Vous êtes sur la page 1sur 310

Universidad Tecnolgica Nacional

Facultad Regional Delta

Terico de
CLCULO AVANZADO
2015

Tema: Generalidades

Objetivos de aprendizaje

Conocer las caractersticas de las soluciones numricas y sus diferencias con las
soluciones analticas.
Conocer la metodologa general de resolucin numrica de problemas.
Ser consciente de todas las posibles fuentes de error en la resolucin numrica.
Reconocer la diferencia entre error de truncamiento y error de redondeo.
Comprender cmo se representan los nmeros en una computadora digital y cmo surgen
los errores de redondeo.
Comprender la propagacin de errores y conocer casos tpicos de amplificacin de errores.
Comprender y diferenciar los conceptos de Condicionamiento y Estabilidad Numrica.

Germn BRESCIANO

GENERALIDADES ........................................................................................................................1-1
1.1
INTRODUCCIN ..........................................................................................................................1-1
1.2
CARACTERSTICAS DE LAS SOLUCIONES NUMRICAS ..................................................................1-3
1.3
ALGORITMOS Y COMPUTADORAS DIGITALES EN CLCULO NUMRICO ......................................1-4
1.4
RESOLUCIN NUMRICA DE PROBLEMAS ....................................................................................1-4
1.4.1
Errores introducidos en la formulacin del modelo matemtico ......................................1-4
1.4.1.1
1.4.1.2

1.4.2
1.4.2.1
1.4.2.2
1.4.2.3
1.4.2.4

Error de modelacin ..................................................................................................................... 1-4


Error de medida ............................................................................................................................ 1-4

Errores introducidos al calcular la solucin numrica del modelo ..................................1-4


Fallos ............................................................................................................................................ 1-4
Error de truncamiento ................................................................................................................... 1-5
Error de redondeo ......................................................................................................................... 1-5
Error propagado............................................................................................................................ 1-5

1.5
CONDICIONAMIENTO Y ESTABILIDAD NUMRICA .......................................................................1-5
1.5.1
Problemas bien condicionados o mal condicionados ........................................................1-5
1.5.2
Mtodos numricamente estables o inestables ..................................................................1-5
1.6
ERROR ABSOLUTO Y ERROR RELATIVO .......................................................................................1-6
REPRESENTACIN DE NMEROS EN PUNTO FLOTANTE...........................................................................1-6
1.6.1
Redondeo ...........................................................................................................................1-7
1.6.2
psilon de mquina ...........................................................................................................1-8
1.7
PROPAGACIN DE ERRORES EN ARITMTICA DE PUNTO FLOTANTE ............................................1-8
1.7.1
Propagacin de error en la multiplicacin y la divisin ...................................................1-8
1.7.2
Propagacin de error en la suma o resta ..........................................................................1-9

Generalidades

1-1

1 Generalidades
1.1

Introduccin

El Clculo Numrico es el estudio de procedimientos que permiten resolver problemas


concretos (es decir con valores numricos definidos para todas los datos del problema)
mediante operaciones aritmticas.

Ejemplo
Queremos saber cmo vara la velocidad de cada de un paracaidista en funcin del tiempo a
partir de un estado inicial en reposo a tiempo cero.
Supondremos que la fuerza de resistencia del aire a la cada es proporcional a la velocidad.
Este sistema puede describirse mediante la ecuacin:

1-1

c
v
t = g m v

v(0) = 0

donde v es la velocidad de cada, t es el tiempo, m es la masa del paracaidista, g es la


aceleracin de la gravedad y c es el coeficiente de arrastre.
La ecuacin 1-1 es un modelo matemtico del sistema real y puede resolverse analticamente,
resultando

v(t ) =

gm
1 e (c / m )t
c

No siempre es tan fcil obtener una solucin analtica. Veremos cmo podramos obtener una
solucin numrica.
Si quisiramos calcular la velocidad en una sucesin creciente de tiempos t0, t1,,tn , con t0=0,
podramos aproximar la velocidad en ti por:

v
(ti ) v(ti+1 ) v(ti )
t i +1 t i
t

y sustituyendo en 1-1 obtenemos

v(t i +1 ) v(t i )
= mg cv(t i )
t i +1 t i

1-2

v(t i +1 ) = v(t i ) + g v(t i ) (t i +1 t i )

v(t 0 ) = 0

Si conocemos los valores de g, c y m, usando esta ecuacin podemos calcular una sucesin de
valores de la velocidad.
2
Supongamos que m vale 68.1 Kg, g vale 9.8 m/s y c vale 12.5 N/(m/s), para calcular la
velocidad a 0, 2, 4, , 30 segundos podemos usar el siguiente cdigo Scilab:
m=68.1;
g=9.8;
c=12.5;
v(1)=0;
t(1)=0;
dt=2;
for i=1:15
t(i+1)=t(i)+dt;
v(i+1)=v(i)+(g-c/m*v(i))*dt;
end
[t v]
obteniendo como resultado:

Generalidades

1-2

t
0
2
4
6
8
10
12
14
16
18
20
22
24
26
28
30
Tabla 1-1

v(t)
0.0000
19.6000
32.0047
39.8555
44.8243
47.9690
49.9592
51.2188
52.0160
52.5206
52.8399
53.0420
53.1699
53.2508
53.3021
53.3345

Solucin numrica del problema del paracaidista

La siguiente figura muestra una grfica de la solucin numrica junto con la solucin analtica.

Figura 1-1

Solucin analtica y numrica de problema del paracaidista

puede verse que la solucin numrica se aproxima razonablemente bien a la analtica.


Podra mejorarse la precisin haciendo el clculo cada 1 segundo en lugar de cada 2, como se
muestra en la siguiente figura.

Generalidades

Figura 1-2

1.2

1-3

Solucin del problema del paracaidista cada 1 segundo

Caractersticas de las soluciones numricas

El ejemplo anterior nos muestra algunas caractersticas que diferencian la solucin numrica
de un problema de su solucin analtica:

Para obtener la solucin numrica se necesitan los valores numricos concretos de


todos los datos del problema. En este caso m, g y c.
La solucin numrica es un nmero o un conjunto de nmeros, y slo es vlida para el
problema concreto resuelto, no nos da informacin de cmo cambiar la solucin para
otros valores de los datos.
La solucin numrica siempre es una aproximacin a la solucin exacta, aunque puede
ser muy precisa no ser exacta.

Qu ventajas tienen los mtodos numricos?


La resolucin analtica de problemas muchas veces hace necesario simplificar el modelo
idealizado para poderlo resolver. Los mtodos numricos pueden funcionar sin estas
simplificaciones.
Por ejemplo, si la fuerza de resistencia del aire es proporcional al cuadrado de la velocidad, el
sistema puede describirse por:

c2 2
v
t = g m v

v(0) = 0

con c2 = 0.24 N/(m/s)

que puede resolverse numricamente sin mayor dificultad, mientras que su solucin analtica
es complicada y sera necesario simplificarlo, tomando una aproximacin lineal de la forma de
1-1 .

Generalidades

1.3

1-4

Algoritmos y computadoras digitales en Clculo Numrico

Los mtodos numricos involucran el clculo de grandes cantidades de operaciones


aritmticas, lo cual hace que sea imprctico aplicarlos directamente por seres humanos que
son lentos y propensos a las equivocaciones.
Las computadoras digitales por el contrario pueden calcular miles de operaciones por segundo
sin cometer equivocaciones, pero por no ser inteligentes se les debe programar con todo
detalle las operaciones a realizar.
Un procedimiento sistemtico para realizar una serie de operaciones que permitan, a partir de
los datos de un problema obtener una solucin aproximada se llama algoritmo.
El Clculo Numrico desarrolla algoritmos para resolver diversos tipos de problemas y stos
pueden programarse en computadoras digitales usando varios lenguajes como BASIC,
FORTRAN, PASCAL, C, JAVA, etc.
1
Nosotros usaremos en general SCILAB( ) que, a pesar de ser muy lento para resolver
problemas complejos, es muy til a los fines del aprendizaje por su facilidad de implementar
rpidamente los algoritmos.

1.4

Resolucin numrica de problemas

El proceso de resolucin numrica de un problema se puede dividir en cuatro etapas:


1. Plantear claramente el problema, incluyendo suposiciones de simplificacin.
2. Obtener un modelo matemtico que represente al sistema real y los valores numricos
de todos los datos del problema.
3. Resolver las ecuaciones obtenidas en 2 mediante la aplicacin de un algoritmo
programado en una computadora digital.
4. Interpretar el resultado obtenido verificando que tenga sentido en el sistema real y
evaluando la confiabilidad del mismo considerando las posibles fuentes de error.
Durante este proceso se introducirn errores que afectarn la validez del resultado y que
pueden provenir de dos reas:
La formulacin del modelo matemtico
El clculo de la solucin del modelo.

1.4.1 Errores introducidos en la formulacin del modelo matemtico


1.4.1.1 Error de modelacin
Dada la complejidad de los sistemas reales, los modelos matemticos suelen ser
simplificaciones idealizadas del sistema real. En el ejemplo anterior supusimos que la
resistencia del aire era proporcional a la velocidad, que la aceleracin de la gravedad es
constante, que la masa del paracaidista es constante, etc.

1.4.1.2 Error de medida


Los datos de un problema real son el resultado de medidas de ciertas dimensiones del sistema
real, las cuales estn sujetas a errores. En el ejemplo anterior la aceleracin de la gravedad, la
masa del paracaidista y la constante de arrastre estn sujetas a error.
Las consecuencias de la inexactitud en los datos depende del condicionamiento del
problema, que veremos ms adelante.

1.4.2 Errores introducidos al calcular la solucin numrica del modelo


1.4.2.1 Fallos
Si los clculos se hacen a mano o con calculadoras es probable que se cometan
equivocaciones. Usando computadoras digitales las equivocaciones en las operaciones
aritmticas son muy poco probables, sin embargo persiste la posibilidad de error humano al
programar los algoritmos, defectos en los compiladores de lenguaje (bugs) o en los sistemas
operativos.
1

SCILAB es muy similar a MATLAB, pero es gratuito.

Generalidades

1-5

1.4.2.2 Error de truncamiento


Se introduce cuando el modelo matemtico es aproximado por uno ms sencillo que pueda ser
resuelto numricamente. Esto generalmente se hace remplazando un proceso infinito por uno
finito (Por ejemplo al aproximar una funcin por los primeros trminos de su serie de Taylor).
En el ejemplo anterior se introdujo al sustituir la ecuacin diferencial 1-1 por la ecuacin en
diferencias 1-2.

1.4.2.3 Error de redondeo


Como las computadoras digitales representan los nmeros con una cantidad finita de cifras,
cuando los datos del problema o cualquier resultado intermedio debe guardarse en la memoria,
debe redondearse a esa cantidad de cifras, perdiendo las cifras menos significativas.

1.4.2.4 Error propagado


Los errores de cualquiera de los tipos anteriores que se introducen en un paso del algoritmo
provocarn errores en los pasos sucesivos adems de los errores locales de truncacin y
redondeo introducidos por cada paso. La importancia del error propagado depende de la
estabilidad numrica del algoritmo, como veremos a continuacin.

1.5

Condicionamiento y estabilidad numrica

Son dos conceptos que no deben confundirse entre s.


El condicionamiento es una caracterstica del problema y no depende del mtodo de
resolucin, sea analtico o numrico.
La estabilidad numrica es una caracterstica del mtodo numrico de resolucin.

1.5.1 Problemas bien condicionados o mal condicionados


La sensibilidad de la solucin de un problema a los valores de los datos del mismo puede ser
pequea o grande.
Se dice que un problema es bien condicionado cuando su solucin exacta cambia poco ante
cambios pequeos en los datos del problema.
Por el contrario, un problema es mal condicionado cuando su solucin exacta cambia
significativamente ante cambios pequeos en los datos del problema.
Esta es una caracterstica del problema y su solucin exacta, no depende del mtodo usado
para hallar la solucin.

Ejemplo
El problema de hallar la posicin final de una bola de ruleta es un problema mal condicionado,
pues su solucin cambiar drsticamente ante pequeos cambios en los datos (velocidad
inicial de la bola, instante en que se tira la bola, etc.) mientras que si sustituimos la rueda de la
ruleta por un embudo, el problema de hallar la posicin final de la bola ser bien condicionado,
pues su solucin cambiar poco con pequeos cambios de los datos.
Obsrvese que esto no depende del mtodo usado para hallar la solucin, es una
caracterstica de cada problema.

1.5.2 Mtodos numricamente estables o inestables


Cuando el error en un paso del algoritmo de propaga al siguiente aumentando su magnitud,
la acumulacin de errores amplificados de paso en paso resultar generalmente en errores
muy significativos. En estos casos se dice que el mtodo es numricamente inestable,
mientras que si el error se propaga disminuyendo su magnitud, este amortiguamiento hace
que la acumulacin de errores se mantenga acotada y el mtodo se dice numricamente
estable.
La estabilidad numrica es una caracterstica del mtodo de resolucin, para un mismo
problema puede haber mtodos de resolucin numricamente estables y otros numricamente
inestables.

Generalidades

1.6

1-6

Error absoluto y error relativo

El error absoluto de una aproximacin es la diferencia entre la aproximacin y el valor


verdadero.
2
Error absoluto = aproximacin - valor verdadero ( )
Aproximacin = valor verdadero + error absoluto
El error relativo de una aproximacin es el cociente entre su error absoluto y el valor verdadero
(cuando es no nulo).
3 4
Error relativo = error absoluto / valor verdadero ( ) ( )
Aproximacin = valor verdadero x ( 1 + error relativo)
Al evaluar la importancia de un error en general se considera en trminos de error relativo, que
no depende de las unidades en que se mida la magnitud en cuestin y adems indica la
proporcin del error en relacin a la magnitud, que es lo que suele importar en el uso.

Representacin de nmeros en Punto Flotante


En las computadoras digitales los nmeros se representan de forma similar a la notacin
cientfica que se usa en las calculadoras.
Cada nmero consta de una mantisa (m) y un exponente (e) y se interpreta como

m B e
donde B es la base de la representacin (usualmente 2).
Tanto la mantisa como el exponente tienen una cantidad fija de dgitos en la base B y en
general se normaliza de modo que la mantisa tenga un dgito entero no nulo. O sea que la
mantisa verifica

1 m < B
Con excepcin de la representacin del 0 cuya mantisa es nula.

Ejemplo
Una representacin normalizada del nmero en base decimal con seis dgitos en la mantisa y
dos en el exponente sera

+ 3.14159 10 +00
En computadoras digitales usualmente se usa la base dos. Los nmeros binarios se
representan slo con los dgitos 0 y 1.
La siguiente es una representacin de en binario con un bit (dgito binario) para el signo, 23
bits para la mantisa, uno para el signo del exponente y 7 bits para el exponente

+ 1.1001001000011111101101 2 +0000001
como el primer bit de la mantisa de un nmero normalizado siempre es 1, suele omitirse para
permitir incluir un bit ms en la mantisa en el extremo derecho.
SCILAB utiliza el estndar IEEE 754 que usa un bit para el signo, una mantisa de 52 bits ms
uno omitido y un exponente de 11 bits incluyendo su signo.
El mayor nmero representable es aproximadamente
1024 se reserva para indicar overflow)
y el menor normalizado es

2 1022 2.2251 10 308

2 21023 1.7977 10 308 (el exponente


1022

El exponente 1023 se reserva para el cero y nmeros menores a 2


no normalizados, los
cuales son necesarios para evitar que la resta de nmeros diferentes pueda dar cero por falta
de representacin de nmeros muy pequeos (del orden de la diferencia entre nmeros
consecutivos con el mnimo exponente).

Si x es el valor verdadero y x* el aproximado, se anota el error absoluto como x = x*-x


Se anota x = (x)/x
Cuando el valor aproximado no es real sino complejo o vectorial, el error relativo se define como el cociente de las
normas del error absoluto y el valor verdadero.

2
3
4

Generalidades

1-7

1.6.1 Redondeo
Como el nmero de bits en la mantisa es fijo, la cantidad de nmeros que se pueden
representar, si bien es muy grande, es finita y por tanto no se pueden representar todos los
nmeros reales, lo cual obliga a aproximar redondeando al nmero representable ms
prximo. La representacin en punto flotante de un nmero real x se anota FP(x).
Por ejemplo, si usramos un sistema de punto flotante binario con signo, mantisa de dos bits
mas uno omitido y exponente con signo ms dos bits (con valores posibles entre 2 y +3), los
nmeros representables seran de la forma

1. f 2 e
con

1.00
1.01

1. f =
1.10
1.11

10
01

00
e=
+ 01
+ 10

+ 11

(el exponente 3 se reserva para el cero y el underflow y el +4 para el overflow).


Los nmeros positivos representados sern

Ntese que esta separacin entre nmeros consecutivos es menor cerca del cero y mayor lejos
del cero. Debido a esto, el error absoluto de redondeo ser menor cerca del cero y mayor lejos
del cero, mantenindose ms o menos constante el error relativo.
Al redondear un nmero real no representable seleccionamos el nmero representable ms
cercano, por lo que el error cometido ser no mayor a la mitad de la separacin entre nmeros
consecutivos.
Por ejemplo, en el sistema anterior el nmero sera representado como

+ 1.10 2 +10

Si x es un nmero real, su representacin en Punto Flotante con p bits es

FP( x) = m 2 e

con e tal que 2 e x < 2 e+1 , m tal que 1 m < 2

por lo tanto el error relativo de redondeo est acotado segn

1-3

x FP( x)

1
2

2 p 2e 1 p
= 22
2e

x FP( x)

1
2

2 p 2e

Generalidades

1-8

1.6.2 psilon de mquina


Se define como el menor nmero de punto flotante que sumado a 1 da un resultado distinto de
1. Corresponde a la mitad de la distancia entre el 1 y el siguiente nmero en punto flotante. De
acuerdo a 1-3 psilon de mquina es cota superior del error relativo de redondeo.
5
En el estndar IEEE 754, que usa 52 bits ( ).

maq = 12 2 52 1.1110 16
1.7

Propagacin de errores en aritmtica de Punto Flotante

Puede demostrarse que al efectuar operaciones entre dos operandos con representacin
exacta en punto flotante y almacenar el resultado en punto flotante, el error relativo del
6
resultado est acotado por psilon de mquina ( ).

x = FP( x) ,

y = FP( y )

y {+,,,}

FP( x y ) = ( x y )(1 + ) con

maq

es decir que el error introducido no es mayor que el de redondeo.


El problema es que en sucesivas operaciones este error se propagar, pues los operandos en
punto flotante sern aproximaciones ya afectadas de error.

1.7.1 Propagacin de error en la multiplicacin y la divisin


Si los factores tienen errores relativos x y y entonces

FP ( x) = x(1 + x )

adems

FP ( y ) = y (1 + y )

FP( x y ) = [FP( x) FP( y )](1 + ) con

maq

entonces

FP( x y ) = x(1 + x ) y (1 + y ) (1 + ) = x y (1 + x )(1 + y )(1 + ) x y (1 + x + y + )


esto significa que el error relativo del producto es la suma de los errores relativos de los
factores ms el error de redondeo. Usualmente la propagacin de errores har que los errores
de los operandos sean mayores que el error de redondeo, por lo que este se desprecia y se
aproxima el error relativo del producto como
1-4

x y x + y

que en trminos de errores absolutos equivale a

( x y ) yx + xy

donde x y y son los errores absolutos de x e y.


en forma similar puede demostrarse que
1-5

x/ y x y

que en trminos de errores absolutos equivale a

( x / y)

yx xy
y2

Esto significa que los errores relativos se propagan al multiplicar o dividir sin aumentar ni
disminuir su magnitud. De hecho, como algunos errores sern positivos y otros negativos, se
cancelarn parcialmente, manteniendo el error acotado si la cantidad de operaciones no es
demasiado grande.

La variable %eps de SCILAB da la distancia entre el 1 y el siguiente nmero en punto flotante, es decir el doble de
psilon de mquina.
6
Siempre que la suma se realice con el doble de bits de la representacin.

Generalidades

1-9

1.7.2 Propagacin de error en la suma o resta


En forma similar se demuestra que

x y

1-6

x
y
x
y
x y
x y

que en trminos de errores absolutos equivale a

( x y ) x y

Si xy es de magnitud igual o mayor a x e y entonces los errores relativos se propagarn, sin


amplificarse, pero si xy es de menor magnitud que x e y (esto pasa al restar nmeros
similares) entonces los coeficientes en 1-6 sern grandes en valor absoluto, amplificando los
errores relativos de los operandos.
Esta situacin se conoce como cancelacin catastrfica y debe tratar de evitarse pues puede
generar inestabilidad numrica ya que la amplificacin de los errores puede hacer que los
resultados carezcan de validez.

Ejemplo
Si se debe calcular
como

Q = x + x

Q=

con 0 < << x , es preferible plantear el clculo

)(

x + x x + + x
=
x + + x

x + + x

pues de este modo se evita la cancelacin catastrfica y se obtendr un resultado con menor
error relativo.

Ejemplo Aproximacin de derivada por cociente incremental


Si queremos calcular la derivada de una funcin f en un punto x, si f tiene derivada segunda
continua sabemos que

h2
f ( ) con entre x y x + h
2
f ( x + h) f ( x) h
f ( x) =
f ( )
h
2
f ( x + h) = f ( x) + hf ( x) +

por tanto

lo cual nos permite aproximar


1-7

f ( x)

f ( x + h) f ( x)
h

con un error relativo de truncamiento igual a


1-8

trunc

hf ( )
2 f ( x)

Uno puede pensar que deberamos evaluar 1-7 con el menor h posible.

Generalidades

1-10

La siguiente tabla muestra los resultados de evaluar 1-7 siendo f la funcin exponencial y x=1,
para valores decrecientes de h. Si bien al disminuir h al principio el error relativo disminuye,
luego aumenta.
h
0.1
0.01
0.001
0.0001
1e-005
1e-006
1e-007
1e-008
1e-009
1e-010
1e-011
1e-012
1e-013
1e-014
1e-015
Tabla 1-2

aproximacin
2.85884195487388
2.73191865578708
2.71964142253278
2.71841774707848
2.71829541991231
2.71828318698653
2.71828196396484
2.71828177744737
2.71828159981169
2.71827893527643
2.71827005349223
2.71827005349223
2.71338507218388
2.66453525910038
2.66453525910038

error relativo
0.0517
0.00502
0.000500
5.00e-005
5.00e-006
5.00e-007
4.98e-008
-1.88e-008
-8.41e-008
-1.06e-006
-4.33e-006
-4.33e-006
-0.00180
-0.0198
-0.0198
x

Clculo de la derivada de e en x=1

Esto se debe a que para valores pequeos de h el error relativo de redondeo de 1-7 se vuelve
importante debido a la cancelacin catastrfica que se produce al restar f(x+h) y f(x) que sern
casi iguales.
Si los errores relativos de evaluacin y redondeo de f(x) y f(x+h) son del orden de psilon de
mquina, entonces segn 1-6 el error relativo de redondeo de 1-7 ser
1-9

red

2 f ( x) maq
hf ( x)

sumando 1-8 y 1-9 obtenemos un error total de

tot

hf ( x) 2 f ( x) maq
+
2 f ( x)
hf ( x)

esto explica porqu el error total tiene un mnimo para un h del orden de

hopt 2

f ( x) maq
f ( x)

Universidad Tecnolgica Nacional


Facultad Regional Delta

Terico de
CLCULO AVANZADO
2015

Tema: SISTEMAS LINEALES

Objetivos de aprendizaje

Conocer la mecnica del mtodo de Gauss y cmo y porqu se hace pivotaje.


Comprender cmo el mtodo de Gauss puede interpretarse como una descomposicin
triangular.
Conocer varios mtodos de descomposicin triangular, cundo son aplicables y qu
ventajas tienen.
Comprender el concepto de sistema mal condicionado y su relacin con el nmero de
condicin.
Conocer los efectos del mal condicionamiento en la sensibilidad de la solucin a errores en
los datos y en la relacin entre residuo y error.

Germn BRESCIANO

SISTEMAS DE ECUACIONES LINEALES ................................................................................2-1


2.1
INTRODUCCIN ..........................................................................................................................2-1
2.2
GENERALIDADES ........................................................................................................................2-2
2.3
MTODOS DIRECTOS...................................................................................................................2-3
2.3.1
Sistemas con matriz triangular superior ...........................................................................2-3
2.3.2
Mtodo de Gauss ...............................................................................................................2-3
2.3.2.1

2.3.3
2.3.3.1
2.3.3.2
2.3.3.3
2.3.3.4

2.3.4
2.3.4.1
2.3.4.2
2.3.4.3
2.3.4.4

Pivoteo ......................................................................................................................................... 2-5

Mtodos de descomposicin triangular .............................................................................2-6


Mtodo de Crout........................................................................................................................... 2-8
Mtodo de Doolitle....................................................................................................................... 2-8
Mtodo de Cholesky..................................................................................................................... 2-9
Aplicacin a matrices tridiagonales ............................................................................................ 2-10

Anlisis de error ..............................................................................................................2-11


Sistemas mal condicionados ....................................................................................................... 2-11
Normas de vectores y matrices ................................................................................................... 2-12
Anlisis de perturbaciones.......................................................................................................... 2-13
Errores de redondeo.................................................................................................................... 2-13

2.3.5
Mejora de la solucin y estimacin del nmero de condicin .........................................2-14
2.3.6
Clculo de determinantes ................................................................................................2-15
2.4
MTODOS ITERATIVOS .............................................................................................................2-15
2.4.1
Mtodo de Jacobi.............................................................................................................2-15
2.4.2
Mtodo de Gauss Seidel ..................................................................................................2-17
2.4.3
Convergencia ...................................................................................................................2-17

Sistemas de ecuaciones lineales

2-1

2 Sistemas de ecuaciones lineales


2.1

Introduccin

La necesidad de resolver sistemas de ecuaciones lineales se presenta en los ms diversos


campos de ingeniera, desde transmisin de calor hasta circuitos de corriente alterna.
En lo que sigue veremos cmo resolver sistemas de ecuaciones lineales de n ecuaciones con n
incgnitas, con coeficientes reales, aunque casi todo lo que veremos se aplica tambin a
sistemas con coeficientes complejos.
Estos sistemas suelen representarse en la forma Ax = b donde A es una matriz real de nxn y b
n
es un vector de R .
Supondremos que A es no singular, en cuyo caso el sistema es compatible y determinado, es
decir, tiene solucin y es nica.
-1
Si bien tericamente este sistema puede resolverse calculando x = A b , para ello es necesario
1
calcular la matriz inversa de A, lo cual implica mucho ms esfuerzo de clculo que resolver el
sistema por otros mtodos.
Algo similar ocurre con el mtodo de Cramer, que implica gran esfuerzo para calcular los
determinantes involucrados, lo que lo hace muy poco prctico.

Ejemplo
Se tiene una placa de 2cm por 2cm de 1cm de espesor cuyas superficies superior e inferior
estn trmicamente aisladas.
Dos bordes opuestos se mantienen a 50C y los otros dos a 0C y 100C respectivamente.
Se quiere calcular el perfil de temperatura en el interior de la placa, para lo cual se considera
una retcula de puntos separados 0.5cm como se muestra en la Figura 2-1.

0C

0C

0C

50C

50C

50C

u1

u2

u3

u4

u5

u6

u7

u8

u9

50C

50C

50C

Figura 2-1 Perfil de temperatura en una placa

del orden se n2(n!) operaciones aritmticas

100C

100C

100C

Sistemas de ecuaciones lineales

2-2

Su u(x,y) representa la temperatura en cada punto, se verifica que

2u 2u
+
=0
x 2 y 2

Aproximando las derivadas por diferencias finitas, se llega al siguiente sistema lineal:

4u1
u
1

u1

2.2

u2
+ 4u 2
u2

u4
u3
+ 4u 3

u5
u6
+ 4u 4
u4

u2
u3

u5
+ 4u 5
u5

u7
u6
+ 4u 6

u4

u8
u9
+ 4u 7
u7

u5
u6

u8
+ 4u8
u8

u9
+ 4u9

= 50
= 50
= 150
=0
=0
= 100
= 50
= 50
= 150

Generalidades

Por lo general se aplica alguno de los mtodos de resolucin que veremos sin evaluar
previamente el determinante; en muchas ocasiones el determinante y la inversa de la matriz
son un subproducto de los clculos efectuados.
Los algoritmos se evalan en funcin de su eficacia, teniendo en cuenta tres caractersticas
fundamentales:
1. Nmero de operaciones necesarias. Se tienen en cuenta las operaciones elementales
entre nmeros en punto flotante (flops): +, -, / *, que es un buen indicador del tiempo de
CPU.
2. Necesidades de memoria, los diferentes mtodos requieren almacenar las matrices de
distinta forma en la computadora y esto cambia las necesidades de memoria.
3. Rango de aplicabilidad: no todos los mtodos sirven para cualquier matriz no singular;
adems, en funcin del mtodo y de las propiedades de la matriz, la precisin de los
resultados puede verse afectada dramticamente.
Los tres criterios deben ser tenidos igualmente en cuenta ya que, por ejemplo, de nada sirve un
mtodo rpido y preciso si no alcanza la memoria disponible.
Las matrices ms comunes en ingeniera pueden clasificarse en dos categoras:
1. Matrices llenas pero no muy grandes. Que poseen pocos elementos nulos y que el nmero
de ecuaciones es de unos cientos. Estas matrices aparecen en problemas estadsticos,
fsicos y de ingeniera.
2. Matrices vacas y muy grandes. En oposicin al caso anterior, tienen pocos elementos no
nulos y adems estn situados con una cierta regularidad. En la mayora de estos casos el
nmero de ecuaciones supera los miles. Estas matrices son comunes en la resolucin de
ecuaciones diferenciales de problemas de ingeniera.
En general los mtodos directos se emplean con las primeras, mientras que los mtodos
iterativos se aplican a las segundas.
En todo lo que veremos se supone que los elementos de A y b son reales, pero casi todo es
vlido si fueran complejos. Adems en ese caso se puede replantear el problema como el
siguiente sistema de coeficientes reales de 2n ecuaciones:

Sistemas de ecuaciones lineales

2-3

C D y c
D C z = d

donde C y D son matrices reales de nxn, y c, d, y y z son vectores de R tales que:

A = C + iD
b = c + id
x = y + iz

2.3

Mtodos directos

Los mtodos directos de resolucin de sistemas de ecuaciones lineales son aquellos que
permiten obtener la solucin con un nmero finito de operaciones, que depende del tamao de
la matriz.
Adems, si se pudiera emplear una aritmtica exacta, con los mtodos directos se obtendra la
solucin exacta del sistema.

2.3.1 Sistemas con matriz triangular superior


Si la matriz A es triangular superior, es decir

u11 u12
0 u
22

A=U= M
M

0
0
0
0

L u1,n1
u1n
L u 2,n1
u 2 n
O
M
M

L u n1,n1 u n1,n
L
0
u nn

la solucin de la ltima ecuacin es trivial, xn = bn /unn.


Una vez conocido xn, la penltima ecuacin se resuelve fcilmente despejando xn-1.
Conocidos ahora xn y xn-1, se pasa a la ecuacin anterior y as sucesivamente.
Se obtiene el algoritmo de sustitucin hacia atrs:
2-1

xn = bn / u nn

2-2

xi = bi uij x j / uii
j =i +1

i = n-1, n-2, , 1

Por supuesto la solucin existe pues siendo U no singular, todos los trminos de su diagonal
son no nulos.
El determinante puede calcularse multiplicando los trminos de la diagonal.
2
El nmero de operaciones es n .

2.3.2 Mtodo de Gauss


En el mtodo de eliminacin de Gauss el problema original, Ax = b, se transforma, mediante
adecuadas combinaciones lineales de las ecuaciones, en un sistema de la forma Ux = y donde
U es una matriz triangular superior. Este nuevo sistema equivalente al original se resuelve
usando el algoritmo de sustitucin hacia atrs ya visto (2-1 y 2-2).
Durante la transformacin del sistema original al equivalente con matriz triangular, las
operaciones (que slo dependen de la matriz A) se realizan sobre la matriz y al mismo tiempo
sobre el trmino independiente.

Sistemas de ecuaciones lineales

2-4

El algoritmo de este mtodo puede escribirse:

aik( k 1)
a kk( k 1)

2-3

lik =

2-4

(k )
ij

2-5

bi( k ) = bi( k 1) lik bk( k 1)

=a

( k 1)
ij

lik a

k = 1,...,n 1

i = k + 1,...,n
j = k + 1,...,n

( k 1)
kj

donde los trminos de superndice (0) son iguales a los originales del sistema de ecuaciones.
(n-1)

Obsrvese que los elementos subdiagonales de A


sern nulos.
A cada uno de los trminos que aparecen en la diagonal de la matriz anterior se le denomina
2
pivote , los cuales deben ser no nulos para que 2-3 pueda evaluarse.
3
2
El nmero de operaciones necesarias en esta fase de eliminacin es de (4n +3n -7n)/6.
2
Si se tienen en cuenta las n operaciones correspondientes a la fase de sustitucin hacia atrs,
3
2
el nmero total de operaciones elementales para el mtodo de Gauss es (4n +9n -7n)/6

Ejemplo
Consideremos en sistema

4 2 1 x1 15
3 1 4 x = 8

2
1 1 3 x3 13
Como vamos a modificar simultneamente la matriz y el trmino independiente, usaremos la
matriz ampliada

4 2 1 15
3 1 4 8

1 1 3 13
para eliminar los elementos subdiagonales de la primera columna, a segunda fila le sumamos
la primera por y a la tercera fila le sumamos la primera por obteniendo

1
15
4 2
0 2.5 4.75 19.25

0 0.5 2.75 9.25


para eliminar el elemento subdiagonal de la segunda columna, a la tercera fila le sumamos la
segunda por (0.5/2.5) obteniendo

1
15
4 2
0 2.5 4.75 19.25

0
0
1.80 5.40
que se resuelve por sustitucin hacia atrs dando x1=2, x2=-2 y x3=3

Ntese que los pivotes no coinciden con los trminos originales de la diagonal de A; es decir,

a kk( k 1) a kk0

Sistemas de ecuaciones lineales

2-5

2.3.2.1 Pivoteo
Se ha supuesto que los pivotes sean distintos de cero. Si durante el proceso de eliminacin se
obtiene un pivote nulo, por ejemplo el

a kk( k 1) , se debe buscar en la parte inferior de la columna

k-sima un coeficiente no nulo, es decir de entre los

aik( k 1) i=k+1,,n se toma uno que sea

distinto de cero. Se intercambia entonces la fila k (y su trmino independiente) con la fila i (y su


trmino independiente) que se haya escogido. Si dicho coeficiente no nulo no existiera, la
matriz sera singular.
Esta permutacin de filas es til tambin cuando el pivote es pequeo aunque no nulo. Valores
pequeos del pivote pueden producir grandes errores de redondeo, ya que siempre se divide
por el valor del pivote. Por consiguiente, para reducir los errores de redondeo conviene escoger
el pivote mximo en valor absoluto. Para ello, hay dos tcnicas:
1. En el k-simo sistema se toma como pivote el coeficiente mayor en valor absoluto de la
columna k situado por debajo de la fila k inclusive. Para ello se permutan las filas k y la del
al pivote escogido y sus trminos independientes. Esta tcnica se denomina mtodo de
Gauss con pivoteo parcial.
2. En el k-simo sistema, se toma como pivote el coeficiente mayor en valor absoluto de la
submatriz de orden n-k definida por los coeficientes que quedan por debajo de la fila k y a
la derecha de la columna k. Para ello, se permutan la fila k (y el trmino independiente
asociado) y la columna k con las del pivote escogido. Al final del proceso deben ponerse en
el orden inicial las componentes del vector solucin, puesto que su posicin ha sido
modificada al realizar las permutaciones de columnas. Esta tcnica es el mtodo de Gauss
con pivoteo total.
Estas dos estrategias producen mtodos numricamente estables. El mtodo de Gauss sin
pivoteo no es necesariamente estable. En la prctica el pivoteo total no suele hacerse pues la
mejora obtenida no compensa la mayor complejidad.
A continuacin se presenta el algoritmo del mtodo de Gauss con pivoteo parcial
for j=1:n-1
[pivote, fila_pivote]=max(abs(A(j:n,j));
fila_pivote=fila_pivote+j-1;
if abs(pivote)< 10*eps
Msgbox(Matriz singular);
Return;
end
if fila_pivote(j)~=j
Aux=A(j,:);
A(j,:)=A(fila_pivote,:);
A(fila_pivote,:)=Aux;
temp=b(j);
b(j)=b(fila_pivote);
b(fila_pivote)=temp;
end

% Busca la fila pivote

% Matriz singular

% Intercambia las filas


% y los trminos independientes

for i=j+1:n
% almacena los multiplicadores en
A(i,j)=A(i,j)/A(j,j);
% los lugares de A que se anularn
A(i,j+1:n)=A(i,j+1:n)-A(i,j)*A(j,j+1:n);
% transforma las filas
b(i)=b(i)-A(i,,j)*b(j);
% y trminos independientes
end
end
x(n)=b(n)/A(n,n);
% Comienza sustitucin hacia atrs
for j=n-1:-1:1
x(j)=(b(j)-sum(x(j+1:n).*A(j,j+1:n)))/A(j,j);
end

Sistemas de ecuaciones lineales

2-6

2.3.3 Mtodos de descomposicin triangular


Si analizamos el mtodo de Gauss sin pivoteo desde un punto de vista matricial, podemos ver
que con este algoritmo obtenemos una matriz triangular superior U a partir de A mediante

(n-1)

U=A

= GA = G

(n-1)

(n-2)

(1)

G A , siendo

G (k )

1
M

= 0
0

M
0

L
O
L
L
L

0
0
M
M
1
0
0
1
0 l k +1,k
M
M
L 0 l nk

0
M
0
0
1
M
0

L 0
M
L 0

L 0 ,
L 0

O M
L 1

o sea que descompusimos A como A = LU donde U es triangular superior y

( ) (G )

L = G 1 = G (1)

( 2 ) 1

L G ( n1)

0
1
l
1
21
1
M
= M

l n1,1 ln 1, 2
l n1
ln 2

L
L
O
L

0
0
M
1

... l n ,n1

0
0
M es triangular inferior.

0
1

Ejemplo
Del ejemplo anterior podemos verificar que:

0 0 4 2
1
4 2 1 1
3 1 4 = 0.75 1 0 0 2.5 4.75

1 1 3 0.25 0.2 1 0
0
1.80
En caso de usar pivoteo parcial, LU ser una permutacin de las filas de A, es decir PA = LU ,
siendo P es una matriz de permutacin.
Obsrvese que cualquier algoritmo que permita descomponer A como PA = LU siendo P una
matriz de permutacin, L triangular inferior y U triangular superior, permite transformar el
problema Ax = b en

Ly = Pb

Ux = y
resolviendo Ly = Pb por sustitucin hacia delante para obtener y, y luego Ux = y por sustitucin
hacia atrs para obtener x.
Estos algoritmos de descomposicin triangular no son ms que variantes del mtodo de
Gauss en las que se reordenan las operaciones, por lo que sus caractersticas (existencia de
soluciones, necesidad de pivoteo, etc.) son las mismas.
La diferencia ms importante es que en el mtodo de Gauss las operaciones sobre el trmino
independiente se hacen simultneamente con la fase de eliminacin, mientras que en los
mtodos de descomposicin primero se hace la descomposicin y luego se opera sobre el
trmino independiente para obtener y (que no es ms que el b modificado que se obtiene en la
fase de eliminacin). Luego en ambos casos se pasa a la fase de sustitucin hacia atrs.
Esto hace que los mtodos de descomposicin sean adecuados para resolver sucesivamente
varios problemas con la misma matriz y diferentes trminos independientes, pues una vez

Sistemas de ecuaciones lineales

2-7

hecha la descomposicin basta con repetir las fases de sustitucin hacia adelante y atrs para
3
cada trmino independiente .
Veremos mtodos sin pivoteo. Supondremos que A puede descomponerse como A=LU con L
triangular inferior y U triangular superior, es decir
n

aij = lik u kj

i, j = 1,..., n con

k =1

i 1

k =1

k =1

aii = lik u kj = lik u ki + lii u ii

por tanto si i = j

lik = 0 k > i

u kj = 0 k > j

i 1

lii u ii = aii lik u ki

2-6

k =1

j 1

k =1

k =1

aij = lik u kj = lik u kj + lij u jj

si i > j entonces

j 1

l ij =

2-7

y si i < j

i 1

k =1

k =1

aij l ik u kj
k =1

u jj

aij = lik u kj = lik u kj + lii uij

i 1

2-8

u ij =

aij l ik u kj
k =1

l ii

Obsrvese que estas ecuaciones se pueden resolver directamente si se alterna la eleccin de


elementos diagonales de L y de U que verifiquen 2-6, el clculo de las columnas de L segn
2-7 de las filas de U segn 2-8.
Por supuesto, si para algn i el segundo miembro de 2-6 se anula, algn elemento diagonal de
L o U deber ser nulo y el algoritmo no podr terminarse. En esos casos ser necesario
realizar pivoteo, lo cual complica bastante las cosas y no lo veremos.

esto es especialmente til para el mtodo de mejora de la solucin que se ve en 2.3.5

Sistemas de ecuaciones lineales

2-8

2.3.3.1 Mtodo de Crout


Es el caso particular en el que los elementos diagonales de U se hacen valer 1.
En este caso el algoritmo del mtodo puede escribirse como:
L(:,1)=A(:,1);
U(1,:)=A(1,:)/L(1,1);

% Primera columna de L
% Primer fila de U

for j=2:n
U(j,j)=1;
for i=j:n
L(i,j)=A(i,j)-sum(L(i,1:j-1).*U(1:j-1,j))
; %Calcula col. L
end
for i=j+1:n
U(j,i)=(A(i,j)-sum(L(j,1:j-1).*U(1:j-1,i)))/L(j,j); %Calc. fila U
end
end
y(1)=b(1)/L(1,1);
%Comienza sustitucin hacia adelante
for i=2:n
y(i)=(b(i)-sum(L(i,1:i-1).*y(1:i-1)))/L(i,i);
end
x(n) = y(n)/U(n,n);
%Comienza sustitucin hacia atrs
for i=n-1:-1:1
x(i)=(y(i)-sum(U(i,i+1:n).*x(i+1:n)));
end
4

Ntese que cada elemento de A slo se usa para calcular un elemento de L o de U y no se


vuelve a usar, por lo que podran almacenarse los elementos calculados en las mismas
variables que contenan los elementos de A. Esta tcnica reduce a la mitad la memoria
necesaria.
3
2
La cantidad de operaciones del mtodo de Crout es (4n -3n -n)/6 en la fase de descomposicin
2
y 2n -n en la fase de sustitucin, totalizando la misma cantidad que el mtodo de Gauss,

Ejemplo
Consideremos el caso

3 1 2
A = 1 2
3
2 2 1

se obtiene la descomposicin

12
y b = 11
2

0
0
3

L = 1 7 / 3
0
2 4 / 3 1

4

y en la fase de sustitucin y = 3

2

1 1 / 3 2 / 3
U = 0
1
1
0
0
1

3
x = 1
2

2.3.3.2 Mtodo de Doolitle


Es muy similar al de Crout. En este caso son los elementos diagonales de L que se hacen valer
1, dando exactamente el mismo resultado que la escalerizacin por el mtodo de Gauss.
4

Basta con realizar las sumas con variables de doble precisin para minimizar los errores de redondeo, aunque luego el
resultado se almacene en variables de simple precisin.

Sistemas de ecuaciones lineales

2-9

Este es el mtodo usado por Matlab en la funcin [L, U, P]=lu(A) , que realiza la descompsicin
PA=LU siendo P una matriz de permutacin que corresponde al pivotaje.
Usando esta funcin se puede resolver el sistema Ax=b mediante:
[L,U,P]=lu(A)
y=L\(P*b)
x=U\y

% descompone A
% resuelve sistema L
% resuelve sistema U

2.3.3.3 Mtodo de Cholesky


En muchas aplicaciones se presentan sistemas en los que la matriz A es simtrica y definida
T
positiva. En estas condiciones puede demostrarse que A se puede descomponer como A= LL .
T
El mtodo de Cholesky resuelve este caso. Sabiendo que U = L las ecuaciones quedan:
j 1

l jj = a jj l 2jk

2-9

j = 1, ,n

k =1

l ij =

2-10

a ij

j 1

k =1

l jj

l ik l jk

j = 1 , ,n
i = j + 1 , ,n

Y podemos escribir el siguiente algoritmo:


L(1,1)=sqrt(A(1,1));
L(2:n,1)=A(2:n,1)/L(1,1);

% Primera fila de L

for j=2:n
L(j,j)=sqrt(A(j,j)- sum(L(j,1:j-1)^2);
% Elemento diagonal
for i=j+1:n
L(i,j)=(A(i,j)-sum(L(i,1:j-1).*L(j,1:j-1))/L(j,j); %Calc. fila L
end
end
y(1)=b(1)/L(1,1);
%Comienza sustitucin hacia adelante
for i=2:n
y(i)=(b(i)-sum(L(i,1:i-1).*y(1:i-1)))/L(i,i);
end
x(n) = y(n)/L(n,n);
%Comienza sustitucin hacia atrs
for i=n-1:-1:1
x(i)=(y(i)-sum(L(i+1:n,i).*x(i+1:n)))/L(i,i);
end

Ntese que adems de las ventajas del mtodo de Crout, en el de Cholesky se puede
almacenar slo media matriz A y en la misma memoria almacenar la L.
3
2
La cantidad de operaciones del mtodo de Cholesky es (2n +3n -5n)/6 ms n races cuadradas
2
en la fase de descomposicin y 2n operaciones en la fase de sustitucin.

Ejemplo
Si aplicamos este mtodo al sistema del ejemplo de transmisin de calor,

Sistemas de ecuaciones lineales

2-10

4 1 0 1 0 0 0 0 0
1 4 1 0 1 0 0 0 0

0 1 4 0 0 1 0 0 0

1 0 0 4 1 0 1 0 0
A = 0 1 0 1 4 1 0 1 0

0 0 1 0 1 4 0 0 1
0 0 0 1 0 0 4 1 0

0 0 0 0 1 0 1 4 1
0 0 0 0 0 1 0 1 4

50
50

150

0
y b= 0

100
50

50
150

Se obtiene

0
0
0
0
0
0
0
0
2
0.5 1.9365
0
0
0
0
0
0
0

0
0.5164 1.9322
0
0
0
0
0
0

0
0
0
0
0
0.5 0.1291 0.0345 1.9319
L= 0
0.5164 0.138 0.5546 1.8457
0
0
0
0

0
0.5175 0.0092 0.5833 1.8417
0
0
0
0
0
0
0
0.5176 0.1555 0.0519 1.9249
0
0

0
0
0
0.5418 0.1716 0.5679 1.8315
0
0
0
0
0
0
0
0.5430 0.0146 0.6014 1.8284

25.0000
32.2749

86.2582

10.1678
y = 18.5350

84.5489
32.4829

50.7673
124.0744

32.1429
50.0000

67.8471

28.5714
x = 50.0000

71.4286
32.1429

50.0000
67.8571

2.3.3.4 Aplicacin a matrices tridiagonales


Las matrices tridiagonales son en las que los nicos elementos no nulos son los de la diagonal
principal y sus dos diagonales adyacentes. Son bastante frecuentes en sistemas lineales que
aparecen en ciertos problemas de Ingeniera.
Como los elementos alejados de la diagonal son nulos, las frmulas 2-6, 2-7 y 2-8 se
simplifican pues las sumatorias tienen slo uno o ningn sumando no nulo, quedando:

lii u ii = aii li ,i 1ui 1,i

Sistemas de ecuaciones lineales

li ,i 1 =

ai ,i 1
u i 1,i 1

2-11

ui ,i +1 =

lij = 0 j < i 1
y

ai ,i +1
lii

uij = 0 j < i + 1

por lo que las matrices triangulares slo tendrn elementos no nulos en la diagonal principal y
una diagonal adyacente.
Esto disminuye dramticamente la cantidad de operaciones necesarias a 8n-7.
A continuacin se muestra un algoritmo del Mtodo de Crout para matrices tridiagonales.
L(1,1)=A(1,1);
U(1,2)=A(1,2)/L(1,1);

% Primera columna de L
% Primer fila de U

for j=2:n
L(j,j-1)=A(j,j-1);
L(j,j)=A(j,j)-L(j,j-1)*U(j-1,j);
U(j,j+1)=A(j,j+1)/L(j,j);
end

%Calcula col. L
%Calc. fila U

y(1)=b(1)/L(1,1);
%Comienza sustitucin hacia adelante
for i=2:n
y(i)=(b(i)-L(i,i-1)*y(i-1))/L(i,i);
end
x(n) = y(n);
for i=n-1:-1:1
x(i)=y(i)-U(i,i+1)*x(i+1);
end

%Comienza sustitucin hacia atrs

Obsrvese que slo se calculan los elementos no nulos y los elementos diagonales de U no se
calculan. Esto ahorra mucho espacio si las matrices se almacenan como matrices dispersas, ya
que los elementos no calculados no se almacenan (los diagonales de U se suponen 1 y los
dems se suponen nulos).

2.3.4 Anlisis de error


Cuando se resuelve un sistema Ax = b se espera que la solucin calculada, x*, sea cercana a
la solucin exacta, x. Sin embargo, aunque el algoritmo usado conduzca tericamente a la
solucin exacta, tendremos varias fuentes de error:
1. Errores de medidas de los elementos de A y b. En muchos casos el problema a resolver es
una representacin matemtica de un sistema real, y los elementos de A y b se derivan de
medidas de caractersticas del sistema real y por tanto estn sujetos a errores de medida.
2. Errores de representacin de los elementos de A y b al ser almacenados con una cantidad
finita de dgitos.
3. Errores de redondeo debidos a que las operaciones aritmticas generarn nmeros con
ms dgitos que los que se pueden almacenar y debern redondearse.
Veremos cmo podemos estimar el error.

2.3.4.1 Sistemas mal condicionados


A priori parece razonable pensar que si definimos el residuo como r = b - Ax*, cuando el
residuo sea pequeo el error x = x - x* ser pequeo
Esto no es as en sistemas mal condicionados, que dan residuos pequeos para soluciones
calculadas con error significativo.
Por ejemplo, si

1.2969 .8648
0.8642
A=
y
b
=

.1440
.2161 .1441

podramos obtener la solucin calculada x*=(0.9911 , -0.4870) y si evaluamos su residuo


-8
-8
obtenemos b=(-10 , 10 ) , lo cual nos puede hacer pensar que el error es pequeo, sin
embargo la solucin exacta es x=(2 , -2) .

Sistemas de ecuaciones lineales

2-12

Esto se debe a que el problema es mal condicionado pues la matriz A es casi singular y
cualquier vector que satisfaga una de las ecuaciones dar muy bajo residuo en la otra (que es
casi un mltiplo de la anterior).
Adicionalmente los problemas mal condicionados usualmente implican que se obtendrn
elementos pivotes cercanos a cero por resta de nmeros casi iguales, lo cual produce errores
relativos por redondeo muy importantes. Si bien esto puede postergarse mediante pivoteo, ser
inevitable que el ltimo elemento pivote sea cercano a cero y su error de redondeo se
propagar en la sustitucin hacia atrs.
Es ms, el mtodo de Gauss con pivoteo dar casi siempre bajos residuos, ya que la matriz U
tiene elementos diagonales (con la posible excepcin del ltimo) con valor absoluto
relativamente grande (ya que para eso se hace el pivoteo), y al obtener x1, x2,,xn-1 por
sustitucin hacia atrs, las ecuaciones correspondientes se satisfarn con un bajo residuo sin
importar lo exacto que sea xn.

2.3.4.2 Normas de vectores y matrices


Para comparar el tamao de los errores y los residuos usaremos normas.

: E R tal que:

En espacios vectoriales una norma es una funcin

x 0 x,

x =0x=0

x = x

, x
x + y x + y x, y

En espacios de matrices se pide tambin que la norma cumpla


Si una norma de matrices y una de vectores cumplen que

AB A B

Ax A x

A, B .
A, x , se dice

que son consistentes.


Para toda norma de vectores existe al menos una norma de matrices consistente con ella, a
saber

A = max
x 0

Ax
x

= max Ax
x =1

Tres casos muy usados de normas de vectores son:


n

x 1 = xi
i =1

x2=

x
i =1

2
i

(Norma Eucldea)

= max x i
i

y sus correspondientes normas matriciales son:


n

A 1 = max aij
j

A2=

i =1

siendo 1 el mximo valor propio de A A (Norma espectral)


T

= max aij
i

j =1

Sistemas de ecuaciones lineales

2-13

2.3.4.3 Anlisis de perturbaciones5


Trataremos de estimar el efecto que tiene una perturbacin en A o en b sobre el error de x.
Perturbacin en b:

A(x + x) = b + b

A(x ) = b

x = A 1 (b )

x A 1 b

2-11
por otro lado

x = b

b x

x
b

2-12

Combinando 2-11 y 2-12 se obtiene

2-13

donde

( A ) A A 1

A A 1

= (A)

b
b

es el nmero de condicin de A.

El nmero de condicin de una matriz es siempre mayor o igual a la unidad. Si el nmero de


condicin es grande se dice que el problema es mal condicionado.
Perturbacin en A:
En forma similar se demuestra que si
2-14

(A + A)(x + x) = b

x
A
(A)
x + x
A

Las desigualdades 2-13 y 2-14 nos dicen que para problemas mal condicionados, pequeos
errores en la matriz o el trmino independiente pueden causar grandes errores en la solucin,
mientras que para problemas bien condicionados nos asegura buena precisin.

2.3.4.4 Errores de redondeo


Las desigualdades 2-13 y 2-14 slo sirven para acotar la parte del error de la solucin debida a
errores en los valores de A o b, pero aunque A y b no tengan errores, debido a los errores de
redondeo generados durante las operaciones aritmticas, o a errores de truncacin del mtodo,
la solucin obtenida, x*, tendr error.
Se define el residuo de x* como r=b-Ax*

r = b - Ax* = Ax - Ax* = A(x - x*) = A (x)


2-15

x = A 1r

x A 1 r

y, combinando 2-15 y 2-12,


2-16

x
x

A A 1

r
b

= (A)

r
b

Obsrvese que el error (x) que aparece en 2-16 es el error total de la solucin e incluye
errores de cualquier fuente (errores de datos, redondeo, truncacin, fallos, etc.)
La experiencia muestra que para mtodos directos y si no hay errores en A y b, en general

r
b
5

n maq

Este anlisis es vlido para cualquier par de normas vectorial y matricial consistentes, pero suele usarse la norma 1 o
la norma infinito por ser fciles de evaluar.

Sistemas de ecuaciones lineales

2-17

2-14

n maq (A)

La desigualdades 2-16 y 2-17 nos dicen que un residuo pequeo o un psilon de mquina
pequeo no necesariamente implica que el error en la solucin sea pequeo para problemas
mal condicionados, pero s para problemas bien condicionados.
El problema es que para calcular el nmero de condicin habra que invertir la matriz del
sistema, lo cual tiene mucho costo de clculo. Ms adelante veremos cmo estimar el nmero
de condicin.

2.3.5 Mejora de la solucin y estimacin del nmero de condicin


Veremos una forma de estimar el nmero de condicin y de paso mejorar la solucin calculada.
Una vez obtenida una solucin calculada x* podemos evaluar el residuo r=b-Ax* (esto debe
hacerse con aritmtica de alta precisin para evitar errores por resta de nmeros casi iguales) y
a continuacin calcular el error resolviendo Ax=-r, lo cual no es muy costoso pues ya tenemos
la descomposicin triangular de A y slo hay que hacer las sustituciones hacia adelante y hacia
atrs.
(2)
Una vez obtenido x podemos mejorar la solucin mediante x =x*-x y adems estimar el
nmero de condicin a partir de 2-16 segn

( A)

2-18

r x ( 2)

Ejemplo
Se tiene el sistema

4.23 1.06 2.11


5.28
2.53 6.77

0.98 x = 5.22

1.85 2.11 2.32


2.58
T

Usando aritmtica de tres dgitos con truncacin, se obtiene x*=(0.991, 0.997, 1.00) .
Si calculamos Ax* y el residuo con aritmtica de 6 cifras obtenemos

5.24511
0.0349

Ax * 5.22246 r = 0.00246
2.59032
0.0103
donde expresamos r con 3 dgitos.
Si ahora resolvemos Ax=-r del mismo modo que antes, obtenemos

0.00822

x = 0.00300

0.00000757

x( 2)

0.999

= x * x = 1.00

1.00

y podemos estimar el nmero de condicin usando 2-18 .

(A)

r x

( 2)

5.28 0.00822

= 1.24
0.0349 1.00
7

Con lo cual confirmamos que este problema es bien condicionado .

6
7

Este resultado es aproximado y slo sirve para estimar el orden de magnitud del nmero de condicin.
El nmero de condicin verdadero es 17.6, algo mayor que el estimado.

Sistemas de ecuaciones lineales

2-15

2.3.6 Clculo de determinantes


Un resultado adicional que se obtiene a partir de cualquiera de estos mtodos con muy bajo
esfuerzo es el clculo del determinante de la matriz A.
Si PA=LU entonces det(P).det(A)=det(L).det(U), lo cual permite calcular el determinante de A

como:

n
n
det (A) = u ii lii
i =1 i =1

siendo el signo negativo si la cantidad de permutaciones de P es impar y positivo si es par.

2.4

Mtodos Iterativos

Estos mtodos parten de una primera solucin aproximada a la que se le hacen sucesivas
mejoras hasta obtener una solucin con la precisin deseada.
Suelen aplicarse a sistemas con matrices grandes y vacas, pues como estos mtodos no
modifican la matriz sino que trabajan siempre con la matriz original, aprovechan su condicin
de vaca para almacenar slo los elementos no nulos y operar slo con ellos
Se basan en convertir el problema Ax=b en uno equivalente de la forma x=f(x)=Tx+c tal que la
8
funcin f sea contractiva .
(0)
(k)
(k+1)
(k)
Partiendo de una aproximacin inicial x se define la sucesin {x } / x
=Tx +c, que
converge al punto fijo de f , x* / f(x*)=x* y por tanto es solucin del problema.

2.4.1 Mtodo de Jacobi


Supongamos que los elementos diagonales de A son no nulos (o reordenemos las ecuaciones
para que lo sean). Podemos despejar de cada ecuacin la variable correspondiente obteniendo
el sistema equivalente
n

bi aij x j
j =1
j i

xi =

aii

i = 1,2,..., n

El mtodo de Jacobi consiste en calcular la sucesin de aproximaciones definida por


n

bi aij x (jk )
j =1

2-19

( k +1)
i

j i

aii

i = 1,2,..., n

(0)

partiendo de una aproximacin inicial x , que usualmente se toma como el vector nulo.
Este mtodo tambin se llama de desplazamientos simultneos, pues los nuevos valores
calculados de cada componente de x desplazan a los anteriores todos simultneamente al
terminar una iteracin.
El error puede estimarse por la norma de la diferencia entre una aproximacin y la anterior.
El algoritmo puede escribirse como sigue.
x(:)=zeros(n,1);
iter=1;
error=tol+1;

% aproximacin inicial

while(error>tol & iter<maxiter)


for i=1:n
xnuevo(i)=(b(i)-sum(A(i,1:i-1).*x(1:i-1))-sum(A(i,i+1:n).*x(i+1:n)))/A(i,i); % nueva solucin
end

si B es cerrado, f:BB es contractiva sii

0 m < 1 / f (a) f (b) m a b

a, b B

Sistemas de ecuaciones lineales

2-16

error=norm(xnuevo(:)-x(:),inf);
iter=iter+1;
x(:)=xnuevo(:);
end

% estima error
% desplazamiento

Ejemplo
Se tiene el sistema

6 x1

2 x1
x
1

2 x2

+ x3

= 11

+ 7 x2
+ 2 x2

+ 2 x3
5 x3

=5
= 1

la iteracin de Jacobi queda

x1( k +1)
( k +1)
x2
x ( k +1)
3

= 1.8333 + 0.3333 x2( k )

0.1667 x3( k )

= 0.7143 + 0.2857 x1( k )


= 0.200 + 0.2000 x1( k )

0.2857 x3( k )
+ 0.4000 x2( k )

Empezando con el vector nulo como aproximacin inicial se obtienen las aproximaciones que
se muestran en Tabla 1
Iteracin
x1
x2
x3
Tabla 1

0
0
0
0

1
1.833
0.714
0.200

2
2.038
1.181
0.852

3
2.085
1.053
1.080

4
2.004
1.001
1.038

Iteraciones por el mtodo de Jacobi

5
1.994
0.990
1.001

Sistemas de ecuaciones lineales

2-17

2.4.2 Mtodo de Gauss Seidel


En el mtodo de Jacobi nos abstenemos de usar los nuevos valores de cada componente
hasta completar el clculo de todas ellas. Sin embargo parece razonable pensar que los
nuevos valores sean ms exactos que los viejos y deberan usarse lo antes posible.
Usando en 2-19 las componentes ya calculadas obtenemos el mtodo de Gauss Seidel
i 1

bi aij x
xi( k +1) =

2-20

j =1

( k +1)
j

j =i +1

ij

x (jk )
i = 1,2,..., n

aii

Este mtodo usualmente converge ms rpido que el de Jacobi.


El algoritmo se puede escribir:
x(:)=zeros(n,1);
iter=1;
error=tol+1;

% aproximacin inicial

while(error>tol & iter<maxiter)


error=0
for i=1:n
aux=(b(i)-sum(A(i,1:i-1).*x(1:i-1))-sum(A(i,i+1:n).*x(i+1:n)))/A(i,i);
error=max(abs(x(i)-aux), error)
x(i)=aux
end
iter=iter+1;
end

% nueva solucin
% desplazamiento

Ejemplo
Aplicando Gauss Seidel al mismo sistema del ejemplo anterior, la iteracin quedara:

x1( k +1)
( k +1)
x2
x ( k +1)
3

= 1.8333

+ 0.3333 x2( k )

= 0.7143 + 0.2857 x1( k +1)


= 0.200 + 0.2000 x1( k +1)

0.1667 x3( k )
0.2857 x3( k )
+ 0.4000 x2( k +1)

Empezando con el vector nulo como aproximacin inicial se obtienen los resultados de Tabla 2
Iteracin
x1
x2
x3

0
0
0
0

1
1.833
1.238
1.062

2
2.069
1.002
1.015

3
1.998
0.995
0.998

4
1.999
1.000
1.000

5
2.000
1.000
1.000

Tabla 2 Iteraciones por el mtodo de Gauss Seidel


como puede verse converge ms rpido que Jacobi.

2.4.3 Convergencia
Si descomponemos la matriz A como la suma de su diagonal, tringulo inferior y superior,
A = L+D+U Ax = (L+D+U)x = b
-1

-1

En el mtodo de Jacobi despejanos x segn Dx = b-(L+U)x x = D b - D (L+U)x = TJx+cJ


-1
-1
con TJ = - D (L+U) y cJ = D b
-1

-1

En el mtodo de Gauss Seidel (L+D)x = b-Ux x = (L+D) b (L+D) Ux = TGSx+cGS


-1
-1
con TGS = (L+D) U y cGS = (L+D) b

Sistemas de ecuaciones lineales

2-18

Para que la funcin de la iteracin sea contractiva basta que la norma de la matriz T
correspondiente sea menor que uno.
Si A es diagonalmente dominante por filas,

aii > aij

TJ

j i

aij

= max
i

aii

j i

a
= max

j i

ij

<1

aii

lo cual demuestra que el mtodo de Jacobi converge si A es diagonalmente dominante por


filas.
En el caso de Gauss Seidel,

y = TGS x

-1

y = (L+D) Ux -(L+D)y = Ux -Dy = Ux+Ly


sea

i/

aii y

= yi

= aii yi =

i 1

aij y j +
j =1

aij x j

j =i +1

i 1

aij y j +
j =1

aij x j y

j =i +1

i 1

a + x
ij
j =1

j =i +1

i 1

ri x

+ si y

r
i x
1 si

aij

donde ri =

j =i +1

aii

ij

a
y

si =

j =1

ij

aii

Si A es diagonalmente dominante por filas, entonces

ri + si < 1 i

ri
<1
1 si

TGS

= max
x0

y
x

max
i

ri
<1
1 si

lo cual demuestra que el mtodo de Gauss Seidel converge si A es diagonalmente dominante


por filas.
Tambin puede demostrarse que si A es simtrica y definida positiva entonces el mtodo de
Gauss Seidel converge.
Como se ver ms adelante, si
2-21

T = m < 1 entonces se puede acotar el error segn

x *k +1 r

x *k x *k +1 +
1 m
1 m

donde es una cota del error absoluto de evaluacin de Tx

Universidad Tecnolgica Nacional


Facultad Regional Delta

Terico de
CLCULO AVANZADO
2015

Tema: ECUACIONES NO LINEALES

Objetivos de aprendizaje

Comprender el concepto de orden de convergencia.


Comprender las diferencia entre mtodos cerrados y abiertos y las ventajas de cada tipo.
Conocer las caractersticas de distintos mtodos, sus ventajas y desventajas.
Reconocer los casos de no convergencia y sus causas.
Comprender la extensin de los mtodos a sistemas de ecuaciones no lineales.

Germn BRESCIANO

ECUACIONES NO LINEALES ....................................................................................................3-1


3.1
INTRODUCCIN ..........................................................................................................................3-1
3.1.1
Criterio de convergencia ...................................................................................................3-2
3.1.2
Orden de convergencia ......................................................................................................3-2
3.1.3
Metodologa general..........................................................................................................3-3
3.2
APROXIMACIONES INICIALES ......................................................................................................3-3
3.2.1
Mtodo de biseccin ..........................................................................................................3-4
3.2.1.1

Convergencia................................................................................................................................ 3-5

3.3
REFINAMIENTO...........................................................................................................................3-6
3.3.1
Mtodo de la secante .........................................................................................................3-6
3.3.1.1

3.3.2
3.3.2.1
3.3.2.2
3.3.2.3
3.3.2.4

3.3.3
3.3.3.1
3.3.3.2

Convergencia................................................................................................................................ 3-7

Mtodo del punto fijo .........................................................................................................3-9


Teorema del punto fijo ............................................................................................................... 3-11
Convergencia (condicin suficiente) .......................................................................................... 3-11
Precisin alcanzable ................................................................................................................... 3-12
Aceleracin de Aitken ................................................................................................................ 3-12

Mtodo de Newton Raphson ............................................................................................3-13


Convergencia.............................................................................................................................. 3-14
Acotacin del error ..................................................................................................................... 3-14

3.4
SISTEMAS DE ECUACIONES NO LINEALES ..................................................................................3-15
3.4.1
Mtodo del punto fijo para sistemas ................................................................................3-15
3.4.1.1
3.4.1.2

3.4.2
3.4.2.1
3.4.2.2
3.4.2.3

Convergencia.............................................................................................................................. 3-15
Precisin alcanzable ................................................................................................................... 3-16

Mtodo de Newton Raphson para sistemas .....................................................................3-17


Convergencia.............................................................................................................................. 3-18
Variantes .................................................................................................................................... 3-18
Precauciones para asegurar la convergencia ............................................................................... 3-18

Ecuaciones no lineales

3-1

3 Ecuaciones no lineales
3.1

Introduccin

Muchos problemas pueden plantearse como una ecuacin de la forma

f(x) = 0

3-1

donde f es una funcin de una variable x. Se trata pues de hallar los valores de x que
satisfacen la ecuacin 3-1. Estos valores se llaman ceros de la funcin f o races de la ecuacin
f(x)=0, y se denotan por r.
En algunos casos, la ecuacin 3-1 puede resolverse analticamente, por ejemplo, si f es un
2
polinomio de segundo grado, f(x)=ax +bx+c. Entonces, el nmero de ceros (reales) depende
2
del valor del discriminante =b -4ac; para >0, la funcin f tiene dos ceros

x=

(-b ) .
2a

Si f es una funcin cualquiera, la ecuacin 3-1 en general no puede resolverse analticamente.


Ni siquiera se sabe a priori cuntos ceros tiene f: varios, uno, ninguno? En estos casos, es
necesario utilizar una tcnica iterativa: a partir de una aproximacin inicial x0 a un cero r de f, se
construye una sucesin de aproximaciones {xk}. El proceso iterativo se detiene cuando, para un
cierto valor de k, el valor xk es una aproximacin suficientemente buena a r.
Para obtener numricamente un cero de f hay que responder cuatro preguntas:
1.
2.
3.
4.

Cmo se elige la aproximacin inicial x0?


Cmo se construye la sucesin {xk} de aproximaciones?
La sucesin {xk} converge a r?
Cmo se decide si xk es una aproximacin suficientemente buena a r?

Ejemplo: Clculo de races cuadradas


Un ingeniero necesita calcular la raz cuadrada x de un nmero s, x = s , haciendo
nicamente operaciones aritmticas elementales (suma, resta, producto y divisin). sta es la
situacin real en muchas computadoras, pues slo estas cuatro operaciones estn
incorporadas a nivel de hardware, y las dems operaciones deben hacerse a partir de ellas.
Como no se puede calcular directamente la raz cuadrada

s , se replantea el problema como

f(x) = x 2 s = 0

3-2

En la ecuacin 3-2 queda claro que el clculo de

f(x) = x s , cmo se ve en Figura 3-1.


2

s equivale a obtener el cero de la funcin

Ecuaciones no lineales

3-2

Figura 3-1

Grfica de f(x)=x -s

3.1.1 Criterio de convergencia


Por simplicidad nos limitaremos al problema de determinar la raz real simple, r, de la ecuacin
f(x)=0 y supondremos que f(r)0 y que f es continua y acotada.
Consideraremos que xk es solucin de la ecuacin f(x)=0, cuya raz exacta es r si

f(x k ) 0

xk r 0

Estas dos condiciones no siempre son equivalentes, pero bajo nuestros supuestos

0 < m f'(x) M
3-3

por lo tanto

f(x k ) = f(r) + f'()(x k r) = f'() xk r

m xk r f(x k ) M xk r
f(x k ) 0

xk r 0

El problema es que no conocemos


y se detienen las iteraciones cuando

xk r , por lo que en general lo estimamos con xk xk 1


xk xk 1 tol x

f(xk ) tol f

3.1.2 Orden de convergencia


Para evaluar la eficiencia de un algoritmo, usualmente se supone que la funcin f es tan
costosa de evaluar que el costo de cada iteracin del algoritmo equivale al de las evaluaciones
de f(x) necesarias para cada iteracin.
Esto es cierto en muchos casos, por ejemplo si para evaluar f(x) debemos resolver una
ecuacin diferencial o calcular una integral.
Debido a esto se considera que un mtodo es ms eficiente que otro si para cierta precisin
necesita evaluar f(x) menos veces que el otro. Esto depender de la cantidad de veces que
1

por entendemos que la diferencia entre ambos miembros es en valor absoluto muy pequea.

Ecuaciones no lineales

3-3

debe evaluarse f(x) en una iteracin y de la cantidad de iteraciones necesarias para obtener la
precisin deseada.
Si {xk} converge a r, usualmente existe p1 tal que

3-4

x r
ek +1
= lim k +1 p = c 0
p
k e
k
xk r
k
lim

en este caso decimos que el mtodo es de orden de convergencia p con constante de error
asinttico c.
El orden de convergencia mide la velocidad en que disminuye el error absoluto. A mayor orden
menos iteraciones se necesitan.

3.1.3 Metodologa general


Los mtodos de resolucin de ecuaciones no lineales se basan en la idea de aproximar f por
otra funcin (generalmente un polinomio de primer grado) y tomar la raz del problema
aproximado como solucin aproximada. Estos mtodos son iterativos, es decir que parten de
una o ms aproximaciones iniciales y producen una sucesin de aproximaciones que se
supone converge a la raz r.
Ciertos mtodos son de convergencia segura con slo conocer un intervalo [a,b] tal que
f(a)f(b)<0. Estos mtodos se llaman cerrados pues encierran a la raz en una sucesin de
intervalos cada vez ms pequeos.
Otros mtodos, llamados abiertos por oposicin a los cerrados, generan una sucesin de
aproximaciones que no necesariamente encierran a la raz. Para que converjan necesitan
arrancar de una aproximacin inicial suficientemente cercana a la raz pero, en contrapartida,
convergen rpidamente.
Usualmente se comienza con un mtodo cerrado, lento pero seguro, y luego se cambia a un
mtodo abierto, de convergencia rpida, hasta obtener la precisin deseada.

3.2

Aproximaciones iniciales

Cuando el problema a resolver proviene de un sistema real, la experimentacin o el


conocimiento del sistema puede darnos una aproximacin inicial.
2
Por ejemplo, el problema de resolver x =2 podra haberse planteado para hallar la longitud de
la diagonal de un cuadrado de 1m de lado. Si construimos ese cuadrado y medimos su
diagonal podemos verificar que su diagonal mide aproximadamente 1.4m, lo que nos sirve de
aproximacin inicial.
En otros casos se puede obtener una aproximacin inicial, o un intervalo que contenga la raz,
mediante el estudio de la grfica de f(x). En nuestro ejemplo, de la Figura 3-2 puede deducirse
que la raz est entre 1 y 2 y que una buena aproximacin sera 1.5 .
Tambin se puede hacer una tabla de valores de f(x) y ver cundo cambia de signo.
En la Tabla 3-1 puede verse que la raz est entre 1.4 y 1.6 .
x
f(x)

1.0
-1.00

1.2
-0.56

1.4
-0.04

1.6
0.56

Tabla 3-1 Valores de f(x)=x -2


Una vez obtenidas las aproximaciones iniciales, se procede a mejorarlas, usualmente utilizando
mtodos cerrados, cuya convergencia es segura aunque partan de aproximaciones iniciales no
muy buenas.

