Documente Academic
Documente Profesional
Documente Cultură
1
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Código de colores
Los tópicos resaltados de este color son opcionales.
Los tópicos resaltados con amarillo debes sabértelos de memoria.
2
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
En términos generales, el objetivo del curso es que el alumno aprenda esencialmente varios
métodos y técnicas para encontrar la solución de algún problema, manualmente complicado de
resolver o que a su vez, esta resolución sea excesivamente larga.
El objetivo principal de este folleto es que el lector cumpla los objetivos del curso de análisis
numérico, pero de manera muy clara y pedagógica.
o Es decir, se espera que el lector aprenda completamente “Análisis Numérico” solo con leer
este folleto.
Este objetivo puede hacer que el folleto se haga un poco extenso, pero sumamente útil.
Este folleto pretende ser práctico e ir al grano, para evitar llenarnos de tanta teoría que
muchas veces es innecesaria y solo aprender lo que necesitemos aprender.
No pretendo buscar mediocridad, pero esta materia es dirigida a ingenieros, no a
matemáticos.
Todo lo presente se puede adaptar a algoritmos usando lenguaje de programación, por ejemplo,
Matlab o Python
3
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Tabla de contenido
1. Ecuaciones no lineales ....................................................................................................... 6
1.1. Método de la bisección...................................................................................................... 6
1.1.1. Pasos para el método de la bisección.......................................................................... 7
1.2. Método del punto fijo ....................................................................................................... 8
1.2.1. Convergencia del método del punto fijo ..................................................................... 9
1.3.1. Pasos para el método del punto fijo ......................................................................... 10
1.4. Método de Newton ......................................................................................................... 11
2. Sistemas lineales y no lineales de Ecuaciones ................................................................... 14
2.1. Sistemas lineales ............................................................................................................. 14
2.2. Definiciones previas ........................................................................................................ 15
2.2.1. Métodos iterativos para sistemas de ecuaciones lineales .......................................... 17
2.2.1.1. 𝐌𝐞𝐭𝐨𝐝𝐨 𝐆𝐚𝐮𝐬𝐬 − 𝐒𝐞𝐢𝐝𝐞𝐥 ..................................................................................... 17
2.2.1.2. Método de Jacobi ................................................................................................. 19
2.2.2. Convergencia de los métodos iterativos para sistemas de ecuaciones lineales ........... 19
2.2.3. Análisis del error en los métodos iterativo para sistemas de ecuaciones lineales ....... 20
2.2.4. Sistemas bien condicionados y mal condicionados .................................................... 20
2.3. Sistemas no lineales de ecuaciones .................................................................................. 21
2.3.1. Método iterativo de Newton para sistemas de ecuaciones no lineales ...................... 22
3. Interpolación Polinomial ................................................................................................. 23
3.1. Unicidad del polinomio de interpolación .......................................................................... 23
3.2. Métodos de interpolación Polinomial .............................................................................. 24
3.2.1. Polinomio de Lagrange ..................................................................................................... 24
3.2.2. Polinomio bivariable de Lagrange (Interpolación múltiple) ........................................... 26
3.3.2. Polinomio de Interpolación de Newton........................................................................... 29
3.3.3. Trazadores cúbicos ........................................................................................................... 30
4. Integración Numérica ............................................................................................................... 35
4.1. Fórmulas de Newton-Cotes ( Trapecios y Simpson) ................................................................ 35
4.1.1. Fórmula de los trapecios .................................................................................................. 35
4.1.2. Fórmula de Simpson ......................................................................................................... 38
4.2. Cuadratura de Gauss ................................................................................................................ 39
4.3. Integrales con singularidades................................................................................................... 40
4.4. Integrales no acotadas ............................................................................................................. 41
4
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
5
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Ecuaciones lineales – Método de la bisección
Primer parcial
1. Ecuaciones no lineales
o Recordemos que una ecuación no lineal es aquella que por lo menos uno de los términos no es lineal (es
decir diferente de x), por lo cual será un poco más complicado despejar o encontrar alguna raíz.
• Sea f una función de variable real, definida en un intervalo I. El objetivo es encontrar al menos un “x *’’
que pertenezca al intervalo I, tal que f(x*)=0, es decir, se desea encontrar por lo menos una raíz en el
intervalo I
X1*
𝑓(𝑥)
X2*
X3*
• En resumen: ¡Basta que la función pase de positivo a negativo en cierto intervalo para que haya una
raíz en el mismo!
• Sea f una función continua en el intervalo I: [a, b], tal que f(a)*f(b)<0, entonces existe algún x* que
pertenece a I, tal que f(x*)=0
a
→ El método de la bisección consiste en elegir valores de a y b donde se cumpla del TVI, luego evaluar
la función en tres valores, en a, en b y en c, el cual es la mitad del intervalo [a, b], es decir:
𝑏+𝑎
𝐶=
2
6
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
o Si para a y c se cumple el TVI, quiere decir que la raíz está entre esos dos intervalos, caso contrario
estaría entre c y b. Para ambos casos se va acortando el intervalo hasta ‘encerrar’ lo suficiente a la
raíz como para decir que ya tenemos una buena aproximación. A continuación, se detalla los
pasitos para este método para entenderlo con claridad
Th! En un intervalo [a, b], donde una función cumpla el TVI, si no cambia el signo de la derivada de esta
función en aquel intervalo, entonces la raíz que hay es única.
1. Elije valores superior b, e inferior a, para el intervalo que cumpla el TVI ( A veces directamente te
dan el intervalo a,b)
𝑎+𝑏
2. Calcula C=
2
3. Realiza las siguientes evaluaciones para saber en qué intervalo está la raíz:
a. Si f(a)*f(c)<0 entonces la raíz se encuentra dentro del subintervalo inferior
o izquierdo. Por lo tanto, elige b=c y repite el segundo paso
b. Si f(a)*f(c)>0 entonces la raíz se encuentra dentro del subintervalo superior o derecho. Por
lo tanto, elige a=c y repite el segundo paso
c. Repite hasta que (b-a) sea menor o igual al error sugerido del problema, en caso de que
ocurra tu aproximación de la raíz será la última C que calculaste
Ejemplo 1.1
Hallar una aproximación de la raíz con la siguiente función 𝑓(𝑥) = 𝑒 𝑥 − 𝑥 − 2 = 0, 𝑥 ∈ ⌈0,2⌉con un error de
truncamiento de 10-4
0 0 1 2 - - +
1 1 1.5 2 - + +
2 1 1.25 1.5 - + +
3 1 1.125 1.25 - - +
7
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel Ecuaciones lineales – Método de la bisección
Observaciones:
• Ejemplo: Para los datos del primer ejemplo, use la expresión para calcular el número
mínimo de iteraciones necesarias para calcular la raíz con una tolerancia de 𝜖 = 10−4
2−0
𝑙𝑛( )
10−4
𝑛𝑚𝑖𝑛 = ⟦ ⟧ = ⟦14,28⟧ = 14 𝑖𝑡𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠, lo cual coincide con lo que hicimos en el primer
ln(2)
• Suponga que tenemos una función f(x), de la cual necesitamos hallar las raíces, es decir; f(x)=0.
𝑓(𝑥) = 0
𝑓(𝑥) + 𝑥 = 𝑥.
O en otro ejemplo si tenemos esta función de la cual queremos sus raíces, por ejemplo:
8
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Tenemos como premisa entonces que estas ecuaciones son equivalentes, de manera general tenemos que:
𝑓(𝑥) = 0 ⟺ 𝑔(𝑥) = 𝑥
Básicamente lo que estamos haciendo es despejar una x de la ecuación. Es conveniente ‘despejar una x’ y
resolver el problema de esta manera. Este es el método de punto fijo y se detallará su proceso y teoría.
Sea f una función definida en un intervalo I. Se dice que r es un punto fijo de f(x), sí y solo sí f(r)=r
Es decir, si tenemos una función cualquiera f(x), la igualamos a x y hallamos los puntos que resultan, estos
puntos son puntos fijos. De manera gráfica tenemos: Ecuaciones lineales – Método del punto fijo
Ejemplo
Procedimiento:
→ √2𝑥 + 3 = 𝑥
→ 2𝑥 + 3 = 𝑥 2
→ 𝑥 2 − 2𝑥 − 3 = 0
→ 𝑥 = 3 ∨ 𝑥 = −1
→ Entonces x=3 y x=-1 son puntos fijos de la función √2𝑥 + 3
Ecuaciones lineales – Método del punto fijo
1.2.1. Convergencia del método del punto fijo
Sea g una función continua en un intervalo I [a, b] donde se cumpla el TVI, tal que g(a)>a y
g(b)<b y sea r un punto fijo en [a,b]
Demostración
Aplicando el teorema de valor medio para la función g(x), dentro del intervalo I, donde se
cumpla del TVI y sabiendo que esta debe interceptar con la función x, es decir cuando g(x)=x. Al
ser el punto fijo de g(x), sabemos que esta es la raíz. Tenemos que:
9
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
𝑔(𝑥𝑖 ) − 𝑔(𝑟)
𝑔′ (𝑧) =
𝑥𝑖 − 𝑟
Pueden observar la similitud del teorema con la definición de la función Lipschitz ( donde la L viene ser g’ (z))
Al Tener esto: 𝐸𝑖+1 = 𝑔′ (𝑧) ∗ 𝐸𝑖 y como deseamos que el método converja, es decir que el
error i+1, sea menor al error i. En otras palabras, deseamos que el error vaya disminuyendo
conforme iteramos.
Entonces se observa que g’(z) es el factor de convergencia y debe ser acotado por una
constante al menos una constante menor a uno, donde z es un valor en el intervalo I
∀ 𝑥 ∈ [𝑎, 𝑏] |𝑔′ (𝑥)| < 1 Esta es la condición de convergencia y a su vez un criterio para elegir una g(x)
apropiada.
