1 += cgtx . Puesto que x= 0 en t = 0, c2 = 0. Por tanto 2 2 1 = gtx .
Podríamos haber llegado al mismo resultado al empezar con mg dt xd m = 2 2 o g
dt xd = 2 2 . El signo más indica que el objeto se está moviendo en la dirección
positiva, esto es, hacia abajo. Se debería tener en cuenta que si hubiéramos
tomado la dirección positiva hacia arriba la ecuación diferencial hubiera sido
m(dv/dt) = - mg, esto es, g dt dv −= o g dt xd −= 2 2 Esto conduciría a resultados
equivalentes a los obtenidos. Para otros problemas similares la forma de actuar es
la misma.