Ecuaciones no lineales

3-4

0
0

-1

-2
x

Figura 3-2

Grfica de f(x)=x -2

3.2.1 Mtodo de biseccin


Es un mtodo antiguo y lento pero sencillo y efectivo.
Suponiendo que f es continua en [a0,b0] y que f(a0)f(b0)<0, queda claro que existe una raz en
dicho intervalo.
Este mtodo consiste en dividir sucesivamente el intervalo al medio y determinar, mediante el
signo de f en el punto medio, en qu mitad est la raz.
Es decir que dado [ak,bk] / f(ak)f(bk)<0 se determina mk=(ak+bk)/2 y luego se calcula f(mk) y se
toma

3-5

[m , b ]
[ak +1 , bk +1 ] = k k
[ak , mk ]

si
si

f (mk ) f (bk ) < 0


f ( mk ) f ( a k ) < 0

De este modo el tamao de cada intervalo es la mitad que el anterior y al cabo de n iteraciones
podemos tomar mn como aproximacin a la raz con error

3-6

mn r

(bn a n )
= 2 ( n+1) (b0 a0 )
2

La ventaja ms importante de este mtodo es que si f es continua est garantizada la


convergencia. Adems la cantidad de iteraciones necesarias para alcanzar una precisin dada
puede calcularse de antemano igualando el lado derecho de 3-6 a la tolerancia deseada y
despejando n.
En cada iteracin slo debe evaluarse la funcin una vez, en mk.
Debido a su lentitud este mtodo suele usarse slo para mejorar las aproximaciones iniciales lo
suficiente como para poder aplicar luego otro mtodo.

Ecuaciones no lineales

3-5

El algoritmo del mtodo de la biseccin puede escribirse como:


fa= f(a);
fb= f(b);
fm=1;
error=abs(b-a)/2;
while fa*fb<0 & error>tolx & abs(fm)>tolf
m=(a+b)/2;
// Calcula punto medio
fm= f(m);
// Evala f
if fm*fb<0
// Determina nuevo intervalo
a=m;
fa=fm;
else
b=m;
fb=fm;
end
error=error/2;
end
r=(a+b)/2;

Ejemplo

Aplicando el mtodo de la biseccin a x -2=0 se obtienen los resultados de la Tabla 3-2.


k
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

ak
1.0000000
1.0000000
1.2500000
1.3750000
1.3750000
1.4062500
1.4062500
1.4140625
1.4140625
1.4140625
1.4140625
1.4140625
1.4140625
1.4141846
1.4141846
1.4141846
1.4141998
1.4142075
1.4142113
1.4142132
1.4142132
1.4142132
1.4142134
1.4142135
1.4142135
1.4142135
1.4142136
1.4142136
1.4142136

bk
2.0000000
1.5000000
1.5000000
1.5000000
1.4375000
1.4375000
1.4218750
1.4218750
1.4179688
1.4160156
1.4150391
1.4145508
1.4143066
1.4143066
1.4142456
1.4142151
1.4142151
1.4142151
1.4142151
1.4142151
1.4142141
1.4142137
1.4142137
1.4142137
1.4142136
1.4142136
1.4142136
1.4142136
1.4142136

mk
1.5000000
1.2500000
1.3750000
1.4375000
1.4062500
1.4218750
1.4140625
1.4179688
1.4160156
1.4150391
1.4145508
1.4143066
1.4141846
1.4142456
1.4142151
1.4141998
1.4142075
1.4142113
1.4142132
1.4142141
1.4142137
1.4142134
1.4142135
1.4142136
1.4142136
1.4142136
1.4142136
1.4142136
1.4142136

f(mk)
error relativo
2.500E-01
-3.333E-01
-4.375E-01
2.000E-01
-1.094E-01
-9.091E-02
6.641E-02
-4.348E-02
-2.246E-02
2.222E-02
2.173E-02
-1.099E-02
-4.272E-04
5.525E-03
1.064E-02
-2.755E-03
5.100E-03
1.379E-03
2.336E-03
6.901E-04
9.539E-04
3.452E-04
2.633E-04
1.726E-04
-8.200E-05
8.632E-05
9.063E-05
-4.316E-05
4.315E-06
2.158E-05
-3.884E-05
1.079E-05
-1.726E-05
-5.395E-06
-6.475E-06
-2.697E-06
-1.080E-06
-1.349E-06
1.617E-06
-6.743E-07
2.687E-07
3.372E-07
-4.056E-07
1.686E-07
-6.846E-08
-8.429E-08
1.001E-07
-4.215E-08
1.584E-08
2.107E-08
-2.631E-08
1.054E-08
-5.237E-09
-5.268E-09
5.300E-09
-2.634E-09
3.154E-11
1.317E-09

Tabla 3-2 Mtodo de la biseccin para x -2=0

3.2.1.1 Convergencia
Este mtodo converge siempre a la raz, pues los intervalos siempre contienen a la raz y el
tamao del intervalo tiende a cero.
De 3-6 y 3-4 se deduce fcilmente que este mtodo es de orden de convergencia 1 o de
convergencia lineal y su constante de error asinttico es 0.5

Ecuaciones no lineales

3.3

3-6

Refinamiento

Una vez obtenidas las aproximaciones mejoradas, se procede a refinarlas, usualmente


utilizando mtodos de convergencia rpida, pero que generalmente requieren aproximaciones
iniciales buenas para que converjan.

3.3.1 Mtodo de la secante


Si dadas dos aproximaciones iniciales se aproxima a f por la recta secante que corta la grfica
de f en dichos puntos y se toma como el punto de interseccin de esta recta con el eje de las x
como nueva aproximacin a la raz, se tiene el mtodo de la secante.

Figura 3-3

Mtodo de la secante

Es decir que dados xk y xk-1 se determina

3-7

xk +1 = xk f ( xk )

( xk 1 xk )
( f ( xk 1 ) f ( xk ))

La ventaja de este mtodo es que es ms rpido que el de la biseccin, pero la convergencia


no es 100% segura.
En cada iteracin luego, excepto la primera, slo debe evaluarse la funcin una vez.
En este mtodo la raz no siempre est en el intervalo comprendido entre las dos ltimas
aproximaciones, por lo que el error no es necesariamente menor a la diferencia entre ellas,
aunque suele tomarse la misma como estimacin del error.

Ecuaciones no lineales

3-7

El algoritmo puede escribirse:


f0= f(x0);
f1= f(x1);
if abs(f0)<abs(f1)
// Intercambia los puntos iniciales
aux=x0;
// para que x1 sea el ms cercano a la raz
x0=x1;
x1=aux;
aux=f0;
f0=f1;
f1=aux;
end
while abs(x1-x0)>tolx & abs(f1)>tolf
x2=x1-f1*(x0-x1)/(f0-f1);
// Calcula nuevo punto
x0=x1;
f0=f1;
x1=x2;
f1= f(x1);
// Evala f
end

Ejemplo

Aplicando el mtodo de la secante a x -2=0 se obtienen los resultados de la Tabla 3-3, donde
puede apreciarse que la velocidad de convergencia es muy superior al mtodo de biseccin.

k
0
1
2
3
4
5
Tabla 3-3

xk
1.0000000
1.5000000
1.4000000
1.4137931
1.4142157
1.4142136

f(xk)
error relativo
-1.000E+00
2.500E-01
-3.333E-01
-4.000E-02
7.143E-02
-1.189E-03
-9.756E-03
6.007E-06
-2.988E-04
-8.931E-10
1.502E-06
2

Mtodo de la secante para x -2=0

3.3.1.1 Convergencia
Como veremos ms adelante, cuando se aproxima una funcin f con derivada segunda
continua por el polinomio de primer grado que coincide con f en xk-1 y xk, la igualdad exacta es:

f(x) = f(x k ) + (x xk )

3-8

( f(xk 1 ) f(xk )) + (x x
( xk 1 xk )

)(x xk 1 )

f "( )
2

siendo un punto del intervalo que contiene a x, xk y xk-1


Evaluando 3-8 en x=r,

f(r) = 0 = f(x k ) + (r xk )

( f(xk 1 ) f(xk )) + (r x
( xk 1 xk )

)(r xk 1 )

f "( )
2

y reordenando:

3-9

r + xk f(x k )

( xk 1 xk )
( xk 1 xk )
f "( )
= (r xk )(r xk 1 )
( f ( xk 1 ) f ( xk ))
2 ( f ( xk 1 ) f ( xk ) )

Ecuaciones no lineales

3-8

y sustituyendo 3-7 en 3-9:

xk +1 r = (r xk )(r xk 1 )

pero

( f(xk 1 ) f(xk )) =

por tanto

(x k 1 xk )

f '( 2 ) con 2 perteneciente a un intervalo que contiene a xk y xk-1

xk +1 r = (r xk )(r xk 1 )

ek +1 = ek ek 1

3-10

( xk 1 xk )
f "( )
2 ( f ( xk 1 ) f ( xk ) )

f "( )
y tomado valores absolutos:
2 f ' ( 2 )

f "( )
2 f ' ( 2 )
2

De 3-10 se deduce que si partimos de aproximaciones suficientemente buenas los errores


absolutos sern cada vez menores y por tanto el mtodo converge.
Adems, tanto como 2 tendern a r, por tanto para k grande ser

ek +1 ek ek 1

3-11

f "(r )
= C ek ek 1
2 f ' (r )

Para determinar el orden de convergencia supondremos que

ek +1 Kekp

y ek Kekp1

con

p 1

que sustituidas en 3-11 resultan en

Kekp Cek (ek / K )1 / p = CK 1 / p ek( p +1) / p

K 1+1 / p ekp Cek( p +1) / p

1+1/p

que se cumple si p=1+1/p y K

3-12

=C, de donde

1+ 5
p=
2

K =C

p
p +1

f "(r )
=
2 f ' (r )

p
p +1

lo cual demuestra que el mtodo es superlineal.


Sin embargo si la aproximacin inicial no es suficientemente buena y en el intervalo de trabajo
f tiene races, el mtodo puede no converger si en alguna iteracin f(xk-1)-f(xk) se anula o toma
valores muy bajos.

si

f "( x)
M
2 f ' ( x)

en un entorno de r, basta que ek-1<1/M y ek<1/M

Ecuaciones no lineales

3-9

3.3.2 Mtodo del punto fijo


Consiste en transformar el problema f(x)=0 en otro equivalente de la forma x=g(x) con g
continua y luego, a partir de una aproximacin inicial x0 construir la sucesin {xk} tal que

xk +1 = g(xk )

3-13

Si dicha sucesin converge lo hace a la solucin del problema original, ya que siendo g
continua,

r = lim xk +1 = lim g(xk ) = g (r )


k

El algoritmo del mtodo del punto fijo puede escribirse:


error=1;
while error>tol
x1=g(x0);
error=abs(x1-x0);
x0=x1;
end

Ejemplo

// Calcula nuevo punto

Podemos transformar x -2=0 para usar el mtodo de punto fijo de varias formas, algunas
convergern ms o menos rpido y otras no.

x = g1(x) = 2 /x
x = g 2(x) = x 3 / 2
x = g 3(x) = x 2 / 2 + x + 1
x = g 4(x) = x 2 / 4 + x + 0.5
La Tabla 3-4 muestra los resultados de iterar con cada una de estas frmulas partiendo de la
aproximacin inicial 1 y la tabla Tabla 3-5 partiendo de 1.5
Los mismos resultados se muestran grficamente en la Figura 3-4.

k
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

g1
1,000000
2,000000
1,000000
2,000000
1,000000
2,000000
1,000000
2,000000
1,000000
2,000000
1,000000
2,000000
1,000000
2,000000
1,000000
2,000000

Tabla 3-4

xk-xk+1
-1,00E+00
1,00E+00
-1,00E+00
1,00E+00
-1,00E+00
1,00E+00
-1,00E+00
1,00E+00
-1,00E+00
1,00E+00
-1,00E+00
1,00E+00
-1,00E+00
1,00E+00
-1,00E+00

g2
xk-xk+1
g3
xk-xk+1
g4
xk-xk+1
1,000000
1,000000
1,000000
0,500000 5,00E-01 1,500000 -5,00E-01 1,250000 -2,50E-01
0,062500 4,38E-01 1,375000 1,25E-01 1,359375 -1,09E-01
0,000122 6,24E-02 1,429688 -5,47E-02 1,397400 -3,80E-02
0,000000 1,22E-04 1,407684 2,20E-02 1,409218 -1,18E-02
0,000000 9,09E-13 1,416897 -9,21E-03 1,412744 -3,53E-03
0,000000 3,76E-37 1,413099 3,80E-03 1,413783 -1,04E-03
0,000000 2,66E-110 1,414675 -1,58E-03 1,414087 -3,05E-04
0,000000 0,00E+00 1,414022 6,52E-04 1,414177 -8,93E-05
0,000000 0,00E+00 1,414293 -2,70E-04 1,414203 -2,62E-05
0,000000 0,00E+00 1,414181 1,12E-04 1,414210 -7,66E-06
0,000000 0,00E+00 1,414227 -4,64E-05 1,414213 -2,24E-06
0,000000 0,00E+00 1,414208 1,92E-05 1,414213 -6,57E-07
0,000000 0,00E+00 1,414216 -7,96E-06 1,414213 -1,92E-07
0,000000 0,00E+00 1,414213 3,30E-06 1,414214 -5,64E-08
0,000000 0,00E+00 1,414214 -1,37E-06 1,414214 -1,65E-08
2

Mtodo del punto fijo para x -2=0 partiendo de 1.0

Ecuaciones no lineales

k
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

g1
1,500000
1,333333
1,500000
1,333333
1,500000
1,333333
1,500000
1,333333
1,500000
1,333333
1,500000
1,333333
1,500000
1,333333
1,500000
1,333333

Tabla 3-5

3-10

xk-xk+1
1,67E-01
-1,67E-01
1,67E-01
-1,67E-01
1,67E-01
-1,67E-01
1,67E-01
-1,67E-01
1,67E-01
-1,67E-01
1,67E-01
-1,67E-01
1,67E-01
-1,67E-01
1,67E-01

g2
xk-xk+1
1,500000
1,687500 -1,88E-01
2,402710 -7,15E-01
6,935441 -4,53E+00
166,798506 -1,60E+02
2,320E+06 -2,32E+06
6,246E+18 -6,25E+18
1,218E+56 -1,22E+56
9,044E+167 -9,04E+167

g3
1,500000
1,375000
1,429688
1,407684
1,416897
1,413099
1,414675
1,414022
1,414293
1,414181
1,414227
1,414208
1,414216
1,414213
1,414214
1,414213

xk-xk+1
1,25E-01
-5,47E-02
2,20E-02
-9,21E-03
3,80E-03
-1,58E-03
6,52E-04
-2,70E-04
1,12E-04
-4,64E-05
1,92E-05
-7,96E-06
3,30E-06
-1,37E-06
5,65E-07

g4
1,500000
1,437500
1,420898
1,416160
1,414783
1,414380
1,414262
1,414228
1,414218
1,414215
1,414214
1,414214
1,414214
1,414214
1,414214
1,414214

xk-xk+1
6,25E-02
1,66E-02
4,74E-03
1,38E-03
4,03E-04
1,18E-04
3,45E-05
1,01E-05
2,96E-06
8,67E-07
2,54E-07
7,44E-08
2,18E-08
6,38E-09
1,87E-09

Mtodo del punto fijo para x -2=0 partiendo de 1.5

Obsrvese que:
1. La primera iteracin oscila para ambas aproximaciones iniciales.
2. La segunda iteracin converge partiendo de 1.0 pero a un valor que no es raz del
3
problema original.
3. La segunda iteracin diverge al partir de 1.5
4. La tercera iteracin converge a la raz buscada en ambos casos.
5. La 4 iteracin converge a la raz buscada en ambos casos y lo hace ms rpido que la 3.
3

g2(x)

g1(x)

0
-1

0
0

-1

g4(x)
g3(x)

0
-1

0
0

-1

Figura 3-4
3

Mtodo del punto fijo

Se trata de una raz que fue introducida al modificar el problema original para obtener g2.

1
x

Ecuaciones no lineales

3-11

3.3.2.1 Teorema del punto fijo


Si g es contractiva en B cerrado, entonces existe un nico punto fijo de g, fB / f=g(f) y la
sucesin {xk} tal que xk+1=g(xk) converge a l.
Si definimos x0=0 podemos escribir la sucesin como serie telescpica:

{xk } = ( xk xk 1 )

Si xn-xn-1=0 para algn n>1 entonces {xk} ser constante de n en adelante y por tanto converge.
Si xn-xn-10 n>1 entonces, como g es contractiva, existe m<1 tal que

x,y B

g(x) g(y) m x y

xk +1 xk
xk xk 1

g(xk ) g(x k 1 )
xk xk 1

m <1

por tanto la serie telescpica cumple el criterio del cociente, por tanto converge y en
consecuencia {xk} converge.
Sea f el lmite de {xk}, como B es cerrado entonces fB.
Es fcil demostrar que siendo g contractiva debe ser continua y por el teorema de convergencia
y continuidad, debe ser

f = lim xk +1 = lim g(xk ) = g ( f )


k

entonces existe un punto fijo de g y es fB.


Si existieran dos puntos fijos xy entonces

x y = g(x) g(y) m x y < x y


lo cual es absurdo y eso demuestra la unicidad del punto fijo.

3.3.2.2 Convergencia (condicin suficiente)


Si la derivada de g es continua y su valor absoluto tiene cota superior m<1 en un intervalo
cerrado B que contenga a la raz, entonces

x,y B
Adems

x B

g(x) g(y) = g'( ) x y m x y

g(x) r = g(x) g(r) m x r x r

g(x) B

entonces g es contractiva en dicho intervalo y el teorema del punto fijo nos asegura que la
iteracin converge a la raz.
En los casos vistos en el ejemplo anterior, considerando el intervalo [1,2]:

g1'(x) 2

g 2'(x) 1.5

g 3'(x) 1

g 4'(x) 0.5

Demostraremos que si g tiene derivada n-sima continua, g (r)=0 p=1,2,..,n-1 y g (r)0


entonces el mtodo de punto fijo es de orden n.
(p)

(xk r)n1
(x r)n
+ g (n)() k
(n 1 )!
n!
n
n
(x r)
e
xk +1 r = g (n)() k
ek +1 = g (n)() k
n!
n!
( n)
g () g (n)(r)
e
lim k +n1 = lim
=
0
k e
k
n!
n!
k

xk +1 = g(xk ) = g(r) + g'(r)(x k r) + L + g (n 1 )(r)

g (n)(r)
entonces el mtodo es de orden n con constante de error asinttico
.
n!
En particular, si g(r)0 entonces el mtodo es de orden 1.

(n)

Ecuaciones no lineales

3-12

3.3.2.3 Precisin alcanzable


Si la derivada de g es continua y su valor absoluto tiene cota superior m<1 y consideramos que
el error de representacin al calcular cada iteracin, k, es menor que en valor absoluto,

x*k +1 = g(x*k ) + k

x*k +1 r = g(x*k ) g(r) + k = g '( k )(x*k r) + k

r = g(r)

x*k +1 r m x*k r + = m x*k x*k +1 + x*k +1 r + m x*k x*k +1 + m x*k +1 r +


3-14

x*k +1 r

m *

xk x*k +1 +
1 m
1 m

La desigualdad 3-14 sirve para acotar el error.


Adems se puede ver que por ms que se itere no se puede tener error menor que /(1-m), que
es la mxima precisin alcanzable.

3.3.2.4 Aceleracin de Aitken


Cuando un mtodo iterativo convergente linealmente (manteniendo el signo del error o
alternndolo en cada iteracin), entonces

xk +1 r xk + 2 r

xk r
xk +1 r

(xk +1 r)2 (xk + 2 r)(x k r)

xk + 2 xk xk2+1
r
xk + 2 2 xk +1 + xk

(xk +1 xk )2
r xk
xk + 2 2 xk +1 + xk

El mtodo de aceleracin de Aitken se basa en suponer que la sucesin


3-15

x k +3 xk

(xk +1 xk )2
xk + 2 2 xk +1 + xk

converge ms rpidamente que xk.


Para aplicarlo a partir de una aproximacin inicial se calculan dos iteraciones del mtodo lineal
y a partir de esas tres aproximaciones sucesivas se evala 3-15, que ser una mejor
aproximacin que si se volviera a aplicar la iteracin lineal y no es necesario volver a evaluar la
funcin g.
Luego a partir de este ltimo valor se repite el procedimiento, es decir que se itera con:

a k +1 = d k

bk +1 = g(a k +1 )

ck +1 = g(bk +1 )

(bk ak )2
d k +1 = a k

ck 2bk + a k
En cada iteracin es necesario evaluar la funcin dos veces.
El algoritmo del mtodo de aceleracin de Aitken puede escribirse:
d=x0;
error=1;
while error>tolx
a=d;
b=g(a);
c=g(b);
d=a-(b-a)^2/(c-2*b+a)
error=abs(d-c);
end

// Primera iteracin
// Segunda iteracin
// Aceleracin

Ecuaciones no lineales

3-13

Ejemplo

Aplicando la aceleracin de Aitken al mtodo de punto fijo para x -2=0 visto en el ejemplo
anterior con la funcin

x = g 3(x) = x 2 / 2 + x + 1
partiendo de la aproximacin inicial 1.0 se obtienen los resultados de la Tabla 3-6.
Ntese que la convergencia resulta mucho ms rpida que sin la aceleracin (ver Tabla 3-4),
ms que compensando la necesidad de calcular dos veces la funcin en cada iteracin.
k
0
1
2
3
4
Tabla 3-6

ak

bk

ck

1,000000
1,400000
1,414184
1,414214

1,500000
1,420000
1,414226
1,414214

1,375000
1,411800
1,414209
1,414214

dk
1,000000
1,400000
1,414184
1,414214
1,414214

error
-2,50E-02
-2,38E-03
-2,14E-11
0,00E+00

Aceleracin de Aitken para x -2=0

3.3.3 Mtodo de Newton Raphson


Al igual que en el mtodo de la secante, se basa en aproximar a f por una recta, pero en este
caso por la tangente a la grfica de f por el punto correspondiente a la aproximacin inicial.

Figura 3-5

Mtodo de Newton Raphson

En este caso:
3-16

xk +1 = xk

f(x k )
f '(xk )

La ventaja de este mtodo es que, como veremos, converge ms rpidamente que los otros
que hemos visto. Sin embargo, para cada iteracin se necesita evaluar una vez la funcin y
una vez su derivada, lo que en algunos casos puede ser muy costoso o incluso imposible.

Ecuaciones no lineales

3-14

El algoritmo del mtodo de Newton puede escribirse:


f0= f(x0);
d0= df(x0);
error=1;
while error>tolx & abs(f0)>tolf & d0~=0
x1=x0-f0/d0;
error=abs(x1-x0);
x0=x1;
f0= f(x0);
d0= df(x0);
end

Ejemplo

// Calcula nuevo punto


// Evala f
// Evala df

Aplicando el mtodo de Newton a x -2=0 se obtienen los resultados de la Tabla 3-7, donde
puede apreciarse que la velocidad de convergencia es superior al mtodo de biseccin.
k
0
1
2
3
4
Tabla 3-7

xk
1.0000000
1.5000000
1.4166667
1.4142157
1.4142136

f(xk)
-1.000E-00
2.500E-01
6.944E-03
6.007E-06
4.511E-12

ek
5.0E-01
1.3E-01
3.5E-03
3.0E-06
1.3E-12

Mtodo de la Newton para x -2=0

3.3.3.1 Convergencia
El mtodo de Newton, por ser de iteracin de un punto, es un caso particular del mtodo de
punto fijo, en el que

f "(x)f(x)

g
'(x)
=
2

f(x)
(
f '(x))
g(x) = x

f "(x)
f '(x)
g"(x) =

( f '(x))3
Obsrvese que g(r)=0 por lo tanto g(x)m<1 en un entorno de r y por lo tanto ser
contractiva en dicho entorno.
Como g(r)=0 entonces el orden de convergencia ser cuadrtico si f(r)0 o bien 3 o mayor si
f(r)=0.
Sin embargo si la aproximacin inicial no es suficientemente buena y en el intervalo de trabajo
f tiene races, el mtodo puede no converger si en alguna iteracin f se anula o toma valores
muy bajos.

3.3.3.2 Acotacin del error


Si f tiene derivada continua en un intervalo que contiene a la raz r su valor absoluto tiene cota
inferior m en dicho intervalo, por 3-3

ek
2

f ( xk )
m

En el caso de nuestro ejemplo, f(x) = x - 2 en [1,2] tenemos m = 2, de ah los valores de ek


que se muestran en Tabla 3-7.

Ecuaciones no lineales

3.4

3-15

Sistemas de ecuaciones no lineales

En muchos casos se tienen varias ecuaciones que se deben satisfacer simultneamente, lo


cual puede representarse como

f(x) = 0

3-17

donde f es una funcin de R en R . Se trata en este caso de hallar un vector x de R que


satisfaga 3-17.
Al igual que en el caso de una variable, en general 3-17 no se puede resolver analticamente y
deberemos usar un mtodo iterativo, construyendo una sucesin de aproximaciones {xn} que
converja a la raz r.
Para sistemas de ecuaciones la obtencin de aproximaciones iniciales es ms difcil que en el
caso de una variable ya que el estudio de la grfica de f es muy complejo y el hecho de que las
funciones componentes de f cambien de signo no asegura que se anulen todas en el mismo
punto.
El conocimiento del sistema real s puede darnos una aproximacin inicial.

Ejemplo
Se desea resolver el sistema de ecuaciones:

3 x1 cos (x 2 x3 ) = 1/ 2

2
2
x1 81(x 2 + 0.1 ) + sen (x3 ) = 1.06

3 10
x x
e 1 2 + 20 x3 =

3-18

3.4.1 Mtodo del punto fijo para sistemas


n

El teorema del punto fijo (ver 3.3.2.1) es vlido en espacios normados, en particular en R con
alguna de las normas que hemos definido antes.
En forma anloga al caso de una variable, se transforma el problema f(x)=0 en otro equivalente
de la forma x=g(x) con g continua y luego, a partir de una aproximacin inicial x0 se construye
la sucesin {xk} tal que

x k +1 = g(x k )

3-19

Si dicha sucesin converge lo hace a la solucin del problema original.

3.4.1.1 Convergencia
n

Si B es un subconjunto cerrado y convexo de R , g:BB es diferenciable con continuidad en B


y en alguna norma consistente

J g ( x) m < 1 x B
entonces g es contractiva y el mtodo del punto fijo converge a la solucin partiendo de
cualquier x0 de B.
La demostracin es anloga a la vista en 3.3.2.2.

x, y B

g(x) g(y) = J g() x y m x y

siendo una combinacin convexa de x e y, y por ser B convexo B.


Por tanto g es contractiva y por el teorema del punto fijo existe un nico punto fijo de g en B y
el mtodo del punto fijo converge a l.

Ecuaciones no lineales

3-16

3.4.1.2 Precisin alcanzable


En forma anloga a lo visto en 3.3.2.3 puede demostrarse que

x*k +1 r

3-20

x*k x*k +1 +
1 m
1 m

donde m es una cota superior de la norma de la jacobiana de g.

Ejemplo
El sistema 3-18 puede expresarse en la forma x=g(x) con

g1 ( x1 , x2 , x3 ) = 13 cos (x2 x3 ) + 16

2
1
g 2 ( x1 , x2 , x3 ) = 9 x1 + sen (x3 ) + 1.06 0.1

1 x1 x 2
g 3 ( x1 , x2 , x3 ) = 20
e
1060 3

Si definimos

B = x R3 / x

1 , (x1 ,x2 ,x3 ) B

g1 ( x1 , x2 , x3 ) 13 cos (x2 x3 ) + 16 0.5

1
g 2 ( x1 , x2 , x3 ) 9 1 + sen ( 1 ) + 1.06 0.1 0.18 por lo tanto g:BB

g 3 ( x1 , x2 , x3 ) 201 e + 1060 3 0.61

Adems

g1
=0
x1
g1 1
3 x3 sen (x 2 x3 ) 13 sen 1 < 0.281
x2
g1 1
3 x2 sen (x 2 x3 ) 13 sen 1 < 0.281
x3
x1
g 2
1
=

< 0.238
x1 9 x12 + sen (x3 ) + 1.06 9 sen ( 1 ) + 1.06

g 2
=0
x2
cos (x3 )
g 2
1
=

< 0.119
2
x3 18 x1 + sen (x3 ) + 1.06 18 sen ( 1 ) + 1.06

x x x
g 3
e
= 2 e 1 2
< 0.14
20
x1
20
x x x
g 3
e
= 1e 1 2
< 0.14
x2 20
20
g 3
=0
x3

Ecuaciones no lineales

3-17

por tanto

J g ( x)

m = max{0.281 + 0.281,0.238 + 0.119,0.14 + 0.14} = 0.562 x B

con lo cual podemos estar seguros que el mtodo de punto fijo converger partiendo desde
cualquier aproximacin inicial en B, siempre que exista una raz en B.
La Tabla 3-8 muestra los resultados de iterar a partir de la aproximacin (0.1, 0.1, -0.1)

Tabla 3-8

x1

x2

x3

0
1
2
3
4
5

0.10000000
0.49998333
0.49999593
0.50000000
0.50000000
0.50000000

0.10000000
0.00944115
0.00002557
0.00001234
0.00000003
0.00000002

-0.10000000
-0.52310127
-0.52336331
-0.52359814
-0.52359847
-0.52359877

x ( k ) x ( k 1)

0.423
9.4E-03
2.3E-04
1.2E-05
3.1E-07

Mtodo del punto fijo para un sistema no lineal

aplicando la desigualdad 3-20 con m=0.562 y =10 a la ltima aproximacin,


-7

0.562
10 7
7
3.1 10 +
e5
= 6 10 7
1 0.562
1 0.562
3.4.2 Mtodo de Newton Raphson para sistemas
Es anlogo al caso de una variable, consiste en aproximar la funcin f por su diferencial en una
aproximacin inicial y buscar el cero de ste como nueva aproximacin.

f (x ) = f (x k ) + J f (x k ) (x x k ) + O (x x k )
se busca xk+1 que verifique

3-21

0 = f (x k ) + J f (x k ) (x k +1 x k )

x k +1 = x k (J f (x k )) f (x k )
1

como calcular la inversa de la jacobiana es costoso e innecesario, en realidad se itera con:


3-22

J f (x k ) x k = f (x k )

3-23

x k +1 = x k + x k
4

El sistema lineal 3-22 se resuelve en cada iteracin por alguno de los mtodos vistos para ello .
En cada iteracin debera evaluarse f y su jacobiana. Tambin pueden aproximarse las
derivadas parciales de las componentes de f por frmulas de diferencias finitas

3-24

f i (x k + h j e j ) f (x k )
f i

con h j 0 j = 1,2 ,...,n


x j
hj
n

siendo ej el j-simo elemento de la base cannica de R .

siempre y cuando la jacobiana sea no singular.

Ecuaciones no lineales

3-18

Ejemplo
Aplicamos el mtodo de Newton a 3-18 viendo que puede expresarse como f(x)=0 con :

3 x1 cos( x 2 x3 ) 1/ 2

2
2

f ( x1 , x 2 , x3 ) = x1 81( x 2 + 0.1) + sen( x3 ) + 1.06

10 3
x x

e 1 2 + 20 x3 +

3-25

por tanto

J g ( x) =
2 x1
x1 x 2

x 2 e

3-26

x3 sen( x 2 x3 ) x 2 sen( x 2 x3 )

162( x 2 + 0.1)
cos( x3 )
x x

x1e 1 2
20

y los resultados de iterar con 3-22 y 3-23 usando 3-25 y 3-26 partiendo de la aproximacin (0.1,
0.1, -0.1) se muestra en Tabla 3-9.
k
0
1
2
3
4
5
Tabla 3-9

x1
0.10000000
0.50003702
0.50004593
0.50000034
0.50000000
0.50000000

x2
0.10000000
0.01946686
0.00158859
0.00001244
0.00000000
0.00000000

x3

x (k )

-0.10000000
-0.52152047
-0.52355711
-0.52359845
-0.52359877
-0.52359877

0.422
1.8E-02
1.6E-03
1.2E-05
0

f ( x (k ) )

8.482
0.051
0.0016
1.3E-05
1.1E-07
1.1E-07

Mtodo de Newton para sistema no lineal

3.4.2.1 Convergencia
Si el jacobiano de f es no singular en un entorno de la raz y se parte de una aproximacin
suficientemente buena, el mtodo de Newton converge cuadrticamente.

3.4.2.2 Variantes

En cada iteracin debe evaluarse las n componentes de f y n elementos de su jacobiano, o si


2
se utiliza 3-24, n +n componentes de f.
Para evitar tantas evaluaciones funcionales una variante de este mtodo utiliza el misma
jacobiano durante n iteraciones antes de recalcularla. Si adems se utiliza un mtodo de
descomposicin triangular para resolver el sistema lineal, en cada iteracin slo se repite la
etapa de sustitucin, ya que la matriz es la misma.
Por supuesto estas variantes implican que la convergencia ser ms lenta que cuadrtica.

3.4.2.3 Precauciones para asegurar la convergencia


Como la convergencia del mtodo de Newton no es segura si no se parte de una buena
aproximacin inicial, y sta es difcil de obtener, usualmente se toman ciertas precauciones
para asegurar la convergencia.
Se trata de asegurar de que en cada paso disminuya la norma de f y de que si se cae en
puntos en los que la jacobiana de f sea casi singular, no se den pasos xk demasiado grandes.
Para ello se procede como sigue:
1. Se propone un paso mximo .
2. Se resuelve 3-22.
3. Si

x k > se normaliza xk Para que tenga norma

4. Se calcula xk+1 y se evala f en l.


5. Si

f (x k +1 ) < f (x k ) se acepta el paso y se vuelve a 2 con la nueva aproximacin.

6. En caso contrario se rechaza el paso, se disminuye y se repite desde 3.

Universidad Tecnolgica Nacional


Facultad Regional Delta

Terico de
CLCULO AVANZADO
2015

Tema: INTERPOLACIN

Objetivos de aprendizaje

Comprender el concepto de aproximacin por Interpolacin exacta.


Conocer las ventajas de la Interpolacin Polinmica.
Comprender porqu todos los mtodos de Interpolacin Polinmica son equivalentes.
Comprender cmo vara el error de interpolacin con la ubicacin del punto desconocido
respecto a los puntos de interpolacin usados.
Comprender el concepto de aproximacin por Interpolacin de Hermite y cundo usarla.
Comprender el concepto de aproximacin por Interpolacin a trozos y cundo usarla.
Conocer los tipos de trazadores cbicos y comprender cmo se calculan.
Comprender cmo se extienden estos mtodos a varias variables.

Germn BRESCIANO

INTERPOLACIN .........................................................................................................................4-1
4.1
INTRODUCCIN ..........................................................................................................................4-1
4.1.1
Tipos de aproximaciones ...................................................................................................4-2
4.1.1.1

Aproximaciones polinmicas ....................................................................................................... 4-3

4.2
INTERPOLACIN POLINMICA.....................................................................................................4-3
4.2.1
Existencia del polinomio interpolador ..............................................................................4-3
4.2.2
Unicidad del polinomio interpolador ................................................................................4-4
4.2.3
Error de interpolacin .......................................................................................................4-4
4.2.4
Interpolacin de Lagrange ................................................................................................4-5
4.3
INTERPOLACIN DE HERMITE .....................................................................................................4-7
4.3.1
Existencia del polinomio interpolador de Hermite ............................................................4-7
4.3.2
Unicidad del polinomio interpolador de Hermite .............................................................4-8
4.3.3
Error de interpolacin de Hermite ....................................................................................4-8
4.4
INTERPOLACIN A TROZOS .........................................................................................................4-9
4.4.1
Interpolacin de Hermite a trozos ...................................................................................4-10
4.4.2
Interpolacin por trazadores cbicos (Splines cbicos)..................................................4-11
4.4.2.1
4.4.2.2
4.4.2.3

Spline natural ............................................................................................................................. 4-13


Pendiente forzada ....................................................................................................................... 4-13
Curvatura extrapolada ................................................................................................................ 4-14

4.5
FUNCIONES DE FORMA ELEMENTALES ......................................................................................4-16
4.5.1
Elementos Lineales ..........................................................................................................4-16
4.5.2
Elementos Cuadrticos ....................................................................................................4-17
4.5.3
Elementos Hermticos ......................................................................................................4-17
4.6
INTERPOLACIN EN 2D Y 3D ....................................................................................................4-17
4.6.1
Interpolacin en tringulos .............................................................................................4-18
4.6.1.1
4.6.1.2

4.6.2
4.6.2.1
4.6.2.2

4.6.3
4.6.3.1
4.6.3.2

4.6.4
4.6.4.1
4.6.4.2

4.6.5
4.6.5.1
4.6.5.2

Tringulos de 1 orden (3 nodos) ............................................................................................... 4-18


Tringulos de 2 orden (6 nodos) ............................................................................................... 4-19

Interpolacin en tetraedros .............................................................................................4-19


Tetraedro de 1 orden (4 nodos) ................................................................................................. 4-20
Tetraedro de 2 orden (10 nodos) ............................................................................................... 4-20

Interpolacin en cuas ....................................................................................................4-20


Cua de 1 grado (6 nodos) ........................................................................................................ 4-21
Cua de 2 grado (15 nodos) ...................................................................................................... 4-21

Interpolacin en cuadrilteros ........................................................................................4-21


Cuadriltero lineal (4 nodos) ...................................................................................................... 4-22
Cuadriltero de segundo grado (8 nodos) ................................................................................... 4-22

Interpolacin en hexaedros () ..........................................................................................4-23


Hexaedro lineal (8 nodos) .......................................................................................................... 4-23
Hexaedro cuadrtico (20 nodos) ................................................................................................. 4-24

Interpolacin

4-1

4 Interpolacin
4.1

Introduccin

Interpolacin es el clculo (o ms bien estimacin) de valores de una funcin tabulada en


puntos que no estn en la tabla.
Antiguamente esto era muy importante, por ejemplo para evaluar la posicin de un planeta en
un momento dado a partir de una tabla de posiciones observadas. Tambin se utilizaba para
calcular por ejemplo el valor de un logaritmo o el seno de un ngulo pues slo se dispona de
tablas de dichas funciones, que alguien haba calculado a mano con gran esfuerzo.
Actualmente las calculadoras evalan estas funciones por mtodos numricos y la
interpolacin no se necesita para ello, sin embargo la interpolacin es la base terica para otros
mtodos numricos como derivacin, integracin o resolucin de ecuaciones diferenciales.
El problema de interpolacin consiste en que se parte de una funcin cuyos valores slo se
conocen en una cantidad finita de puntos, llamado nodos, dentro de un dominio (un intervalo si
f:RR) y se desea predecir cunto valdr la funcin en un punto que no est en la tabla (o sea
que no es un nodo).
En algunos casos podra disponerse tambin de valores de algunas derivadas de la funcin en
los nodos.
La idea en la interpolacin polinmica es aproximar la funcin tabulada por un polinomio que
coincida con la funcin en los nodos, suponiendo que se comportar en forma semejante a ella
en todo el intervalo tabulado y por tanto los valores que toma el polinomio en puntos no
tabulados sern estimaciones razonables de los valores de la funcin en dichos puntos.
El problema con esto es que los polinomios de bajo grado se comportan en forma suave por
tanto si los datos tabulados no son suaves se necesitarn polinomios de mayor grado para
que se ajusten a las irregularidades locales. Pero estos polinomios no ajustarn bien en las
zonas en que la funcin tenga un comportamiento suave.
En la Figura 4-1 se muestra el resultado de interpolar una funcin que no es suave con un
polinomio de grado 4 y uno de grado 20.
1
0,8
0,6
0,4
0,2
0
-1,5

-1

-0,5

0,5

-0,2
-0,4
-0,6
-0,8
-1

Polinomio grado 20

Figura 4-1

Tabla

Polinomio grado 4
2

Interpolacin de f(x)=1/(1+25x )

1,5

Interpolacin

4-2

Como se ve el polinomio de grado 20 ajusta bien en la zona central pero tiene grandes errores
en los extremos del intervalo, mientras que el polinomio de grado 4 tiene un ajuste mediocre en
todo el intervalo.
Una solucin a esto ser ajustar las distintas regiones con distintos polinomios, pero
deberemos resolver el problema de que las uniones entre los distintos polinomios sean
adecuadas (para evitar, por ejemplo, pendientes discontinuas en los puntos de unin de las
regiones). Esto se logra con polinomios especiales llamados splines.
En otros casos los valores tabulados no son valores exactos de una funcin sino que son
medidas experimentales afectadas de errores. Inclusive podramos tener varios valores
diferentes tabulados para un mismo valor de la variable independiente. En estos casos no
queremos que la aproximacin se ajuste exactamente a los valores tabulados pues
reproducira los errores. Lo que deseamos es hallar la aproximacin (polinmica o de otro tipo)
que mejor se ajuste a los valores verdaderos sin error. Esto se logra con la tcnica de
mnimos cuadrados, que maximiza la probabilidad de obtener los datos tabulados.

Ejemplo
La nave NCC 1701E fue enviada a la zona neutral a interceptar una sonda romulana (de la cual
se conoce su trayectoria exacta, que cruzar a la de la nave en el instante 10.0 en la
coordenada 745) pero su equipo de comunicacin subespacial est averiado, por lo que no se
sabe si en el momento que la sonda cruz su trayectoria la nave estaba dentro del rango del
rayo tractor (5 unidad de coordenadas).
Sin embargo el Comandante Data ha enviado datos de telemetra que nos pueden servir para
averiguarlo:

Tiempo
Coordenada
Velocidad
Tabla 4-1

0
0
75

3
225
77

5
383
80

8
623
74

13
993
72

Datos de telemetra del NCC 1701E

4.1.1 Tipos de aproximaciones


Para estimar el valor de una funcin tabulada en un punto que no est tabulado, vamos a
aproximar a la funcin por una combinacin (generalmente una combinacin lineal) de una
cantidad finita de funciones aproximantes llamadas funciones de forma de alguna clase que
podamos calcular.
Usualmente las funciones de forma son polinomios, pero tambin podran ser por ejemplo,
funciones de Fourier (sen(kx) y cos(kx) con k=1,2,,n) u otra familia de funciones.
Si las funciones de forma son g1, g2,, gn,
n

4-1

f (x ) = a j g j (x ) + E (x )
j =1

Trataremos de hallar los coeficientes aj de modo tal que el error E(x) sea pequeo.
La clave del problema est en el criterio para medir cuan pequeo es el error y cmo calcular
los coeficientes para que E(x) sea mnimo.
Los tres mtodos ms importantes son:
1. Interpolacin exacta: Los coeficientes se eligen para que la aproximacin (y
eventualmente algunas derivadas) sea exacta en los nodos.
2. Mnimos cuadrados: Los coeficientes se eligen para minimizar la suma del cuadrado de
errores en los nodos.
3. Mnimo error mximo: Los coeficientes se eligen para minimizar el mximo valor absoluto
del error en un intervalo dado.
De estos mtodos, la interpolacin exacta es el ms fcil de analizar y de estimar el error.

Interpolacin

4-3

4.1.1.1 Aproximaciones polinmicas


Es el caso en el que las funciones de forma son polinomios, que tienen mltiples ventajas:
1
Pueden evaluarse directamente en una computadora mediante operaciones aritmticas. ( )
Si se hace un cambio del origen de coordenadas o un cambio de escala, la aproximacin
sigue siendo un polinomio.
La clase de los polinomios es completa sobre [a,b], es decir que para cualquier funcin
continua en [a,b], dado >0 existen n natural y P polinomio de grado n tales que

f(x) P(x) <

()

lo cual nos asegura que podemos conseguir un error arbitrariamente pequeo como se
ilustra en Figura 4-2.
Los polinomios son fciles de derivar y de integrar, y sus derivadas y primitivas tambin
son polinomios.

Figura 4-2

4.2

Aproximacin de una funcin por un polinomio

Interpolacin polinmica

4.2.1 Existencia del polinomio interpolador


Se tiene una tabla de valores de una funcin f no afectados de error en n+1 puntos diferentes,
o sea que se conocen (x0,f0), (x1,f1), (x2,f2), , (xn,fn), donde fk=f(xk) k=0,1,2,,n y xixj ij
Como se dijo antes, se desea hallar un polinomio de grado n que coincida con los valores
tabulados en los nodos.

Figura 4-3
1
2

Polinomio interpolador de f por x0, x1, x2, , xn

la mayora de las dems funciones se aproximan por mtodos numricos en las computadoras.
con la norma integral o la norma del supremo en [a,b]

Interpolacin

4-4

Esto se puede plantear como hallar a0, a1, , an tales que

f ( x ) = Pn ( x ) + E ( x )

4-2
n

Pn ( x ) = a j x j

con

E ( xk ) = 0 k = 0,1,2,L ,n

j =0

Una forma directa de atacar este problema sera evaluar 4-2 en cada uno de los nodos, donde
el error debe ser nulo, obteniendo el sistema lineal:

a 0 + a1 x0 + a 2 x02 + L + a n x0n = f 0

2
n
a 0 + a1 x1 + a 2 x1 + L + a n x1 = f1

2
a 0 + a1 x n + a 2 x n + L + a n x nn = f n
que se puede escribir como

1 x0

1 x1
M M

1 x n

4-3

x02
x12
M
x n2

L x0n a 0 f 0

L x1n a1 f 1
=
O M M M

L x nn a n f n

La matriz de este sistema lineal es una matriz de Vandermonde, cuyo determinante es

(x

0 i < j n

x j ) 0 por tanto el sistema tiene solucin nica.

Resolviendo este sistema podemos obtener los coeficientes del polinomio buscado lo cual
implica que dada una tabla de valores de una funcin por n+1 nodos diferentes, existe un
polinomio interpolador Pn de grado n que pasa por los puntos de la tabla.

4.2.2 Unicidad del polinomio interpolador


Si existieran dos polinomios interpoladores de grado n para una tabla de n+1 puntos, entonces
la diferencia entre ellos sera un polinomio de grado n o menor, que se anulara en los n+1
puntos de la tabla.
Pero el Teorema Fundamental del lgebra dice que un polinomio de grado n no puede tener
ms de n races a menos que sea el polinomio nulo. Esto implica que la diferencia entre los
polinomios interpoladores debe ser el polinomio nulo y por tanto dada una tabla de valores de
una funcin por n+1 nodos diferentes, existe un nico polinomio interpolador de grado n
que pasa por los puntos de la tabla.

4.2.3 Error de interpolacin


Queremos hallar una expresin para el error del polinomio interpolador definido en 4-2 , E(x),
en un punto x distinto de los nodos.
Para ello consideramos la funcin auxiliar

F (t ) = f (t ) Pn (t ) E ( x )
3

(t x 0 )(t x1 )L (t x n )
(x x 0 )(x x1 )L (x x n )

La funcin F(t) ( ) se anula en al menos n+2 valores de t, a saber t=x0, x1, , xn y x.

F es funcin de t, x es un parmetro

Interpolacin

4-5

Si f tiene derivada n+1 continua en un intervalo que contenga a x y a los nodos, entonces F
tambin tiene derivada n+1 continua en ese intervalo y, aplicando el teorema de Rolle n+1
(n+1)
veces concluimos que F
tendr al menos una raz en dicho intervalo.
Sea dicha raz, entonces

0 = F ( n+1) ( ) = f ( n+1) ( ) E ( x )

(n + 1)!
(x x0 )(x x1 )L(x xn )

y despejando:

E ( x) = (x x0 )( x x1 )L ( x x n )

4-4

f (n +1 ) ( )
(n + 1)!

Obsrvese que 4-4 se verifica tambin cuando x es un nodo.


n+1
Esto demuestra que si x0, x1, , xn son nodos diferentes de [a,b] y fC [a,b] entonces
x[a,b] (x)[a,b] / el error del polinomio interpolador de f por x0, x1, , xn verifica 4-4.
En general la derivada n+1 de f no se conoce, pero 4-4 nos permite sacar varias conclusiones:
Si f es suave (sus derivadas superiores son pequeas en valor absoluto) un polinomio de
grado bajo la interpolar satisfactoriamente.
Si f es irregular (sus derivadas superiores toman valores absolutos grandes) habr
mayores errores de interpolacin.
El error de interpolacin ser mnimo en la zona central del intervalo tabulado y mximo
cerca de los extremos.
El error de extrapolacin (cuando x est fuera del intervalo tabulado) es mayor que el de
interpolacin.

4.2.4 Interpolacin de Lagrange


El problema de resolver el sistema 4-3 es que la matriz de Vandermonde es mal condicionada
lo cual puede dar altos errores de clculo. Adems si queremos agregar un nuevo punto a la
tabla, para obtener el nuevo polinomio debemos rehacer todo otra vez. Afortunadamente, como
el polinomio interpolador es nico, cualquier mtodo de clculo que nos d un polinomio
interpolador es igualmente vlido.
Si en lugar de plantearse el polinomio interpolacin como una combinacin lineal de potencias
de x lo planteamos como una combinacin lineal de polinomios de grado n, lo ideal sera que
estos polinomios fueran tales que, al sustituir la x por cada nodo para obtener el sistema de
ecuaciones que determine los coeficientes de la combinacin lineal, en lugar de una matriz de
Vandermonde obtengamos una matriz identidad.
De este modo, no slo eliminamos el mal condicionamiento sino que la solucin ser trivial, los
coeficientes de la combinacin lineal sern simplemente los valores de f en la tabla, fk.
Esto lo logra el mtodo de interpolacin de Lagrange al plantearse el polinomio interpolacin
como una combinacin lineal de polinomios de grado n, cada uno de los cuales vale 1 en un
nodo y cero en los dems, es decir
n

4-5

Pn (x ) = c j l j ( x )
j =0

1 si i = j
con l j ( x ) polinomio de grdo n / l j ( xi ) =
0 si i j

Obsrvese que combinando 4-2 y 4-5 en los nodos se tiene


n

f k = f ( x k ) = Pn ( x k ) + 0 = c j l j ( x k ) = c k
j =0

por lo que 4-5 puede escribirse simplemente


n

4-6

Pn ( x ) = f j l j ( x )
j =0

k = 0,1,2,L ,n

Interpolacin

Figura 4-4

4-6

k-simo Polinomio interpolador de Lagrange de orden n

Hallar los polinomios interpoladores de Lagrange es sencillo si consideramos que el polinomio


lk debe tener una factorizacin de la forma

l k ( x) = A( x x0 )( x x1 )L( x xk 1 )( x xk +1 )L( x xn )

y como en lk(xk) debe valer 1 entonces

lk ( x) =

4-7

( x x0 )( x x1 )L ( x xk 1 )( x xk +1 )L( x xn )
( xk x0 )( xk x1 )L ( xk xk 1 )( xk xk +1 )L( xk xn )

A continuacin se muestra el cdigo de este algoritmo:


for k=1:n+1
//calcula los polinomios de Lagrange en x
l(k)=1
for i=1:n+1
if i<>k then l(k)=l(k)*(x-xtabla(i))/(xtabla(k)-xtabla(i))
end
end
p=ytabla*l
//combina los polinomios con ytabla

Ejemplo
A partir de los datos de la Tabla 4-1 podemos interpolar la coordenada para tiempo igual a 10:

l0 (10) =

(10 3)(10 5)(10 8)(10 13) 210 7


=
=
= 0.1346
(0 3)(0 5)(0 8)(0 13)
1560 52

l1 (10) =

(10 0)(10 5)(10 8)(10 13) 300


=
=1
(3 0)(3 5)(3 8)(3 13)
300

l 2 (10) =

(10 0)(10 3)(10 8)(10 13) 420


=
= 1.75
(5 0)(5 3)(5 8)(5 13)
240

l3 (10) =

(10 0)(10 3)(10 5)(10 13) 1050


=
= 1.75
(8 0)(8 3)(8 5)(8 13)
600

l 4 (10) =

(10 0)(10 3)(10 5)(10 8) 700


7
=
=
= 0.1346
(13 0)(13 3)(13 5)(13 8) 5200 52

P4 (10) = 0 0.1346 + 225 1 383 1.75 + 623 1.75 + 993 0.1346 = 778.67
lo cual implica que la sonda, aparentemente, no pudo ser interceptada.

Interpolacin

4.3

4-7

Interpolacin de Hermite

4.3.1 Existencia del polinomio interpolador de Hermite


Se tiene una tabla de valores de una funcin f y su derivada f no afectados de error en n+1
nodos diferentes, o sea que se conocen (x0,f0,f0), (x1,f1,f1), (x2,f2,f3), , (xn,fn,fn), donde fk=f(xk)
y fk=f(xk) k=0,1,2,,n y xixj ij
En este caso se desea hallar un polinomio, H(x), del menor grado posible que coincida con los
valores tabulados, o sea

f (x ) = H (x ) + E (x )

4-8
con

H (x j ) = f (x j )
j = 0,1, 2,L ,n

H' (x j ) = f' (x j )

4-9

H(x) se llama Polinomio Interpolador de Hermite de f por x0, x1, , xn.


Tenemos 2n+2 condiciones a cumplir y en principio bastara con un polinomio que tenga 2n+2
coeficientes, por lo que es lgico pensar que el grado de este polinomio no ser mayor que
2n+1.
Veremos que el siguiente polinomio de grado 2n+1 verifica 4-9:
n

j =0

j =0

H 2 n +1 ( x ) = f j h j ( x ) + f ' j h j ( x )

4-10
donde

h j ( x) = (1 2( x x j )l ' j ( x j ) )l 2j ( x)

4-11

h j ( x) = ( x x j )l 2j ( x)

4-12 ( )

siendo lj es el j-simo polinomio interpolador de Lagrange definido en 4-7 y lj su derivada ( ).


Para ello calcularemos

h j ( xi ) y h j ( xi ) :

[1 0] 1 = 1 si i = j pues xi = x j y l j ( xi ) = 1
h j ( xi ) = (1 2( xi x j )l ' j ( x j ) )l 2j ( xi ) =
0 si i j pues l j ( x j ) = 0

h j ( xi ) = ( xi x j )l 2j ( xi ) = 0 pues l j ( xi ) = 0 o xi = x j
por tanto

j =0
j i

j =0

H 2 n +1 (xi ) = f j 0 + f i 1 + f ' j 0 = f ( xi ) i = 0,1, 2 ,L ,n

y sus derivadas primeras.

h' j ( xi ) = 2l ' j ( x j )l 2j ( xi ) + (1 2( xi x j )l ' j ( x j ) ) 2l j ( xi )l ' j ( xi ) =


2l ' j ( x j ) 12 + [1 0] 2 1 l ' j ( xi ) = 2l ' j ( x j ) + 2l ' j ( xi ) = 0 si i = j pues xi = x j
=
2
2l ' j ( x j ) 0 + 1 2( xi x j )l ' j ( x j ) 2 0 l ' j ( xi ) = 0 si i j pues l j ( xi ) = 0

h j ( x) y h j ( x) se llaman polinomios de Hermite.

Los

puede probarse que

l' j (x j ) =

1
1
1
1
1
+
+L+
+
+L+
x j x0 x j x1
x j x j 1 x j x j +1
x j xn

Interpolacin

4-8

12 + 0 = 1 si i = j pues
h j ( xi ) = l 2j ( xi ) + ( xi x j ) 2 l j ( xi )l ' j ( xi ) =
0 2 + 0 = 0 si i j

por tanto

j =0

j =0
j i

xi = x j

l j ( xi ) = 1

l j ( xi ) = 0

pues

H ' 2 n +1 ( xi ) = f j 0 + f ' j 0 + f ' i 1 = f ' ( xi ) i = 0,1, 2 ,L ,n

lo cual demuestra que dada una tabla de valores de una funcin y su derivada por n+1
nodos diferentes, existe un polinomio interpolador H2n+1 de grado 2n+1 que coincide con
la funcin y su derivada en los nodos.

4.3.2 Unicidad del polinomio interpolador de Hermite


Si existieran dos polinomios interpoladores de Hermite de grado 2n+1 para una tabla de n+1
puntos, entonces la diferencia entre ellos sera un polinomio de grado 2n+1 o menor, que se
anulara l y su derivada en los n+1 puntos de la tabla, por tanto tendra n+1 races de
multiplicidad 2 o mayor, lo que equivaldra a 2n+2 races o ms.
Pero un polinomio de grado 2n+1 no puede tener ms de 2n+1 races a menos que sea el
polinomio nulo. Esto implica que la diferencia entre los polinomios interpoladores de Hermite
debe ser el polinomio nulo y por tanto dada una tabla de valores de una funcin y su
derivada por n+1 nodos diferentes, existe un nico polinomio interpolador de Hermite de
grado 2n+1 que coincide con la funcin y su derivada en los nodos.

4.3.3 Error de interpolacin de Hermite


Queremos hallar una expresin para el error del polinomio interpolador de Hermite definido en
4-8, E(x), en un punto x distinto de los nodos.
Para ello consideramos la funcin auxiliar

(t x0 )(t x1 )L (t x n )
F (t ) = f (t ) H (t ) E ( x )

( x x0 )( x x1 )L ( x x n )

La funcin F(t) ( ) se anula en al menos n+2 valores de t, a saber t=x0, x1, , xn y x.


Si f tiene derivada 2n+2 continua en un intervalo que contenga a x y a los nodos, entonces F
tambin tiene derivada 2n+2 continua en ese intervalo y, aplicando el teorema de Rolle
deducimos que F se anula en n+1 valores de t distintos de t=x0, x1, , xn y x.
Adems

(t x0 )(t x1 )L (t x n ) (t x0 )(t x1 )L (t x n )
F ' (t ) = f ' (t ) H ' (t ) 2 E ( x )

( x x0 )( x x1 )L ( x x n ) ( x x0 )( x x1 )L ( x x n )

que se anula en t=x0, x1, , xn , por lo tanto F se anula en 2n+2 puntos distintos del intervalo.
(2n+2)
Aplicando a F el Teorema de Rolle 2n+1 veces concluimos que F
tendr al menos una raz
en dicho intervalo.
Sea dicha raz, entonces

0 = F ( 2 n + 2) ( ) = f ( 2 n + 2) ( ) E ( x )

(2n + 2)!
[(x x0 )(x x1 )L(x x n )]2

y despejando:
4-13

E ( x) = [( x x0 )( x x1 )L ( x x n )]

Obsrvese que 4-13 se verifica tambin cuando x es un nodo.

F es funcin de t, x es un parmetro

f ( 2 n + 2 ) ( )
(2n + 2)!

Interpolacin

4-9

Esto demuestra que si x0, x1, , xn son nodos diferentes en [a,b] y fC


[a,b] entonces
x[a,b] (x)[a,b] / el error del polinomio interpolador de Hermite de f por x0, x1, , xn
verifica 4-13.
2n+2

Ejemplo
En el caso del ejemplo anterior

1
1
1
1
1147
+
+
+
=
= 0.73525641
0 3 0 5 0 8 0 13 1560
1
1
1
1
140 14
l '1 (3) =
+
+
+
=
=
= 0.46666667
3 0 3 5 3 8 3 13 300
30
1
1
1
1
58
29
l ' 2 (5) =
+
+
+
=
=
0.24166667
5 0 5 3 5 8 5 13 240 120
1
1
1
1
275 55
l' 3 (8) =
+
+
+
=
=
= 0.45833333
8 0 8 3 8 5 8 13 600 120
1
1
1
1
2610 261
l ' 4 (13) =
+
+
+
=
=
= 0.50192308
13 0 13 5 13 5 13 8 5200 520
l ' 0 ( 0) =

h0 (10) = [1 2(10 0)l '0 (0)]( 0.1346) = 0.28459737


2

h1 (10) = [1 2(10 3)l '1 (3)](1) = 7.53333333


2

h2 (10) = [1 2(10 5)l ' 2 (5)]( 1.75) = 4.33854167


2

h3 (0) = [1 2(10 8)l '3 (8)](1.75) = 2.5520833


2

h4 (10 ) = [1 2(10 13)l' 4 (13)](0.1346 ) = 0.0726943


2

2
h0 (10 ) = (10 0)( 0.13461538) = 0.18121302
2
h (10 ) = (10 3)(1) = 7
1

2
h2 (10) = (10 5)( 1.75) = 15.3125
2
h (10 ) = (10 8)(1.75) = 6.125

2
h4 (10 ) = (10 13)(0.13461538) = 0.05436391

H 9 (19 ) = 0 (0.28459737 ) + 225 (7.53333333) + 383 ( 4.33854167 ) + 623 ( 2.5520833) +


+ 993 (0.0726943) + 75 (0.18121302) + 77 (7) + 80 (15.3125) + 74 (6.125) + 72 (0.05436391) =
= 742.5
lo cual indicara que la sonda s fue interceptada.

4.4

Interpolacin a trozos

Como se mencion en 4.1 si la funcin a interpolar tiene comportamiento irregular en una


regin y suave en otra, puede ser muy difcil hallar un polinomio que la aproxime
satisfactoriamente en ambas regiones. Esto puede superarse usando interpolacin polinmica
de bajo grado con distintos polinomios en los distintos subintervalos.
Si se tiene una tabla de valores de una funcin f en n+1 nodos diferentes x0, x1, x2, , xn y
ordenados y usamos en cada elemento (xi, xi+1) un polinomio interpolador de primer grado,
estamos aproximando la funcin por la poligonal que pasa por los puntos de la tabla.
Esto es una interpolacin a trozos lineal o spline lineal y tiene el inconveniente de que la
pendiente es discontinua en los nodos.

Interpolacin

4-10

Figura 4-5

Spline lineal

4.4.1 Interpolacin de Hermite a trozos


Si se conocen tambin los valores de la derivada primera de la funcin en los puntos tabulados,
se podran usar en cada elemento (xi, xi+1) un polinomio interpolador de Hermite de tercer
grado. Esto nos dara una aproximacin con derivada primera continua y que coincide con f y f
en los nodos.
Esto es una interpolacin por trazadores hermticos o splines hermticos.
Veamos cmo aproximar el valor de f en un punto x del elemento (xi, xi+1). Aplicando la frmula
4-10 en este caso queda:

4-14

H 3 ( x) = f i hi ( x) + f i +1hi +1 ( x) + f ihi ( x) + f i+1hi +1 ( x)

Figura 4-6

Funciones de forma hermticas

x xi x xi +1
hi ( x) = 1 2

xi xi +1 xi +1 xi

x xi +1 x xi

y hi +1 ( x ) = 1 2

xi +1 xi xi xi +1

x xi +1
hi ( x) = ( x x i )
xi +1 xi

x xi

y hi +1 ( x ) = ( x xi +1 )
xi xi +1

Ejemplo
Volviendo a nuestro ejemplo, queremos aproximar f(10).
Como x=10 est en el elemento (8,13) aplicamos la ecuacin 4-14 a ese elemento:

Interpolacin

4-11

10 8 10 13

h0 (10 ) = 1 2

= 0.648
8 13 8 13

10 13 10 8

h1 (10 ) = 1 2

= 0.352
13 8 13 8

10 13
h0 (10 ) = (10 8)
= 0.72
8 13
2

10 8
h1 (10 ) = (10 13)
= 0.48
13 8
2

H 3 (10) = 623 0.648 + 993 0.352 + 74 0.72 72 0.48 = 771.96


En Scilab la interpolacin de Hermite a trozos puede calcularse con
yy=interp(xx,xtabla,ytabla,dtabla)
donde
xtabla es el vector de los nodos,
ytabla el vector de los y nodales,
dtabla el vector de las derivadas nodales y
xx es el vector de puntos donde se quiere evaluar el spline.

4.4.2 Interpolacin por trazadores cbicos (Splines cbicos)


La interpolacin de Hermite a trozos necesita del conocimiento de la derivada de f en los
puntos tabulados.
Si no se conocen estos valores pero se quiere tener una aproximacin a trozos con derivada
continua, podramos lograrlo tratando de hallar qu coeficientes deberan tener los polinomios
interpoladores para que pasen por los puntos de la tabla y que adems la derivada de un
polinomio en el final de su intervalo sea igual a la del siguiente en el comienzo de su intervalo.
Esto podra lograrse con polinomios de segundo grado, pero el caso ms comn es hacerlo
con polinomios de tercer grado, a los que adems podremos pedirles que tambin den
derivada segunda continua.

Figura 4-7

Splines cbicos

Si se tiene una tabla de valores de una funcin f en n+1 nodos diferentes x0, x1, x2, , xn y
ordenados y usamos en cada elemento (xi, xi+1) un polinomio interpolador de tercer grado
grado, gi(x), queremos que:

Interpolacin

4-15

4-12

g i ( xi ) = f i i = 0,1,2,..., n 1

g i ( xi +1 ) = f i +1 i = 0,1,2,..., n 1

g i ( xi +1 ) = g i+1 ( xi +1 ) i = 0,1,2,..., n 2
g i( xi +1 ) = g i+1 ( xi +1 ) i = 0,1,2,..., n 2

estas son un total de 4n-2 condiciones y los n polinomios de tercer grado tienen 4n
coeficientes, por lo cual usualmente se agregan dos condiciones de contorno para determinar
los coeficientes.
Si escribimos
4-16

g i ( x) = ai ( x xi ) 3 + 12 S i ( x xi ) 2 + ci ( x xi ) + d i

entonces

g i( x) = 3ai ( x xi ) 2 + Si ( x xi ) + ci
g i( x) = 6ai ( x xi ) + S i
si definimos hi=xi+1-xi podemos escribir los valores de gi y sus derivadas en xi y xi+1 segn

g i ( xi ) = d i y g i ( xi +1 ) = ai hi3 + 12 S i hi2 + ci hi + d i
g i ( xi ) = ci y g i ( xi +1 ) = 3ai hi2 + S i hi + ci
g i( xi ) = S i y g i( xi +1 ) = 6ai hi + S i
Sustituyendo estos valores en 4-15 obtenemos

4-17

d i = f i i = 0,1,2,..., n 1

a h 3 + 1 S h 2 + c h + d = f
i = 0,1,2,..., n 1
i i 2 i i
i i
i
i +1

2
3ai hi + S i hi + ci = ci +1 i = 0,1,2,..., n 2

6ai hi + S i = S i +1 i = 0,1,2,..., n 2

de la primera y cuarta ecuaciones de 4-17 de pueden despejar


4-18

di = fi

4-19

ai =

i = 0,1,2,..., n 1

S i +1 S i
6hi

i = 0,1,2,..., n 2

Adems introducimos una nueva variable Sn que verifique 4-19 para i=n-1 y sustituyendo en las
restantes ecuaciones de 4-17 eliminamos estas incgnitas y queda

S i +1 S i 3 1
hi + 2 S i hi2 + ci hi + f i = f i +1 i = 0,1,2,..., n 1

6
h

3 S i +1 S i h 2 + S h + c = c
i = 0,1,2,..., n 2
i i
i
i +1
6h i

de la primera de estas ecuaciones y definiendo fi=fi+1-fi , podemos despejar

Interpolacin

4-13

ci =

4-20

f i
h
(2 S i + S i +1 ) i
hi
6

i = 0,1,2,..., n 1

y sustituir en la segunda llegando a

f
f
hi S i + 2(hi + hi +1 )S i +1 + hi +1 S i + 2 = 6 i +1 i i = 0,1,2,..., n 2
hi
hi +1

4-21

En cada caso se resuelve el sistema para obtener S0,S1,,Sn y luego se calculan los
coeficientes ai, ci y di con las ecuaciones 4-19, 4-20 y 4-18 para calcular la aproximacin en x
con 4-16.
Para poder resolver este sistema hay que fijar dos condiciones ms, que usualmente son
algunas de las siguientes:

4.4.2.1 Spline natural


Se toma S0=0 y Sn=0. O sea que la curvatura (g) tienda a cero en los extremos del intervalo.
Agregando estas ecuaciones a 4-21 se obtiene el siguiente sistema tridiagonal

1
h
0
0

0
M

0
0

L
0
0
0
h1
L
2(h0 + h1 )
0
h1
h2
L
2(h1 + h2 )
h2
0
2(h2 + h3 ) h3
M
M
L
O
L
hn2
0
0
L
0
0
0

f1 f 0
0
0 S0
h h
0
0 S1
0
1

f
f

0
0 S2
1
h
h1

0
0 S 3 = 6 2

M
M M
M

2(hn2 + hn1 ) hn1 S n1


f n1 f n2
h h
0
1 S n
n2
n1

En Scilab el spline de curvatura extrapolada puede evaluarse con la funcin splin que calcula
el vector de valores de la derivada (ci, i=0,1,,,,,n-1)
c = splin(xtabla,ytabla,natural)
y con l se aplica la funcin interp que hace la interpolacin de Hermite a trozos mediante
yy=interp(xx,xtabla,ytabla,c)
donde
xtabla es el vector de los x tabulados,
ytabla el vector de los y tabulados y
xx es el vector de puntos donde se quiere evaluar el spline.

4.4.2.2 Pendiente forzada


Cuando se conocen los valores de f en los extremos del intervalo (f0 y fn) entonces se fuerza

g 0 ( x0 ) = c0 =

f 0
h
(2S 0 + S1 ) 0 = f 0 2h0 S 0 + h0 S1 = 6 0 f 0
h0
6
h0

g n 1 ( xn ) = 3a n1hn21 + S n1hn1 + cn1 = 3


4-22

S n S n1 2
f
h
hn1 + S n1hn1 + n1 (2 S n1 + S n ) n1 = f n
6hn1
hn1
6

f
hn1 S n1 + 2hn1 S n = 6 f n n1
hn1

Interpolacin

4-14

Agregando estas ecuaciones a 4-21 se obtiene el siguiente sistema tridiagonal

2h0

h0

h0

2(h0 + h1 )

h1

h1

2(h1 + h2 )

h2

h2

2(h2 + h3 )

h3

hn 2

2(hn 2 + hn 1 )

hn 1

f 0
h f 0
0 S0
0

f 1 f 0
0 S1
h1
h0

f
f

2
0 S2

h1
h2
0 S 3 = 6

M M

f n 1 f n 2
hn 1 S n 1

hn 1
hn 2

2hn 1 S n
f
f n n 1
hn 1

En Scilab el spline con pendientes forzadas puede evaluarse con


c = splin(xtabla,ytabla,clamped,[pi pf])
yy=interp(xx,xtabla,ytabla,c)
donde
xtabla es el vector de los x tabulados,
ytabla el vector de los y tabulados,
pi y pf son las pendientes inicial y final que se quieren forzar y
xx es el vector de puntos donde se quiere evaluar el spline.

4.4.2.3 Curvatura extrapolada


Se toma S0 y Sn como extrapolaciones lineales de S1 y S2 y de Sn-1 y Sn respectivamente.
Este es el nico caso en el que si los datos tabulados corresponden exactamente a un
polinomio de grado 3, el spline da exacto.
Las condiciones son
4-23

S0 =

(h0 + h1 )S1 h0 S 2
h1

Sn =

(hn2 + hn1 )S n1 hn1S n2


hn 2

Agregando estas ecuaciones a 4-21 se obtiene el siguiente sistema

h1
h
0
0

0
M

0
0

h0
L
(h0 + h1 )
0
2(h0 + h1 )
h1
0
L
h1
2(h1 + h2 )
h2
L
0
h2
2(h2 + h3 ) h3
M
M
L
O
0
0
L
hn 2
0
0
L
hn 1

f1 f 0
0
0 S0
h h
0
0 S1
0
1

f
f

2
1

0
0 S2

h2
h1

0
0 S 3 = 6

M
M M
M

2(hn 2 + hn 1 ) hn 1 S n 1
f n 1 f n 2
h h
(hn 2 + hn 1 ) hn 2 S n
n 2

n 1
0

En Scilab el spline de curvatura extrapolada puede evaluarse con


c = splin(xtabla,ytabla)
yy=interp(xx,xtabla,ytabla,c)
donde
xtabla es el vector de los nodos,
ytabla el vector de los y nodales y
xx es el vector de puntos donde se quiere evaluar el spline.

Interpolacin

4-15

Ejemplo
A partir de la tabla del primer ejemplo:
i
xi
hi
fi
f i
fi/ hi

0
0
3
0
225
75

1
3
2
225
158
79

2
5
3
383
240
80

3
8
5
623
370
74

4
13
993
-

El sistema para Spline natural queda:

1 0 0 0 0 S 0
0
3 10 2 0 0 S
4


1
0 2 10 3 0 S 2 = 6 1 cuya solucin es



0 0 3 16 5 S 3
6
0 0 0 0 1 S 4
0

S 0 0

S 2.2241
1

S 2 = 0.8797

S 3 2.4149
S 4 0

como queremos calcular f(10), calcularemos los coeficientes a, c y d para i=3

0 + 2.4149
= 0.0804967
65
c3 = 74 ( 2 2.4149 + 0 ) 56 = 78.02433
a3 =

d 3 = 623
por tanto

g 3 (10) = 0.0804967(10 8) 3 12 2.4149(10 8) 2 + 78.02433(10 8) + 623 = 774.86


Si queremos forzar f0=75 y f4=72 queda:

6 3 0 0 0 S 0
0
4
3 10 2 0 0 S

1

0 2 10 3 0 S 2 = 6 1 cuya solucin es



6
0 0 3 16 5 S 3
0 0 0 5 10 S 4
2

S 0 1.3186
S 2.6372
1

S 2 = 0.7920

S 3 2.3982
S 4 0.0009

resultando los coeficientes

0.0009 + 2.3982
= 0.07991
65
c3 = 74 ( 2 2.3982 0.0009 ) 56 = 77.99775
a3 =

d 3 = 623
por tanto

g 3 (10) = 0.07991(10 8) 3 12 2.3982(10 8) 2 + 77.99775(10 8) + 623 = 774.84

Interpolacin

4-16

y si usamos Curvatura extrapolada

2 5 3 0
3 10 2 0

0 2 10 3

0 0 3 16
0 0 5 8

0 S 0
0

0 S1

0 S 2 = 6 1 cuya solucin es


5 S 3
6
0
3 S 4

S 0 2.6964
S 1.4629

1
S 2 = 0.6406


S 3 - 1.1108
S 4 - 4.0299

en este caso

4.029 + 1.1108
= -0.097273
65
c3 = 74 ( 2 1.1108 4.0299 ) 56 = 79,20958
a3 =

d 3 = 623
por tanto

g 3 (10) = 0.097273(10 8) 3 12 1.1108(10 8) 2 + 79.20958(10 8) + 623 = 778.42

4.5

Funciones de forma elementales

Otra forma de ver la interpolacin a trozos es, en lugar de considerar que se est haciendo una
interpolacin diferente en cada subintervalo, considerar que se hace una interpolacin en todo
el dominio pero que las funciones de forma utilizadas son funciones elementales, cada una de
las cuales es nula fuera de su elemento.
El dominio se divide en elementos (subintervalos que pueden contener dos o ms nodos) y
para cada elemento se definan sus funciones de forma elementales que dentro del elemento
coinciden con los polinomios de Lagrange (o de Hermite) correspondientes a los nodos del
elemento y fuera del elemento son nulas.
Esta caracterstica va a ser de gran utilidad en el Mtodo de Elementos Finitos (de resolucin
de ecuaciones diferenciales) donde los coeficientes de la combinacin lineal se hallan
resolviendo un sistema de ecuaciones cuyos coeficientes involucran integrales de las funciones
de forma. Como son nulas fuera de su elemento, la integral en el dominio se reduce a la
integral en su elemento. Como veremos en su momento, esto hace que el sistema de
ecuaciones resultante tenga una matriz con muchos coeficientes nulos, facilitando su clculo y
resolucin.
Para cada elemento habr tantas funciones de forma elementales como nodos tenga el
elemento si se usan elementos Lagrangianos o el doble de la cantidad de nodos si se usan
elementos Hermticos.
Para simplificar los nodos y las funciones de forma elementales se identifican por su elemento
y una numeracin local (dentro del elemento)

4.5.1 Elementos Lineales


x x 2( e )
x1( e ) x 2( e )
x x1( e )
(e)
N 2 (x ) = (e)
x 2 x1( e )
N 1( e ) ( x ) =
4-24

El valor interpolado se calcula como

u = N 1( e ) ( x )u1( e ) + N 2( e ) ( x )u 2( e )
Donde

u k( e ) representa el valor nodal de la funcin Figura 8 Elementos lineales 1D

Interpolacin

4-17

a interpolar en el nodo k del elemento e que es el que contiene a x.