1. Elije valores superior b, e inferior a, para el intervalo que cumpla el TVI ( A veces directamente te dan el
intervalo a,b) de la función f(x)=0
2. Dada la función f(x)=0, convertirla en la forma x=g(x)
Ósea en términos sencillos, despejar una x de la ecuación original, lo que queda al otro lado del
despeje se llama g(x)
4. Elegir un valor inicial 𝑋0 para comenzar, bien puede ser a o b Ecuaciones lineales – Método del punto fijo
10
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Una manera sencilla para saber hasta dónde iterar es que si tenemos una tolerancia 𝜀 = 10−𝑛 entonces
iteraremos hasta que los primeros n decimales de las dos últimas iteraciones se repitan entre si!
Ejemplo 1.03
Halle una de las raíces de la siguiente función 𝒇(𝒙) = −𝟐𝒙 + 𝒍𝒏(𝒙) + 𝟏𝟓 𝒄𝒐𝒏 𝜺 = 𝟏𝟎−𝟑
Sabemos que la raíz se encuentra entre 8 y 9, ahora toca arreglar la ecuación de la forma x=g(x)
ln(𝑥)+15 ln(𝑥)+15
La manera más sencilla puede ser 𝑥 = tenemos que nuestra 𝑔(𝑥) 𝑒𝑠
2 2
1 1
Verificando el paso 3, hallamos que 𝑔′ (𝑥) = ∗ y esta función en [8,9] es menor a uno, así
2 𝑥
que el método convergerá y es una g(x) adecuada. Comenzamos a iterar con X 0 =8
ln(8) + 15
𝑥1 = = 8.5397
2
ln(8.5397) + 15
𝑥2 = = 8.5724
2
ln(8.5724) + 15
𝑥3 = = 8.5743
2
ln(8.5743) + 15
𝑥4 = = 8.5744
2
Ya hasta aquí no cambian los 3 primeros decimales, es decir hemos alcanzado la aproximación
de la raíz con la tolerancia deseada, la cual es: 8.574 En general el método es de convergencia
lenta, en este caso se obtuvo rápido porque estábamos muy cerca de la raíz al empezar.
¿Y si elegimos otra g(x)? Podría ser, con tal que cumpla los criterios de convergencia. Si en vez
de despejar x a la función original sumamos x a los dos lados y obtenemos:
𝑥 = −𝑥 + ln(𝑥) + 15, la cual, si cumple con los criterios, pero lasEcuaciones lineales
iteraciones – Método
se hacen del punto fijo
más
extensas. ¡Compruébala si cumple los criterios!
d. Método de Newton
Este es un método particular de punto fijo, y es una de las técnicas más conocidas y poderosas para
la búsqueda de raíces. Hay varios métodos de introducirlo. La que se explicará es la que se basa en
los polinomios de Taylor
Suponiendo que 𝑓 ∈ 𝐶 2 𝑒𝑛 [𝑎, 𝑏].Suponga que se desea resolver la ecuación 𝑓(𝑥 ∗ ) = 0 donde 𝑥 ∗ ∈
[𝑎, 𝑏]
11
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
(𝑥𝑛+1 − 𝑥𝑛 )2
𝑓(𝑥𝑛+1 ) = 𝑓(𝑥𝑛 ) + 𝑓 ′ (𝑥𝑛 )(𝑥𝑛+1 − 𝑥𝑛 ) + 𝑓′′(𝜀)
2!
El método de Newton se deriva suponiendo que 𝑥𝑛+1 es una buena aproximación de 𝑥 ∗ , es decir
𝑓(𝑥𝑛+1 ) ≅0
Además suponiendo que si |𝑥𝑛+1 − 𝑥𝑛 | es tan pequeño, entonces (𝑥𝑛+1 − 𝑥𝑛 )2 lo es mucho más,
por lo que sería cero
Generalmente, es un método muy eficiente, ya que su convergencia es cuadrática. Aquí podemos ver un
gráfico que representa tal método
𝑓(𝑥𝑖 ) − 0
𝑓′(𝑥𝑖 ) =
𝑥𝑖 − 𝑥𝑖+1
𝑓(𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
𝑓′(𝑥𝑖 )
Th! Sea 𝑓 ∈ 𝐶 2 𝑒𝑛 𝐼 [𝑎, 𝑏] , donde f(a)<0 y f(b)>0 y por ende existe una raíz en I. Suponiendo que 𝑓 ′ (𝑥) ≠
0 en I. El método iterativo converge sí:
𝑎) 𝑓(𝑥) > 0
12
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
𝑐) 𝑓′′(𝑥) > 0
Como recomendación entonces se debe elegir el valor inicial cerca del extremo el intervalo I, donde f>0, en
este caso b
Ejemplo 1.05
𝑓 ′ ′(𝑥) = 5𝑒 −𝑥 − 10
Vemos que
𝑎) 𝑓(𝑥) < 0
𝑏) 𝑓′(𝑥) < 0
𝑐) 𝑓′′(𝑥) < 0
Entonces si alteramos la función con un signo menos: 𝑓(𝑥) = −(5𝑒 −𝑥 − 5𝑥 2 + 1) Ecuaciones lineales – Método de Newton
𝑎) 𝑓(𝑥) > 0
𝑐) 𝑓′′(𝑥) > 0
13
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
a. Sistemas lineales
Ejemplo.
3𝑥 − 𝑦 + 𝑧 = −4
{2𝑥 − 7𝑦 + 4𝑧 = 1
𝑥 − 2𝑦 + 5𝑧 = 11
En un sistema de ecuaciones lineales la solución podría ser única, inconsistente o puede haber infinitas
soluciones. Suponiendo también que el sistema lineal anterior no es homogéneo y que n es muy grande.
→ Entonces necesitamos métodos que nos permitan minimizar el número de operaciones aritméticas
para resolver el sistema
Los métodos directos como Gauss, Gauss-Jordán, requieren de mucho esfuerzo y son ineficientes para
un número relativamente grande de incógnitas.
Por eso se introducirá métodos iterativos como anteriormente lo hemos hecho, solo que esta vez para
sistemas y no solo una ecuación
Teoría previa
Sea V un espacio vectorial, una norma en V es una función que asigna a cualquier vector del espacio
vectorial V un único número real denotado por ‖𝑉‖ ∈ ℝ, de la forma:
𝑥1
𝑥2
V= 𝑥3
⋮
𝑥
( 𝑛)
Sea A una matriz que pertenece a las matrices mxn, de la forma
14
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
b. Definiciones previas
Antes de entrar de lleno a los sistemas de ecuaciones lineales, debemos recordar ( o aprender), ciertas
definiciones importantes, que serán fundamentales al momento de establecer convergencia para estos
métodos.
Ejemplo
−2
‖(3 − 4𝑖 )‖ =max(2,5, √2)=5
1+𝑖 ∞
• Matrices
‖𝐴‖∞ = 𝑚𝑎𝑥1≤𝑖≤𝑛 (∑𝑛𝑗=1|𝑎𝑖𝑗 |)
Ejemplo
• i=1: |−5| + |2| + |1|=8
−5 2 1
‖( 3 8 4)‖ =
• i=2 |3| + |8| + |−4|=15 El valor máximo sería 19
6 −6 7 ∞ • i=3 |6| + |−6| + |7|=19
Ejemplo
−2
‖(3 − 4𝑖 )‖ = |−2| + |3 − 4𝑖| + |1 + 𝑖| = 2 + 5 + √2 = 7 + √2
1+𝑖 ∞
• Matrices
‖𝐴‖∞ = 𝑚𝑎𝑥1≤𝑗≤𝑛 (∑𝑛𝑖=1|𝑎𝑖𝑗 |)
15
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Ejemplo
• j=1: |−5| + |3| + |6|=14
−5 2 1
‖( 3 8 4)‖ =
• j=2 |2| + |8| + |−6|=16 El valor máximo sería 16
6 −6 7 ∞ • j=3 |1| + |4| + |7|=12
Radio espectral
Sea 𝐴 ∈ 𝑀𝑚𝑥𝑛 . Sean 𝜆1 , 𝜆2 , 𝜆3 , … 𝜆𝑛 los n valores propios de 𝐴. Se define al radio espectral de 𝐴, denotado
con
𝜌(𝐴) = 𝑚𝑎𝑥1≤𝑖≤𝑛 |𝜆𝑖 |. Es decir, el radio espectral es el máximo valor absoluto de los valores propios de la
matriz.
Una matriz A es estrictamente diagonal dominante, si sus elementos en la diagonal son mayores a la de la
suma absoluta de los elementos de su misma fila. Ejemplo
16
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Similar a lo que vimos para una sola ecuación, presentaremos métodos iterativos de la siguiente
forma:
𝑋 = 𝐺(𝑋), donde la G(X) dependerá de del tipo de método que a continuación presentaremos.
→ Antes de eso, se presentará formas de dividir una matriz A cualquiera en la suma de tres matrices,
dos matrices triangulares y una diagonal
𝑒𝑗𝑒𝑚𝑝𝑙𝑜
11 5 6 0 0 0 11 0 0 0 5 6
𝐴=(7 4 10)= (7 0 0) + ( 0 4 0) + ( 0 0 10)
3 2 7 3 2 0 0 0 7 0 0 0
L + D + RR
→ 𝐴𝑋 = 𝐵
→ (𝐿 + 𝐷 + 𝑅)𝑋 = 𝐵
→ [(𝐿 + 𝐷) + 𝑅]𝑋 = 𝐵
→ (𝐿 + 𝐷)𝑋 + 𝑅𝑋 = 𝐵
→ (𝐿 + 𝐷)𝑋 = 𝐵 − 𝑅𝑋
→ 𝑋 = (𝐿 + 𝐷)−1 (𝐵 − 𝑅𝑋) Suponiendo que L+D es invertible
→ 𝑋 = (𝐿 + 𝐷)−1 𝐵 − (𝐿 + 𝐷)−1 𝑅𝑋
→ 𝑋 = − (𝐿 + 𝐷)−1 𝑅𝑋 + (𝐿 + 𝐷)−1 𝐵
17
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
3𝑥 − 𝑦 + 𝑧 = −4
{2𝑥 − 7𝑦 + 4𝑧 = 1
𝑥 − 2𝑦 + 5𝑧 = 11
18
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
2. Método de Jacobi
→ 𝐴𝑋 = 𝐵
→ (𝐿 + 𝐷 + 𝑅)𝑋 = 𝐵
→ [𝐷 + (𝐿 + 𝑅)]𝑋 = 𝐵
→ [𝐷𝑋 + (𝐿 + 𝑅)𝑋] = 𝐵
→ 𝐷𝑋 = −(𝐿 + 𝑅)𝑋 + 𝐵 Ahora suponiendo que D es invertible
→ 𝑋 = −𝐷 −1 (𝐿 + 𝑅)𝑋 + 𝐵𝐷 −1
Existen dos teoremas que nos pueden ayudar para definir la convergencia de sistemas de
ecuaciones lineales:
Teorema 1. En un método iterativo de la forma 𝑋 = 𝑇𝑋 + 𝐶, si ocurre que las normas de las T son menor a
uno, entonces el método convergerá:
Como las normas de la matriz de transición es menor a uno, es suficiente para que converja el
método a la solución.
