Documente Academic
Documente Profesional
Documente Cultură
BENEMÉRITA UNIVERSIDAD
AUTÓNOMA DE PUEBLA
FACULTAD DE INGENIERÍA
QUÍMICA
ANÁLISIS NUMÉRICO Y
PROGRAMACIÓN
MANUAL
OTOÑO 2017
Índice
1) Que son los métodos numéricos
a) Introducción
b) Modelos matemáticos
c) Errores
d) Clasificación
e) Errores de redondeo y truncamiento
2) Ecuaciones lineales y no lineales
a) Introducción
b) Métodos de intervalos cerrados
i) Método grafico
ii) Método de bisección
iii) Método de la regla falsa
c) Métodos abiertos
i) Métodos de punto fijo
ii) Método Newton Raphson
iii) Método Newton Raphson modificado
iv) Método de Von Mises
v) Método de la secante
vi) Aplicaciones
3) Sistema de ecuaciones lineales
a) Métodos directos
i) Grafico
b) Métodos iterativos
i) Jacobi
ii) Gauss Seidel
c) Solución de sistemas de ecuaciones lineales y no lineales
d) Método iterativo de punto fijo multivariable
e) Convergencia del método
f) Método iterativo de Newton-Raphson multivariable
g) Método de Cramer
4) Ajustes de datos a modelos matemáticos
a) Regresión por mínimos cuadrados
b) Regresión lineal
c) Transformaciones lineales
d) Crecimiento de Saturación
e) Regresión lineal múltiple
5) Fórmulas de integración
a) Regla del trapecio
b) Ecuación d Simpson 1/3
c) Aplicaciones
Conclusión
INTRODUCCIÓN
Los métodos numéricos son técnicas mediante las cuales es posible formular
problemas matemáticos que posteriormente se resolverán, la eficiencia del método
de solución depende tanto de la precisión que se requiere como la facilidad de
implementación.
MODELOS MATEMÁTICOS.
Es una formulación de ecuación que nos expresa las características fundamentales
de un problema o problemas a resolver en las diferentes ramas de la ciencia.
Ejemplo 1.
Ejemplo 2.
Se disuelven 100 lb de sal en un tanque que contiene 50 galones de agua (el volumen
permanece cte. durante todo el procedimiento) se bombea salmuera dentro del
tanque a razón de 5 gal/min, para que nuestra mezcla sea homogénea dentro del
tanque se utiliza un sistema de agitación, posteriormente se bombea fuera del tanque
5 galones/min si la concentración de la solución que entra es de 4lbs por galón.
Determine
−𝑡⁄ 𝑡⁄
𝑦=𝑒 10 [20 ∗ 10𝑒 10 + 𝐶]
t = 0 𝑒 0 𝐴 = 200𝑒 0 + 𝐶 C= -200
𝑡⁄
𝐴 = 200 + 𝐶𝑒 10
𝑡⁄
𝐴 = 200 − 200𝑒 10
EXACTITUD Y PRECISIÓN
Precisión. Se refiere a que tan cercano se encuentra dicha solución bajo un valor
individual medido o calculado con respecto a otros.
𝑉𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 = 𝑉𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 + 𝑒𝑟𝑟𝑜𝑟 𝑟𝑒𝑎𝑙
𝐸𝑟𝑟𝑜𝑟 = 𝑉𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜
𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜
% 𝐸𝑟𝑟𝑜𝑟 𝑟𝑒𝑎𝑙 = | | ∗ 100
𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜
𝑉𝑎𝑙𝑜𝑟 𝑟𝑒𝑎𝑙 = 𝑉𝑎𝑙𝑜𝑟 𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑉𝑎𝑙𝑜𝑟 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟 + 𝑒𝑟𝑟𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜
𝑣𝑎𝑙𝑜𝑟 𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟
% 𝐸𝑟𝑟𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 = | | ∗ 100
𝑣𝑎𝑙𝑜𝑟 𝑎𝑐𝑡𝑢𝑎𝑙
Al aplicar el valor verdadero encontramos que la desventaja es que no contamos con la
solución real de dicho problema, por lo tanto es recomendable definir una nueva ecuación
similar que nos permita llegar a su solución correspondiente y de esa manera llegar a la
solución original, la siguiente ecuación nos perite determinar el avance correspondiente ya
que finalmente se trata de valores que van incrementando la cantidad y que nos llevan al
resultado original sin la necesidad de contar con el valor real.
CLASIFICACIÓN
Existen una serie de errores que podemos explicar a los diferentes ejemplos en
estudio, pero es importante depurar aquellos que no son parte fundamental para
encontrar la solución:
Errores de redondeo
Errores de truncamiento
Estos son de suma importancia porque hay problemas donde la solución es infinita
y para llegar a ello, se requieren series.
Errores de redondeo
Son los que se producen cuando los números tienen un límite de cifras significativas
que se usan para representar el valor de una solución exacta.
Errores de truncamiento
Son aquellos que resultan de representar aproximadamente
el procedimiento matemático exacto pero que finalmente es
necesario truncar la serie.