4.5.2 Elementos Cuadrticos

(x x )(x x )
(x x )(x x )
(
)(
)
(x ) = x x x x
(x x )(x x )
(x ) = (x x )(x x )
(x x )(x x )

N 1( e ) ( x ) =
N 2( e )

4-25

(e)
3

(e)
2
(e)
2
(e)
1
(e)
1
(e)
1
(e)
1

(e)
1

(e)
2

(e)
3

(e)
3

(e)
2

(e)
3

(e)
3

(e)
2

(e)
3

(e)
2

(e)
3

(e)
2

El valor interpolado se calcula como


Figura 9 Elementos cuadrticos 1D

u = N 1( e ) ( x )u1( e ) + N 2( e ) ( x )u 2( e ) + N 3( e ) ( x )u 3( e )

4.5.3 Elementos Hermticos


2

x x (e ) x x (e )
N1( e ) (x ) = h1 (x ) = 1 2 ( e ) 1 ( e ) ( e ) 2 ( e )
x1 x2 x2 x1

x x2( e ) x x1( e )
( e)

N 2 (x ) = h2 (x ) = 1 2 ( e )

x2 x1( e ) x1( e ) x2( e )


4-26

2
( e)

( e)
(e ) x x2

N 3 (x ) = h1 (x ) = x x1 ( e )
( e)
x2 x1

( e)
4

( e)

(x ) = h2 (x ) = x x2(e ) x( e) x1 (e )
x1 x2

Figura 10 Elementos hermticos 1D

El valor interpolado se calcula como

u = N 1( e ) ( x )u1( e ) + N 2( e ) ( x )u 2( e ) + N 3( e ) ( x )u '1( e ) + N 3( e ) (x )u ' (2e )


Donde

u k(e ) y u ' (ke ) representan el valor nodal de la funcin y su derivada en el nodo k del

elemento e.

4.6

Interpolacin en 2D y 3D

La interpolacin tambin es til para estimar el valor de una funcin de varias variables a partir
de datos tabulados.
Por ejemplo, en tratamiento de imgenes se pueden tener valores de intensidad de color en
una cuadrcula de puntos y querer calcular los valores en una cuadrcula ms densa, lo cual
puede hacerse por interpolacin.
En el Mtodo de Elementos Finitos, que veremos ms adelante, se dividen dominios en 2D o
3D en elementos triangulares, rectangulares, tetradricos, cuas o hexadricos. Cada
elemento tiene cierta cantidad de nodos y los valores de una funcin en otros puntos del
elemento se aproximan por interpolacin de los valores nodales.
Para simplificar y obtener frmulas generales, la interpolacin (y otras operaciones) se
desarrollan para elementos estndar en los que se pueden transformar otros elementos
mediante cambios de variable.

Interpolacin

4-18

4.6.1 Interpolacin en tringulos


El tringulo estndar tiene vrtices (0,0 ) (1,0 ) (0,1) y se puede
transformar

(x

e
1

,y

en

cualquier

)(x , y )(x , y )

e
1
e
1 1
e
1 1

e
2

e
2

e
e
3
3
e
2 2
e
2 2

tringulo

de

vrtices

mediante la transformacin

x = x T ( g , h ) + x T ( g , h ) + x3e T3 ( g , h )
y = y T ( g , h ) + y T ( g , h ) + y 3eT3 ( g , h )

Donde

T1 ( g , h ) = 1 g h
T2 ( g , h ) = g
T3 ( g , h ) = h

o sea

x
g x1( e )
y = M h + (e)

y1

Figura 11 Tringulo estndar

donde

x1( e )
M = (e)
y1

4-27

x 2( e )
y 2( e )

1 1
x1( e ) + x 2( e )
x3( e )

0 = (e)
1
y 3( e )
y + y 2( e )
0
1 1

x1( e ) + x 3( e )

y1( e ) + y 3( e )

Por tanto

x1( e )
g
1 x

M
h
y y ( e )

1

4-28

Para interpolar en (x,y) se halla (g,h) con 4-28 y se interpola en el tringulo estndar.

4.6.1.1 Tringulos de 1 orden (3 nodos)


El valor interpolado se calcula como

u = N 1 ( g , h )u1( e ) + N 2 ( g , h )u 2( e ) + N 3 ( g , h )u 3( e )
N1 (g , h ) = 1 g h
N 2 (g , h ) = g

Siendo

Donde

N 3 (g , h) = h

(e )
k

o sea

u = (1 g h )u1( e ) + gu 2( e ) + hu 3( e )

representa el valor nodal de la funcin a interpolar en el nodo k del elemento

original e que es el que contiene al punto de interpolacin.


Ntese que las funciones de forma Ni que se usan para interpolar en el tringulo lineal son las
mismas que las Ti usadas para transformar el tringulo estndar en un elemento triangular
general y son polinomios de primer grado en g y h tales que cada una vale 1 en un nodo y 0 en
los otros dos nodos.

Figura 12

Funciones de forma de tringulo lineal

Interpolacin

4-19

4.6.1.2 Tringulos de 2 orden (6 nodos)


El valor interpolado se calcula como

u = N 1 ( g , h )u1( e ) + N 2 ( g , h )u 2( e ) + N 3 ( g , h )u 3( e ) + N 4 (g , h )u 4( e ) + N 5 ( g , h )u 5( e ) + N 6 ( g , h )u 6( e )

N 1 ( g , h ) = 2( 12 g h )(1 g h )
N 2 (g , h ) = 2 g (g 12 )
N 3 ( g , h ) = 2h(h 12 )

Siendo

N 4 (g , h ) = 4 g (1 g h )
N 5 ( g , h ) = 4 gh
N 6 (g , h ) = 4h(1 g h )

o sea

u = 2( 12 g h )(1 g h )u1( e ) + 2 g (g 12 )u 2( e ) + 2h(h 12 )u 3( e )


+ 4 g (1 g h )u 4( e ) + 4 ghu 5( e ) + 4h(1 g h )u 6( e )

Las funciones de forma Ni son polinomios de segundo grado en g y h tales que cada una vale 1
en un nodo y 0 en los otros cinco nodos.

Figura 13

Funciones de forma de tringulo cuadrtico

4.6.2 Interpolacin en tetraedros


El tetraedro estndar tiene vrtices (0,0,0 ) (1,0,0 ) (0,1,0 ) (0,0,1) y se puede transformar en
e
e
e
e
e
e
e
e
e
e
e
e
cualquier tetraedro de vrtices (x1 , y1 , z1 )(x 2 , y 2 , z 2 )(x3 , y 3 , z 3 )(x 4 , y 4 , z 4 ) mediante la
transformacin

x = x1e T1 (g , h, r ) + x 2e T2 ( g , h, r ) + x3eT3 ( g , h, r ) + x 4e T4 ( g , h, r )

y = y1eT1 ( g , h, r ) + y 2e T2 ( g , h, r ) + y 3e T3 ( g , h, r ) + y 4eT4 ( g , h, r )
z = z1eT1 ( g , h, r ) + z 2eT2 ( g , h, r ) + z 3e T3 ( g , h, r ) + z 4e T4 ( g , h, r )

Donde

T1 ( g , h, r ) = 1 g h r

T2 ( g , h, r ) = g
T3 ( g , h, r ) = h

T4 ( g , h, r ) = r

Figura 14 Tetraedro estndar

Interpolacin

4-20

(e)
x
g x1

( e)
O sea y = M h + y1 donde


(e)
z
r z1
1
x1( e ) x 2( e ) x3(e ) x 4( e )

1
M = y1( e ) y 2( e ) y 3(e ) y 4( e )
0
z1( e ) z 2(e ) z 3( e ) z 4( e )

1 1
x1( e ) + x 2( e )
0
0 ( e )
= y1 + y 2( e )

1
0
(e)
(e)
z1 + z 2
0 1

x1( e ) + x 3( e )
y1( e ) + y 3( e )
z1( e ) + z 3( e )

x1( e ) + x 4( e )

y1( e ) + y 4( e )
z1( e ) + z 4( e )

Por tanto

x x1( e )
g

h = M 1 y y ( e )
1

( e )
r
z z1

4-29

Para interpolar en (x,y,z) se halla (g,h,r) con 4-29 y se interpola en el tetraedro estndar.

4.6.2.1 Tetraedro de 1 orden (4 nodos)


El valor interpolado se calcula como

u = N 1 ( g , h, r )u1( e ) + N 2 ( g , h, r )u 2( e ) + N 3 ( g , h, r )u 3( e ) + N 4 ( g , h, r )u 4( e )
N 1 ( g , h, r ) = 1 g h r
N 2 ( g , h, r ) = g

Siendo

N 3 ( g , h, r ) = h

N 4 ( g , h, r ) = r

o sea

u = (1 g h r )u1( e ) + gu 2( e ) + hu 3( e ) + ru 4( e )

Ntese que las funciones de forma Ni que se usan para interpolar en el tetraedro lineal son las
mismas que las Ti usadas para transformar el tetraedro estndar en un elemento tetradrico
general y son polinomios de primer grado en g, h y r tales que cada una vale 1 en un nodo y 0
en los otros tres nodos.

4.6.2.2 Tetraedro de 2 orden (10 nodos)

En este caso las funciones de forma usadas para interpolar son polinomios de segundo grado
en g, h y r tales que cada una vale 1 en un nodo y 0 en los otros nueve nodos.

4.6.3 Interpolacin en cuas


La cua estndar tiene vrtices

( 1,0,0) ( 1,1,0) ( 1,0,1) (1,0,0) (1,1,0) (1,0,1)


y se puede transformar en cualquier cua de vrtices

(x , y , z )(x , y , z )(x , y
(x , y , z )(x , y , z )
e
1

e
5

e
1

e
5

e
1

e
5

e
2

e
6

e
2

e
6

e
2

e
3

e
3

, z 3e )(x 4e , y 4e , z 4e )

e
6

mediante la transformacin
Figura 15 Cua estndar

Interpolacin

4-21

x = x1eT1 ( g , h, r ) + x 2e T2 ( g , h, r ) + x3e T3 ( g , h, r ) + x 4eT4 ( g , h, r ) + x5e T5 ( g , h, r ) + x6eT6 ( g , h, r )

y = y1eT1 ( g , h, r ) + y 2e T2 (g , h, r ) + y 3e T3 ( g , h, r ) + y 4eT4 ( g , h, r ) + y5eT5 ( g , h, r ) + y 6eT6 ( g , h, r )

z = z1e T1 ( g , h, r ) + z 2eT2 ( g , h, r ) + z 3eT3 (g , h, r ) + z 4eT4 ( g , h, r ) + z 5eT5 ( g , h, r ) + z 6eT6 ( g , h, r )


Donde

T1 ( g , h, r ) =

T2 ( g , h, r ) =
T3 ( g , h, r ) =
T4 ( g , h, r ) =
T5 ( g , h, r ) =
T6 ( g , h, r ) =

1
2
1
2
1
2
1
2
1
2
1
2

(1 g h )(1 r )
g (1 r )
h(1 r )
(1 g h )(1 + r )
g (1 + r )
h(1 + r )

4.6.3.1 Cua de 1 grado (6 nodos)

Nuevamente las funciones de forma que se usan para interpolar en la cua de 1 grado son las
mismas que las usadas para transformar la cua estndar en un elemento cua general y son
polinomios de primer grado en g, h y r tales que cada una vale 1 en un nodo y 0 en los otros
cinco nodos.

4.6.3.2 Cua de 2 grado (15 nodos)

En este caso las funciones de forma usadas para interpolar son polinomios de segundo grado
en g, h y r tales que cada una vale 1 en un nodo y 0 en los otros catorce nodos.

4.6.4 Interpolacin en cuadrilteros


El cuadrado estndar tiene vrtices

( 1,1) (1,1) (1,1) ( 1,1)


y se puede transformar en cualquier cuadriltero de
vrtices

(x

e
1

)(

)(

)(

, y1e x 2e , y 2e x3e , y 3e x 4e , y 4e

Interpolacin

4-22

mediante la transformacin

x = x1eT1 ( g , h ) + x 2eT2 ( g , h ) + x3eT3 ( g , h ) + x 4eT4 ( g , h )


y = y1eT1 ( g , h ) + y 2eT2 ( g , h ) + y 3eT3 ( g , h ) + x 4e T4 ( g , h )
Donde

T1 ( g , h ) = 14 (1 g )(1 h )
T2 ( g , h ) = 14 (1 + g )(1 h )
T3 ( g , h ) = 14 (1 + g )(1 + h )
T4 ( g , h ) = 14 (1 g )(1 + h )
En este caso la transformacin del cuadrado estndar al cuadriltero general no es una
transformacin lineal sino bilineal, por lo que su transformacin inversa no es sencilla de
deducir y no lo veremos ac.

4.6.4.1 Cuadriltero lineal (4 nodos)


El valor interpolado se calcula como

u = N 1 ( g , h )u1( e ) + N 2 ( g , h )u 2( e ) + N 3 ( g , h )u 3( e ) + N 4 (g , h )u 4( e )
N1 (g , h ) =

1
4
1
4
1
4
1
4
(e)
1

N 2 (g , h ) =

Siendo

N 3 (g , h ) =

N 4 (g , h ) =

o sea

u=

1
4

(1 g )(1 h )u

(1 g )(1 h )
(1 + g )(1 h )
(1 + g )(1 + h )
(1 g )(1 + h )
+ 14 (1 + g )(1 h )u 2( e ) + 14 (1 + g )(1 + h )u 3( e ) + 14 (1 g )(1 + h )u 4( e )

Ntese que las funciones de forma Ni que se usan para interpolar en el cuadriltero lineal son
las mismas que las Ti usadas para transformar el cuadrado estndar en un elemento
cuadriltero general y son polinomios de primer grado en g y h tales que cada una vale 1 en un
nodo y 0 en los otros tres nodos.

4.6.4.2 Cuadriltero de segundo grado (8 nodos)

Nuevamente vemos que las funciones de forma que se usan para interpolar son polinomios de
segundo grado en g y h tales que cada una vale 1 en un nodo y 0 en los dems nodos.

Interpolacin

4-23

4.6.5 Interpolacin en hexaedros (7)


El cubo estndar tiene vrtices

( 1,1,1) (1,1,1) (1,1,1) ( 1,1,1)


( 1,1,1) (1,1,1) (1,1,1) ( 1,1,1)
y se puede transformar en cualquier cuadriltero
de vrtices

(x
(x

)(
)(x , y

)(
)(x , y

)(
)(x , y

e
1

, y1e , z1e x 2e , y 2e , z 2e x3e , y 3e , z 3e x 4e , y 4e , z 4e

e
5

, y 5e , z 5e

e
6

e
6

, z 6e

e
7

e
7

, z 7e

e
8

e
8

, z 8e

)
)

mediante la transformacin

x = x1eT1 ( g , h ) + x 2e T2 ( g , h ) + x3eT3 ( g , h ) + x 4eT4 ( g , h ) + x5eT5 ( g , h ) + x6eT6 ( g , h ) + x7e T7 ( g , h ) + x8eT8 ( g , h )

y = y1eT1 ( g , h ) + y 2eT2 ( g , h ) + y 3eT3 ( g , h ) + y 4eT4 ( g , h ) + y5eT5 ( g , h ) + y 6e T6 ( g , h ) + y 7eT7 ( g , h ) + y8eT8 ( g , h )


z = z1e T1 ( g , h ) + z 2eT2 ( g , h ) + z 3eT3 ( g , h ) + z 4e T4 ( g , h ) + z 5eT5 ( g , h ) + z 6eT6 ( g , h ) + z 7e T7 (g , h ) + z 8eT8 ( g , h )

Donde

T1 ( g , h ) = 18 (1 g )(1 h )(1 r )
T2 ( g , h ) = 18 (1 + g )(1 h )(1 r )
T3 ( g , h ) = 18 (1 + g )(1 + h )(1 r )

T4 ( g , h ) =
T5 ( g , h ) =
T6 ( g , h ) =
T7 ( g , h ) =
T8 ( g , h ) =

1
8
1
8
1
8
1
8
1
8

(1 g )(1 + h )(1 r )
(1 g )(1 h )(1 + r )
(1 + g )(1 h )(1 + r )
(1 + g )(1 + h )(1 + r )
(1 g )(1 + h )(1 + r )

En este caso la transformacin del cubo estndar al hexaedro general es trilineal, por lo que su
transformacin inversa no es sencilla de deducir y no lo veremos ac.

4.6.5.1 Hexaedro lineal (8 nodos)

Ntese que las funciones de forma Ni que se usan para interpolar en el hexaedro lineal son las
mismas que las Ti usadas para transformar el cubo estndar en un elemento cuadriltero
general y son polinomios de primer grado en g, h y r tales que cada una vale 1 en un nodo y 0
en los otros siete nodos.

Consideramos hexaedro a cualquier poliedro con seis caras cuadrilteras.

Interpolacin

4-24

4.6.5.2 Hexaedro cuadrtico (20 nodos)

En este caso las funciones de forma usadas para interpolar son polinomios de segundo grado
en g, h y r tales que cada una vale 1 en un nodo y 0 en los otros diecinueve nodos.

Universidad Tecnolgica Nacional


Facultad Regional Delta

Terico de
CLCULO AVANZADO
2015

Tema: DERIVACIN NUMRICA

Objetivos de aprendizaje

Comprender cmo se derivan las frmulas de diferencias finitas.


Comprender los riesgos de usar paso muy pequeo.
Saber cmo se aplica la Extrapolacin de Richardson y sus ventajas.

Germn BRESCIANO

DERIVACIN NUMRICA..........................................................................................................5-1
5.1
5.2
5.3
5.4

INTRODUCCIN ..........................................................................................................................5-1
DERIVADAS DE UNA FUNCIN TABULADA ..................................................................................5-1
FRMULAS DE DIFERENCIAS FINITAS ..........................................................................................5-1
EXTRAPOLACIN DE RICHARDSON .............................................................................................5-3

Derivacin Numrica

5-1

5 Derivacin Numrica
5.1

Introduccin

El clculo de derivadas por mtodos numricos se necesita cuando slo conocemos los valores
de una funcin en una tabla de puntos de un intervalo y queremos saber el valor de alguna
derivada en un punto del intervalo.
Tambin es til cuando sabemos calcular la funcin en cualquier punto pero no podemos o no
queremos derivar analticamente la funcin.

5.2

Derivadas de una funcin tabulada

Un posible enfoque consiste en derivar la frmula de interpolacin de Lagrange, resultando:

f ( k ) ( x) = (Pn(x) + En(x))

(k )

= f j l (j k )(x) + En( k )(x)


j =0

Si x es un punto de la tabla y se conocen cotas de las derivadas superiores, el error de estas


frmulas puede acotarse, pero si x no es un punto de la tabla no podemos acotar el error.
Tampoco sabemos si usando ms puntos (polinomio interpolados de mayor grado) mejora o
empeora la aproximacin de la derivada.
Tambin podemos hacer una interpolacin por trazadores cbicos de la tabla y usar las
derivadas del trazador como aproximacin a las derivadas de la funcin.
Puede demostrarse que si en un intervalo se usa una sucesin de tablas de finura creciente (la
distancia mxima, h , entre puntos de la tabla tiende a cero) entonces el error mximo de
(k)
4-k
clculo de f en el intervalo es un infinitsimo de orden O(h ).

5.3

Frmulas de diferencias finitas

Cuando podemos calcular la funcin a derivar en cualquier punto se pueden aproximar las
derivadas con frmulas deducidas a partir del desarrollo de Taylor de la funcin:

f ( x + h) = f ( x) + hf ( x) +

h2
f ( )
2

De donde podemos despejar


5-1

f ( x) =

f ( x + h) f ( x) h
f ( )
h
2

que es la frmula de diferencia hacia delante para la derivada primera.


Como se puede apreciar, esta frmula nos da una aproximacin a la derivada primera con un
error de orden O(h).
Si partimos de los desarrollos de Taylor en x+h y en x-h hasta el trmino de 2 orden

f ( x + h) = f ( x) + hf ( x) +

h2
h3
f ( x) +
f (1 )
2
6

f ( x h) = f ( x) hf ( x) +

h2
h3

f ( x)
f ( 2 )
2
6

restando ambos desarrollos y despejando obtenemos


5-2

f ( x) =

f ( x + h) f ( x h) h 2

f ( )
2h
6

que es la frmula de diferencia central para la derivada primera y tiene error de orden
2
O(h ).

Derivacin Numrica

5-2

Anlogamente, usando desarrollos de Taylor hasta trminos de 4 orden en x, x+h y x-h


podemos despejar la derivada segunda obteniendo:

f ( x) =

5-3

f ( x + h) 2 f ( x) + f ( x h) h 2 iv

f ( )
h2
12

que es la frmula de diferencia central para la derivada segunda y tiene error de orden
2
O(h ).
Seleccionando h suficientemente pequeo en teora podramos calcular f y f con la precisin
que necesitemos.
En la prctica h no puede ser arbitrariamente pequeo pues al disminuir h aumentan los
errores de representacin de estas frmulas debido a cancelacin catastrfica. Existe por tanto
un h ptimo que minimiza el error total, pero usualmente no lo podemos calcular pues su valor
depende de derivadas superiores de f que no conocemos.
Otras frmulas de diferencias centrales son:

f ( x) =

5-4

f iv ( x) =

5-5

f ( x + 2 h) 2 f ( x + h ) + 2 f ( x h) f ( x 2h )
+ O(h 2 )
3
2h

f ( x + 2h ) 4 f ( x + h) + 6 f ( x ) 4 f ( x h) + f ( x 2h )
+ O(h 2 )
h4

Las frmulas de diferencias centrales son ms precisas que las de diferencias hacia delante,
pero en los entremos del rango tabulado no pueden usarse pues no se dispone de los valores
de f a ambos lados de x. En estos casos se deben usar frmulas de diferencias hacia delante o
hacia atrs.
Algunas frmulas de diferencias hacia adelante son:

f ( x) =

f ( x + 2h ) + 4 f ( x + h) 3 f ( x )
+ O(h 2 )
2h

f ( x) =

f ( x + 3h) + 4 f ( x + 2h) 5 f ( x + h) + 2 f ( x)
+ O (h 2 )
2
h

f ( x) =

3 f ( x + 4h) + 14 f ( x + 3h) 24 f ( x + 2h) + 18 f ( x + h) 5 f ( x)


+ O(h 2 )
3
2h

f iv ( x) =

2 f ( x + 5h) + 11 f ( x + 4h) 24 f ( x + 3h) + 26 f ( x + 2h) 14 f ( x + h) + 3 f ( x)


+ O(h 2 )
4
h

Las frmulas de diferencias hacia atrs se obtienen de estas pero con h negativo.

Ejemplo

-x/2

Calcularemos las derivadas de f(x)=xe en x=0.3 con h=0.1, 0.05 y 0.025


Los resultados, que se muestran en la Tabla 5-1 confirman el orden de los errores. Estos
fueron calculados por diferencia con los valores exactos de las derivadas.
Ecua.
h=0,1
error
h=0,05
error
h=0,025
error
5-1
0,692799 4E-02 0,711951 2E-02 0,721713 1E-02
5-2
0,732624 -1E-03 0,731857 -3E-04 0,731666 -6E-05
5-3
-0,796500 3E-04 -0,796241 9E-05 -0,796176 2E-05
5-4
0,613907 -7E-04 0,613418 -2E-04 0,613295 -4E-05
5-5
-0,414478 3E-04 -0,414281 7E-05 -0,414232 2E-05
Tabla 5-1

Clculo de derivadas por frmulas de diferencias finitas

Derivacin Numrica

5.4

5-3

Extrapolacin de Richardson

Es una forma de mejorar la precisin cuando se conoce el orden del error en funcin de h.
n
Si tenemos una frmula con error de orden O(h ) entonces dado > 1 :
5-6

F = Ah + O (h n ) = Ah + Ch n + O (h m )

5-7

Ch n
F = Ah / + O ( h ) n = An / + n + O ( h ) m

siendo m > n.
De estas ecuaciones se puede eliminar C, obteniendo

F = Aextr + O (h m )

Aextr = Ah / +

5-8

donde

1
(Ah / Ah )
1
n

que es una frmula ms precisa que la original pues su error es de orden O(h ) con m>n.
Podemos suponer que el error de 5-8 es inferior al error de 5-7, el cual es aproximadamente

Eextr

5-9

1
(Ah / Ah )
1
n

Esta tcnica de extrapolacin se puede aplicar a cualquier frmula con orden de error
conocido.

Ejemplo
A partir de los resultados del ejemplo anterior se pueden obtener los valores extrapolados con
h=0.1 y 0.05 y con h=0.05 y 0.025. Ntese que los errores estimados de las extrapolaciones
son todos muy superiores a los errores reales de los valores extrapolados.
Ecua. h= 0,1 y 0,05 Err extr Error h= 0,05 y 0,025 Err extr Error
5-1 0,731103491 2E-02 5E-04
0,731475625 1E-02 1E-04
5-2 0,731601726 -3E-04 5E-08
0,731601777 -6E-05 3E-09
5-3 -0,796154867 9E-05 -1E-08
-0,796154878 2E-05 -7E-10
5-4 0,613254376 -2E-04 6E-08
0,613254430 -4E-05 4E-09
5-5 -0,414215697 7E-05 -2E-08
-0,414215712 2E-05 -2E-09
Tabla 5-2

Clculo de derivadas por extrapolacin de Richardson

Universidad Tecnolgica Nacional


Facultad Regional Delta

Terico de
CLCULO AVANZADO
2015

Tema: INTEGRACIN

Objetivos de aprendizaje:
Comprender la deduccin de las frmulas de Newton Cotes.
Comprender cmo se obtienen las frmulas compuestas y qu ventajas
tienen.
Comprender cmo los errores de representacin afectan las distintas
frmulas.
Comprender cmo la Extrapolacin de Romberg mejora la precisin de las
frmulas.
Conocer la mecnica de los mtodos adaptativos y sus ventajas.
Comprender la deduccin de la integracin Gaussiana y sus ventajas
Comprender cmo se deducen las frmulas de integracin Gaussiana en
elementos 2D y 3D.

Germn BRESCIANO

INTEGRACIN ..............................................................................................................................6-1
6.1
INTRODUCCIN ..........................................................................................................................6-1
6.2
FRMULAS DE NEWTON COTES ..................................................................................................6-1
6.2.1
Caso n=1 (Regla del Trapecio) ........................................................................................6-2
6.2.2
Caso n=2 (Regla 1/3 de Simpson) ....................................................................................6-3
6.2.3
Otras frmulas ...................................................................................................................6-4
6.3
FRMULAS COMPUESTAS ...........................................................................................................6-5
6.3.1
Frmula de Trapecios compuesta......................................................................................6-5
6.3.2
Frmula de Simpson compuesta ........................................................................................6-6
6.3.3
Errores de representacin en las frmulas compuestas. ...................................................6-7
6.3.4
Extrapolacin de Romberg ................................................................................................6-8
6.3.4.1
6.3.4.2
6.3.4.3

Extrapolacin de Romberg para trapecios .................................................................................... 6-8


Mtodo de trapecios iterativo ....................................................................................................... 6-8
Extrapolacin de Romberg para Simpson .................................................................................... 6-9

6.4
MTODOS ADAPTATIVOS ............................................................................................................6-9
6.4.1
Mtodo de Simpson adaptativo ..........................................................................................6-9
6.4.1.1

Integracin adaptativa en Scilab ................................................................................................. 6-11

6.5
INTEGRACIN GAUSSIANA .......................................................................................................6-11
6.5.1
Frmulas de Gauss-Legendre..........................................................................................6-12
6.5.1.1
6.5.1.2
6.5.1.3
6.5.1.4

Eleccin de los nodos ................................................................................................................. 6-13


Pesos........................................................................................................................................... 6-14
Error ........................................................................................................................................... 6-14
Resumen ..................................................................................................................................... 6-14

6.5.2
Frmulas Compuestas .....................................................................................................6-15
6.6
ELECCIN DE UNA FRMULA DE INTEGRACIN ........................................................................6-15
6.6.1
Integrando tabulado ........................................................................................................6-15
6.6.2
Integrando evaluado ........................................................................................................6-15
6.7
INTEGRACIN EN CUADRILTEROS ...........................................................................................6-16
6.8
INTEGRACIN EN HEXAEDROS ..................................................................................................6-16
6.9
INTEGRACIN EN TRINGULOS .................................................................................................6-17
6.9.1
Regla del trapecio en tringulos......................................................................................6-17
6.9.2
Regla del punto medio en tringulos ...............................................................................6-17
6.9.3
Regla para grado total 2 .................................................................................................6-17
6.9.4
Regla para grado total 3 .................................................................................................6-17
6.10 INTEGRACIN GAUSSIANA EN TRINGULOS .............................................................................6-18
6.10.1
Ejemplo p=2 ....................................................................................................................6-18
6.11 INTEGRACIN EN TETRAEDROS ................................................................................................6-20

Integracin

6-1

6 Integracin
6.1

Introduccin

El clculo de integrales de funciones de una variable tiene infinidad de aplicaciones en ingeniera.


Cuando los valores de la funcin a integrar slo se conocen en ciertos puntos tabulados, parece
natural aproximar la integral de la funcin por la integral del polinomio interpolador en el mismo
intervalo.
Aun cuando se tiene una expresin analtica de la funcin a integrar, puede no conocerse una
primitiva o ser muy difcil de calcular, por lo que tambin puede ser til hacer una tabla evaluando
la funcin en ciertos puntos del intervalo de integracin y tambin aproximar la integral de la
funcin por la integral del polinomio interpolador en el mismo intervalo.

Ejemplo
Se quiere calcular
1

e
0

x2
2

dx

se sabe que si

f(x) = e

6.2

x2
2

f (x) 1 x

entonces ( )

f IV (x) 3 x

Frmulas de Newton Cotes

Para aproximar la integral de una funcin f en un intervalo [a,b], podemos dividir dicho intervalo en
2
n subintervalos iguales y tener (o calcular) una tabla de la funcin por x0, x1, , xn ( ) (con x0=a y
xn=b) y aproximar la integral de f por la de su polinomio interpolador de grado n por dicha tabla.
Como dicho polinomio interpolador es nico, podemos usar el mtodo de Lagrange.

f(x)dx = (Pn(x) + E(x))dx = Pn(x)dx + E(x)dx =


b

n
b n
b
b
b

= f j l j(x) dx + E(x)dx = f j l j(x)dx + E(x)dx


a
a
a
a
j =0
j =0

6-1

donde

H j = l j(x)dx

f(x)dx = ( f j H j ) + E
n

j =0

b
f (n+1 ) ((x))
dx
E = ( x x0 )( x x1 )L( x xn )
a
(n + 1)!

En la prctica estas frmulas slo se usan para n igual 1, 2, 3 o 4, pues con polinomios de grados
mayores aumenta la complejidad y los errores de representacin y, como veremos ms adelante,
hay mejores formas de aumentar la precisin.

1
2

f " (x ) = e

x2
2

(x

)y

IV

(x ) = e

x2
2

(x

6x2 + 3

si se define h=(b-a)/n entonces xk=a+kh k=0, 1,, n

Integracin

6-2

6.2.1 Caso n=1 (Regla del Trapecio)


En este caso el polinomio interpolador es de primer orden.

Figura 6-1

Newton Cotes para n=1

Los polinomios de Lagrange son:

l 0 ( x) =

x x0
x x1 x x0 h
=
= 1
x0 x1
h
h

l1 ( x) =

x x0 x x 0
=
x1 x0
h

por tanto
b
x1
1
x x0
h
H 0 = l0(x)dx = 1
dx = h(1 t )hdt =

a
x0
0
2
h

b
x1 x x
1
h
0
H 1 = l1(x)dx =
dx = th dt =

a
x0
0
2
h

de donde

6-2

x1

x0

f(x)dx

h
( f 0 + f1 )
2

el error es
x1
f ((x))
E = (x x0 )(x x1 )
dx
x0
2

Como

(x x0 )(x x1 )

no cambia de signo en [x0, x1] y

f ((x)) es continua en dicho intervalo,

aplicando el teorema del valor medio ponderado, existe en (x0, x1) tal que
1t( 1 t)
(x x0 )(x x1 )
dx = h 3 f ( )
dt
x0
0
2
2

E = f ()

6-3

x1

E =

h3
f ()
12

Integracin

6-3

Ejemplo
1

Usaremos la regla del trapecio para calcular

x2
2

dx

En este caso h=1, a=x0=0 y b=x1=1


La ecuacin 6-2 queda

x1

x0

como

f(x)dx

1
( f( 0 ) + f( 1 )) = 0.803265
2

1 entonces segn 6-3 podemos acotar el error


f (x)
E =

h3
1
f () 0.08
12
12

6.2.2 Caso n=2 (Regla 1/3 de Simpson)


En este caso el polinomio interpolador es de segundo orden.

Figura 6-2

Newton Cotes para n=2

Los polinomios de Lagrange son:

(x x1 )(x x2 ) = (x x0 h )(x x0 2h ) = 1 1 x x0 2 x x0

2
(x0 x1 )(x0 x2 )
2h 2
h
h

(x x0 )(x x2 ) = (x x0 )(x x0 2h ) = x x0 2 x x0
l1 ( x) =

(x1 x0 )(x1 x2 )
h2
h
h
l0 ( x) =

l 2 ( x) =

(x x0 )(x x1 ) = (x x0 )(x x0 h ) = 1 x x0 x x0 1

2
(x2 x0 )(x2 x1 )
2h 2
h h

por tanto
2
x x0
h
x x0
1
2
dx = 12 (1 t )(2 t )hdt =

a
0
h
h
3

b
x2 x x
2
x x0
4h
0
2
H 1 = l1(x)dx =
dx = t (2 t )hdt =

a
x0
0
3
h
h
b

H 0 = l0(x)dx =

x2

1
x0 2

Integracin

6-4

H 2 = l1(x)dx =

x2

1
x0 2

x x0 x x0
1dx =

h h

t (t 1)h dt = 3

2
1
2 0

de donde

6-4

x2

x0

f(x)dx

h
( f 0 + 4 f1 + f 2 )
3

el error es

E =

f (( x ))

(x x )(x x )(x x ) 6 dx
x2

x0

E =

6-5

que puede demostrase que es igual a

h 5 IV
f ()
90
5

Obsrvese que el error es de orden h , por lo que esta frmula es ms precisa que lo que cabra
esperar en comparacin con la de trapecios.
Esto se debe a que como ( x x 0 )( x x1 )( x x 2 ) es impar en el intervalo, el teorema del valor
medio ponderado se aplica previa integracin por partes, que aumenta el orden de la derivada y el
exponente de h.
Se puede interpretar que esta mayor precisin se debe a la cancelacin parcial de los errores de
distinto signo en cada medio intervalo.

Ejemplo
1

Usaremos la regla de Simpson para calcular

e
0

x2
2

dx

En este caso h=0.5, a=x0=0, x1=0.5 y b=x2=1


La ecuacin 6-4 queda

x1

x0

como

f(x)dx

0 .5
( f( 0 ) + 4 f (0.5) + f( 1 )) = 0.856086
3

f IV (x) 4 entonces segn 6-5 podemos acotar el error

E =

h 5 IV
0.5 5
f ()
3 0.001
90
90

Ntese que la cota de error en este caso es casi 80 veces menor que para la regla del trapecio.

6.2.3 Otras frmulas


Para n=3 se obtiene la regla 3/8 de Simpson:
x3

6-6

6-7

E =

x0

f(x)dx

3h
( f 0 + 3 f1 + 3 f 2 + f 3 )
8

3h 5 IV
f ()
80

Integracin

6-5

obsrvese que esta frmula, a pesar de ser ms compleja que la regla 1/3 de Simpson, tiene una
precisin muy similar.
Para n=4 se obtiene la regla de Boole:
x4

6-8

6-9

E =

x0

f(x)dx

2h
(7 f 0 + 32 f1 + 12 f 2 + 32 f 3 + 7 f 4 )
45

8h 7 VI
f ()
945

Obsrvese que nuevamente tenemos mayor precisin que la esperada en esta frmula. Esto
sucede para todos los n pares.

6.3

Frmulas compuestas

Las frmulas de Newton Cotes de grados superiores tienen problemas de errores de


representacin debido a que tienen coeficientes positivos y negativos y con grandes valores
absolutos. Debido a esto, para obtener mayor precisin en lugar de usar frmulas de mayor grado
se divide el intervalo de integracin en subintervalos menores y se aplica una regla de grado bajo
en cada uno de ellos, sumando los resultados para obtener la integral en el intervalo completo.

6.3.1 Frmula de Trapecios compuesta


Si el intervalo [a,b] se divide en n subintervalos [xi,xi+1] donde xi=a+ih y h=(b-a)/n y aplicamos en
cada subintervalo la regla del trapecio, entonces

Figura 6-3

Trapecios compuesto

6-10

El error global es

n 1
n 1
xi +1
h
f(x)dx = f(x)dx ( f i + f i +1 )
x
i =0 2
i =0 i

f
f
f(x)dx Tn = h 0 + f1 + f 2 + L + f n1 + n
2
2

Integracin

ET =

6-6

h 3 n1
nh 3

f
(

)
f ( ) con perteneciente a (a,b), por tanto
=

i
12 i =0
12
ET =

6-11

Obsrvese que como

h=

ba 2
h f ( )
12

ba
al aumentar n disminuye el error global.
n

Ejemplo
1

Usaremos la regla del trapecio compuesta con n=4 para calcular

e
0

x2
2

dx

En este caso h=0.25, a=x0=0, x1=0.25, x2=0.5, x3=0.75 y b=x4=1


La ecuacin 6-10 queda

x4

x0

como

f( 1 )
f( 0 )
f(x)dx T4 = 0.25
+ f( 0.25 ) + f( 0.5 ) + f( 0.75 ) +
= 0.852459
2
2

1 entonces segn 6-11 podemos acotar el error


f (x)
ET =

ba 2
0.25 2
h f ()
0.005
12
12

La cota de error mejor mucho respecto a la regla del trapecio no compuesta.

6.3.2 Frmula de Simpson compuesta


Si el intervalo [a,b] se divide en n/2 subintervalos [x2i,x2i+2] donde xi=a+ih y h=(b-a)/n (con n par) y
aplicamos en cada subintervalo la regla de Simpson, entonces

Figura 6-4

Simpson compuesto

f(x)dx =

n / 2 1

i =0

xi + 2 f(x)dx
xi

n / 2 1

3(f
i =0

2i

+ 4 f 2i +1 + f 2i + 2 )

Integracin

6-7

6-12

f(x)dx S n =

h
( f 0 + 4 f1 + 2 f 2 + 4 f 3 + 2 f 4 + L + 2 f n2 + 4 f n1 + f n )
3

El error global es

h 5 n / 21 IV
nh 5 IV
ES =
f ( i ) = 180 f () con perteneciente a (a,b), por tanto
90 i =0
ES =

6-13

Obsrvese que como

h=

b a 4 IV
h f ()
180

ba
al aumentar n disminuye el error global.
n

Ejemplo
1

Usaremos la regla de Simpson compuesta con n=4 para calcular

e
0

x2
2

dx

En este caso h=0.25, a=x0=0, x1=0.25, x2=0.5, x3=0.75 y b=x4=1


La ecuacin 6-12 queda

x4

x0

como

f(x)dx S 4 =

0.25
( f( 0 ) + 4 f( 0.25 ) + 2 f( 0.5 ) + 4 f( 0.75 ) + f( 1 )) = 0.855651
3

f IV (x) 4 entonces segn 6-13 podemos acotar el error

ES =

b a 4 IV
0.25 4
h f ()
3 0.00007
180
180

Como puede verse esta cota es quince veces ms pequea que para la regla de Simpson no
compuesta y setenta veces ms pequea que para trapecios compuestos.

6.3.3 Errores de representacin en las frmulas compuestas.


Cuando hacemos los clculos con aritmtica de punto flotante, al considerar el error de clculo y
representacin de f(x), tendremos que

f i* = f i + ei

con

ei F maq siendo F una cota superior del valor absoluto de f.

al evaluar la frmula de trapecios


*

b f(x)dx = h
a

1
2

f 0* + f1* + f 2* + L + f n*1 + 12 f n* =

= h( 12 f 0 + f1 + f 2 + L + f n1 + 12 f n ) + h( 12 e0 + e1 + e2 + L + en1 + 12 en )

por lo que tendremos un error de representacin

e h( 12 e0 + e1 + e2 + L + en1 + 12 en ) nhF maq = (b a )F maq


lo cual significa que el error de representacin no aumenta con n.
Lo mismo puede demostrarse para la regla de Simpson.

Integracin

6-8

6.3.4 Extrapolacin de Romberg


Para mejorar las aproximaciones y obtener estimaciones del error, se puede usar la extrapolacin
de Richardson aplicada a las frmulas compuestas de trapecios o Simpson.

6.3.4.1 Extrapolacin de Romberg para trapecios


Si usamos la regla de trapecios compuesta con n y con 2n subintervalos tendremos

6-14

f(x)dx = Tn

ba 2
h f ()
12

y
6-15

bah
f(x)dx = T2 n
f ( * )
12 2
2

Suponiendo que en ambos casos el valor de f es aproximadamente igual, restando a 6-15 la


ecuacin 6-14 por resulta
b
3
4 a

6-16

f(x)dx T2 n 14 Tn

f(x)dx RT2 n = T2 n + 13 (T2 n Tn )


3

Se supone que esta frmula ser an ms precisa ( ) que T2n por lo que podemos estimar el error
como
6-17

E RT RT2 n T2 n = 13 T2 n Tn

6.3.4.2 Mtodo de trapecios iterativo


Obsrvese que la mitad de las evaluaciones funcionales necesarias para calcular T2n ya se
evaluaron al calcular Tn, por lo que una vez evaluado Tn slo ser necesario evaluar f en los
nuevos puntos para obtener T2n.

T2 n =

6-18

f
b a f0
+ f1 + f 2 + L + f 2 n1 + 2 n =
2n 2
2
f ba
b a f0
( f1 + f 3 + L + f 2 n1 )
=
+ f 2 + f 4 + L + f 2 n 2 + 2 n +
2n 2
2
2n
T2 n =

Tn b a
+
( f1 + f 3 + L + f 2 n1 )
2
2n

Esta frmula permite calcular T2n a partir de Tn y los valores de f en los nuevos puntos. Una vez
hecho esto se calcula el error del valor extrapolado con 6-16, si es muy grande se vuelve a
duplicar n. Una vez logrado el error deseado se calcula el valor extrapolado, RT con 6-176-16.

de hecho es fcil probar que la frmula 6-16 coincide con la frmula de Simpson compuesta con 2n subintervalos.

Integracin

6-9

6.3.4.3 Extrapolacin de Romberg para Simpson


En forma similar al caso trapecios se puede derivar la frmula de extrapolacin de Romberg para
Simpson compuesto:
b

f(x)dx RS 2 n = S 2 n + 151 (S 2 n S n )

6-19

6-20

E RS RS 2 n S 2 n = 151 S 2 n S n

De hecho, como la frmula de Simpson compuesta es igual a la extrapolacin de Romberg de


Trapecios compuesto, para plantear un esquema iterativo conviene hacerlo calculando Trapecios
en forma iterativa y obteniendo las frmulas de Simpson por extrapolacin de Romberg de
Trapecios.
El error que tendra la extrapolacin de Romberg de Simpson puede calcularse con 6-20. Si es
muy grande se vuelve a duplicar n. Una vez logrado el error deseado se calcula el valor
extrapolado, RS con 6-19.

6.4

Mtodos adaptativos

Las frmulas compuestas que hemos visto dividen al intervalo de integracin en subintervalos
todos del mismo tamao, es decir que se usa el mismo h en todo el intervalo de integracin y son
muy tiles cuando f est tabulada.
Sin embargo cuando se puede evaluar f en cualquier punto, se podra evitar tener que evaluar el
integrando en tantos puntos si se usara un h mayor en las zonas en que el integrando tiene un
comportamiento suave y un h menor donde no lo tiene.
La integracin adaptativa va refinando la divisin del intervalo y estimando el error en cada zona,
refinando ms donde el error es mayor y menos donde el error es menor.
Para calcular una integral con una tolerancia dada, se trata de que en cada subintervalo la
estimacin del error sea menor que una fraccin de la tolerancia proporcional al tamao del
subintervalo.

6.4.1 Mtodo de Simpson adaptativo


Esta tcnica puede usarse con cualquier frmula de integracin, pero es comn usarla con la
frmula de Simpson y su correspondiente extrapolacin de Romberg.
Se comienza calculando la integral por la regla de Simpson en el intervalo completo y tambin en
cada medio intervalo. La suma de las reglas de Simpson en ambos medio intervalos es igual a la
frmula compuesta de Simpson, pudiendo aplicar la ecuacin 6-20 para estimar el error que
tendra la extrapolacin de Romberg.
Si este error es adecuado se calcula el valor extrapolado para todo el intervalo con 6-19.
En caso contrario se procede a dividir en dos cada medio intervalo y calcular su integral de la
misma manera. Una vez obtenidos los valores de las integrales en ambas mitades, la integral se
calcular como la suma de las integrales en cada medio intervalo (Sin extrapolar, ya que se
extrapol en el clculo de cada uno de los medios intervalos).

Ejemplo
1

Vamos a calcular

e
0

x2
2

dx

-6

con error 10 usando el mtodo de Simpson adaptativo.


Intervalo [0, 1]
La regla de Simpson para todo el intervalo da
Stot = (f(0)+4*f(0.5)+f(1))/3*0.5 = 0.85608637834184
4

Dividiendo el intervalo al medio y aplicando Simpson en cada lado ( ):


Sizq = (f(0)+4*f(0.25)+f(0.5))/3*0.25 = 0.47995248670750
Sder = (f(0.5)+4*f(0.75)+f(1))/3*0.25 = 0.37569883085444

Obsrvese que para calcular estas aproximaciones slo se necesita evaluar f(0.25) y f(0.75) pues los otros valores ya
fueron evaluados.

Integracin

6-10

La estimacin del error del valor extrapolado es


S = Sder+Sizq = 0.85565131756194
E = (S-Stot)/15 = -2.9e-005
-6

que es mayor en valor absoluto a la tolerancia, 10 , por lo que debemos refinar el intervalo.
Intervalo [0, 0.5]
Ahora el intervalo total es lo que antes era el lado izquierdo y ya habamos evaluado Simpson:
Stot = 0.47995248670750
5

Dividiendo el intervalo al medio y aplicando Simpson en cada lado ( ):


Sizq = (f(0)+4*f(0.125)+f(0.25))/3*0.125 = 0.24742104114655
Sder = (f(0.25)+4*f(0.375)+f(0.5))/3*0.125 = 0.23250583777079
S = Sder+Sizq = 0.47992687891734
E = (S-Stot )/15= -1.7e-006
que es mayor en valor absoluto a 0.5e-6 que es la fraccin de la tolerancia correspondiente a este
intervalo.
Intervalo [0, 0.25]
Stot = 0.24742104114655
Sizq = (f(0)+4*f(0.0625)+f(0.125))/3*0.0625 = 0.12467527213938
Sder =(f(0.125)+4*f(0.1875)+f(0.25))/3*0.0625 = 0.12274485517850
S = Sder+Sizq = 0.24742012731788
E = (S-Stot)/15 = -6.1e-008
que es menor en valor absoluto a la fraccin de tolerancia correspondiente, 0.25e-6, por lo que
podemos evaluar la extrapolacin de Romberg para este intervalo como
RS = S+E = 0.24742006639597

Intervalo [0.25, 0.5]


Stot = 0.23250583777079
Sizq = (f(0.25)+4*f(0.3125)+f(0.375))/3*0.0625 = 0.11897322763368
Sder = (f(0.375)+4*f(0.4375)+f(0.5))/3*0.0625 = 0.11353196709143
S = Sder+Sizq = 0.23250519472510
E = (S-Stot)/15 = -4.3e-008
que es menor en valor absoluto a la fraccin de tolerancia correspondiente, 0.25e-6, por lo que
podemos evaluar la extrapolacin de Romberg para este intervalo como
RS = S+E = 0.23250515185539

Intervalo [0.5, 1]
Stot = 0.37569883085444
Sizq = (f(0.5)+4*f(0.625)+f(0.75))/3* 0.125= 0.20531861475701
Sder = (f(0.75)+4*f(0.875)+f(1))/ 3* 0.125= 0.17038055276929
S = Sder+Sizq = 0.37569916752630
E = (S-Stot)/15 = 2.2e-008
que es menor en valor absoluto a la fraccin de tolerancia correspondiente, 0.5e-6, por lo que
podemos evaluar la extrapolacin de Romberg para este intervalo como
RS = S+E = 0.37569918997109

Obsrvese que para calcular estas aproximaciones slo se necesita evaluar f(0.125) y f(0.375) pues los otros valores ya
fueron evaluados.

Integracin

6-11

Ahora podemos calcular la integral sumando los valores extrapolados


0.37569918997109+0.23250515185539+0.24742006639597 = 0.85562440822246
Obsrvese que slo tuvimos que calcular el integrando en 13 puntos del intervalo.

6.4.1.1 Integracin adaptativa en Scilab


El clculo anterior por un mtodo de integracin adaptativo puede hacerse en Scilab con
function y=f(x),y=exp(-x.^2/2),endfunction
integ(0,1,f,1e-6)
ans = 0.8556243918921
La frmula de integracin que usa es mucho ms sofisticada que la de Simpson, pero la lgica
adaptativa es la misma.

6.5

Integracin Gaussiana

Las frmulas de Newton-Cotes son de la forma:


6-21

f ( x)dx = H i f ( xi ) + E
i =0

estando los xi uniformemente espaciados en [a,b].


En lugar de deducir estas frmulas por integracin del polinomio interpolador, los coeficientes Hi
(que llamaremos pesos) pueden determinarse por el mtodo de los coeficientes indeterminados,
para que la frmula 6-21 sea exacta para polinomios de grado n, planteando el sistema de
ecuaciones:

6-22

n
b

1
dx
=
(
b

a
)
=
Hi

a
i =0

n
b
2
2
1

xdx
b
a
H i xi
=
(

)
=

2
a

i =0

n
b
2
3
3

1
x
dx
b
a
H i xi2
=
(

)
=

3
a

i =0

n
b
n
n +1
n +1
n
1
a x dx = n+1 (b a ) = H i xi
i =0

donde

xi = a + ih

con

h=

ba
n

Al usar en 6-21 los coeficientes obtenidos al resolver 6-22 se obtienen las frmulas cerradas de
Newton-Cotes que ya vimos en 6.2.
Gauss observ que, tal como est planteado el problema de hallar una frmula de integracin del
tipo 6-21, en principio slo podemos esperar que sea exacta para polinomios de grado n, ya que
slo tenemos n+1 variables (los pesos Hi) para plantear el sistema 6-22, por lo que ste no puede
tener ms de n+1 ecuaciones.
Sin embargo, si no forzamos a que los xi estn predefinidos sino que consideramos a los xi (que
llamaremos nodos) como variables a determinar (al igual que los pesos), entonces tendramos
6
2n+1
2n+2 variables, lo cual nos permitira plantear el sistema ( ) llegando hasta la potencia x :

Obsrvese que el sistema de ecuaciones no es un sistema lineal.

Integracin

6-12

n
b

1
dx
=
(
b

a
)
=
Hi

a
i =0

n
b
2
2
1

xdx
=
(
b

a
)
=
H i xi

2
a

i =0

n
b
2
3
3

1
x
dx
=
(
b

a
)
=
H i xi2

3
a

i =0

n
b n
n +1
n +1
n
1
a x dx = n+1 (b a ) = H i xi
i =0

6-23

Si este sistema tiene solucin, al sustituir los pesos y los nodos en 6-21 obtendramos una
frmula, que a pesar de usar slo n+1 valores funcionales, sera exacta para polinomios de grado
2n+1.

Ejemplo
Supongamos que queremos determinar una frmula de integracin que usando slo dos valores
funcionales sea exacta para polinomios de grado 3.
7
Por simplicidad supondremos que el intervalo de integracin ( ) es [-1,1].
El sistema 6-23 para este caso queda:
1

11 dx = 2 = H 0 + H 1

1xdx = 0 = H x + H x
0 0
1 1
1
1 2
x dx = 23 = H 0 x02 + H 1 x12
11
x 3 dx = 0 = H 0 x03 + H 1 x13
1

La solucin de este sistema es

H0 = 1

H 1 = 1

x0 = 1 3

x1 = 1 3
lo cual nos da la frmula
1

f ( x)dx f ( 1 3 ) + f ( 1 3 )

que es exacta para polinomios de tercer grado.

6.5.1 Frmulas de Gauss-Legendre


Para el caso general, en lugar de resolver 6-23 usaremos un enfoque analtico que nos permitir
demostrar que existe una solucin de 6-23 y adems nos dar una frmula de error cuando el
integrando no es un polinomio de grado 2n+1.
Partiremos de la interpolacin de Hermite del integrando, f(x), por los puntos x0, x1, x2, , xn,
6-24

( 2 n+ 2 )
n
n
()
2 f
f(x) = f ( x j )h j(x) + f ' ( x j )h j (x) + [(x x0 )(x x1 )L (x xn )]
( 2n + 2 )!
j =0
j =0

que es exacta para polinomios de grado 2n+1.


7

Para un intervalo [a,b] se puede hacer el cambio de variable x=t(b-a)/2+(b+a)/2 e integrar en [-1,1]

Integracin

6-13

Integrando 6-24 obtenemos

6-25

j =0

j =0

f(x)dx = f ( x j ) H j + f ' ( x j ) H j + E

donde

Hj =

6-26

h j (x)dx

b
H j = h j (x)dx
a

E = [(x x0 )(x x1 )L(x xn )]


b

6-27

f ( 2 n+ 2 )()
dx
( 2n + 2 )!

Como 6-24 es exacta cuando f es un polinomio de grado 2n+1, entonces 6-25 tambin ser exacta
para este tipo de integrando.
Si pudiramos elegir los nodos de modo tal que los

H j sean nulos, entonces 6-25 ser de la

forma de 6-21.

6.5.1.1 Eleccin de los nodos

h j ( x) = ( x x j )l 2j ( x) , donde lj(x) es el j-simo polinomio de Lagrange de la tabla

Recordemos que

x0, x1,, xn.


Los polinomios de Lagrange pueden expresarse como

l j ( x) =

por lo tanto

pn+1 ( x)
(x x j )pn +1 ( x j )

donde

p n+1 ( x) = (x x0 )(x x1 )L (x xn )

pn+1 ( x)l j ( x)
h j ( x) = ( x x j )l 2j ( x) =
p n +1 ( x j )

Entonces necesitamos elegir los nodos de modo tal que


6-28

b
b l j ( x ) p n +1 ( x )
b
1
H j = h j ( x)dx =
dx =
l j ( x) pn+1 ( x)dx =0 j = 0,1,..., n

a
a
p n+1 ( x j )
p n+1 ( x j ) a

Observando que pn+1(x) es un polinomio de grado n+1 y que los polinomios de Lagrange son de
grado n podemos ver que una forma de que se verifique 6-28 es que pn+1(x) sea ortogonal a todos
los polinomios de grado n sobre [a,b].
El Polinomio de Legendre de grado n+1, Pn+1(x), es ortogonal a todos los polinomios de grado n o
menor en [-1,1], por tanto si [a,b] es [-1,1] (o haciendo un cambio de variable para que lo sea),
bastara con que pn+1(x) fuera mltiplo de Pn+1(x) para que se verificara 6-28.
Los polinomios de Legendre tienen todas sus races reales, diferentes y en el intervalo [-1,1], por
lo tanto basta con tomar las races del polinomio de Legendre de grado n+1 como nodos para que
8
pn+1(x) sea mltiplo de Pn+1(x) ( ) y en consecuencia ortogonal a todos los polinomios de grado n,
en particular a los polinomios de Lagrange, verificndose 6-28.
Para estos nodos la ecuacin 6-25, que es exacta para polinomios de grado 2n+1, tiene la forma
de la 6-21, que era lo que buscbamos:
1

6-29

f ( x)dx = H j f ( x j ) + E
i =0

con

x j / Pn+1 ( x j ) = 0 j = 0,1,..., n

Como el coeficiente de mayor grado de pn+1 es 1, entonces p ( x) = 2


n +1

[(n + 1)!]2
(2n + 2)!

n +1

Pn +1 ( x)

Integracin

6-14

6.5.1.2 Pesos
Los pesos en 6-29 estarn dados segn 6-26 por
1

H j = h j (x)dx = 1 2( x x j )l ' j ( x j ) l 2j ( x)dx =


1
1
1
= l 2j ( x)dx 2l ' j ( x j ) ( x x j )l 2j ( x)dx = l 2j ( x) dx 2l ' j ( x j ) H j
1

Hj =

6-30
pues

l 2j ( x) dx

H j = 0

Obsrvese que estos pesos son siempre positivos, lo cual da a las frmulas de Gauss-Legendre
buenas caractersticas de propagacin de error.

6.5.1.3 Error

El error estar dado por 6-27 y como [(x-x0)(x-x1)(x-xn)] = [pn+1(x)] no cambia de signo, usando
el teorema de valor medio ponderado obtenemos

f ( 2 n + 2 )() 1 2
E =
p ( x)dx con [ 1,1]
(2n + 2)! 1 n+1

6-31

2 n +1 [(n + 1)!]
P ( x) y
(2n + 2)! n +1
2

y como

p n +1 ( x) =

Pn2+1 ( x)dx =

2
2n + 3

entonces 6-31 queda:

E = K n f

6-32

()

( 2 n+ 2 )

2 2 n+3 [(n + 1)!]


Kn =
(2n + 3)[(2n + 2)!]3
4

con

[ 1,1]

6.5.1.4 Resumen
La Tabla 6-1 muestra para cada n los nodos (races de Pn+1), los pesos segn 6-30, el coeficiente
de error en 6-32 y hasta qu grado de polinomio la frmula de integracin de Gauss-Legendre
6-29 es exacta.

Nodos (xj)

Pesos (Hj)

Coef. Error
(Kn)

Exacto hasta
grado

0
2

(3 2 )/ 7
(3 + 2 )/ 7
6

0
4

1
3

52

10

1
3

5+2

10

1
3

6 10 5

3 10 7

8 10 10

18+ 30
36
18 30
36
128

1
135

225

322 +13 70
900

322 13 70
900

Integracin

6-15

Tabla 6-1

Coeficientes para Integracin de Gauss-Legendre

Cuando el intervalo de integracin no es [-1,1] sino [a,b] , haciendo el cambio de variable

t=
6-33

(b a ) x + (b + a ) las ecuaciones 6-29 y 6-32 quedan:


2

f (t )dt =

( ba )

i=0

E = K n

6-34

( b a )
2

( )

b a 2 n +3
2

x j +(

b+a )
2

)+ E

f ( 2 n+ 2 )()

con

Pn +1 ( x j ) = 0 j = 0,1,..., n

[a, b]

con

Ejemplo
Queremos calcular
1

e
0

x2
2

dx

Usando la frmula con 3 nodos (n=2) :


1

e
0

x2
2

dx

Sabiendo que

[ f(

1 5
2 9

1
2

1
+ 2

)+

8
9

f ( 12 ) +

5
9

f (12

1
+ 2

)] = 0.85562639404263

f VI (x) 15 en [0,1] podemos acotar el error con

EG = 6 10 5 ( 12 ) f VI () 0,000007
7

Obsrvese que este error es 140 veces inferior al de la frmula 1/3 de Simpson, que usa la misma
cantidad de nodos.

6.5.2 Frmulas Compuestas


Las frmulas de integracin Gaussiana se pueden aplicar en forma compuesta de modo similar a
las frmulas de Newton-Cotes compuestas. Esto permite aumentar la precisin sin tener que
calcular los nodos y pesos para altos valores de n.
Al igual que en el caso no compuesto, las integracin Gaussiana compuesta brindan mayor
precisin usando menos cantidad de nodos que la integracin de Newton-Cotes compuesta.

6.6

Eleccin de una frmula de integracin

6.6.1 Integrando tabulado


Si debemos evaluar una funcin tabulada, probablemente los puntos de la tabla estn igualmente
espaciados, en cuyo caso debemos limitarnos a mtodos que usen espaciamientos iguales.
Si se pueden acotar las derivadas superiores del integrando y la cota no crece muy rpido con el
orden de la derivada, puede determinarse n para el cual la frmula de Newton-Cotes tenga la
precisin deseada.
Si las derivadas no pueden acotarse, lo ms seguro es usar frmulas de Newton-Cotes
compuestas aumentando el nmero de subintervalos para extrapolar por Romberg y estimar el
error.

6.6.2 Integrando evaluado


Si el integrando puede evaluarse en cualquier punto y slo debemos calcular unas pocas
integrales, lo ms conveniente es usar un mtodo adaptativo.
Si debemos evaluar muchas integrales con integrandos e intervalos similares, debemos considerar
la integracin Gaussiana simple o compuesta, pues obtiene mayor precisin que Newton Cotes
usando menos cantidad de nodos.

Integracin

6.7

6-16

Integracin en cuadrilteros

Todo cuadriltero puede llevarse al cuadrado R=[-1,1] x[-1,1] por un cambio de variable mediante
una transformacin bilineal
por lo que basta con tener frmulas de integracin en R.
Estas frmulas se obtienen por integracin reiterada.

6-35
esta frmula ser exacta para polinomios del mismo grado en cada variable que la regla para una
variable de la que proviene.
La siguiente figura muestra los nodos () y puntos de integracin (x) para elementos
rectangulares.

Figura 5

6.8

Nodos de integracin en elementos rectangulares

Integracin en hexaedros

Similarmente, por cambio de variable se lleva a P=[-1, 1] x[-1, 1] x[-1, 1]


usa una regla para una variable tres veces

6-36
Usualmente se usarn 8 (n=1) o 27 (n=2) puntos.

Figura 6

Nodos en elemento cbico

Integracin

6.9

6-17

Integracin en tringulos

En este caso no hay una teora general ni frmulas nicas.

6.9.1 Regla del trapecio en tringulos


Integrando una funcin lineal que interpola a f en los tres vrtices se
obtiene

6-37
exacta para grado 1

Figura 7 ReglaTrapecio

6.9.2 Regla del punto medio en tringulos


Se usa slo el baricentro de T

6-38
exacta para grado 1
Figura 8 Regla de punto medio

6.9.3 Regla para grado total 2


Se usan los puntos medios de los lados

6-39
exacta para grado total 2
Figura 9 Regla grado 2 total

6.9.4 Regla para grado total 3

6-40
Figura 10 Regla grado 3

Integracin

6-18

6.10 Integracin Gaussiana en tringulos


Tampoco hay reglas generales.
Las frmulas se deducen para el tringulo estndar.
Por el mtodo de los coeficientes indeterminados vamos a
buscar puntos y pesos para que la frmula

6-41
Sea exacta para polinomios de grado total p.
Pp(r,s) es el espacio de los polinomios generado por
Ntese que

por lo que vamos a tener

ecuaciones y 3n parmetros, por lo que para un p


dado deberemos elegir
para haya suficientes parmetros para que se verifiquen
todas las ecuaciones. Generalmente habr ms parmetros que los imprescindibles y el sistema
ser indeterminado, habiendo mltiples soluciones.
Sabiendo que en el tringulo estndar

6-42
Se plantean las igualdades exactas para los polinomios de la base de Pp y se determina un juego
de puntos y pesos. Generalmente se trata de que los puntos sean simtricos.

6.10.1 Ejemplo p=2


2

La frmula debe ser exacta para f(r,s)=1, r, s, rs, r y s .


Entonces:

Tenemos 6 ecuaciones, por lo que bastara con n=2 pero se usa n=3 para obtener un conjunto de
puntos simtrico.
En este caso tendremos 9 parmetros y 6 ecuaciones, por lo que la solucin no es nica.
Se puede comprobar que
verifica las ecuaciones y los puntos son simtricos, que es lo que buscbamos, pero
9

tambin verifica y los puntos tambin son simtricos.( )


9

Esta frmula coincide con la regla para grado total 2 vista anteriormente. Los tres puntos estn sobre los lados.

Integracin

6-19

Los siguientes cuadros resumen un conjunto de frmulas para grados 1, 2, 3 y 4.

Figura 11

Tabla 2

Nodos de integracin en tringulo estndar

Pesos y coordenadas de nodos en tringulo estndar

Ntese que:
Para n=1 es la regla del punto medio
Para n=3 es la regla para grado total 2 vista anteriormente.
Para n=4 es la regla para grado total 3 vista anteriormente.
Para tringulos cualesquiera se debe hacer un cambio de variable lineal

Integracin

Figura 12

6-20

Cambio de variable a tringulo estndar

Que se formula fcilmente con las funciones de forma:

6-43

6-44
Y ser

6-45
con

6-46
donde |K| es el rea del tringulo K, por lo que la frmula queda

6-47
Siendo

la funcin compuesta con el cambio de variable.

6.11 Integracin en tetraedros


Se deducen frmulas de modo similar para el tetraedro
estndar buscando que los puntos sean simtricos.
Estas frmulas no son nicas.
La siguiente tabla resume algunas frmulas.

6-48

Figura 13 Tetraedro estndar

Integracin

Tabla 3

6-21

Pesos y coordenadas de nodos en tetraedro estndar

Para tetraedros generales se debe hacer un cambio de variable lineal y se llegar a

6-49

Figura 14

Nodos de integracin en tetraedro estndar

Universidad Tecnolgica Nacional


Facultad Regional Delta

Terico de
CLCULO AVANZADO
2015

Tema: Ajuste de funciones

Objetivos de Aprendizaje:
Comprender las diferencias entre Ajuste de Funciones e Interpolacin y
cundo se usa cada tcnica.
Conocer las ventajas de la Regresin Lineal por Mnimos Cuadrados
(RLMC) frente a otras tcnicas de ajuste.
Saber calcular los coeficientes de una RLMC polinmica o de otro tipo.
Saber determinar el grado ptimo del polinomio de ajuste por RLMC.

Germn BRESCIANO

AJUSTE DE FUNCIONES .............................................................................................................7-1


7.1
INTRODUCCIN ..........................................................................................................................7-1
7.2
CRITERIOS DE AJUSTE ................................................................................................................7-1
7.3
REGRESIN LINEAL ....................................................................................................................7-2
7.3.1
Regresin lineal por mnimos cuadrados ..........................................................................7-3
7.3.1.1
7.3.1.2
7.3.1.3
7.3.1.4

Solucin general ........................................................................................................................... 7-4


Polinomios por mnimos cuadrados ............................................................................................. 7-5
Resolucin por descomposicin QR............................................................................................. 7-6
Determinacin del grado del polinomio ....................................................................................... 7-7

Ajuste de funciones

7-1

7 Ajuste de funciones
7.1

Introduccin

La interpolacin polinmica tiene la virtud de ser fcil de implementar y de que da una


expresin para el error de truncacin que puede ser estimada o acotada.
Sin embargo, al utilizarla estamos suponiendo que la principal fuente de error es el error de
truncacin y no el error de medida de los datos.
En este captulo consideraremos el problema de aproximar una funcin de la cual se conoce su
valor en una serie de puntos tabulados, pero sujeto a errores de medida no despreciables.

Ejemplo
Para hallar la constante de Hooke de un resorte se mide su estiramiento al ser sometido a
distintas fuerzas como se muestra en la tabla.
x
1
2
3
4
5
6
7
8
9
10
Tabla 7-1

y
1.3
3.5
4.2
5.0
7.0
8.8
10.1
12.5
13.0
15.6

Estiramiento de resorte a distintas tensiones

Se supone que estos datos se deben ajustar a una funcin de la forma y = ax + b y se desea
hallar a y b para obtener el mejor ajuste.
La Figura 7-1 muestra los datos graficados.

Figura 7-1

7.2

Estiramiento de resorte a distintas tensiones

Criterios de Ajuste

Es deseable que el criterio de seleccin del mejor ajuste no sea ambiguo y que minimice las
desviaciones de los puntos tabulados respecto a la aproximacin.

Ajuste de funciones

7-2

Las desviaciones se miden por la distancia de cada punto a la aproximacin. Si suponemos


que el error en x es despreciable, se usarn distancias verticales. Si el error en x es
significativo se usarn distancias medidas en una direccin oblicua que depender de la
magnitud relativa de los errores en x y en y. Este caso ms complejo no se tratar aqu.
Un criterio para elegir la mejor aproximacin puede ser tomar la que minimice la mxima
desviacin. En nuestro ejemplo deberamos tratar de hallar

min max yi axi b


a ,b i =1,..,10

Este es el criterio minimax o de mnimo error mximo y raramente se usa por su complejidad y
porque da demasiada importancia a un punto con gran error.
Otro criterio puede ser el de minimizar la suma de los valores de los errores, que en nuestro
ejemplo sera hallar

10

min yi axi b
a ,b
i =1

Un inconveniente es que este criterio puede ser ambiguo (pues en algunos casos al variar la
aproximacin lo que aumentan unos errores lo disminuyen otros y la suma permanece
constante) y adems no es fcil de determinar el mnimo.
El criterio ms utilizado es el de mnimos cuadrados, que consiste en minimizar la suma de los
cuadrados de los errores. en nuestro ejemplo sera hallar

10
2
min ( yi axi b )
a ,b
i =1

Adems de proporcionar un resultado nico, cuando los errores de medida tienen distribucin
normal con la misma varianza en todos los puntos, este criterio cumple el principio de mxima
1
verosimilitud . Adems este criterio da mayor peso relativo a los puntos ms alejados de la
aproximacin pero sin que esos puntos dominen el resultado como en el criterio minimax.

7.3

Regresin lineal

Los criterios vistos en el numeral anterior pueden aplicarse a aproximaciones de cualquier tipo.
Cuando consideramos slo aproximaciones que sean combinaciones lineales de un conjunto
de funciones aproximantes, la aproximacin se llama regresin lineal.
En el caso general se quiere obtener una aproximacin a una funcin desconocida f(x) a partir
de una serie de puntos (x1,y1), (x2,y2),,(xm,ym) tales que
7-1

yi = f ( xi ) + ei

i = 1,2,K, m

siendo ei el error de medida del punto i-simo.


Se busca una aproximacin de la forma
n

7-2

g ( x) = a j g j ( x)
j =0

donde {g0, g1, , gn} es un conjunto LI de funciones aproximantes .

es decir que maximiza la probabilidad de ocurrencia de los datos observados.


este conjunto es base de un subespacio de funciones, en el cual estamos buscando la proyeccin de nuestra funcin
desconocida con una norma que depende del criterio de ajuste.

Ajuste de funciones

7-3

7.3.1 Regresin lineal por mnimos cuadrados


Dada la aproximacin g(x) definida en 7-2 y los puntos (x1,y1), (x2,y2),,(xm,ym) definimos los
residuos correspondiente a esos datos como

Ri = yi g ( xi ) i = 1,2,K, m

7-3

y elegimos como mejor aproximacin g(x) aquella que minimice


n

H (a0 , a1,K, an ) = R = yi a j g j ( xi )
i =1
i =1
j =0

2
i

7-4

Cuando m n+1 se pueden hallar a0, a1,, an tales que


n

a g
j

j =0

( xi ) = y i

i = 1,2,K, m

por tanto H(a0, a1,, an)=0 y por lo tanto es mnimo. En este caso el criterio de interpolacin
exacta coincide con la aproximacin por mnimos cuadrados.
En este captulo nos interesan los casos en que m > n+1, es decir que hay ms puntos
tabulados que funciones aproximantes y por tanto en general H no se anula pero s tiene un
mnimo.