19
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Teorema 1 Los métodos iterativos para resolver sistemas lineales de ecuaciones que tienen la forma
𝑋 = 𝑇𝑋 + 𝐶, convergen a la solución, si y solo si, el radio espectral de la matriz de transición es menor a uno
(𝜌(𝑇) < 1)
Entonces que 𝜌(𝑇) < 1 es una condición necesaria y suficiente para la convergencia a la solución!!!
iii. Análisis del error en los métodos iterativo para sistemas de ecuaciones
lineales
‖𝑋 𝑛 − 𝑋 𝑛−1 ‖
Número de condición. - Sea 𝐴 ∈ 𝑀𝑛𝑥𝑛 , invertible, se define como número de condición de A, denotado con
cond(A) como:
cond(A)
→ 𝑐𝑜𝑛𝑑(𝐴) ≥ ‖𝐼‖
→ 𝑐𝑜𝑛𝑑(𝐴) ≥ 1
20
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
✓ Cuando el número de condición es relativamente alto, podríamos concluir que el sistema está mal
condicionado, es decir no es confiable ni podríamos concluir cosas con él
Del sistema lineal 𝐴𝑋 = 𝐵, donde 𝑋 es la solución exacta del sistema. Suponga que por errores de tipeo o de
alguna clase de medición, no se propone A para resolver el sistema sino una parecida 𝐴̃. Entonces 𝐴̃𝑋 = 𝐵
no se satisfacerla, para que resulte se tendría que proponer otra solución para así satisfacer la igualdad con
B. Sería 𝐴̃𝑋̃ = 𝐵.
→ 𝐴𝑋 = 𝐵
→ 𝑋 = 𝐵 ∗ 𝐴−1
→ 𝑋 = (𝐴̃𝑋̃) ∗ 𝐴−1
→ 𝑋 = (𝐴̃) ∗ 𝑋̃ ∗ 𝐴−1
→ 𝑋 = (𝐴̃ + 𝐴 − 𝐴) ∗ 𝑋̃ ∗ 𝐴−1 = [(𝐴) ∗ 𝐴−1 + (𝐴̃ − 𝐴) ∗ 𝐴−1 ] ∗ 𝑋̃
→ 𝑋 = [𝐼 + (𝐴̃ − 𝐴)𝐴−1 ] ∗ 𝑋̃
→ 𝑋 = 𝑋̃ + (𝐴̃ − 𝐴)𝐴−1 ∗ 𝑋̃
→ 𝑋 − 𝑋̃ = (𝐴̃ − 𝐴)𝐴−1 ∗ 𝑋̃ , ahora si aplicamos la norma a ambos lados de la ecuación
tenemos
→ ‖𝑋 − 𝑋̃‖ = ‖(𝐴̃ − 𝐴) ∗ 𝐴−1 ∗ 𝑋̃‖ ≤ ‖𝐴̃ − 𝐴‖ ∗ ‖𝐴−1 ‖ ∗ ‖𝑋̃‖, obtenemos que
→ ‖𝑋 − 𝑋̃‖ ≤ ‖𝐴̃ − 𝐴‖ ∗ ‖𝐴−1 ‖ ∗ ‖𝑋̃‖, luego multiplicando y dividiendo la norma de A,
tenemos
‖𝐴‖
→ ‖𝑋 − 𝑋̃‖ ≤ ‖𝐴̃ − 𝐴‖ ∗ ‖𝐴−1 ‖ ∗ ‖𝑋̃‖, ordenando todo tenemos
‖𝐴‖
‖𝑋−𝑋̃ ‖ ‖𝐴̃−𝐴‖
→ ‖𝑋̃‖
≤ ‖𝐴‖ ∗ ‖𝐴−1 ‖ ‖𝐴‖
‖𝑋−𝑋̃‖ ‖𝐴̃−𝐴‖
‖𝑋̃‖
≤ 𝑐𝑜𝑛𝑑(𝐴) ‖𝐴‖
= 𝐸𝑟 (𝑥) ≤ 𝑐𝑜𝑛𝑑(𝐴) ∗ 𝐸𝑟 (𝐴) Cota para el error relativo de la solución
21
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
• Para que el sistema sea no lineal, al menos una ecuación debe ser no lineal, donde hay n
funciones de n variables independientes.
𝛿𝑓1 𝛿𝑓1
…
𝛿𝑥1 𝛿𝑥𝑛
𝐽𝐹 (𝑋𝑛 ) = ⋮ ⋱ ⋮
𝛿𝑓𝑛 𝛿𝑓𝑛
…
(𝛿𝑥1 𝛿𝑥𝑛 )
Se trata de derivar parcialmente cada función, respecto a cada variable. Luego veremos ejemplos de aquello
Es muy parecido (por no decir la misma) a la forma del método de newton para una sola
ecuación
Para una ecuación era:
𝑓(𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 −
𝑓′(𝑥𝑛 )
Ahora para su homóloga para sistemas de ecuaciones no lineales es:
𝑋𝑛+1 = 𝑋𝑛 − [𝐹(𝑋𝑛 )] ∗ [𝐹′(𝑋𝑛 )−1 ]
Donde 𝐹(𝑋𝑛 ) es el vector de funciones y 𝐹′(𝑋𝑛 )−1 es la inversa del jacobiano de 𝐹(𝑋𝑛 ):
𝑿𝒏+𝟏 = 𝑿𝒏 − [𝑭(𝑿𝒏 )] ∗ [𝑱𝑭 (𝑿𝒏 )−𝟏 ] Método iterativo de Newton para sistemas no lineales
5𝑥 2 − 𝑦 2 + 3𝑥 = 0
{
4𝑦 − 𝑠𝑒𝑛(𝑥) − cos(𝑦) = 0
5𝑥2 − 𝑦2 + 3𝑥
Tenemos que 𝐹(𝑋𝑛 )= 𝐹(𝑥, 𝑦) = ( )
4𝑦 − 𝑠𝑒𝑛(𝑥) − cos(𝑦)
Y su matriz jacobiana es:
10𝑥 + 3 −2𝑦
𝐽𝐹 (𝑥, 𝑦) = ( )
−cos(𝑥) 4 + 𝑠𝑒𝑛(𝑦)
Armamos la fórmula iterativa, tomando el vector nulo como vector inicial para iterar
0
𝑋0 = ( )
0
22
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
3 0 1/3 0
𝐽𝐹 (0,0) = ( ), 𝐽𝐹 (0,0)−1 = ( )
−1 4 1/12 1/4
0 0 1/3 0 1/12
𝑋1 = ( ) − ( ) ∗ ( )= ( )
0 −1 1/12 1/4 1/4
Y así continuamos iterando, suele ser pesado porque tenemos que evaluar dos cosas y sacar
una matriz inversa por cada iteración
3. Interpolación Polinomial
• Supongamos que deseamos analizar cierta función, cuya regla de correspondencia sea
desconocida o sea muy complicada (complicada de integrar, derivar, graficar, etc.).
• Interpolación consiste en tener ciertos puntos de una función, a partir de otros. Es decir,
vamos a reemplazar cierta función complicada o desconocida (por medio de algunos
puntos) por funciones polinomiales, que en general son más fáciles de tratar.
Debemos construir una función polinomial por tramos, de cierto grado que pase por los mismos puntos y
aproxime los otros puntos restantes en el intervalo I.
Suponga que existen dos polinomios diferentes de interpolación p(x) y q(x), para una misma función en un
intervalo I. Es decir ∀𝑖 𝑝(𝑥𝑖 ) = 𝑦𝑖 y ∀𝑖 𝑞(𝑥𝑖 ) = 𝑦𝑖 , pero 𝑝(𝑥) ≠ 𝑞(𝑥).