Ejemplos importantes de errores de truncamiento, uno de
los ejemplos que encontramos en matemáticas es el estudio
de las series, ejemplo
𝑥2 𝑥3 𝑥4 𝑥5
=1+x+ + + + …, −∞ < 𝑥 < ∞
2 6 24 120
∞
𝑥 𝑛 − 𝑥 𝑛−1
∑ = 𝑒𝑥
𝑛¡
𝑛=0
Ejemplo determine cada término de la ecuación que nos determina esta serie
𝑥3 𝑥5 𝑥7 𝑥9
=𝑥− + − + …,
6 120 5040 362 880
∞
(−1)𝑛 𝑥 2𝑛+1
∑
(2𝑛 + 1)¡
𝑛=0
𝑥𝑛
∑ 1+x+x^2/2+x^3/6+x^4/24+x^5/120……. funcion exponencial 1.22140276
𝑛
𝑛=0
Como se puede observar la solución de las series como son infinitas y en ocasiones
es complicado determinar su ecuación general, se recomienda, trabajar con un
mínimo de 4 términos y un máximo de 8-10 términos y resolverla como cualquier
función.
INTRODUCCIÓN
Ejemplo
Determine la solución de la función para un tamaño de intervalo 0 ≤ 𝑥 ≤ 1 con un
incremento de 0.2
1
0 1 0.8
0.4 0.27032005
0.4
0.2
0.6 -0.05118836 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
-0.4
Método de Bisección
1. Definir el tamaño del intervalo, que lo definiremos x1= valor inicial hasta xu=
valor final de tal manera que
𝑥1 ≤ 𝑥 ≤ 𝑥𝑢
De forma que l sustituir dichos valores en la función es importante observar el
cambio de signo sobre el intervalo dado opuesto, cabe señalar que nuestro objetivo
es encontrar la solución de los diferentes problemas de las diferentes áreas.
Utilizaremos una ecuación que nos permita determinar la solución y es el siguiente.
𝑓(𝑥1) ∗ 𝑓(𝑥𝑢) ≤ 0
𝑋𝑖 +𝑋𝑢 𝑋𝑖 +𝑋𝑢 0+1
2) xu = 0≤𝑥≤1 = = 0.5
2 2 2
𝑋𝑖 1er sub 2do sub 𝑋𝑢
0 0.5 1
0 0.25 0.5
0.5 0.75 1
Ejemplo
𝑒 −𝑥 − 𝑥 = 0 0≤𝑥≤1
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 2 4 6 8 10 12
Aunque el método de bisección es una técnica válida, para determinar las diferentes
raíces de las funciones de estudio, existe otra alternativa que corresponde al uso de
la regla falsa y está basada en aproximaciones más eficientes en la determinación de
raíces. Este método aprovecha la idea de los dos puntos sobre la función para trazar
una línea recta, la intersección de esta línea con el eje x, nos proporciona una mejor
estimación de la raíz, esto no quiere decir que sea el mejor porque también tiene
desventajas y ventajas, para determinar la ecuación nos apoyaremos en la siguiente
gráfica:
𝐹(𝑋1) − 0 𝐹(𝑋𝑣 ) − 0
=
𝑋𝑟 − 𝑋1 𝑋𝑟 − 𝑋𝑉
𝑋𝑟 − 𝑋𝑉 𝐹(𝑋𝑣 )
=
𝑋𝑟 − 𝑋1 𝐹(𝑋1)
𝐹(𝑋𝑣 )(𝑋𝑟 − 𝑋1 )
𝑋𝑟 − 𝑋𝑉 =
𝐹(𝑋1)
𝐹(𝑋𝑣 )(𝑋𝑟 − 𝑋1 )
𝑋𝑟 = + 𝑋𝑉
𝐹(𝑋1)
𝐹(𝑋𝑣 )𝑋1
𝑋𝑟 (1 − 𝐹(𝑋𝑣 )) = + 𝑋𝑉
𝐹(𝑋1)
𝐹(𝑋𝑣 )𝑋1
+ 𝑋𝑉
𝐹(𝑋1)
𝑋𝑟 =
(1 − 𝐹(𝑋𝑣 ))
𝐹(𝑋1 )𝑋𝑉 − 𝐹(𝑋𝑣 )𝑋1
𝑋𝑟 =
𝐹(𝑋1 ) − 𝐹(𝑋𝑣 )
Para simplificar la ecuación se sugiere aplicar un artificio matemático para
simplificar de modo que no altere la ecuación
𝐹(𝑋1 )𝑋𝑉 𝐹(𝑋𝑣 )𝑋1
𝑋𝑟 = − + 𝑋𝑉 − 𝑋𝑉
𝐹(𝑋1 ) − 𝐹(𝑋𝑣 ) 𝐹(𝑋1 ) − 𝐹(𝑋𝑣 )
𝐹(𝑋𝑣 )𝑋𝑉 𝐹(𝑋1 )𝑋𝑉 − 𝐹(𝑋1 )𝑋𝑉 + 𝐹(𝑋𝑣 )𝑋𝑉
=
𝐹(𝑋1 ) − 𝐹(𝑋𝑣 ) 𝐹(𝑋1 ) − 𝐹(𝑋𝑣 )
𝐹(𝑋𝑉 )(𝑋𝑉 − 𝑋1 )
𝑋𝑟 = 𝑋𝑉 −
𝐹(𝑋1 ) − 𝐹(𝑋𝑣 )
Ejemplos.
a)
iteracion x1 xr xu f(x1) f(xu) % error
1 0 0.61269984 1 1 -0.63212056
2 0.61269984 0.56383839 1 -0.07081395 -0.63212056 8.66586039
3 0.56383839 0.56717036 0.61269984 0.00518235 -0.07081395 0.58747239
4 0.56717036 0.56714331 0.56383839 -4.2419E-05 0.00518235 0.00476984
5 0.56717036 0.56714331 0.56383839 -4.2419E-05 0.00518235 0
Chart Title
0.62
0.61
0.6
0.59
0.58
0.57
0.56
0.55
0 1 2 3 4 5 6 7 8 9
Si se tiene una ecuación algebraica trascendente de la forma f(x)= 0 de tal manera que
podemos dar solución a la función, el método se basa en investigar si la función tiene al
menos una variable lineal de tal manera que tengamos una sub función de la función
original de manera tal que le asignaremos un valor inicial y posteriormente obtener un
nuevo valor para sustituirlo de nuevo en la función. Esto quiere decir que dicho método sea
iterativo por ejemplo cierta función f(x)= e^x – x.