Ejemplo
En nuestro ejemplo anterior la ecuacin 7-4 quedara
m

H (a, b) = ( yi axi b )

i =1

H ser mnimo cuando H(a,b)=0 o sea


m
H
=
xi ( yi axi b ) = 0
2

a
i =1
H
m

= 2 ( yi axi b ) = 0
b
i =1

de donde

a xi2 + b xi = xi yi

a xi + bm = yi

cuya solucin es

m( xi yi ) ( xi )( yi )
a =
2
m xi2 ( xi )

xi2 ( yi ) ( xi yi )( xi )

b =
2
m xi2 ( xi )

(
)

con los datos de la Tabla 7-1 resulta

para compactar la notacin se omiten los lmites de la sumatoria i=1 hasta m

Ajuste de funciones

7-4

10(572.4 ) (55)(81)
a = 10(385) (55)2 = 1.538

(385)(81) (572.4)(55) = 0.360


b =
2

10(385) (55)
la Figura 7-2 muestra los datos y la aproximacin.

Figura 7-2

Ajuste lineal de estiramiento de resorte a distintas tensiones

7.3.1.1 Solucin general


Las ecuaciones 7-2 y 7-4 se pueden expresarse en forma matricial.
Si definimos

y R m / y = ( y1 , y 2 ,K, y m )

g j R m / g j = (g j(x1 ),g j (x2 ),K ,g j (xm )) j = 0,1,K, n


entonces 7-3 puede escribirse
Si definimos

R = y g

g R m / g = (g ( x1 ), g ( x2 ),K, g ( xm ) )

G = [g 0 Mg1 MLMg n ] y a = (a0 , a1 ,K, a n )


entonces por 7-2:
n
n
n

g = (g( x1 ), g( x2 ),K, g( xm ) ) = a j g j ( x1 ), a j g j ( x2 ),K, a j g j ( xm ) =


j =0
j =0
j =0

= a j (g j (x1 ),g j(x 2 ),K ,g j (xm )) = a j g j = Ga


n

j =0

j =0

es decir que g pertenece al espacio de columnas de G.


Queremos minimizar la ecuacin 7-4 que puede escribirse como

Ajuste de funciones

7-5

H (a) = Ri2 = R = y g = y Ga

7-5

i =1

por lo tanto estamos buscando el elemento g del espacio de columnas de G que tiene mnima
distancia a y.
La proyeccin de y sobre el espacio de columnas de G verifica esto, por tanto tomaremos g
igual a dicha proyeccin, que est dada por

g = Ga
con

G T Ga = G T y

7-6

7.3.1.2 Polinomios por mnimos cuadrados


Si queremos aproximar nuestra funcin por un polinomio de grado n, podemos elegir como
2
n
conjunto de funciones aproximantes g0(x)=1, g1(x)=x, g2(x)=x , , gn(x)=x y en este caso la
matriz G queda

1
G=
M

x0
x1
M
xm

x02
x12
M
xm2

L
L
O
L

x0n

x1n
M

xmn

y 7-6 queda

xi
M

n
xi

7-7

x
x

x
x

i
2
i

n +1
i

2
i
3
i

n+ 2
i

L
L

yi

a = xi yi
M
M

2n
xi xin yi

x
x

n
i
n +1
i

Este sistema puede resolverse por los mtodos vistos en el captulo 2 cuando n es pequeo,
pero para n mayores a 6 el problema se vuelve cada vez peor condicionado con los problemas
que ello implica.

Ejemplo
Se desea ajustar los datos de la Tabla 7-2 con un polinomio de segundo grado.
x
0.00
0.25
0.50
0.75
1.00
Tabla 7-2

y
1.0000
1.2840
1.6487
2.1170
2.7183

Datos para ajuste cuadrtico

En este caso la ecuacin 7-7 queda

5
2.5

1.875

2.5
1.875
1.5625

1.875 a0 8.768
1.5625 a1 = 5.4514
1.3828125 a2 4.4015375

Ajuste de funciones

7-6

cuya solucin es (1.0052, 0.8641, 0.8437), por lo que la aproximacin cuadrtica por mnimos
cuadrados es

g ( x) = 1.0052 + 0.8641x + 0.8437 x 2


que puede verse en la Figura 7-3.

Figura 7-3

Ajuste cuadrtico

7.3.1.3 Resolucin por descomposicin QR


La matriz G es de mx(n+1) y puede descomponerse como G=QR donde Q es ortonormal de
mxm y R es triangular superior de mx(n+1).
Como Q es ortonormal, multiplicar por Q en la ecuacin 7-5 no cambia el valor de la norma, por
tanto

H (a) = y Ga = Q T (y Ga ) = Q T y Q T Ga = Q T y Q T QRa = Q T y Ra
2

por lo tanto el mnimo de H(a) ser

min Q T y Ra

7-8

podemos escribir Q y R como

Q = [Q 1 MQ 2 ] y

R
R = 1
0

donde R1 es triangular superior de (n+1)x(n+1) y Q1 es de mx(n+1).


Sustituyendo en 7-8:
2

Q T R
min Q y Ra = min 1T y 1 a = min
a
a
a
Q 2 0
T

Q 1T y R 1a
T
=
0
Q
y

2
2

Q T y R a
2
2
= min 1 T 1 = min Q 1T y R1a + Q T2 y
a
a

Q2 y

Ajuste de funciones

7-7

este mnimo se da cuando se anula el primer sumando, es decir cuando


7-9

R1a = Q 1T y

resolviendo el sistema lineal


7-9 se hallan los coeficientes de 7-2.
Este sistema, a diferencia de 7-7, en general no est mal condicionado y por tanto es mejor
para valores grandes de n.
En Matlab este mtodo puede implementarse como
[Q1 R1]=QR(G,0)
a=R1\(Q1*y)
esto es precisamente lo que hace la funcin POLYFIT(x,y,n) de Matlab, que calcula el
polinomio de grado n por mnimos cuadrados para los datos x e y por este mtodo.

7.3.1.4 Determinacin del grado del polinomio


Cuando tenemos que ajustar un polinomio a una serie de datos experimentales se pueden dar
dos situaciones.
En algunos casos el conocimiento terico del sistema nos dar el grado del polinomio al que
deben ajustarse los datos.
En otros casos no sabemos de qu grado debe ser el polinomio. En estos casos al ir
aumentando el grado del polinomio se irn reduciendo las desviaciones de los puntos respecto
a la curva de ajuste, hasta que para grado m-1 llegamos a la interpolacin exacta, con
desviaciones nulas.
El problema es que al aumentar el grado del polinomio perdemos suavidad en la curva de
ajuste y aumentamos su complejidad quizs innecesariamente.
Suponiendo que la funcin f de 7-1 es un polinomio de grado N y que los errores de medida ei
2
tienen media cero y varianza constante , si ajustamos un polinomio de grado n mayor o igual
a N, tericamente las desviaciones de los datos a la curva se deben exclusivamente a los
errores de medida y por tanto deben comportarse como una variable aleatoria con media cero
independiente de x.
Esto significa que si graficamos los residuos versus x deberamos observar una distribucin
ms o menos simtrica de residuos positivos y negativos en todo el rango de x.
2
Adems el estimador de :

7-10

n2 =

2
i

m (n + 1)

debe ser independiente de n, mientras que para n menor que N dicho estimador debe dar
valores mayores pues las desviaciones se deben a los errores de medida ms la falta de ajuste
del polinomio a f y al graficar los residuos versus x se debe notar un patrn asimtrico, pues la
media de los residuos variar con x.
Esto nos permite determinar el grado adecuado del polinomio, N, mediante el ajuste de
polinomios de grados crecientes observando las grficas de residuos y el calculando la
varianza de los residuos mediante 7-10. Debemos seleccionar el polinomio de menor grado
tras el cual ya no hay disminucin significativa de dicha varianza. Un patrn simtrico de los
signos de los residuos confirmar la bondad del ajuste.

En Matlab esto puede hacerse calculando

Ajuste de funciones

7-8

for n=1:m-2
[a S]=polyfit(x,y,n)
var(n)=S.normr^2/S.df
end

Ejemplo
Se desea ajustar los datos de la Tabla 7-3 con un polinomio.
x
0.05
0.11
0.15
0.31
0.46
0.52
0.70
0.74
0.82
0.98
1.17
Tabla 7-3

y
0.956
0.890
0.832
0.717
0.571
0.539
0.378
0.37
0.306
0.242
0.104

Datos para ajuste polinmico

La Tabla 7-4 muestra polinomios de ajustes de grados crecientes y sus correspondientes


varianzas de los residuos.
Segn estos resultados el grado ptimo es n=2.
n
1
2
3
4
Tabla 7-4

Polinomio
0.952-0.760x
2
0.998-1.018x+0.225x
2
3
1.004-1.079x+0.351x +0.069x
2
3
4
0.998-0.838x-0.522x +1.040x -0.454x

Varianza
0.0010
0.0002
0.0003
0.0003

Ajuste polinmico

A continuacin se muestran las grficas de los resuiduos.


Puede verse que para n=1 hay un patrn no simtrico de los residuos, mientras que para n=2,
adems de ser menores, los residuos tienen una distribucin de signos simtrica.
Esto confirma la bondad del ajuste con n=2.

Universidad Tecnolgica Nacional


Facultad Regional Delta

Terico de
CLCULO AVANZADO
2015

Tema: ECUACIONES DIFERENCIALES

Objetivos de Aprendizaje:
Comprender el origen y la representacin grfica del Mtodo de Euler.
Entender la diferencia entre Error de truncacin Local y Global.
Comprender cmo el tamao de paso de clculo y la estabilidad de la EDO
afectan a la propagacin del Error Global.
Conocer y diferenciar los conceptos de Estabilidad y Estabilidad Numrica.
Reconocer los efectos de la Inestabilidad Numrica en la resolucin
numrica de una EDO o SEDO.
Comprender la problemtica especial de los problemas rgidos.
Saber cmo se originan los distintos tipos de mtodos:
Runge-Kutta
Predictor-Corrector tipo Adams
Frmulas de Diferenciacin hacia Atrs
Mtodos basados en derivadas superiores
Conocer la mecnica de los mtodos y sus estrategias de control de paso.
Conocer las caractersticas, ventajas y desventajas de cada tipo de mtodo.
Saber seleccionar el tipo de mtodo adecuado segn las circunstancias del
problema.
Conocer la mecnica de las estrategias de orden y paso variable.

Germn BRESCIANO

ECUACIONES DIFERENCIALES ...............................................................................................8-1


8.1
INTRODUCCIN ..........................................................................................................................8-1
8.2
PROBLEMAS DE VALOR INICIAL ..................................................................................................8-2
8.3
TIPOS DE MTODOS ....................................................................................................................8-2
8.4
MTODO DE EULER ....................................................................................................................8-2
8.4.1
Problemas estables e inestables ........................................................................................8-4
8.4.1.1
8.4.1.2

8.4.2
8.4.2.1
8.4.2.2
8.4.2.3

8.4.3
8.4.4
8.4.5
8.4.6
8.4.7
8.4.7.1
8.4.7.2
8.4.7.3

Estabilidad de ecuaciones ............................................................................................................. 8-4


Estabilidad de sistemas ................................................................................................................. 8-5

Estabilidad numrica .........................................................................................................8-6


Estabilidad numrica de ecuaciones ............................................................................................. 8-6
Problema test ................................................................................................................................ 8-7
Estabilidad numrica para sistemas .............................................................................................. 8-8

Problemas rgidos..............................................................................................................8-8
Acotacin del error global del mtodo ..............................................................................8-8
Orden de consistencia .......................................................................................................8-9
Efecto del error de representacin ....................................................................................8-9
Estrategia de control del paso ...........................................................................................8-9
Estimacin del siguiente paso ...................................................................................................... 8-9
Clculo de yn+1 ........................................................................................................................... 8-10
Revisin del paso ....................................................................................................................... 8-10

8.5
MTODO DE EULER HACIA ATRS ...........................................................................................8-10
8.5.1
Estabilidad numrica .......................................................................................................8-11
8.5.2
Orden de consistencia .....................................................................................................8-12
8.5.3
Efecto del error de representacin ..................................................................................8-12
8.6
MTODO DE HEUN ...................................................................................................................8-12
8.6.1
Estabilidad numrica .......................................................................................................8-13
8.6.2
Problemas rgidos............................................................................................................8-14
8.6.3
Orden de consistencia .....................................................................................................8-15
8.6.4
Efecto del error de representacin ..................................................................................8-15
8.7
MTODOS DE RUNGE KUTTA ...................................................................................................8-16
8.7.1
Mtodos de Runge Kutta de segundo orden ....................................................................8-16
8.7.1.1

8.7.2
8.7.2.1
8.7.2.2
8.7.2.3

Estabilidad numrica .................................................................................................................. 8-17

Mtodos de Runge Kutta de cuarto orden .......................................................................8-17


Estimacin del error ................................................................................................................... 8-19
Mtodo de Runge Kutta Fehlberg .............................................................................................. 8-20
Estrategia de control del paso ..................................................................................................... 8-20

MTODOS DE PASO MLTIPLE ..............................................................................................................8-24


8.7.3
Frmula de Adams Brashforth de tercer orden ...............................................................8-24
8.7.4
Predictor de Milne ...........................................................................................................8-24
8.7.5
Corrector de Milne ..........................................................................................................8-25
8.7.6
Mtodos predictor corrector............................................................................................8-25
8.7.7
Predictor corrector de Milne ...........................................................................................8-25
8.7.7.1

8.7.8
8.7.8.1
8.7.8.2
8.7.8.3
8.7.8.4

Estabilidad numrica .................................................................................................................. 8-26

Predictor corrector de Adams Moulton ...........................................................................8-27


Modificaciones ........................................................................................................................... 8-27
Algoritmo ................................................................................................................................... 8-28
Estabilidad numrica .................................................................................................................. 8-29
Seleccin del paso para la convergencia del corrector ............................................................... 8-29

8.7.9
Arranque y cambio de paso .............................................................................................8-30
8.8
FRMULAS DE DIFERENCIACIN HACIA ATRS........................................................................8-31
8.8.1
Frmula de Diferenciacin hacia atrs de segundo orden .............................................8-31
8.8.2
Otras Frmulas de Diferenciacin hacia atrs ...............................................................8-31
8.9
MTODOS DE ORDEN Y PASO VARIABLE ...................................................................................8-32
8.9.1
Disminucin del paso ......................................................................................................8-32
8.9.2
Aumento del paso.............................................................................................................8-33
8.9.3
Ajuste del orden ...............................................................................................................8-33
8.9.4
Scilab ...............................................................................................................................8-33
8.10 MTODOS BASADOS EN DERIVADAS SUPERIORES .....................................................................8-38
8.10.1
Corrector de Hermite ......................................................................................................8-38
8.10.2
Estabilidad numrica .......................................................................................................8-38

8.10.3
8.10.4
8.10.5

Predictor de Hermite .......................................................................................................8-38


Mtodo de Hermite ..........................................................................................................8-38
Problemas rgidos............................................................................................................8-39

Ecuaciones diferenciales

8-1

8 Ecuaciones diferenciales
8.1

Introduccin

Las ecuaciones diferenciales son herramientas fundamentales para modelar una variedad de
sistemas como circuitos elctricos, sistemas mecnicos, sistemas termodinmicos, reacciones
qumicas, ecosistemas y sistemas econmicos.
Los mtodos analticos de resolucin de ecuaciones diferenciales se limitan a ciertos tipos de
ecuaciones, por lo que en muchos casos se simplifican las ecuaciones para obtener una que se
pueda resolver (por ejemplo una ecuacin lineal).
Los mtodos numricos no tienen esas limitaciones, pero en lugar de obtener una expresin
analtica de la solucin, se obtiene una tabla de valores de la solucin en una cantidad finita de
puntos del intervalo de trabajo. Para hallar la solucin en puntos no tabulados se utiliza algn
tipo de interpolacin.

Ejemplo

Figura 8-1

Pndulo rgido

El movimiento del pndulo de la Figura 8-1 puede describirse mediante

8-1

= L sen( )

(t 0 ) = 0
(t ) =
0
0

an en este caso sencillo es difcil obtener una solucin analtica de 8-1, por lo que usualmente
se considera el caso de amplitud de oscilacin pequea y se aproxima la ecuacin por una
lineal, de fcil resolucin analtica.

Ecuaciones diferenciales

8.2

8-2

Problemas de valor inicial

Veremos cmo aproximar la solucin de ecuaciones diferenciales ordinarias (EDOs) de primer


orden con condicin inicial, es decir problemas de la forma

y = f ( x, y )

y ( x0 ) = y 0

8-2

Donde f es continua y Lipschitziana respecto a y en [x0, b]xR. En estas condiciones hay


existencia y unicidad de solucin maximal de 8-2.
Aunque desarrollaremos el tema para EDOs de primer orden, casi todo es generalizable a
sistemas de ecuaciones diferenciales (SEDOs) de primer orden y por tanto a EDOs y SEDOs
de orden superior que pueden reducirse a SEDOs de primer orden.
Los SEDOs con condicin inicial son de la forma

y = f ( x, y )

y ( x0 ) = y 0

8-3

Ejemplo
La ecuacin 8-1 puede reducirse al sistema de primer orden

8-4

8.3

= L sen( )
=

(t 0 ) = 0

(t 0 ) = 0
Tipos de mtodos

Los mtodos numricos de resolucin de EDOs calculan aproximaciones a la solucin de


problemas de la forma de 8-2 en un conjunto finito de puntos, x0, x1, , xN del intervalo [x0, b].
En lo que sigue usaremos la siguiente notacin:
son los puntos en los que se calcula la aproximacin.
x0, x1, , xN
Y(x)
es la solucin exacta de 8-2
Yi = Y(xi)
yi = y(xi)
es la aproximacin calculada, que slo existe en x0, x1, , xN
hi = xi+1 - x1
es el paso de clculo
Yi = Y(xi) = f(xi, Y(xi)) = f(xi, Yi)
yi = fi = f(xi, yi)
Obsrvese que yi no es la derivada de yi sino simplemente una notacin.
Veremos dos tipos de mtodos:
Mtodos de paso simple en los cuales para calcular la aproximacin yi+1 a la solucin en xi+1
slo se necesita informacin de la solucin en xi .
Mtodos de paso mltiple en los que para calcular la aproximacin yi+1 a la solucin en xi+1
se necesita informacin de la solucin en varios puntos anteriores xi, xi-1,, xi-p.
Al estudiar estos mtodos se debe tener en cuenta no slo el error que se comete en cada
paso (de truncacin y de representacin) sino tambin cmo influye ese error en los siguientes
pasos. Este fenmeno de propagacin de errores dificulta la estimacin del error global.

8.4

Mtodo de Euler

Este mtodo propuesto por Leonhard Euler en 1768, si bien rara vez se usa, por su simplicidad
nos servir para ejemplificar la derivacin de mtodos ms avanzados y el estudio de errores.

Ecuaciones diferenciales

8-3

Suponiendo que la solucin Y(x) de 8-2 tenga derivada segunda continua, entonces

Y ( x + h) = Y ( x) + hY ( x) +

8-5

h2
h2
Y ( ) = Y ( x) + hf ( x, Y ( x)) + Y ( )
2
2

si ya tenemos una aproximacin yk a Y(xk) y hemos elegido xk+1 = xk + h, la aproximacin en xk+1


se obtiene al sustituir Y(xk) por su aproximacin y despreciar el trmino complementario en 8-5

y k +1 = y k + hf ( xk , y k )

8-6

Partiendo de la condicin inicial y eligiendo un paso de clculo h se puede calcular una


sucesin de aproximaciones y0, y1, y2,,yN correspondientes a la solucin en x0, x1, x2,,xN
Como para calcular yk+1 slo se necesita conocer yk, el mtodo de Euler es un mtodo de paso
simple.

Figura 8-2

Mtodo de Euler

Ejemplo
Queremos resolver en [0,2]

y = 10( x 1) y

5
y ( 0) = e

8-7

Seleccionamos h=0.1, por lo que 8-6 queda

y k +1 = y k ( xk 1) y k = (2 xk ) y k

8-8
-5

y partiendo de y0=e aplicamos 8-8 obteniendo los resultados de la tabla.


xn
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Tabla 8-1

yn
0.0067
0.0134
0.0256
0.0461
0.0784
0.1254
0.1880
0.263
0.342
0.411
0.452

Euler con h = 0.1

xn

yn

1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0

0.452
0.406
0.325
0.223
0.137
0.068
0.003
0.0082
0.0016
0.0002

Ecuaciones diferenciales

8-4

8.4.1 Problemas estables e inestables


8.4.1.1 Estabilidad de ecuaciones
Al resolver numricamente una EDO como la del ejemplo anterior, sabemos que y0=Y(x0) y
calculamos y1Y(X1), pero estrictamente y1Y(X1), por tanto el punto (x1,y1) no est sobre la
solucin que pasa por (x0,y0) sino sobre otra solucin de la familia de soluciones de y=f(x, y),
que es una solucin exacta pero con otra condicin inicial (ver Figura 8-2).
Al cometer este error en el primer paso, an si no se cometieran errores en los pasos
siguientes, las aproximaciones y2, y3, ... estaran sobre la solucin que pasa por (x1,y1) y no
sobre la solucin que buscamos, que pasa por (x0,y0) y por ende tendran error. La magnitud de
este error dependera no slo del mtodo numrico sino de cmo se comporta la familia de
soluciones.
Si la familia de soluciones del problema y=f(x, y) se separan a medida que x avanza a partir del
punto inicial, decimos que el problema es inestable. Si las soluciones se acercan decimos que
el problema es estable.
Si el problema es estable, las soluciones se acercan entre s y por tanto el error cometido en un
paso se propagar al siguiente paso amortiguado por el acercamiento entre las soluciones,
pero si el problema es inestable, el error cometido en un paso se propagar al siguiente
amplificado por la mayor separacin entre las soluciones.
Un problema puede ser estable para algunos valores de (x, y) e inestable para otros.
En la Figura 8-3 se muestran algunas curvas de la familia de soluciones del ejemplo anterior.

Figura 8-3

Soluciones de y = -10(x-1)y

Esta familia de soluciones es inestable para x menores que 1 y estable para x mayores que 1.
Para un x dado, las pendientes de las soluciones dependen de y, y su variacin con y est
dada por fy, la derivada parcial de f respecto a y, que anotaremos como J.

Cuando J>0 las pendientes de las soluciones crecen con y y por tanto se separan entre s y
el problema es inestable.
Cuando J<0 las pendientes de las soluciones decrecen con y y por tanto se acercan entre
s y el problema es estable.

En el caso del ejemplo J = -10(x-1), lo cual explica que el problema sea inestable para x<1 y
estable para x>1.

Ecuaciones diferenciales

8-5

Ejemplo
La solucin exacta de 8-7 es

Y ( x) = e 5( x 1)

a partir de ello podemos calcular los errores de la solucin tabulada en la Tabla 8-1, los cuales
se muestran en la Tabla 8-2.
xn
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
Tabla 8-2

error
0.000
0.004
0.015
0.040
0.087
0.161
0.261
0.374
0.477
0.541
0.548
0.499
0.412
0.312
0.222
0.150
0.097
0.059
0.033
0.016
0.007

Errores de Euler con h=0.1

Como era de esperar dada la inestabilidad del problema entre x=0 y x=1, en dicho intervalo el
error se va haciendo cada vez ms grande.

8.4.1.2 Estabilidad de sistemas


El concepto de estabilidad tambin se aplica a SEDOs.
1
En este caso la estabilidad depende de la matriz de derivadas parciales( ) de f respecto a y,

f
J= i
y j
por ejemplo para el sistema 8-3

0
J=
1

cos( )
L

Puede demostrarse que la estabilidad de un SEDO depende de los valores propios de J, si


todos los valores propios tienen parte real negativa el sistema es estable y si alguno tiene parte
real positiva es inestable.
En el ejemplo anterior, si cos()<0 los valores propios son positivos y el sistema es inestable
mientras que si cos()>0 los valores propios son imaginarios y el sistema no es ni estable ni
inestable.
1

J es la matriz Jacobiana de f considerada slo como funcin de y, con x como parmetro.

Ecuaciones diferenciales

8-6

8.4.2 Estabilidad numrica


8.4.2.1 Estabilidad numrica de ecuaciones
Si planteamos la ecuacin 8-5 para x = xk y x + h = xk+1

Y ( xk +1 ) = Y ( xk ) + hf ( xk , Y ( xk )) +

8-9

h2
Y ( )
2

y restando 8-6 de 8-9 obtenemos


8-10

Y ( xk +1 ) y k +1 = Y ( xk ) y k + h( f ( xk , Y ( xk )) f ( xk , y k ) ) +

h2
Y ( )
2

el lado izquierdo de 8-10 es el error global en xk+1, la diferencia entre la solucin exacta y la
calculada, que es la magnitud que queremos controlar.
En 8-10 se ve que el error global tiene dos fuentes:

El error local, que es el error que tendra yk+1 si yk fuera exacto. En este caso los dos
primeros sumandos seran nulos, quedando slo el trmino complementario del desarrollo
de Taylor.
La propagacin del error de yk, que corresponde a los dos primeros sumandos y que
aplicando el teorema del valor medio puede escribirse como

8-11

Y ( xk ) y k + hJ ( )(Y ( xk ) y k ) = (1 + hJ ( ) )(Y ( xk ) y k )

de donde el error global puede expresarse como


(Error global en xk+1) = (1+hJ) (Error global en xk) + (Error local en xk+1)
donde el error global en xk est multiplicado por (1+hJ), llamado factor de amplificacin.
Si el factor de amplificacin es menor que uno en valor absoluto entonces el error propagado
no crece, mientras que si el valor absoluto del factor de amplificacin es mayor que uno
entonces el error propagado crece de paso en paso. En este caso se dice que el mtodo es
2
numricamente inestable( ).
Para el mtodo de Euler el factor de amplificacin es menor a uno en valor absoluto si
8-12

2 < hJ < 0

que se llama regin de estabilidad del mtodo


Obsrvese que si la familia de soluciones es inestable (J>0) entonces 8-12 nunca se verifica,
por tanto si el problema es inestable el mtodo ser numricamente inestable.
Por otro lado si la familia de soluciones es estable (J<0) entonces 8-12 se verifica slo para
8-13

h < 2/ J

lo cual significa que an siendo estable el problema, el mtodo puede ser numricamente
inestable.
2

no confundir esta inestabilidad con la inestabilidad del problema.

Ecuaciones diferenciales

8-7

Ejemplo
Vimos que el problema 8-7 es inestable para x<1, lo que provoca errores crecientes entre x=0 y
x=1 como se mostr en la Tabla 8-2, lo cual ocurrir an si se usara un paso de clculo menor.
Para x>1 el problema es estable, sin embargo como J = -10(x-1) y h = 0.1 entonces el mtodo
de Euler ser numricamente estable si 2 < 1-x o sea que a partir de x = 3 el mtodo de Euler
es numricamente inestable con este paso y los errores comenzarn a amplificarse otra vez.
La Figura 8-4 muestra una grfica de la solucin calculada por el mtodo de Euler donde la
inestabilidad numrica se ve claramente a partir de x=3.
Como el factor de amplificacin es negativo, el signo del error se va alternando de paso en
paso.

Figura 8-4

Mtodo de Euler inestable con problema estable

8.4.2.2 Problema test


Para otros mtodos el estudio de estabilidad numrica es muy complicado, por lo que lo que se
define como regin de estabilidad del mtodo es el conjunto de los hJ para los cuales el
problema

y = Jy

y ( 0) = 1

8-14

tiene solucin numrica acotada.

Ejemplo
Si aplicamos el mtodo de Euler a 8-15

y k +1 = y k + hJy k = (1 + hJ ) y k
que es acotada si 2 hJ 0

y k = (1 + hJ ) k

Ecuaciones diferenciales

8-8

8.4.2.3 Estabilidad numrica para sistemas


Para el caso de SEDOs se puede hacer un anlisis similar al anterior del cual resulta que el
problema debe ser estable, pero adems el mtodo de Euler se volver inestable a menos que

I + hJ < 1 con alguna norma matricial consistente, siendo I la matriz identidad.


Esta condicin se cumple si

1 + h < 1

8-15

siendo el valor propio con mayor parte real( ) de J.


La condicin 8-15 define la regin de estabilidad del mtodo, que en este caso es un crculo de
radio uno en el plano complejo con centro en z=-1, y es la regin de valores de h en la que el
mtodo es numricamente estable.
3

8.4.3 Problemas rgidos


Un problema (de resolucin de EDOs) se llama rgido cuando la solucin buscada de la
ecuacin diferencial vara lentamente pero hay soluciones en las cercanas que varan muy
rpidamente, lo cual hace necesario usar pasos muy pequeos para su resolucin numrica.
El ejemplo anterior, ilustrado en la Figura 8-4, es un caso tpico.
La solucin buscada vara lentamente, pero la rpida variacin de las soluciones circundantes
provoca inestabilidad numrica si no se usa un paso pequeo.
La gran diferencia de velocidades de variacin de soluciones cercanas entre s se debe a altos
valores de J. En general se trata de problemas estables en los que J toma valores muy
negativos, por lo que las soluciones cercanas a la buscada tienden a ella muy rpidamente.
En el caso de Sistemas, en general se trata de problemas estables (todos los valores propios
de J con parte real negativa) en los que algunos valores propios de J tienen parte real con valor
absoluto mucho mayor que otros.
Los problemas rgidos hacen que los mtodos numricos normales avancen muy lentamente al
tener que usar pasos de clculo muy pequeos.
Algunos mtodos numricos son especialmente adecuados para resolver problemas rgidos,
pudiendo usar pasos de clculo mayores. En general estos mtodos son implcitos, es decir
mtodos en los que yk+1 no est despejado sino que aparece en ambos lados de la frmula, que
debe ser resuelta como una ecuacin no lineal.

8.4.4 Acotacin del error global del mtodo


Combinando 8-10 y 8-11 y calculando valores absolutos obtenemos

Y ( xn+1 ) y n+1 = 1 + hJ ( ) Y ( xn ) y n + En+1


donde

En+1 =

h2
Y ( )
2

es el error local del paso n+1


Si K es una cota de
8-16

como

J y E una cota de los errores locales, entonces


Y ( xn+1 ) y n+1 1 + hK Y ( xn ) y n + E

Y ( x0 ) y0 = 0 entonces
Y ( xn+1 ) y n+1 1 + hK

8-17

Y ( xn+1 ) y n+1

n +1

E
E
E hK ( n+1)

e
1
hK hK hK

E K ( xn +1 x0 )
e
1
hK

recordar que para que el problema sea estable todos los valores propios de J deben tener parte real negativa.

Ecuaciones diferenciales

8-9

Esto nos permite acotar el error global del mtodo de Euler si conocemos E y K.
An sin conocer estas cotas, como el intervalo de trabajo la exponencial de lado izquierdo de
8-17 est acotada, esta desigualdad implica que el error global es un orden de infinitsimo
2
inferior al error local. Como el error local del mtodo de Euler es O(h ) entonces el error global
es O(h).

8.4.5 Orden de consistencia


Si para un mtodo

lm

max(En (h) )
n

h 0

=0

donde En es el error local en xn sin considerar errores de representacin, entonces se define el


orden de consistencia del mtodo como el orden de este infinitsimo.
En el caso del mtodo de Euler el orden de consistencia es uno.
El orden de consistencia es una medida del orden del error global.

8.4.6 Efecto del error de representacin


Si consideramos que al evaluar 8-6 se cometen errores de representacin, podemos escribir

y k +1 = y k + hf ( xk , y k ) + k +1 y k +1

h2
Y ( ) + k +1 y k +1
2
Si M es una cota de Y y M es una cota de Y en el intervalo de trabajo y suponiendo que los
por lo que el error local ser

En+1 =

k son no mayores que maq entonces

E=

h2
M + maq M es una cota del error local.
2

Haciendo un desarrollo similar al de la seccin 8.4.4 llegamos a

Y ( xn+1 ) y n+1

hM maq M

1 h2
M + maq M e K ( xn +1 x0 ) 1 =
+
hK 2
hK

2K

K ( xn +1 x0 )
e
1

de donde se deduce que si se toma h demasiado pequeo el error de representacin crecer,


habiendo un h ptimo dado por
8-18

hopt =

2 maq M
M

8.4.7 Estrategia de control del paso


El paso de clculo no tiene porqu ser el mismo en todos los pasos y, siempre que se
mantenga dentro de la regin de estabilidad del mtodo, puede variarse de modo de mantener
acotado el error local pero tratado de que sea lo mayor posible para que el clculo cubra
rpidamente el intervalo de trabajo.
Una estrategia utilizada es la siguiente:
Dada la aproximacin yn en xn:
Estimar el siguiente paso de clculo
Calcular la aproximacin yn+1 en xn+1
Con la nueva aproximacin verificar que el paso no fue demasiado largo. Si lo fue
recalcular con un paso menor.

8.4.7.1 Estimacin del siguiente paso


Para que el error absoluto local sea menor que la fraccin del error global deseado, E,
correspondiente a h en relacin al tamao del intervalo, se estima y con

Ecuaciones diferenciales

8-10

y
y se toma h tal que

y n y n1
y n1,n
xn xn1

h2
h2
Eh
y
yn1,n
2
2
b x0

2E
yn1,n (b x0 )

en la prctica se toma h algo menor multiplicando este estimado por un factor menor a uno, por
ejemplo 0.9, limitando adems el resultado entre un h mnimo y un h mximo, quedando

1 .8 E

h = max hmin , min hmax ,

y
(
b

x
)

n 1,n
0

8-19

hmax puede seleccionarse para que el mtodo sea numricamente estable, que en el caso de
Euler segn 8-13 debera ser 2/J, para lo cual se puede conocerse J o calcularla por
diferencias.
Por otro lado hmin puede tomarse como el h de 8-18, que minimiza el error de representacin.

8.4.7.2 Clculo de yn+1


Se calcula la aproximacin yn+1 para xn+1 = xn + h

8.4.7.3 Revisin del paso


Se re-estima y con

y n+1 y n
y n,n+1
xn+1 xn

y se verifica que

h2
y n,n+1 y n+1
2

8-20

si 8-20 se verifica, se contina con el prximo paso. En caso contrario se descarta el paso dado
y se vuelve a calcular yn+1 con un paso menor.

8.5

Mtodo de Euler hacia atrs 4

Replanteando 8-5 con h en lugar de h

Y ( x h) = Y ( x) hY ( x) +

h2
h2
Y ( ) = Y ( x) hf ( x, Y ( x)) + Y ( )
2
2

de donde
8-21

Y ( x) = Y ( x h) + hf ( x, Y ( x))

h2
Y ( )
2

si ya tenemos una aproximacin yk a Y(xk) y hemos elegido xk+1 = xk + h, la aproximacin en xk+1


se obtiene al sustituir y Y(xk+1) por sus aproximaciones y despreciar el trmino complementario
en 8-21 con x = xk+1 y por tanto x-h = xk .
8-22

y k +1 = y k + hf ( xk +1 , y k +1 )

Este es un mtodo implcito pues yk+1 aparece en ambos lados de 8-22, que en general debe
resolverse, por ejemplo, por un mtodo iterativo.
Como para calcular yk+1 slo se necesita conocer yk, el mtodo de Euler hacia atrs es un
mtodo de paso simple.
Partiendo de la condicin inicial y eligiendo un paso de clculo h, usualmente se predice yk+1
por el mtodo de Euler hacia delante, tomando ese valor como aproximacin inicial para
5
luego corregirlo sucesivas veces iterando con 8-22.( )
4
5

Tambin llamado frmula de Diferenciacin hacia atrs de primer orden


Obsrvese que si h<1/|J| entonces la iteracin para resolver 8-22 es contractiva.

Ecuaciones diferenciales

8-11

Ejemplo
Queremos resolver 8-7 en [0,2] por el mtodo de Euler hacia atrs con h=0.1
En este caso 8-22 queda

y k +1 = y k ( xk +1 1) y k +1

y podemos despejar

y k +1 =

8-23

yk
xk +1

-5

y partiendo de y0=e aplicamos 8-23 obteniendo los resultados de la Tabla 8-3.


En este ejemplo sencillo, aunque se trata de un mtodo implcito, pudimos despejar una
frmula explcita. Esto no es generalmente posible, debindose usar la frmula de Euler para
predecir una aproximacin inicial y luego corregirla iterativamente para resolver la frmula
implcita.
xn
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Tabla 8-3

yn
0.0067
0.0674
0.3369
1.1230
2.8075
5.6150
9.3583
13.3989
16.7112
18.5680
18.5680

error
0.00
0.05
0.30
1.04
2.64
5.33
8.91
12.73
15.89
17.62
17.57

xn

yn

1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0

16.880
14.0666
10.8205
7.7289
5.1526
3.2204
1.8943
1.0524
0.5539
0.2770

error
15.93
13.25
10.18
7.28
4.87
3.06
1.81
1.01
0.54
0.27

Euler hacia atrs con h = 0.1

Ntese que los errores son significativamente mayores a los obtenidos con el mtodo de Euler,
aunque en este caso es debido a un problema de alta inestabilidad en el punto inicial.
Normalmente los niveles de error deben ser similares a los del Mtodo de Euler.

8.5.1 Estabilidad numrica


Si planteamos 8-21 para x = xk+1 y x-h = xk :

Y ( xk +1 ) = Y ( xk ) + hf ( xk +1 , Y ( xk +1 ) )

8-24

h2
Y ( )
2

y restando 8-22 de 8-24 obtenemos


8-25

Y ( xk +1 ) y k +1 = Y ( xk ) y k + h[ f ( xk +1 , Y ( xk +1 ) ) f ( xk +1 , y k +1 )]

h2
Y ( )
2

el lado izquierdo de 8-25 es el error global en xk+1, que tiene dos fuentes:
El error local, que es el error que tendra yk+1 si yk fuera exacto. En este el primer sumando
sera nulo, quedando slo los dos ltimos, que aplicando el teorema del valor medio
pueden escribirse como

Y ( xk +1 ) y k +1

h2
= hJ ( )(Y ( xk +1 ) y k +1 ) Y ( )
2

de donde se despeja

Y ( xk +1 ) y k +1 =

h2
Y ( ) = O(h 2 )
2(1 hJ ( ) )

La propagacin del error de yk, que es cmo quedara 8-25 si Y fuera nula

Ecuaciones diferenciales

8-12

Y ( xk +1 ) y k +1 = Y ( xk ) y k + h[ f ( xk +1 , Y ( xk +1 ) ) f ( xk +1 , y k +1 )]
y aplicando el teorema del valor medio y despejando se obtiene

Y ( xk +1 ) y k +1 =

Y ( xk ) y k
1 hJ

en este caso el factor de amplificacin es menor a uno en valor absoluto para todo J negativo,
6
por tanto el mtodo de Euler hacia atrs es numricamente estable si el problema es estable( ).
Lamentablemente el costo de esta estabilidad independiente del tamao de paso es una baja
precisin en la frmula y la necesidad de resolver una frmula implcita.

8.5.2 Orden de consistencia


2

En el caso del mtodo de Euler hacia atrs el error local es un infinitsimo de orden h , por
tanto su orden de consistencia es uno.
Esto implica que dentro de la regin de estabilidad, el error global es un infinitsimo de orden h.
Esto es el mismo orden que el mtodo de Euler clsico.

8.5.3 Efecto del error de representacin


Al igual que en el mtodo de Euler, si consideramos el efecto de los errores de representacin,
se llega a la conclusin de que si se toma h demasiado pequeo el error de representacin
crecer, habiendo un h ptimo.

8.6

Mtodo de Heun 7

Suponiendo que la solucin Y(x) de 8-2 tenga derivada tercera continua, entonces

h2
h3

Y ( x) + Y (1 )
2
6

8-26

Y ( x + h) = Y ( x) + hY ( x) +

8-27

Y ( x) = Y ( x + h) hY ( x + h) +

8-28

Y ( x + h) = Y ( x) + hY ( 3 )

h2
h3
Y ( x + h) Y ( 2 )
2
6

Sustituyendo 8-28 en 8-27 y restando de 8-26 se obtiene

Y ( x + h) Y ( x) = (Y ( x) Y ( x + h) ) + h(Y ( x) + Y ( x + h) ) +

h3
(Y (1 ) + Y ( 2 ) 3Y ( 3 ) )
6

de donde
8-29

f ( x, Y ( x) ) + f ( x + h, Y ( x + h) ) h 3
Y ( x + h) = Y ( x) + h
Y ( )
2
12

si ya tenemos una aproximacin yk a Y(xk) y hemos elegido xk+1 = xk + h, la aproximacin en xk+1


se obtiene al sustituir Y(xk) y Y(xk+1) por sus aproximaciones y despreciar el trmino
complementario en 8-29
8-30

y k +1 = y k + h

f ( xk , y k ) + f ( xk +1 , y k +1 )
2

Al igual que Euler hacia atrs, ste es un mtodo implcito pues yk+1 aparece en ambos lados
de 8-30, que en general debe resolverse, por ejemplo, por un mtodo iterativo.
Como para calcular yk+1 slo se necesita conocer yk, el mtodo de Heun es un mtodo de paso
simple.

6
Ntese que aunque el mtodo sea estable para cualquier h, si 8-22 se resuelve por iteracin, para que sta sea
contractiva debe ser h<1/|J|.
7
Tambin llamado mtodo de Euler modificado o frmula del trapecio

Ecuaciones diferenciales

8-13

Partiendo de la condicin inicial y eligiendo un paso de clculo h, usualmente se predice yk+1


por el mtodo de Euler tomando ese valor como aproximacin inicial para luego corregirlo
8
sucesivas veces iterando con 8-30 ( ).

Ejemplo
Queremos resolver 8-7 en [0,2] por el mtodo de Heun con h=0.1
En este caso 8-30 queda

y k +1 = y k 12 ( xk 1) y k 12 ( xk 0.9) y k +1
y podemos despejar

y k +1 =

8-31

(3 xk )
yk
(1.1 + xk )

-5

y partiendo de y0=e aplicamos 8-31 obteniendo los resultados de la Tabla 8-4.


En este ejemplo tambin pudimos despejar una frmula explcita aunque se trata de un mtodo
implcito.
xn
yn
error
xn
yn
error
0.0 0.0067 0.000
0.1 0.0184 -0.001 1.1 0.0435 -0.092
0.2 0.0444 -0.004 1.2 0.9012 -0.082
0.3 0.0957 -0.009 1.3 0.7053 -0.068
0.4 0.1845 -0.019 1.4 0.4996 -0.050
0.5 0.3197 -0.033 1.5 0.3197 -0.033
0.6 0.4996 -0.050 1.6 0.1845 -0.019
0.7 0.7053 -0.068 1.7 0.0957 -0.009
0.8 0.9012 -0.082 1.8 0.0444 -0.004
0.9 1.0435 -0.092 1.9 0.0184 -0.001
1.0 1.0957 -0.096 2.0 0.0067 -0.000
Tabla 8-4

Heun con h = 0.1

Ntese que los errores son significativamente inferiores a los obtenidos con el mtodo de Euler.

8.6.1 Estabilidad numrica


Si planteamos la ecuacin 8-29 para x = xk y x+h=xk+1

Y ( xk +1 ) = Y ( xk ) + h

8-32

f ( xk , Y ( xk ) ) + f ( xk +1 , Y ( xk +1 ) ) h 3
Y ( )
2
12

y restando 8-30 de 8-32 obtenemos


8-33

Y ( xk +1 ) y k +1 = Y ( xk ) y k + h

f ( xk , Y ( xk ) ) f ( x k , y k )
2
+h

f ( x k +1 , Y ( x k +1 ) ) f ( x k +1 , y k +1 ) h 3
Y ( )
2
12

el lado izquierdo de 8-33 es el error global en xk+1, que tiene dos fuentes:
El error local, que es el error que tendra yk+1 si yk fuera exacto. En este caso los dos
primeros sumandos seran nulos, quedando slo los dos ltimos, que aplicando el teorema
del valor medio pueden escribirse como

Y ( xk +1 ) y k +1 =

3
hJ ( )
(Y ( xk +1 ) yk +1 ) h Y ( )
2
12

de donde se despeja

Y ( xk +1 ) y k +1 =
8

h3
Y ( ) = O(h 3 )
1
12(1 2 hJ ( ) )

Obsrvese que si h<2/|J| entonces la iteracin para resolver 8-30 es contractiva.

Ecuaciones diferenciales

8-14

La propagacin del error de yk, que es cmo quedara 8-33 si Y fuera nula

Y ( xk +1 ) y k +1 = Y ( xk ) y k + h

f ( xk , Y ( xk ) ) f ( x k , y k )
f ( xk +1 , Y ( xk +1 ) ) f (xk +1 , y k +1 )
+h
2
2

y aplicando el teorema del valor medio y despejando se obtiene

Y ( xk +1 ) y k +1 =

1 + 12 hJ
(Y ( xk ) yk )
1 12 hJ

en este caso el factor de amplificacin es menor a uno en valor absoluto para todo J negativo,
9
por tanto el mtodo de Heun es numricamente estable si el problema es estable( ).
En este caso tenemos estabilidad independiente del tamao del paso y mayor precisin que el
mtodo de Euler.

8.6.2 Problemas rgidos


El mtodo de Heun no pierde su estabilidad numrica para valores de J muy negativos, por lo
que es adecuado para resolver problemas rgidos.
Sin embargo hay que recordar que para resolver 8-30 por iteracin de punto fijo, para que la
misma sea contractiva debe ser h<2/|J|. Esto es una gran limitacin en los problemas rgidos,
por lo que en estos casos conviene resolver la ecuacin implcita 8-30 por otros mtodos, como
por ejemplo el de la secante o el de Newton Raphson.
En la Figura 8-5 se aprecia que la solucin del ejemplo anterior de problema rgido por el
mtodo de Heun no tiene problemas de estabilidad numrica.

Figura 8-5

Mtodo de Heun Numricamente estable con problema rgido

Ntese que aunque el mtodo sea estable para cualquier h, si 8-30 se resuelve por iteracin, para que sta sea
contractiva debe ser h<2/|J|.

Ecuaciones diferenciales

8-15

8.6.3 Orden de consistencia


3

En el caso del mtodo de Heun el error local es un infinitsimo de orden h , por tanto su orden
de consistencia es dos.
Esto implica que dentro de la regin de estabilidad, el error global es un infinitsimo de orden
2
h.

8.6.4 Efecto del error de representacin


Al igual que en el mtodo de Euler, si consideramos el efecto de los errores de representacin,
se llega a la conclusin de que si se toma h demasiado pequeo el error de representacin
crecer, habiendo un h ptimo.

Ecuaciones diferenciales

8.7

8-16

Mtodos de Runge Kutta

Los mtodos de Euler y Heun, si bien tericamente pueden dar resultados precisos tomando h
suficientemente pequeo, en la prctica estn limitados debido al efecto de los errores de
representacin. Esto motiv el desarrollo de mtodos ms precisos que permiten usar pasos de
clculo mayores.
El mtodo de Euler calcula la variacin entre Y(xk) y Y(xk+1) como hf(xk, yk) y el mtodo de Heun
la calcula como por el promedio entre hf(xk, yk) y hf(xk+1,yk+1).
En lugar de esto los mtodos de Runge Kutta la calculan como un promedio de evaluaciones
de hf(x, y) en varios puntos intermedios:

y k +1 = y k + w1k1 + w2 k 2 + w3 k 3 + L + wm k m

8-34
donde

k1 = hf ( xk , y k )

k 2 = hf ( xk + c2 h, y k + a 21k1 )
k 3 = hf ( xk + c3 h, y k + a31k1 + a32 k 2 )
M
k m = hf (xk + cm h, y k + a m1k1 + L + a m,m1k m1 )
Los coeficientes wi, ci y aij se determinan para que el desarrollo de Taylor del lado derecho de
8-34 coincida con el de Y(xk + h) hasta los trminos de orden p (mtodo de Runge Kutta de
orden p).
En general resulta una sistema indeterminado, pudindose elegir los coeficientes libres para
obtener ciertas propiedades del mtodo.

8.7.1 Mtodos de Runge Kutta de segundo orden


La frmula 8-34 queda

y k +1 = y k + w1k1 + w2 k 2
con

k1 = hf ( xk , y k )
k 2 = hf ( xk + c2 h, y k + a 21k1 )

de donde

y k +1 = y k + w1hf ( xk , y k ) + w2 hf ( xk + c2 h, y k + a21hf ( xk , y k ))

desarrollando el tercer sumando por Taylor

y k +1 = y k + w1hf ( xk , y k ) + w2 h f ( xk , y k ) + c2 hf x ( xk , y k ) + a21k1 f y ( xk , y k ) + O(h 2 )

reordenando
8-35

y k +1 = y k + ( w1 + w2 )hf ( xk , y k ) +

w2 h 2 c2 f x ( xk , y k ) + a21 f ( xk , y k ) f y ( xk , y k ) + O(h 3 )
por otra parte el desarrollo de Taylor de Y en xk+1 es

Y ( xk +1 ) = Y ( xk ) + hY ( xk ) +

h2
h2
3

Y ( xk ) + O(h ) = y k + hf ( xk , y k ) + Y ( xk ) + O(h 3 )
2
2

Ecuaciones diferenciales

8-17

Y ( xk ) = [ f ( xk , Y ( xk ) )] = f x ( xk , y k ) + f ( xk , y k ) f y ( xk , y k )

pero
y sustituyendo

8-36

Y ( xk +1 ) = y k + hf ( xk , y k ) +

h2
f x ( xk , y k ) + f ( x k , y k ) f y ( xk , y k ) + O ( h 3 )
2

para que los lados derechos de 8-35 y 8-36 coincidan debe ser

w1 + w2 = 1

1
w2 c2 = 2
wa =1
2 21 2
este sistema es indeterminado, pudindose fijar uno de los parmetros arbitrariamente.
Por ejemplo si se toma c2 = 1 se obtiene w1 = w2 = y a21 = 1 por tanto queda

8-37

y k +1 = y k +

h
[ f (xk , yk ) + f (xk + h, yk + hf (xk , yk ))]
2

La frmula 8-37 es exactamente como si en el mtodo de Heun se predijera con Euler y se


hiciera una sola correccin con 8-30.

8.7.1.1 Estabilidad numrica


Si aplicamos 8-37 al problema test 8-14 obtenemos

y k +1 = y k +

2
h
[J ( yk + yk + hJyk )] = 1 + hJ + (hJ ) yk
2
2

por tanto

(hJ ) 2

y n+1 = 1 + hJ +
2

n +1

y0

esta sucesin es acotada si

1 + hJ +

(hJ ) 2
1
2

por tanto el intervalo de estabilidad de este mtodo es 2 hJ 0

8.7.2 Mtodos de Runge Kutta de cuarto orden


Son los ms utilizados y se obtienen en forma similar a los de segundo orden, planteando una
4
frmula con cuatro constantes e igualando los desarrollos de Taylor hasta los trminos en h .
Se obtiene un sistema de 11 ecuaciones con 13 parmetros, que permite elegir arbitrariamente
dos parmetros.
4
El error global de estos mtodos es un infinitsimo de orden h .
El mtodo de cuarto orden ms usado es

Ecuaciones diferenciales

8-38

8-18

y k +1 = y k + 16 (k1 + 2k 2 + 2k3 + k 4 )
k = hf ( x , y )
k
k
1
1
1
(
k
=
hf
x
+
2
k
2 h, y k + 2 k1 )
k = hf (x + 1 h, y + 1 k )
k
k
2
2 2
3
k 4 = hf (xk + h, y k + k 3 )

La Figura 8-6 muestra los puntos en que se avala f(x, y) para calcular las ki.

Figura 8-6

Puntos de evaluacin de f para el mtodo RK4 (8-38)

Este mtodo tiene como regin de estabilidad -2.78 < hJ < 0.


A continuacin se muestra el cdigo Scilab de este algoritmo.
function [t,y] = RK4(ODE,tspan,y0,h)
t=[];
y=[];
mode(0);
ieee(1);
// Metodo de Runge Kutta de orden 4 con paso fijo
if (tspan(2)-tspan(1))/h<0 then // Verifica que h tenga el signo correcto
h = -h; // si no le cambia el signo
end;
C = [1/2;1/2;1];

// coeficientes de avance de x

A = [1/2,0,0;
0,1/2,0;
0,0,1;
0,0,0];
W = (1/6)*[1;2;2;1];
hC = h*C;
hA = h*A;
f = zeros(length(y0),4);

// coeficientes de avance de y

// Pesos de las Ki

t(1) = tspan(1);
y(:,1) = y0;
k = 1;
while (tspan(2)-t(k))/h>0
// Verifica que no se haya superado el t final
if (tspan(2)-t(k))/h<1 then
h=tspan(2)-t(k);
// si falta poco ajusta el paso

Ecuaciones diferenciales

8-19

t(k+1)=tspan(2);
hC = h*C;
hA = h*A;
else
t(k+1)=t(k)+h;
// si falta mucho da un paso normal.
end;
f(:,1) = ODE(t(k),y(:,k));
f(:,2) = ODE(t(k)+hC(1),y(:,k)+f*hA(:,1));
f(:,3) = ODE(t(k)+hC(2),y(:,k)+f*hA(:,2));
f(:,4) = ODE(t(k)+hC(3),y(:,k)+f*hA(:,3));
y(:,k+1) = y(:,k)+(f*h)*W;
k = k+1;

// Evalua el siguiente punto

end;
endfunction

Ejemplo
Queremos resolver 8-7 en [0,2] por el mtodo de Runge Kutta de cuarto orden 8-38 con h=0.1
La Figura 8-7 muestra una grfica de la solucin analtica y los valores calculados.
Se aprecia fcilmente que el mtodo es ms preciso que los vistos anteriormente.

Figura 8-7

Solucin de 8-7 por Runge Kutta de orden 4

8.7.2.1 Estimacin del error


Una tcnica para estimar el error local y eventualmente ajustar el paso de clculo para obtener
la precisin deseada consiste en aplicar un esquema similar al de la integracin adaptativa.
Para ello luego de calcular un paso, se recalcula, dando dos pasos reducidos a la mitad desde
el punto anterior, obteniendo una nueva aproximacin y para el mismo valor de x.
5
Como el mtodo es de orden 4, su error local ser O(h ) y por ende cada paso mitad debi
tener un error local 32 veces inferior al paso original, totalizando un error para los dos pasos 16
veces menor al original, por lo que la diferencia entre ambas aproximaciones dividida por 15
nos dar una estimacin del error de la nueva aproximacin.
El problema de esta tcnica es que para hacer esto hay que evaluar 11 veces f(x, y) cada dos
pasos.

Ecuaciones diferenciales

8-20

Otra tcnica consiste en lugar de comparar dos aproximaciones calculadas con el mismo
mtodo pero distinto paso, comparar dos aproximaciones calculadas con el mismo paso pero
con mtodos de rdenes diferentes. Para ello se han desarrollado pares de mtodos de orden
4 y 5 de modo que las evaluaciones de f(x, y) realizadas para calcular las ki del mtodo de
orden 4 se aprovechan para el mtodo de orden 5, debiendo realizar slo una o dos
evaluaciones adicionales para tener la aproximacin de orden 5.

8.7.2.2 Mtodo de Runge Kutta Fehlberg


Consiste en una frmula de orden 4 que requiere 5 evaluaciones de f(x, y) y una de orden 5
que requiere slo una evaluacin adicional.

8-39

k1 = hf ( xk , y k )

k 2 = hf (xk + 14 h, y k + 14 k1 )

k 3 = hf (xk + 83 h, y k + 323 k1 + 329 k 2 )

1932
7200
7296
k 4 = hf (xk + 12
13 h, y k + 2197 k1 2197 k 2 + 2197 k 3 )

4392
3680
845
k 5 = hf (xk + h, y k + 216 k1 8k 2 + 513 k 3 4104 k 4 )

1859
11
k 6 = hf (xk + 12 h, y k 278 k1 + 2k 2 3544
2565 k 3 + 4104 k 4 40 k 5 )

25
2197
1
k1 + 1408
con error global O(h 4 )
y k +1 = y k + ( 216
2565 k 3 + 4104 k 4 5 k 5 )

16
6656
28561
y k +1 = y k + ( 135
k1 + 12825
k 3 + 56430
k 4 509 k 5 + 552 k 6 ) con error global O(h 5 )

128
2197
1
Elocal y k +1 y k +1 = 360
k1 4275
k 3 75240
k 4 + 501 k 5 + 552 k 6

8.7.2.3 Estrategia de control del paso


Los mtodos como el de Runge Kutta Fehlberg, que nos dan una estimacin del error local,
permiten verificar que cada paso dado tiene precisin suficiente y estimar cul debe ser el
siguiente paso para obtener la precisin deseada.
Si se quiere tener un error global en [x0, b] menor que entonces cuando se avanza un paso h
el error local deber ser

8-40

Elocal <

h
b x0

Si esta desigualdad se cumple, el paso dado es aceptado y se estimar el tamao mximo que
debe tener el siguiente paso para obtener la precisin deseada.
Si la desigualdad no se cumple, el paso dado es rechazado y se estimar el tamao mximo
con que debe repetirse el paso para obtener la precisin deseada.
En ambos casos el nuevo paso, h se calcula de la siguiente manera:
Si con paso h se obtuvo un error local E, como el error local de la frmula de cuarto orden es
5

O(h ), con paso

h 5
h se tendr un error E = E 5 y queremos que
h

h
E
b x0

h 5
h
E 5
h
b x0

h 4

h h
E
b

x
0

Ecuaciones diferenciales

8-21

para aumentar la probabilidad de que el nuevo error de inferior al deseado, se aplica un factor
de 0.8, resultando
1

h 4

h 0.8h
E b x0

8-41

usualmente se limita el nuevo paso para que no sea inferior a un paso mnimo ni al 20% del
paso anterior, ni sea mayor a un paso mximo ni a 5 veces el paso anterior.
A continuacin se muestra el cdigo Scilab de un algoritmo del mtodo de Runge Kutta
Fehlberg con paso variable.
function [t,y] = RKF(edo,Jedo,tspan,y0,ep)
t=[]; y=[]; mode(0); ieee(1);
// Metod0 de Runge Kutta Fehlberg con paso variable
C = [1/4;3/8;12/13;1;1/2];

// coef. de avance de x

A = [1/4,3/32,1932/2197,439/216,-8/27; // coef. de avance de y


0,9/32,-7200/2197,-8,2;
0,0,7296/2197,3680/513,-3544/2565;
0,0,0,-845/4104,1859/4104;
0,0,0,0,-11/40;
0,0,0,0,0];
W = [16/135;0;6656/12825;28561/56430;-9/50;2/55];// Pesos de las Ki en orden 5
E = [1/360;0;-128/4275;-2197/75240;1/50;2/55];
// Coeficientes de error
f = zeros(length(y0),6);
hmin=(tspan(2)-tspan(1))/10000;
h = 100*hmin;
t(1)=tspan(1);
y(:,1)=y0;
t(2)=t(1)+h;
i = 1;
k = 1;
while t(k) < tspan(2) & i < 10000
hC = h*C;
hA = h*A;
hE = h*E;
f(:,1) = edo(t(k),y(:,k));
f(:,2) = edo(t(k)+hC(1),y(:,k)+f*hA(:,1));
f(:,3) = edo(t(k)+hC(2),y(:,k)+f*hA(:,2));
f(:,4) = edo(t(k)+hC(3),y(:,k)+f*hA(:,3));
f(:,5) = edo(t(k)+hC(4),y(:,k)+f*hA(:,4));
f(:,6) = edo(t(k)+hC(5),y(:,k)+f*hA(:,5));
erra = norm(f*hE);
if erra<=h*ep/(tspan(2)-tspan(1)) | h<=hmin then // si el error es
aceptable o h es minimo
t(k+1)=t(k)+h;
// se acepta el paso, avanza.
y(:,k+1)=y(:,k)+f*h*W;
k = k+1;
end;
J = Jedo(t(k),y(:,k));
hmax = 2/(abs(J)+%eps);
// limita cambio de paso entre 1/5 y 5
hcalc=h*max(0.2,min(5,0.8*(h*ep/erra/(tspan(2)-tspan(1)))^0.25));
h=max([hmin,min([hmax,hcalc])]);
// limita paso entre hmin y hmax
if t(k)+h > tspan(2)
// si esta cerca del final ajusta el paso
h=tspan(2)-t(k);
end;
i = i+1;
if i>10000 then
messagebox("Mas de 10,000 iteraciones")
end;
end;
endfunction

Ecuaciones diferenciales

8-22

Ejemplo
Queremos resolver 8-7 en [0,2] por el mtodo de Runge Kutta Fehlberg con paso variable.
La Figura 8-7 muestra una grfica de la solucin analtica y los valores calculados.

Figura 8-8

Solucin de 8-7 por Runge Kutta Fehlberg con paso variable

Se obtuvo tanta precisin como en el ejemplo anterior, pero la cantidad de pasos es inferior

Ejemplo
Usando la funcin ODE45 de Matlab, que usa un mtodo de Runge Kutta similar al de Fehlberg
con paso variable se obtiene los resultados que se muestran en la Figura 8-9.

Figura 8-9

Solucin de 8-7 con ode45 y reltol=0.01

En este caso se obtiene muy buena precisin, pero con muchos pasos de clculo debido a que
esta funcin utiliza una estrategia de control de paso diferente.

Ecuaciones diferenciales

8-23

Ejemplo
Si en el ejemplo del pndulo rgido el mismo est sumergido en un fluido viscoso, el SEDO que
describe el movimiento es

g

= L sen( )
=

(t 0 ) = 0

(t 0 ) = 0
Si g/L = 1 , = , 0 = 1 y 0 = 1 y queremos resolverlo en [0, 10] obtendremos los resultados
graficados en Figura 8-10 para el mtodo de Runge Kutta Fehlberg con varias tolerancias de
error y con ODE45.

Figura 8-10

Pndulo rgido amortiguado

En este caso el problema es estable, ya que los valores propios de la Jacobiana tienen parte
real negativa. Debido a esto los resultados no dependen tanto del paso, obtenindose buena
precisin en todos los casos.

Ecuaciones diferenciales

8-24

Mtodos de paso mltiple


Los mtodos que hemos visto hasta ahora se llaman de paso simple pues calculan la solucin
en el punto n+1 partiendo slo de la informacin del punto n. Debido a esto pueden trabajarse
con paso variable y adems slo requieren de una condicin inicial sencilla (x0, y0), por lo que
son ideales para iniciar el clculo de la solucin.
Sin embargo, una vez que tenemos una serie de aproximaciones en xn-p, xn-p+1,,xn-1, xn,
disponemos de informacin acerca de la solucin y su derivada que puede ser aprovechada
para calcular el siguiente punto.
Un enfoque es usar los puntos que se tienen para aproximar Y(x) por un polinomio interpolador
y luego integrarlo para obtener una integral numrica de Y(x) entre xn-m y xn+1 para evaluar

Y ( xn+1 ) = Y ( xn m ) +

8-42

x n +1

xn m

Y ' ( x)dx

As se obtienen las frmulas tipo Adams de predictores y correctores.


Otro enfoque es usar los puntos que se tienen para aproximar Y(x) por un polinomio
interpolador P(x) y luego derivarlo para obtener una frmula de diferencia hacia atrs para
Y(xn+1 ) e igualar

f ( xn+1 , Y ( xn+1 ) ) = P( xn+1 )

8-43

As se obtienen la frmulas de diferenciacin hacia atrs.


En ambos enfoques usualmente se usan puntos equidistantes (paso de clculo fijo) para
simplificar las frmulas.
La cantidad de puntos utilizados determina el grado del polinomio interpolador y el orden del
error del mismo y por ende el orden de consistencia del mtodo.
Si en la interpolacin slo se usan los puntos conocidos (xn-p, yn-p), , (xn, yn) se obtiene una
frmula explcita, pero si en la interpolacin tambin se usa el punto desconocido (xn+1, yn+1),
entonces se obtiene una frmula implcita.

8.7.3 Frmula de Adams Brashforth de tercer orden


Si tenemos tres aproximaciones en puntos equidistantes, (xn-2, yn-2), (xn-1, yn-1) y (xn, yn)
formamos una tabla de valores de Y con (xn-2, fn-2), (xn-1, fn-1) y (xn, fn) donde fi = f(xi, yi).
Interpolando en dicha tabla obtenemos
8-44

Y ' ( x) P2 ( x) = 12 h 2 ( f n 2 f n1 f n2 )( x xn ) 2 + 12 h(3 f n 4 f n1 + f n 2 )( x xn ) + f n

e integrando entre xn y xn+1 tenemos


8-45

y n+1 = y n +

xn +1

xn

P2 ( x)dx = y n +

h
(23 f n 16 f n1 + 5 f n2 )
12
4

puede demostrarse que el error local de sta frmula es O(h ) por lo que el mtodo tiene un
orden de consistencia 3.

8.7.4 Predictor de Milne


Si se usan los puntos (xn-2, yn-2), (xn-1, yn-1) y (xn, yn) para interpolar Y como en 8-44 y luego se
integra entre xn-3 y xn+1 se obtiene
8-46

y n+1 = y n3 +

4h
(2 f n f n1 + 2 f n2 )
3

con error local


8-47

28 5 V
E pred = 90
h Y ( )

Ecuaciones diferenciales

8-25

Obsrvese que el polinomio interpolador se ha integrado en un intervalo que empieza antes y


termina despus que el intervalo de interpolacin, es decir que se extrapola hacia ambos lados,
lo cual hace que el error sea relativamente grande.

8.7.5 Corrector de Milne


Si se usan los puntos (xn-1, yn-1), (xn, yn) y (xn+1, yn+1) para interpolar Y como en 8-44 y luego se
integra entre xn-1 y xn+1 se obtiene

y n+1 = y n1 +

8-48

h
( f n+1 + 4 f n + f n1 )
3

con error local

Ecorr =

8-49

1
90

h 5Y V ( )

Como en este caso se ha integrado en el mismo intervalo de interpolacin, el error es menor.


10
Esta frmula( ) es implcita y necesita una aproximacin inicial para poder resolverla por
iteracin.

8.7.6 Mtodos predictor corrector


Usualmente las frmulas implcitas (correctores) se usan en combinacin con frmulas
explcitas (predictores).
Se predice un valor con el predictor y luego se lo corrige con el corrector. Generalmente el
paso se selecciona lo suficientemente pequeo como para poder considerar que la iteracin del
11
corrector converge en una sola iteracin( ).
En general se usan predictores y correctores del mismo orden, cuyos errores dependen de la
misma derivada de Y, y de la misma potencia de h, siendo normalmente los correctores mucho
12
ms precisos que sus correspondientes predictores( ).
A partir de la diferencia entre el valor predicho y el corregido se puede obtener una buena
estimacin del error del predictor y del corrector.

8.7.7 Predictor corrector de Milne


Si se predice ypn+1 con 8-46 y se corrige ycn+1 con 8-48 entonces
28 5 V
ycn+1 ypn+1 = (Y ( xn+1 ) ypn+1 ) (Y ( xn+1 ) ycn+1 ) = 90
h Y ( p ) + 901 h 5Y V ( c )
V

suponiendo que ambos valores de Y son aproximadamente iguales

ycn+1 yp n+1

29
90

h 5Y V ( ) h 5Y V ( )

90
29

( ycn+1 ypn+1 )

y sustituyendo en 8-49 obtenemos

Ecorr

8-50

1
29

( ycn+1 ypn+1 )

que nos da una estimacin del error del valor corregido.

Ejemplo
Queremos resolver 8-7 en [0,2] por el mtodo predictor corrector de Milne con paso 0.1.
La Figura 8-11 muestra una grfica de la solucin analtica y los valores calculados.

10

Ntese que la forma de 8-48 y 8-49 es igual a la de la regla 1/3 de Simpson y su error.
de hecho no vale la pena iterar hasta una convergencia exacta pues de todos modos por el error de truncacin del
corrector el valor obtenido ser slo una aproximacin a la solucin.
12
debido a que en el predictor se integra fuera del intervalo de interpolacin y en el corrector no.
11

Ecuaciones diferenciales

Figura 8-11

8-26

Solucin de 8-7 con Predictor corrector de Milne

8.7.7.1 Estabilidad numrica


Para estudiar la estabilidad numrica de este mtodo, plantearemos la resolucin del problema
test 8-14 con la frmula 8-48:

y n+1 = y n1 +

h
(Jyn+1 + 4 Jyn + Jyn1 ) 1 hJ yn+1 4hJ y n 1 + hJ y n1 = 0
3
3
3
3

esta ecuacin en diferencias tiene solucin de la forma

y n = C1 Z1n + C 2 Z 2n

8-51

donde Z1 y Z2 son las races de

hJ 2 4hJ
hJ
Z 1 +
1 Z
=0
3
3
3

Si definimos r=hJ/3 entonces

2r + 3r 2 + 1
Z1 =
1 r

2r 3r 2 + 1
Z2 =
1 r

Puede verificarse que para r0 al menos una de esas races es mayor a uno en valor absoluto,
por lo tanto la sucesin 8-51 ser no acotada y por tanto el mtodo es numricamente
inestable.

Ejemplo
Si resolvemos 8-7 en [0,4] por el mtodo de Milne con paso 0.1, llegamos a una zona en la que
la inestabilidad numrica se hace notoria
La Figura 8-12 muestra una grfica de la solucin analtica y los valores calculados.

Ecuaciones diferenciales

Figura 8-12

8-27

Solucin de 8-7 con Predictor corrector de Milne

8.7.8 Predictor corrector de Adams Moulton


El predictor se deriva en forma anloga al anterior pero usando los cuatro puntos (xn-3, yn-3),
(xn-2, yn-2), (xn-1, yn-1) y (xn, yn), e integrando entre xn y xn+1, resultando

y n+1 = y n +

8-52

h
(55 f n 59 f n1 + 37 f n2 9 f n3 )
24

con error local


8-53

E pred =

251
720

h 5Y V ( )

El corrector se deriva usando los cuatro puntos, (xn-2, yn-2), (xn-1, yn-1), (xn, yn) y (xn+1, yn+1), e
integrando entre xn y xn+1, resultando

y n+1 = y n +

8-54

h
(9 f n+1 + 19 f n 5 f n1 + f n2 )
24

con error local


8-55

Ecorr =

19
720

h 5Y V ( )

En forma anloga al mtodo de Milne se deriva la estimacin del error del corrector,
8-56

Ecorr

19
270

( ycn+1 ypn+1 )

8.7.8.1 Modificaciones
Esta estimacin del error puede sumarse al valor corregido para obtener un valor ms exacto.
Cuando esto se hace se le llama modificador del corrector.

Ecuaciones diferenciales

8-28

Puede demostrarse que esto equivale a usar un mtodo un orden superior, pero debe tenerse
en cuenta que esto puede afectar la estabilidad, pues el mtodo de orden 5 resultante tendr
diferente regin de estabilidad.
Otra modificacin usual consiste en estimar el error del predictor en el paso anterior con una
frmula similar a la 8-56 :

E pred

251
270

( ycn ypn )

y sumarla al nuevo valor predicho, ypn+1 , si la derivada quinta no vari significativamente de un


paso al siguiente, esta modificacin del predictor debe dar un valor ms preciso, permitiendo
una rpida convergencia del corrector.
Estas modificaciones del corrector y del predictor tambin pueden hacerse con el predictor
13
corrector de Milne( ).

8.7.8.2 Algoritmo
A continuacin se muestra el cdigo de un algoritmo de Adams Moulton
function [t,y,e] = AdamsMoulton(ODE,tspan,y0,y1,y2,y3,h)
t=[]; y=[]; e=[]; mode(0); ieee(1);
// Metod0 predictor corrector de Adams Moulton
if (tspan(2)-tspan(1))/h<0 then
h = -h;
end;

// Verifica que h tenga el signo correcto

P = (1/24)*[-9;37;-59;55;0];
C = (1/24)*[0;1;-5;19;9];
t(1) = tspan(1);
t(2) = t(1)+h;
t(3) = t(2)+h;
t(4) = t(3)+h;
y(:,1) = y0;
y(:,2) = y1;
y(:,3) = y2;
y(:,4) = y3;

// coef. del predictor


// coef. del corrector

// y iniciales

f = zeros(length(y0),5);
f(:,1) = ODE(t(1),y(:,1));
f(:,2) = ODE(t(2),y(:,2));
f(:,3) = ODE(t(3),y(:,3));

// f iniciales

k = 4;
while (tspan(2)-t(k))/h>0
f(:,4) = ODE(t(k),y(:,k));
t(k+1)=t(k)+h;
if k>4 then
mod = y(:,k)-yp;
end;
yp = y(:,k)+(h*f)*P;
yc = yp;
err = 1;
i = 1;
while norm(err)>0.0000000001 & i<2
varias veces
f(:,5) = ODE(t(k+1),yc);
ynuevo = y(:,k)+(h*f)*C;
err = ynuevo-yc;
yc = ynuevo;
i = i+1;
end;
e(1,k+1) = norm((19/270)*(yc-yp));
y(:,k+1) = yc-(19/270)*(yc-yp);
f(:,1) = f(:,2);
f(:,2) = f(:,3);
f(:,3) = f(:,4);
k = k+1;

// f en ultimo punto calculado

// predice

// si se cambia el 2 puede corregir


// corrige

// norma de estim. de error


// compensa por estim. de error
// desplaza los f

end;
endfunction
13

La estimacin del error del predictor de Milne es

E pred

28
29

( ycn ypn )

Ecuaciones diferenciales

8-29

8.7.8.3 Estabilidad numrica


Para estudiar la estabilidad numrica de este mtodo, plantearemos la resolucin del problema
test 8-14 con la frmula 8-54:

y n +1 = y n +

h
(9 Jyn+1 + 19 Jyn 5 Jyn1 + Jyn2 ) 1 9hJ y n+1 1 + 19hJ yn + 5hJ yn1 hJ yn2 = 0
24
24
24
24
24

esta ecuacin en diferencias tiene solucin de la forma


8-57

y n = C1 Z1n + C 2 Z 2n + C3 Z 3n

donde Z1, Z2 y Z3 son las races de

(1 249 r )Z 3 (1 + 1924 r )Z 2 + 5rZ r = 0

con r = hJ

La Figura 8-13 muestra que para 3 < hJ < 0 todas las races tienen partes reales menores a
uno en valor absoluto y por tanto la sucesin 8-57 ser acotada y por tanto el mtodo
numricamente estable, lo que lo hace en general preferible frente al mtodo de Milne cuando
la estabilidad es importante, a pesar de que el mtodo de Milne tiene menor error de
truncacin.