Contrayendo otro polinomio definido como ℎ(𝑥) = 𝑝(𝑥) − 𝑞(𝑥), de grado n (ya que p y q son de grado n)
23
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
i. Polinomio de Lagrange
Considere el problema de la interpolación polinomial (PIP) indicado anteriormente y con la obtención previa
de una tabla de valores como la siguiente:
𝑖 𝑥𝑖 𝑓(𝑥𝑖 )/𝑦𝑖
0 𝑥0 𝑦0
1 𝑥1 𝑦1
2 𝑥2 𝑦3
… … …
n 𝑥𝑛 𝑦𝑛
𝑝𝐿 (𝑥) = ∑ 𝑦𝑖 𝐿𝑖 (𝑥)
𝑖=0
𝑛
(𝑥 − 𝑥𝑘 )
𝐿𝑖 (𝑥) = ∏
(𝑥𝑖 − 𝑥𝑘 )
𝑘=0
𝑘≠𝑖
𝑛 𝑛
(𝑥 − 𝑥𝑘 )
𝑝𝐿 (𝑥) = ∑ 𝑦𝑖 𝐿𝑖 (𝑥) 𝑑𝑜𝑛𝑑𝑒 𝐿𝑖 (𝑥) = ∏ 𝑖 = 0, 1, 2, 3, … 𝑛 Polinomio de Interpolación de lagrange
(𝑥𝑖 − 𝑥𝑘 )
𝑖=0 𝑘=0
𝑘≠𝑖
24
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
𝑖 𝑥𝑖 𝑦𝑖
0 3 1
1 6 4
2 10 9
3 13 2
Comenzamos a armar las Li. Percatándonos de la definición, observamos en el numerador que la X k son
todas menos la i en ese instante. Y abajo se resta esa Xi menos todas las Xk
25
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Sea 𝑧 = 𝑓(𝑥, 𝑦) una función continua, en una región del plano ‘’xy’’. Suponga que no se conoce la regla de
correspondencia de f, sin embargo conocemos que:
𝑧𝑖𝑗 = 𝑓(𝑥𝑖 , 𝑦𝑗 ), para i=0, 1, 2…, n y j=0, 1, 2,…, m. Es decir conocemos una tabla bivariada de datos
𝒙/𝒚 𝒚𝟎 𝒚𝟏 𝒚𝟐 ⋯ 𝒚𝒎
𝒙𝟎 𝑧00 𝑧01 𝑧02 ⋯ 𝑧0𝑚
𝒙𝟎 𝑧10 𝑧11 𝑧12 ⋯ 𝑧1𝑚
𝒙𝟐 𝑧20 𝑧21 𝑧22 ⋯ 𝑧2𝑚
⋮ ⋮ ⋮ ⋮ ⋱ ⋮
𝒙𝒏 𝑧𝑛0 𝑧𝑛1 𝑧𝑛2 ⋯ 𝑧𝑛𝑚
𝑛 𝑚
𝑛 𝑚
𝑝𝐿 (𝑥, 𝑦) = ∑ ∑ 𝑍𝑖𝑗 𝐿𝑋𝑖 (𝑥)𝐿𝑗 (𝑦)
𝑦 (𝑥 − 𝑥𝑘 ) (𝑦 − 𝑦𝑘 )
𝐿𝑥𝑖 (𝑥) =∏ 𝑦
𝐿𝑗 (𝑦) =∏
𝑖=0 𝑗=0 (𝑥𝑖 − 𝑥𝑘 ) (𝑦𝑖 − 𝑦𝑘 )
𝑘=0 𝑘=0
𝑘≠𝑖 𝑘≠𝑖
o El procedimiento es bastante tedioso, así que deben prestar bastante atención al siguiente ejemplo
Procedimiento
Observamos que n=2 y m=3. Aproximar y dejar expresado un polinomio bivariado es complicado, así que
simplemente se trabajara con los valores a aproximar (30,810).
Teniendo la fórmula:
𝑛 𝑚
𝑦
𝑝𝐿 (𝑥, 𝑦) = ∑ ∑ 𝑍𝑖𝑗 𝐿𝑋𝑖 (𝑥)𝐿𝑗 (𝑦)
𝑖=0 𝑗=0
26
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
𝑦
Armamos primero la sumatoria que está más adentro. Primero hallamos las 𝐿𝑗 (𝑦), como lo hicimos en el
𝑦
anterior polinomio simple de lagrange con las ‘y’, y de una vez con la aproximación es decir 𝐿𝑗 (810),
Ahora multiplicamos cada L por Zij por la definición de la sumatoria, recorriendo la j para cada i. Es como un
producto punto
1 5 15 5 473
∗ (33) − ∗ 31 + ∗ 30 + ∗ 29 =
16 16 16 16 16
i=1 j=0, 1, 2,3
1 5 15 5 267
∗ (39) − ∗ 36 + ∗ 34 + ∗ 33 =
16 16 16 16 8
i=2 j=0, 1, 2,3
1 5 15 5 595
∗ (45) − ∗ 42 + ∗ 40 + ∗ 32 =
16 16 16 16 16
27
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
c. Diferencias finitas
Este es un concepto que lo utilizaremos inmediatamente y para el resto del curso, lo cual es muy
importante saber.
Supongamos que tenemos n+1 puntos de la forma 𝑦𝑖 = 𝑓(𝑥𝑖 ) con i=0, 1, 2,…, n
Con la variable independiente (x), espaciada regularmente, es decir se debe cumplir que siempre
𝑥𝑖+1 − 𝑥𝑖 = ℎ i=0, 1, 2,…, n-1, la diferencia siempre tiene que ser h, deben estar h-
espaciados
i x f
0 𝑥0 𝑓0
1 𝑥1 𝑓1
2 𝑥2 𝑓2
3 𝑥3 𝑓3
… … …
Cada diferencia finita se obtiene restando los dos valores anteriores consecutivos de la columna anterior:
i 𝑥𝑖 𝑓𝑖 ∆1 𝑓𝑖 ∆2 𝑓𝑖 ∆3 𝑓𝑖 ∆3 𝑓𝑖
0 𝑥0 𝑓0 ∆1 𝑓0 =𝑓1 − 𝑓0 ∆2 𝑓0 = ∆1 𝑓1 − ∆1 𝑓0 ∆3 𝑓0 = ∆2 𝑓1 − ∆2 𝑓0 …
1 𝑥1 𝑓1 ∆1 𝑓1 =𝑓2 − 𝑓1 ∆2 𝑓1 = ∆1 𝑓2 − ∆1 𝑓1 … …
2 𝑥2 𝑓2 ∆1 𝑓2 =𝑓3 − 𝑓2 ... … …
3 𝑥3 𝑓3 … … … …
… … … …. … … …
(3, 1.5), (4.5, 3), (6.0, 4.80), (7.5, 5.60), (9.0, 8.0)
Para las diferencias finitas se obtienen con la resta de los valores consecutivos en la columna anterior, como
en
∆1 𝑓𝑖 para que se observe. Ya en ∆2 𝑓𝑖 se pone directamente el valor
i 𝑥𝑖 𝑓𝑖 ∆1 𝑓𝑖 ∆2 𝑓𝑖 ∆3 𝑓𝑖 ∆4 𝑓𝑖
0 3 1.5 3-1.5=1.5 0.3 -1.3 3.9
1 4.5 3 4.8-3=1.8 -1 2.6
2 6 4.80 5.6-4.8=0.8 1.6
3 7.5 5.60 8-5.6=2.4
4 9 8
28
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Δ𝑛 𝑓0
𝑓 𝑛 (𝑧) =
ℎ𝑛
, 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑛 𝑧 𝑒𝑛 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 [𝑥0 , 𝑥𝑛 ]
Considere la tabla de datos: 𝑦𝑖 = 𝑓(𝑥𝑖 ) con i=0, 1, 2,…, n con valores de x, h espaciados. Tenemos que el
polinomio de interpolación de Newton es el siguiente:
𝑛−1
Δ1 𝑓0 Δ2 𝑓0 Δ3 𝑓0 Δ𝑛 𝑓0
𝑝𝑛 (𝑥) = 𝑓0 + (𝑥 − 𝑥0 ) + 2
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 3
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) + ⋯ + ∏(𝑥 − 𝑥𝑖 )
1! ℎ 2! ℎ 3! ℎ 𝑛! ℎ𝑛
𝑖=0
o Se observa que para hacer este polinomio, se necesitan tabular las diferencias finitas
o La única condición para este método es que las x estén h-espaciadas. Es preferible el de newton
que de lagrange por su simplicidad.
o Este polinomio de Newton es de grado n, que pasa por los n+1 puntos por donde pasa la gráfica de
f
(1.0, 5), (1.5, 7), (2.0, 10), (2.5, 8), (3, 9.5)
i 𝑥𝑖 𝑓𝑖 ∆1 𝑓𝑖 ∆2 𝑓𝑖 ∆3 𝑓𝑖 ∆4 𝑓𝑖
0 1 5 2 1 -6 14.5
1 1.5 7 3 -5 8.5
2 2 10 -2 3.5
3 2.5 8 1.5
4 3 9.5
Las diferencias finitas que se usan para el polinomio de newton Δ1 𝑓0 , Δ2 𝑓0 , Δ3 𝑓0 , Δ4 𝑓0 …. Son las que
están sombreadas en la tabla. Ya tabulada las diferencias, armamos el polinomio con la formula.
ℎ = 0.5
29
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
2 1 −6
𝑝𝑛 (𝑥) = 5 + (𝑥 − 1) + 2
(𝑥 − 1)(𝑥 − 1.5) + (𝑥 − 1)(𝑥 − 1.5)(𝑥 − 2)
1! 0.5 2! 0.5 3! 0.53
14.5
+ (𝑥 − 1)(𝑥 − 1.5)(𝑥 − 2)(𝑥 − 2.5)
4! 0.54
Simplificando tenemos:
Dado el PIP, también existe otra manera de aproximar una función, mediante a trazadores cúbicos, es decir
polinomios de grado 3 a trazos. Como aproxima la función a trazos, estos trazadores cúbicos aproximan de
mejor manera que los polinomios anteriores.
o Hay dos tipos de trazadores cúbicos, trazador libre o natural y trazador fijo o sujeto
o La diferencia entre ellos solo es una condición en los extremos del intervalo [𝑥0 , 𝑥𝑛 ]
▪ Si se trata de un trazador cúbico libre o natural, tenemos que nuestra función a
aproxima, cumple que:
𝑦′′(𝑥0 ) = 0 y que 𝑦′′(𝑥𝑛 ) = 0
▪ Si es un trazador cúbico fijo o sujeto, tenemos que:
𝑦′(𝑥0 ) =∝ y que 𝑦′(𝑥𝑛 ) = 𝛽
Como son condiciones en los extremos de la derivada de la función, estos valores
∝ y 𝛽 representan la pendiente que hay en los extremos de la función.