La aplicación del método de punto fijo es que esté presente la variable en su forma lineal
como lo describimos en ejemplo anterior, estas funciones que no cuentan con estas variables,
aplicamos un artificio matemático, que no afecte la función.
F(x)= cos x
G(x)= cos x +x –x
Ejemplo.
F(x)= e^(-x) –x
Chart Title
1.2
1
0.8
0.6
0.4
0.2
0
0 2 4 6 8 10 12
Método de Newton-Raphson
Este método es uno de los más aplicados en los métodos numéricos, pero cabe
señalar que tiene sus ventajas y desventajas en la búsqueda de raíces de ecuaciones
no lineales a continuación nos apoyaremos en el siguiente gráfico para obtener la
ecuación fundamental del método.
𝐹(𝑋1) − 0
𝐹´(𝑋) =
𝑋𝐼 − 𝑋𝐼+1
𝐹(𝑋𝑖)
−𝑋𝐼+1 = + 𝑋𝑖
𝐹´(𝑋)
𝐹(𝑋𝑖)
𝑋𝐼+1 = 𝑋𝑖 −
𝐹´(𝑋)
Con F(X)=/=0
Para que el método de Newton sea convergente es necesario que cumpla con las
siguientes condiciones,
Ejemplo.
𝑒 −𝑥 − 𝑥 = 0
A partir de la fórmula obtenemos las siguientes iteraciones
Iteración Xi Xi+1 F(Xi) F´(xi) % Error
1 0 0.5 1 -2
2 0.5 0.566311 0.10653066 -1.60653066 11.709291
3 0.566311 0.56714317 0.00130451 -1.56761551 0.14672871
4 0.56714317 0.56714329 1.9648E-07 -1.56714336 2.2106E-05
Chart Title
0.58
0.57
0.56
0.55
0.54
0.53
0.52
0.51
0.5
0.49
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
F(x)= 𝐼𝑛(𝑥) + 𝑥 − 5
Chart Title
3.8
3.7
3.6
3.5
3.4
3.3
0 1 2 3 4 5 6
Método de Newton-Raphson modificado
F(x)= 𝐼𝑛(𝑥) + 𝑥 − 5
Su derivada F’(X)= 1/𝑋 + 1
Su segunda Derivada= -1/x^2
Chart Title
4
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
𝐹(𝑋𝑖)
𝑋𝐼+1 = 𝑋𝑖 −
𝐹´(𝑋0)
Ejemplo
𝑋𝑖 = 2.861207
Xi Xi+1 F(Xi) F´(xi) % Error
20 2.86120736 17.9957323 1.05
2.86120736 3.89696827 -1.08754895 26.5786333
3.89696827 3.65204717 0.25716715 6.70640554
3.65204717 3.70220427 -0.05266495 1.35479003
3.70220427 3.69160174 0.01113266 0.28720675
Chart Title
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
0 1 2 3 4 5 6
X0=3
X1= 4
Con la formula X2
x2
3.701
3.7
3.699
3.698
3.697
3.696
3.695
3.694
3.693
3.692
0 1 2 3 4 5 6
APLICACIONES
Ejemplo
F(v)=0
𝑎𝑣 𝑎𝑏
Pv − Pb + − = 𝑅𝑇
𝑣2 𝑣2
F(V) = Pv 3 − Pb𝑣 2 + 𝑎𝑣 − ab − 𝑅𝑇𝑣 2 = 0
F(V) = Pv 3 − Pb𝑣 2 + 𝑎𝑣 − ab − 𝑅𝑇𝑣 2
F(V) ∗ F(Vu) < 0
𝐹(𝑋𝑖)
𝑋𝐼+1 = 𝑋𝑖 −
𝐹´(𝑋𝐼)
𝐹(𝑉𝑖)
𝑉𝐼+1 = 𝑉𝑖 −
𝐹´(𝑉𝐼)
Pv 3 − (Pb+𝑅𝑇)𝑣 2 + 𝑎𝑣 − ab
𝑉𝐼+1 = 𝑉𝑖 −
3Pv 2 − 2(Pb+𝑅𝑇)𝑣 + 𝑎
Ejemplo
GAS Ao a Bo b C
Helio 0.0216 0.05954 0.014 0 4.0x10^-7
Hidrogeno 0.1976 0.00506 0.02046 -0.4359 5.4x10^-6
Nitrogeno 1.4911 0.02562 0.04624 0.004208 4.80x10^-4
Ejemplo
Consideremos un líquido en equilibrio con su vapor, este líquido está formado por
4 componentes como se describe en la siguiente tabla, determine la temperatura, así
como la composición del vapor en equilibrio, cuando la presión del sistema, o
presión total es de 75 psias, para resolver se sugiere el uso de la siguiente ecuación
𝐵
𝐼𝑛 (𝑃°) = 𝐴 +
𝑇
A y B son valores constantes dentro de nuestro sistema a estudiar, T la temperatura
de equilibrio en la zona de burbuja, la composición por componente se describe en
la siguiente tabla
150°F 200°F
1 10 25 200
2 54 14,7 60
3 30 4 14,7
4 6 0,5 5
𝐵 𝐵
𝐼𝑛 (𝑃1°) − 𝐼𝑛 (𝑃2°) = −
𝑇1 𝑇2
𝐼𝑛 (𝑃1°)/(𝑃2°)
=𝐵
1 1
𝑇1 − 𝑇2
B= -16722.68
Para obtener A
∑ 𝑥𝑖 °𝑃𝑖 = 𝑃 𝑡𝑜𝑡𝑎𝑙
𝑖=1
Ejemplo