Figura 8-13

Regin de estabilidad del corrector de Adams Moulton

8.7.8.4 Seleccin del paso para la convergencia del corrector


Para no tener que iterar con el corrector, usualmente se elige el paso suficientemente pequeo
como para que la primer correccin d un valor suficientemente cercano a la solucin del
corrector. Si no fuera as habra que evaluar f(x, y) ms de una vez por paso y sera preferible
achicar el paso a la mitad, lo cual disminuira el error 32 veces.
Si iterramos con 8-54 a partir del valor predicho

y n( i++11) = y n +

y n( 0+)1

h
9 f ( xn+1 , y n( i+)1 ) + 19 f n 5 f n1 + f n2
24

la diferencia entre dos correcciones sucesivas ser

Ecuaciones diferenciales

y n( i++11) y n( i+)1 =

8-30

9h
9h
f ( xn+1 , y n(i+)1 ) f ( xn+1 , y n( i+11) )
J ( )( y n(i+)1 y n( i+11) )
24
24

Suponiendo que J no vara, esta sucesin converge rpidamente si

9hJ
<< 1
24

8-58

primera condicin de convergencia

El valor de convergencia puede expresarse como la suma de la serie telescpica

y n+1 = y

(0)
n +1

+ y
i =0

( i +1)
n +1

(i )
n +1

) y

( y (1) y n( 0+)1 )
9h
+ J ( y n(1+)1 y n( 0+)1 ) = y n( 0+)1 + n+1
9h

i = 0 24
1 J
24

(0)
n +1

El error de la primer correccin es

9h

J
(1)
(0)
1

)
y
y
n +1
<
y n(1+)1 = ( y n(1+)1 y n( 0+)1 )
1 = ( y n(1+)1 y n( 0+)1 ) 24
y n+1 y n(1+)1 = y n( 0+)1 + n+1
9h
9h
9h

1 J
1 J
1 J
24
24

24
por tanto para que ese error sea menor que

y n(1+)1 y n( 0+)1 <

9h
J
24 = 24 1
9h
9hJ
J
24

Si se verifica 8-58, la condicin anterior puede aproximarse por


8-59

y n(1+)1 y n( 0+)1 <

24

9hJ

segunda condicin de convergencia

Y adems la estimacin del error 8-56 debe ser menor que , de donde
8-60

y n(1+)1 y n( 0+)1 <

270

19

condicin de exactitud

8.7.9 Arranque y cambio de paso


Para generar los valores iniciales necesarios para comenzar un mtodo de paso mltiple
suelen usarse mtodos de Runge Kutta del mismo orden. Adems, cuando las condiciones de
convergencia o exactitud hacen necesario cambiar el paso, puede recurrirse tambin a los
mtodos de Runge Kutta para generar los nuevos valores iniciales.
Otra tcnica para el cambio de paso consiste en limitar los cambios de paso a duplicaciones o
divisiones a la mitad del paso.
Al duplicar el paso los nuevos valores iniciales ya se tienen calculados, ya que coinciden con
puntos ya tabulados.
Para dividir el paso a la mitad se pueden usar los puntos n y n-1, pero harn falta el punto n-
y n3/2. Estos pueden hallarse por interpolacin de Hermite de 5 grado usando los datos de y
e y en los puntos n, n-1 y n-2 segn:
1
y n1 / 2 = 128
[45 yn + 72 yn1 + 11yn2 + h( 9 f n + 36 f n1 + 3 f n2 )]

1
y n3 / 2 = 128
[11yn + 72 yn1 + 45 yn2 + h( 3 f n 36 f n1 + 9 f n2 )]

Ecuaciones diferenciales

8.8

8-31

Frmulas de Diferenciacin hacia Atrs

El mtodo de Euler hacia atrs puede derivarse tambin igualando f(xn+1,yn+1) a la frmula de
diferencia hacia atrs para la derivada primera con error O(h).
ste mtodo tambin se llama Frmula de Diferenciacin hacia atrs de primer orden.
Veremos otro ejemplo.

8.8.1 Frmula de Diferenciacin hacia atrs de segundo orden


Si tenemos una tabla de Y por los puntos equidistantes, xn-1 y xn y le agregamos el punto
desconocido xn+1, e interpolando en dicha tabla obtenemos un polinomio, cuya derivada en xn+1
2
coincide con la frmula de diferencia hacia atrs para la derivada primera con error O(h ):

Y ( x)

3Y ( x) 4Y ( x h) + Y ( x 2h)
2h

Sustituyendo los valores de Y por las aproximaciones yk obtenemos:

f ( xn+1 , y n+1 )

3 y n+1 4 y n + y n1
2h

de donde

y n+1

8-61

1
3

[4 yn yn1 + 2hf (xn+1 , yn+1 )]

llamada Frmula de Diferenciacin hacia atrs de segundo orden.

8.8.2 Otras Frmulas de Diferenciacin hacia atrs


En forma similar se derivan frmulas de mayor orden, usando ms puntos para interpolar.
Las frmulas de tercer, cuarto y quinto orden son las siguientes:
8-62

y n+1

1
11

[18 yn 9 yn1 + 2 yn2 + 6hf (xn+1 , yn+1 )]

8-63

y n+1

1
25

[48 yn 36 yn1 + 16 yn2 3 y n3 + 12hf (xn+1 , yn+1 )]

8-64

y n+1

1
137

[300 yn 300 yn1 + 200 yn2 75 y n3 + 12 yn4 + 60hf (xn+1 , yn+1 )]

Al igual que las frmulas de primer y segundo orden, stas son estables para todo J negativo
independientemente del paso de clculo.
Esta caracterstica de estabilidad hace que stas frmulas, a pesar de ser menos precisas que
las frmulas tipo Adams que vimos en 0, sean tiles para resolver problemas rgidos, ya que
los altos valores negativos de J no obligan a reducir el paso para obtener estabilidad.
El problema es que si no se usa un paso reducido la iteracin de punto fijo para resolver estas
ecuaciones implcitas en yn+1 no es contractiva. Esto obliga a resolverlas por otros mtodos.
Lo ms usual es usar un mtodo de Newton Raphson o de Newton Raphson modificado.
Como predictor para iniciar la resolucin de la frmula implcita suele usarse el valor en el
punto xn+1 del polinomio interpolador por los puntos usados para deducir la frmula (sin xn+1),
cuyo error es del mismo orden que la frmula y depende de la misma derivada de Y.
Pueden desarrollarse frmulas de estimacin del error similares a la 8-50 en base a la
diferencia entre el valor predicho y el obtenido al resolver la frmula de diferenciacin hacia
atrs.
Esto permite implementar estrategias de orden y paso variable como las que veremos a
continuacin.

Ejemplo
Si resolvemos 8-7 con la frmula 8-64 se obtiene la grfica de la Figura 8-14.
Se observa que el error es muy importante en la zona en que la EDO es inestable debido a la
baja precisin de estas frmulas, pero no hay inestabilidad numrica en la zona rgida.

Ecuaciones diferenciales

Figura 8-14

8.9

8-32

BDF Numricamente estable con h=0.1

Mtodos de orden y paso variable

Son mtodos Predictor-Corrector que comienzan usando frmulas de bajo orden (que arrancan
slo con el valor inicial) y un paso pequeo. Luego se va cambiando a frmulas de diferente
orden y tambin se ajusta el tamao del paso, mediante estrategias que pretenden seleccionar
el orden y tamao de paso ptimos, con el fin de cubrir el intervalo de clculo con el mnimo
esfuerzo de clculo que permita obtener la precisin deseada.
Para problemas no rgidos suelen usarse frmulas de Adams de diversos rdenes, ya que
tienen buenas caractersticas de estabilidad y buena precisin.
En el caso de problemas rgidos suelen usarse Frmulas de Diferenciacin hacia Atrs que,
aunque son menos precisas, tienen an mejores caractersticas de estabilidad, lo cual es muy
importante en problemas rgidos.
Existen diversas estrategia de ajuste de orden y paso, esbozaremos aqu una de ellas.
Como vimos en los mtodos de Runge-Kutta de paso variable, si se quiere tener un error global
en [x0, b] menor que entonces cuando se avanza un paso h el error local deber ser

Elocal <

h
b x0

Supongamos que hemos llegado al punto xn usando un paso hn y una frmula de orden q.
Usando la misma frmula calculamos el siguiente valor, yn+1 correspondiente a xn+1 = xn + hn y
una estimacin del error local, Eq.

8.9.1 Disminucin del paso


Si esta estimacin del error es mayor que el error local deseado, o si no se verifica alguna de
las condiciones de convergencia o exactitud vistas en 8.7.8.4 , deberemos repetir este ltimo
punto pero con un nuevo paso

Ecuaciones diferenciales

8-33

1/ q


h
h 0.8h
E bx
0
q

8-65

q+1

ya que el error local de la frmula usada es de orden O(h ).


Como vimos en 8.7.9 el arranque con el nuevo paso puede hacerse mediante mtodos de
Runge-Kutta o limitando a pasar a un paso mitad del anterior, interpolando los valores faltantes
en puntos intermedios a los ya calculados.

8.9.2 Aumento del paso


La experiencia muestra que si se cambian el paso y el orden con mucha frecuencia se
producen inestabilidades, por lo que se recomienda exigir un mnimo de pasos con un mismo
orden antes de intentar ajustar el orden.
Si la estimacin del error local era no mayor que el error local deseado pero an no se han
calculado q+1 pasos con el orden actual, continuamos al siguiente punto con el mismo orden
pero con paso

hn+1 = h calculado segn 8-65, el cual ser probablemente mayor al paso antes

usado.
Nuevamente, al aumentar el paso puede arrancarse con mtodos de Runge-Kutta o bien
limitarse a duplicar el paso, con lo que los valores de arranque ya se tienen calculados.
Cualquiera sea el caso debe limitarse el paso verificando las condiciones de convergencia o
exactitud vistas en 8.7.8.4

8.9.3 Ajuste del orden


Si la estimacin del error local era no mayor que el error local y ya se han hecho al menos q+1
pasos con la frmula de orden q, nos planteamos la posibilidad de pasar a orden q-1 o q+1
para el siguiente punto.
Para ello debemos calcular estimaciones del error de las frmulas de orden q-1 y q+1, Eq-1 y
14
Eq+1.( )
Con estas estimaciones, mediante frmulas similares a la 8-65 se calcula el tamao de paso de
clculo para el siguiente punto si se usara cada uno de estos nuevos rdenes.
El siguiente punto se calcular con el orden q-1, q q+1, el que permita mayor paso de clculo.

8.9.4 Scilab
La funcin
y = ode([type,] y0, t0, t [,rtol [,atol]], f [,jac])

de Scilab resuelve una EDO (o SEDO si la funcin f y la condicin inicial y0 son vectoriales).
type

y0
t0 y t
rtol
atol
f
jac

cadena que indica el mtodo a usar:


adams
mtodo de Adams
stiff
Frmulas de Diferenciacin hacia Atrs
rk
Runge Kutta de orden 4
rkf
Runge Kutta Fehlberg (orden 4 y 5)
es el valor inicial
son los tiempos inicial y final
tolerancia relativa
tolerancia absoluta.
es la funcin del lado derecho
es el jacobiano de f

En todos los casos usa algoritmos de paso variable.

Ejemplo
Al encender un fsforo, la llama crece rpidamente hasta llegar a un tamao en el que el
oxgeno consumido en el interior de la llama iguala al que difunde hacia la superficie de la llama
desde el aire circundante. Luego se mantiene en ese tamao.
14

Aunque esto puede implicar el reclculo del ltimo punto con estas dos frmulas adicionales, como son de paso
mltiple necesitarn pocas evaluaciones de f.

Ecuaciones diferenciales

8-34

Un modelo simplificado es el siguiente:

y = y 2 y 3

y (0) =
Donde y(t) representa el radio de la bola de fuego en el tiempo t y es un radio inicial muy
pequeo.
Esta EDO es autnoma y tiene dos soluciones estacionarias: y=0 e y=1
La solucin y=0 es inestable y la solucin y=1 es estable.
Para =0.001 este problema es rgido.
Al resolverlo en MATLAB usando ode45 mediante
delta = 0.001;
F = inline('y^2 - y^3','t','y');
opts = odeset('RelTol',1.e-4, 'Stats', 'on');
ode45(F,[0 2/delta],delta,opts);
obtenemos las siguientes estadsticas
323 successful steps
48 failed attempts
2227 function evaluations
0 partial derivatives
0 LU decompositions
0 solutions of linear systems
y la grfica de la Figura 8-15, donde vemos que a partir de t=1000 los pasos se hacen muy
pequeos.
Esto es debido a la rigidez del problema en esa zona.

Figura 8-15

Modelo del fsforo resuelto con ode45

Ecuaciones diferenciales

8-35

En la Figura 8-16 se ve un detalle de la zona donde se llega al estado estacionario y=1.


Se aprecia la tpica grfica dentada debido a la inestabilidad numrica, que obliga a mantener
el tamao de paso pequeo.
El esfuerzo de clculo es muy importante en trmino de cantidad de evaluaciones de la funcin
debido a que se necesitan 6 por cada paso y a la gran cantidad de paso necesaria.

Figura 8-16

Modelo del fsforo resuelto con ode45 (detalle)

Al resolver usando ode15s con la opcin de usar BDF mediante:


opts1=odeset('RelTol',1.e-4,'BDF', 'on', 'Stats', 'on');
ode15s(F,[0 2/delta],delta,opts1);
obtenemos las siguientes estadsticas
128 successful steps
27 failed attempts
303 function evaluations
2 partial derivatives
39 LU decompositions
298 solutions of linear systems
y la grfica de la Figura 8-17, donde vemos que a partir de t=1000 los pasos son mucho
mayores que en el caso anterior.
El esfuerzo de clculo es muy inferior en trmino de cantidad de evaluaciones de la funcin
debido a la menor cantidad de pasos necesarios y a que cada paso necesita menos
evaluaciones funcionales.
La frmula implcita se resuelve por el mtodo de Newton modificado, pero slo necesit
recalcular la Jacobiana una vez.
Sin embargo, la matriz de la iteracin de Newton tambin depende del paso y el orden del
mtodo, por lo oque (para el caso de SEDOs) se debe hacer una descomposicin LU cada vez

Ecuaciones diferenciales

8-36

que se cambia el paso o el orden y en cada iteracin de Newton resolver un sistema lineal con
esa LU.
En la Figura 8-18 se ve un detalle de la zona donde se llega al estado estacionario y=1.
Se aprecia la solucin es numricamente estable, lo que permite usar un tamao de paso
mayor.

Figura 8-17

Modelo del fsforo resuelto con ode15s

Ecuaciones diferenciales

Figura 8-18

8-37

Modelo del fsforo resuelto con ode15s (detalle)

Ecuaciones diferenciales

8-38

8.10 Mtodos basados en derivadas superiores


Las frmulas de Adams de basan en la ecuacin 8-42 donde Y se sustituye por un polinomio
interpolador. Pero para una cantidad dada de puntos un polinomio interpolador de Hermite
sera mucho ms preciso que uno de Lagrange.
Para ello necesitamos conocer valores de la derivada de Y, es decir aproximaciones a Y.
Las derivadas segundas pueden calcularse a partir de la Jacobiana de f como
8-66

d
f ( x, y ) = f y y + f x = Jy + f x
dx

y =

Luego se integra el polinomio interpolador de Hermite de Y(x) entre xn-m y xn+1 para calcular
Y(xn+1) segn 8-42.
La interpolacin de Hermite puede hacerse usando los puntos en xn-p, xn-p+1,,xn-1, xn,
obteniendo una frmula explcita, o incluyendo tambin el punto desconocido xn+1, con lo que
obtendremos una frmula implcita.

8.10.1 Corrector de Hermite


Si se usan los puntos (xn, fn) y (xn+1, fn+1) para hacer una interpolacin de Hermite de Y y luego
se integra entre xn y xn+1 se obtiene el corrector de Hermite:
8-67

y n+1

h
h2

= y n + ( y n+1 + y n ) +
( yn+1 + yn )
2
12

con error local


8-68

Ecorr =

h5 V
Y ( )
720

Obsrvese que aunque esta frmula slo utiliza informacin de dos puntos, el error de
5
truncacin local es de orden h , gracias al uso interpolacin de Hermite que requiere de valores
de la derivada segunda en la frmula.

8.10.2 Estabilidad numrica


Para estudiar la estabilidad numrica de este mtodo, plantearemos la resolucin del problema
test 8-14 con la frmula 8-67. La ecuacin de estabilidad resultante slo tiene la raz r=1 para
h=0, por tanto el Corrector de Hermite es estable pata cualquier valor de hJ.

8.10.3 Predictor de Hermite


Si se usan los puntos (xn-1, fn-1) y (xn, fn) para interpolar Y y luego se integra entre xn y xn+1 se
obtiene el predictor de Hermite:
8-69

y n+1 = y n +

2
h
( yn + 3 y n1 ) + h (17 yn + 7 yn1 )
2
12

con error local


8-70

E pred =

31 5 V
h Y ( )
720

8.10.4 Mtodo de Hermite


Si se predice ypn+1 con 8-69 y se corrige ycn+1 con 8-67 se pueden derivar estimaciones de
error similares a la ya vistas en otros mtodos Predictor Corrector:
8-71

E pred

31
30

( ycn+1 ypn+1 )

Ecuaciones diferenciales

8-72

8-39

Ecorr

1
30

( ycn+1 ypn+1 )

que suelen usarse adems como modificadores del predictor y del corrector respectivamente.

Ejemplo
Si resolvemos 8-7 con el Mtodo de Hermite se obtiene la grfica de la Figura 8-19
Se observa que el error es muy inferior al de la frmula BDF para el mismo paso, debido a la
alta precisin del mtodo de Hermite. Adems no hay inestabilidad numrica en la zona rgida.

Figura 8-19

Hermite estable con h=0.1

8.10.5 Problemas rgidos


La estabilidad para todo valor de hJ y la buena precisin (debida al bajo coeficiente de 8-68)
hacen del mtodo de Hermite un buen mtodo para problemas rgidos, si se dispone de la
Jacobiana de f.
Sin embargo para resolver 8-67 por iteracin de punto fijo, para que la misma sea contractiva el
paso debe limitarse teniendo en cuenta condiciones de convergencia similares a las vistas en
8.7.8.4.
Esto es una gran limitacin en los problemas rgidos, por lo que en estos casos conviene
resolver la ecuacin implcita 8-67 por otros mtodos, como por ejemplo el de la secante o el
de Newton Raphson.

Universidad Tecnolgica Nacional


Facultad Regional Delta

Terico de
CLCULO AVANZADO
2015

Tema: PROBLEMAS DE VALORES DE FRONTERA

Objetivos de aprendizaje

Germn BRESCIANO

PROBLEMAS DE VALORES DE FRONTERA .........................................................................9-1


9.1
INTRODUCCIN ..........................................................................................................................9-1
9.2
TIPOS DE MTODOS ....................................................................................................................9-2
9.3
MTODOS DE DISPARO ...............................................................................................................9-3
9.3.1
Ecuaciones lineales ...........................................................................................................9-4
9.3.2
Ecuaciones no lineales ......................................................................................................9-5
9.4
MTODOS GLOBALES .................................................................................................................9-6
9.4.1
Mtodos de Diferencias Finitas .........................................................................................9-6
9.4.1.1
9.4.1.2
9.4.1.3
9.4.1.4

9.4.2
9.4.2.1
9.4.2.2
9.4.2.3

Mtodos de orden mayor a 2 ........................................................................................................ 9-7


Extrapolacin de Richardson ........................................................................................................ 9-7
Problemas con condiciones de Neumann ..................................................................................... 9-8
Problemas no lineales ................................................................................................................... 9-8

Mtodos de Residuos Ponderados .....................................................................................9-9


Mtodo de subdominios ............................................................................................................. 9-11
Mtodo de colocacin ................................................................................................................ 9-13
Mtodo de Galerkin (Elementos Finitos).................................................................................... 9-17

Problemas de valores de frontera

9-1

9 Problemas de valores de frontera


9.1

Introduccin

Como ya vimos en el captulo anterior, las ecuaciones diferenciales son herramientas


fundamentales para modelar una variedad de sistemas, pero no siempre se trata de Problemas
de Valores Iniciales.
1
Cuando un sistema se modela mediante una EDO de orden n o un SEDO de primer orden( )
con n variables (con n>1) se necesitan n condiciones auxiliares para determinar una nica
solucin.
Si todas las condiciones se especifican para un mismo valor de la variable independiente,
entonces tenemos un Problema de Valor Inicial (PVI).
Pero hay casos en los que las condiciones deben especificarse para diferentes valores de la
variable independiente. Como en general estos valores corresponden a puntos de la frontera
del dominio de la solucin buscada, a estos se les llama Problemas de Valores de Frontera
(PVF).

Figura 9-1

Problema de valor inicial y problema de valores de frontera

Los casos ms comunes de PVFs son EDOs de segundo orden, los cuales requieren dos
condiciones auxiliares.
En lo que sigue estudiaremos este tipo de PVF, aunque en general se puede generalizar para
SEDOs y para otros rdenes.

En el caso de SEDOs de orden m con n variables se necesitan nxm condiciones auxiliares.

Problemas de valores de frontera

9-2

Si las condiciones de frontera especifican valores para las variables dependientes, decimos
que tenemos condiciones de Dirichlet.
Si las condiciones de frontera especifican valores para la derivada primera de la variable
dependiente, decimos que tenemos condiciones de Neumann.
Tambin hay condiciones Mixtas o de Robin con especificaciones para las variables y las
derivadas, o que especifiquen relaciones entre ellas en lugar de valores concretos.

Ejemplo

Figura 9-2

Viga con carga uniforme

Consideremos la viga representada en la figura, de longitud L, apoyada en ambos extremos,


sujeta a una carga uniforme q y a una tensin T.
Si el mdulo de elasticidad de la viga es E y el momento de inercia de la seccin I, entonces la
relacin entre la flecha debida a la flexin de la viga, y, y la posicin x verificar

9-1

T
qx

y
=
y
+
( x L)

EI
2 EI

y ( 0) = 0

y ( L) = 0

Obsrvese que las condiciones auxiliares conocidas son que la flecha es nula en cada
extremo.
Este es un problema de valores de frontera y en particular con condiciones de Dirichlet.
Si el material de la viga es homogneo y la seccin constante en toda su longitud, entonces EI
es constante y se puede obtener una solucin analtica.
Pero si, por ejemplo, la seccin cambia a lo largo de la viga, entonces es difcil obtener una
solucin analtica al problema.
A diferencia de los PVIs, que bajo ciertas condiciones tienen solucin y es nica, los PVFs que
involucran esas mismas EDOs pueden no tener solucin o tener ms de una.
Los PVFs son mucho ms difciles de resolver que los PVIs. Cuando son no lineales necesitan
una aproximacin inicial a la solucin para comenzar las iteraciones y aunque sta sea buena
el mtodo puede fallar, o incluso converger cuando no existe una solucin.

9.2

Tipos de mtodos

Veremos dos tipos de mtodos:


2
Mtodos de disparo( ), que utilizan los mtodos vistos para PVIs, tratando de determinar las
condiciones iniciales adecuadas para que se verifiquen las condiciones de frontera.
Mtodos globales, que dividen al intervalo entre las fronteras mediante una particin y en
cada punto de la misma aproximan la EDO por una ecuacin algebraica.
Obtienen as un sistema de ecuaciones algebraicas simultneas, generalmente no lineal. A
partir de su solucin se obtienen las aproximaciones a la solucin del PVF.
Dentro de los mtodos globales estn los Mtodos de Diferencias Finitas y los Mtodos de
Residuos Ponderados.

Llamados as porque se resuelven del mismo modo que un artillero apunta un can para acertar su disparo,
ajustando la condicin inicial para que la final d lo que se desea.

Problemas de valores de frontera

9.3

9-3

Mtodos de disparo

Estos mtodos consisten en resolver un PVI que tiene la misma EDO que el PVF, pero
sustituyendo las condiciones de frontera por condiciones iniciales y determinar la condicin
inicial para que se verifiquen las condiciones de frontera, si esto es posible.
Una de las condiciones de frontera se toma como una condicin inicial y la otra condicin inicial
3
se define mediante un parmetro( ) cuyo valor debemos determinar para que se cumpla la otra
condicin de frontera, que llamaremos condicin final.
Por ejemplo, para resolver el problema:

y = f ( x, y, y )

y (a) = y a

y (b) = yb

9-2

podemos tomar la condicin de frontera en a como condicin inicial e introducir el parmetro


para definir la segunda condicin inicial y plantear el siguiente problema de valor inicial:

y = f ( x, y, y )

y (a) = y a

y (a ) =

9-3

Suponiendo que se cumplan las condiciones de existencia y unicidad de la solucin de 9-3,


llammosle y a dicha solucin y suponiendo que el dominio de dicha solucin contiene al
punto final b, podemos definir g() = y(b) que relaciona el valor final de y en funcin del
parmetro de la condicin inicial.
Lo que debemos hacer es hallar el valor de que resuelve la ecuacin g() = yb.
4
Esto puede hacerse usando alguno de los mtodos ya vistos de resolucin de ecuaciones( ) y
la funcin g() puede evaluarse resolviendo 9-3 por alguno de los mtodos que hemos visto
para problemas de valores iniciales.
Para que los mtodos de disparo sean efectivos es necesario que la EDO sea estable y que el
mtodo numrico usado para resolverla sea numricamente estable.

Ejemplo
Si en el ejemplo de la viga las magnitudes involucradas valen: L = 1, q = 2, T = 1, E = 1 e I = 1
Entonces 9-1 queda

9-4

y = y + x( x 1)

y ( 0) = 0

y (1) = 0

Tomando la condicin en x=0 como condicin inicial, introducimos la segunda condicin inicial:

9-5

y = y + x( x 1)

y ( 0) = 0

y (0) =

para poder usar los mtodos de resolucin de EDOs vistos debemos transformar 9-5 en un
SEDO de primer orden equivalente:

3
Para el caso de EDOs de orden mayor a 2 o de SEDOs, habr ms de 2 condiciones de frontera y por tanto habr
que introducir tantos parmetros como condiciones de frontera en puntos distintos a la condicin inicial.
4
Si se debieron introducir varios parmetros deber resolverse un sistema de ecuaciones, generalmente no lineales.

Problemas de valores de frontera

9-6

9-4

y = u

u = y + x( x 1)

y ( 0) = 0

u (0) =

Buscaremos el valor de para el cual de verifica la condicin final y(1) = 0.


Resolviendo 9-6 por Runge Kutta Fehlbebrg con 0 = 0 obtenemos el valor final y0(1) = -0.0890
y con 1 = 1 obtenemos el valor final y1(1) = 1.0862.
Con estos valores iniciales la frmula del mtodo de la secante nos da 2 = 0.0758.
Resolviendo nuevamente con este valor de obtenemos y2(1) = -7.1e-10 , que es
prcticamente la condicin de frontera buscada.
La Figura 9-3 muestra estos resultados. La lnea continua es la solucin analtica.

Figura 9-3

Flexin de viga por mtodo de disparo

La Tabla 9-1 muestra los resultados. Se ve que los errores se mantienen muy bajos a pesar de
los pocos pasos realizados, gracias a la gran precisin del mtodo de Runge Kutta Fehlberg.

9.3.1 Ecuaciones lineales


El hecho de que el mtodo de la secante convergiera en la primera iteracin en el ejemplo
anterior no es casual sino consecuencia de que la EDO del problema sea lineal.
Cuando una EDO es lineal sus soluciones son suma de una solucin particular ms soluciones
5
de la EDO homognea, que son combinaciones lineales de una base de soluciones ( ).
Eso implica que las soluciones de la ecuacin homognea varan linealmente con la condicin
inicial y por tanto la relacin entre el valor final de la solucin de la no homognea y el
parmetro de la condicin inicial, , es una recta, por eso el mtodo de la secante da la raz
exacta en una sola iteracin.
5

Pues las soluciones de una EDO lineal homognea de orden n forman un espacio vectorial de dimensin n

Problemas de valores de frontera

x
0,0
0,0
0,1
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
Tabla 9-1

9-5

y
0,000000000000
0,000757503663
0,004513742916
0,010005744035
0,014999381036
0,019215280966
0,022250537902
0,023616236008
0,022566329721
0,017833834806
0,011454152149
0,004924432558
-0,000000000707

error
0,0E+00
1,5E-11
8,3E-11
1,3E-10
2,0E-10
2,7E-10
3,5E-10
4,2E-10
3,6E-10
-3,2E-10
-5,7E-10
-6,9E-10
-7,1E-10

Problema de la viga por Disparo Lineal con RKF

9.3.2 Ecuaciones no lineales


En este caso tambin se puede usar el mtodo de la secante, pero deber iterarse hasta
convergencia.
La iteracin queda de la forma
9-7

k +1 = k

(g ( k ) yb )( k k 1 )
g ( k ) g ( k 1 )

donde g() es el valor final( ) de la solucin calculada con el parmetro e yb es el valor


especificado en la condicin final.
Otra posibilidad es usar el mtodo de Newton Raphson, que es ms rpido que el de la
secante. La dificultad radica en que para ello se necesita evaluar la derivada de la funcin g().
7
Puede demostrarse que esta derivada, g(), es el valor final, z(b) ( ), de la solucin de

9-8

z = f y ( x, y, y ) z + f y ( x, y, y ) z

8
( ) z (a) = 0

z (a ) = 1

Este problema debe resolverse simultneamente con 9-3 para cada valor de
La iteracin de Newton Raphson queda
9-9

k +1 = k

(g ( k ) yb )( k k 1 )
z k (b)

Aunque el uso del mtodo de Newton Raphson implica tener que resolver un PVI adicional, la
mayor velocidad de convergencia en comparacin con el mtodo de la Secante generalmente
justifica el esfuerzo.
El mtodo de disparo no lineal es muy laborioso, especialmente para EDOs de orden mayor a 2
para las que deben suponerse 2 o ms condiciones iniciales para cumplir con igual cantidad de
condiciones finales.
En algunos casos, si se tienen ms condiciones finales que iniciales puede convenir resolver
hacia atrs, partiendo del punto final y terminando en el inicial, usando pasos de clculo
negativos. Debe recordarse que la estabilidad del problema se invierte al resolver hacia atrs.
6
si la condicin final especifica la derivada y(b), entonces g() es el valor final de la derivada de la solucin calculada
con .
7
Si la condicin final especifica la derivada y(b), entonces g() es el valor final de la derivada de la solucin de esta
EDO, z(b).
8
Si el parmetro especifica el valor inicial de y(a) entonces la condicin inicial de esta EDO debe ser z(a)=1 y z(a)=0

Problemas de valores de frontera

9.4

9-6

Mtodos Globales

Los mtodos de disparo se basan en resolver PVIs y hay mtodos muy precisos y eficientes
para esto.
El problema es que con frecuencia se tienen problemas de valores de frontera con EDOs muy
inestables. Esto hace que el correspondiente PVI sea muy mal condicionado al ser la solucin
de la EDO muy sensible a los valores iniciales.
Esto dificulta enormemente la obtencin de una solucin al PVF, ya que estamos tratando de
resolver una ecuacin algebraica no lineal (cuya incgnita es una o ms de las condiciones
iniciales) pero no podemos evaluar con precisin la ecuacin a resolver.
Los mtodos globales no tienen este problema, pues no resuelven la EDO como PVI.
En lugar de eso, dividen al intervalo entre las fronteras mediante una particin a partir de ella
obtienen un sistema de ecuaciones algebraicas simultneas, generalmente no lineal, a partir de
cuya solucin se obtiene la aproximacin a la solucin del PVF.
En algunos casos se pueden obtener estimaciones del error en funcin de la finura de la
particin usada y el valor de alguna derivada superior de la solucin, la cual puede obtenerse
por diferencias finitas.
En otros casos puede estimarse el error y mejorar la solucin mediante extrapolacin de
Richardson.
Otros mtodos estiman el residuo de la solucin obtenida, pues si el problema es bien
condicionado un residuo pequeo implica un error pequeo.
Estas estimaciones de error sirven para refinar la particin en las zonas donde el error es alto.

9.4.1 Mtodos de Diferencias Finitas


Las derivadas se pueden aproximar por frmulas de diferencias finitas. Esto nos permite dividir
el intervalo de trabajo mediante una grilla (particin con puntos igualmente espaciados) y
aproximar en cada punto las derivadas que intervienen en la EDO por frmulas de diferencias
finitas que involucran al valor de la solucin buscada en el punto considerado y algunos puntos
vecinos, resultando una ecuacin en diferencias para cada punto de la grilla.
2
Suelen usarse frmulas de diferencias finitas con error O(h ).
Obtenemos un Sistema de Ecuaciones Algebraicas cuya solucin (si existe) ser una
aproximacin a la solucin del PVF.
Si la EDO es lineal, el sistema resultante ser lineal y por tanto resoluble por los mtodos que
hemos visto para Sistemas Lineales.
Si la EDO es no lineal, el sistema resultante ser no lineal y por tanto ms difcil de resolver,
pudiendo usarse el Mtodo del Punto Fijo o el Mtodo de Newton Raphson y se necesitar una
aproximacin inicial para comenzar la resolucin.
La convergencia de los Mtodos de Punto Fijo en general depender de la finura de la grilla y
suelen ser lentos.
El mtodo de Newton Raphson es ms rpido pero hace necesaria la evaluacin de la
Jacobiana del Sistema de Ecuaciones Algebraicas No Lineal.

Ejemplo
Vamos a resolver 9-4 por Diferencias Finitas.
Primero dividimos el intervalo [0,1] con una grilla con paso h=0.1
Sustituyendo y por la Frmula de Diferencia Central de segundo orden para la derivada
segunda en el punto k obtenemos:

y k 1 2 y k + y k +1
= yk + xk ( xk 1)
h2

con xk = x0 + kh

que podemos reordenar como

yk 1 + (2 + h 2 ) yk yk +1 = h 2 xk (1 xk )

resultando en el siguiente sistema lineal:

k = 1,2,...,9

Problemas de valores de frontera

2 + h 2

9-10

9-7

2 + h2

2 + h2

1 2 + h2

y1 h 2 x1 (1 x1 ) + y0

y
h x2 (1 x2 )
0
2

y
h x3 (1 x3 )
0
3

M
M
M

y
h x (1 x8 )
1

8 8

2
2

2 + h y9 h x9 (1 x9 ) + y10
0

Ntese que y0 e y10 no son incgnitas sino los valores conocidos de la condicin inicial y final .
Obsrvese adems que el sistema es tridiagonal, lo cual siempre sucede al usar diferencias
centrales de segundo orden, que slo involucran a un punto y sus vecinos inmediatos. Esto nos
permite usar mtodos para matrices tridiagonales que implican relativamente poco esfuerzo de
clculo.
2
El error de truncacin de este mtodo es de orden O(h ).
La Tabla 9-2 muestra los resultados obtenidos con grillas de diferentes pasos. Slo se
muestran los valores correspondientes a x cada 0.1
Se observa que los errores obtenidos son muy superiores a los obtenidos por el mtodo de
disparo a pesar de que se usaron mucho ms puntos. Esto se debe a que las frmulas
utilizadas en el Mtodo de Diferencias Finitas fueron de orden 2 mientras que las usadas en el
Mtodo de Disparo fueron de orden 5.
Se confirma que los errores son efectivamente proporcionales al paso al cuadrado.

x
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0

h=0,1
y
0,000000000000
0,007493887261
0,014162713394
0,019373166661
0,022677351595
0,023808310045
0,022677351595
0,019373166661
0,014162713394
0,007493887261
0,000000000000

Tabla 9-2

error
0,0E+00
6,3E-05
1,1E-04
1,4E-04
1,6E-04
1,7E-04
1,6E-04
1,4E-04
1,1E-04
6,3E-05
0,0E+00

h=0,05
h=0,025
y
error
y
0,000000000000 0,0E+00 0,000000000000
0,007446578208 1,6E-05 0,007434736916
0,014079606239 2,8E-05 0,014058804905
0,019265018331 3,6E-05 0,019237949399
0,022554388511 4,1E-05 0,022523611592
0,023680443542 4,3E-05 0,023648439349
0,022554388511 4,1E-05 0,022523611592
0,019265018331 3,6E-05 0,019237949399
0,014079606239 2,8E-05 0,014058804905
0,007446578208 1,6E-05 0,007434736916
0,000000000000 0,0E+00 0,000000000000

error
0,0E+00
3,9E-06
6,9E-06
9,0E-06
1,0E-05
1,1E-05
1,0E-05
9,0E-06
6,9E-06
3,9E-06
0,0E+00

Problema de la viga por Diferencias Finitas

9.4.1.1 Mtodos de orden mayor a 2


Tericamente podran usarse diferencias centrales para las derivadas de rdenes mayores a 2,
pero esto tiene el inconveniente de que estas frmulas involucran ms puntos que no son
contiguos al punto calculado. Si bien esto no es problemtico en los puntos interiores de la
grilla (simplemente se obtendr una matriz de banda ms ancha que una tridiagonal), cuando
nos acercamos a las fronteras no tenemos disponibles los puntos necesarios a ambos lados
del punto calculado.
Esto puede solucionarse usando cerca de las fronteras diferencias hacia delante o hacia atrs.

9.4.1.2 Extrapolacin de Richardson


Un enfoque ms usado para mejorar la precisin es hacer los clculos para grillas con finuras
crecientes y usar la extrapolacin de Richardson, que adems nos da una estimacin del error.
2
Como los errores son de orden O(h ), la extrapolacin es

Pues en este caso son condiciones de Dirichlet.

Problemas de valores de frontera

9-8

( yh / 2 yh )

9-11

Eextr , h / 2

9-12

yextr , h / 2 = yh / 2 + Eextr , h / 2

1
3

Los valores extrapolados tendrn errores de truncacin de orden O(h ), si se tienen dos
extrapolaciones con distinto paso pueden ser extrapolados nuevamente segn:

(y

yextr , h )

9-13

Eextr 2, h / 2

9-14

yextr 2, h / 2 = yextr , h / 2 + Eextr 2, h / 2

1
15

extr , h / 2

La Tabla 9-3 muestra los resultados de realizar Extrapolacin de Richardson con los resultados
anteriores y tambin de extrapolar una segunda vez.
Esta vez los resultados obtenidos son ms precisos que los obtenidos por el Mtodo de
Disparo.
h=0,1 y 0,05
h=0,05 y 0,025
h=0,1-0,05 y 0,05-0,025
x
y
error
y
error
y
error
0,0 0,000000000000 0,0E+00 0,000000000000 0,0E+00
0,000000000000
0,0E+00
0,1 0,007430808524 2,0E-08 0,007430789818 1,2E-09
0,007430788571
1,9E-12
0,2 0,014051903854 3,5E-08 0,014051871127 2,2E-09
0,014051868945
3,4E-12
0,3 0,019228968887 4,5E-08 0,019228926422 2,8E-09
0,019228923591
4,4E-12
0,4 0,022513400817 5,1E-08 0,022513352619 3,2E-09
0,022513349406
5,0E-12
0,5 0,023637821375 5,3E-08 0,023637771285 3,3E-09
0,023637767945
5,2E-12
0,6 0,022513400817 5,1E-08 0,022513352619 3,2E-09
0,022513349406
5,0E-12
0,7 0,019228968887 4,5E-08 0,019228926422 2,8E-09
0,019228923591
4,4E-12
0,8 0,014051903854 3,5E-08 0,014051871127 2,2E-09
0,014051868945
3,4E-12
0,9 0,007430808524 2,0E-08 0,007430789818 1,2E-09
0,007430788571
1,9E-12
1,0 0,000000000000 0,0E+00 0,000000000000 0,0E+00
0,000000000000
0,0E+00
Tabla 9-3

Problema de la viga por Diferencias Finitas con Extrapolacin de Richardson

9.4.1.3 Problemas con condiciones de Neumann


Si alguna de las condiciones es de Neumann, el valor de la solucin en la frontera
correspondiente no es conocido y por lo tanto tambin ser una incgnita del sistema de
ecuaciones y deberemos introducir la condicin de Neumann como una ecuacin ms del
sistema para ese punto. Esto puede hacerse de dos maneras:
La primera consiste en sustituir en la condicin de Neumann la derivada en la frontera por una
frmula de diferencia hacia delante o hacia atrs segn corresponda, obtenindose una
ecuacin que se agrega al sistema. Para no disminuir la precisin se debe usar una frmula de
diferencia del mismo orden de error que las usadas al aproximar la EDO.
La segunda forma es introducir un punto imaginario fuera de la frontera que permita usar
diferencias centrales en el punto frontera al igual que se usaron para los puntos interiores,
obteniendo una ecuacin que aproxima la EDO para el punto frontera.
Sustituyendo en la condicin de Neumann la derivada en la frontera por una frmula de
diferencia central, obtenindose una ecuacin adicional que involucra al punto imaginario y
tambin se agrega al sistema.

9.4.1.4 Problemas no lineales


Los problemas no lineales se plantean de la misma manera, con la diferencia que el sistema de
ecuaciones obtenido ser no lineal.
Este sistema puede resolverse por el Mtodo del Punto Fijo o por el Mtodo de Newton
Raphson.
El Mtodo del Punto Fijo no requiere evaluar la Jacobiana del sistema, pero debemos
asegurarnos de que la iteracin sea contractiva.
El Mtodo de Newton Raphson implica que habr que evaluar la Jacobiana (analticamente o
numricamente) pero tiene la ventaja de que es ms rpido. Adems si se usaron diferencias
centrales de segundo orden, la Jacobiana ser tridiagonal y por tanto la solucin del sistema en
cada iteracin no es muy costosa.

Problemas de valores de frontera

9-9

Debe arrancarse la iteracin con una buena aproximacin inicial, que cumpla las condiciones
de frontera.
Al igual que en el caso lineal, se puede mejorar la exactitud mediante extrapolacin de
Richardson o usando diferencias finitas de mayor orden.

9.4.2 Mtodos de Residuos Ponderados


10

Se basan en aproximar la solucin Y(x) del problema :

y = f(x,y, y)

en , con condiciones de frontera en (), por una de la forma


n

9-15

g ( x) = a j g j ( x)
j =0

donde {g0, g1, , gn} es un conjunto LI de funciones de forma.


Se define el residuo de g como:
9-16

r ( x) = g ( x) f ( x, g ( x), g ( x) )

Los coeficientes de esta combinacin lineal se eligen para minimizar el residuo buscando que
11
se anulen los promedios ponderados del residuo( ):
9-17

r ( x) wi ( x)dx = 0

i = 1,..., m

para un conjunto de funciones de ponderacin {w0, w1, , wm}


Suelen usarse funciones tipo sombrero polinmicas a trozos llamadas funciones de forma
12
elementales Lagrangianas( ). Se considera al dominio dividido en una cantidad finita de
subintervalos llamados elementos, cada uno de los cuales tiene dos o ms nodos (incluyendo
los extremos del elemento como nodos) y las funciones de forma elementales son los
polinomios de Lagrange por los nodos del elemento, es decir valen 1 en un nodo del elemento
y cero en los dems nodos del elemento, siendo nulas fuera del elemento. Cuando un nodo es
compartido por dos elementos, la funcin de forma que corresponde al nodo es la definida a
trozos por las de ambos elementos, valiendo 1 en su nodo y cero en todos los dems y
siendo nula fuera de los elementos que comparten el nodo.
Como cada funcin de forma vale 1 en un nodo y cero en los dems, en los nodos el valor de la
funcin aproximante ser igual al coeficiente de la funcin de forma correspondiente al nodo.
En otras palabras, el coeficiente de la funciones de forma de cada nodo en la funcin
aproximante es el valor nodal de la funcin que se est buscando.
Adems la funcin aproximante, que es la combinacin lineal de estas funciones de forma
coincide con la interpolacin a trozos por su tabla de valores en los nodos.
Estas funciones tienen la ventaja de que son continuas y cada una de ellas slo afecta la
integral en los elementos que contienen su nodo pero no influye en la integral en el resto del
dominio. Esto hace que los sistemas de ecuaciones resultantes sean con matriz de banda,
facilitando la resolucin para hallar los coeficientes de la combinacin lineal.
A continuacin se muestran algunos ejemplos de estas funciones de forma. Obsrvese que a
menos que el nodo est en el extremo del dominio o sea interior a un elemento, estar
compartido por dos elementos y la funcin de forma est definida a trozos por las funciones de
forma elementadles de cada elemento que comparte el nodo.

10

Desarrollaremos este tema basados en EDOs de segundo orden, pero es aplicable a SEDOs de cualquier orden.
Luego veremos que en algunos casos se suma en esta ecuacin el residuo de la condicin de contorno.
12
Tambin hay funciones Hermticas pero no se usan con frecuencia.
11

Problemas de valores de frontera

9-10

Lineales a trozos
(nodo compartido entre elementos lineales)

x x j 1

x j x j 1
x x
g j ( x) = j +1
x j +1 x j

x j 1 x x j
x j x x j +1
en otro caso

Cuadrticas a trozos Impar


(nodo
compartido
entre
cuadrticos)

elementos

( x x j 1 )( x x j 2 )
x j 2 x x j

( x j x j 1 )( x j x j 2 )
( x x)( x j + 2 x)
x j x x j+2
g j ( x ) = j +1
( x j +1 x j )( x j + 2 x j )

en otro caso
0

Cuadrticas a trozos Par


(nodo medio de elemento cuadrtico)

( x x j 1 )( x j +1 x )
( x x )( x x ) x j 1 x x j +1

j 1
j +1
j
g j ( x) = j
0
en otro caso

Problemas de valores de frontera

9-11

13

Polinomios de Hermite a trozos


(nodo compartido entre dos elementos hermticos)

( x x j 1 ) 2 2( x j x) + ( x j x j 1 )

( x j x j 1 ) 2

( x x j +1 ) 2 2( x x j ) + ( x j +1 x j )
g 0 j ( x) =
( x j +1 x j ) 2

en otro caso
0

x j 1 x x j
x j x x j +1

( x x j 1 ) 2 ( x x j )
x j 1 x x j

2
( x j x j 1 )
( x x j +1 ) 2 ( x x j )
x j x x j +1
g 1 j ( x) =
2
( x j +1 x j )

en otro caso
0

Los distintos mtodos usan diferentes funciones de ponderacin para determinar los
coeficientes de la combinacin lineal. Los ms usados son:
Mtodo de subdominios
Mtodo de colocacin
Mtodo de Galerkin (Elementos Finitos)
Una de las ventajas de estos mtodos es que la solucin obtenida est definida en todo el
dominio y no slo en los nodos como en los mtodos de Diferencias Finitas.

9.4.2.1 Mtodo de subdominios


Divide el dominio en varios subdominios disjuntos i y cuya unin cubre y define
funciones de ponderacin que valen 1 dentro de cada subdominio y cero fuera del mismo.
Los subdominios pueden ser de diferente tamao.
En este caso las ecuaciones 9-17 equivalen a forzar que en cada subdominio la integral del
residuo (o sea el residuo promedio) sea nula.

Ejemplo
Para resolver 9-4 por el Mtodo de subdominios, usando funciones lineales a trozos.
Primero dividimos el intervalo [0,1] con una grilla con paso h=0.1
Las funciones de forma sern sombreros poligonales con nodos 0, 0.1, 0.2,,1
En este caso una buena eleccin de los subdominios es tomar los intervalos limitados por los
puntos medios entre los nodos, es decir

xi + xi 1
x + xi +1
x i
2
2
en otro caso

1
wi ( x) =
0

Los subdominios sern entonces 0 = [0 , 0.05] , 1 = [0.05 , 0.15] , 2 = [0.15 , 0.25] , ,


9 = [0.85 , 0.95] y 10 = [0.95 , 1]
y las ecuaciones 9-17 quedan
9-18

r ( x) wi ( x)dx =

r ( x)dx =

[g ( x) f (x, g ( x), g ( x) )]dx =0


i

i = 1,...,9

no incluimos las ecuaciones para 0 y 10 porque en su lugar usaremos las condiciones de


14
frontera de Dirichlet .
13
En este caso hay adems una serie de funciones que se anulan en todos los puntos de la grilla, pero su derivada
primera vale 1 en un punto de la grilla y es nula en todo el dominio con excepcin de los subintervalos contiguos al
punto de la grilla
14
si una de las condiciones de frontera es de Neumann, por ejemplo y(0)=y0 , debemos incluir la ecuacin
correspondiente a ese subdominio, pero al derivarla usaremos y0 en lugar de g(x0). En este caso se obtiene

x2 x3
(1 + 34 h 2 )a0 + (1 + 14 h 2 )a1 = h 1 1 hy0
3
2

Problemas de valores de frontera

9-12

Como la primitiva de g es g podemos escribir 9-18 como

g ( x) f ( x, g ( x), g ( x) )dx = 0
i

i = 1,...,9

que para 9-4 queda

g ( x) g ( x)dx x( x 1)dx = 0

9-19

i = 1,...,9

Como estamos usando sombreros poligonales, g(x) ser poligonal y por tanto

g ( x) =
i

g ( xi +1 ) g ( xi ) g ( xi ) g ( xi 1 ) g ( xi 1 ) 2 g ( xi ) + g ( xi +1 )

=
h
h
h

i = 1,...,9

adems la integral de g en cada subdominio ser igual a regla del trapecio

g ( x)dx =

h
2

( g(
1
2

xi 1 + xi
2

) + g ( xi ) + 12 g (

xi + xi +1
2

i = 1,...,9

pero por ser g(x) poligonal

g(

xi 1 + xi
2

g ( xi 1 ) + g ( xi )
2

)=

g(

xi + xi +1
2

)=

g ( xi ) + g ( xi +1 )
2

h
(g ( xi 1 ) + 6 g ( xi ) + g ( xi +1 ) )
i
8
x3 x 2

x
(
x

1
)
dx
=
i = 1,...,9
i
2
3

entonces

adems

g ( x)dx =

i = 1,...,9

i = 1,...,9

sustituyendo en 9-19

x3 x 2
g ( xi 1 ) 2 g ( xi ) + g ( xi +1 ) h
( g ( xi 1 ) + 6 g ( xi ) + g ( xi +1 ) ) =
h
8
2
3

i = 1,...,9
i

Como adems en cada nodo es valor de g es igual al coeficiente de la funcin sombrero


correspondiente en la combinacin lineal, entonces

ai 1 + 2ai ai +1 +

3
2

h2
(ai 1 + 6ai + ai +1 ) = h x x
8
3
2
i

i = 1,...,9

resultando en el siguiente sistema lineal:


2 + 34 h 2

1 + 18 h 2

1 + 18 h 2

2 + 34 h 2

1 + 18 h 2

2+ h

1+ h

1+ h
1
8

3
4

L
1
8

1+ h

1
8

L
O

2 + 34 h 2
1 + 18 h 2

(
(
(

)
)
)

(
(

)
)

2
2
3
3
a1 h 0.15 0.05 0.15 0.05 + (1 18 h 2 ) y 0
2
3

a 2 h 0.252 0.152 0.253 0.153


0
2
3

a 3 h 0.352 0.252 0.353 0.253


0
2
3

M
M
M


2
2
3
3

1 + 18 h 2 a8 h 0.85 20.75 0.85 3 0.75


0.952 0.852 0.953 0.853

3
1 2
2 + 4 h a 9 h

+ (1 8 h ) y10
2
3

La Tabla 9-4 muestra los resultados obtenidos


Se observa que los errores son similares a los obtenidos por Diferencias Finitas, lo cual es de
esperar ya que para las funciones de forma que usamos el error de este mtodo es de orden
2
O(h ).

x
0,0
0,1
0,2
0,3
0,4

h=0,1
y
0,000000000000
0,007467989621
0,014117969961
0,019315647955
0,022612439654

error
0,0E+00
3,7E-05
6,6E-05
8,7E-05
9,9E-05

h=0,05
y
0,000000000000
0,007440092086
0,014068399885
0,019250612056
0,022538130336

error
0,0E+00
9,3E-06
1,7E-05
2,2E-05
2,5E-05

h=0,025
y
0,000000000000
0,007433114652
0,014056002033
0,019234346165
0,022519545158

error
0,0E+00
2,3E-06
4,1E-06
5,4E-06
6,2E-06

Problemas de valores de frontera

0,5
0,6
0,7
0,8
0,9
1,0

0,023740978767
0,022612439654
0,019315647955
0,014117969961
0,007467989621
0,000000000000

Tabla 9-4

1,0E-04
9,9E-05
8,7E-05
6,6E-05
3,7E-05
0,0E+00

9-13

0,023663579347
0,022538130336
0,019250612056
0,014068399885
0,007440092086
0,000000000000

2,6E-05
2,5E-05
2,2E-05
1,7E-05
9,3E-06
0,0E+00

0,023644221336
0,022519545158
0,019234346165
0,014056002033
0,007433114652
0,000000000000

6,5E-06
6,2E-06
5,4E-06
4,1E-06
2,3E-06
0,0E+00

Problema de la viga por Subdominios

En este caso tambin podemos usar extrapolacin de Richardson igual que hicimos antes.

x
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0

h=0,1 y 0,05
h=0,05 y 0,025
y
error
y
error
0,000000000000 0,0E+00 0,000000000000 0,0E+00
0,007430792907 4,3E-09 0,007430788841 2,7E-10
0,014051876527 7,6E-09 0,014051869416 4,7E-10
0,019228933424 9,8E-09 0,019228924201 6,2E-10
0,022513360563 1,1E-08 0,022513350099 7,0E-10
0,023637779540 1,2E-08 0,023637768665 7,3E-10
0,022513360563 1,1E-08 0,022513350099 7,0E-10
0,019228933424 9,8E-09 0,019228924201 6,2E-10
0,014051876527 7,6E-09 0,014051869416 4,7E-10
0,007430792907 4,3E-09 0,007430788841 2,7E-10
0,000000000000 0,0E+00 0,000000000000 0,0E+00

Tabla 9-5

h=0,1-0,05 y 0,05-0,025
y
error
0,000000000000 0,0E+00
0,007430788569 1,1E-13
0,014051868942 1,9E-13
0,019228923586 2,6E-13
0,022513349401 2,9E-13
0,023637767940 3,1E-13
0,022513349401 2,9E-13
0,019228923586 2,6E-13
0,014051868942 1,9E-13
0,007430788569 1,1E-13
0,000000000000 0,0E+00

Problema de la viga por Subdominios con Extrapolacin de Richardson

9.4.2.2 Mtodo de colocacin

15

Este mtodo utiliza como funciones de ponderacin funciones Delta de Dirac


centradas en
una serie de puntos de colocacin, wi = (x-ci)
En este caso las ecuaciones 9-17 equivalen a forzar que en cada punto de colocacin el
residuo sea nulo, o sea que la aproximacin g(x) debe verificar la EDO exactamente en esos
puntos.
La cantidad de puntos de colocacin depende de la cantidad de funciones de forma usadas, de
modo de tener tantas ecuaciones como incgnitas.
Para EDOs de orden m suelen usarse polinomios a trozos de grado 2m-1 con derivada m-1
continua en los nodos. Los nodos usados para esto no tienen por qu estar igualmente
espaciados.
Los puntos de colocacin se ubican en las races del polinomio de Legendre de grado m sobre
cada elemento [xi , xi+1], esto se hace para aumentar el orden del error gracias a la precisin de
la Cuadratura Gaussiana.

Ejemplo
Para resolver 9-4 por el Mtodo de colocacin, como es una EDO de segundo orden, m=2, por
tanto vamos a usar polinomios cbicos de Hermite a trozos, con derivada primera continua.
Los puntos de colocacin sern las races del polinomio de Legendre de 2 grado en cada
elemento, por tanto tendremos dos puntos de colocacin por cada nodo y tambin dos
polinomios de Hermite por cada nodo.
Tomando n+1 nodos incluyendo ambas fronteras, tendremos n elementos y por tanto 2n puntos
de colocacin que nos darn 2n ecuaciones, ms 2 condiciones de frontera completamos 2n+2
ecuaciones, igual cantidad que los coeficientes a determinar.
Primero dividimos el intervalo [0,1] con una grilla con paso h=0.2
Las funciones de forma sern sombreros Hermticos con nodos 0, 0.2, 0.4, 0.6, 0.8 y 1
Los coeficientes de los polinomios de Hermite sern los valores de g y g en los nodos.

15

(x) es nula en R excepto en 0, donde es infinita. Su integral vale 1 en cualquier intervalo que contenga al 0.

Problemas de valores de frontera

g(x) = a j g 0 j(x) +
j =1

9-14

a g
j =1

1j

(x)

En este caso las ecuaciones 9-17 quedan

g (ci ) = f ci , g (ci ), g (ci )

9-20

i = 1,..., n

donde el suprandice se usa para distinguir los dos puntos de colocacin de cada elemento.
Como estamos usando sombreros Hermticos, en cada elemento g(x) ser igual al interpolador
Hermtico por los dos nodos que limitan al elemento.

g ( x) = H i ( x) = ai + (ai +1 ai )hi +1 ( x) + aihi ( x) + ai+1hi +1 ( x)

9-21

x xi +1 x xi

con hi +1 ( x ) = 1 2

h h

x xi +1
x xi
hi ( x) = ( x xi )
y hi +1 ( x) = ( x xi +1 )

h
h
x xi +1
si definimos xi +1 / 2 = i
2
3
x xi +1 / 2 3 x xi +1 / 2 1
entonces hi +1 ( x ) = 2
+
+
h
h

2
2
2

x xi +1 / 2 3 1 x xi +1 / 2 2 1 x xi +1 / 2 1
hi ( x) = h
+


h
2
h
4
h

x xi +1 / 2 3 1 x xi +1 / 2 2 1 x xi +1 / 2

y hi +1 ( x) = h


+
h
2
h
4
h

por tanto g(x) y g(x) sern combinaciones lineales de las derivadas primera y segunda de los
polinomios de Hermite:

6 x xi +1 / 2
3
hi+1 ( x) =
+
h
h
2h

x xi +1 / 2 x xi +1 / 2 1
x xi +1 / 2 x xi +1 / 2 1
hi( x) = 3
+
y hi+1 ( x) = 3

h
h
h
h


4
2

hi+1 ( x) =

12 x xi +1 / 2

h2
h

6 x xi +1 / 2 1
6 x xi +1 / 2 1
hi( x) =
+ y hi+1 ( x) =

h
h
h
h
h
h

Los puntos de colocacin en el elemento i-simo son

x xi +1 / 2
= 12
h

1
3

por tanto los valores de los polinomios de Hermite y sus derivadas en los puntos de colocacin
sern

hi +1 (ci ) = 3 2 3 +
hi+1 (ci ) =

1
h

1
2

hi (ci ) = 1 m

1
3

hi(ci ) = m 2 1 3

)12h

hi +1 (ci ) = m

hi+1 (ci ) = 2 1 3

1
3

)12h

Problemas de valores de frontera

hi+1 (ci ) = m

2
h2

9-15

3 1
hi( x) =
h

3 +1
hi+1 ( x) =
h

Sustituyndolos en 9-21 y sus derivadas:

g (ci ) = ai (1 hi +1 (ci )) + ai +1hi +1 (ci ) + aihi (ci ) + ai+1hi +1 (ci )


g (c ) = a h (c ) + a h (c ) + ah(c ) + a h (c )
i i +1

i +1 i + 1

i i

i + 1 i +1

g (c ) = ai hi+1 (c ) + ai +1hi+1 (c ) + aihi(ci ) + ai+1hi+1 (ci )

y sustituyendo stas en 9-20 donde f es la de 9-4:

g (ci ) g (ci ) = ci (ci 1)

ai hi+1 (ci ) + hi +1 (ci ) 1 + ai hi(ci ) hi (c i ) + ai +1 hi+1 (ci ) hi +1 (ci ) + ai+1 hi+1 (ci ) hi +1 (ci ) = ci (ci 1)

El sistema obtenido es:


1
0
0
0
0
0
0
0
0
0
0
0
-87,4874 -13,6865 86,4874 -3,6532
0
0
0
0
0
0
0
0
86,4874 3,6532 -87,4874 13,6865
0
0
0
0
0
0
0
0
0
0
-87,4874 -13,6865 86,4874 -3,6532
0
0
0
0
0
0
0
0
86,4874 3,6532 -87,4874 13,6865
0
0
0
0
0
0
0
0
0
0
-87,4874 -13,6865 86,4874 -3,6532
0
0
0
0
0
0
0
0
86,4874 3,6532 -87,4874 13,6865
0
0
0
0
0
0
0
0
0
0
-87,4874 -13,6865 86,4874 -3,6532
0
0
0
0
0
0
0
0
86,4874 3,6532 -87,4874 13,6865
0
0
0
0
0
0
0
0
0
0
-87,4874 -13,6865 86,4874 -3,6532
0
0
0
0
0
0
0
0
86,4874 3,6532 -87,4874 13,6865
0
0
0
0
0
0
0
0
0
0
1
0

Tabla 9-6

a0
a'0
a1
a'1
a2
a'2
a3
a'3
a4
a'4
a5
a'5

0
-0,0405
-0,1329
-0,1836
-0,2298
-0,2467
-0,2467
-0,2298
-0,1836
-0,1329
-0,0405
0

Colocacin con n = 5

Obsrvese que la matriz del sistema obtenido es de banda, con 5 diagonales en bloques de 2
filas. Puede resolverse por mtodos especiales para matrices de banda.
La primer ecuacin corresponde a la condicin inicial y la ltima a la condicin final. En este
caso son condiciones de Dirichlet, pero podran ser de Neumann o mixtas.
Los resultados se muestran en la Tabla 9-7.
Se observa que los errores son inferiores a los obtenidos por Diferencias Finitas o
4
Subdominios, lo cual es de esperar ya que el error de este mtodo es de orden O(h ), pues
usamos polinomios cbicos.
Debido al mayor orden, la extrapolacin de Richardson es

( y h / 2 yh )

9-22

Eextr , h / 2

9-23

yextr , h / 2 = yh / 2 + Eextr , h / 2

1
15

Los valores extrapolados tienen errores de orden O(h ) y pueden ser extrapolados nuevamente
segn:

(y

yextr , h )

9-24

Eextr 2, h / 2

9-25

yextr 2, h / 2 = yextr , h / 2 + Eextr 2, h / 2

1
63

extr , h / 2

Problemas de valores de frontera

x
0,0
0,2
0,4
0,6
0,8
1,0

h=0,2
y
0,0000000000000000
0,0140519679069880
0,0225134958267834
0,0225134958267834
0,0140519679069880
0,0000000000000000

Tabla 9-7

x
0,0
0,2
0,4
0,6
0,8
1,0

h=0,1
y
0,0000000000000000
0,0140518751120622
0,0225133585309430
0,0225133585309430
0,0140518751120622
0,0000000000000000

error
0,0E+00
6,2E-09
9,1E-09
9,1E-09
6,2E-09
0,0E+00

h=0,05
y
0,0000000000000000
0,0140518693268210
0,0225133499713205
0,0225133499713205
0,0140518693268210
0,0000000000000000

error
0,0E+00
3,9E-10
5,7E-10
5,7E-10
3,9E-10
9,0E-18

h=0,2-0,1 y 0,1-0,05
y
0,0000000000000000
0,0140518689413828
0,0225133494010408
0,0225133494010408
0,0140518689413828
0,0000000000000000

error
0,0E+00
1,5E-16
2,1E-16
2,2E-16
1,6E-16
9,7E-18

Problema de la viga por Colocacin

h=0,2
y
0,0000000000000000
0,0140518689257338
0,0225133493778870
0,0225133493778870
0,0140518689257338
0,0000000000000000

Tabla 9-8

error
0,0E+00
9,9E-08
1,5E-07
1,5E-07
9,9E-08
0,0E+00

9-16

error
0,0E+00
-1,6E-11
-2,3E-11
-2,3E-11
-1,6E-11
0,0E+00

h=0,1 y 0,05
y
0,0000000000000000
0,0140518689411383
0,0225133494006790
0,0225133494006790
0,0140518689411383
0,0000000000000000

error
0,0E+00
-2,4E-13
-3,6E-13
-3,6E-13
-2,4E-13
9,6E-18

Problema de la viga por Colocacin con Extrapolacin de Richardson

Problemas de valores de frontera

9-17

9.4.2.3 Mtodo de Galerkin (Elementos Finitos)


Este mtodo utiliza como funciones de ponderacin funciones las mismas funciones de forma,
es decir wi = gi .
En este caso las ecuaciones 9-17 quedan:

9-26

r ( x) g i ( x)dx = 0

i = 1,..., m

por lo que el residuo debe ser ortogonal a la base de funciones de forma {g0, g1, , gn}.
Usualmente se usan funciones de forma elementales Lagrangianas lineales o cuadrticas.
Como ya vimos antes, esto tiene la ventaja de que el sistema de ecuaciones resultante tendr
matriz de banda.
Como el error depende de la particin utilizada as como el grado de los polinomios usados, los
Mtodos de Elementos Finitos (MEF) generalmente usan polticas adaptativas para mejorar la
precisin. stas pueden consistir en:
desplazar los nodos (mtodos r-adaptativos)
refinar o engrosar los elementos (mtodos h-adaptativos)
cambiar el grado de los polinomios (mtodos p-adaptativos)
combinaciones de los anteriores (P. Ej. mtodos hp-adaptativos)
Desarrollando 9-26

[g ( x) f (x, g ( x), g ( x))]g ( x)dx = 0 i = 0,..., n


g ( x) g ( x)dx = f ( x, g ( x), g ( x) )g ( x)dx i = 0,..., n

r ( x) g i ( x)dx =

integrando el lado izquierdo por partes:


9-27

g ( x) g i ( x) g ( x) g i ( x)dx =

f (x, g ( x), g ( x))g ( x)dx


i

i = 0,..., n

sustituyendo 9-15 en 9-27 :


n

9-28

a j g j ( x) g i ( x) dx = f ( x, g ( x ), g ( x) )g i ( x) dx

a g ( x) g ( x)
j =0

j =0

i = 0,..., n

Para los nodos en la frontera, si la condicin de frontera es de Dirichlet la usamos en lugar de


9-28, lo cual determina el valor del coeficiente a0 o an, y si la condicin de frontera es de
Neumann en alguno de los extremos, la primer sumatoria en 9-28 es de la forma

a0 g 0 ( x0 ) a1 g1 ( x0 ) = g ( x0 ) si i = 0

an 1 g n 1 ( x n ) + a n g n ( x n ) = g ( xn ) si i = n
Y por tanto debe n valer (para el extremo con condicin de Newmann).

y0

y n

si i = 0
si i = n

Estos sumandos pueden pasarse al lado derecho.


Para los nodos que no estn en la frontera la primer sumatoria en 9-28 es nula, por lo que
queda
n

9-29

a
j =0

donde

g j ( x) g i( x)dx = f ( x, g ( x), g ( x) )g i ( x)dx

i = 1,..., n 1

Problemas de valores de frontera

9-30

9-18

xi +1 g 2 ( x)dx si i = j
xi 1 i
xi g ( x) g ( x)dx si i = j + 1
i 1
i
g j ( x) gi( x)dx = Gij = xxii+11

g i+1 ( x) g i ( x)dx si i = j 1
xi
0 en otro caso

16

Con respecto al lado derecho, como la funcin gi es nula con excepcin de los elementos
contiguos al nodo i, la integral puede evaluarse slo sobre dichos elementos, resultando:

Ga =

9-31

xi +1

xi 1

f ( x, g ( x), g ( x) )g i ( x)dx

i = 1,..., n 1

obsrvese estas integrales dependen de ai-1, ai y ai+1, por lo que la jacobiana del lado derecho
respecto a los coeficientes ser una matriz de banda.

Ejemplo
Vamos a resolver 9-4 por Elementos Finitos.
Primero dividimos el intervalo [0,1] con una grilla con paso h=0.1
Las funciones de forma sern sombreros poligonales con nodos 0, 0.1, 0.2,,1

x 1x
i i 1
1
x x
Gij = i i 1
1
x x
i +1 i
0

xi +1

xi 1

1
xi +1 xi

si

i= j

si

i = j +1

si

i = j 1

en otro caso
0
2 1 0

1 2 1 0

1 0 1 2 1
G=
h M
M O O

0
0 L 1

0
0 L 0

por tanto

f ( x, g ( x), g ( x) )g i ( x)dx =

L 0

L 0

O M

2 1

1 2
L

(g ( x) + x( x 1))g ( x)dx =
xi +1

xi 1

a j g j ( x) + x( x 1) g i ( x)dx =
xi 1
j =0

xi +1

a
j =0

xi +1

xi 1

xi +1

g i ( x) g j ( x)dx + x( x 1) g i ( x)dx =
xi 1

xi +1

xi +1

xi +1

xi +1

xi 1

xi 1

xi 1

xi 1

= ai 1 g i ( x) g i 1 ( x)dx + ai g i2 ( x)dx + ai +1 g i ( x) g i +1 ( x)dx + x( x 1) g i ( x)dx =


= ai 1

xi +1
xi xi1
x xi 1
x xi
+ ai i +1
+ ai +1 i +1
+ x( x 1) g i ( x)dx
xi 1
6
3
6

estas ltimas integrales pueden evaluarse por Simpson en cada elemento, ya que el integrando
es cbico en cada elemento, por lo que 9-31 queda

16

Obsrvese que la matriz G es simtrica y de banda.

Problemas de valores de frontera

2
1
1 0

hM
0
0

1 0 0 L
2 1 0 L
1 2 1 L
M
0

O O O
L 1 2

23
a1
1
a2
6
a3
M = h 0
M
M
a
0
1
8

2 a9
0
0
0
0

9-19

1 0 0
6
2 1 0
3 6
1 2 1
6 3 6
M O O
0 L 1
6
0 L 0

a
1 y
p ( x0.5 )+ p ( x1 )+ p ( x1.5 )
a1 6 0 0
p ( x1.5 ) + p ( x2 )+ p ( x2.5 )
2

h
p ( x ) + p ( x3 ) + p ( x3.5 )
a

0 3

h 0 2.5

M
M
M M

3
1 a8
0
p ( x7.5 ) + p ( x8 )+ p ( x8.5 )
6 a
1
6 yn
2 9
p ( x8.5 )+ p ( x9 )+ p ( x9.5 )
3

L 0

L 0
L
O
2
3
1
6

donde p(x) = x(x-1)

2 + 2 h2
3

h2
1 + 6

M
0

con

1+ h
6
2 2
2+ 3 h
2

1+ h
6
M
0
0

1 + h
6
2 + 23 h 2
O
L
L

1+ h
6
O
2
1+ h
6
0

a
1
2

1 y0 h p ( x1 ) + 6 y 0
0 a
h 2 p( x2 )
2

h 2 p ( x3 )
0 a3 =

M
M M
2

h 2 p ( x8 )
1 + h a8
1
6 a
2
9 y n h p ( x9 ) + 6 y n

2 + 23 h

L
O

2 + 23 h 2
2
1+ h
6

p( xi ) = 13 ( p ( xi h2 ) + p ( xi ) + p( xi + h2 ) )

La Tabla 9-9 muestra los resultados obtenidos


Se observa que los errores son similares a los obtenidos por Diferencias Finitas o
Subdominios, lo cual es de esperar ya que para las funciones de forma que usamos el error de
2
este mtodo es de orden O(h ).

x
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0

h=0,1
y
0,000000000000
0,007436400000
0,014062000000
0,019243000000
0,022530000000
0,023656000000
0,022530000000
0,019243000000
0,014062000000
0,007436400000
0,000000000000

Tabla 9-9

error
0,0E+00
5,6E-06
1,1E-05
1,4E-05
1,7E-05
1,8E-05
1,7E-05
1,4E-05
1,1E-05
5,6E-06
0,0E+00

h=0,05
y
0,000000000000
0,007432200000
0,014055000000
0,019233000000
0,022518000000
0,023642000000
0,022518000000
0,019233000000
0,014055000000
0,007432200000
0,000000000000

error
0,0E+00
1,4E-06
2,7E-06
3,6E-06
4,3E-06
4,5E-06
4,3E-06
3,6E-06
2,7E-06
1,4E-06
0,0E+00

h=0,025
y
error
0,000000000000 0,0E+00
0,007431100000 3,5E-07
0,014053000000 6,6E-07
0,019230000000 9,1E-07
0,022514000000 1,1E-06
0,023639000000 1,1E-06
0,022514000000 1,1E-06
0,019230000000 9,1E-07
0,014053000000 6,6E-07
0,007431100000 3,5E-07
0,000000000000 0,0E+00

Problema de la viga por Elementos Finitos

En este caso tambin podemos usar extrapolacin de Richardson igual que hicimos antes.