No se preocupen por las condiciones anteriores, solo deben aprender y
comprender, como es el procedimiento para resolver ambas, el cual se detallará a
continuación
Estableciendo algunas condiciones de continuidad entre los tramos y ciertas demostraciones, obtenemos las
fórmulas para hallar los trazadores, de la cual tenemos que resolver ciertos sistemas de ecuaciones lineales.
Procedimiento
𝑖 𝑥𝑖 𝑓(𝑥𝑖 )/𝑦𝑖
0 𝑥0 𝑦0
1 𝑥1 𝑦1
2 𝑥2 𝑦3
… … …
n 𝑥𝑛 𝑦𝑛
𝑝1 (𝑥); 𝑥 ∈ [𝑥0 , 𝑥1 )
𝑝2 (𝑥); 𝑥 ∈ [𝑥1 , 𝑥2 )
El trazador cúbico definido por 𝑆(𝑥) = 𝑝3 (𝑥); 𝑥 ∈ [𝑥2 , 𝑥3 ) , 𝑑𝑜𝑛𝑑𝑒 𝑐𝑎𝑑𝑎 𝑝𝑛 (𝑥) 𝑒𝑠 𝑑𝑒 𝑔𝑟𝑎𝑑𝑜 3
…
{𝑝𝑛 (𝑥); 𝑥 ∈ [𝑥𝑛−1 , 𝑥𝑛 )
𝒑𝒏+𝟏 (𝒙); 𝒙 ∈ [𝒙𝒏 , +∞) 𝑷𝒐𝒍𝒊𝒏𝒐𝒎𝒊𝒐 𝒂𝒖𝒙𝒊𝒍𝒊𝒂𝒓
30
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Obtendremos n polinomios y se usará uno más de manera auxiliar para calcular los coeficientes c. Ese
polinomio auxiliar luego ya no tiene uso.
Adjuntando a la tabla anterior dos columnas más con m y h, las cuales están definidas por:
𝑦𝑖 −𝑦𝑖−1
𝑚𝑖 = ℎ𝑖 = 𝑥𝑖 − 𝑥𝑖−1 Donde 𝑖 = 1,2,3, … 𝑛
𝑥𝑖 −𝑥𝑖−1
𝒊 𝒙𝒊 𝒇(𝒙𝒊 )/𝒚𝒊 𝒉𝒊 𝒎𝒊
0 𝑥0 𝑦0
1 𝑥1 𝑦1 ℎ1 𝑚1
2 𝑥2 𝑦3 ℎ2 𝑚2
… … … ……….. ………..
n 𝑥𝑛 𝑦𝑛 ℎ𝑛 𝑚𝑛
Luego se calculan los coeficientes, primeros las C, armando un sistema de ecuaciones para las C
o Para este sistema se debe tener en cuenta si el trazador es libre o fijo. Si es libre, tenemos que:
𝐶 =0
{ 1 Con esto tenemos que resolver un sistema de n-1 incógnitas para las C
𝐶𝑛+1 = 0
o Si es fijo, estas c anteriores, no las conocemos, por ende necesitamos dos ecuaciones más. Usando
el valor ∝ y 𝛽 que nos da el problema de trazador sujeto.
1
𝑏𝑖 = 𝑚𝑖 − 3 ℎ𝑖 (2𝐶𝑖 + 𝐶𝑖+1 ) 𝑖 = 1,2,3, … 𝑛
𝐶𝑖+1 − 𝐶𝑖
𝑑𝑖 =
3ℎ𝑖
𝑎𝑖 = 𝑦𝑖−1
Como no puede ser de otra manera, para entenderlo mejor, vamos con un ejemplo
31
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Ejemplo. Para los siguientes datos, construir el trazador cúbico natural y encontrar el valor de
x=2.25
(1.2, 4.6), (1.5, 5.3), (2.4, 6), (3, 4.8), (3.8, 3.1)
𝑖 𝑥𝑖 𝑦𝑖 ℎ𝑖 𝑚𝑖
0 1.2 4.6
1 1.5 5.3 0.3 2.333333
2 2.4 6.0 0.9 0.777778
3 3.0 4.8 0.6 -2
4 3.8 3.1 0.8 -2.125
Armamos las C
i=1 0.3𝐶1 + 2(0.3 + 0.9)𝐶2 + 0.9𝐶3 = 3(0.777778 − 2.333333)
𝐶 =0
Tenemos 5 incógnitas. Al ser un trazador libre o natural tenemos que{ 1 , reemplazando y
𝐶5 = 0
ordenando tenemos:
2.4𝐶2 + 0.9𝐶3 + 0𝐶4 = −4.666665
(0.9𝐶2 + 3𝐶3 + 0.6𝐶4 = −8.333333)
0𝐶2 + 0.6𝐶3 + 2.8𝐶4 = −0.375
𝐶1 = 0
𝐶2 = −0.982056
Resolviendo el sistema lineal, tenemos que { , el resto de coeficiente hallamos
𝐶3 = −2.566362
𝐶4 = 0.4160062
simplemente, remplazando valores
i=1, 2, 3,4
El problema nos pedía el valor de x=2.25, y ese valor se encuentra en el intervalo del
polinomio 2
𝑝2 (2.25); 5.3 + 2.136912(2.25 − 1.5) − 0.982056(2.25 − 1.5)2 − 0.586781(2.25 − 1.5)3 = 𝟔. 𝟏𝟎𝟐𝟕𝟐𝟗
Ejemplo Con los siguientes datos, construya el trazador cúbico sujeto, de tal manera que
en ambos extremos debe inclinarse a 45°
Para este caso no nos dan explícitamente los valores de 𝛼 y 𝛽 pero nos dicen la condición de los
extremos y para que esto se cumpla tendría que ser que y’(3)=y’(9)=1. Es decir 𝛼 y 𝛽=1
𝑖 𝑥𝑖 𝑦𝑖 ℎ𝑖 𝑚𝑖
0 3 2.5
1 4.5 1.0 1.5 -1
2 7.0 2.5 2.5 0.6
3 9.0 0.5 2 -1
Armamos las C
Tenemos 4 incógnitas. Al ser un trazador sujeto tenemos dos ecuaciones más para las C, y la
remplazamos con los datos
33
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
i=1, 2, 3
𝑏1 = 1 𝑑1 = 0.971981 𝑎1 = 2.5
{𝑏2 = −0.813043 {𝑑2 = −0.406957 { 𝑎2 = 1
𝑏3 = −0.530435 𝑑3 = 0.617391 𝑎3 = 2.5
34
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Segundo parcial
4. Integración Numérica
Supongamos que tengamos una función f, muy complicada o hasta imposible integrar analíticamente, como
1
por ejemplo 𝑓 (𝑥) = , o en otros casos solo tengamos determinados puntos de f, de los cuales
1+𝑥 4
necesitamos saber el área bajo la curva aproximada de esos puntos.
Se necesita introducir métodos numéricos para calcular una aproximación de aquellas integrales
Se denominan así a las fórmulas que utilizan el polinomio de interpolación para hallar la integral
deseada.
Sea A, la integral definida:
𝑏
𝐼 = ∫ 𝑓(𝑥)𝑑𝑥
𝑎
Y h, las particiones o distancia entre puntos a evaluar para aproximar la integral:
𝑏−𝑎
ℎ=
𝑚
• Donde m (algunos les dicen m o n, es solo una notación) es un parámetro que depende
del método. Los métodos Newton-Cotes que aprenderemos son, el de los trapecios y el
de Simpson.
Para estos métodos, el objetivo es en vez de integrar literalmente, transformamos esa integral en
evaluaciones de cierta función, donde obviamente la función a evaluar es la función entera que se
deseaba integrar inicialmente.
Se evalúa iniciando desde a, hasta b, en pasos de h. Ya veremos las formulas respectivas, con su
ejemplo correspondiente
Se trata de una aproximación del área bajo la curva usando trapecios. Al integrar cierta curva en un intervalo
[a, b], el método divide el área debajo de esta por medio de m trapecios
35
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
𝑚−1
ℎ ℎ
𝐼 ≅ [𝑓0 + 2𝑓1 + 2𝑓2 + 2𝑓3 + ⋯ + 2𝑓𝑚−1 + 𝑓𝑚 ] = 𝑓0 + 2 ∑ 𝑓𝑖 + 𝑓𝑚 ൩ Método de los trapecios
2 2
𝑖=1
ℎ2 ′′
𝑇 = − (𝑏 − 𝑎)𝑓 (𝑧) 𝑎 ≤ 𝑧 ≤ 𝑏 Error de truncamiento
12
¡Observaciones importantes!
o En el error de truncamiento tenemos un valor de z entre a y b, este viene a ser el mayor valor
absoluto entre ese intervalo: 𝑚𝑎𝑥|𝑓 ′′ (𝑧)| 𝑒𝑛 [𝑎, 𝑏]
o En el error de truncamiento de observa una derivada. Si conocemos la función y no es difícil
derivarla se van por ese método, caso contrario, como los puntos en este método son h espaciados
se puede aproximar la derivada con diferencias finitas. Así mismo sería la mayor absoluta diferencia
finita
o Para las evaluaciones x0 y xm son a y b respectivamente
36
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
i 𝑥𝑖 𝑓𝑖 ∆1 𝑓𝑖 ∆2 𝑓𝑖
0 0 0 0.339005 0.163461
1 0.5 0.339005 0.502466 -0.12226
2 1 0.841471 0.380206 -0.315942
3 1.5 1.221677 0.064264
4 2 1.285941
37
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Este método aproxima la integral por medio de parábolas, es decir polinomios de segundo grado. Este
método aproxima cada par de puntos con media parábola. Por aquello el número m debe ser par
En otras palabras, una parábola, aproxima dos pares de puntos, dos parábolas, 4 y así…
Si te piden usar el método de Simpson con una parábola, entonces m=2, con dos parábolas, m=4, etc.