F= L+V
Ki= yi/xi
Fzi= xi (L +BKi)
Xi= Fzi/(L+VKi)
Sustituyendo
X1= Fzi/F+V(Ki-1)
9
𝐹𝑧𝑖(𝐾𝑖 − 1)
∑
𝐹 + 𝑉(𝐾𝑖 − 1)
𝑖=1
9
𝑧𝑖(𝐾𝑖 − 1)
∑
1 + 𝑡(𝐾𝑖 − 1)
𝑖=1
Donde t=V/F
Composición composición
líquido xi vapor yi
0,002787879 0,0046
0,463611111 0,8345
0,040531915 0,0381
0,029636364 0,0163
0,0125 0,005
0,019473684 0,0074
0,130454545 0,0287
0,157142857 0,022
0,482222222 0,0434
Métodos iterativos
Para resolver sistemas de ecuaciones que contienen una gran cantidad de variables
como es el caso de resolver modelos en la simulación de columnas de destilación,
torres de enfriamiento, transferencia de calor, masa, etc. De esta manera
plantearemos nuestros sistemas de manera tal que podamos aplicar los modelos
numéricos siguientes:
Se parte de Ax-b=0 que corresponde a una ecuación vectorial f(x)=0 y buscamos una
matriz b y un vector c de manera tal que la ecuación vectorial tenga la siguiente
característica
X= bx + c
Xk+1 = BXk + C
De tal manera que al llegar a la ecuación anterior Xk+1 = BXk + C, que es la que nos
define el algoritmo, así como su convergencia, es importante aclarar que cuando nos
encontramos con este tipo de sistemas encontraremos que puede ser convergente o
puede ser divergente.
Dado que el sistema Fx= b de manera que podamos separar las variables de las
ecuaciones y además podamos observar que todos los elementos de la diagonal
principal por razones obvias sean ceros, para comprender mejor el procedimiento
plantearemos el siguiente sistema.
𝑎11𝑥1 𝑎12𝑥2 𝑎13𝑥3 𝑏1
𝑎21𝑥1 𝑎22𝑥2 𝑎23𝑥3=𝑏2
𝑎31𝑥1 𝑎32𝑥2 𝑎33𝑥3 𝑏3
𝑎12 𝑎13 𝑏1
0 − 𝑎11 − 𝑎11 𝑎11
𝑥1 𝑥1
𝑎21 𝑎23 𝑏2
𝑥2=− 𝑎22 0 − 𝑎22 × 𝑥2 +
𝑎22
𝑥3 𝑎31 𝑎32 𝑥3 𝑏3
− 𝑎33 − 𝑎33 0
𝑎33
Una vez que tenemos ya la forma matricial proponemos un valor cualquiera, pero
se sugiere empezar a trabajar desde cero para iniciar la iteración, empezaremos con
el método de Jacobi, o conocido como el método de desplazamiento simultáneo.
Ejemplo.
Método de Jacobi
iteracion x1 x2 x3 x4 E1 E2 E3 E4
1 0 0 0 0
2 0.25 0.25 0.25 -0.25 100 100 100 100
3 0.3125 0.375 0.25 -0.1875 20 33.3333333 0 33.3333333
4 0.34375 0.390625 0.296875 -0.1875 9.09090909 4 15.7894737 0
5 0.34765625 0.41015625 0.30078125 -0.17578125 1.12359551 4.76190476 1.2987013 6.66666667
6 0.35253906 0.41210938 0.30859375 -0.17480469 1.38504155 0.47393365 2.53164557 0.55865922
7 0.35302734 0.4152832 0.30932617 -0.17285156 0.13831259 0.76425632 0.23677979 1.1299435
8 0.3538208 0.41558838 0.31060791 -0.17266846 0.22425392 0.07343222 0.41265475 0.10604454
9 0.35389709 0.41610718 0.31072998 -0.17234802 0.02155823 0.12467913 0.03928501 0.18592297
10 0.35402679 0.41615677 0.31093979 -0.1723175 0.03663556 0.01191644 0.06747556 0.01771009
Chart Title
0.5
0.4
0.3
0.2
0.1
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
-0.1
-0.2
-0.3
Método de Gauss-Seidel
La aplicación de este método se basa en que, al determinar algunos valores de x,
estos sean aplicados inmediatamente, de tal forma que la convergencia sea mucho
más rápida, comparada con el método iterativo de Jacobi, como se ve en el siguiente
ejemplo.
Aplicando este método desarrollar la solución del sistema, primero resuelto por el
método de Jacobi.