Problemas de valores de frontera

x
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0

h=0,1 y 0,05
y
0,000000000000
0,007430800000
0,014052000000
0,019229000000
0,022513000000
0,023638000000
0,022513000000
0,019229000000
0,014052000000
0,007430800000
0,000000000000

error
0,0E+00
6,8E-09
1,2E-08
1,5E-08
1,7E-08
1,8E-08
1,7E-08
1,5E-08
1,2E-08
6,8E-09
0,0E+00

9-20

h=0,05 y 0,025
y
0,000000000000
0,007430800000
0,014052000000
0,019229000000
0,022513000000
0,023638000000
0,022513000000
0,019229000000
0,014052000000
0,007430800000
0,000000000000

error
0,0E+00
4,3E-10
7,4E-10
9,6E-10
1,1E-09
1,1E-09
1,1E-09
9,6E-10
7,4E-10
4,3E-10
0,0E+00

h=0,1-0,05 y 0,05-0,025
y
error
0,000000000000 0,0E+00
0,007430800000 -5,1E-13
0,014052000000 -8,8E-13
0,019229000000 -1,1E-12
0,022513000000 -1,3E-12
0,023638000000 -1,3E-12
0,022513000000 -1,3E-12
0,019229000000 -1,1E-12
0,014052000000 -8,8E-13
0,007430800000 -5,1E-13
0,000000000000 0,0E+00

Tabla 9-10 Problema de la viga por Elementos Finitos con extrapolacin de Richardson

Universidad Tecnolgica Nacional


Facultad Regional Delta

Terico de
CLCULO AVANZADO
2015
Tema: PROBLEMAS DE CAMPO

Objetivos de aprendizaje

Germn BRESCIANO

10

PROBLEMAS DE CAMPO................................................................................................. 10-1


10.1 SISTEMAS DISCRETOS. MTODO DIRECTO DE LA RIGIDEZ ...................................................... 10-1
10.1.1 Sistemas discretos ....................................................................................................... 10-1
10.1.2 Ecuaciones elementales .............................................................................................. 10-1
10.1.3 Ensamblado del sistema global ................................................................................... 10-2
10.1.4 Elementos discretos usuales ........................................................................................ 10-2
10.1.4.1
10.1.4.2

Elemento barra ................................................................................................................. 10-2


Elemento viga .................................................................................................................. 10-8

10.2 SISTEMAS CONTINUOS. FORMULACIN VARIACIONAL ......................................................... 10-10


10.2.1 Variacin de un funcional (unidimensional) .............................................................. 10-11
10.2.2 Variacin de un funcional (vectorial) ........................................................................ 10-13
10.2.3 Variacin de un funcional (orden superior) ............................................................... 10-13
10.2.4 Condiciones de contorno........................................................................................... 10-13
10.2.5 Variacin de un funcional (varias variables) ............................................................. 10-14
10.2.6 Variacin de un funcional (varias variables sin cond. de Dirichlet en parte de )...... 10-15
10.2.7 Mtodos de resolucin .............................................................................................. 10-16
10.2.7.1
10.2.7.2

Mtodo de diferencias finitas .......................................................................................... 10-16


Mtodo de elementos finitos ........................................................................................... 10-17

10.3 INTERPOLACIN POR FUNCIONES POLINOMIALES A TROZOS ................................................. 10-17


10.3.1 Normas..................................................................................................................... 10-17
10.3.2 Caso una variable y grado 1 (poligonales) ................................................................ 10-17
10.3.3 Caso una variable grado k ........................................................................................ 10-18
10.3.3.1
10.3.3.2

10.3.4
10.3.5
10.3.6
10.3.6.1
10.3.6.2
10.3.6.3
10.3.6.4

10.3.7
10.3.7.1
10.3.7.2

10.3.8
10.3.9
10.3.9.1
10.3.9.2
10.3.9.3
10.3.9.4

Interpolacin de Lagrange .............................................................................................. 10-18


Interpolacin a trozos ..................................................................................................... 10-19

Propiedades de la interpolacin................................................................................ 10-19


Error de interpolacin .............................................................................................. 10-19
Pasaje a norma L2 .................................................................................................... 10-20
Teorema de Sobolev (en una variable) ............................................................................ 10-20
Propiedad 3 para norma L2 ............................................................................................. 10-20
Propiedad 2 para norma L2 (Lema Bramble Hilbert) ........................................................ 10-20
Error de interpolacin en norma L2 ................................................................................. 10-21

Caso 2 variables - interpolacin en el plano.............................................................. 10-21


Particiones triangulares................................................................................................... 10-22
Particiones rectangulares ................................................................................................ 10-24

Caso 3 variables - interpolacin en el espacio. .......................................................... 10-24


Error de interpolacin .............................................................................................. 10-24
Teorema de Sobolev ....................................................................................................... 10-25
Lema Bramble Hilbert .................................................................................................... 10-25
Propiedad 3 .................................................................................................................... 10-25
Acotacin del error ......................................................................................................... 10-25

10.4 MTODOS DE ELEMENTOS FINITOS .................................................................................... 10-28


10.4.1 Propiedades de A ...................................................................................................... 10-29
10.4.1.1

10.4.2
10.4.2.1

10.4.3
10.4.3.1

Ejemplo (1 variable) ....................................................................................................... 10-29

Clculo de la matriz A .............................................................................................. 10-31


Matrices elementales ...................................................................................................... 10-31

Clculo del vector f................................................................................................... 10-32


Vectores elementales ...................................................................................................... 10-32

10.4.4 Ensamblado del sistema global ................................................................................. 10-33


10.5 CONDICIONES DE CONTORNO ............................................................................................. 10-33
10.5.1 Condiciones de Dirichlet........................................................................................... 10-33
10.5.2 Condiciones de Newmann ......................................................................................... 10-34
10.5.2.1

Ejemplo (2 Variables)..................................................................................................... 10-34

10.6 ELEMENTOS USUALES ....................................................................................................... 10-38


10.6.1 Elementos unidimensionales ..................................................................................... 10-38
10.6.1.1

10.6.2
10.6.2.1
10.6.2.2
10.6.2.3

Funciones de forma locales y globales ............................................................................ 10-39

Elementos bidimensionales ....................................................................................... 10-39


Elementos triangulares ................................................................................................... 10-39
Elementos cuadrilteros .................................................................................................. 10-40
Funciones de forma locales y globales ............................................................................ 10-40

10.6.3 Elementos tridimensionales....................................................................................... 10-40


10.7 INTEGRACIN NUMRICA .................................................................................................. 10-40
10.8 CONVERGENCIA DEL MTODO DE ELEMENTOS FINITOS ....................................................... 10-42

10.8.1

Caso 1 variable ........................................................................................................ 10-42

10.8.1.1

Acotacin de u-uh ....................................................................................................... 10-43

10.8.2 Caso varias variables ............................................................................................... 10-44


10.9 MTODO DE LOS RESIDUOS PONDERADOS........................................................................... 10-44
10.10
MTODOS NO CONFORMES ............................................................................................. 10-45
10.10.1
Ejemplo (1 variable) ............................................................................................. 10-45
10.10.2
Ejemplo (varias variables) .................................................................................... 10-45
10.10.3
Patch test .............................................................................................................. 10-47
10.10.4
Convergencia........................................................................................................ 10-47
10.11
MTODOS MIXTOS ......................................................................................................... 10-48
10.11.1
Ejemplo - Ecuaciones de Navier-Sokes .................................................................. 10-48
10.11.1.1
10.11.1.2

Aproximacin por elementos finitos de 1 ........................................................................ 10-50


Caso convergencia de orden 1......................................................................................... 10-51

10.12
INTEGRACIN REDUCIDA ............................................................................................... 10-53
10.13
SISTEMAS NO EN RGIMEN ............................................................................................. 10-53
10.13.1
Problemas parablicos ......................................................................................... 10-53
10.13.1.1

Ejemplo - Ecuacin del calor. ......................................................................................... 10-53

Problemas de campo

10-1

10 Problemas de campo
10.1 Sistemas discretos. Mtodo directo de la rigidez
Antes de estudiar los problemas de campo veremos un mtodo de resolucin para sistemas
discretos cuya metodologa de clculo es la base del mtodo de elementos finitos.

10.1.1 Sistemas discretos


Los sistemas discretos son sistemas fsicos compuestos por elementos discretos bien definidos
interconectados entre s.
Dos ejemplos de sistemas discretos son las estructuras de barras y circuitos elctricos.
El estado de cada uno de estos elementos puede representarse por el valor de variables de
estado en una cantidad finita de nodos y estos valores se relacionan entre s y con las
condiciones del entorno o de acople con los otros elementos mediante un sistema de
ecuaciones conocido llamado ley de gobierno del elemento.
En una estructura de barras la ley de gobierno de cada barra relaciona el desplazamiento de
sus extremos con la tensin en la barra.
En un circuito elctrico la ley de gobierno de cada componente elctrico relaciona el voltaje en
sus extremos con la corriente que pasa por el componente.
En cada nodo se cumple una condicin de compatibilidad, que implica que ciertas variables de
estado de todos los elementos conectados a ese nodo deben tener el mismo valor (escalar o
vectorial).
En una estructura de barras la condicin de compatibilidad en un nodo es que los
desplazamientos de todas las barras conectadas sean iguales.
En un circuito elctrico la condicin de compatibilidad en un nodo es que los voltajes de todos
los componentes conectados sean iguales en ese nodo.
Tambin de cumple una condicin de equilibrio, que puede ser una ecuacin escalar o vectorial
que relaciona las variables de cada elemento conectado a ese nodo con cargas externas
aplicadas al nodo. La condicin de equilibrio suele ser que la suma (escalar o vectorial) de las
variables debe ser nula.
En una estructura de barras la condicin de equilibrio en un nodo es que la suma de todas las
tensiones ms las cargas externas aplicadas al nodo debe ser nula.
En un circuito elctrico la condicin de compatibilidad en un nodo es que la suma algebraica de
las corrientes entrantes de los componentes conectados es igual a la corriente externa que
ingresa al nodo.

10.1.2 Ecuaciones elementales


Usualmente la ley de gobierno de cada elemento puede expresarse como un sistema de
ecuaciones lineales de la forma

Se define un vector global de variables con una o ms componente por nodo (dependiendo
del tipo de problema) y las condiciones de compatibilidad implican que ciertas componentes del
1

vector
( ) de cada elemento conectado a un nodo son iguales entre s y su valores
comunes definen a las componentes de correspondientes a ese nodo.
Tambin se define un vector global

con una o ms componentes por nodo como la suma

(algebraica o vectorial segn el problema) de las componentes del vector

(2)

Cuando las componentes de


corresponden a magnitudes vectoriales en el sistema de referencia estndar del
elemento, deben pasarse al sistema de referencia global mediante transformaciones de rotacin de coordenadas para
obtener las variables que deben ser iguales por la condicin de compatibilidad.
2

Cuando las componentes de


corresponden a magnitudes vectoriales en el sistema de referencia estndar del
elemento, deben pasarse al sistema de referencia global mediante transformaciones de rotacin de coordenadas para
obtener las variables que deben sumarse en la condicin de equilibrio.

Problemas de campo

10-2

(correspondientes a ese nodo) de cada elemento conectado al nodo y la condicin de equilibrio


implica que debe ser igual a la carga externa aplicada al nodo.
Se puede as establecer que los vectores globales
de la forma

se relacionan segn un sistema global

Que resume las ecuaciones elementales, las condiciones de compatibilidad y las de equilibrio.
El sistema tiene tantas variables y ecuaciones como la cantidad de nodos por los grados de
libertad por nodo, que es la cantidad de variables de estado independientes en cada nodo.
En un circuito elctrico hay un solo grado de libertad por nodo (el voltaje).
En un sistema de barras 2D hay 2 grados de libertad por nodo (desplazamiento axial y lateral).
En un sistema de vigas 2D hay 3 grados de libertad por nodo (desplazamiento axial y lateral y
ngulo de flexin).

10.1.3 Ensamblado del sistema global


El proceso de obtener la matriz A y el vector F a partir de las matrices y vectores elementales
de cada elemento, sumando cada coeficiente en la fila y columna correspondiente de la matriz
global y el vector global se llama ensamblado del sistema global.
Usualmente los nodos de un elemento tienen una numeracin local (que indica su nmero
dentro del elemento) y una numeracin global (que indica su nmero nico en el sistema
global).
Las matrices elementales tienen tantas filas y columnas como grados de libertad tenga el
elemento.
Una vez obtenidas las matrices
elementales, para ensamblar la
matriz global debemos sumar cada
coeficiente (cuyos subndices en
numeracin
local,
i
y
j,
corresponden a un par de nodos
del
elemento)
en
la
fila
correspondiente a la numeracin
global del nodo i y la columna
correspondiente a la numeracin
global del nodo j.
Para ensamblar el vector F se procede en forma similar, sumando para cada coeficiente del
de cada elemento (que corresponde a un nodo del elemento) en la fila
vector
correspondiente a la numeracin global del nodo. Luego se debe tener en cuenta la condicin
de equilibrio del nodo que usualmente implica que la suma es igual a la carga externa aplicada
al nodo.

10.1.4 Elementos discretos usuales


Este mtodo suele aplicarse a elementos con geometra unidimensional pero que forman
estructuras bidimensionales o tridimensionales.

10.1.4.1 Elemento barra


En estos elementos hay un solo gradoio de libertad por nodo. Puede tratarse de
Barras con carga axial
Resortes con carga axial
Elementos de circuito elctrico
Tramo de caera de circuito hidrulico
Conductor de calor unidimensional
El estado de cada elemento queda definido por el desplazamiento en cada extremo. Las
matrices elementales en coordenadas locales son de 2x2.
En el caso de las barras y resortes la variable de estado es el desplazamiento, que es
unidimensional en el sistema de coordenadas local, pero es vectorial en el sistema de
coordenadas global ya que el alargamiento tendr la direccin del elemento. La ecuacin de
equilibrio en cada nodo ser vectorial (2D o 3D) pues depende de la geometra en la que estn
dispuestos los elementos.
Las matrices elementales en coordenadas globales son de 4x4 (2D) o 6x6 (3D).

Problemas de campo

10-3

En los otros casos la geometra es irrelevante pues la condicin de equilibrio de cada nodo es
escalar (suma de flujos nula).

Ejemplo
Determinar los voltajes en cada nodo del circuito
R1 = 10
R2 = 3
R3 = 2
R4 = 7
R5 = 12
R6 = 5
R7 = 4
R8 = 9
V6 = 12V
I2 = 0.1A
Cada nodo tiene una numeracin global (en verde) y una
numeracin local (en amarillo) que indica su nmero dentro
del elemento.
Primero debemos definir cada elemento,
indicando cules son sus nodos, es decir la
correspondencia entre la numeracin local de
sus nodos y la numeracin global.

Elemento Nodo 1 Nodo 2 Resistencia


1
1
2
10
2
2
3
3
3
3
4
2
4
5
4
7
5
6
5
12
6
3
5
5
7
2
5
4
8
1
6
9
Las ecuaciones de gobierno de cada elemento relacionan los valores nodales de las variables
de estado. Estas ecuaciones se expresan normalmente en la numeracin local, pues se
considera al elemento en forma aislada.

Para cada resistencia su ecuacin elemental es

o sea

1
1

1
1

Donde
y
son las intensidades entrante del elemento e en su nodo 1 y 2 y
los voltajes en el nodo 1 y 2 del elemento e.
Por tanto las ecuaciones elementales (en numeracin local) son

1
1

1
1

1
1

1
1

1
1
1
1

1
1
1
1

=
=

son

Problemas de campo

1
1

1
1

10-4

1
1

1
1

( )

( )

( )

( )

( )

( )

( )

( )

1
1

1
1

1
1

1
1

( )

( )

(")

(")

=
=

( )

( )

(")

(")

En cada nodo debe cumplirse la ecuacin de equilibrio. En este caso la suma de las
intensidades (de los elementos que lo incluyen) debe ser igual a la intensidad externa entrante.
Por tanto vamos a ensamblar el sistema global sumando los coeficientes de cada matriz
elemental en la fila y columna correspondientes a la numeracin global de sus nodos.
Del lado derecho tendremos la suma de las intensidades, que debe ser igual a la intensidad
externa entrante.

1 1
% +
$10 9
$ 1
$ 10
$
$ 0
$
$ 0
$
$ 0
$
1
$
# 9

1
0
10
1 1 1
1
+ +

10 3 4
3
1
1 1 1

+ +
3 2 5
3
1
0

2
1
1

4
5

1
4
1

5
1

7
1 1 1 1
+
+ +
7 12 5 4
1

12

2
1 1
+
2 7
1

7
0

1
0
9 /
0 /
/%
/
0 /$
/ $$
0 /
$
/
1 /#

12 /
1 1/
+
12 9.

0
0 %0.10
/ $ /
/=$ 0 /
/ $0/
/ $0/
. # .

= 12 sustituimos su valor en cada ecuacin y pasamos restando el


Como sabemos que
trmino al lado derecho. Adems eliminamos la ecuacin correspondiente al este nodo,
obteniendo el siguiente sistema reducido:
1 1
% +
$10 9
$ 1
$ 10
$
$ 0
$
$ 0
$
$
# 0

1
10
1 1 1
+ +
10 3 4
1

1
4

1
3
1 1 1
+ +
3 2 5
1

2
1

Al resolver este sistema obtenemos

%
$
$
$
#

1
2
1 1
+
2 7
1

0
/
1
/

4
/%
/$
1

/$
5
/$
1
/#

7
/
1 1 1 1/
+
+ +
7 12 5 4.
0

12
%
0
0
9
/ $$0.1//
/=$ 0 /
/ $ /
. #0.
1

12,3885
0 %
12,82020
/ $
/
/ = $12,7535/
/ $12,7376/
. #12,6819.

Sustituyendo estos valores y el conocido de


sistema sin reducir, obtenemos el valor de

en la ecuacin que habamos eliminado del

= 0,1

Problemas de campo

10-5

Lo que hicimos puede programarse en Scilab:


//CIRCUITO ELECTRICO
mode(0)
// Slo muestra resultados si no se pone ; en la lnea
clc
// Borra la consola
//DATOS
Coor=[0
0
0
1
1
1

GEOMETRICOS
0;
1;
2;
2;
1;
0];

//Coordenadas nodos (para el dibujo)

//DATOS ELECTRICOS
R=[10 3 2 7 12 5 4 9]; // [ohm] Resistencia de los elementos
//TABLA DE CONECTIVIDAD
TC=[1 2;
2 3;
3 4;
5 4;
6 5;
3 5;
2 5;
1 6];
nn=size(Coor,'r'); //Numero de nodos
nne=size(TC,'c'); //Numero de nodos por elemento
ne=size(TC,'r'); //Numero de elementos
//GRADOS DE LIBERTAD PRESCRITOS (Voltajes)
gdlp=[6];
ngdlp=size(gdlp,'c');
Vp=zeros(nn,1);
Vp(gdlp,1)=12;
//GRADOS DE LIBERTAD LIBRES
gdll=zeros(nn -ngdlp,1);
gdll=[1 2 3 4 5];
//Corrientes APLICADAS
Iap=zeros(nn,1);
Iap(2)=0.10;
//MATRICES DE RIGIDEZ
kb=zeros(nne,nne);
kb=[1 -1;
-1,1];
//MATRICES Y VECTORES GLOBALES
Kg=zeros(nn,nn);
Vg=zeros(nn,1);
for i=1:ne
ke=1/R(i)*kb;

//Matriz de rigidez elemental

//Ensamblaje de la matriz de rigidez


ind=[TC(i,1) TC(i,2)];
Kg(ind,ind)=Kg(ind,ind)+ke;
end

Problemas de campo

10-6

//REDUCCION DEL SISTEMA DE ECUACIONES


Kred=zeros(nn-ngdlp, nn-ngdlp);
Ired=zeros(nn-ngdlp,1);
Ured=zeros(nn-ngdlp,1);
Kred=Kg(gdll,gdll);
Ired=Iap(gdll,1)-Kg(gdll,gdlp)*Vp(gdlp);
//Resta al vector las
columnas de los
//grados prescritos por los valores
prescritos.
//SOLUCION DEL SISTEMA REDUCIDO
Vred=Kred\Ired;
//CALCULO DE LOS Voltajes Y LAS Intensidades NODALES
Vg(gdll)=Vred;
Vg(gdlp)=Vp(gdlp);
//CALCULO DE LAS Intensidades entrantes en los nodos
I=Kg*Vg;
//SALIDA DE RESULTADOS
disp("Voltajes prescritos")
disp([" Nodo Volt"])
disp([gdlp' Vp(gdlp)])
disp("Intens aplicadas")
disp([" Numero Inten"])
disp([gdll' Iap(gdll)])
Kg
Iap
Kred
disp(["
Ired
Vred"])
disp([Ired Vred])
disp(["
Vg
I
disp([Vg I Iap])

Iap"])

//Grafica elementos
delete(gcf());
mx=min(Coor(:,1));
Mx=max(Coor(:,1));
my=min(Coor(:,2));
My=max(Coor(:,2));
dx=Mx-mx;
dy=My-my;
mx=mx-dx/10;
Mx=Mx+dx/10;
my=my-dy/10;
My=My+dy/10;
plot([mx Mx],[my My],'w');
plot(Coor(:,1),Coor(:,2),'o')
for e=1:ne
x=[Coor(TC(e,1),1) Coor(TC(e,2),1)];
y=[Coor(TC(e,1),2) Coor(TC(e,2),2)];
plot(x,y,'-')
end

Problemas de campo

10-7

Voltajes prescritos
Nodo

Volt

6.

12.

Intens aplicadas
Nodo Inten
1.
2.
3.
4.
5.

Kg

0.
0.1
0.
0.
0.

0.2111111
- 0.1
0.
0.
0.
- 0.1111111
Iap =

- 0.1
0.6833333
- 0.3333333
0.
- 0.25
0.

0.
- 0.3333333
1.0333333
- 0.5
- 0.2
0.

0.
0.
- 0.5
0.6428571
- 0.1428571
0.

0.
- 0.25
- 0.2
- 0.1428571
0.6761905
- 0.0833333

- 0.1
0.6833333
- 0.3333333
0.
- 0.25

0.
- 0.3333333
1.0333333
- 0.5
- 0.2

0.
0.
- 0.5
0.6428571
- 0.1428571

0.
- 0.25
- 0.2
- 0.1428571
0.6761905

0.
0.1
0.
0.
0.
0.
Kred =
0.2111111
- 0.1
0.
0.
0.
Ired
1.3333333
0.1
0.
0.
1.
Vg
12.388538
12.820247
12.753483
12.737586
12.681949
12.

Vred
12.388538
12.820247
12.753483
12.737586
12.681949
I
2.220D-16
0.1
- 2.220D-15
- 2.220D-16
0.
- 0.1

Iap
0.
0.1
0.
0.
0.
0.

- 0.1111111
0.
0.
0.
- 0.0833333
0.1944444

Problemas de campo

10-8

Este circuito puede modelarse tambin en un software de Elementos Finitos usando elementos
unidimensionales de dos nodos.
Se definen primero los nodos y luego los elementos.
Se definen las caractersticas de cada elemento y finalmente las cargas y restricciones.

Se resuelve el modelo obtenindose el valor del voltaje en cada nodo y la corriente en cada
elemento.

Node
1
2
3
4
5
6

Electric Potential
12.3885379627693
12.8202468102907
12.7534825350345
12.7375862790211
12.6819493829743
12

Material Element
Current
10_Ohm
1
0.0431708847521447
3_Ohm
2
-0.0222547584187402
2_Ohm
3
-0.00794812800669309
7_Ohm
4
-0.00794812800669372
12_Ohm
5
0.0568291152478572
5_Ohm
6
-0.0143066304120484
4_Ohm
7
-0.0345743568291157
9_Ohm
8
-0.0431708847521447

10.1.4.2 Elemento viga


En estos elementos la carga en el extremo tiene componente axial y transversal y tambin hay
momentos flectores. El estado de cada elemento queda definido por el desplazamiento
longitudinal y transversal y los ngulos de flexin en cada extremo Las matrices elementales
son de 6x6 (2D) o 10x10 (3D).

Problemas de campo

10-9

Ejemplo
Determinar los desplazamientos y giros no prescritos y las fuerzas y momentos de reaccin en
los empotramientos

A=1,000 mm2

IZ=20,000 mm4

E=200,000 MPa

En este caso tambin se puede usar un software de Elementos Finitos para modelar el
sistema.

Node X
Y
1
0
0
2 750 750
3
0 750

Z
0
0
0

Displacem Displacem
ent in X
ent in Y
0
0
0,109623 -0,418585
0
0

Rotation
about Z
0
-0,007574
0

Tensile
Shear Bending Moment
Force Force V
about W
-4.119
147
-49.158
-5.981
211
-18.716
29.233
276
62.928

Problemas de campo

10-10

10.2 Sistemas continuos. Formulacin variacional


Los problemas de campo son problemas en los que se tiene un sistema fsico que ocupa una
regin llamada campo, donde en cada punto y momento el estado del sistema puede
describirse con una serie de variables de campo. Los valores de estas variables de campo y
sus derivadas espaciales y temporales cumplen ciertas leyes naturales, es decir, se relacionan
entre s por ecuaciones llamadas ecuaciones de gobierno del sistema.
Generalmente el entorno del sistema impone ciertas restricciones sobre las variables de campo
en la frontera del sistema (condiciones de contorno) o el problema parte de un estado inicial
conocido (condiciones iniciales).
Algunos ejemplos de variables de campo son: temperatura, desplazamientos, flujo de calor,
velocidad del fluido, presin, tensin, concentracin de sustancias qumicas, etc.
Generalmente los problemas de campo pueden formularse de dos maneras.
En la primera de ellas el problema se plantea como una ecuacin diferencial3. La ecuacin
diferencial describe el comportamiento local de las variables, o sea, en una regin infinitesimal.
Como tiene muchas soluciones, se usan condiciones iniciales y/o de contorno para determinar
la solucin particular de la ecuacin diferencial que describe la solucin del problema.
En la segunda formulacin se plantea el problema como uno de minimizacin de un
funcional J, que se define por una adecuada integracin sobre toda la regin ocupada por el
4
campo de las incgnitas en el dominio .
Ambas formulaciones son matemticamente equivalentes. En la formulacin de minimizacin
toda la informacin necesaria est contenida en una sola ecuacin y no hay necesidad de
condiciones auxiliares.
La formulacin de minimizacin ser de la forma:
Hallar uV | J(u)J(v) vV siendo
V
el conjunto de funciones admisibles
5
J:VR
un funcional
Las funciones vV representan variables de campo, como desplazamientos de un cuerpo
elstico, temperatura, etc., en funcin de las coordenadas espaciales o temporales.
El funcional J usualmente tiene algn significado fsico, como la energa potencial de un cuerpo
elstico, o la entropa en un sistema termodinmico aislado.
1) Ejemplo: Trayectoria de tiempo mnimo (braquistcrona)
Dados dos puntos A y B deseamos hallar la trayectoria entre A y
B que minimice el tiempo de cada sin rozamiento de una
partcula.
Para simplificar el problema consideraremos la aceleracin de la
gravedad en la direccin del eje x, que A es el origen de
coordenadas y B est en el primer cuadrante.
>
>
C
9:
9:
?1 + @
=
=
=
7 8 =
< =
98 =
=
9B
98
7
7
C

Sea s(t) la distancia recorrida por la partcula

Pero

C
C
1 + @
1
1 + @
= G
7 = ?2gx < = = G
9B =
9B
2Hx
x
?2H C
C

?2H < = = G
C

1 + @
9B J(@)
x

K@: MB , B N P | @ 9RST7UVWR @(0) = 0 @(B ) = @ Y

el problema es minimizar el funcional J en el conjunto

En muchos casos esta ecuacin diferencial se deriva de aplicar un principio de conservacin de alguna de las
variables de campo en una porcin infinitesimal del campo, de donde se obtiene una relacin entre unas variables y el
gradiente de otra y luego se introduce una ley natural que suele relacionar esta variable con el gradiente de otra. Se
obtiene as una relacin entre derivadas segundas de esta ltima variable con los valores de otras variables, es decir
una ecuacin diferencial de segundo orden.
4
Un ejemplo es cuando se aplica el principio de mnima energa potencial.
5
Un funcional es una funcin de un espacio de funciones en R.

Problemas de campo

10-11

2) Ejemplo: Catenaria
Se desea saber qu forma tomar una cuerda uniforme, flexible
pero inelstica, de largo L colgada entre dos puntos A y B.
La cuerda tomar la forma que minimice la energa potencial
[

E = = @9: = = @?1 + @ 9B J(@)


C

El problema es minimizar el funcional J en el conjunto

\@: MB , B N P | @ 9RST7UVWR, @(B ) = @ @(B ) = @ = ]1 + @ ^ 9B = _`


C

10.2.1 Variacin de un funcional (unidimensional)


Consideremos el funcional

a( ) bc f (c, ,

Ec. 10-1

Con F diferenciable.
Queremos minimizar J en

, ")ec

= Kh: MB , B N P con derivada segunda | h(B ) = h h(B ) = h Y

Si u0 fuera solucin entonces J(u0) J(u) uV

Sean: t

uv

= Ku: MB , B N P con derivada segunda | u(B ) = u(B ) = 0Y


wvP

Consideremos u=u0+ con V0 entonces J(u0) J(u0+) R V0.


Para fija definamos g:RR | g() J(u0+) entonces g(0) g() R entonces g tiene
mnimo en 0 y g es derivable, por tanto debe ser g(0)=0.
Como
C

H(w) = x(B, h + wu, h^ + wu, h" + wu")9B


C

H^ (w ) = = yxz (B, h + wu, h^ + wu, h" + wu")u + xz^ (B, h + wu, h^ + wu,
C

^(

h" + wu")u + xz" (B, h + wu, h^ + wu, h" + wu")u"{9B

0 = H 0) = = yxz (B, h , h^ , h" )u + xz| (B, h , h^ , h" )u + xz" (B, h , h^ , h" )u"{9B

Donde J(h, u)

}J(h , u)

J(h + wu)

es la "variacin del funcional J"

Este nuevo funcional que hemos definido es anlogo al concepto de diferencial.


Obsrvese que

}J(h, u)

}
J(h + wu) J(h)
J(h + wu)
= lim

}w
w

Ntese que la condicin necesaria para que u0 sea la solucin que minimiza J es que

a(

Ec. 10-2

, )

En el caso que estbamos considerando esta es la formulacin variacional del problema de


minimizacin de un funcional.
C

}J(h , u) = = xz u + = xz| u + = xz" u"


C

Integrando por partes el 2 y 3 sumando:

= xz| u =
C

C
x z | u |C

~
x |u
~C z

= = ~Cxz| u
C

Problemas de campo
C

10-12
C

= xz" u" = xz" u|C

~
x u^
~C z"
C

= xz" u^ |C

= xz" u^ |C + = ~C xz" u
C

}J h , u = = xz
C

~
x |
~C z

Como debe ser J(u0,)=0 V0 eso implica que


Ec. 10-3

"

Ec. 10-4 (6)

cg =

+ c
f
f

"

"

~Cxz" u
~

+ = ~C xz" u
C

+ ~C xz" u + xz" u|C


~

= Mcg ; cf N

cf =

Ec. 10-3 y Ec. 10-4 son las ecuaciones de Euler Lagrange del funcional J (Ec. 10-1) y
corresponden a la formulacin del problema como ecuacin diferencial.
Como la condicin J(u0)=0 es una condicin necesaria pero no suficiente de minimizacin de
J, entonces la solucin de las ecuaciones de Euler Lagrange no necesariamente minimiza J,
pues podra ser un mximo o punto de inflexin.
1. Ejemplo: Catenaria
En el problema de catenaria debamos minimizar
C

J @ = = @?1 + @ 9B
C

en t@ | @ B

=@ , @ B

= @ , bC @?1 + @ 9B = _
C

x(B, @, @ ^ ) = @?1 + @
x" = 0

Para este funcional:

x = ?1 + @
@@
x^ =
?1 + @

}x^
}
@ + @ + @@"
@@
=
=
(1 + @ )
}B
}B ?1 + @

@ ^ + @ ^ + @@"
= 0 (1 + @ ^ ) @ ^ + @ ^ + @@" = 0
(1 + @ ^ )
1 + @^
^
^
^
^
^
1 + 2@ + @ @ @ @@" = 0 1 + @ @@" = 0 @" =
@

En este caso Ec. 10-3 queda:

?1 + @

2. Ejemplo
C
Sea J(@) = bC @ 9B

x" = 0
x = 0

x^ = 2@ ^

}x |
= 2@"
}B

x ~Cx | + ~C x" = 0 0 2@"+0=0 @" = 0

En este caso la ecuacin de Euler Lagrange Ec. 10-3 queda:

A menos que se exija (x1)=(x2)=0, por ejemplo si hay condiciones de Newmann (u(x1)=u1 y u(x2)=u2), en cuyo
caso esta ecuacin no es necesaria.

Problemas de campo

10-13

10.2.2 Variacin de un funcional (vectorial)


C

J h = x B, h , h , , h , h , h , , h 9B

Si la funcin incgnita es vectorial

h B

= h ,h B

con las condiciones

= h , , h B

= h , h B

= h

Podemos definir la variacin del funcional en cada una de las funciones incgnitas y todos
deben ser cero en el mnimo: }Jz = }Jz = = }Jz = 0
Las ecuaciones de Euler Lagrange que se obtienen son iguales pero vectoriales.

Ec. 10-5

cg =
cf =

=
g
f

= g, f, ,

Ejemplo: longitud mnima entre dos puntos


Hallar la curva de longitud mnima entre los puntos (x1, y1, z1) y (x2, y2, z2).
Si parametrizramos la curva en [0, 1] (x(t), y(t), z(t))

x(0)=x1, x(1)=x2
y(0)=y1, y(2)=y2
z(0)=z1, z(2)=z2
Hay que minimizar J B, @, = b ?B + @ + 98
xC

~
x |
~ C

=0 0

2B ^

Las ecuaciones de Euler Lagrange Ec. 10-5 sern:

~
x |
~

~
x |
~

=0 0

=0 0

~
~

~
~

~
~

]B ^ + @ ^ + ^
2@ ^

]B ^ + @ ^ + ^
2 ^

]B ^ + @ ^ + ^

= 0 B ^ = C ?B + @ +

= 0 @ ^ = C ]B ^ + @ ^ + ^
= 0 ^ = C ?B + @ +

B ^ , @ ^ , = ?B + @ + C , , = 8 C , ,

O sea que la direccin de (x, y, z) no vara con t, entonces la curva es una recta.

10.2.3 Variacin de un funcional (orden superior)


Si se desea minimizar

J h bC x B, h, h^ , h", , h
C

(n-1)

con condiciones de contorno para u, u, u, , u


Ec. 10-6

+ c
f
f

"

9B

se obtiene la ecuacin de Euler Lagrange

10.2.4 Condiciones de contorno


Hasta ahora hemos usado condiciones de contorno en la frontera (problema de Dirichlet).
Si en parte de la frontera no se fija condicin de contorno, la ecuacin de Euler Lagrange
cambia.
C
Si deseamos minimizar J h bC x B, h, h ^ 9B en Kh: MB , B N P | h (B ) = h Y

u: MB , B N P | u(B ) = 0
wP

Sean t

Problemas de campo

10-14

Si J(u0) es mnimo entonces J(u0) J(u0+) R

0 = }J h , u =

C
}
J h + wu = = Mxz B, h , h^ u + xz| B, h , h^ uN9B =
}w
C

= = xz u + = xz| u = = xz u + xz| u|C


C
C

= = xz
C

~
x | u
~C z

Pues (x1)=0
Esto se cumple | (x1)=0
En particular | (x1)=(x2)=0 se verifica
C

= xz

~
x | u
~C z

+ xz^ B u B

= 0 xz

~
x |
~C z

~
x |u
~C z

= 0 en MB , B N

Entonces | (x1)=0 se cumple Fu(x2) (x2)=0 por tanto debe ser Fu(x2)=0
Obsrvese que en x1 fijamos la condicin u(x1)=u1 y en x2 como no fijamos u(x2), surge sola
la condicin Fu(x2)=0 como 2 condicin de contorno.

10.2.5 Variacin de un funcional (varias variables)


h B = h B ,B ,B : P
}
}h
}h
}h

,
,S
}B
}B
}B
Notacin

Deseamos minimizar J h b x B , B , B , h, , , S 9B

en el conjunto
Sean:

= Kh:

P | h = H R Y

u: P | u = 0 R
wP
J h J 7 w P
h :WhT
7 h + wu v
~
0 = }J h , u = ~ J h + wu
es condicin necesaria, entonces

}
}h
}u }h
}u }h
= x B , B , B , h + wu,
+w
,
+w
,
}w
}B
}B }B
}B }B
}u
+w
9B =
}B

0 = }J h , u =

= = xz u + x
Ec. 10-7

}u
}u
}u
+ x
+ x
= = xz u + u x , x , x
}B
}B
}B

= a

= b

Segn el Teorema de Green

b x = bx 9 Adems 7 = 7 + 7

= 7 + 7 = = 7 = = 7 9

Problemas de campo

10-15

b =

Ec. 10-8

b + b e

Aplicando Ec. 10-8 a Ec. 10-7 :


Ec. 10-9

0 = = xz u + = u x , x , x

= = xz u

= u x , x , x + = ux , x , x 9

= b

Ec. 10-10
pues =0 en

= uyxz

x , x , x { = 0 u | u = 0 R

xz x , x , x = 0 R

Ec. 10-11

+ c + c + c =
g

es la ecuacin de Euler Lagrange.


Ejemplo

J(h) = |h|

x(B , B , B , h, , , S) = + + S xz = 0, x = 2, x = 2, x = 2S
En este caso

}2 }2 }2S
} h } h } h
+
+
= 2
+
+
=0
}B
}B
}B
}B
}B
}B
h = 0 o bien h = 0 (7)

La ecuacin de Euler Lagrange queda:

10.2.6 Variacin de un funcional (varias variables sin cond. de Dirichlet en


parte de )
El caso es como el anterior pero la condicin de contorno solo se exige en 1 (=1 2)
(Condicin de Dirichlet en 1)
En este caso a solo le exigimos =0 en 1 para que v=0+V .
Usando el teorema de Green (Ec. 10-8) llegamos a Ec. 10-9 como antes:

0 = = xz u = u x , x , x + = ux , x , x 9

Pero ahora el tercer trmino no es nulo sino que

pues =0 en 1

= ux , x , x 9 = = ux , x , x 9

0 = = uyxz x , x , x { + = ux , x , x 9 u | u = 0 R

Laplaciano= =

Problemas de campo

10-16

Pero en particular | =0 en se cumple

0 = = uyxz

x , x , x { xz

Que es lo mismo que Ec. 10-11

x , x , x = 0 R

= ux , x , x 9 = 0 u | u = 0 R

Ec. 10-12

= f

Obsrvese que al no tener condicin de Dirichlet para u en 2 surge esta condicin de


Newmann para F en 2.
Igual que la vez anterior hay que minimizar J(h ) b |h | en
1. Ejemplo

= Kh: P | h = H R Y
x = 2, x = 2, x = 2S

Ecuacin Euler Lagrange:


Condicin de Dirichlet
Condicin de Newmann

h = 0 R
h = H R
x , x , x = 0 R

x , x , x = (2, 2, 2S) = 2(, , S) = 2h = 0 R

h = 0 R

= 0 R

Igual al anterior con J(h ) b (|h | h ) ,


2. Ejemplo

h = R
Ahora Fu=-f en h = H R

= 0 R

Observacin
En los ejemplos que hemos visto usamos funcionales cuadrticos que son funcionales
convexos. Estos funcionales no tienen mximos ni puntos de inflexin, por lo tanto las
ecuaciones de Euler Lagrange que son siempre condicin necesaria de minimizacin, en este
caso son tambin condicin suficiente.

10.2.7 Mtodos de resolucin


Hemos visto la equivalencia entre los problemas de minimizacin de un funcional y las
ecuaciones de Euler Lagrange (que son Ecuaciones Diferenciales Parciales)
La resolucin analtica de estas ecuaciones diferenciales parciales es en general imposible, por
lo que debemos recurrir a mtodos numricos.

10.2.7.1 Mtodo de diferencias finitas


Este mtodo representa el continuo con una malla de puntos que se superpone a . Las
ecuaciones diferenciales son sustituidas por ecuaciones algebraicas reemplazando las
derivadas por frmulas en diferencias finitas.
La solucin del sistema de ecuaciones algebraicas resultante de esta discretizacin
representar una aproximacin a la solucin verdadera en los puntos de la malla.

Problemas de campo

10-17

10.2.7.2 Mtodo de elementos finitos


Este mtodo se basa en la formulacin variacional de los problemas fsicos. Se divide a en
un pequeos elementos (elementos finitos) y en lugar de minimizar J entre todas las u que
verifiquen las condiciones de contorno, se restringe a las u que sean, por ejemplo, lineales en
cada elemento. O sea que en lugar de minimizar J en V se minimiza en un subespacio de V de
dimensin finita.
Se obtiene un problema de optimizacin con una cantidad finita de variables, por lo que en
lugar de las ecuaciones de Euler Lagrange, se llega a un sistemas de ecuaciones algebraicas.

10.3 Interpolacin por funciones polinomiales a trozos


10.3.1 Normas

B [

sup|B |

Usaremos varias normas en espacios de funciones

B [

B [

= |B |

= |B |

la norma L2(D) es la norma inducida sobre el producto interno

B, @ = B@

10.3.2 Caso una variable y grado 1 (poligonales)


Consideremos u:[0,1]R
Vamos a aproximarla por una poligonal.
Dividimos I=[0,1] con una particin {xj}.
sean: Ij=(xj-1,xj)
h=mx|xj-xj-1|
Sea uI la poligonal tal que uI(xj)=u(xj) j=0,1,,n
Cun buena sea la aproximacin depender de la
particin (h) y las propiedades de u.
Nos interesa acotar el error h

si lim h

h [

=0

h [

y saber

Vamos a pedir la condicin de que u tenga derivada


acotada.
Sean

_ = h[
u-uI
xIj
| B | = |h^ B

pues u es L-lipschitziana.

h B | |h ^ B | + |h B | _ + |h B | =
hB hB
- _ + _ = 2_
=_+B B

Problemas de campo

|h^ B

10-18

h B | = | B

0| = B

Ec. 10-13

B = =

2_B

2_

O sea que si u es acotada la convergencia es de orden 1 en h.


Veamos qu pasa si u es acotada.
Sean

u-uI
xIj

(xj-1)= (xj)=0 Ij / ()=0

Consideremos el intervalo (,x) o (x,) de ese intervalo tal que "()=

, v | '(x)=(x-)"
| B |=|B ||" | "[
I
I
Como u lineal en Ij u =0 =u | B | h"[

Adems

| B | = B

| B | h"[
Ec. 10-14

= =

f "

' x -'
x-

(x)
x-

O sea que si u" es acotada, la interpolacin con funciones lineales a trozos converge con
orden 2 en h.
Para poder mejorar este orden 2 debemos interpolar con polinomios de mayor orden. Veremos
que usando polinomios se grado k y si u(k+1) est acotada, entonces la convergencia es de
orden k+1.
Dados y0, y1, , yk Ij un nico polinomio de grado k / Pk(yi)=u(yi) i=0,1,2,,k

10.3.3 Caso una variable grado k


10.3.3.1 Interpolacin de Lagrange

El polinomio interpolador, Pk, puede expresarse como:

El error se puede acotar por

|h 8

siendo

Pero 8
Ec. 10-15

8 = h @ W 8

8 |

| 8 |h

+ 1)!

(8) = (8 @ )

| 8 | 2 = !

g g

Problemas de campo

10-19

10.3.3.2 Interpolacin a trozos


Dada una particin de I, x0, x1, , xn , para cada Ij tomamos k+1 puntos y0, y1, , yk de Ij e
interpolamos a u por esos puntos.
Sea uI(x)=Pk(x) siendo Pk el polinomio interpolador en Ij si xIj
1. Si u es un polinomio de grado menor o igual a k uI=u en I
Demostracin
En cada intervalo el Pk es nico y como u es polinomio de grado k Pk=u en Ij
uI=u en Ij uI=u en I.

10.3.4 Propiedades de la interpolacin

2. Dado u, en cada Ij existe un polinomio de grado k, q(x) /

+ 1)!

Demostracin
Sea q el polinomio de Taylor de grado k de u desarrollado en B

(B ) = h() (B )

| h (B ) (B ) = h

h [

(B B )
T!

( )

(B B )
(B )
( + 1)!

h( ) [ ()
( + 1)!

| h [ h[

3.

Demostracin

|h (B )| = | (B )| |h(@ )W (B)| h[ |W (B)| B

Si los ym se eligen equidistantes en Ij entonces

no depende de h (Ck=2 )

sup |W (B)| =

|h (B )| h[ B

h [

h[

10.3.5 Error de interpolacin


A partir de 1, 2 y 3 demostraremos que
Ec. 10-16


()

(g)

()

Demostracin
Dado Ij tomo el q de la propiedad 2 y su interpolador qI que por la propiedad 1 es igual a q

h h [ = h + h [ = (h ) + ( h )[
(3)
h [ + (h ) [ h [ + h [ =

Problemas de campo

10-20

(2)
(1 + )
(h )( ) [ ()
( + 1)!

h( ) ( ) [ = ^ h( ) [

= 1 + )h [

h h [ ^

h [ ()

( )

[()

Este a teorema a puede extenderse al caso varias variables y a la norma L2

10.3.6 Pasaje a norma L2


Para la norma L2 la propiedad 3 no se cumple.

10.3.6.1 Teorema de Sobolev (en una variable)

h[() h[

()

+ h[

()

Demostracin
Lo demostraremos para I=[0,1], para otros intervalo se hace cambio de variable.
C

h(B ) = h = = h(B) h(@)9@ = = = h^ 9@

h(B ) = = h + = = h^ 9@

|h B | = |h| + = -= |h^ |- 9@ = |h| + = = |h^ | = = |h| + = |h^ |

Como la norma L2 es inducida sobre el producto interno,


por Cauchy Schwartz , H [ [ , en particular si g1

= [

M, N

|h B | h[ M , N + h^ [ M , N BvM0,1N
h[ M , N h[ M , N + h[ M , N

Aplicando esto

10.3.6.2 Propiedad 3 para norma L2

(I=[0,1], para otros intervalo se hace cambio de variable).


Puede verse porque [ M , N [ M , N

Sabemos que h [ M , N h [ M , N

|h B | h [ M

= |h B | 9B

h[

()

+ h ^ [

()

h[

= y h[

= 1 y h[

h [
10.3.6.2..1 NOTA

, N

M , N

()

M , N

M , N

+ h^ [

h[

M , N

M , N

+ h[

+ h

M , N {

+ h^ [

M , N

[ M , N {

9B

M , N

Norma de Sobolev

10.3.6.3 Propiedad 2 para norma L2 (Lema Bramble Hilbert)

h [

+ h [

+ + h( ) ( ) [

Dada u existe q, un polinomio de grado k tal que


()

()

()

h( ) [

()

Problemas de campo

10-21

No lo demostramos.

10.3.6.4 Error de interpolacin en norma L2

= h + h [
3
h [ + h [
h [

+ h [ + h [
(2)
1 + )h [ () + (h )[ () (1 + ) h( ) [ ()

(
)

[ () para I=[0,1]
h h [ () " h
h

h [

Para I=[0,1]

= h

h [

Para Ij=(xj-1, xj)

+ @B B @v , Bv
(
Dada u en Ij le asociamos h en I / h B ) = h
(@ )
( )
( )
Se cumple que h B = h
@ = h (@)
B = B

Hay que usar el cambio de variable

Adems

h[

()

= = |h @ | 9@

h @
h B =
B B

Para las derivadas


^

h[

h B =
"

= B
B

h [

h
h [

h [

" B

h" @

= B

Aplicando esto a la desigualdad del caso I

|h B |
= =
9B
B B

" h

" B

h[

B =
[

h[

?B
h

" h

Sumando los cuadrados Ij y haciendo raz cuadrada, obtenemos que para cualquier I con
particin de finura h:
Ec. 10-17

" g

Anlogamente puede demostrarse para las derivadas:


Ec. 10-18

"

O sea que la convergencia es de orden k+1 en h para u y de orden k en h para u siendo k


el grado de la interpolacin usada.

10.3.7 Caso 2 variables - interpolacin en el plano

Problemas de campo

10-22

Sea R acotado, si no es polgono


podemos aproximarlo por uno.

10.3.7.1 Particiones triangulares


2

Dividimos mediante una particin en


tringulos tales que:

= <

T < < = h 7S8TR


h WU9

o sea que un vrtice de un tringulo no puede estar en el medio de un


lado de otro.
Para cada tringulo Tk definimos hk como el dimetro
del menor crculo que lo contenga.
Definimos para la particin max K Y
Vamos a estudiar la interpolacin de u en cada
tringulo por polinomios de grado total k en las dos
variables.

= KWT T: 9R HSU9 total Y = | (B, @) =

U B @

Para que exista polinomio interpolador y sea nico, los puntos por los que se interpola no
pueden elegirse de cualquier manera.

Grado 1
Por ejemplo para k=1 si queremos interpolar por tres puntos
alineados, el polinomio interpolador de grado total 1 en x e y por
estos tres puntos no es nico, a pesar de que dim(P1)=3
Si los puntos no estn alineados entonces s hay unicidad.
Se dice que {V1, V2, V3} es un conjunto unisolvente", pues pP1

( ) = h( )
nico tal que ( ) = h( )
( ) = h( )
1 B
1
B
=
1 B

@
@
@

Para demostrarlo basta ver que ste es un sistema de ecuaciones lineales cuya matriz es
y det A 0

Grado 2
Primero veremos como ejemplo que tomramos en un tringulo
equiltero como puntos de interpolacin los que dividen los lados en
tercios. Estos puntos estn sobre un crculo cuya ecuacin es de la
forma p(x, y)=0. Siendo p de grado total 2 y p(x, y) no idnticamente
nulo.
Esto demuestra que no es nico el polinomio interpolador de grado 2
por {V1, V2, V3, V4, V5, V6} a pesar que dim(P2)=6
Tomemos ahora como puntos de interpolacin los vrtices de un
tringulo y los puntos medios de sus lados. El polinomio interpolador de

Problemas de campo

10-23

grado 2 por V1,..., V6 es nico si y solo si p(V1)=p(V2)==p(V6)=0 implica p0 (Obsrvese que


dim(P2)=6)
Demostracin
Sea pP2 | p(V1)=p(V2)==p(V6)=0
Como p(V1)=p(V2)=p(V3)=0 , siendo p cuadrtica y nula en 3 puntos alineados entonces p es
nulo en toda la recta que contiene a V1, V2 y V3
Sea l(x,y)=0 la ecuacin de esa recta ( lP1), entonces
p(x,y)=l(x,y)q(x,y) con qP1 pero

0=
0=
0=

=W
=W
=W

@ W
@ W
@ W

0
0

=0
=0
=0

y como V4 , V5 y V6 no alineados entonces q0 por tanto p0 .


Por lo tanto { V1, V2, V3, V4, V5, V6 } es unisolvente en P2.
Es fcil ver que el interpolador sobre un tringulo adyacente coincide con ste en el lado
comn, ya que son de grado 2 y coinciden en 3 puntos de una recta.
En este caso dim =

Grado 3

= 10

Sea pP3 / p(Vi)=0 i, como en cada lado del tringulo p es cbico y


se anula en 4 puntos entonces p=0 en los tres lados
p(x, y)=l1(x, y)l2(x, y)l3(x, y)q(x, y)
Siendo
l1(x, y)=0
l2(x, y)=0
l3(x, y)=0
las ecuaciones de los tres lados.
Como l1P1, l2P1 y l2P1 q es de grado 0
0=p(V10)=l1(V10) l2(V10) l3(V10) q(V10)
y l1(V10) 0, l2(V10) 0, l3(V10) 0 q(V10)=0 q0 pues es de grado 0.
Es fcil demostrar que el polinomio interpolador sobre un tringulo adyacente coincide en ste
en el lado comn, ya son de grado 3 y coinciden en 4 puntos de una recta.

Polinomios base
En cada caso la base de Pk que conviene usar est formada por polinomios Lagrangianos, que
valen 1 en un nodo y 0 en los dems.

10.3.7.1..1 GRADO 1
Si li(V)=0 es la ecuacin del lado i

:RU

siendo Vi el vrtice opuesto al lado i

)=

1
W( )
W ( )

0 :T T
1 :T T =

10.3.7.1..2 GRADO 2
En este caso dado un nodo cualquiera, existen dos
rectas tales que no pasan por ese nodo y pasan por
todos los dems.

:RU

( )=

Sean l1(V)=0 y l2(V)=0 las ecuaciones de esas rectas

= t

0 :T T 1
1 :T T = 1

Problemas de campo

10-24

10.3.7.2 Particiones rectangulares

= KWT T: 9R H9 R U9U 7USTUVWRY = | (B, @) = U B @


dim(Qk)=(k+1)2

Grado 1
En el caso de rectngulos, si elegimos los 4 vrtices como
nodos podemos interpolar con funciones bilineales (de Q1) si los
lados son paralelos a los ejes coordenados.
{V1, V2, V3, V4} es unisolvente en Q1 ya que si qQ1 |
q(V1)=q(V2)=q(V3)=q(V4)=0 entonces como q(V1)=q(V2)=0 y q
lineal en el lado V1V2 (pues queda y constante) entonces q 0
en ese lado.
Por lo mismo q0 en el lado V3V4
Entonces para cualquier punto V* tomo la recta vertical que pasa por l y q se anula en la
interseccin con los lados V1V2 y V3V4 y como q lineal en esa recta
(pues x=cte) entonces q(V)=0 por tanto q0
Si los lados no son paralelos a los ejes (si se rota) apareceran
trminos cuadrticos.
Si tomamos {V1, V2, V3, V4} en los centros de los lados, no es
unisolvente en Q1

Grado 2
Este conjunto de nodos es unisolvente en Q2 (dim(Q2)=9).
Si se elimina el punto central y eliminamos el trmino en x2y2 tenemos
un conjunto unisolvente en Q*2

Polinomios base
Lo ms conveniente es tomar como funciones base los productos de
los polinomios de Lagrange en x y en y por las coordenadas xi e yi de los nodos.
Ejempo - Grado 2
Nij(x,y)=lix(x)ljy(y)
Siendo
lix(x) el i-simo polinomio de Lagrange por x0, x1 y x2
ljy(x) el j-simo polinomio de Lagrange por y0, y1 e y2

10.3.8 Caso 3 variables - interpolacin en el


espacio.
Las particiones pueden hacerse en tetraedros o en hexaedros.
Los casos son similares al plano, por ejemplo, tomado como nodos los vrtices de un tetraedro
se puede interpolar con polinomios de grado total 1.
Tomando los vrtices de un prisma cuyas aristas sean paralelas a los ejes se pueden usar
funciones trilineales.

10.3.9 Error de interpolacin


Nos interesa saber el orden de convergencia con h0

Problemas de campo

10-25

Vamos a tener que pedir que las particiones sean regulares, o sea que cuando h0 las
proporciones de los elementos se mantengan.
Para un elemento (tringulo, rectngulo, tetraedro, etc.)
Sean
he el dimetro de la menor bola (crculos o esfera) que lo
contiene
e el dimetro de la mayor bola contenida.

Entonces vamos a pedir que K independiente de h tal que

cuando h 0 o sea que no se achaten demasiado.

Vamos a demostrar que en cualquier tringulo de la particin, T,


se cumple

h [

>

h[

} }
h
}B }B

>

siendo C independiente de h (depender de k y K) y

h [

>

[ >

Vamos a trabajar en un tringulo de referencia, <, de vrtices


(0,0), (1,0) y (0,1)

h[

h[

+ h[

10.3.9.1 Teorema de Sobolev


>

Se demuestra similar al caso 1 dimensin.

>

>

h[

>

10.3.9.2 Lema Bramble Hilbert

+ h

[ > +

h[ >

Dada u qPk tal que


>

>

+ +

>

C depende solo de k
En el caso general, de n - dimensiones, debe ser k>n/2

10.3.9.3 Propiedad 3

@ < |h @ | =

Como estamos en <

h[

>

= " no depende de ningn h, slo depende de k


|h @ | "h[ > "h[ > + h[ > + h[ >

Por el teorema de Sobolev. Integrando los cuadrados y haciendo raz y como el rea de < es
1/2 :

h [

>

= |h |
>

h [

] "h[

"h[

C que slo depende de k tal que


>

10.3.9.4 Acotacin del error


Caso

>

>

+ h[

+ h[

>

>

h[

+
>

h [

>

Problemas de campo

h [

10-26

= h

q y qI son iguales, entonces


>

h [

>

h[

(> )

>

+ h

>

h [ > + "h [ > + h [ > +


h [ >
1 + ")h [ (> ) + (h )[ (> ) + (h )[ (> )

Por propiedad 3

Por lema B-H

(1 + ")

Ec. 10-19

f ( )

= ()

()

h[

(> )

Caso general T

Vamos a usar una transformacin afn que transforma a < en T

B y c tales que < c = x ( ) =


+ <
OJO Para que no se invierta el sentido del tringulo debe ser det B>0
Adems a u en T le asociamos h en < tal que

10.3.9.4..1 Propiedad A

Demostracin

h[

>

< h( ) = h(c) = h(

h[

= = |h
>

= |det |

10.3.9.4..2 Propiedad B

(> )

| 9

= = |h c | |det | 9c

= |h c | 9c
>

h[

= ] V es la norma Euclidea
Demostracin:

= |det | h[

>

+ )

>

|det |

= |det | h[

h[

Problemas de campo

h[

>

10-27

= = |h
>

= = | h x a# | 9
>

= |det |

| 9

10.3.9.4..3 Propiedad C
para derivadas superiores

h[

>

|det |
>

>

= = |h c | |det | 9c

= |h c | 9c
>

= = | h x | 9

h[

|det |

|det |

= |h|
>

h [

Vamos a cambiar la Norma euclidea por otra norma, que es equivalente a menos de una
constante:

sup K| 7|Y =
$||$|

10.3.9.4..4 Propiedad D

1
sup K| 7|Y
%& $||$|'

Vamos a ver qu relacin hay entre , det B y hT>T


sean @ , @ < que estn en los extremos de un dimetro del crculo de dimetro %&

|@

sus transformados segn F son B , B <

@ | = %&

|7 | = |@
@ | = %&
7= @
@ = @
@ = x @|
| 7 | = |B
B | > pues x1, x2T

' sup$||$|' K| 7|Y ' > '(

Sea 7 = @

9R8

= = 2| | (|T|=rea de T)

10.3.9.4..5 Propiedad E
| |

Demostracin

x @

=B

Problemas de campo

10-28

|<| = = 1 9B = = 1 |9R8 |9@ = |9R8 | = 1 9@ = |9R8 |


>

>

Sabamos que para <

Acotacin del error

h [

|det |

h [

h [

= |det | h

Entonces por propiedad A:


(por propiedad C)

>

|det |

>

h [
h[

h [

h[

>

|det |

h[

h [

h [

pero la norma euclidea de B es equivalente a la otra a menos una constante

>


%&

(por propiedad D)

h[

Sumando los cuadrados T tenemos


Ec. 10-20

h [

Ec. 10-21

h [

y si la particin es regular,
Sumando

Tambin se puede probar que



%&

h[

" g

>

y KC=C'



%> >

h [

= "
f

h[

>

h[

h[

O sea que la convergencia es de orden k+1 en h para u y de orden k en h para u siendo k el


grado de la interpolacin usada.

10.4 Mtodos de Elementos Finitos


Trataremos de hallar una funcin, u*, que aproxime a la solucin de problema, u, tan bien como
I
la interpolante de u, u .
Como ejemplo vamos a ver el problema de minimizar

J h = |h|

= h

en = Kh: P | h = 0 R = Y
Si planteamos que la variacin de J debe ser nula, llegamos a

= u u = = fu u | u = 0 R

= K7 | 7 R: 9R HSU9 R U9U 8STHhW, 7 8ThU R y 7 = 0 R Y

En lugar de minimizar J en V, vamos a tomar una particin de y minimizamos J en

En este caso al plantear J(uh)=0 llegamos a:

= u u = = fu u V

Si {N1, N2, ..., NN} es una base de Vh

Problemas de campo

10-29

Entonces
Ec. 10-22

= 3 h

2
0u B = u

1
0 h B = h
/

B 4 3 u

B 4 = = f 3 u

B 4

u , u , , u5 R5

En particular si tomamos como las funciones de la base, o sea (1, 2, , N) de la base


N
cannica R

= 3 h

Ec. 10-23

Si definimos

Ec. 10-24

B 4

B == f

= 7 (c) 78 (c) = = 978 (c)

= 1, 2, ,

8 = g, f, , 7

= y:8 { | :8 = b 7 (c) 78 (c)

= y 8{ |

Ec. 10-25

= b 978 (c)
= yh {

= da la solucin del problema.


entonces
Con otros funcionales se puede llegar a sistemas de ecuaciones no lineales.
10.4.1 Propiedades de A

U = U @ U 7 7 > 0

1) A simtrica y definida positiva, o sea

>

@ 7 > 7 > 0 7 o bien

2) La mayora de los aij son nulos, a menos que los nodos i y j sean cercanos (de
elementos adyacentes)
Como A es simtrica y definida positiva entonces el sistema de ecuaciones es compatible
determinado entonces podemos hallar y por tanto podemos hallar uh.
I
Luego veremos que uh aproxima a u con el mismo orden de convergencia que u .

10.4.1.1 Ejemplo (1 variable)


Minimizar

con u(0)= y u(1)=

}J(h) = 0

J h = = |h| = h

9
J(h + wu)
= 0 u | u(0) = u(1) = 0
9w

9
= = (h + wu) = (h + wu)> = = (h + wu)u = u
9w

Problemas de campo
en =0

10-30

= hu

= u = 0 u | u(0) = u(1) = 0

Vamos a trabajar con "elementos lineales". O sea tomaros una particin de [0,1]
{xi / xi=hi, h=1/(N+1), i=0, 1,.., N} y usaremos

uv

= ?u | u 9R HSU9 1 R U9U , u 8ThU R M0,1N @ u(0) = u(1) = 0@

la base cannica de Vh es {N1, N2, ..., NN} / Ni(xj)=ij y Ni poligonal (continua y lineal en cada Ij)

Obsrvese que si no tuviramos alguna de las condiciones de contorno u(0)= u(1)=,


entonces no pediramos que (0)=(1)=0 y por lo tanto Vh tendra dimensin mayor pues
habra elementos en la base de la forma

por ahora no consideraremos las condiciones de contorno, por lo que incluiremos estos
elementos en la base.

Como debe ser b h ^ u^ = b u uv en particular debe cumplirse para los elementos


de la base, con lo cual

pero podemos sustituir

= h^ = =

T = 0, 1, 2, ,

h(B ) = h

+1

(B)

Ntese que ac incluimos N0 y NN+1 pues u(x) no se anula en 0 ni en 1 sino que vale y , por
tanto u0= y uN+1=, entonces

Problemas de campo

10-31
5

= 3 h B 4 = =
5

h =
A

que es un sistema de la forma

yU { | U

B con

= f

M N |

0, 1, 2, ,

T,

0, 1, 2, ,

0, 1, 2, ,

0, 1, 2, ,

'1

'1
'1

'1

10.4.2 Clculo de la matriz A


5

Como el intervalo [0,1] est dividido en N+1 intervalos (elementos) Ie=[xe-1,xe] podemos escribir

Siendo

yU { | U

Entonces

Ae se llama matriz de rigidez elemental del elemento e,


Cuando son varias dimensiones hay que tener ojo de no confundir la numeracin de los nodos
con la numeracin de los elementos.

10.4.2.1 Matrices elementales


Observando la forma de Ni(x) y Ni(x) vemos que de una funcin
base y su derivada solo son no nulas en los elementos que
contienen a su nodo asociado

C
Por lo tanto U
bC ^ ^ ser nulo excepto para ( i=e
i=e-1) y (j=e j=e-1) o sea que la fila y columna correspondan a
nodos del elemento Ie

Por lo tanto la matriz Ae ser de la forma:

Problemas de campo

10-32

Lo que se hace es calcular slo la submatriz de 2x2 no nula e irlas sumado (e) en la matriz A
en la posicin correcta (fila y columna i=e-1 y j=e)

==

D
D

==

entonces la submatriz, es

U
,

==

D
D

=U

==

bF

1
1

==
^

1
= k
F

en la prctica bF k debe calcularse numricamente.

Por la regla del punto medio podemos aproximar

La submatriz queda:

= k
F

1$ 0
= $
$
$ 0
# 0

0
0

0
0

10.4.3 Clculo del vector f

= =

entonces

+B
2

1 1
en las filas y columnas e-1 y e
1 1

Sumando e=1, 2,.., N+1

Si

1 1
1
= = k

1
= k
F

1
1

1 1
1
= k
k =

= =

B = M N | = =

0
0
0

5 + 5
5

0
0
0

5
5

0
/
/
/
/
.

T = 0, . . . ,

+1

B= B

f se llama vector elemental de fuerzas equivalentes del elemento e.

10.4.3.1 Vectores elementales


e

Como Ni es nulo excepto en los elementos e-1 y e entonces los fi son todos nulos excepto
para i=e i=e-1, los cuales valen, por la regla del punto medio:

Problemas de campo

10-33

==

==

El subvector no nulo es

Sumando e=1, 2,.., N+1

+B
2

1
M h

+B
2

+B
2

2
= 0 T R 1, R
=

h
% h
$ h
=$
$
$ h5
#h5

+ +

Ntese que la k-sima ecuacin queda

%
+
$ +
B= $

2$

+
$ 5 5
# 5

Ahora podemos plantear Au=f con

+B
2

= =

= =

1
en las columnas e-1 y e
1

1
M h

0
/
/
/
/
.

0
/
/
/
/
.

N=

+
2

+
h N=
2

que es igual al esquema de diferencias finitas para (ku ')'=f

+
2

sea

sea

10.4.4 Ensamblado del sistema global


Para ensamblar el sistema global se calcula la matriz A y el vector f en forma similar a como se
describi en 0 para sistemas discretos, sumando los coeficientes de las matrices elementales
en la fila y columna correspondiente a la numeracin global de los nodos correspondientes y
sumando los coeficientes de los vectores f elementales en la fila correspondiente a la
numeracin global de los nodos.

10.5 Condiciones de contorno


10.5.1 Condiciones de Dirichlet
Es cuando se fija el valor de u en la frontera.
Como vimos en este caso las deben anularse en el nodo correspondiente, entonces la
funcin base de ese nodo no va y debe eliminarse la ecuacin de ese nodo. Adems la
incgnita ui de ese nodo es conocida, entonces se pasa la columna por ui restando al 2
miembro.

Problemas de campo

10-34

La eliminacin de las columnas y filas correspondientes a los nodos con condicin de Dirichlet
se llama reduccin del sistema.

10.5.2 Condiciones de Newmann


Si queremos que k(x)u'(x)= en x=1, al no fijar u(1) entonces debe ser Fu(1)=0.
En nuestro ejemplo esta condicin queda k(x)u(1)=0, pero queremos que sea k(x)u'(x)=
Para ello debemos cambiar F de forma que Fu(1)= k(x)u'(x)-.
Para ello restamos u'(x) de F, quedando el funcional

a h = = |h|

= h

= = |h ^ |

Kh^ = = |h^ |
= h

= h

Kh 1 + Kh 0

= Kh^ =

Como u(0) est fijada por la otra condicin de contorno, sumarla al funcional no cambia el
mnimo. Para simplificar entonces minimizamos

a h = = |h|

= h

Kh 1

y al plantear la variacin de J nula en =0 queda

= hu

= u

u 1 = 0 u | u 0 = 0
K
K

1
1

0
0
N=M N
la matriz A queda igual, pero al vector F se le suma el vector M

K
K 5 1

Como hay condicin de Dirichlet en 0, eliminamos la primera ecuacin y hacemos u0=


La ltima ecuacin queda y se suma en el 2 miembro.
Si hubiera condicin de Neumann en 0 y en 1, entonces quedaran todas las ecuaciones,
sumando en el 2 miembro de la 1 y en el 2 miembro de la ltima. Para poder resolver el
sistema se deber fijar u en algn nodo, pues la solucin puede variar en una constante y
seguir siendo solucin. Fijando algn ul entonces determinamos una solucin.
La resolucin del sistema de ecuaciones, cuando se obtienen matrices grandes, simtricas y
definidas positivas, conviene hacerla por mtodos iterativos.

10.5.2.1 Ejemplo (2 Variables)


En este ejemplo veremos que con una malla uniforme se llega a un esquema equivalente al
mtodo de diferencias finitas.

h = R M0,1N M0,1N
h = H R

~z

Equivale

= H R

h div h = h

J h = = |h|

con u=g1 en 1.
La variacin del funcional es

}J h = = hu

debe ser

= h

= H h

= u

= H u

}J h = 0 u | u 0 = 0 en

minimizar

Problemas de campo

10-35

= hu = = u + = H u u | u 0 = 0 en

En este ejemplo =[0,1]x[0,1]

Particionamos en tringulos segn el dibujo y numeramos por un lado los nodos y por otro lado
los tringulos de e=1 a M (M=72) en un programa se deber guardar una matiz de conectividad
de 3xM que en cada columna tiene los nmeros de nodos que tiene el tringulo
correspondiente a esa columna.

RWR

1 2 3 4 R
1 1 2
2 T
9 2 10 3

8 9 9 10

71 72
41 41
49 42
48 49

Se anotan en sentido antihorario.


En un programa para calcular cada integral se hace un cambo de variable a < y se calcula la
integral en < con las funciones base en <.
Nosotros ac vamos a calcular directamente en Te.
En Te la funcin base asociada al nodo i es
(B , @ )

=1
(B
,
@
)
Ni | = 0 y
(B , @ ) = 0
1
Por lo tanto R1
1

B
B
B

(B, @)

= P + K B + Q @

@
1
@ S R K S = 0
0
@ Q

Que puede resolverse con la regla de Cramer dando

Problemas de campo

10-36

1 1 @T
CU U
V
C

V1 0 @ VV

@ @
C

1 0 @
=
K = 1 B @ =
R Q
CU U =
2

T
T
C

@ VV

VV1 B
C

1 B @
si los nodos i, j y k estaban en sentido antihorario

1 B
1 B
1 B

@
@ = |< | > 0
@

1 BT
B
1 B
= 1 B
T
VV1 B
1 B
VV1

1
0VV
B B
0
=
R
@T
2
@ VV
@

Anlogamente se calculan , K , Q @ , K , Q

Clculo de A

Hay que calcular las matrices elementales

= MU N | U = =
>

W,

= 1, 2, , 49

pero los nicos elementos no nulos son aquellos que corresponden a l y m, nodos vrtices de
Te, o sea l y m {i, j, k}.
En ese caso

U ==
>

} } } }
+
= = K K + Q Q = K K + Q Q
}B }B
}@ }@
>
U = K K + Q Q :T W, v KT, , Y
TWU

La submatriz la Ae no nula es

K2T

Q2T

M T + T

T + T

T + T
K2 + Q2

T + T

Wh U

T
T + T N

K2 + Q2

T + T

Por conveniencia de clculo debe tratarse de que estos elementos se alejen lo menos posible
de la diagonal principal, o sea que las diferencias entre i, j y k deben ser mnimas. Ello se logra
numerando los nodos en un orden tal que en cada elemento los ndices de sus nodos difieran
poco.
Si consideramos por ejemplo el elemento 2

K =

2 2

K =

1
=

2 2
K! = 0

entonces queda

Q =

Q =0

1
=

2 2

Q! =

1
=

2 2

Problemas de campo

10-37

TWU

O sea

TWU
=

Para el elemento 1

1
1
1
0

1
1
% +0

$1
$
+0
2 $
$
# 0+0

2
1
2
1

K =0

2
1
+0

1
1
+

1
0+

9 Wh U
1
0
2
1
9
1

Q =

0+0 0
/
1/
0+
/
1/
0+ .

2 1
%1 4
$

$
0
0
$
= $0
0
1
0
$
$0
2
$0
0
#

0
1

0
0
0
0
2

1
2
9

1
Q! = 0

1
1
K" =
Q" =

TWU 1 9
8 Wh U
1
1
0 1
9
0
1 1
8
1 1 2
K! =

Wh U

0
0

0
0
0
0
0

0
0

1
0
0
0
0

0
0

4
1
0
0
0

0
0

1
2
0
0
0

1
0

0
0
4
2
0

0
2

0
0
2
8
2

Estas dos matrices elementales las vamos sumando para obtener A.

0
0

0
0
0
2
8

0
/
/
/
/
/
/
/
.

Clculo de F
Hay que calcular los vectores elementales F

Mf N | f = = fN
>

estos elementos son nulos excepto el subvector correspondiente a los nodos del tringulo, o
sea para l { i, j, k} que podemos calcular por la regla del trapecio para tringulos:

=
>

|< |

+ 0 + 0 =
3
6

T
R S

Problemas de campo

Para los elementos 1 y 2

10-38

= YZ

% 0
0
$ /
0
$ /
$0/
$0/
$0/
$0/
$" /
$! /
#.

= YZ

Estos vectores se van sumando para obtener F

'

% 0

$ /
$0/
$0/
$0/
$0/
$0/
$0/
$! /
#.

% 0

$ /
$0/
$0/
$0/
$0/
$0/
$" /
$! /
#.

Si se completan todas las cuentas se llega a un sistema igual al que se obtiene por diferencias
finitas.

10.6 Elementos usuales


En el mtodo planteado en 10.4 suelen usarse para Vh bases como la que se usa en 10.4.1.1 y
en 10.5.2.1, es decir funciones de forma Lagrangianas, que valen 1 en un nodo y son nulas en
los dems nodos del elemento.
Ms adelante en 10.8 veremos que cuando se usa interpolacin con polinomios de grado total
k la convergencia es de orden hk+1 en u.
Esto significa que lo que importa es el mayor grado para el cual el polinomio es de grado
completo. La inclusin de trminos de grado superior no mejora la convergencia si no se
completa el grado superior.
Debido a eso veremos que en elementos 2D y 3D a veces se descartan nodos de los
elementos para disminuir la cantidad total de nodos (y por tanto el tamao del sistema de
ecuaciones) sin sacrificar convergencia, pues con esto se eliminan trminos del grado
incompleto sin afectar el grado completo.

10.6.1 Elementos unidimensionales


Los elementos ms usuales son segmentos lineales de dos nodos (uno en cada extremo del
elemento) y cuadrticos de tres nodos (uno en cada extremo y otro en el centro del elemento).
La base de Vh que se utiliza es la que contiene a las funciones de forma usadas para
interpolacin a trozos.
Segmento lineal (2 nodos)

x x2( e )
N (x ) = ( e)
x1 x2( e )
x x (e)
N 2( e ) (x ) = ( e ) 1 ( e )
x 2 x1
(e)
1

Segmento cuadrtico (3 nodos)

Problemas de campo

(x x )(x x )
(x x )(x x )
(x x )(x x )
(x ) =
(x x )(x x )
(x ) = (x x )(x x )
(x x )(x x )

N 1( e ) (x ) =
N

(e)
2

N 3( e )

10-39

( e)
1

( e)
2

( e)
3

(e )
2
(e )
2
(e )
1
(e )
1
(e )
1
(e )
1

( e)
3

( e)
2

(e )
3

( e)
3

( e)
2

(e )
3

( e)
2

( e)
3

(e )
2

10.6.1.1 Funciones de forma locales y globales


Las funciones de forma que hemos definido dentro de cada elemento son llamadas funciones
de forma locales y las usaremos cuando calculemos las integrales dentro de un elemento para
calcular la matriz de rigidez elemental.
Sin embargo en ecuaciones como Ec. 10-22 o Ec. 10-23 que involucran integrales en todo el
campo, para cada nodo consideramos una funcin de forma global tipo sombrero (tambin
llamada funcin base por ser parte de la base de Vh), definida en todo el campo y que es igual
a las funciones de forma locales correspondiente al nodo en los elementos que lo contienen y
nula en los dems elementos.
Para elementos unidimensionales lineales, las grficas de las funciones base tienen formas
triangulares como se muestra en la figura.