𝑚−1 𝑚−2
ℎ ℎۍ ې
𝐼 ≅ [𝑓0 + 4𝑓1 + 2𝑓2 + 4𝑓3 + ⋯ + 2𝑓𝑛−2 + 4𝑓𝑚−1 + 𝑓𝑚 ] = 𝑓0 + 4 ∑ 𝑓𝑖 + 2 ∑ 𝑓𝑖 + 𝑓𝑚 ۑ
ێ
3 3ێ ۑ
𝑖=1 𝑖=1
ۏ 𝑖 𝑖𝑚𝑝𝑎𝑟 𝑖 𝑝𝑎𝑟 ے
ℎ4 Método de Simpson
𝑇=− (𝑏 − 𝑎)𝑓 𝐼𝑉 (𝑧) 𝑎≤𝑧≤𝑏 Error de truncamiento
180
Esta regla solo es válida para m par. Por ejemplo, si tenemos 5 puntos, m va desde 0
hasta 4, es decir con 5 puntos si se podría. Lo mismo con 3 puntos (m=2)
4−0
Tenemos que m=4 y ℎ = =1
4
1
→ 𝐴 ≅ [𝑓(0) + 4𝑓(1) + 2𝑓(2) + 4𝑓(3) + 𝑓(4)]
3
1
→ 𝐴 ≅ [0 + 4(0.367879) + 2(0.541341) + 4(0.448084) + (0.293050)] = 1.546528
3
38
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Este método aproxima la integral por medio de integrar polinomios de Lagrange de grado 3.
3ℎ
𝐼≅ [𝑓 + 3𝑓1 + 3𝑓2 + 𝑓3 ]
8 0
ℎ4 Método de Simpson
𝑇=− (𝑏 − 𝑎)𝑓 𝐼𝑉 (𝑧) 𝑎≤𝑧≤𝑏 Error de truncamiento
80
Si se desea generalizar la formula anterior, se complica un poco el patrón, pero queda lo siguiente:
3ℎ
𝐼≅ [𝑓 + 3𝑓1 + 3𝑓2 + 2𝑓3 + 3𝑓4 + 3𝑓5 + 2𝑓6 + 3𝑓7 + 3𝑓8 + 2𝑓9 + ⋯ + 𝑓𝑚 ]
8 0
ℎ4 Método de Simpson
𝑇=− (𝑏 − 𝑎)𝑓 𝐼𝑉 (𝑧) 𝑎≤𝑧≤𝑏 Error de truncamiento
80
b. Cuadratura de Gauss
Esta es una aproximación usando la familia de polinomios ortogonales conocido como “polinomios de
legendre”
𝑏−𝑎 𝑏 + 𝑎 (𝑏 − 𝑎) 1 𝑏 + 𝑎 (𝑏 − 𝑎) 1
𝐼≅ ቈ𝑓 ( − )+𝑓( + ) Fórmula de la Cuadratura de
2 2 2 √3 2 2 √3 Gauss de dos puntos
39
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
• Si se dan cuenta, este método no evalúa en ningún momento en los extremos de la integral, es
decir no evalúa ni en a, ni en b
• Es un método muy preciso, por lo cual calcular el error de truncamiento es muy complicado
Ejemplo
𝟐
Calcular la integral ∫𝟎 √𝒙 𝒔𝒆𝒏(𝒙) 𝒅𝒙 con la fórmula de la cuadratura de gauss
Para mejorar su exactitud se puede dividir en m subintervalos, aplicando el método más de una vez
Ejemplo ilustrativo
𝟒
Calcular la integral ∫𝟎 𝒍𝒏(𝒙)𝒆𝒙 𝒅𝒙 con la fórmula de la cuadratura de gauss con dos subintervalos
( o podría decir, que apliquemos dos veces gauss)
𝟎 𝟎 𝟐
Para estos ejercicios, se debe verificar que las integrales no tengan singularidades en los extremos, ya que al
usar los métodos de Newton-Cotes, tenemos que evaluar en esos puntos, provocando divisiones entre cero.
La cuadratura de gauss no tiene ese problema, ya que nunca evalúa en los extremos.
Ejemplo
1
𝑒𝑥
∫ 𝑑𝑥
√𝑥
0
40
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Haciendo un cambio de variable conveniente (cuando tengas una raíz, siempre tómala como cambio de
variable)
1
𝑢 = √𝑥 𝑑𝑢 = 𝑑𝑥 𝑢2 = 𝑥
2√𝑥
Y de esta manera la resolvemos la nueva integral normalmente por cualquiera de los métodos. Recuerda
que cuadratura de gauss no tiene ese problema y puedes integrar sin usar los cambios de variable.
Ejemplo
1
3
∫ 2 𝑑𝑥
0 (𝑥 − 1)5
Escogemos como cambio de variable solo la raíz, en este caso raíz quinta
𝑢 = (𝑥 − 1)1/5 𝑢5 = 𝑥 − 1 5𝑢4 𝑑𝑢 = 𝑑𝑥 𝑢5 + 1 = 𝑥
d. Integrales no acotadas
También podemos tener el caso de que nos presenten integrales evaluadas al infinito. Estas son
integrales que convergen a un valor cuando tienden a infinito por lo que sacar su área no sería
algo descabellado.
Pero como nosotros no podemos evaluar al infinito, nos hacemos valer de otro cambio de
variable, que en general es el mismo para cualquier integral no acotada.
41
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Ejemplo
∞ 1
Calcular la integral de ∫0 1+𝑥 4
dx
La primera integral se puede resolver por cualquier método, no tiene nada en especial, pero la
segunda tiene límite no acotado, usamos el siguiente cambio de variable 𝒖 = 𝟏/𝒙
(Este cambio de variable siempre se usará para eliminar el infinito de los limites)
1
𝑢 = 1/𝑥 𝑑𝑢 = − 𝑑𝑥 -> 𝑑𝑢 = −𝑢2 𝑑𝑥 𝑥 = 1/𝑢
𝑥2
∞ 0
1 1 1
∫ 𝑑𝑥 = ∫ (− 2 ) 𝑑𝑢
1+𝑥 4 1 𝑢
1 1 1 + 𝑢4
Sacando el signo menos, para que la integral quede bien con sus límites tenemos
1 1 1 1
1 1 1 1 𝑢4 1 𝑢2
∫ ( 2 ) 𝑑𝑢 = ∫ 4 ( 2 ) 𝑑𝑢 = ∫ 4 ( 2 ) 𝑑𝑢 = ∫ 4 𝑑𝑢
1 𝑢 𝑢 +1 𝑢 𝑢 +1 𝑢 𝑢 +1
0 1 +
𝑢4 0
𝑢4 0 0
e. Integración múltiple
Para integrar completamente funciones de más de una variable, se requieren este tipo de
integrales, las cuales representan un área más complicada o algún volumen específico.
Se detallará paso por paso el procedimiento para calcular estas integrales en análisis numérico,
usando los métodos ya aprendidos.
∫ ∫ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦
𝑐 𝑎
42
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Necesitamos calcular ∆𝑥 𝑦 ∆𝑦 que son la distancia entre los puntos a evaluar, equivalente
exactamente a la h para el método de una variable. Estos deltas se definen como:
𝑏−𝑎 𝑐−𝑑
∆𝑥 = ∆𝑦 =
𝑚𝑥 𝑚𝑦
El procedimiento es el siguiente:
Integramos de afuera hacia adentro, es decir primero con y luego con x. Aplicando primero el
método de Simpson solo para y, de esta manera:
3 1 ∆𝑦 0.5 0.5 0.5
∫2 ∫0 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = [𝑓(𝑥, 2) + 4𝑓(𝑥, 2.5) + 𝑓(𝑥, 3)]= 𝑓(𝑥, 2) + 4𝑓(𝑥, 2.5) + 𝑓(𝑥, 3)
3 3 3 3
Y ahora para cada término, aplicamos Simpson para las x, siendo fijo y
0.5 0.5 ∆𝑥 0.5 0.5
▪ 𝑓(𝑥, 2)= { [𝑓(0,2) + 4𝑓(0.5,2) + 𝑓(1,2)]}= { 3 [𝑓(0,2) + 4𝑓(0.5,2) + 𝑓(1,2)]}
3 3 3 3
0.5 0.5 ∆𝑥 0.5 0.5
▪ 4𝑓(𝑥, 2.5) = 4{ [𝑓(0,2,5) + 4𝑓(0.5,2.5) + 𝑓(1,2.5)]} = 4{ [𝑓(0,2,5) + 4𝑓(0.5,2.5) +
3 3 3 3 3
𝑓(1,2.5)]}
0.5 0.5 ∆𝑥 0.5 0.5
▪ 𝑓(𝑥, 3) = { 3 [𝑓(0,3) + 4𝑓(0.5,3) + 𝑓(1,3)]}= { 3 [𝑓(0,3) + 4𝑓(0.5,3) +
3 3 3
𝑓(1,3)]}
5. Diferenciación numérica
A continuación presentaremos métodos numéricos para aproximar las derivadas en cierto punto. Estas
fórmulas son muy sencillas de aprender y usar.
a. Primera derivada
𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖 ) ℎ
𝑓 ′ (𝑥𝑖 ) ≅ 𝐸 = − 𝑓 ′′ (𝑧) 𝑥𝑖 ≤ 𝑧 ≤ 𝑥43
𝑖+1
ℎ 2
Escuela Superior Politécnica del Litoral
Fórmula para la primera derivada (de primer orden)en cierto punto Xi Error de truncamiento
Análisis Numérico - Steveen Carriel
Nota: El termino de primer orden habla del error de la formula, su error es lineal. Nada de que preocuparse.