1+𝑥2 1+𝑥1+𝑥3
𝑋1 = 𝑋2 =
4 4
1+𝑥2+𝑥4 1+𝑥3
𝑋3 = 𝑋4 =
4 −4
iteracion x1 x2 x3 x4 E1 E2 E3 E4
1 0 0 0 0
2 0.25 0.3125 0.328125 -0.16796875 100 100 100 100
3 0.328125 0.4140625 0.31152344 -0.17211914 23.8095238 24.5283019 5.32915361 2.41134752
4 0.35351563 0.41625977 0.31103516 -0.17224121 7.18232044 0.52785924 0.15698587 0.07087172
5 0.35406494 0.41627502 0.31100845 -0.17224789 0.15514566 0.00366555 0.0085859 0.00387565
6 0.35406876 0.4162693 0.31100535 -0.17224866 0.00107739 0.0013746 0.00099659 0.00044985
7 0.35406733 0.41626817 0.31100488 -0.17224878 0.00040402 0.00027206 0.00015332 6.9208E-05
0.5
0.4
0.3
0.2
0.1
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
-0.1
-0.2
-0.3
En los capítulos anteriores encontramos como evaluar las raíces de una ecuación o
sistema de ecuaciones de la forma f(x)=0.
Para resolver estos sistemas nos apoyaremos del método de Jacobi o Gauss-Seidel,
pero también como se trata de una forma iterativa ocuparemos los métodos de Punto
fijo multivariable y Newton Rhapson multivariable
𝐹(𝑋1, 𝑌𝐼) = 0
𝐹(𝑋2, 𝑌2) = 0
Tratar de encontrar pares de valores x e y que satisfagan ambas ecuaciones con l
método de punto fijo o con el algoritmo de Jacobi o de Gauss- Seidel, le daremos la
solución para calcular el valor de x y posteriormente el de y quedando nuestro
sistema de la forma siguiente.
𝑥 = 𝑔(𝑥, 𝑦)
𝑦 = 𝑔(𝑥, 𝑦)
𝑥 𝑘+1 = 𝑔(𝑥 𝑘 , 𝑦 𝑘 )
𝑦 𝑘+1 = 𝑔(𝑥 𝑘 , 𝑦 𝑘 )
Ejemplo determine la solución del siguiente sistema de ecuaciones no lineales con el
método de punto fijo.
𝑥 2 − 10𝑥 + 𝑦 2 + 8 = 0
𝑥𝑦 2 + 𝑥 − 10𝑦 + 8 = 0
Si despejamos en las ecuaciones
𝑥2 + 𝑦2 + 8
=𝑥
10
𝑥𝑦 2 + 𝑥 + 8
=𝑦
10
Método de Jacobi
iteración x y distancia
1 0 0
2 0.8 0.8 1.13137085
3 0.928 0.9312 0.18329604
4 0.9728 0.9732 0.06140879
5 0.9843 0.9894 0.01986681
6 0.9957 0.9957 0.01302498
Chart Title
2.5
1.5
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4
Gauss seidel
x y Ex Ey
0 0
0.8 0.88 100 100
0.94144 0.96704911 15.0237933 9.0015194
0.98214933 0.99006396 4.14492227 2.32458227
0.9944844 0.99693045 1.24034819 0.68876277
0.99828695 0.99904547 0.38090834 0.21170432
Chart Title
1.5
0.5
0
0 0.2 0.4 0.6 0.8 1 1.2
𝑥 = 𝑔(𝑥, 𝑦)
𝑦 = 𝑔(𝑥, 𝑦)
En su forma general la aplicación de los polinomios nos permite involucrar
diferentes tipos de variables donde pueden existir incrementos o decrementos de
modo que se pueda expresar dicha variación aplicando la serie de Taylor.
Si expandimos las series de Taylor en el caso de que iniciamos en las variables y que
no estén presentes los valores constantes, esta ecuación quedará representada de la
manera siguiente.
𝑘+1 𝑘+1 ) 𝑘 𝑘)
𝜕(𝑥 𝑘+1 − 𝑥 𝑘 ) 𝜕(𝑦 𝑘+1 − 𝑦 𝑘 ) 1 𝜕 2 𝐹(𝑥 𝑘+1 − 𝑥 𝑘 )2
𝐹(𝑥 ,𝑦 = 𝐹(𝑎 , 𝑏 + + + [
𝜕𝑥 𝜕𝑦 2 𝜕𝑥 2
2𝜕 𝐹(𝑥 𝑘+1 − 𝑥 𝑘 )(𝑦 𝑘+1 − 𝑦 𝑘 ) 𝜕 2 𝐹(𝑦 𝑘+1 − 𝑦 𝑘 )2
+ +
𝜕𝑦 𝜕𝑥 𝜕𝑦 2
Supongamos que x^(k+1) y y^(k+1) están donde se encuentra la raíz buscada bajo
esta condición podemos establecer que para resolver un sistema de ecuaciones
lineales está quedará simplificada de la manera siguiente
𝑥 2 − 10𝑥 + 𝑦 2 + 8 = 0
𝑥𝑦 2 + 𝑥 − 10𝑦 + 8 = 0
Calculamos las 4 derivadas correspondientes
𝑓𝑥 = 2𝑥 − 10 , 𝑓𝑦 = 2𝑦
𝑔𝑥 = 𝑦 2 + 1, 𝑔𝑦 = 2𝑥𝑦 − 10
𝜕𝐹1 𝜕𝐹1
𝜕𝑦 −𝐹1 (𝑥 𝑘 , 𝑦 𝑘 )
| 𝜕𝑥 || |
𝜕𝐹2 𝜕𝐹2 −𝐹2 (𝑥 𝑘 , 𝑦 𝑘 )
𝜕𝑥 𝜕𝑦
x=h= 0.8
y=j= 0.88
iteración x y distancia
1 0 0
2 0.8 0.88 1.1892855
3 0.99179 0.99171 0.22195163
4 0.99998 0.9997 0.01144186
Método de Cramer
−10 0
𝑑=| | = 100 − 0 = 100
1 −10
−10 0
𝑑1 = | | = 80 − (−0) = 80
−8 −10
−10 −8
𝑑2 = | | = 80 − (−8) = 88
1 −8
80 88
ℎ = 100 = 0.8 𝑗 = 100 = 0.88
∑(𝑑𝑖 2 ) = 0
Regresión lineal
𝑓(𝑥 𝑛 ) = 𝑎0 + 𝑎1 𝑥
Al método propuesto es importante agregar el error que existe entre los datos y el
modelo propuesto, donde 𝑎0 corresponde a la ordenada al origen 𝑎1 la pendiente y
posteriormente determinaremos el error.