10.6.2 Elementos bidimensionales


10.6.2.1 Elementos triangulares
Al igual que en la interpolacin a trozos, en el MEF se hace un cambio de variable en las
integrales para llevar los elementos triangulares a un tringulo estndar.
En ese tringulo estndar la base de Vh que se utiliza es la que contiene a las funciones de
forma usadas para interpolacin a trozos.
Tringulos lineales (3 modos)

N1 ( g, h) = 1 g h
N 2 ( g , h) = g
N 3 ( g, h) = h

Tringulos cuadrticos (6 nodos)

Problemas de campo

10-40

N1 ( g , h ) = 2( 12 g h )(1 g h )
N 2 ( g , h ) = 2 g ( g 12 )
N 3 ( g , h ) = 2h(h 12 )

N 4 ( g , h ) = 4 g (1 g h )
N 5 ( g , h ) = 4 gh

N 6 ( g , h ) = 4h(1 g h )

Ntese que los polinomios son de grado completo en el caso de tringulos.

10.6.2.2 Elementos cuadrilteros


En forma anloga, tambin se hace un cambio de variable para llevarlo al cuadrado estndar y
se usan las mismas funciones de forma que en interpolacin en el cuadrado estndar:
Cuadrilteros lineales (4 nodos)

N 1 ( g , h ) = 14 (1 g )(1 h )
N 2 (g , h ) = 14 (1 + g )(1 h )

N 3 ( g , h ) = 14 (1 + g )(1 + h )
N 4 (g , h ) = 14 (1 g )(1 + h )

Cuadriltero cuadrtico serendpito (8 nodos)

Cuadriltero cuadrtico Lagrangiano (9 nodos)


No suele utilizarse porque el agregado del nodo central no cambia
el grado total y por tanto no mejora la convergencia, mientras que
aumenta la cantidad de variables en el sistema.

10.6.2.3 Funciones de forma locales y globales


Tambin debemos distinguir entre las funciones de forma locales
que acabamos de ver (definidas dentro de un elemento) y las
funciones de forma globales tipo sombrero o funciones base
(definidas en todo el campo).
Para elementos triangulares lineales las grficas de las funciones
base tienen formas piramidales como se muestra en la figura.

10.6.3 Elementos tridimensionales


Tambin se hace un cambio de variable en las integrales para
llevar los elementos estndar y se usan las mismas funciones de forma que en interpolacin a
trozos.
Los elementos tetradricos tendrn polinomios de grado completo mientras que las cuas y
hexadricos van a tener algunos trminos de grado superior incompleto. Debido a esto suelen
usarse elementos serendpitos que tienen menos nodos y el mismo grado total.

10.7 Integracin numrica


En general las integrales involucradas en el clculo de A y F deben calcularse por
mtodos numricos. Cuando se usan elementos de grado k , para que no se afecte el orden de
convergencia con respecto a la integracin exacta, se deben usar frmulas de integracin
numrica que sean exactas para polinomios de grado 2k-2 en cada variable para elementos

Problemas de campo

10-41

triangulares o tetradricos, y de grado 2k-1 en cada variable para elementos rectangulares o


hexadricos.
Por tanto, para tringulos lineales se puede usar la regla del punto medio (que usa el punto
central) y para tringulos cuadrticos la regla para grado total 2 (que usa los puntos medios de
cada lado), sin embargo suelen usarse frmulas de 3 y 6 puntos para mejorar la precisin.

Para tetraedros lineales se puede usar la regla del punto medio (que usa el punto central) y
para tetraedros cuadrticos la frmula para grado 2 (que usa cuatro puntos interiores), pero
para mayor precisin suelen usarse frmulas de 4 y 15 puntos.

Para cuadrilteros lineales se puede usar la regla del punto medio (que usa el punto central) y
para cuadrilteros cuadrticos la frmula para Gauss con 4 puntos.

Sin embargo, para obtener mejor precisin suelen usarse frmulas con 4 puntos para
cuadrilteros lineales y nueve para cuadrilteros cuadrticos.

Para hexaedros lineales se puede usar la regla del punto medio (que usa el punto central) y
para hexaedros cuadrticos la frmula para Gauss con 8 puntos, pero suelen usarse frmulas
de 8 puntos y 27 puntos para mejorar la precisin.

Problemas de campo

10-42

10.8 Convergencia del mtodo de elementos Finitos


10.8.1 Caso 1 variable
Sean:
u la solucin exacta
uI su interpolada de grado k en cada Ij
uh aproximacin de elementos finitos de grado k en cada Ij
Sabemos que C, C tales que

h [

h h [ h
[
h y h h tambin puede acotarse as.

Vamos a ver que h


Demostracin
Vamos a considerar a modo de ejemplo el problema

que equivale a
(*)

h" = R = MU, VN
h U =h V =0

b\ hu = b\ u uv Ku | u U = u V = 0 Y
[

En el MEF en lugar de resolver esto restringimos a las que son de grado k en cada elemento
y hallamos uh.
[

= h u = = u u v
\

?u 9R HSU9 R U9U

como u cumple * V, en particular tambin cumple para las h


[

= hu = = u u v
\

| u U = u V = 0@

Restando con la ecuacin de uh tenemos la ecuacin del error,

= h
\

h u = 0 u v

O sea que el error de u'h es ortogonal al subespacio Vh, entonces u'h es la proyeccin de u
ortogonal a Vh con h, 7 = b h7
En particular elegimos u = h h , que es de grado k en cada Ij, entonces
[

Consideremos ahora

= h
\

h h

h = 0

Problemas de campo

10-43

h [

== | h

h Mh

== h
[

h h

h N

h M h

== h

== h

h h

h + h

h | = = h

== h
[

h h

h h
]

]
h h [ h h [

h [ h h [ h
\

^ | h

h [

h N =

h + h

h += h

h =

Ntese que el error de uh h = h[ es menor que el de la interpolada (en realidad


pudo usarse v polinomial cualquiera en lugar de uI)
Anlogamente se demuestra para varias variables que

^ | h

h [

10.8.1.1 Acotacin de u-uh


Sea | (a)=(b)=0 y =u-uh

h [

Integrando por partes

== h

== h

u" = h

Pues u=uh en a y en b

Pero segn la ecuacin del error

h [

= h

h [

== h

h u

== h
[

u |[\ + = h

== h
[

= h
[

h [

h h

h [

h =

h u = = h
[

h u = = h

\
^ z ` a

h h [ u u [
h [ " h [ u"[ = " h

h u

h u = 0 u v

en particular para h=I , entonces


[

" h

u ^_

u"[
[ h h [

h u

h u

Problemas de campo

10-44

10.8.2 Caso varias variables

u = h h R
u = 0 R

Sea u |

h = R
h = 0 R

Como ejemplo consideremos

Es parecido a la demostracin anterior.

h [

==

h u =

h h

= h

== h

Pues u=uh en

h = =

h u

h u

u =

h u =

podemos restarle la ecuacin del error con h=I :

= h

== h

= h

h u

h u

u = h

Pero si es convexo entonces

h [

h u = 0

u[

h[

h [

^_

h[

= h

h u

h [

"

"u[

u[

u [

h [

O sea que la convergencia es de orden k+1 para uh y orden k para u

h u =

u [

h[

h [

10.9 Mtodo de los residuos ponderados

Vamos a ver que a partir de la formulacin diferencial del problema (llamada forma fuerte)
podemos llegar al mismo esquema de elementos finitos que llegbamos a partir de la
formulacin variacional.
Consideremos el problema de Poisson:

este problema equivale a hallar u tal que

h = R
h = 0 R

u = 0 u

h = 0 R

sta es la forma dbil del problema original.


8
En particular se va a verificar para h del espacio de elementos finitos ( )

O sea

(-u-f) se llama residuo de la ecuacin

u = 0 u

Problemas de campo

10-45

= u =

Usando el teorema de Green

= u = = h u

h u =
=

h u u

h u = = h u u

Pues h en nula en .
Hacemos la aproximacin de buscar un uhVh que verifique esa igualdad

= h u = = u u

que es la misma que tenamos en el mtodo de elementos finitos (9)


En este caso, al igual que antes, hemos usado el mismo espacio de elementos finitos, Vh, para
las h y para las uh. Este es el mtodo de Galerkin.
Los mtodos de Petrov - Galerkin toman distintos espacios para las h y para las uh.
El mtodo de los Residuos Ponderados tiene la ventaja de que hay ecuaciones diferenciales
que no tienen una formulacin variacional equivalente. A estas ecuaciones igual puede
aplicarse el mtodo de residuos ponderados.

10.10 Mtodos no conformes


Estos mtodos usan funciones que sean continuas en cada elemento pero pueden ser
discontinuas en la frontera entre elementos. En este caso ya no se puede usar el teorema de
Green en pues discontinua en

10.10.1 Ejemplo (1 variable)


-u"=f en [a,b]
equivale a

= u = =
[

= d=

hue

== hu
[

h"u = = u u WTRUW U 8S:


[

\
C

h"u = d=

h"ue = d=

h^ u|C
= = h^ u ^

h V u V +h U u U
^

hu

yh^ B uB

La sumatoria sera nula si fuera continua.

h^ B

h^ B yuB

e=
hu|C

uB { =

uB {

10.10.2 Ejemplo (varias variables)


En varias variables podemos aplicar Green en cada elemento pero luego al sumar, las
integrales en las fronteras entre elementos no se ven a cancelar.

equivale a

h = R
h = 0 R

h u = = u u WTRUW R U9U RWR R8

h = 0 R

Las h se llaman funciones de peso y se toman de una base de Vh

Problemas de campo

= u = =

Donde

h u = =

~z

~(

10-46

>

= h

= = h u

= u = = h u

Siendo

}h
u 9
} >

>

}h
u 9
} >
=

>

= u = = h u

Pues

h u = = h u

}h
u
} >

}h
u
} >

}h
u 9 = 0
} >
=}

= d } e

}h
u 9 =
} >

9 =

>

u = :UW8 9R 9T:8ThT9U9 R

o sea que la solucin de la ecuacin diferencia, si es discontinua, no cumple

Pues

= h u = = u

}h
u
} >

9 0

Pero los mtodos no conformes consisten en buscar uh lineal en cada elemento que cumpla

= h u = = u u WTRUW R U9U RWR R8

>

pues cualquier uh constante en cada elemento cumple > b h u = 0 pues h = 0

As planteado el problema no tiene solucin nica, lo cual puede verse, por ejemplo, si f=0 ,
aunque no sea la funcin nula.
Para tener unicidad lo que se hace es buscar
uh lineal en cada tringulo y continua en el punto medio de cada lado de T

= h u = = u
>

lineal en cada T y continua en los puntos medios de los lados de T y =0 en ()


Ahora hay unicidad de solucin, pues para el sistema homogneo:
Si > b h u = 0 lineal en cada T y continua en

los puntos medios de los lados de T y =0 en () entonces


uh=0 en cada T.
Entonces uh constante en cada T y, como debe ser continua
en los puntos medios de los lados, ese valor constante debe
ser el mismo para todos los tringulos, por tanto uh es
constante en y como es nula en () entonces es nula en
todo .

Problemas de campo

10-47

Como funciones base se usan las mismas de antes pero como nodos se toman los puntos
medios de los lados.
Ahora tendremos ms nodos que antes, pues cada tringulo aporta dos nodos nuevos. Se
usan las bases asociadas a estos nodos tanto para las como para interpolar uh en cada T.

10.10.3 Patch test


Si u es lineal en cada T y continua en los puntos medios entonces

= h = = u WTRUW R U9U < @ 8ThU R W: h8:


>

>

Demostracin

}h
u
} >

9 = =

}h
u
} >

Como u lineal en cada tringulo su derivada es constante ~ =

}h
=
u
}
>

9 = =

~z

9 = | | u

R9T:

=0

Pues la regla del punto medio es exacta para +-- que es lineal y como es continua en los
puntos medios, (+--)(ml)=0
Entonces

= u = = h u

Por lo tanto

}h
u
} >

9 = = h u

= h = = u WTRUW R U9U < @ 8ThU R W: h8:


>

>

R9T:

Se puede demostrar que para u no lineales la igualdad no se cumple pero la diferencia es de


orden 2 en h.
10
Esto implica que el esquema es consistente ( ) ya que la solucin exacta satisface el esquema
de clculo salvo un trmino de orden superior.

10.10.4 Convergencia
h
>

h [

= = h

>

= = h
>

>

>

>

>

>

= = h

= = h

h h

h h

>

h [

h+h

h + = h

>

>

h [

Por Cauchy Schwartz para el producto escalar

d h

10

>

h [

h h
>

h + = h h

Por Cauchy Schuartz y tomando =u -uh

>

h h

d h
>

h =

h h

h [

h =

= h h
>

+ = h
>

h =

>

>

= h
>

+ = h
>

>

Consistencia no implica convergencia que es que la solucin tienda a la exacta cuando h0.

>

= h
>

>

Problemas de campo

= d h
>

10-48

h [

d h
>

h [

+ = h

= u

>

>

Pues las uh se buscaron de modo que > b> h = b u lineal en cada T y continua
I
en los puntos medios, cosa que cumple en particular =u -uh
h
>

h [

d h
>

h [

Dividiendo por la segunda sumatoria

d h
>

h [

h [

d h
>

d h
>

Pero como uI lineal en cada T: h

h [

h [

h [

h [

+ = h
>

> b> h

> h

h[

>

> b> h
h

h [

h [

= u

Como vimos en el Patch Test, el numerador del ltimo trmino se anula cuando u es lineal en
cada tringulo y es de orden 2 en h en otro caso. Con lo cual quedara:

h h [
Entonces
Como

h [

"

h[

h [

h[

= h

h + h

h [

O sea que la convergencia de u es de orden h.

h [

+ h

h [

10.11 Mtodos mixtos


Se usan en sistemas de ecuaciones diferenciales parciales y consiste en usar para unas
funciones incgnita distintas funciones base que para otras funciones incgnitas.

h + h h + =

10.11.1 Ejemplo - Ecuaciones de Navier-Sokes


Donde:

h B = h B, @, , h B, @, , h B, @, es la velocidad
B = B, @, es la presin
B = B, @, es la fuerza aplicada sobre el fluido
9T7 h = 0

Para fluidos incompresibles la ecuacin de continuidad es


Y la condicin de contorno puede ser h = 0 R }
Estas ecuaciones vectoriales dan 4 escalares:

h + h h + ~C = R T = 1,2,3
~

h = 0 R
h = 0 R }

La ecuacin de Stokes no lleva el trmino h h y queda

Problemas de campo

10-49

2 h +
1
/

}
= R T = 1,2,3
}B
h = 0 R
h = 0 R }

Este problema no corresponde a la minimizacin, de un funcional sino a un punto de


ensilladura.
Podemos derivar el mtodo de elementos finitos directamente de las ecuaciones diferenciales
por el mtodo de residuos ponderados.
Usamos como funciones de peso u = 7,
Multiplicamos cada ecuacin por una componente de u e integramos en . (11)

2= h + } u7 = = 7
0
}B

7 |7 = 0 en }

T = 1,2,3

}7
= = 7
}B

7 |7 = 0 en }

T = 1,2,3

1
0
/

h = 0

2
0= h 7

usando el teorema de Green en las 1as ecuaciones

12

O sea ( )

1
0
/

h = 0

2
0= h 7 = 7 = = 7
1
0
/

7|7 = 0 en }

h = 0

Este problema corresponde al punto de ensilladura de

J h, = = |h| = h

pues es mnimo en unas variables y mximo en otras.


La variacin respecto a h es

0 = }z J h, = = h 7

que es la primer ecuacin.


La variacin respecto a p es

= 7

0 = } J h, = =

= h

= 7 7|7 = 0 en }

h = 0

que es la segunda ecuacin.


tambin puede verse como un mnimo condicionado a h = 0
tomando 7| 7 = 0 b 7 = 0

11
12

h = 9T7 h
h es la jacobiana de h

Problemas de campo

10-50

2 = h 7

= 7 = 0 7|7 = 0 en } @ 7 = 0 R

h =0

Es ms fcil resolver 1 que 2 pues no se imponen restricciones a u (pero en 2 no aparece la


incgnita p).
Estos problemas pueden resolverse por un mtodo mixto, que usa una bases para h y 7 y otra
base para p y q.

10.11.1.1

Aproximacin por elementos finitos de 1

2= h 7
0

Buscamos uh y ph / uh y ph polinomiales a trozos y

= 7 = = 7

1
0
/

7 R RW R:UT 9R ix |7 = 0 en }

h = 0 R RW R:UT 9R ix

Vamos a ver en qu condiciones tenemos estabilidad.


Como el problema es lineal, para que haya estabilidad basta que
Tomemos

h [

2= h
0
1
0
/

+ [

7 = h
=

0 = = h

h [

^_

h = 0

h [

h [

y como h = 0 R } y acotado entonces | h [ h [

^ | h [

h [

h [

Entonces hay estabilidad para la u.


Para demostrar la estabilidad para la p debemos pedir que se cumpla la condicin de
estabilidad le Babuska Brezzi (BB) que es que >0 independiente de h tal que

P [

si esa condicin se cumple

pero

= h 7

sup

7 | P [

$Y

b 7
v
7 [

= 7 = = 7

b 7
v
7 [

P [

7 R RW R:UT 9R ix |7 = 0 en }

= 7 = = h 7

b h 7
7 [

= 7

b 7
^_
7 [

Problemas de campo

10-51

h [

7 [
7 [

Y como h [
[

h [

jh [

" | [

en estas condiciones se puede probar que

h [

[
P

" [

kl h
P

+ [

h l

o sea que si queremos que haya convergencia de orden h debemos usar para u interpolacin
de grado hk y para p interpolacin de grado hk-1.
Pero esto es as si se cumple la condicin de BB. Vamos a ver en qu condiciones se cumple.
Como en la ecuacin slo est p, entonces p puede variar en una constante, por tanto

podemos elegir los ph para que b = 0 y para esas ph se puede probar que existe 7
solucin del problema

7 =

7 = 0 R }

Entonces

tal que 7[ [ con C independiente de ph y 7.

= 7 = =

7 y P =

= [

1
> 0 | P [

7 [

b 7
7 [

Esta no es la condicin de BB a menos que podamos sustituir v por una vh del espacio de EF.
Podemos hacerlo si tomamos una interpolacin de v, vI tal que

10.11.1.2

l7 l

1 = 7 = = 7

7 [

Caso convergencia de orden 1

con independiente de

Ya habamos visto que si se cumpla la condicin de BB, para tener convergencia de orden 1
haba que tomar:
para ph polinomios de grado 0
para vh polinomios de grado 1
(Notar que las ph pueden ser discontinuas pero las vh no pues aparece 7 )
pero si tomamos uh polinomial de grado 1 entonces h es polinomial de grado 0 y como
debe cumplirse b h = 0 WT TUW 9R HSU9 0 entonces

para = h b h = 0 h = 0 R entonces no se cumple (1)


Para solucionar este problema tomaremos para vh polinomios de grado 2 y construiremos una
interpolacin que cumpla 1 y 2.
Como en cada T ph es constante entonces para que se culpa 1.

Si

= 7 = = 7 = = 7 = = 7

Problemas de campo

10-52

= 7 = = 7

= 7 > 9 = = 7 > 9

~>

Entonces debemos construir una interpolacin que cumpla:

= 7 > 9 = = 7 > 9

Interpolacion (caso 2 variables)

~>

Como v ser de 2 grado, tenemos que fijar 6 coeficientes para cada


componente, total 12 coeficientes
1) Determinamos los valores en los vrtices

7 = 7 T = 1,2,3

= 1,2

son, 6 condiciones
I
2) Determinamos v en los puntos medios de los lados para que

= 1,2,3 = 7 > 9

= 7 9 = = 7 9 W = 1,2

= = 7 > 9
~>

Entonces se verifica (1).


El orden de convergencia es 1 porque los ph son de grado 0. Si queremos orden de
convergencia 2 tendremos que usar ph de grado 1 y para que se cumpla la condicin de BB, vh
debe sr de grado 2 ms una funcin burbuja (de grado 3).
La funcin burbuja b(x) es de grado 3 y vale 0 en los lados del tringulo.
b(x)=1(x)2(x)3(x)
Siendo
1(x)=0 la ecuacin del lado 1
2(x)=0 la ecuacin del lado 2
3(x)=0 la ecuacin del lado 3
la parte de 2 grado se construye igual que antes y se le suma a cada
componente la funcin burbuja por un coeficiente a determinar.
Como ph es de 1er grado, la igualdad (1) queda

U + VB + B 7 = =

que se cumplir si se cumplen:

>

>

U + VB + B 7

= 7 = = 7
>

>

= B 7 = = B 7
>

>

= B 7 = = B 7
>

>

La primer igualdad se cumple pues b(x)=0 en T, entonces en T slo queda la parte de 2


grado que ya vimos que cumple

= 7 > 9 = = 7 > 9

~>

Y se eligen los coeficientes de la funcin burbuja en cada componente de 7 para que se


cumplan las otras igualdades.
S se usaran solo presiones continuas entonces se pueden tomar vh e grado 2 y ph de grado 1 y
se cumple la condicin de BB.
(En este caso en lugar de aumentar el espacio de las vh hemos achicado el de las ph) .
Se puede demostrar que existe la interpolacin vI pero no se sabe cul es.

Problemas de campo

10-53

10.12 Integracin reducida


El uso de funciones con divergencia nula se llama bloqueo.

= 0 h = 0 R

La integracin reducida remplaza la integral por una regla de integracin que no es exacta para
el grado usado. Entonces

bopqrD h

= 0 no implica h = 0 R .

As habr ms funciones que cumplan bopqrD h

=0

Algunos mtodos mixtos se pueden ver como mtodos de integracin reducida, que se usan
para evitar el bloqueo.

10.13 Sistemas no en rgimen


10.13.1 Problemas parablicos
}h
}8
h

10.13.1.1

Ejemplo - Ecuacin del calor.

Donde u=u(x,t) es la temperatura y


x es la distancia
t es el tiempo

h = R 0, <

h = 0 R } 0, <
h = h R K0Y

Lo usual es usar un mtodo de EF para las variables espaciales y reemplazar

~z
~

por un

cociente incremental.
(Otra posibilidad es usar elementos finitos en todas las variables.)
Usando residuos ponderados, para cada t multiplicamos por la funcin de peso e integramos

}h
u
}8

h u = = u

}h
u + = h u = = u hR: = h u = 0 @U hR u = 0 R }
}8

y usando Teorema de Green

Particionamos y usamos EF sustituyendo u y por uh y h.


El problema es hallar uh tal que

}h
u + = h u = = u u 9RW R:UT 9R ix | u = 0 R }
}8

2
0h B, 8 = h 8

Como

}h 8
= d
}8

B e

1
0 u B = u
/

B + = d h 8

B e

B ==

= 1, ,

Problemas de campo

}h 8

=
}8

Definiendo:

10-54

B + h 8 =

= yV { | V = =

x = y { | = =

Entonces

= yU { | U = =

B ==

}h 8
+ h 8 =
}8

= 1, ,

que es un sistema de ecuaciones diferenciales ordinarias con valor inicial h B, 0 = h B y


se puede resolver por algn mtodo de Runge-Kutta por ejemplo usando diferencias hacia
atrs obtenemos un mtodo implcito

1
h h + h =
8
1
1

+ h = +
h
8
8

1
h h + h =
8
1
1
h = +
h
8
8

Usando diferencias hacia adelante tenemos un mtodo explcito pero requiere t menores.

Universidad Tecnolgica Nacional


Facultad Regional Delta

Terico de
CLCULO AVANZADO
2015
Tema: Mtodo de Elementos Finitos

Objetivos de aprendizaje

Germn BRESCIANO

11

MTODO DE ELEMENTOS FINITOS .................................................................................11-1

11.1
11.2
11.3

ECUACIN DE POISSON.............................................................................................................11-1
FORMA DBIL DE LA ECUACIN DE POISSON ............................................................................11-2
MTODO DE RESIDUOS PONDERADOS ......................................................................................11-3
Matrices elementales .......................................................................................................11-4
Ejemplo con un elemento unidimensional lineal .............................................................11-5
Ejemplo con un elemento unidimensional cuadrtico .....................................................11-7
Ejemplo con 10 elementos unidimensionales lineales .....................................................11-8
Ejemplo con elementos triangulares lineales ..................................................................11-8
11.3.2.1
11.3.2.2
11.3.2.3
11.3.2.4
11.3.2.5
11.3.2.6
11.3.2.7
11.3.2.8

Elemento 1 ........................................................................................................................... 11-10


Elemento 2 ........................................................................................................................... 11-12
Elemento 3 ........................................................................................................................... 11-13
Elemento 4 ........................................................................................................................... 11-14
Ensamblado del sistema global ............................................................................................ 11-15
Reduccin del sistema .......................................................................................................... 11-16
Resolucin ........................................................................................................................... 11-16
Flujos nodales de reaccin ................................................................................................... 11-16

Otra forma de calcular ..................................................................................................11-17


11.3.3.1
11.3.3.2
11.3.3.3
11.3.3.4

11.4

Elemento 1 ........................................................................................................................... 11-19


Elemento 2 ........................................................................................................................... 11-20
Elemento 3 ........................................................................................................................... 11-21
Elemento 4 ........................................................................................................................... 11-21

ELEMENTOS ISOPARAMTRICOS ............................................................................................. 11-22


Clculo de las matrices elementales ..............................................................................11-23
11.4.1.1
11.4.1.2

Elementos 2D....................................................................................................................... 11-23


Elementos 3D....................................................................................................................... 11-24

Integracin numrica ....................................................................................................11-24


ELEMENTOS DE ESTADOS PLANOS .......................................................................................... 11-25
Tension plana ................................................................................................................11-25

11.5

11.5.1.1

Elementos usuales ................................................................................................................ 11-25

Deformacin plana ........................................................................................................11-26


11.5.2.1

11.6
11.7

11.8

11.9
11.10

11.11

11.12

11.13

Elementos usuales ................................................................................................................ 11-27

ELEMENTOS AXISIMTRICOS ..................................................................................................11-27


Elementos usuales..........................................................................................................11-28
ELEMENTOS CON INTEGRACIN COMPLETA ............................................................................11-29
Elementos lineales con integracin completa (Bloqueo por corte) ............................... 11-29
Elementos cuadrticos con integracin completa ......................................................... 11-30
ELEMENTOS CON INTEGRACIN REDUCIDA ............................................................................11-30
Elementos lineales con integracin reducida (Reloj de arena) .....................................11-30
Elementos cuadrticos con integracin reducida .......................................................... 11-31
Resumen de caractersticas ........................................................................................... 11-31
SELECCIN DEL T IPO DE ELEMENTO ...................................................................................... 11-32
DISCRETIZACIN DEL DOMINIO .......................................................................................... 11-32
Mallas no estructuradas ............................................................................................ 11-32
Mallas estructuradas .................................................................................................11-33
Recomendaciones ......................................................................................................11-34
Errores de conexin...................................................................................................11-34
REFINAMIENTO DE MALLAS ................................................................................................ 11-35
Refinamiento p ...........................................................................................................11-35
Refinamiento h ...........................................................................................................11-35
Refinamiento ph .........................................................................................................11-35
REQUISITOS PARA LA CONVERGENCIA DE LA SOLUCIN .................................................... 11-35
Condicin de continuidad .......................................................................................... 11-35
Condicin de derivabilidad ....................................................................................... 11-35
Condicin de integrabilidad ...................................................................................... 11-35
Criterio de la parcela (patch test) .............................................................................11-36
Condicin de slido rgido ........................................................................................ 11-36
Condicin de gradiente constante .............................................................................11-36
REQUISITOS RECOMENDABLES ........................................................................................... 11-36
Condicin de compatibilidad ..................................................................................... 11-36
Condicin de invarianza ............................................................................................ 11-37

Condicin de polinomio completo .............................................................................11-37


Condicin de estabilidad ........................................................................................... 11-37

Mtodo de Elementos Finitos

11-1

11 Mtodo de Elementos Finitos


11.1 Ecuacin de Poisson
Muchos problemas de campo que se encuentran en diversos temas de ingeniera son
problemas de Poisson, en los que se tiene un sistema fsico est gobernado por la ecuacin de
Poisson, que es de la forma:
Ec. 11-1

=
= 1 1
{

= 2 2

En ingeniera suele encontrarse como (1)


Ec. 11-2

() + = 0
= 0 1

)
{ + + ( = 0 2
En general la variable incgnita ser un potencial que impulsa un flujo, por ejemplo:
o Temperatura y flujo de calor
o Concentracin y flujo de materia
o Presin y flujo de fluido
o Potencial elctrico y flujo de carga
o Desplazamiento y fuerza
Esta ecuacin suele derivarse de la siguiente forma
Estudiando un elemento infinitesimal del dominio se plantea la ecuacin de
conservacin del fluido (lo que fluye: calor, materia, fluido, carga elctrica, fuerzas)
teniendo en cuenta la posible generacin dentro del elemento (generacin de calor, de
materia por reaccin, fuerzas distribuidas o peso propio, etc.)
Se obtiene una relacin entre el gradiente del flujo y la generacin interna.
Se introduce la ley emprica que relaciona el flujo con el gradiente de potencial a travs
de un coeficiente (conductividad trmica, coeficiente de difusin, viscosidad, constante
dielctrica, constante de Hooke, etc.)
Se obtiene una relacin entre el gradiente del gradiente del potencial (derivada
segunda o laplaciano) y la generacin interna, que es la ecuacin de Poisson.
Finalmente se consideran las condiciones de contorno segn si en la frontera se
conoce el potencial o el flujo o una relacin entre ambos.
Ejemplos;
Conduccin de calor en un slido. Condicin de borde: Temperatura o flujo de calor
Difusin de materia. Condicin de borde: Concentracin o flujo de materia
Deformacin de un slido elstico. Condicin de borde: desplazamiento o fuerza.

La matriz diagonal k representa la conductividad del medio al flujo. Si el medio es istropo entonces sus tres
componentes son iguales. Puede variar con la posicin o con el valor del potencial incgnita, pero muchas veces es
constante.
es el valor prescrito del potencial en una parte de la frontera y es el valor prescrito del flujo en otra parte de la
frontera, es el coeficiente de intercambio en la frontera y es el potencial del ambiente.

Mtodo de Elementos Finitos

Campo
Cables
Barras
Transferencia
de Calor
Flujos en
Tuberas
Flujos Viscosos
Flujo en Medios
Porosos
Electrosttica

11-2

Variable
Primaria
Deflexin
transversal
Desplazamiento
longitudinal
Temperatura

Coeficiente
k
T
EA
K
4
128

Presin
hidrosttica
Velocidad
Presin
Potencial
elctrico

Trmino Q

Variable q

Fuerza vertical
distribuida
Fuerza axial
distribuida
Generacin interna de
calor
Flujo fuente

Carga axial

Gradiente de presin
Flujo fuente

Densidad de carga

Carga axial
Flujo de
calor
Flujo de
fluido
Tensin
Flujo de
fluido
Flujo
elctrico

11.2 Forma dbil de la ecuacin de Poisson


La forma fuerte del problema de Poisson es

Su forma dbil es

() + = 0
= 0 1

)
{ + + ( = 0 2
( () + ) = 0

= 0 1

{ + + ( ) = 0 2

que a su vez es equivalente a


Ec. 11-3

( () + ) ( ) (

+ + ( )) = 0

O sea
( ) (

+ + ( )) = ( ())

Usando el teorema de Green

( ) (

+ + ( ))

= ( )

Pero como

Mtodo de Elementos Finitos

11-3

) ( + ( ))

2
2

= ( )

( ) (

Entonces
Ec. 11-4

( ) + (

) ( + ( )) =

11.3 Mtodo de Residuos Ponderados


En particular Ec. 11-4 se va a verificar para h del espacio de elementos finitos (2)(3)

( ) + ( ) ( + ( )) =

1
1
2

Pero es nula en 1 entonces

+ (

) ( + ( )) =

Pero

= (4)
Entonces

( ) = +

Hacemos la aproximacin de buscar un hVh que verifique esa igualdad

( ) = +

que es la misma que tenamos en el mtodo de elementos finitos


En este caso, al igual que antes, hemos usado el mismo espacio de elementos finitos, Vh, para
las h y para las h. Este es el mtodo de Galerkin.
Si sustituimos h por una combinacin lineal de la base de Vh

=
=1

y a h por cada una de las funciones de forma de la base de V h (5)

= = 1, ,

( ) + ( ) = ( ) = 1, ,

=1

=1

Siendo j. el valor nodal de la funcin incgnita en el nodo j-simo.


Como las integrales y el gradiente son operadores lineales.

( + ) = ( ) = 1, ,
=1

Un espacio de dimensin finita de funciones que cumplen la condicin de Dirichlet.

Las h se llaman funciones de peso y se toman de una base de Vh

es el flujo normal en la frontera de Dirichlet, que es desconocido.

usamos una base de Vh en la que cada funcin vale 1 en un nodo y 0 en los dems

Mtodo de Elementos Finitos

11-4

Que es un sistema de la forma


Ec. 11-5

Donde (6)

= +
=
+

Con
Ec. 11-6

= [ ] | =

= [ ] | =
2

= [ ] | =

= [ ] | =
1

= [ ] | = ( )
2

Kd es la matriz de rigidez por difusin, Kc es la matriz de rigidez por conveccin.


Ntese que ambas matrices son simtricas.
fQ es el vector de fuerzas por generacin interna, f es el vector de fuerzas de reaccin (que no
se conocen) y fq es el vector de cargas prescritas.

Matrices elementales
Consideramos la integral en Ec. 11-6 como suma de integrales en cada elemento

= =

=1

vemos que las funciones de forma son nulas en todos los elementos que no contengan al nodo
correspondiente y por tanto tambin sus gradientes son nulos. Entonces las integrales
elementales slo son no nulas cuando ambos nodos i y j pertenecen al elemento.
Entonces

()

()

del mismo modo

()

()

()

y tambin

()

()

K se llama Matriz de rigidez. No confundir con k, la matriz de constantes de conductividad,


equivalentes.

f es el vector de fuerzas

Mtodo de Elementos Finitos

11-5

()
()
=

()

()

()

()

( )

O sea que el sistema global Ec. 11-5 puede obtenerse a partir de los sistemas elementales

() = ()
()

Ec. 11-7

Ensamblndolo mediante la suma de sus coeficientes en las filas y columnas correspondientes


a los nodos de cada elemento en la numeracin global.

Ejemplo con un elemento unidimensional lineal


Consideremos una barra conductora de calor de longitud L=10 y conductividad k=1 a lo largo
de la cual hay generacin interna de calor Q(x)=5 constante.
= 15 y en el otro extremo se fija un
Un extremo se mantiene a una temperatura prescrita
flujo de calor
= 10.
.

Vamos a modelar este sistema con un solo elemento unidimensional lineal.


Vamos a plantear el sistema elemental Ec. 11-7

()
() ()
()
()
()
( + )
= + +
()

()

()

()

()
=

()

()

Las funciones de forma son

Por lo tanto

()

( )

1
(1) = 1
(1) = 10
10

1
(2) =
(2) = 10
10

Mtodo de Elementos Finitos

11-6

10

10

(10) (10)

()

= 1

10

10

(10) (10)

(10) (10)
1

(10) (10)
0

=[

0,1 0,1
]
0,1 0,1

Adems, como no hay intercambio de calor a lo largo de la barra

0
()
= [
0

0
]
0
10

(1 )
10

()
25
= 5 0 10
=[ ]
25

[
]
0 10
1

()
= [ ]
0

0
()
= [ ]
10

Entonces

0,1 0,1 1
25 1
][ ] = [
]
0,1 0,1 2
15

Como en el nodo 1 la temperatura est prescrita

1,5 0,12
0,1 0,1 15
25 1
][ ] = [
]=[
]
0,1 0,1 2
1,5 + 0,12
15
De donde 2 = 165 y 1 = 40
[

La grfica de temperatura a lo largo de la barra ser

180

10

160

140

0
-5

120

-10

100

-15
80

-20

60

Flujo de calor

Temperaturae

Barra conductora

-25

40

-30

20

-35

-40
0

10

x
Ntese que si bien los valores en los extremos son razonables, este modelo no refleja el
interior de la barra con precisin, ya que habiendo generacin de calor el flujo interno no puede
ser constante.
Esto se debe a que el elemento usado es lineal, lo que supone gradiente constante.
Este modelo no puede representar la generacin interna de calor, sino que la concentra en los
nodos.
Para poder reflejar variaciones en el flujo de calor (que en este caso debe haber) tenemos dos
opciones, o usamos varios elementos lineales para modelar la barra o usamos un elemento
cuadrtico.

Mtodo de Elementos Finitos

11-7

Ejemplo con un elemento unidimensional cuadrtico


En este caso las funciones de forma son

2 15 + 50
2 15
(1) =
50
50
2 + 10
2 + 10
(2) =
(2) =
25
25
2
5
2 5
(3) =
(3) =
50
50

(1) =

Por lo tanto
10

10
10
2 15 2 15
2 15 2 + 10
2 15 2 5

50
50
50
25
50
50
0
0
0
10
10
10
2 15 2 + 10
2 + 10 2 + 10
2 + 10 2 5
=1
=

50
25
25
25
25
50
0
0
0
10
10
10
2 15 2 5
2 + 10 2 5
2 5 2 5

50
50
25
50
50
50
[ 0
]
0
0

()

()

1 7 8
=
[8 16
30
1 8

1
8]
7

Adems, como no hay intercambio de calor a lo largo de la barra

0 0 0
()
= [0 0 0 ]
0 0 0
10
2 15 + 50
(
)
50
0
10
25 1
2 + 10

()
= 5 (
[4]
) =
3
25
0
1
10
2 5
(
)
50
[
]
0
1

()
= [ 0 ]
0

Entonces

()
= [ 0 ]
10
25 31
7 8 1 1
[8 16 8] [2 ] = 10 [ 100 ]
1 8 7 3
5

Como en el nodo 1 la temperatura est prescrita

105 82 + 3
25 31
7 8 1 15
[8 16 8] [2 ] = [120 + 162 83 ] = 10 [ 100 ]
15 82 +73
1 8 7 3
5
De donde

16 8 2
1120
[
][ ] = [
]

8 7
65
3
Cuya solucin es 2 = 152,5 y 3 = 165 y por tanto 1 = 40

Mtodo de Elementos Finitos

11-8

200

10

180

160

140

-5

120

-10

100

-15

80

-20

60

-25

40

-30

20

-35

Flujo d calor

Temperatura

Barra conductora

-40
0

10

x
Ntese que este modelo refleja bien el interior de la barra, ya que habiendo generacin de calor
el flujo interno vara a lo largo de la barra.

Ejemplo con 10 elementos unidimensionales lineales


Si dividimos la barra en 10 elementos lineales iguales, el resultado es el que se muestra en la
siguiente grfica:

200

10

180

160

140

-5

120

-10

100

-15

80

-20

60

-25

40

-30

20

-35

Fluj de calor

Temperatura

Barra conductora

-40
0

10

x
Ntese que la grfica de temperaturas es casi idntica a la anterior, pero es una poligonal.
La grfica de flujos de calor se aproxima a la anterior, pero es escalonada en lugar de una
recta debido a que los elementos lineales no pueden representar la generacin de calor en el
interior de los elementos sino que se modela como si se generara puntualmente en los nodos.

Ejemplo con elementos triangulares lineales


Consideremos un cuadrado de 10cm de lado en el cual se genera calor a razn de 2.4
cal/cm2s. El medio es istropo y la conductividad calorfica es 2 cal/cmC.
El Permetro del cuadrado se mantiene a 0C.

Mtodo de Elementos Finitos

11-9

Por consideraciones de simetra, en este caso vamos a considerar como dominio slo un
octavo del cuadrado, al cual dividiremos en cuatro elementos triangulares lineales como se
muestra en la figura.

Dada la simetra que debe tener la solucin, no puede haber flujo de calor a travs de la
diagonal entre los nodos 1 y 6 ni en el segmento entre los nodos 1 y 4.
Por tanto en esa parte de la frontera del dominio considerado la condicin de frontera es

= 0 2 = 0 = 0

Mientras que en el segmento entre los nodos 4 y 6 la condicin de frontera es

= 0 1 = 0
A continuacin se ve la numeracin local de nodos de cada elemento, mostrada entre
parntesis:

Mtodo de Elementos Finitos

11-10

La siguiente matriz de conectividad relaciona la numeracin global y local.


NODO >
ELEMENTO
1
2
3
4

(1)

(2)

(3)

1
2
2
3

2
4
5
5

3
5
3
6

Vamos a plantear el sistema elemental Ec. 11-7 de cada elemento.

()
() ()
()
()
()
( + )
= + +
()

()

()

()

()
=

()

()

()

( )

Como este caso es sencillo, vamos a calcular las integrales directamente en lugar de hacer
cambios de variable para llevar cada elemento al tringulo estndar.

11.3.2.1 Elemento 1
Usando la numeracin local de los nodos, las funciones de forma son

(1)

(2)

1
|1
1
=
1
|1
1

1
|1
1
=
1
|1
1

(3)

(2)
(3)
(1)
(2)
(3)
(1)

(3)
(1)
(2)
(3)

1
|1
1
=
1
|1
1

(2) |
(3)
1 1
=
|1
(1)
6.25
1
(2) |
(3)

5
5

5 2
2
(1) = [5 0]
0| =
5
5

(1)
|
(3)
1 1 0 0
2( )
2
2
=
|1 | =
(2) = [5 5]
(1)
6.25
5
1 5 5
(2) |
(3)
(1)
(2)

(1)
(2)
(3)

(1)
(2) |
1 1

=
|1
(1)
6.25 1
(2) |
(3)

0
5

0
2
0| =
(3) = [0
5

2
5

Mtodo de Elementos Finitos

11-11

Entonces

(1) (1)

(1) (2)

T1

T1

()

T1

= (1) (2)

(2) (2)

(1) (3)

(2) (3)

T1

[
2

T1

2
5

[5 5] [5 5]

T1

[5 0] [0

T1

= 2 [5 0] [5 5]

T1

2
5

[5 5] [0

(3) (3)
T1

[5 0] [5 5]

T1

(2) (3) =
T1

T1

[5 0] [5 0]

T1

T1

(1) (3)

T1

2
5

[5 0] [0
T1

[5 5] [0
T1

[0

0.16 0.16
0
= 6.25 [0.16 0.32 0.16]
0
0.16 0.16

Por tanto

T1

2
5

] [0

2
5

2
5

] =

1 1 0
()
= [1 2 1]
0 1 1
Por otro lado, como es cero, la matriz de conveccin es nula.

(1)

(1) (1)

2
()

(1)

(1) (2)

(1)

(1)

(1) (2)

(1)

(1) (3)

(1)

(1)

(1) (3)

0 0
(2) (3) = [0 0
(1)
2
0 0

(2) (2)

(2) (3)

(1)

(3) (3)

0
0]
0

Por otro lado

(1)
T1

()
= (2)
T1

(3)

T1

3.125
3
2.5
3.125
= 2.4
= [2.5]
3
2.5
3.125
[ 3 ]

Como en este elemento no tiene ningn lado en la frontera de Dirichlet

()
= [0]
0
Este elemento tiene dos lados en la frontera de Newmann, pero en ellos el flujo de calor
prescrito es nulo, por tanto

Mtodo de Elementos Finitos

11-12

(1)

(1)

(1)

()
=

(1)

(1)

(1)

0
(2) = [0]
(1) (1)
12 +31
0

(2) =

(1)

12 +31

(3)

(1)

(1)

(3)

12 +31

Sumando obtenemos el sistema de ecuaciones del elemento


(1)

1 1 0 1
1 1 0 1
2.5
[1 2 1] [2(1) ] = [1 2 1] [2 ] = [2.5]
0 1 1 (1)
0 1 1 3
2.5
3
donde en este caso la numeracin global y local de las variables nodales coincide.

11.3.2.2 Elemento 2

2 5
2
(1) = [5 0]
5
5 + 2( )
2
2
=
(2) = [5 5]
5
2
2
(3) =
(3) = [0 5]
5

(1) =
(2)

Entonces

1 1 0
()
= [1 2 1]
0 1 1
0 0 0
()
= [0 0 0 ]
0 0 0
2.5

()
= [2.5]
2.5
(2)

Este elemento tiene el lado 23 en la frontera de Dirichlet, calculando las integrales con la
frmula de trapecios:

(2)

(1)

(1)

(2)

()
=

(2)

(2)

23

2.5 (2(1) (2)(2) + 2(1) (3)(3) )

(2) = (2) = 2.5 (1(2) (2)(2) + 1(2) (3)(3) ) =


2
2
(2)

23

(3)

(3)

(2)

23

[2.5 (2(3) (2)(2) + 2(3) (3)(3) )]


]

0(2) + 0(3)
0
1
+
0

= 1.25 [ (2)
(3) ] = 1.25 [ (2) ]
(3)
0(2) + 1(3)

Mtodo de Elementos Finitos

11-13

Entonces

()
= [1.254 ]
1.255
donde q4 y q5 son los flujos normales en los nodos 4 y 5 (numeracin global).
Este elemento tiene un lado en la frontera de Newmann, pero en l el flujo de calor prescrito es
nulo, por tanto

(1)

(1)

(1)
(2)

12

0
(2) = (2) = [0]
(1)
(2)
2
12
0

()
=

(1)

(3)

(3)

(2)

12

Sumando obtenemos el sistema de ecuaciones del elemento


(2)

2.5
1 1 0 1
1 1 0 2
(2)
[1 2 1] [2 ] = [1 2 1] [4 ] = [2.51.254 ]
2.51.255
0 1 1 (2)
0 1 1 5
3
En este caso la numeracin global y local de las variables nodales no coincide.

11.3.2.3 Elemento 3

5 5
2
(1) = [0 5]
5
5 + 2
2
(2) =
(2) = [5 0]
5
5 + 2( )
2
(3) =
(3) = [5 25]
5
(1) =

Entonces

1
0 1
()
= [ 0
1 1]
1 1 2
0 0 0
()
= [0 0 0 ]
0 0 0
2.5

()
= [2.5]
2.5
Este elemento no tiene ningn lado en la frontera de Dirichlet ni en la de Newmann, por lo que

()
= [0]
0
0

()
= [0]
0

Mtodo de Elementos Finitos

11-14

Sumando obtenemos el sistema de ecuaciones del elemento


(3)

1
0 1 1
1
0 1 2
2.5
(3)
[0
1 1] [2 ] = [ 0
1 1] [5 ] = [2.5]
1 1 2 (3)
1 1 2 3
2.5
3
En este caso la numeracin global y local de las variables nodales tampoco coincide.

11.3.2.4 Elemento 4

2(5 )
2
(1) = [5 0]
5
2( )
2
2
(2) =
(2) = [5 5]
5
5 + 2
2
(3) =
(3) = [0 5]
5

(1) =

Entonces

1 1 0
()
= [1 2 1]
0 1 1
0 0 0
()
= [0 0 0 ]
0 0 0
2.5

()
= [2.5]
2.5
(2)

Este elemento tiene el lado 23 en la frontera de Dirichlet, calculando las integrales con la
frmula de trapecios:

(4)

(1)

(1)

(4)

()
=

(4)
1

(4)

23

2.5 (2(1) (2)(2) + 2(1) (3)(3) )

(2) = (2) = 2.5 (1(2) (2)(2) + 1(2) (3)(3) ) =


2
2
(4)

23

(3)

(3)

(4)

23

[2.5 (2(3) (2)(2) + 2(3) (3)(3) )]


]

0(2) + 0(3)
0
= 1.25 [1(2) + 0(3) ] = 1.25 [(2) ]
(3)
0(2) + 1(3)
Entonces
0

()
= [1.255 ]
1.256
donde q5 y q6 son los flujos normales en los nodos 5 y 6 (numeracin global).
Este elemento tiene un lado en la frontera de Newmann, pero en l el flujo de calor prescrito es
nulo, por tanto

Mtodo de Elementos Finitos

11-15

(4)

(1)

(1)
(4)

13

0
(2) = (2) = [0]
(4)
(4)
2
13
0

()
=

(4)

(3)

(3)

(4)

13

Sumando obtenemos el sistema de ecuaciones del elemento


(4)

2.5
1 1 0 1
1 1 0 3
[1 2 1] [2(4) ] = [1 2 1] [5 ] = [2.51.255 ]
2.51.256
0 1 1 (4)
0 1 1 6
3
En este caso la numeracin global y local de las variables nodales tampoco coincide.

11.3.2.5 Ensamblado del sistema global


Para ensamblar el sistema tenemos que sumar en la matriz global los coeficientes de las
matrices elementales, cada una en la fila y columna correspondiente a su nodo fila y nodo
columna.
Para eso usamos como referencia la matriz de conectividad que indica la numeracin global
correspondiente a cada nodo local de cada elemento.
Primero calculamos la matriz de rigidez global, que va a tener tantas filas y columnas como
nodos tiene el modelo.
Al considerar el elemento 1

1
1
0
0
0
[0

Sumamos el elemento 2

1 0 0 0 0
2 1 0 0 0
1 1 0 0 0
0
0 0 0 0
0
0 0 0 0
0
0 0 0 0]

0
0
0
+
0
0
[0

0
1
0
1
0
0

0 0
0 0
1 1 0
0
0 0
0 1 0 0
1 3 1 1 0 0
0 0
0 0
0 1 1
0
0 0
=
0 2 1 0
0 1 0
2 1 0
0 1 1 0
0
0
0 1 1 0
0 0
0 0] [ 0
0
0
0
0 0]

0
0
0
+
0
0
[0

0
0 0 0 0
1 1 0
0
0 0
1 1 0 0 0
1 4 2 1 0 0
1 2 0 1 0
0 2 3
0 1 0
=
0
0 0 0 0
0 1 0
2 1 0
0 1 0 1 0
0
0 1 1 2 0
0
0 0 0 0] [ 0
0
0
0
0 0]

Sumamos el elemento 3

Sumamos el elemento 4

0
0
0
+
0
0
[0

0
0
0
0
0
0

0
0
1
0
1
0

0 0
0
1
0 0
0
1
0 1 0
0
=
0 0
0
0
0 2 1
0
]
[
0 1 1
0

1 0
0
0
0
4 2 1 0
0
2 4
0 2 0
1 0
2 1 0
0 2 1 4 1
0
0
0 1 1 ]

Mtodo de Elementos Finitos

11-16

Lo mismo con el vector de fuerzas equivalentes

2.5
0
0
0
2.5
7.5
0
2.5
2.5
2.5
7.5
2.5
0
2.5
2.5
+
+
+
= 2.51.25
0
2.51.25
0
0
4
4
2.51.255
7.52.505
2.5
0
2.51.255
[0] [
] [ 0 ] [2.51.256 ] [2.51.256 ]
0
Entonces el sistema global queda

2.5
1 1 0
0
0
0 1

7.5
1 4 2 1 0
0
2
7.5
0 2 4
0 2 0 3
=
2.51.25

0 1 0
2 1 0
4
4
7.52.505
0
0 2 1 4 1 5
[0
0
0
0 1 1 ] [6 ] [2.51.256 ]
11.3.2.6 Reduccin del sistema
Como la temperatura est prescripta con valor 0C en los nodos 4, 5 y 6, podemos eliminar las
ecuaciones 4, 5 y 6 y sustituir estas variables por sus valores prescritos en las ecuaciones que
quedan, pasndolas restando del lado derecho.

1
2
1 1 0
0
0 0
2.5

[1 4 2 1 0 0] 3 = [7.5]
0
0 2 4
0 2 0
7.5
0
[0]
1 1 0 1
0
0 0 0
2.5
[1 4 2] [2 ] + [1 0 0] [0] = [7.5]
0 2 4 3
0 2 0 0
7.5
1 1 0 1
2.5
[1 4 2] [2 ] = [7.5]
0 2 4 3
7.5
11.3.2.7 Resolucin
Resolviendo el sistema reducido

1
9.3750
2
6.8750
1
9.3750
3
5.3125
[2 ] = [6.8750]
=
4
0
3
5.3125
5
0
[6 ] [ 0 ]
11.3.2.8 Flujos nodales de reaccin
Sustituyendo la solucin obtenida en el sistema sin reducir:

2.5
1 1 0
0
0
0 9.3750
7.5
1 4 2 1 0
0 6.8750
7.5
0 2 4
0 2 0 5.3125
=
2.51.254
0 1 0
2 1 0
0
7.52.505
0
0 2 1 4 1
0
[0
0
0
0 1 1 ] [ 0 ] [2.51.256 ]
Entonces

Mtodo de Elementos Finitos

11-17

2.5
2.5
7.5
7.5
7.5
7.5
=
2.5

1.254
6.875
7.5 2.505
10.625
[
]
[2.5 1.256 ]
0
de donde

4
7.5
[5 ] = [7.25]
6
2

Son los flujos de calor saliente en cada nodo.


Si queremos calcular el calor saliente en cada lado de la frontera de Dirichlet integramos el flujo
en la frontera con la frmula de trapecios (7):

45 +56

= 2.5 (24 + 25 ) + 2.5 (25 + 26 ) = 18.4375 + 11.5625 = 30 /


Otra forma de calcular

En el ejemplo anterior hemos trabajado con las coordenadas geomtricas originales del
problema, pero los clculos pueden estandarizarse si para cada elemento hacemos un cambio
de variable para transformarlo en el tringulo estndar y calculamos en l las integrales.
En el captulo de integracin numrica vimos que el tringulo estndar se puede transformar en
() ()
() ()
() ()
cualquier tringulo de vrtices (1 , 1 ) (2 , 2 ) (3 , 3 )
mediante la transformacin

= 1 1 (, ) + 2 2 (, ) + 3 3 (, )
= 1 1 (, ) + 2 2 (, ) + 3 3 (, )
Donde (8)

1 (, ) = 1
2 (, ) =
3 (, ) =

Figura 1 Tringulo estndar

Ntese que
()

[y] = [ 1()

Entonces

1 (, )
()
()
() 1
1
2
3
(,

)
=
]
[
]
[
][
]=

2
()
()
()
()
()
2
3

1
2
3
3 (, )

()
()
() 1 1
()

2
3

= [ 1()
][ 1
0 ] [ ] + [ 1() ]
()
()

1
1
2
3
0
1
()

()

()
x

1
[y] = [ ] + [ () ] con

=[

()

()

1
1

()
()

()
()
1 1
2 1
]
[
]
=
[
1
0
()
()
()
3
2 1
0
1
()

()

()

()

()

3 1
3 1

Definimos la funcin
7

Como estamos usando aproximacin lineal, la frmula de trapecios es exacta.


Ntese que para transformar la geometra estamos usando las mismas funciones de forma que para interpolar la
variable de estado.
8

Mtodo de Elementos Finitos

11-18
( )

1
x(, )
xy(, ) = [
] = [ ] + [ () ]

y(, )
1
=

cuyo Jacobiano es
Y por el teorema de cambio de variable de integrales mltiples

f(x, y) = (f xy)| |

Por otro lado las funciones de forma del elemento estndar pueden escribirse como

= ()

Por lo tanto, por regla de la cadena

= (() ) = [(() ) ] (() ) =


( )1

Entonces
()

()() = () () = (() xy)( xy) (() xy)| | =

( )1
( )1 | | =
( )1 (
( )1 ) | | =
=

( )1 ( )1 (
) | |
=

Entonces
()
()()

( )1 ( )1 (
) | |
=

Por otro lado


1

()
()()

()
2

() () = (() 2 )(2 )(() 2 ) 2


0

Pero

2 = xy 2 2 = 2 2
Sustituyendo
1

()

()() = (() xy 2 )( xy 2 )(() xy 2 ) 2 2 =


0

2 )( 2 )(
2 ) 2 2 =

2
= (
0

Entonces
1

()

2
()() =
0

()
| |
() = () = (() xy)( xy)| | =

()
() =

()
1

()

() =

()
2

1
() =
0
1

( ) 2
() ( ) =
0

Estas frmulas tienen la ventaja de que las funciones de forma, sus gradientes, el tringulo y
los lados son conocidos e iguales para todos los elementos, pues son del tringulo estndar.
Lo nico que cambia para cada elemento es Jxy.

Mtodo de Elementos Finitos

11-19

Para el elemento estndar

1 (, ) = 1
2 (, ) =
3 (, ) =
1 = 1
1 = [1 1]

2 = 2 = [1 0]
3 =
3 = [0 1]

La parametrizacin de los lados del tringulo estndar es la siguiente

() = [ ] = [ ] = [1]
12

23
0
0

23() = [ ] = [
] 23 = [1]

31() = [ ] = [
] 23 = [ 0 ]
1

Las integrales de lnea pueden calcularse con la frmula de Gauss del punto medio (exacta
para grado 1) o la de dos puntos (exacta para grado 3)
Las integrales dobles pueden calcularse con la frmula del punto medio del tringulo (exacta
para grado 1) o la de 3 puntos (exacta para grado 2)

11.3.3.1 Elemento 1
En este caso

1
[
1

2
2

3
0
3 ] = [0

2.5
0

2.5
]
2.5

Entonces

| | = 6.25 ( )
(1)
(1)(1) = [1 1] [

0.4 2
][
0.4 0

0.4
0

0.4 2
][
0.4 0

0.4
0

(1)
(1)(2) = [1 1] [

(1)
(1)(3) = [1 1] [

0.4
0

(1)
(2)(2) = [1 0] [

(1)
(2)(3) = [1 0] [

0.4 2
][
0.4 0

0.4
0

0.4
0

T
Y como debe ser simtrica entonces
(1)
(3)(3) = [0 1] [

0.4 2
][
0.4 0

0.4 2
][
0.4 0

()

0.4
0

0.4
]
0.4

0 0.4
][
2 0.4
0 0.4
][
2 0.4

0.4 2
][
0.4 0

0.4
0

= = [2.5 2.5]
0 2.5

0 0.4
][
2 0.4
0 0.4
][
2 0.4

0 0.4
][
2 0.4

0 1
] [ ] 6.25 = 2 = 1
0.4 1

T
0 1
] [ ] 6.25 = 2 = 1
0.4 0

T
0 0
] [ ] 6.25 = 0 = 0
0.4 1

T
0 1
] [ ] 6.25 = 4 = 2
0.4 0

0 0
] [ ] 6.25 =
0.4 1

0 0.4
][
2 0.4

2 = 1

0 0
] [ ] 6.25 =
0.4 1

2=1

1 1 0
= [1 2 1]
0 1 1

Como este elemento en los lados con condicin de Newmann tiene =0 (9)

0 0 0
()
= [0 0 0 ]
0 0 0

Si no fuera as, habra que calcular las integrales

de Gauss exacta para polinomios de grado total 2

()


| |
()() =
2

numricamente con una frmula

Mtodo de Elementos Finitos

11-20

(1)
1 | | = (1 )2.4 6,25 = 15 (1 )
(1) =

Podemos integrar numricamente con la frmula exacta para primer grado (punto medio del
tringulo)
(1)

(1) = 15 0.5 (1 3 3) = 2.5


(1)

(2) = 15 = 15 0.53 = 2.5

(1)

(3) = 15 = 15 0.53 = 2.5

2.5

()
= [2.5]
2.5

Como en este elemento no tiene ningn lado en la frontera de Dirichlet

()
= [0]
0

Y como en la frontera de Newmann Newmann y son nulas


(1)
( )| | =
(0 0 )6.25 = 0
() =
2

()
= [0]
0

Sumando obtenemos el sistema de ecuaciones del elemento


(1)

1 1 0 1
1 1 0 1
2.5
[1 2 1] [2(1) ] = [1 2 1] [2 ] = [2.5]
0 1 1 (1)
0 1 1 3
2.5
3
11.3.3.2 Elemento 2
En este caso

1
[

2 3
2.5 5 5
2.5 2.5

3 ] = [ 0 0 2.5] = = [ 0 2.5]
1
2
Entonces como M es igual, Kd y Kc son iguales a las del elemento 1. Lo mismo pasa con los
vectores fQ y fq.
(2)
Este elemento tiene el lado
en la frontera de Dirichlet. El lado del tringulo estndar, se
23

23

parametriza como

1 ] = [1]

23 () = [ ] = [
23

1
1

(2)
1 1 =
1
(1) =
23 =
0

0
2.5 2.5 1
= (1 ) [
] [ ] = (1 (1 ) ) [ ] =
2.5
1
0
2.5
0
0
1

= 2.5 0 = 0
0
1

(2)
2 1 = 2.5 () = 2.5 (1 ) = 1.25
(2) =
0

(2)
3 1 = 2.5 () = 2.5 = 1.25
(3) =
0

Mtodo de Elementos Finitos

11-21

()
= [1.254 ]
1.255

Entonces

Sumando obtenemos el sistema de ecuaciones del elemento


(2)

2.5
1 1 0 1
1 1 0 2
[1 2 1] [2(2) ] = [1 2 1] [4 ] = [2.51.254 ]
2.51.255
0 1 1 (2)
0 1 1 5
3
11.3.3.3 Elemento 3
En este caso

1
[
1

2
2

3
2.5
3 ] = [ 0

5
2.5

2.5
]
2.5

Entonces

| | = 6.25 ( )

= = [2.5 0 ]
2.5 2.5
=

0.4
0.4

0
]
0.4

Por tanto
(3)
0.4
0 2
(1)(1) = [1 1] [
][
0.4 0.4 0

0 0.4 0.4 1
][
] [ ] 6.25 = 2 = 1
2 0
0.4 1

(3)
0.4
0 2 0 0.4 0.4 1
(1)(2) = [1 1] [
][
][
] [ ] 6.25 = 0 = 0
0.4
0.4
0 2 0
0.4 0

T
T
(3)
0.4
0 2 0 0.4 0.4 0
(1)(3) = [1 1] [
][
][
] [ ] 6.25 = 2 = 1
0.4
0.4
0 2 0
0.4 1

T
T
(3)
(2)(2) = [1

0.4
0 2 0 0.4 0.4 1
][
][
] [ ] 6.25 = 2 = 1
0] [
0.4 0.4 0 2 0
0.4 0

(3)
0.4
0 2
(2)(3) = [1 0] [
][
0.4
0.4
0

T
(3)
(3)(3) = [0

0 0.4 0.4 0
][
] [ ] 6.25 = 2 = 1
2 0
0.4 1

0.4
0 2 0 0.4 0.4 0
][
][
] [ ] 6.25 = 4 = 2
1] [
0.4 0.4 0 2 0
0.4 1

Y como debe ser simtrica entonces

1
0 1
()
= [ 0
1 1]
1 1 2

Este elemento no tiene ningn lado en la frontera de Dirichlet ni en la de Newmann, por lo que

0
0

()
()
= [0] y = [0]
0
0

Sumando obtenemos el sistema de ecuaciones del elemento


(3)

1
0 1 1
1
0 1 2
2.5
[0
1 1] [2(3) ] = [ 0
1 1] [5 ] = [2.5]
1 1 2 (3)
1 1 2 3
2.5
3
11.3.3.4 Elemento 4
En este caso

1
[

2 3
2.5 5 5
2.5 2.5

3 ] = [2.5 2.5 5] = = [ 0 2.5]


1
2
Entonces como M es igual, Kd y Kc son iguales a las del elemento 1 y 2. Lo mismo pasa con
los vectores fQ y fq.
(2)

Este elemento tiene el lado 23 en la frontera de Dirichlet igual que el elemento 2, por tanto

Mtodo de Elementos Finitos

11-22

()
= [1.255 ]
1.256
Sumando obtenemos el sistema de ecuaciones del elemento
(4)

2.5
1 1 0 1
1 1 0 3
(4)
2.51.25

[1 2 1] [2 ] = [1 2 1] [ 5 ] = [
5]
2.51.256
0 1 1 (4)
0 1 1 6
3
Ntese que hemos obtenido los mismos sistemas elementales que antes pero de una forma
ms sistemtica, ya que aplicamos las mismas frmulas para cada elemento cambiando slo
las coordenadas de los nodos

11.4 Elementos isoparamtricos


La formulacin isoparamtrica, se usa para generar muchos tipos de elementos. La mayora
de los programas de elementos finitos utiliza elementos basados en esta formulacin debido a
su mayor precisin. Esta formulacin se basa en hacer un cambio de coordenadas para
calcular las integrales sobre elementos estndar usando para ello las mismas funciones de
forma que se usan para interpolar las variables de estado. Debido al cambio de variable,
las integrales se hacen ms complicadas de evaluar analticamente, por lo que se debe recurrir
a integrarlas numricamente.
Los elementos rectangulares son ms eficientes que los elementos triangulares para la misma
cantidad de grados de nodos, pero con ellos es ms difcil modelar geometras complejas. La
formulacin isoparamtrica permite generar elementos con lados curvos o no rectangulares
permitiendo el modelado de geometras de formas arbitrarias y bordes curvos.
Para formular elementos isoparamtricos deben usarse sistemas de coordenadas naturales.
Consideremos la generalizacin de un elemento cuadrado de cuatro nodos a un cuadriltero
arbitrario.

Una forma posible de definir la geometra del cuadriltero consiste en interpolar las
coordenadas a partir de las de los vrtices usando funciones lineales.
As se puede transformar el cuadrado estndar en cualquier cuadriltero de vrtices
() ()
() ()
() ()
() ()
(1 , 1 ) (2 , 2 ) (3 , 3 ) (4 , 4 ) mediante la transformacin

= 1 1 (, ) + 2 2 (, ) + 3 3 (, ) + 4 4 (, )
= 1 1 (, ) + 2 2 (, ) + 3 3 (, ) + 4 4 (, )
Donde
1
1 (, ) = 4(1 )(1 )
1
2 (, ) = 4(1 + )(1 )
1
3 (, ) = 4(1 + )(1 + )
1
4 (, ) = 4(1 )(1 + )

Mtodo de Elementos Finitos

11-23

Tambin podemos usar funciones de forma cuadrticas para obtener bordes curvos:

En este caso tenemos dos posibilidades de elementos cuadrticos, de 8 de 9 nodos, segn si


se considera o no el nodo central. El elemento de 9 nodos es llamado Lagrangiano pues sus
funciones de forma son productos de polinomios de Lagrange.
El elemento de ocho nodos (serendpito) se obtiene eliminando el nodo central y modificando
las funciones de forma.
En tres dimensiones tambin es posible generar elementos con caras curvas de una forma
similar.

Suelen usarse hexaedros lineales de 8 nodos o cuadrticos de 27 o 20 nodos (serendpitos).


Ntese que en todos los casos la interpolacin de la geometra de cada arista o cara slo
depende de las coordenadas de los nodos de esa arista o cara. Esto permite asegurar que no
habr discontinuidad de la geometra entre elementos adyacentes.
En todos estos casos estamos interpolando la geometra usando las mismas funciones de
forma que vamos a usar para interpolar la variable de estado.

Clculo de las matrices elementales


Para calcular las matrices elementales de los elementos isoparamtricos se procede en forma
similar a como hicimos en 11.3.3, es decir haciendo el cambio de variable a las coordenadas
naturales e integrando en el elemento estndar.

11.4.1.1 Elementos 2D
La matriz Jacobiana del cambio de variable, Jxy tendr una forma que depende del tipo de
elemento usado, pero los clculos se hacen del mismo modo que antes, obteniendo los
mismos resultados:

()
( )1 ( )1 (
) | |
()() =

()
()()


2
=
0

Mtodo de Elementos Finitos

11-24

()
| |
() =

E
1

()
1
() =
1

()
( ) 2
() =
0

11.4.1.2 Elementos 3D
Los clculos tambin son similares pero en este caso las fronteras son superficies y las
integrales de frontera se calculan como integrales dobles parametrizadas en o .(10)
()

()() =

()

() () = (() 2 )(2 )(() 2 )2 2

2 = xy 2 2 = 2
2

Pero
Entonces

()

()() = (() xy 2 )( xy 2 )(() xy 2 )


2 2

2 )( 2 )(
2 )

= (
2 2

()

()() =
2 2

Similarmente
()

() =
1 1

()
( )

() =
2 2

Integracin numrica
Las integrales involucradas en las frmulas anteriores se calculan numricamente usando
frmulas Gaussianas.
Para elementos lineales se usan frmulas de tres puntos para tringulos o cuatro para
tetraedros, de cuatro puntos para cuadrilteros y 8 puntos para hexaedros.
Para elementos cuadrticos se usan frmulas de 6 puntos para tringulos, 15 puntos para
tetraedros o de 9 puntos para cuadrilteros y 27 puntos para hexaedros.

10

Cuadrado o tringulo estndar.

Mtodo de Elementos Finitos

11-25

11.5 Elementos de estados planos


Bajo ciertas condiciones de simetra que hacen que las variables de estado sean casi
constantes en una direccin (generalmente z), los problemas 3D se pueden modelar en 2D.
En la mayora de los casos (transmisin de calor, electrosttica, difusin de masa, etc.) como la
ley emprica que gobierna el sistema es escalar, simplemente se ignora la dimensin z y se
modela el sistema en 2D considerando slo las dimensiones x e y. As lo hicimos en 11.3.2.
Sin embargo, en problemas de elasticidad, la ley de Hooke involucrada es vectorial lo cual hace
que no se pueda simplemente ignorar la dimensin z, pues a menos que el coeficiente de
Poisson del material sea nulo, la matriz de elasticidad no es diagonal y por tanto las
deformaciones en el plano xy pueden provocar deformaciones en z.
Debido a esto, para problemas de elasticidad tendremos dos tipos de estados planos.

Tension plana
Cuando la geometra del campo tiene
una dimensin (espesor) mucho menor
que las otras dos y las cargas estn
aplicadas en el contorno del plano
medio del sistema,
entonces las
variables de estado son prcticamente
constantes a lo largo del espesor
(direccin z).
Por ejemplo, en el caso de una placa
plana con ambas caras aisladas y con
intercambios de calor en los bordes, o
en el caso de una viga mucho ms alta
y larga que su espesor y sin cargas
laterales.
En este ltimo caso la ecuacin de
elasticidad es

Ec. 11-8

[ ]
[

( + )

( + )

( + )] [ ]

En las condiciones supuestas, , son casi nulas, por lo que la ecuacin puede
reducirse a

1 1

[ ] = [
0

1
0

0
][ ]
2(1 + )

Invirtiendo la ecuacin

[ ] =
[
2)
(
1

1
0

1 ] [ ]

11.5.1.1 Elementos usuales


Los programas de MEF suelen tener elementos de tensin
plana triangulares y cuadrangulares, lineales o cuadrticos.
En el caso de los elementos cuadrticos, sus lados pueden
ser curvos.

Ejemplo

Mtodo de Elementos Finitos

11-26

Para la placa de la figura, utilizando la hiptesis de tensin plana (placa delgada), determinar
los desplazamientos de los nodos 1 y 2 y las tensiones en cada uno de los elementos.
Despreciar el peso propio de la placa.
E=200,000 MPa

=0.3

Espesor 10 mm

Esta placa puede modelarse en un software de Elementos Finitos usando elementos 2D


triangulares en tensin plana
.

Node
1
2

X
0.075
0.075

Displacement Displacement
Y
in X
in Y
0 8,66861E-08
0
0.05 3,81904E-08 -2,77503E-07

Deformacin plana
Cuando la geometra del campo tiene
una dimensin (largo) mucho mayor
que las otras dos y las cargas estn
distribuidas uniformemente a lo largo,
aplicadas en el contorno, entonces
las
variables
de
estado
son
prcticamente constantes en todo el
largo (direccin z).
Por ejemplo, en el caso de una viga
mucho ms larga que su altura y
espesor y con cargas laterales
uniformes.
En este caso la ecuacin de
elasticidad es tambin la Ec. 11-8,
que se puede invertir obteniendo

= (1 + )(1 2)

[ ]

0
0
0
1 2
2
0

0
0
0

0
0
0

1 2
2

[ ]

1 2
2 ]
En las condiciones supuestas, , son casi nulas, por lo que puede reducirse a
[ 0

Mtodo de Elementos Finitos

[ ] =
[
(1
+
)(1

2)

11-27

1
0

1 2 ] [ ]

11.5.2.1 Elementos usuales


Los programas de MEF suelen tener elementos de deformacin plana triangulares y
cuadrangulares, lineales o cuadrticos.

En el caso de los elementos cuadrticos, sus lados pueden ser curvos.

11.6 Elementos axisimtricos


Cuando el campo tiene simetra axial y las cargas no dependen de la posicin angular, tambin
se puede modelar problemas 3D con slo 2D.

Al igual que antes, en la mayora de los casos (transmisin de calor, electrosttica, difusin de
masa, etc.) como la ley emprica que gobierna el sistema es escalar, simplemente se definen
elementos con la misma simetra y se calculan las integrales en coordenadas cilndricas
considerando que las variables no dependen de . As se obtienen ecuaciones de un modelo
del sistema en 2D considerando slo las dimensiones r y z.
En el caso de problemas de elasticidad el proceso es un poco ms elaborado pues la ley
emprica es vectorial y va a existir deformaciones y tensiones circunferenciales derivadas de las
deformaciones en r e z.
En estas condiciones, son casi nulas, por lo que la ecuacin puede reducirse a

Mtodo de Elementos Finitos

[ ] =

(1 + )(1 2)

[ 0

11-28

0
[ ]

1 2

2 ]

Elementos usuales
Los programas de MEF suelen tener elementos axisimtricos triangulares y cuadrangulares,
lineales o cuadrticos.