Ejemplo. Dado los siguientes puntos (2.0 6.718849), (2.1, 7.049114), (2.2, 7.296691), (2.3, 7.437799), (2.4,
7.445759)
+
𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖−1 ) ℎ2 ′′′
𝑓 ′ (𝑥𝑖 ) ≅ 𝐸=− 𝑓 (𝑧) 𝑥𝑖−1 ≤ 𝑧 ≤ 𝑥𝑖+1
2ℎ 6
Ejemplo. Con los datos del ejercicio anterior calcular la misma derivada con la fórmula de segundo
orden
b. Segunda derivada
44
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Ejemplo Dado los puntos (3.5, 1.088136), (3.7 1.136403), (3.9, 1.182129), (4.1, 1.225567), halle la
segunda derivada del punto x=3.9
𝑓(4.1) − 2𝑓(3.9) + 𝑓(3.7)
𝑓 ′ (3.9) ≅ = −0.0572
0.22
Recordamos que una EDO es una ecuación que relaciona una función desconocida de una variable
independiente con sus derivadas. El orden de la EDO es el orden de la derivada más alta presente
en esta.
• Para resolver este tipo de ejercicios, siempre que se pueda, es conveniente dejar la
ecuación diferencial en su manera explícita, es decir despejada la derivada más alta:
𝐹(𝑥, 𝑦, 𝑦 ′ , 𝑦 ′′ , … 𝑦 𝑛−1 ) = 𝑦 𝑛
Observación: En la gran mayoría de evaluaciones de esta materia, los métodos por excelente que
toman son el de la serie de Taylor y Runge-Kutta. Aconsejo darle prioridad a esos.
Dada la función y la condición expresadas anteriormente, este método usa el desarrollo de la serie
de Taylor para hallar puntos aproximados de la solución.
45
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
ℎ2 ′′ ℎ𝑛
𝑦𝑖+1 = 𝑦𝑖 + ℎ𝑦𝑖′ + 𝑦𝑖 + ⋯ + 𝑦𝑖𝑛
2! 𝑛!
Y el error de truncamiento es:
ℎ𝑛+1
𝑦 𝑛+1 (𝑧)
(𝑛 + 1)!
o Para la gran mayoría de estos casos solo nos pedirán usar los primeros 3 términos de la serie de
Taylor.
ℎ2
Como dice los tres primeros términos, entonces usamos la fórmula 𝑦𝑖+1 = 𝑦𝑖 + ℎ𝑦𝑖′ + 𝑦𝑖′′
2!
• 𝑦 ′ = 𝑓 ′ (𝑥, 𝑦) = 𝑦 − 𝑥 − 𝑥 2 + 2
ℎ2 ′′
𝑦1 = 𝑦0 + ℎ𝑦0′ + 𝑦
2! 0
• 𝑦 ′ 0 = 𝑓(0,1) = 2
• 𝑦 ′′ 0 = 𝑓 ′ (0,1) = 3
0.12
𝒚𝟏 = 1 + 0.1(2) + (3) = 1.215
2!
𝒙𝟏 = 0 + 0.1 = 0.1
• 𝑦 ′1 = 𝑓(0.1,1.215) = 2.305
• 𝑦 ′′1 = 𝑓 ′ (0.1,1.215) = 3.105
0.12
o 𝒚𝟐 = 1.215 + 0.1(2.305) + (3.105) = 1.461
2!
46
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Bajo las mismas condiciones previamente dadas, la fórmula de Euler constituye simplemente los dos
primeros términos de la serie de Taylor
𝑦𝑖+1 = 𝑦𝑖 + ℎ𝑓(𝑥𝑖 , 𝑦𝑖 ) ℎ2 ′′
𝐸= 𝑦 (𝑧) 𝑥𝑖 ≤ 𝑧 ≤ 𝑥𝑖+1
2!
Fórmula de Euler para EDO’s
47
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
𝐾1 = ℎ𝑓(𝑥𝑖 , 𝑦𝑖 ) ℎ3 ′′′
𝐸 = 𝑦 (𝑧) 𝑥𝑖 ≤ 𝑧 ≤ 𝑥𝑖+1
𝐾2 = ℎ𝑓(𝑥𝑖 + ℎ, 𝑦𝑖 + 𝐾1 ) 3!
1
𝑦𝑖+1 = 𝑦𝑖 + (𝐾1 + 𝐾2 )
2
Fórmula de Heun para EDO’s
𝑓(𝑥, 𝑦) = 𝑦 + 𝑥 − 𝑥 2 + 1
48
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
𝐾1 = ℎ𝑓(𝑥𝑖 , 𝑦𝑖 )
ℎ5 5
𝐾2 = ℎ𝑓(𝑥𝑖 + ℎ/2, 𝑦𝑖 + 𝐾1 /2) 𝐸= 𝑦 (𝑧) 𝑥𝑖 ≤ 𝑧 ≤ 𝑥𝑖+1
5!
𝐾3 = ℎ𝑓(𝑥𝑖 + ℎ/2, 𝑦𝑖 + 𝐾2 /2)
𝐾4 = ℎ𝑓(𝑥𝑖 + ℎ, 𝑦𝑖 + 𝐾3 )
1
𝑦𝑖+1 = 𝑦𝑖 + (𝐾1 + 2𝐾2 + 2𝐾3 + 𝐾4 )
6
Fórmula de Runge-Kutta para EDO’s
Tenemos que
𝐾1 = (0.1)𝑓(0,1) = 0.2
0.1
𝐾2 = (0.1)𝑓 (0 + , 1 + 0.2/2) = 0.21475
2
0.1
𝐾3 = (0.1)𝑓 (0 + , 1 + 0.21475/2) = 0.2154875
2
𝐾4 = (0.1)𝑓(0 + 0.1, 1 + 0.2154875) = 0.22629875
1
𝑦1 = 1 + (0.2 + 2(0.21475) + 2(0.2154875) + 0.22629875) = 1.2144
6
𝑥1 = 0 + 0.1 = 0.1
Tenemos que
49
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Supongamos que nos dan un sistema de EDO’s con condiciones al inicio, de la forma:
𝐹(𝑥, 𝑦, 𝑧, 𝑦 ′ ) = 0 𝑦(𝑥0 ) = 𝑦0
𝐺(𝑥, 𝑦, 𝑧, 𝑧 ′ ) = 0 𝑧(𝑥0 ) = 𝑧0
La variable independiente sigue siendo x, donde 𝒙𝒊+𝟏 = 𝒙𝒊 + 𝒉
𝑓(𝑥, 𝑦, 𝑧) = 𝑦′ 𝑦(𝑥0 ) = 𝑦0
𝑔(𝑥, 𝑦, 𝑧) = 𝑧′ 𝑧(𝑥0 ) = 𝑧0
Ejemplo de estos sistemas:
𝑦 ′ − 𝑥 − 𝑦 − 𝑧 = 0, 𝑦(0) = 1
𝑧 ′ + 𝑥 − 𝑦 + 𝑧 = 0, 𝑧(0) = 2
Donde procedemos a despejarlas a su forma implícita
𝑥 + 𝑦 + 𝑧 = 𝑦′, 𝑥0 = 0 , 𝑦0 = 1
−𝑥 + 𝑦 − 𝑧 = 𝑧 ′ , 𝑥0 = 0 , 𝑧0 = 2
De ahí se resuelven con los métodos vistos anteriormente, pero extendidos a dos ecuaciones
1
𝑦𝑖+1 = 𝑦𝑖 + (𝐾1,𝑦 + 𝐾2,𝑦 )
2
1
𝑧𝑖+1 = 𝑧𝑖 + (𝐾1,𝑧 + 𝐾2,𝑧 )
2
Fórmula de Heun para dos EDO’s
50
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Ejemplo Obtenga dos puntos de la solución de las siguientes Edo’s usando Heun con h=0.1
𝑦 ′ − 𝑥 − 𝑦 − 𝑧 = 0, 𝑦(0) = 1
𝑧 ′ + 𝑥 − 𝑦 + 𝑧 = 0, 𝑧(0) = 2
𝑓(𝑥, 𝑦, 𝑧) = 𝑥 + 𝑦 + 𝑧 = 𝑦 ′ , 𝑥0 = 0 , 𝑦0 = 1
𝑔(𝑧, 𝑦, 𝑧) = −𝑥 + 𝑦 − 𝑧 = 𝑧 ′ , 𝑥0 = 0 , 𝑧0 = 2
𝑖=0
1
𝑦1 = 1 + (0.3 + 0.33) = 1.315
2
1
𝑧1 = 2 + (−0.1 − 0.07) = 1.915
2
𝑥1 = 0 + 0.1 = 0.1
𝑖=1
1
𝑦2 = 1.315 + (0.3 + 0.33) = 1.66615
2
1
𝑧2 = 1.915 + (−0.1 − 0.07) = 1.86015
2
𝑥2 = 0.1 + 0.1 = 0.2
51
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
𝐾1,𝑦 = ℎ𝑓(𝑥𝑖 , 𝑦𝑖 , 𝑧𝑖 )
𝐾1,𝑧 = ℎ𝑔(𝑥𝑖 , 𝑦𝑖 , 𝑧𝑖 )
1
𝑦𝑖+1 = 𝑦𝑖 + (𝐾1,𝑦 + 2𝐾2,𝑦 + 2𝐾3,𝑦 + 𝐾4,𝑦 )
6
1
𝑧𝑖+1 = 𝑧𝑖 + (𝐾1,𝑧 + 2𝐾2,𝑧 + 2𝐾3,𝑧 + 𝐾4,𝑧 )
6
52
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Para el caso en particular que tengamos una EDO de segundo orden, al tener eso, nos deben dar 2
condiciones. Teniendo el problema definido en la forma:
Se realiza la sustitución 𝑧 = 𝑦′
𝐺(𝑥, 𝑦, 𝑧, 𝑧 ′ ) = 0
{
𝑧 = 𝑦′
𝑓(𝑥, 𝑦, 𝑧) = 𝒚′ = 𝒛 𝒚(𝒙𝟎 ) = 𝒚𝟎
Veamos el ejemplo para que se entienda de forma más clara. Recordar que x representa a la única variable
independiente
Ejemplo
𝑧0 = 0, 𝑥0 = 0, 𝑦0 = 1
𝑓(𝑥, 𝑦, 𝑧) = 𝑦 ′ = 𝑧
{
𝑔(𝑥, 𝑦, 𝑧) = 𝑧 ′ = 0.05𝑧 − 0.15𝑦
Ya ahora solo nos queda usar las fórmulas de Heun extendidas y reemplazar
𝐾1,𝑦 = (0.5)𝑓(0,1,0) = 0
53
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
1
𝑦1 = 1 + (0 − 0.0375) = 0.98125
2
1
𝑧1 = 0 + (−0.075 − 0.0769) = −0.0759
2
𝑥1 = 0 + 0.5 = 0.5
1
𝑦2 = 0.9813 + (−0.038 − 0.0755) = 0.9244.