Error
𝑒𝑟𝑟𝑜𝑟 = 𝑦 − 𝑎0 − 𝑎1 𝑥
𝑛
∑(𝑦 − 𝑎0 − 𝑎1 𝑥)2 = 0
𝑖=1
𝑆𝑟 = ∑(𝑦 − 𝑎0 − 𝑎1 𝑥)2
𝑖=1
Este criterio tiene la ventaja de representar en una forma única para un conjunto de
datos.
𝜕𝑆𝑟 𝜕𝑆𝑟
+
𝜕𝑎0 𝜕𝑎1
𝑛
𝜕𝑆𝑟
= −2 ∑(𝑦 − 𝑎0 − 𝑎1 𝑥)
𝜕𝑎0
𝑖=1
𝑛
𝜕𝑆𝑟
= −2 ∑ 𝑥 𝑖 (𝑦 − 𝑎0 − 𝑎1 𝑥)
𝜕𝑎1
𝑖=1
𝑛
∑(𝑦 − 𝑎0 − 𝑎1 𝑥) = 0
𝑖=1
𝑛
∑ 𝑥 𝑖 (𝑦 − 𝑎0 − 𝑎1 𝑥) = 0
𝑖=1
𝑛 𝑛
∑ 𝑦 = ∑(𝑎1 𝑥) + 𝑛 𝑎0
𝑖=1 𝑖=1
𝑛 𝑛 𝑛
∑ 𝑥 𝑦 = ∑(𝑎0 𝑥) + ∑(𝑎1 𝑥 2 )
𝑖
𝑛𝑎0 + 𝑎1 ∑ 𝑥 = ∑ 𝑦
𝑎0 ∑ 𝑥 + 𝑎1 ∑ 𝑥 2 = ∑ 𝑥𝑦
𝑛 ∑𝑥 ∑𝑦
⌈ ⌉
∑𝑥 ∑ 𝑥2 ∑𝑦𝑥
Como ya contaos con dos ecuaciones con dos incógnitas se resuelve el sistema de
forma simultánea o por sustitución, al resolverlo por la primera forma y despejando
los valores de 𝑎0 y 𝑎1 estos quedan de la forma siguiente
∗ ∑𝑛
𝑖=1 𝑦 ∗ ∑𝑛
𝑖=1 𝑥
𝑦 = 𝑥 =
𝑛 𝑛
Para determinar la solución aplicaremos la regresión lineal por mínimos cuadrados
que nos proporciona la mejor aproximación de los valores par a1 y a0, a esto se le
conoce el principio de la probabilidad máxima dentro de la estadística.
𝑆𝑡 = ∑𝑛𝑖=1(𝑦𝑖 −𝑦 ∗ )2
La diferencia entre las cantidades St - Sr nos permite cuantificar la mejora en la
reducción del error al utilizar el método lineal parabólico, esta diferencia nos
permite normalizar el error total y finalmente calcular el coeficiente de correlación o
de ajuste.