En el caso de los elementos cuadrticos, sus lados


pueden ser curvos.
Ejemplo
Un recipiente cilndrico de las dimensiones que se
muestran en la figura se encuentra sometido a un
presin interna de 2MPa.
Determinar el desplazamiento de su superficie
interna. Asumir como hiptesis que la superficie
exterior se est completamente restringida.
E=200x109

=0,3

Este tubo puede modelarse en un software de


Elementos Finitos usando elementos axisimtrios
triangulares.

Mtodo de Elementos Finitos

Node
1
2
3
4

11-29

Displacement Displacement
X
Y
in X
in Y
0.06
0
0
0
0.04
0 1,295350E-07
0
0.06 0.02
0
0
0.04 0.02 1,433200E-07
0

11.7 Elementos con integracin completa


Elementos lineales con integracin completa (Bloqueo por corte)
Cuando el modelo sufre flexiones significativas, para elementos lineales con integracin
completa se obtienen desplazamientos subestimados debidos al fenmeno llamado bloqueo
por corte, que es un problema de todos los elementos lineales con integracin completa que
hace que estos elementos sean demasiado rgidos a la flexin.
Consideremos un pequeo pedazo de material en una estructura sujeta a flexin pura. El
material se deforma como se ve en la figura

Las lneas que inicialmente son paralelas al eje horizontal se curvan y las lneas transversales
permanecen rectas. El ngulo entre las lneas horizontales y verticales se mantiene en 90 .
Los bordes de un elemento lineal son incapaces de curvarse por lo tanto, si la pieza de material
se modela usando un solo elemento, su forma deformada es como la que se muestra a
continuacin

Para la visualizar mejor se muestran lneas punteadas que pasan por los puntos de integracin.
Es evidente que la lnea superior se ha alargado, lo que indica que est a la traccin.
Del mismo modo la lnea punteada inferior se ha acortado, lo que indica que est a la
compresin. La longitud de las lneas punteadas verticales no ha cambiado (suponiendo que
los desplazamientos son pequeos); por lo tanto la tensin en sentido transversal en los puntos
de integracin es cero. Todo esto es consistente con el estado de estrs esperado para una
pieza de material sometido a flexin pura. Sin embargo, en cada punto de integracin el ngulo
entre las lneas verticales y horizontales, que era inicialmente 90 , ha cambiado. Esto indica
que la tensin de corte es distinta de cero. Esto es incorrecto: la tensin de corte en una pieza
de material bajo flexin pura es cero.
Esta tensin de corte espuria surge porque los bordes del elemento son incapaces de curvarse.
Su presencia significa que la energa de deformacin est creando deformacin por corte en
lugar de la deformacin de flexin prevista, por lo que los desplazamientos totales son
menores: el elemento es demasiado rgido.
El bloqueo por corte slo afecta el rendimiento de elementos lineales con integracin completa
sometidos a cargas de flexin. Estos elementos funcionan perfectamente bien bajo cargas
directas o de corte.
Los elementos lineales con integracin completa deben usarse slo cuando se est seguro de
que las cargas producen flexin mnima en el modelo, en caso contrario se deben usar
elementos de otro tipo.

Mtodo de Elementos Finitos

11-30

Elementos cuadrticos con integracin completa


El bloqueo por corte no es un problema para los elementos cuadrticos ya que sus bordes
pueden curvarse (vase la figura). Los desplazamientos predichos con elementos cuadrticos
son mucho ms precisos.

Sin embargo, los elementos cuadrticos con integracin completa tambin pueden mostrar
bloqueo bajo estados complejos de estrs, si la tensin de flexin tiene un gradiente; por lo
tanto se deben comprobar los resultados con cuidado si se utilizan en todo el modelo.
Sin embargo, son muy tiles para zonas del modelo donde hay concentraciones locales de
tensiones.

11.8 Elementos con integracin reducida


Los elementos con integracin reducida utilizan un punto de integracin menos en cada
direccin que los elementos con integracin completa. Esto permite reducir el tiempo de
anlisis, especialmente en 3D. Por ejemplo el hexaedro cuadrtico de integracin completa
tiene 27 puntos de integracin, mientras que el de integracin reducida tiene solo 8, por lo tanto
el ensamblaje es aproximadamente 3.5 veces menos costoso con integracin reducida.
La siguiente figura muestra los puntos de integracin para elementos cuadrilteros con
integracin reducida.

La integracin reducida slo se pueden usar en elementos cuadrilteros y hexaedros; los


elementos cua, tetradricos y triangulares solo pueden ser de integracin completa, pero se
pueden usar en la misma malla junto a elementos hexadricos o cuadrilteros de integracin
reducida.

Elementos lineales con integracin reducida (Reloj de arena)


Los elementos lineales con integracin reducida tienen un solo punto de integracin ubicado en
centro de gravedad del elemento. Estos elementos tienden a ser demasiado flexible porque
sufren de su propio problema numrico llamado reloj de arena.
Consideremos un solo elemento lineal con integracin reducida modelando de una pequea
pieza de material sometido a flexin pura.

Ninguna de las lneas punteadas ha cambiado en longitud y el ngulo entre ellos tampoco ha
cambiado, lo cual significa que todos los componentes de estrs en el nico punto de
integracin del elemento son cero.

Mtodo de Elementos Finitos

11-31

Este modo de flexin de la deformacin es por lo tanto un modo de energa cero, porque no se
genera energa de deformacin por esta deformacin del elemento. El elemento es incapaz de
resistir este tipo de deformacin ya que no tiene rigidez en este modo. En mallas gruesas esta
modalidad de energa cero se puede propagar a travs de la malla, produciendo resultados sin
sentido.
Algunos programas de MEF introducen una pequea cantidad artificial de "rigidez de reloj de
arena" en elementos lineales de integracin reducida para limitar la propagacin de modos de
reloj de arena. Esta rigidez es ms eficaz en la limitacin de los modos de reloj de arena
cuando se utilizan muchos elementos en el modelo, por tanto estos elementos pueden dar
resultados aceptables, siempre y cuando se utiliza una malla razonablemente fina.
Los errores observados con mallas finas de elementos lineales de integracin reducida son
aceptables para muchas aplicaciones. Los resultados sugieren que se deben usar al menos
cuatro elementos a travs del espesor al modelar cualquier estructura con cargas de flexin
con este tipo de elemento. Cuando se utiliza un solo elemento lineal de integracin reducida en
el espesor de la viga, todos los puntos de integracin quedan sobre el eje neutro y el modelo es
incapaz de resistir cargas de flexin.
Los elementos lineales de integracin reducida son muy tolerantes a la distorsin; por lo tanto
se sugiere usar una malla fina de estos elementos en problemas donde los niveles de
distorsin puedan ser muy altos.

Elementos cuadrticos con integracin reducida


Los elementos cuadrticos de integracin reducida tambin tienen modos de reloj de arena. Sin
embargo, los modos son casi imposibles de propagar en una malla normal y rara vez son un
problema si la malla es suficientemente fina.
Estos elementos no sufren bloqueo, incluso bajo estados de estrs complicados.
Por lo tanto los elementos cuadrticos de integracin reducida son generalmente la mejor
opcin para la mayora de las simulaciones generales esfuerzo/desplazamiento, excepto en las
simulaciones con grandes desplazamientos que implican deformaciones muy grandes.

Resumen de caractersticas
Elementos de primer orden
Estos elementos deben ser usados con cautela. Los elementos triangulares y tetradricos
deben ser evitados en problemas de anlisis de esfuerzos pues presentan una baja
convergencia con el refinamiento de la malla.
Si se usan estos elementos, la malla debe ser muy fina para obtener resultados confiables.

Elementos de segundo orden


Estos elementos son ms exactos que los de primer orden para problemas uniformes que no
involucren varios elementos distorsionados. Para problemas de concentracin de esfuerzos
son ms efectivos y son mejores para el modelado de la geometra, por ejemplo una superficie
curva puede ser modelada con menos elementos.

Elementos con integracin reducida


La integracin reducida para cuadrilteros o hexaedros usa un orden de integracin menor que
la completa. Permite reducir el tiempo de anlisis, especialmente en 3D.
Los lineales con integracin reducida sufren de efecto reloj de arena bajo flexin.
Los elementos cuadrticos con integracin reducida generalmente producen ms exactitud que
los correspondientes elementos con integracin completa.

Elementos con integracin completa


Los elementos lineales con integracin completa sufren de bloqueo por corte en problemas
bajo flexin significativa.

Elementos triangulares y tetradricos


Tienen baja tasa de convergencia al refinar la malla.
Son usados para formas geomtricas complejas. Son menos sensibles a la forma inicial del
elemento.
Los de primer orden requieren una malla muy refinada para obtener buenos resultados.

Elementos cuadrilteros y hexadricos


Tienen una mejor tasa de convergencia que los tringulos y los tetraedros.
Los de primer orden funcionan mejor si su forma es aproximadamente rectangular.

Mtodo de Elementos Finitos

11-32

11.9 Seleccin del Tipo de Elemento


Recomendaciones generales
La buena relacin de aspecto de los elementos mejora la convergencia y exactitud.
Minimizar la distorsin de la malla lo ms posible. Las mallas gruesas con elementos
lineales distorsionados pueden dar resultados muy pobres.
Utilice elementos cuadrticos de integracin reducida para el trabajo de anlisis
general, a menos que necesite modelar deformaciones grandes.
Utilice una fina malla de elementos cuadrilteros o hexadricos lineales de integracin
reducida para las simulaciones que implican grandes deformaciones.
En tres dimensiones utilizar elementos hexadricos siempre que sea posible. Ellos
dan los mejores resultados con costo mnimo. Las geometras complejas pueden ser
difciles de mallar completamente con hexaedros; por lo tanto pueden necesitarse
cuas y tetraedros.
Las cuas y tetraedros lineales son elementos pobres (se necesitan mallas finas para
obtener resultados precisos); se deben utilizar slo cuando sea necesario para
completar una malla, y aun as, deben estar lejos de las reas donde se necesitan
resultados precisos.
Algunos preprocesadores contienen algoritmos de mallado libre que mallan geometras
arbitrarias con elementos tetradricos. Con este tipo de elemento, el anlisis tardar
ms que con una malla equivalente de hexaedros. No se debe usar una malla que
contenga slo elementos tetradricos lineales: los resultados sern inexactos a
menos que se utilice un nmero extremadamente grande de elementos.
Si se usa un mallador automtico con tetraedros, se recomienda usar elementos
cuadrticos.
En caso de que se sospeche que en ciertas zonas del dominio se van a producir
gradientes elevados (ver figura abajo), utilizar en ellas elementos cuadrticos con
integracin completa o refinarlas con un nmero mayor de elementos lineales.

11.10 Discretizacin del dominio


En presencia de un dominio continuo en 1D, 2D o 3D, la aplicacin del MEF requiere de su
discretizacin y posterior seleccin del tipo de elemento a utilizar.

Mallas no estructuradas
La discretizacin del dominio se lleva a cabo a travs de malladores automticos que por lo
general se encuentran incorporados en los propios programas de clculo.
Los malladores tienen mayor velocidad para generar mallas de tringulos en 2D y de tetraedros
en 3D en comparacin con cuadrilteros y hexaedros. Las mallas generadas por dichos
algoritmos se denominan mallas no estructuradas.

Mtodo de Elementos Finitos

11-33

Las mallas no estructuradas se adaptan facilmente a geometras irregulares, pero sus


elementos pueden estar sesgados o tener mala relacin de aspecto (relacin entre base y
altura muy diferente de 1).

Tetraedros con relaciones de aspecto elevada (izquierda) y ptima (derecha).

Mallas estructuradas
Por otra parte, las mallas estructuradas, que en 2D son cuadrilteros o tringulos generados a
partir de cuadrilteros y en 3D son hexaedros, no tienen elementos sesgados y tienen
excelente relacin de aspecto pero su uso se limita a geometras de forma regular y sin
demasiados contornos curvos. Esto se debe a que debe hacerse una subdivisin uniforme del
dominio.
Este tipo de malla se genera manualmente.

Mtodo de Elementos Finitos

11-34

Recomendaciones

Evite grandes relaciones de aspecto. La proporcin


longitud/ancho no debe superar 3.

Evite elementos muy sesgados. El ngulo de


inclinacin no debe ser ms de 30 grados.

Un cuadriltero no debe parecer un tringulo.

Evite lados muy curvados en elementos cuadrticos.

Evite nodos de medio lado muy descentrados.

Debe evitarse colocar un elemento pequeo junto a uno grande. La transicin en


tamao debe ser gradual.

Errores de conexin
Deben evitarse los siguientes errores de conexin entre elementos, pues resultarn en brechas
y penetraciones que no se producen en la realidad (en anlisis de deformaciones) o
discontinuidades en las interpolaciones (en otros anlisis).

Los nodos deben conectarse con nodos de elementos


contiguos, no pueden conectarse a los bordes de los
elementos.

Los elementos lineales no deben estar conectados a elementos cuadrticos, pues el


borde del elemento cuadrtico se deforma cuadrticamente mientras que el borde del
elemento lineal se deforma linealmente.

Los nodos esquina de los elementos cuadrtico no deben


estar conectados a nodos de mitad de lado. Aunque ambos
bordes deforman cuadrticamente, las deformaciones no
sern iguales entre s.

Mtodo de Elementos Finitos

11-35

11.11 Refinamiento de mallas


En el captulo anterior demostramos que la solucin obtenida se aproxima ms a la solucin
exacta del problema a medida que se va refinando la malla. Esta propiedad de convergencia
nos permite asegurar de que la solucin aproximada obtenida es vlida.

Refinamiento p
Se basa en el uso de funciones de forma polinmicas de alto grado (cuadrticas, cbicas, etc.).
Esta tcnica de refinar el dominio no implica el aumento de la cantidad de elementos, sino que
la cantidad de grados de libertad del problema se ve incrementada por la inclusin de un mayor
nmero de nodos en cada elemento y el aumento del grado de los polinomios.

Refinamiento h
Se basa en aumentar la cantidad de elementos en los que se divide el dominio. Por lo general
se usan elementos de bajo orden (lineales), que slo requieren nodos en los vrtices de cada
elemento. Por lo tanto la cantidad de grados de libertad se asocia a una mayor cantidad de
elementos en la malla.

Refinamiento ph
Es posible efectuar un refinamiento basado en la combinacin de los dos mtodos anteriores,
sin embargo la tendencia actual es la de utilizar elementos de orden medio (cuadrticos) en
mallas donde se refina incrementando la cantidad de elementos presentes en la discretizacin.

11.12 Requisitos para la Convergencia de la Solucin


Adems de verificar la convergencia del mtodo viendo que la aproximacin obtenida no vara
significativamente a medida que se refina la malla, se deben tener en cuenta las siguientes
condiciones:

Condicin de continuidad
La aproximacin de las variables del problema debe ser continua en el interior de cada
elemento. Si se usan aproximaciones polinmicas esta condicin se cumple.

Condicin de derivabilidad
La aproximacin polinmica elegida debe ser derivable al menos hasta el orden de las
derivadas que aparecen en las integrales del problema para que la aproximacin pueda
reproducir la solucin. En problemas de Poisson esto implica que las funciones de forma deben
tener derivadas primeras.

Condicin de integrabilidad
Las funciones de forma deben ser tales que las funciones que aparecen en las integrales sean
integrables. La derivada de orden m de una funcin es integrable si sus m-1 primeras derivadas
son continuas. Por lo tanto, si en las integrales aparecen derivadas de orden m, las funciones
de forma utilizadas deben tener continuidad de clase Cm-1. En problemas de Poisson esto
implica que las derivadas primeras de las funciones de forma deben ser integrables, para lo
cual alcanza con que la interpolante sea continua.

Mtodo de Elementos Finitos

11-36

Criterio de la parcela (patch test)


Se utiliza para conocer las propiedades de convergencia de un tipo de elemento. El criterio se
basa en seleccionar un conjunto o parcela de elementos y aplicar en los nodos del contorno de
la parcela valores prescritos de las variables del problema correspondientes a una solucin
conocida. Se satisface el criterio de la parcela si la solucin obtenida para las variables del
problema y sus gradientes en el interior de la parcela coinciden con los de la solucin conocida.

Condicin de slido rgido


Si el elemento se mueve como un slido rgido, la deformacin dentro del elemento debe ser
nula en su interior. Corresponde al criterio de la parcela para una solucin constante.
Se satisface cuando

() = 1
=1

Esta condicin se cumple para a las funciones de forma de los tipos de elemento usuales.

Condicin de gradiente constante


A medida que la malla se refina, las condiciones dentro de cada elemento se aproximan cada
vez ms a las de gradiente constante. En consecuencia, todo elemento debe ser capaz de
reproducir la condicin de gradiente constante, lo cual se cumple si se cumple el criterio de la
parcela para soluciones conocidas con gradiente constante.

11.13 Requisitos recomendables


Adems de los requisitos enumerados, existen otros requisitos que a pesar de no ser
estrictamente necesarios, son recomendables para obtener una aproximacin aceptable.

Condicin de compatibilidad
Dicha condicin requiere que la aproximacin debe ser continua entre los elementos, por lo que
no deben existir saltos entre los valores de las variables a lo largo de las caras (en 3D), lados
(en 2D) o nodos (en 1D) comunes de los elementos. Esta condicin se satisface
automticamente si se utilizan funciones de forma polinmicas del mismo grado en elementos
adyacentes y si no hay nodos desconectados, es decir si no se cometen los errores
mencionados en 11.10.4.

Mtodo de Elementos Finitos

11-37

Condicin de invarianza
La solucin obtenida a travs de un determinado elemento no debe variar al cambiar la
orientacin del mismo. La invarianza se garantiza si las funciones de forma del elemento
forman un polinomio completo.

Condicin de polinomio completo


La exactitud de la aproximacin por elementos finitos depende del polinomio completo de
mayor grado contenido en las funciones de forma. Lo ideal es que las funciones de forma sean
polinomios completos pues en caso contrario los trminos adicionales introducen variables que
no contribuyen a mejorar la aproximacin del elemento.
Cuando esto no es factible, como sucede con frecuencia, el nmero de trminos adicionales a
los del polinomio completo debe ser el menor posible.
Los elementos tringulos y tetraedros son de grado completo, pero los cuadrilteros y
hexaedros lagrangianos no lo son. Tampoco los serendpitos, pero estos al menos tienen
menos nodos, disminuyendo la cantidad de variables sin sacrificar precisin.

Condicin de estabilidad
El rango correcto de la matriz de rigidez de un elemento aislado debe ser igual al nmero de
movimientos de slido rgido de un elemento.
La existencia de valores propios nulos en la matriz de rigidez que no sean eliminados por las
condiciones de contorno genera mecanismos internos que producen singularidades y
soluciones espurias.

Universidad Tecnolgica Nacional


Facultad Regional Delta

Terico de
CLCULO AVANZADO
2016
Tema: Transformada de Laplace

Objetivos de aprendizaje

Germn BRESCIANO

12

TRANSFORMADA DE LAPLACE ........................................................................................12-1

12.1 INTRODUCCIN ........................................................................................................................12-1


12.1.1
Antecedentes ....................................................................................................................12-1
12.1.2
Transformadas .................................................................................................................12-1
12.1.3
Caractersticas de la transformada de Laplace...............................................................12-1
12.2 LA TRANSFORMADA DE LAPLACE.............................................................................................12-2
12.2.1
Definicin ........................................................................................................................12-2
12.2.2
Continuidad seccional. ....................................................................................................12-3
12.2.3
Orden exponencial. ..........................................................................................................12-3
12.2.4
Abscisa de convergencia..................................................................................................12-3
12.2.5
Existencia de la transformada de Laplace ......................................................................12-3
12.2.6
Unicidad de la transformada de Laplace ........................................................................12-4
12.2.7
Teorema ...........................................................................................................................12-4
12.2.8
Propiedades .....................................................................................................................12-5
12.2.9
Tabla de transformadas ...................................................................................................12-7
12.3 ANTITRANSFORMADA DE LAPLACE ..........................................................................................12-8
12.3.1
Definicin ........................................................................................................................12-8
12.3.2
Evaluacin de la antitransformada .................................................................................12-9
12.4 RESOLUCIN DE ECUACIONES DIFERENCIALES .........................................................................12-9
12.4.1
Ecuaciones diferenciales lineales a coeficientes constantes ...........................................12-9
12.4.2
Sistemas de ecuaciones lineales a coeficientes constantes ............................................12-10
12.4.3
Ecuaciones diferenciales lineales a coeficientes variables ...........................................12-10
12.4.4
Aplicaciones ..................................................................................................................12-11
12.5 FUNCINES ESCALN E IMPULSO ............................................................................................12-13
12.5.1
Escaln unitario de Heaviside .......................................................................................12-13
12.5.2
Funcin impulso ............................................................................................................12-15
12.6 FUNCIONES DE TRANSFERENCIA .............................................................................................12-19
12.6.1
lgebra del diagrama de bloque ...................................................................................12-19
12.6.2
Ceros y polos de la funcin de transferencia.................................................................12-20
12.6.3
Estabilidad .....................................................................................................................12-21
12.6.4
Definicin de sistema estable ........................................................................................12-22
12.7 TEOREMAS DEL VALOR INICIAL Y FINAL .................................................................................12-24
12.7.1
Teorema del valor inicial...............................................................................................12-24
12.7.2
Teorema del valor final .................................................................................................12-24
12.8 APLICACIONES .......................................................................................................................12-24
12.8.1
Respuesta a perturbaciones ...........................................................................................12-24
12.8.2
Control automtico ........................................................................................................12-27

Transformada de Laplace

12-1

12 Transformada de Laplace
12.1 Introduccin
12.1.1 Antecedentes
La transformada de Laplace es muy importante en el anlisis de sistemas en ingeniera.
El ingeniero elctrico Oliver Heaviside (18501925), desarroll un mtodo para resolver
ecuaciones diferenciales ordinarias con coeficientes constantes que es el antecesor del mtodo
de la transformada de Laplace. A Heaviside le interesaba la resolucin de problemas y su mtodo
era intuitivo y con poco rigor matemtico, no le interesaban las demostraciones. Con su mtodo
pudo resolver problemas que no podan resolverse por mtodos clsicos.
Debido a su practicidad, el mtodo fue aceptado rpidamente por los ingenieros y atrajo la
atencin de matemticos que trataron de darle rigurosidad. Luego de muchos aos se vio que la
transformacin integral que haba planteado el matemtico francs Pierre Simon de Laplace
(17491827) casi un siglo antes era el sustento terico para el trabajo de Heaviside y una
alternativa ms sistemtica para resolver ecuaciones diferenciales que el mtodo original de
Heaviside.

12.1.2 Transformadas
En algunos mtodos matemticos se usa una transformacin para simplificar la resolucin de un
problema.
Por ejemplo, los logaritmos se usan para simplificar problemas de multiplicacin y divisin. Para
multiplicar o dividir dos nmeros, los transformamos en sus logaritmos, sumamos o restamos
estos y luego realizamos la transformacin inversa, el antilogaritmo, para obtener el producto o
cociente de los nmeros originales. El propsito de usar esta transformacin es plantear el
problema en un nuevo dominio en el cual sea ms fcil de resolver. Una vez resuelto en el nuevo
dominio, la solucin se puede transformar inversamente para obtener los resultados deseados
en el dominio original.
Algo similar ocurre cuando para hallar una primitiva realizamos un cambio de variable para
obtener un nuevo problema ms sencillo que el original y, una vez resuelto el problema en la
nueva variable, volvemos a la variable original.

12.1.3 Caractersticas de la transformada de Laplace


La transformada de Laplace es una transformacin integral, que toma una funcin f(t) de una
variable real t (que llamaremos tiempo) y la transforma (mediante el clculo de una integral) en
una funcin F(s) de otra variable s (que llamaremos frecuencia compleja).
La principal ventaja de la transformada de Laplace es que convierte ecuaciones diferenciales en
el dominio de t (tiempo) en ecuaciones algebraicas en el dominio de s (frecuencia). Por tanto, la
resolucin de ecuaciones diferenciales en el dominio de t se reduce a resolver ecuaciones
algebraicas en el dominio de s y luego aplicar la antitransformada para volver al dominio de t.
Adems, como las condiciones iniciales intervienen en el proceso de transformacin, la solucin
que se obtiene las incorpora automticamente, obtenindose directamente la solucin particular
deseada, por lo que resulta ideal para problemas de valor inicial como los que suelen presentarse
en circuitos elctricos y vibraciones mecnicas.
La Transformada de Laplace es muy til en el anlisis de sistemas lineales. Si a un sistema le
aplicamos una excitacin dependiente del tiempo (entrada), produce una respuesta tambin
dependiente del tiempo (salida). El problema es determinar la salida x(t) cuando el sistema se
somete a una determinada entrada u(t), aplicada en un instante de tiempo que suele definirse
como t=0.

Figura 12-1 Diagrama de bloque se un sistema

Transformada de Laplace

12-2

La relacin entre la salida y la entrada depende de las leyes que gobiernan el comportamiento
del sistema. Si el sistema es lineal e invariante en el tiempo, entonces la salida est dada por
una ecuacin diferencial lineal con coeficientes constantes, que es un problema de valor inicial
fcil de resolver usando la transformada de Laplace.
La entrada puede ser una funcin discontinua, incluso un pulso, y en esos casos el mtodo de la
transformada de Laplace tiene grandes ventajas en comparacin con la resolucin tradicional de
la ecuacin diferencial.
Otra aplicacin importante es el estudio de estabilidad de un sistema. Para ello se define la
funcin de transferencia como el cociente entra la transformada de salida y la transformada de
entrada. Un sistema estable es aquel que, frente a una entrada determinada, nos da una salida
acotada. Adems, cuando a un sistema estable se le suprime la entrada, su salida tiende a cero.
Para determinar la estabilidad de un sistema se analizan los polos de la funcin transferencia en
el dominio de las frecuencias complejas.

12.2 La transformada de Laplace


Vamos a generalizar las series de potencias.

() =
=0

Vamos a hacer algo parecido, pero sumaremos no slo sobre los naturales sino sobre los reales,
reemplazaremos n por t y an por f(t). En vez de sumar vamos a integrar. Queda:
+

Donde pondremos z=e-s (1)

()

12.2.1 Definicin
Dada una funcin f:RR, definimos transformada de Laplace de F como una funcin f tal que
+

() =

()

Y se anota

() = {()}

() ()

Figura 12-2 Transformada de Laplace entre dominios t y s

L es el operador transformada de Laplace y decimos que transforma a la funcin f


en el dominio de t en la funcin F en el dominio de s.

Ms adelante veremos en qu condiciones podemos asegurar que la integral converge.

Como el lmite inferior de integracin es cero, al aplicar la transformada de Laplace no


se toma en cuenta el comportamiento de f para valores de t negativos. Generalmente
en ingenia esto no es un inconveniente ya que generalmente la variable t es el tiempo
y los sistemas que estudiamos son no anticipantes, es decir que no hay una respuesta
hasta que no se aplica una excitacin. Consideraremos que la excitacin es nula

Si bien la variable s en el caso general es compleja, haremos las demostraciones para s real. Las demostraciones para
s compleja son bsicamente iguales, teniendo en cuenta que el mdulo de la exponencial no cambia si se sustituye s por
su parte real.

Transformada de Laplace

12-3

para t<0 y nos interesa slo la respuesta para t>0. Estas funciones que son nulas
para t<0 se llamas causales.

Figura 12-3 Funcin causal


Ejemplos
+

() = 0 () =

0 = 0

1 +
= =
0
0
1
1
1
= |
() =
0 =

(a) +
+
+

1
() = a = (a) =
| =
>
0

0
0

() = 1 0 () =

() = a

12.2.2 Continuidad seccional.


Una funcin f:RR es seccionalmente continua en un intervalo IR si tiene en ese intervalo a lo
sumo una cantidad finita de discontinuidades y son de salto finito.

12.2.3 Orden exponencial.


Se dice que una funcin f:RR es de orden exponencial ebt (t+) si existe M y t0 tales que

|()| 0 (2)
12.2.4 Abscisa de convergencia
La abscisa de convergencia de una funcin es el menor b para el cual la funcin es de orden
exponencial ebt (t+).

12.2.5 Existencia de la transformada de Laplace


Sea f:RR de orden exponencial ebt (t+) y seccionalmente continua en [0,h] h>0
entonces
i)

() converge absolutamente s>b

() converge uniformemente en [s0, +) s0>b

ii) 0

Demostracin
i) |() |

s>b

y si
+

entonces

s-b>0

por tanto

() converge y, por comparacin,

() converge absolutamente

ii)

= () 0

() converge uniformemente en [s0, +) si y solo si >0 H() tal que

b no es nico, si una funcin es de orden exponencial para un b0, tambin lo ser para todo b> b0

Transformada de Laplace

12-4

"

| () | < , " > () [0 , +)

"

| () | < , " > ()

sup
[0 ,+)

pero
"

"

| () |

sup
[0 ,+)

sup

sup

|() | =

[0 ,+)
"
|()|

"

sup

[0 ,+)

(basta con tomar ()

[0 ,+)

> 0 )

"

"

0 (0 )

+ ( )
0

0 > entonces >0 H() tal que

(0 ) <
, " > ()

Pero como

"

12.2.6 Unicidad de la transformada de Laplace


La transformada de La place es nica pues se define como
+

() =

()

= lim ()
+ 0

y un lmite si existe es nico.

12.2.7 Teorema
f seccionalmente continua en [0,h] h>0 y de orden exponencial ebt (t+)
Entonces si F(s) es su transformada:
i)
lim () = 0
+

sF(s) acotada cuando t+

ii)

iii) si F no es nula no puede ser peridica


Demostracin
i)
+

0 |()| = |

() |

|() | =

|()| =

= |()| +
0

|()|

Como f es seccionalmente continua, entonces |f(t)| acotada en [0, t0]


0

+
0

|()| +
0

() =

1 0
1
0 1
0 ()0
+
()
= ( ) |0 + (
)
| =
(
)=
0

()
0
= (1 0 ) +

0
+

Entonces lim () = 0
+

Transformada de Laplace

12-5

ii)
+

0 < |()| = |||()| || |

() |

|()| ||

||
0

||
||
+
= || () =
() |0 =

+
0
Entonces |()| < > 0 y por tanto sF(s) acotada cuando s+
iii) Si F(s) fuera peridica, no podra ser

lim () = 0 a menos que fuera nula.

12.2.8 Propiedades
12.2.8.1 Linealidad

1 () + 2 () 1 () + 2 ()
Demostracin
f1 y f2 seccionalmente continuas y de orden exponencial
+

(1 () + 2 ()) =

1 () + 2 ()
0

1 () +

2 () = 1 () + 2 ()

Para los s para los cuales las transformadas existen (las integrales correspondientes convergen).

12.2.8.2 Convolucin

(1 2 )() 1 ()2 ( ) 1 ()2 ()


0

Demostracin
f1 y f2 seccionalmente continuas y de orden exponencial
+

(1 2 )()

(1 2 )() =

0
+

=
0

( 1 ()2 ( )) = 1 ()2 ( )
0

El dominio de esta integral doble, S, es como se


muestra en la figura.
Hacemos el cambio de variable

(, ) = [ ] = [ + ]

Cuya jacobiana es

1 0
(, ) = [
] ( (, )) = 1
1 1
1 () = {(, ) 0 0}
Pues 0 0 +

Transformada de Laplace

12-6

Entonces
+

(1 2 )()

1 ()2 () (+) =

1 ()

1 () (

1 ()2 () (+) ) =

2 () ) =

0
+

1 ()

2 () = 1 ()2 ()

12.2.8.3 Cambio de escala (a>0)


1

() ( )

Demostracin
f seccionalmente continua y de orden exponencial y a>0
+

() =

{()} =
0

1 +
1 +
1

()
() = () = ( )
0
0

la ltima integral converge cuando s/a>b o sea cuando s>ab, por tanto

si (()) = [, +) ( ( )) = [, +)
12.2.8.4 Traslacin de la funcin
0 <
() = {
()
( )
Demostracin
f seccionalmente continua y de orden exponencial
+

() = () +

{()} =
0

=0+

a
+

( )

( ) () =

() =

( )

()

() = ()

12.2.8.5 Traslacin de la transformada


() ( )
Demostracin
+

{ ()} =

() =

() () = ( )

12.2.8.6 Derivacin de la funcin


() () (0)
"() 2 () (0) (0)

() () () 1 (0) 2 (0) (2) (0) (1) (0)


Demostracin
f derivable en [0, +) y de orden exponencial ebt (t+). Si s>b
+

{()} =
0

() = () |+
0

()( ) =
+

= (0) +
0

Si f no es continua en 0 dara

() = () (0)

Transformada de Laplace

12-7

{()} = () lim+ ()
0

Aplicando sucesivamente se obtienen las transformadas de las derivadas superiores.

12.2.8.7 Derivacin de la transformada


() ()
2 () "()

(1) () () ()
Demostracin
f seccionalmente continua y de orden exponencial.

() =

+
+
+

(() ) = (()) = {()}


( () ) =
s 0
s
0
0

Aplicando sucesivamente se obtienen las derivadas superiores de la transformadas

12.2.8.8 Integracin de la funcin

()
()

0
Demostracin
f seccionalmente continua y de orden exponencial
Aplicando la propiedad de convolucin

{ () } = { () 1 } = {() 1} = {()}{1} =
0

()

12.2.8.9 Integracin de la transformada


+
()
()

Demostracin
f seccionalmente continua y de orden exponencial

()
()
} = ( {
})

+
+
+
()
()
()
()
() = ( {
= 0+{
}) = {
}|
}= {
}

{()} = {

12.2.9 Tabla de transformadas


A partir de la definicin de transformada de Laplace y usando las propiedades anteriores se
pueden calcular las transformadas de funciones usuales (3).

Las funciones (t) y u(t) se llaman funcin impulso y funcin escaln. Ms adelante las definiremos.

Transformada de Laplace

12-8

12.3 Antitransformada de Laplace


Existe en ciertas condiciones, pero no es nica.
Por ejemplo, si consideramos las funciones

() = 1 0
1 0 2
() = {
0 = 2

Vemos que como ambas funciones difieren slo en un punto.


+

() =

() () = ()

Sin embargo, una funcin no puede tener dos antitransformadas causales continuas distintas, o
sea que existe la transformacin inversa cuando slo consideramos el espacio de las
funciones causales continuas.

12.3.1 Definicin
La antitransformada de Laplace de una funcin F es una funcin causal f cuya transformada
de Laplace es F

Figura 12-4 Transformada y antitransformada


Con frecuencia veremos expresiones del tipo 1 {()} = () donde f(t) no es nula para t<0,
es decir que no es causal. En este caso la igualdad slo vale para t0. Por ejemplo, como

{ } =

1
1
> 1 {
} = 0

Pero muchas veces simplemente se pone

{ } =

1
1
1 {
} =

Transformada de Laplace

12-9

12.3.2 Evaluacin de la antitransformada


Si bien existe una frmula para calcular la antitransformada de una funcin, su evaluacin implica
el clculo de integrales complicadas, por lo que usualmente lo que se hace es usar las
propiedades para relacionar la antitransformada buscada con antitransformdas conocidas.

12.4 Resolucin de ecuaciones diferenciales


El mtodo de resolucin de ecuaciones diferenciales o sistemas de ecuaciones diferenciales que
veremos a continuacin es ideal para resolver directamente problemas con valor inicial en t=0
(4), pero es menos directo para problemas de valores de frontera. Sin embargo, se puede utilizar
indirectamente si se asigna parmetros a una o ms de las condiciones iniciales y despus se
determina sus valores usando las condiciones de frontera dadas.

12.4.1 Ecuaciones diferenciales lineales a coeficientes constantes


Este tipo de ecuacin diferencial se transforma en una ecuacin algebraica de la que se despeja
la transformada de la funcin incgnita.
Para resolver una EDO igualamos las transformadas de ambos lados de la ecuacin.
Consideremos el siguiente problema de valor inicial:

" + =
{ (0) = 1
(0) = 2
Para resolverlo buscamos las transformadas (5)

{} = ()
{"} = 2 () (0) (0) = 2 () + 2
1
{} = 2

Por tanto, la EDO se transforma en la ecuacin algebraica

() + 2 () + 2 =
Despejando

()(1 + 2 ) =

1
2

1
1 2 + 2
+

()
=
2
1 + 2

De donde

() =

1
2 (1 +

2)

2
1+
1 + 2

El primer trmino lo podemos descomponer en fracciones simples como

1
2 (1+2 )

= 2 2 +1

Por tanto

() =

1
+ 2
3 2
2

+1
+1

Todos estos trminos estn en la tabla de transformadas

{} =
Entonces

1
2

{()} =

1
2 + 1

{()} =

2 + 1

() = {} + {()} 3{()} = { + () 3()}


Por tanto

() = + () 3()

Estrictamente esta igualdad vale para t0 pero es fcil verificar que esta funcin es solucin del
problema para todo t.
Ntese que la solucin verifica los valores iniciales del problema, que fueron incorporados en la
transformada de la derivada segunda.

Si las condiciones iniciales fueran en otro valor de t, se puede hacer un cambio de variable para que los valores iniciales
correspondan al cero en la nueva variable
5
Ntese cmo las condiciones iniciales en t=0 se incorporan a la transformada de la derivada.
4

Transformada de Laplace

12-10

12.4.2 Sistemas de ecuaciones lineales a coeficientes constantes


Este tipo de sistema de ecuaciones diferenciales se transforma en un sistema de ecuaciones
algebraicas del que se despejan las transformadas de las funciones incgnitas.
Se procede en forma similar, pero habr varias funciones incgnitas.
Consideremos el siguiente sistema de ecuaciones diferenciales:

= 2 3
{ = 2 +
(0) = 8 (0) = 3
Las transformadas de las funciones incgnitas seran {} = () y {} = ()
Por la propiedad de derivada de la funcin

{} = () (0) = () 8
{} = () (0) = () 3
El sistema transformado queda
( 2)() + 3() = 8
() 8 = 2() 3()
{
() 3 = 2() + ()
2() + ( 1)() = 3

Resolviendo este sistema de ecuaciones

() =

8 17
( 4)( + 1)

() =

3 22
( 4)( + 1)

Debemos descomponer ambas expresiones en fracciones simples

3
5
2
5
+
() =
+
4 +1
4 +1
1
Todos estos trminos son de la forma { } =

Entonces () = 3 4 + 5 () = 2 4 + 5
Nuevamente, aunque esta solucin vale para t0 es fcil verificar que es solucin del problema
() =

para todo t y que verifica los valores iniciales del problema, que fueron incorporados en las
transformadas de las derivadas.

12.4.3 Ecuaciones diferenciales lineales a coeficientes variables


En estos casos, al haber coeficientes variables, la ecuacin diferencial suele transformarse en
otra ecuacin diferencial, pues habr derivadas de la transformada involucradas.
Consideremos el problema

" + (1 2) 2 = 0
(0) = 1
{
(0) = 2
Por propiedad de derivada de la funcin

{"} = 2 () (0) (0) = 2 () 2


{} = s() (0) = s() 1
Y por propiedad de derivada de la transformada

{} = ({ }) = (s() 1) = s() ()
{"} = ({"}) = ( 2 () 2) = 2 () 2() + 1
Entonces

{(1 2) } = { } 2{ } = s() 1 + 2(s () + ()) =


= 2() + (s + 2)() 1
La ecuacin transformada queda

2 () 2() + 1 + 2 () + (s + 2)() 1 2() = 0


( 2 + 2) () () = 0 (s + 2) () () = 0 () =
Que es una ecuacin diferencial a variables separables cuya solucin es de la forma

() =
Y como

() = k 2
2

(0) = 1 = 1 () = 2

()
2

Transformada de Laplace

12-11

12.4.4 Aplicaciones
Los sistemas mecnicos de traslacin se usan para modelar situaciones que involucran tres
elementos bsicos,
masas (con masa M, medida en Kg),
resortes (con rigidez del resorte K, medida en Nm-1) y
amortiguadores (con coeficiente de amortiguamiento B, medido en Nsm-1).
Las variables asociadas son el desplazamiento x(t) (medido en m) y la fuerza F(t) (medida en N).
Los elementos bsicos se representan como en la figura

Figura 12-5 Elementos de sistema de traslacin


Suponiendo que los resortes y amortiguadores son ideales (se comportan linealmente), las
relaciones entre las fuerzas y los desplazamientos son
Masa:
= "
(Ley de Newton)
Resorte:
= (2 1 )
(Ley de Hooke)
Amortiguador: = (2 1 )
Usando estas relaciones llegamos a las ecuaciones del sistema, que se pueden resolver
mediante las tcnicas de transformada de Laplace.

12.4.4.1 Sistema oscilatorio de una masa


La masa del sistema de la Figura 12-6 (a) est sometida a una fuerza peridica externa
F(t)=4sen(t) aplicada a partir del tiempo t=0,

Figura 12-6 Ejemplo de sistema de traslacin


Determine el desplazamiento resultante x(t) de la masa en el tiempo t, suponiendo que
x(0)=x(0)=0, para los casos = 2 y = 5.
En el caso = 5, qu pasara con la respuesta si no estuviera el amortiguado?
Solucin
Como se ve en la Figura 12-6 (b), las fuerzas que actan sobre la masa son la fuerza aplicada
F(t) y las fuerzas de restauracin F1 y F2 debidas al resorte y al amortiguador respectivamente.
Haciendo un balance de fuerzas y aplicado la ley de Newton, se llega a

"() + 6() + 25() = 4()


Aplicando la transformada de Laplace se obtiene

( 2 + 6 + 25)() = (0) + (0) + 6(0) +


donde X(s) es la transformada de x(t).

4
+ 2

Transformada de Laplace

12-12

Incorporando las condiciones iniciales llegamos a

() =

( 2

4
+ 6 + 25)

2 )( 2

En el caso = 2 descomponiendo en fracciones simples

() =

8
( 2

4 4 + 14
2
8 + 20
+
=
2
2
2
+ 6 + 25) 195 + 2
195 + 6 + 25
4
2

2
+3
4
=
(7 2
4 2
)+
(8

)
2
2
2
2
( + 3)2 + 42
195 + 2
+2
195 ( + 3) + 4
=

+ 22 )( 2

Y antitransformando se obtiene

() =

4
2 3
(8(4) (4))
(7(2) 4(2)) +
195
195

En el caso = 5 queda

() =

20
2
1
+3
3
4
=
+ (2
+
)
( 2 + 22 )( 2 + 6 + 25) 15 2 + 52 15 ( + 3)2 + 42 2 ( + 3)2 + 42

Y antitransformando se obtiene

() =

2
1
3
(5) + 3 (2(4) + (4))
15
15
2

Si no hubiera amortiguacin habra dado

() =

20
10
50
10 2 + 52 + 52 2
=
=
( 2 + 52 )2 25 ( 2 + 52 )2 25
( 2 + 52 )2
2
2
2
10 + 5
10 52
2
5
2 2 52
=

25 ( 2 + 52 )2 25 ( 2 + 52 )2 25 2 + 52 5 ( 2 + 52 )2

Antitransformando

() =

2
2
(5) (5)
25
5

Que es no acotada debido a que el sistema est en resonancia y no es amortiguado.

12.4.4.2 Sistema oscilatorio de dos masas


Considere el sistema mecnico de la Figura 12-7 (a), que consiste en dos masas M1=1 y M2=2
cada una conectada a una base fija por un resorte, con constantes K1=1 y K3=2 respectivamente,
y conectadas entre s por un tercer resorte con constante K2=2
El sistema es soltado desde el reposo en el tiempo t=0 en una posicin en la cual M1 est
desplazada una unidad a la izquierda de su posicin de equilibrio y M2 est desplazada 2
unidades a la derecha de su posicin de equilibrio. Despreciando todos los efectos de friccin,
determine las posiciones de las masas en funcin del tiempo.

Figura 12-7 Sistema oscilatorio de dos masas


Sean x1(t) y x2(t) los desplazamientos de las masas M1 y M2 respectivamente desde sus
posiciones de equilibrio. Como todos los efectos de friccin son despreciados, las nicas fuerzas
que actan sobre las masas son las fuerzas de restauracin debidas a los resortes, como se
muestra en la Figura 12-7 (b). Aplicando la ley de Newton se obtiene el sistema de ecuaciones
diferenciales que representa el movimiento del sistema

1 "() + 31 () 22 () = 0
22 "() + 42 () 21 () = 0

Transformada de Laplace

12-13

Aplicando la transformada de Laplace se obtiene

( 2 + 3)1 () 22 () = 1 (0) + 1 (0)


1 () + ( 2 + 2)2 () = 2 (0) + 2 (0)
Dadas las condiciones iniciales x1(0)=-1, x2(0)=2, x1(0)= x2(0)=0

( 2 + 3)1 () 22 () =
1 () + ( 2 + 2)2 () = 2
O sea
2
[ + 3
1

2 ] [1 ()] = []
2
+ 2 2 ()
2

Cuya solucin es

1 () =

3 + 2
( 2 + 4)( 2 + 1)

2 () =

2 3 + 5
( 2 + 4)( 2 + 1)

Descomponiendo en fracciones simples

1 () =
Antitransformando

2 2
+1
+4

2 () =

+ 2
+1 +4

1 () = () 2(2)
2 () = () + (2)

12.5 Funcines escaln e impulso


12.5.1 Escaln unitario de Heaviside
En muchas aplicaciones de la ingeniera las funciones de fuerza son diferentes en distintos
perodos de tiempo, es decir que estn definidas a trozos e inclusive pueden tener
discontinuidades de salto entre los trozos. Para manipular estas funciones discontinuas usamos
la funcin de Heaviside (6) H(t), tambin llamada escaln unitario, definida como

0 < 0
() = {
1 0

Figura 12-8 Funcin escaln


La funcin escaln permite describir con una sola frmula estas funciones definidas a trozos.
Por ejemplo, la funcin

1 () 0 < 1
() = { 2 () 1 < 2
3 () 2

Tambin suele encontrarse como u(t)

Transformada de Laplace

12-14

Figura 12-9 Funcin definida a trozos


Puede formularse como

() = 1 ()() + [2 () 1 ()]( 1 ) + [3 () 2 ()] =


= 1 ()[() ( 1 )] + 2 ()[( 1 ) ( 2 )] + 3 ()( 3 )
12.5.1.1 Transformada de la funcin escaln
Es fcil demostrar que la transformada de la funcin de Heaviside es

{()} =
Y por la propiedad de traslacin de la funcin

1
> 0


{( )} =
> 0, 0

12.5.1.2 Traslacin de la funcin


La funcin escaln nos permite expresar la traslacin de una funcin (como se defini en
12.2.8.6) en una sola frmula

( )( ) = {

0 <
( )

Por lo tanto la propiedad de traslacin de la funcin puede expresarse como

{( )( )} = {()}
12.5.1.3 Aplicaciones
Resolver la ecuacin diferencial

" + 5 + 6 = ()
{
(0) = 0
(0) = 2
Siendo f la funcin pulso

3 0 < 6
() = {
0 6
Solucin
En lugar del enfoque tradicional que sera resolver primero para el intervalo [0,6] y luego de 6 en
adelante, lo que haremos es expresar la ecuacin como

" + 5 + 6 = () = 3[() ( 6)]


Y transformarla

1 1
( 2 + 5 + 6)() = (0) + (0) + 5(0) + {()} = 2 + 3 ( 6 )

Entonces

() =

2 + 3
3
6
( + 2)( + 3)
( + 2)( + 3)

Descomponiendo en fracciones simples

1/2
1/2
1
1/2
3/2
1
() = (
+

) 6 (

+
)

+2 +3

+2 +3

Antitransformando

Transformada de Laplace

12-15

1 1
1 3
() = ( + 2 3 ) ( 2(6) + 3(6) ) ( 6)
2 2
2 2
O bien

1 1 2
+
3
0 < 6
2
2
() = {
1
3
( 2 3 ) + ( 2(6) 3(6) ) 6
2
2

Figura 12-10 Funcin pulso y solucin de la EDO

12.5.2 Funcin impulso


Cuando un martillo golpea un clavo, el martillo est en contacto con el clavo un perodo muy
corto de tiempo, el contacto es casi instantneamente. La fuerza aplicada, durante este corto
tiempo, crece rpidamente hasta un valor grande y luego disminuye rpidamente a cero.
Tales fuerzas bruscas se llaman fuerzas impulsivas y son importantes en muchas aplicaciones
de ingeniera. En la prctica no importa la duracin del contacto sino el impulso transmitido, que
es la integral la fuerza durante tiempo de
aplicacin.
Matemticamente
estas
funciones de fuerza se representan por la
funcin impulso unitario o delta de Dirac.
Para formular matemticamente la funcin
impulso y comprender su interpretacin
fsica, consideremos la funcin de pulso
definida por

0 0 < <
2

() = 1/
2
2

{ 0 2 <

Figura 12-11 Pulso rectangular unitario

Es evidente que el rea bajo el pulso es 1


para cualquier >0
+

() = 1

Cuando consideramos el lmite de la funcin


pulso cuando su duracin tiende a cero
obtenemos la funcin delta de Dirac, que
tiene la propiedad

() = 0 0
Figura 12-12 Impulso instantneo unitario

Transformada de Laplace

12-16
+

() = 1

Un impulso de magnitud A aplicado en t=a se


representa por ( ).
La magnitud de la funcin de pulso est dada por
el rea bajo el pulso. La forma real del pulso no es
importante, mientras
el rea sea constante cuando su duracin tiende a
cero.
O sea que bien hubisemos podido usar pulsos
como el de esta figura para definir la funcin
impulso.
Figura 12-13 Pulso triangular unitario

12.5.2.1 Propiedad de filtrado


Una propiedad importante de la funcin impulso unitario es la propiedad de filtrado, que dice que
si f es continua en t=a entonces
+

()( ) = ()

12.5.2.2 Transformada de la funcin impulso


Usando la definicin y las propiedades de la funcin impulso:
+

() = 0 = 1

{()} =
0

Ejemplo
Encontrar

1 {
1 {

2
}
2 + 4

2
2 + 4 4
4
1
=

}
{
} = 1 {1 2
} = () 2(2)
2
2
+4
+4
+4

12.5.2.3 Relacin entre las funciones escaln e impulso


De las definiciones de ambas funciones puede deducirse que

() = () () =

()
= ()

12.5.2.4 Aplicaciones
Consideremos una viga uniforme de longitud l y sea y(x) el desplazamiento vertical.

Transformada de Laplace

12-17

Figura 12-14 Viga cargada


Si la viga es sometida a una carga W(x) entonces

4
= ()
4

Siendo E el mdulo de Young del material e I el momento de inercia de la viga.


Transformando esta EDO obtenemos

[ 4 () 3 (0)-s 2 y'(0) "(0) "(0)] = ()


Despejando

() =

() (0) y'(0) "(0) "(0)


+
+ 2 + 3 +
4

Se necesitan cuatro condiciones iniciales para determinar la solucin, que idealmente seran
"(0)
el esfuerzo cortante en x=0
"(0)
el momento de torsin cortante en x=0
(0)
la pendiente de la viga en x=0
(0)
el desplazamiento de la viga en x=0
Pero usualmente no se dispone de todas pues, dependiendo del tipo de soporte que se tenga en
cada extremo, algunas condiciones estn especificadas en el otro extremo de la viga.
Supongamos que se desea conocer el desplazamiento de la viga soportada libremente en ambos
extremos, sometida a su propio peso W N distribuido uniformemente y una carga concentrada P
N en x=l/3.

Figura 12-15 Diagrama de fuerzas


R1 y R2 se pueden determinar por las condiciones de equilibrio de la viga, resultando

1 =

2

+
2 = +
2
3
2 3

Por tanto, la distribucin de carga ser

() =

2

[() ( )] ( ) + ( + ) () + ( + ) ( )

3
2
3
2 3

Transformada de Laplace

12-18

Transformando

() =


2

+ 3 + ( + ) + ( + )

2
3
2 3

De donde


2

+ 3 + ( + ) + ( + )
2
3
2 3

() =
+
4
(0) y'(0) "(0) "(0)
+
+ 2 + 3 +
=

2

1

3 ( 2 + 3 ) ( 2 + 3 )
= [ 5 + 5 4 +
+
]+

4
4

+
Como la viga est soportada libremente

(0) y'(0) "(0) "(0)


+ 2 + 3 +

(0) = () = 0 "(0) = "() = 0


Entonces

2

1

3 ( 2 + 3 ) ( 2 + 3 )
y'(0) "(0)
() = [ 5 + 5 4 +
+
]+ 2 +
4
4

s
4

Y antitransformando

() =

1
1 4
1
1
3

1 2
( )4 ( ) ( ) ( ) + ( + ) 3
[
+

24
24
6
3
3
6 2
3
1
1
+ ( + ) ( )3 ( )] + y'(0) + "(0) 3
6 2 3
6

Derivando dos veces

"() =

1
1 2 1

2
( )2 ( ) ( ) ( ) + ( + )
+
[
2
2
3
3
2
3

+ ( + ) ( )( )] + "(0)
2 3

Para determinar la solucin usamos las condiciones en el extremo derecho

1
1 4 1 2 3 1 2 3
1
[
( ) + ( + ) ] + y'(0) + "(0) 3
24
6
3
6 2
3
6
1
1 2
2
2
0 = "() = [
( ) + ( + ) ] + "(0)
2
3
2
3

0 = () =

Despejando

1
1 1
4
1
1
y'(0) + "(0) 3 = ( 3 + 3 3 3 )
6
24
81
12
9
1 1
2
W 2P
y"'(0)= [ W+ P- ( + ) ] =0 y"'(0) = 0
EI 2
3
2
3

Por tanto

2 1
5
y'(0) = ( + )
24
81
entonces

() =

1
1 4 1
1
3

1 2
( )2 ( ) ( ) ( ) + ( + ) 3
[
+
24
2
6
3
3
6 2
3
2
1
1
5
+ ( + ) ( )3 ( )]
( + )
6 2 3
24
81

Simplificando

Transformada de Laplace

() =

12-19

1
4 3 2
5
3
1
3

[ (

+
) ( 2 ) ( ) ( )

24 12 24
81
9
6
3
3
1
1
( )2 ) ( )]
+ ( ( + ) ( )3 +
6 2 3
2

O bien

1
4 3 2
5
3

[ (

+
0 <
) ( 2 )]

24 12 24
81
9
3
() =
4
3
2
3
2
3
1


19 2

[ (

+
+

)(
)]
24 12 24
162
18
6
162
3
{

12.6 Funciones de transferencia


La funcin de transferencia de un sistema lineal invariante en el tiempo se define como la razn
de la transformada de Laplace de la salida del sistema (respuesta) sobre la transformada de
Laplace de la entrada del sistema (excitacin o funcin de fuerza), cuando las condiciones
iniciales son nulas (sistema inicialmente en reposo).
Las funciones de transferencia se usan para estudiar
la relacin entrada-salida de sistemas lineales
invariantes en el tiempo y son importantes en el
anlisis y diseo de estos sistemas.
Consideremos un sistema lineal invariante en el
tiempo caracterizado por la ecuacin diferencial


1

+

+ + 0
1
0

donde n m, las ak y las bk son coeficientes constantes, y x(t) es la respuesta del sistema o salida
correspondiente a la entrada o funcin de fuerza u(t) aplicado a partir del tiempo t = 0.
Transformando esta ecuacin:

( + 1 1 + + 0 )() = ( + + 0 )()
Ya que todas las condiciones iniciales son nulas.
La funcin de transferencia del sistema se define como
Ec. 12-1

()

()
()

++
+ ++

Como vemos, para sistemas lineales invariantes con el tiempo la funcin de transferencia no
depende de la entada ni de la salida (ya que la salida es proporcional a la entrada), es una
caracterstica del sistema.

12.6.1 lgebra del diagrama de bloque


Frecuentemente los sistemas complejos pueden considerarse como compuestos por
componentes sencillos (de funcin de transferencia conocida), conectados en serie o en paralelo.
La funcin de transferencia del sistema completo se obtiene por las reglas del lgebra del
diagrama de bloque, ya que cuando estn en serie la salida de un componente es la entrada
del siguiente y cuando estn en paralelo ambas entradas son iguales y las salidas se suman.

Transformada de Laplace

12-20

Figura 12-16 Reglas de lgebra de diagramas de bloque

12.6.2 Ceros y polos de la funcin de transferencia


Si en Ec. 12-1 anotamos

() = + + 0
() = + 1 1 + + 0
Entonces

() =

()
()

donde, para que el sistema sea fsicamente realizable, los grados m y n de los polinomios P(s) y
Q(s) deben ser tales que nm, pues de lo contrario la salida del sistema ante una entrada acotada
podra incluir funciones impulso, cosa que no sucede normalmente.
La ecuacin Q(s)=0 es llamada la ecuacin caracterstica del sistema, y su orden determina el
orden del sistema y sus races se conocen como polos de la funcin de transferencia.
De la misma manera, las races de P(s)=0 son los ceros de la funcin de transferencia.
A pesar de que una funcin de transferencia caracteriza la dinmica del sistema, no proporciona
informacin acerca de la estructura fsica del sistema, y de hecho sistemas que son fsicamente
distintos puede tener la misma funcin de transferencia; por ejemplo, un sistema masa-resorteamortiguador y un circuito RLC tienen ambos la funcin de transferencia de la forma

() =

1
+ +

Para sistemas lineales invariantes en el tiempo G(s) puede escribirse como

() =

() ( 1 )( 2 ) ( )
=
() ( 1 )( 2 ) ( )

Siendo zi y pi los ceros y los polos de la funcin de transferencia respectivamente.


Si se conocen los polos y los ceros entonces G(s) es conocida, excepto por un factor constante.
Por eso con frecuencia se usa un dibujo de los polos y los ceros de G(s) como ayuda en anlisis
grfico de la funcin de transferencia (una convencin comn es marcar la posicin de un cero
mediante un crculo y la de un polo mediante una cruz).
Como los coeficientes de los polinomios P(s) y Q(s) son reales, todas las races complejas son
pares complejos conjugados y el diagrama polo-cero es simtrico con respecto del eje real.
Ejemplo
La respuesta x(t) de un sistema a una funcin de fuerza u(t) est dada por la ecuacin diferencial

+ 12
+ 13 = 2
+ 3
2

a) Determine la funcin de transferencia que caracteriza al sistema.


b) Proporcione la ecuacin caracterstica del sistema. Cul es el orden del sistema?
c) Determine los polos y los ceros de la funcin de transferencia y haga un diagrama
polo-cero en el plano s.
Solucin

Transformada de Laplace

12-21

a) Supongamos que todas las condiciones iniciales son cero, aplicando la transformada de
Laplace a toda la ecuacin diferencial obtenemos

(9 2 + 12 + 13)() = (2 + 3)()
La funcin de transferencia del sistema es entonces

()
2 + 3
= 2
() 9 + 12 + 13
b) La ecuacin caracterstica es 9 2 + 12 + 13 = 0 y el sistema es de orden 2.
()

c) Los polos de la funcin de transferencia son las races de la ecuacin caracterstica,


2

= 3 + = 3 y el cero de la funcin de transferencia es la raz del polinomio del


numerador, =

2
3

Colocando los polos y ceros en el plano s obtenemos el diagrama

Figura 12-17 Diagrama Polo-Cero

12.6.3 Estabilidad
La estabilidad de un sistema es una propiedad muy importante.
Un sistema estable es uno que permanece en reposo a menos que sea excitado por una fuerza
externa y vuelve al estado de reposo si se quita la fuerza externa. As un sistema estable es uno
cuya respuesta cuando se anula la entrada tiende a cero cuando el tiempo tiende a infinito. Esto
garantiza que cualquier entrada acotada producir una salida acotada; esta propiedad se toma
con frecuencia como la definicin de un sistema lineal estable.
Es claro que la estabilidad es una propiedad del propio sistema y no depende de la entrada del
sistema ni de la funcin de fuerza. Corno un sistema puede ser caracterizado en el dominio s por
su funcin de transferencia G(s), ser posible usar la funcin de transferencia para especificar
condiciones para que el sistema sea estable.
La respuesta en el tiempo, x(t), de un sistema ante una entrada u(t) est dada por

() = ()() () =

()
()

Donde ya hemos visto que el grado de P debe ser menor que el de Q.


La descomposicin en fracciones simples de G(s) depende de cmo son las races de Q(s), es
decir los polos, que pueden ser de varios tipos.

12.6.3.1 Polo real simple


Un polo simple en s=- en la expansin fracciones simples de G(s) aparece como un trmino de
la forma c/(s+) cuya respuesta correspondiente en el dominio de t es ce- tH(t).
Si >0 el polo est en el lado izquierdo del plano s y la respuesta en el tiempo crecer
sin cota cuando t+.

Si <0 el polo est en el lado derecho del plano s y la respuesta en el tiempo tender a
cero cuando t+.

=0 corresponde a un polo simple en el origen, que tiene una respuesta en el tiempo


que es un escaln cH(t). Un sistema que tiene un polo as se dice que es

Transformada de Laplace

12-22

marginalmente estable; pues no asegura que una entrada acotada dar lugar a una
salida acotada (7).
De ello se deduce que un sistema estable debe tener los polos reales simples en la mitad
izquierda del plano s.

12.6.3.2 Polos reales mltiples


Un polo mltiple en s=-y en la expansin en las fracciones simples de G(s) aparece como
trminos de la forma c/(s+)n cuya respuesta en el dominio de tiempo es

1 ()
( 1)!
La respuesta decaer a cero cuando t+ slo si >0, lo que indica que un sistema estable
debe tener todos los polos reales mltiples en la mitad izquierda del plano s.
12.6.3.3 Polos complejo conjugados
Corresponde a un par de polos complejos conjugados en s=-+i, s=--i, y en la expansin
fracciones simples de G(s) aparece como un trmino de la forma

( + ) +
( + )2 + 2
Cuya respuesta en el dominio de tiempo es

( () + ()) = ( + )
Nuevamente los polos en la mitad izquierda del plano s (correspondiente a >0) tienen
respuestas de tiempo decaen a cero cuando t+. en la forma de sinusoide amortiguada
exponencialmente.
Por tanto, un sistema estable debe tener polos complejos conjugados en la mitad izquierda
del plano s (deben tener parte real negativa).
Si =0, la respuesta de tiempo ser una sinusoide peridica, que no decaer cuando t+.
Esto corresponde a un sistema marginalmente estable y dar lugar, por ejemplo, a una respuesta
no acotada cuando t+ cuando la entrada es una sinusoide de la misma frecuencia
(resonancia).

12.6.4 Definicin de sistema estable


Un sistema lineal fsicamente realizable, causal e invariante en el tiempo con funcin de
transferencia G(s) es estable siempre que todos los polos de G(s) estn en la mitad
izquierda del plano s.
El requisito de que el sistema sea fsicamente realizable, es que n>m en la funcin de
transferencia G(s) para evitar trminos polinmicos en el cociente P(s)/Q(s) que permitiran
respuestas no acotadas con entradas acotadas.

Por ejemplo, si un sistema de este tipo tiene una entrada que es un escaln d aplicado en el tiempo
respuesta ser una rampa cdtH(t), que es no acotada cuando t+.
7

t=0, entonces la

Transformada de Laplace

Figura 12-18

12-23

Respuestas al impulso segn tipos de polos

Transformada de Laplace

12-24

12.7 Teoremas del valor inicial y final


Estos teoremas nos permiten conocer el comportamiento del sistema cuando t0 y t+ sin
necesidad de antitransformar a F(s).

12.7.1 Teorema del valor inicial


Si f(t) y f(t) son ambas transformables y existe

lim () entonces

0+

lim () = lim ()

0+

Demostracin
Como vimos en la propiedad de derivada de la funcin {()} = () lim+ ()
0

Pero si f(t) es transformable,

lim {()} = 0 0 = lim (() lim+ ()) = lim () lim+ ()

lim+ () = lim ()
+

12.7.2 Teorema del valor final


Si f(t) y f(t) son ambas transformables y existe lim () (8) entonces lim () = lim ()
+

Demostracin
Como vimos en la propiedad de derivada de la funcin {()} = () lim+ ()
0

Entonces
+

lim+ () lim+ () = lim+ { () } = lim+

=
0

() =

() = ()|+
0 = lim () lim+ ()
+

lim () = lim ()

12.8 Aplicaciones
12.8.1 Respuesta a perturbaciones
Se tiene un intercambiador de calor 1-1, de carcasa y tubos. En condiciones estables, este
intercambiador calienta 224 gal/min de agua de 80F a 185F por dentro de tubos con vapor
saturado a 150 psia en la carcasa.

Flujo de
agua entrada

Temp de
Vapor entrada

Salida de
Agua T

Salida de
condensado

La ecuacin diferencial que modela el intercambiador de calor es

0 0 (

+
1

) + ( ) =
2
2

La existencia de lim () no garantiza que lim () exista, lo cual es necesario para la validez de este
0

teorema.

Transformada de Laplace

12-25

Donde
Ud0: Coeficiente global de transferencia de calor (267.4897 BTU/hFft2)

ATC0: rea de transferencia de calor (197.92034 ft2)

Cp: Capacidad calorfica (1 BTU/lbF)

tv: Temperatura del vapor (F)

te: Temperatura del agua a la entrada (80 F)

ts: Temperatura del agua a la salida (F)

w: Flujo de agua (lb/h)

m: Cantidad de agua dentro de tubos (1219321.75 lb)

a) Obtenga la funcin de transferencia del cambio de la temperatura de salida del agua


con respecto a un cambio en la temperatura del vapor y un cambio en el flujo de agua,
suponiendo que la temperatura de entrada del agua al intercambiador se mantiene
constante en 80F.
b) Determine el valor final de la temperatura de salida del agua ante un cambio tipo
escaln de +20F en la temperatura del vapor y un cambio de +10 gal/min en el flujo de
agua.
c) Grafique la variacin de la temperatura de salida del agua con respecto al tiempo.
Solucin
a) Funcin de transferencia
En estado estacionario

0 0 (
Donde

+
( ) = 0
)+
2

: Temperatura del vapor (358 F)

: Temperatura del agua a la salida (185 F)

: Flujo de agua (112162.3 lb/h)

Restando esta ecuacin de la anterior


1
1

0 0 ( ) 0 0 ( ) + (
) ( ) ( ) =
2
2

1
0 0 ( ) 0 0 ( ) + (
) ( )
2
1

(
) ( )
( ) =
2

Utilizando variables de desviacin

1
1

0 0 0 0 + ( )
=
2
2

Aplicando la transformada con Laplace

1
1
0 0 () 0 0 () + () ( )
() = ()
2
2

Reordenando

1
1
0 0 () () 0 0 ()
() + () ( ) = 0
2
2
1
1
0 0 () ( + 0 0 +
) () + () ( ) = 0
2
2
Despejando Ts(s)
() =

0 0 () + () ( )
1
1
+ 0 0 +

2
2

Transformada de Laplace

12-26

Separando
() =
Y reordenando

O sea ()

( )
0 0
() +
()
1
1
1
1
+ 0 0 +

+ 0 0 +

2
2
2
2

( )
0 0
1
1

+

2 0 0
2 0 0
() =
() +
()
1
1

2
2
+1
+1
1
1
0 0 +

0 0 +

2
2
1
2
=
() +
() con
1 +1

0 0

1 =

2 +1

= 0.381883131
1

2 0 0
( )

2 =
= 7.573947 104
1

2 0 0 +
1

2
1 = 2 =
= 1.712995
1

2 0 0

Por tanto

7.573947 104
0.381883131

() =
() +
()
1.712995 + 1
1.712995 + 1
Ntese que la funcin de transferencia tiene dos componentes (uno para la temperatura de vapor
y otro para el flujo de agua).
b) Respuesta a las perturbaciones
Las perturbaciones introducidas en el instante

t=0 son

() = 20()
() = 10() = 5007.2455()
Cuyas transformadas son ()

20

y ()

5007.2455

, por tanto

4
0.381883131
20 7.573947 10 5007.2455
() =
+
=
1.712995 + 1
1.712995 + 1

3.845201
=
(1.712995 + 1)
Sin necesidad de antitransformar, por el teorema el valor final

3.8452
= 3.8452
0 1.712995 + 1

lim () = lim () = lim

c) Para graficar cmo vara la temperatura en el tiempo debemos antitransformar, para los
cual primero expendimos en fracciones simples

() =

3.845201
2.246078 1
=
=
(1.712995 + 1) ( + 0.583772 1 )
3.845201
3.845201
1
1
=

= 3.845201 (
)
1

+ 0.583772
+ 0.583772 1

Antitransformando

() = 3.845201()(1 0.583772

Por tanto

() = [185 + 3.845201()(1 0.583772

)]

12-27

190

370
368
366
364
362
360
358
356
354
352
350

Ts (F)

189
188
187
186
185

Tv (F)

Transformada de Laplace

-1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Tiempo (seg)
ts

tv

Figura 12-19 Respuesta a entrada escaln

12.8.2 Control automtico


Consideremos que en el sistema anterior queremos controlar la temperatura de salida ante
perturbaciones en la temperatura del vapor mediante un sistema con un controlador PID en lazo
cerrado que actuar sobre el flujo de agua.

Figura 12-20

Diagrama de bloques de control PID

Seal

Nombre

Funcin

r(t)
e(t)
c(t)
u(t)
p(t)
y(t)
h(t)

Referencia
estado que se desea alcanzar en el sistema.
Error
diferencia entre el estado deseado y real del sistema a controlar.
Control
seal que genera el controlador.
Accionamiento accin que se ejerce sobre el sistema para controlarle.
Perturbacin
perturbacin en la entrada del sistema
Salida
estado real que ha alcanzado el sistema a controlar.
Realimentacin medida del estado del sistema.

Transformada de Laplace

Sean

12-28

Gc(s)

la funcin de transferencia del controlador

Ga(s) =1

la funcin de transferencia del accionador (el control es directo sobre w)

Gs(s)

la funcin de transferencia del sistema

H(s)=1

la funcin de transferencia del sensor (la medida es directa)

La ecuacin diferencial de un controlador PID es () = [() +


Donde Kc es la constante de proporcionalidad (9) en

integracin y derivacin en segundos (11).


Transformando sabiendo que e(0)=0

1
()

()
]

y son los tiempos (10) de

1
1
() + ()] = [1 +
+ ] ()


1
Entonces a funcin de transferencia del controlador es () = [1 +
+ ]
() = [() +

Como el error es la desviacin de la temperatura de salida y se acta directamente sobre el flujo


de agua, entonces

() = () () = [1 +

1
+ ] ()

Pero

() =
Entonces

() =

0.381883131
7.573947 104
()
()
1.712995 + 1
1.712995 + 1

0.381883131
7.573947 104
1
()

[1 +
+ ] ()
1.712995 + 1
1.712995 + 1

Y despejando

0.381883131
1.712995
+1
() =
()
7.573947 104
1
1+

+
+ ]
1.712995 + 1 [1
Entonces la funcin de transferencia global es

() =

0.381883131
=
7.573947
1
(1 +
[1 + + ]) (1.712995 + 1)
1.712995 + 1

0.381883131
=
=
1
4
1.712995 + 1 + 7.573947 10 [1 +
+ ]

504.206
=

1
2261.69 2 + 1320.32 + [ + + 2 ]

504.206
() =

(2261.69 + ) 2 + (1320.32 + ) +

104

Los polos de la funcin de transferencia son las races de

( + 2261.69) 2 + ( + 1320.32) +
( +

=0

2261.69 2
1320.32
1
) + (1 +
) + = 0

Debe ser positiva en este caso pues un error positivo debe provocar un aumento de w para bajar Ts
Deben ser positivos para que ambos efectos tengan el mismo sentido que el proporcional.
11
De aqu en ms omitiremos las unidades para simplificar las ecuaciones.
10

Transformada de Laplace

12-29

Para que el sistema sea estable ambas races deben tener parte real negativa, por lo tanto, su
producto debe ser positivo.

1 2 =

1
=
>0
+ 2261.69

Lo cual se cumple y adems la suma es negativa pues

1 + 2 =

(1 + 1320.32 )
=
<0

+ 2261.69

Pero dados y , cuanto ms negativas sean las partes reales de las races, ms estable ser
el sistema. Para ello conviene elegir grande y pequeo y adems trataremos que el
discriminante no sea positivo para que no haya dos races reales, pues la mayor ser mayor que
la semisuma, por tanto,

(1 + 1320.32 )2 4( + 2261.69 )
4

1
0

+ 2261.69
(1 + 1320.32 )2

En estas condiciones la parte real de las races ser

1 (1 + 1320.32 )
<0
2 + 2261.69
Si elegimos, por ejemplo = 3000 , = 0.2, debe ser < 1.8398
() =

Si elegimos = 0.1 los polos sern = 0.7548 3.1486


La descomposicin en fracciones simples de la funcin de transferencia es

504.206
0.1762
= 2
=
+ 4320.32 + 3000 + 1.5097 + 10.483
0.1762
=
( + 0.7548)2 + 3.14862
20
Si se aplica una perturbacin () = 20() entonces () =
y la respuesta ser

1.119 3.1486
() = () () =
( + 7.548)2 + 3.14862
() =

2861.69 2

Antitransformando

() = 1.119 0.7548 (3.1486)()


Por tanto

187

370
368
366
364
362
360
358
356
354
352
350

Ts (F)

186,5
186
185,5
185
184,5
-1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Tiempo (seg)
ts
Figura 12-21

tv

Respuesta a entrada escaln con control PID

Tv (F)

() = [185 + 1.119 0.7548 (3.1486)()]

Transformada de Laplace

12-30

Si queremos evitar las oscilaciones debemos elegir = 1.8398 con lo cual habr un polo doble
= 0.7548 No hay oscilaciones, pero la estabilizacin es ms lenta.

() = () () =

3.5238
( + 7.548)2

Antitransformando

() = 3.5238 0.7548 ()
Por tanto

187

370
368
366
364
362
360
358
356
354
352
350

Ts (F)

186,5
186
185,5

185
184,5
-1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Tiempo (seg)
ts

tv

Figura 12-22 Respuesta a entrada escaln con control PID sin oscilacin

Tv (F)

() = [185 + 3.5238 0.7548 ()]

Vous aimerez peut-être aussi