2
1
𝑧2 = −0.0759 + (−0.0755 − 0.0745) = −0.1509
2
𝑥2 = 0.5 + 0.5 = 1
De los métodos aprendidos, ciertas veces (y quizás se lo pidan en algún proyecto) es importante hablar
sobre su convergencia y estabilidad.
El método es convergente, cuando los puntos realmente tienden a la solución aproximada cuando modificas
el parámetro h. Puedes verificar la existencia de la solución siempre y cuando los puntos que vas obteniendo
ciertamente forman algún tipo de función (esto lo puedes verificar graficando los puntos) y no haya puntos
singulares, es decir que se desvíen completamente del patrón funcional que estas formando.
También puedes verificar si el método es estable (es decir si es poco sensible a perturbaciones) al modificar
un poco alguno de los valores iniciales o condiciones iniciales. Si al perturbar esto el método arroja una
solución completamente alejada a la solución correcta puede decirse que problema no está bien planteado.
Supóngase que nos den una EDO con la solución de la misma en los bordes de cierta región, pero que sea de
interés la solución en el interior de esta región
𝑦 ′′ − 𝑦 ′ + 𝑦 − 2𝑒 𝑥 − 3 = 0, 𝑦(0) = 1, 𝑦(1) = 5, 0 ≤ 𝑥 ≤ 1
54
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Dada la EDO de la manera planteada, es decir con condiciones en los bordes, podemos usar el método de
diferencias finitas, donde discretizamos la solución, es decir nos comprometemos a calcular una serie de
puntos de la solución de interés, planteándonos un sistema de ecuaciones lineales para encontrar cada
punto de interés.
Usamos las siguientes fórmulas (ya vistas) para aproximar las derivadas. Se usan las de segundo orden para
que el error sea congruente.
𝑦 ′′ + 𝑎𝑦 ′ + 𝑏𝑦 + 𝑝(𝑥) = 0, 𝑦(𝑥0 ) = 𝑎
Lo que se va a hacer es avanzar h-espacios desde x=0 hasta x=1, con eso cubriremos los puntos que en ese
intervalo .ya cuando hagamos eso tendremos, un sistema de ecuaciones lineales, el cual ya resuelto
obtendremos puntos de la solución
con i=2
→ 𝒚𝟏 (2.25)+𝒚𝟐 (−3.875) + 𝒚𝟑 (1.75) − 0.25𝑒 0.5 = 0.375
→ 𝒚𝟏 (2.25)+𝒚𝟐 (−3.875) + 𝒚𝟑 (1.75) = 0.787180
con i=3
55
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
𝑦2 = 1.985292
𝑦3 = 3.177459
Donde nos dan una condición en la frontera, pero en la derivada de ese punto
Se procede a “rodear” el punto de la frontera desconocido, es decir, comenzar con i=0 para que en las
incógnitas tomen i-1 , i e i+1
Como se trata de la misma ecuación del ejemplo anterior, procedemos a usar la ecuación arreglada (luego
de reemplazar las derivadas y simplificando)
𝑖=0
𝑖=1
𝑖=2
𝑖=3
56
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Tenemos la condición inicial 𝑦 ′ (0) = 0.5 -> 𝑦 ′ 0 = 0.5 , usamos la aproximación de la primera derivada
de nuevo
𝑦1 −𝑦−1
𝑦 ′ 0 = 0.5 = Con esto podemos eliminar el punto 𝑦−1
2ℎ
𝑦−1 = 𝑦1 − 2ℎ ∗ 0.5
𝑦−1 = 𝑦1 − 0.25
57
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Recordando cursos anteriores, una ecuación diferencial parcial es aquella que contiene derivadas parciales
con respecto a dos o más variables dependientes.
Por ejemplo:
𝑑𝑢 𝑑𝑢 𝑑2 𝑢 𝑑2 𝑢 𝑑2 𝑢 𝑑2 𝑢
𝑢(𝑥, 𝑦) = 𝐹 (𝑢, 𝑥, 𝑦, , , , , , )=0
𝑑𝑦 𝑑𝑥 𝑑𝑦 2 𝑑𝑥 2 𝑑𝑥𝑑𝑦 𝑑𝑦𝑑𝑥
Se las clasifican de 3 maneras en general, parabólicas, elípticas e hiperbólicas.
De manera sencilla las parabólicas tienen una primera derivada sin límite (ejemplo el tiempo, el
tiempo es infinito)
Ejemplo: La ecuación que determina el flujo de calor en una barra, x es la variable de posición
diferencial de la barra
𝑑2𝑢 𝑑2𝑢
=𝑘
𝑑𝑥 2 𝑑𝑡
Las elípticas son aquellas que están limitadas ambas derivadas, como por ejemplo el calor que
fluye en una placa, en un tiempo final. Las variables X y Y están limitados
𝑑2𝑢 𝑑2𝑢
+ =0
𝑑𝑥 2 𝑑𝑦 2
Las hiperbólicas de manera similar a las parabólicas, tienen una derivada sin límite, pero esta
derivada es segunda:
𝑑2𝑢 2
𝑑2𝑢
=𝑐
𝑑𝑡 2 𝑑𝑥 2
• Realmente lo de hiperbólico, parabólico y elíptico solo son nombres, de ahí los métodos a
resolver son prácticamente los mismos.
• Para el método elíptico, típicamente es de interés resolver totalmente la ecuación
diferencial
(Por ejemplo, saber que tan caliente está cada punto de interés en una placa rectangular).
Pero los métodos hiperbólicos y parabólicos al poseer una variable abierta (Como por
ejemplo el tiempo), se nos debe especificar hasta cuando debemos iterar.
La solución de este tipo de ecuaciones, son superficies (por ejemplo del tipo z=f(x, y)). De las cuales
nos ocuparemos de hallar una serie de puntos limitados que sean parte de la solución.
Usaremos diferencias finitas para resolver esto. Un ejemplo de esto es la siguiente malla:
58
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Donde los puntos a hallar son los amarillos. Cada punto corresponde a una ‘coordenada’ i, j
específica.
Bueno, mucha palabrería. Comencemos a resolver un problema, no sin antes dándoles las fórmulas
a usar.
59
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Ejercicios
• Para este ejercicio en general, analizaremos las condiciones que nos dan
Primero procedemos a hacer una malla que nos permita visualizar el problema.
• Siempre se debe armar esta malla para empezar, esta malla es para este problema en
particular
• Cada U , tiene una coordenada i,j que representa un valor de x, t específico ( i horizontal j
vertical)
Por ejemplo U2,1 representa la función u cuando x=0.5 y t=0.04 o cuando U3,2 es cuando
x=0.75 y t=0.08 y así; Tener muy en cuenta esto.
Ahora analizamos el resto de condiciones. Nos dice que 𝑢(𝑥, 0) = 𝑠𝑒𝑛𝜋𝑥 + 𝑥(1 − 𝑥). Lo
que nos dice que para cualquier x en el tiempo inicial vale esa función que depende de x.
Por otro lado nos dice que 𝑢(0, 𝑡) = 𝑢(1, 𝑡) = 0, nos dice que para cualquier tiempo t en
x=0 y x=1, estos valores valen 0. Si lo agregamos en nuestra malla, sería:
60
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Teniendo en cuenta esto, lo único puntos que necesitamos hallar son los de color amarillo. El resto ya se los
conoce por las condiciones iniciales ya mencionadas.
Ya listo esto el siguiente paso es reemplazar la ecuación diferencial parcial con las diferencias finitas
𝛿𝑢 𝛿𝑢2
• − =2
𝛿𝑡 𝛿𝑥 2
𝑢𝑖,𝑗+1 −𝑢𝑖,𝑗 𝑢𝑖−1,𝑗 −2𝑢𝑖,𝑗 +𝑢𝑖+1,𝑗
• − =2
𝑘 ℎ2
Trabajamos un poquito para que quede mejor la ecuación, multiplicando todo por k*h2
Ahora si comenzamos a iterar, elegimos un valor de i, j para iniciar. No podemos tomar i=0 porque
nos quedaría en la formula −0.04(𝑢−1,𝑗 ).
Con i=1 y j=0 no hay problema:
• −0.04(𝑢0,0 ) + 𝑢1,0 (0.0175) − 0.04(𝑢2,0 ) + 0.0625(𝑢1,1 ) = 0.005
61
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Vemos que lo único que solo desconocemos una incógnita. Una ecuación, una incógnita, ya estamos listos
para resolver:
𝑢1,0 = 0.89461
𝑢2,0 = 1.25
62
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Ahora para los puntos que tocan de arriba, reiniciamos la i, comenzando desde 1, y avanzamos 1 en j
63
Escuela Superior Politécnica del Litoral
Análisis Numérico - Steveen Carriel
Bibliografía
Una gran fuente para este folleto fueron las clases semipresenciales con el Ing. Carlos Eduardo Martin
Barreiro.
1. Griffiths, D. V., & Smith, I. M. (2006). Numerical methods for engineers. Boca Raton, FL: Chapman
& Hall/CRC.
2. Rodriguez,L,. Analisis Numérico Básico con el soporte de MATLAB, 2012
Fuentes de internet
1. Lista de reproducción del canal de YouTube espol50 con videos de Análisis Numérico:
https://www.youtube.com/playlist?list=PLKoPE99M_ulXtxS00hFRpnpOth1lXk0uL
64
Escuela Superior Politécnica del Litoral