𝑆𝑡 − 𝑆𝑟
𝑟= √
𝑆𝑡
Ejemplo
Tabla
1
X Y XY X^2 Sr St x* y*
1 75 75 1 11.1041285 4096 15.42 139
2 78 156 4 20.584177 3721
5 97 485 25 3.41858639 1764
10 123 1230 100 46.5871314 256
20 160 3200 400 3.16322583 441
30 200 6000 900 0.07203033 3721
40 240 9600 1600 5.36068501 10201
Suma 108 973 20746 3030 90.2899644 24200
100
50
0
0 10 20 30 40 50
Y Y Ajustada
(3030∗973)−(108∗20746)
𝑎0 = (7∗3030)−(11664)
=74.1275
𝑦 = 𝑎0 𝑒 𝑎1
𝐼𝑛 𝑦 = 𝐼𝑛 𝑎0 𝑒 𝑎1
𝐼𝑛 𝑦 = 𝐼𝑛 𝑎0 + 𝑎1 𝑥
Ejemplo
Chart Title
4500
4000
3500
3000
2500
2000
1500
1000
500
0
0 0.5 1 1.5 2 2.5 3
Y Y Ajustado
11
𝑛 ∑𝑛𝑖=1
− ∑𝑛𝑖=1 𝑥 ∑𝑛𝑖=1 𝑦
𝑥𝑦
𝑎1 =
𝑛 ∑𝑛𝑖=1 𝑥 2 − (∑𝑛𝑖=1 𝑥 )2
𝑎0 = 𝑦 ∗ − 𝑎1 𝑥 ∗
∗ ∑𝑛
𝑖=1 𝑦 ∗ ∑𝑛
𝑖=1 𝑥
𝑦 = 𝑥 =
𝑛 𝑛
𝑎0 = ln 𝑦∗ − 𝑎1 𝑥∗
𝑛 ∑𝑛𝑖=1 𝑥𝑙𝑛𝑦 − ∑𝑛𝑖=1 𝑥 ∑𝑛𝑖=1 𝑙𝑛𝑦
𝑎1 =
𝑛 ∑𝑛𝑖=1 𝑥 2 − (∑𝑛𝑖=1 𝑥 )2
Crecimiento de saturación
Cuando al graficar un conjunto de datos observamos que el comportamiento no es
lineal, que tiene la siguiente tendencia como se muestra a continuación
𝑦(𝑎1 + 𝑥) = 𝑎0 𝑥
𝑦𝑎1 + 𝑦𝑥 = 𝑎0 𝑥
𝑦𝑎1 + 𝑦𝑥
= 𝑥
𝑎0
𝑎1 + 𝑥 1
=
𝑎0 𝑥 𝑦
𝑎1 1 1
+ =
𝑎0 𝑎0 𝑦
1
= 1.2135 − 1.9815(0.36559) =0.48422
𝑎0
1
1.9815𝑋 −1 + 0.48922 =
𝑦
𝑛
1 1
𝑆𝑡 = ∑( − ∗ )2
𝑦 𝑦
𝑖=1
𝑛
1 1 𝑎1 2
𝑆𝑟 = ∑( − − )
𝑦 𝑎0 𝑎0 𝑥
𝑖=1
𝑆𝑡 − 𝑆𝑟
𝑟=√
𝑆𝑡
Ejemplo
Ajustar un modelo de crecimiento de saturación en el siguiente conjunto de datos y
determine:
a) la pendiente
b) el punto de intersección
c) el coeficiente de correlación
d) construir la gráfica
a0 2.04496053 r 0.99977179
a1 4.05296194
Y Y Ajustada
Para este caso se sugiere aplicar una regresión polinomio de tal manera que
podamos ajustar los mínimos cuadrados y se pueda extender fácilmente el
polinomio, es importante agregar el error producido en el comportamiento de los
datos y el modelo propuesto, quedando de la manera siguiente.
𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 , +e
𝑒 = 𝑦 − (𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 , )
Aplicando el criterio del mejor ajuste se cumple cuando se puede minimizar Sr es
decir el error entre el modelo y los datos experimentales o estadísticos quedando de
la manera siguiente.
2
Sr= ∑𝑛𝑖=1(𝑦 − (𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 , )
−2 ∑(𝑦 − (𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 ) = 0
𝑖=1
𝑛
𝑖=1
𝑛
𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛
𝑆𝑡 − 𝑆𝑟
𝑟= √
𝑆𝑡
Con 𝑆𝑡 = ∑𝑛𝑖=1(𝑦𝑖 −𝑦 ∗ )2
Ejemplo.
Determine los valores constantes del siguiente modelo parabólico además determine
el coeficiente de correlación.
Construya unos gráficos donde podamos comparar los datos originales con respecto
al modelo ajustado
Tabla 1: Regresión Lineal Múltiple (Polinomio de
Segundo grado).
X Y X^2 X^3 X^4 XY X^2*Y Sr St
0.25 - 0.0625 0.015625 0.00390625 - - 0.00831255 3.378244
0.23 0.0575 0.014375
0.75 - 0.5625 0.421875 0.31640625 - - 0.04954295 3.755844
0.33 0.2475 0.185625
1.25 0.7 1.5625 1.953125 2.44140625 0.875 1.09375 0.00242449 0.824464
1.5 1.9 2.25 3.375 5.0625 2.85 4.275 0.02058978 0.085264
2 6 4 8 16 12 24 0.00661314 19.289664
Suma 5.75 8.04 8.4375 13.765625 23.8242188 15.42 29.16875 0.0874829 27.33348
La Matriz Queda
Y Med 1.608
5a0 + 5.75a1 + 8.4375a2 = 8.02
5.75a0 + 8.4375a1 + 13.765625a2 =15.39 r 0.99839843
8.4375a0 + 13.765625a1 + 23.824218a2 = 29.12375}
𝑛𝑎0 + 𝑎1 ∑ 𝑥1 + 𝑎2 ∑ 𝑥 2 = ∑ 𝑦
𝑎𝑜 ∑ 𝑥 + 𝑎1 ∑ 𝑥 2 + 𝑎2 ∑ 𝑥 3 = ∑ 𝑥𝑦
𝑎𝑜 ∑ 𝑥 2 + 𝑎1 ∑ 𝑥 2 + 𝑎2 ∑ 𝑥 4 = ∑ 𝑥 2 𝑦
𝑛
𝑆𝑡 = ∑(𝑦𝑖 −𝑦 ∗ )2
𝑖=1
2
Sr= ∑𝑛𝑖=1(𝑦 − 𝑎0 − 𝑎1 𝑥 − 𝑎2 𝑥 2 )
FORMULAS DE INTEGRACIÓN
La regla del trapecio es una de las primeras formulas cerradas de Newton y que su
desarrollo corresponde al caso en el estudio de un polinomio
𝐹𝑛(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑛 𝑥 𝑛
Su aplicación y representación matemática es la siguiente
𝑏 𝑏
∫ 𝐹(𝑥)𝑑𝑥 = ∫ 𝐹𝑛(𝑥)𝑑𝑥
𝑎 𝑎
𝐹(𝑋𝑜) − 𝐹(𝑋1)
𝑋0 − 𝑋1
m1=m2
𝐹(𝑋1) − 𝐹(𝑋𝑜) 𝐹(𝑋2) − 𝐹(𝑋1)
=
𝑋1 − 𝑋𝑜 𝑋2 − 𝑋1
𝐹(𝑋2) − 𝐹(𝑋1)
𝐹(𝑋𝑜) = − [ (𝑋1 − 𝑋𝑜)] + 𝐹(𝑋1)
𝑋2 − 𝑋1
𝑏
𝐹(𝑋2) − 𝐹(𝑋1)
∫ 𝐹(𝑋1) − [ (𝑋1 − 𝑋𝑜)] 𝑑𝑥
𝑎 𝑋2 − 𝑋1
𝐹(𝑎)+𝐹(𝑏)
Área = (b-a) ( )
2
ℎ
𝐴𝑟𝑒𝑎 = [𝐹(𝑋𝑜) + 2 ∑ 𝐹(𝑋𝑖) + 𝐹(𝑋𝑛)]
2
𝑏−𝑎
ℎ=
𝑛
Reordenando la integración y reordenando la formula del trapecio queda de la
siguiente manera
𝐹(𝑎)+𝐹(𝑏)
Área = (b-a) ( )
2
𝑏 𝑏
𝑦 = ∫ 𝐹(𝑋)𝑑𝑥 ≈ ∫ 𝐹2(𝑋)𝑑𝑥
𝑎 𝑎
𝐹𝑛 = ∑ 𝐿𝑖 𝑥 𝐹(𝑋)𝑑𝑥
𝑥−𝑥1 𝑥−𝑥𝑜
Para 𝐹1(𝑋) = [𝑥𝑜−𝑥] 𝐹(𝑥𝑜) + 𝑥1−𝑥𝑜 𝐹(𝑥1)
𝑥2 𝑥2 (𝑥 − 𝑥𝑜)(𝑥 − 𝑥1)
(𝑥 − 𝑥𝑜)(𝑥 − 𝑥1)
∫ 𝐹2(𝑋) = ∫ [ ] 𝐹(𝑥𝑜) + 𝐹(𝑥1)
𝑥𝑜 𝑥𝑜 (𝑥2 − 𝑥𝑜)(𝑥2 − 𝑥1) (𝑥1 − 𝑥𝑜)(𝑥2 − 𝑥1)
(𝑥 − 𝑥𝑜)(𝑥 − 𝑥1)
+ 𝐹(𝑥2)𝑑𝑥
(𝑥2 − 𝑥𝑜)(𝑥2 − 𝑥1)
Si integramos este polinomio y que como sabemos conocemos los limites tanto
iniciales como finales y posteriormente resolvemos, la ecuación final quedara
representada de la siguiente forma:
Ecuación d Simpson 1/3
ℎ
𝐴=𝑌= [𝐹(𝑋𝑜) + 4𝐹(𝑋𝑖) + 𝐹(𝑥2)]
3
𝑏−𝑎
ℎ=
𝑛
Ejemplo
ℎ ℎ
𝐴𝑟𝑒𝑎 = [𝐹(𝑋𝑜) + 4𝐹(𝑋1) + 𝐹(𝑋2)] + [𝐹(𝑋2) + 4𝐹(𝑋3) + 𝐹(𝑋4)]
3 3
ℎ
+ [𝐹(𝑋𝑛 − 2) + 4𝐹(𝑋𝑛 − 1) + 𝐹(𝑋𝑛)]
3
ℎ
𝐴𝑟𝑒𝑎 ≈= [𝐹(𝑋𝑜) + 4 ∑ 𝐹(𝑋𝑖) + 2 ∑ 𝐹(𝑋𝑗) + 𝐹(𝑋𝑛)]
3
APLICACIONES
velocidad Tiempo
1 0.25 -0.23
2 0.75 -0.33
3 1.25 0.70
4 1.50 1.9
5 2.00 6.0
0.35
𝐴𝑟𝑒𝑎 = [𝐹(𝑋𝑜) + 2 ∑ 𝐹(𝑋𝑖) + 𝐹(𝑋𝑛)]
2
Área= 10.3590
Ejemplo
La siguiente tabla nos presenta el gasto instantáneo de petróleo crudo en un
deoducto (en miles de lb/hr) el flujo se mide en intervalos de 12 min ¿Cuál es la
cantidad de petróleo bombeado en 2hrs con 12 min aplicando 2 métodos de solución
y comparándolos?
HORA GASTO
1 6.2 8
2 6.12 6 7
3 6.24 5.9
6
4 6.36 5.9
5 6.48 6.2 5
6 7 6.4 4
7 7.12 6.5
3
8 7.24 6.8
9 7.36 6.9 2
10 7.48 7.1 1
11 8 7.3
0
12 8.12 6.9
CONCLUSIÓN