Folleto de Análisis Numérico

Escuela Superior Politcnica del Litoral
Facultad de Ciencias Naturales y Matemticas
Folleto de Anlisis Numrico

Por Steveen Carriel
Versin Julio/17
Anlisis Numrico - Steveen Carriel
Objetivo del curso de Anlisis Numrico
En trminos generales, el objetivo del curso es que el alumno aprenda esencialmente varios mtodos y
tcnicas para encontrar la solucin de algn problema, manualmente complicado de resolver o que a su vez,
esta resolucin sea excesivamente larga.
Al principio se aprender a encontrar la solucin aproximada de ecuaciones analticamente no solucionables,

es decir, aquellas ecuaciones que no se pueden despejar por mtodos tradicionales (suma, resta,
multiplicacin, etc.). Luego lo extenderemos a sistemas de ecuaciones de este tipo. Posteriormente
aplicaremos mtodos numricos para integrar, derivar, aproximar funciones, resolver ecuaciones diferenciales
y sistemas de los mismos.
Adicionalmente se aprender a formular computacionalmente todo lo anteriormente dicho, ya que los

modelos matemticos que se ensean, se aplican en la vida real. Estos estn implementados en un sin nmero
de softwares y dispositivos. Inclusive en una calculadora convencional.
Objetivos del folleto
El objetivo principal de este folleto es que el lector cumpla los objetivos del curso de anlisis numrico, pero
de manera muy clara y pedaggica.
o Es decir, se espera que el lector aprenda completamente Anlisis Numrico solo con leer este
folleto.
Este objetivo puede hacer que el folleto se haga un poco extenso, pero sumamente til.
Este folleto pretende ser prctico e ir al grano, para evitar llenarnos de tanta teora que muchas
veces es innecesaria y solo aprender lo que necesitemos aprender.
No pretendo buscar mediocridad, pero esta materia es dirigida a ingenieros, no a matemticos.
Los tpicos resaltados de este color, son opcionales.
2
Tabla de contenido
1. Ecuaciones no lineales ................................................................................................................................. 5
1.1. Mtodo de la biseccin ............................................................................................................................... 5
1.1.1. Pasos para el mtodo de la biseccin ................................................................................................. 6
1.1.2. Algoritmo del mtodo de la biseccin................................................................................................. 7
1.2. Mtodo del punto fijo ................................................................................................................................. 8
1.2.1. Convergencia del mtodo del punto fijo ............................................................................................. 9
1.3.1. Pasos para el mtodo del punto fijo.................................................................................................. 10
1.4. Mtodo de Newton ................................................................................................................................... 11
2. Sistemas lineales y no lineales de Ecuaciones ........................................................................................... 16
2.1. Sistemas lineales........................................................................................................................................ 16
2.2. Definiciones previas................................................................................................................................... 16
2.2.1. Mtodos iterativos para sistemas de ecuaciones lineales ................................................................ 19
2.2.1.1. ............................................................................................................. 19
2.2.1.2. Mtodo de Jacobi .......................................................................................................................... 21
2.2.2. Convergencia de los mtodos iterativos para sistemas de ecuaciones lineales ............................... 22
2.2.3. Anlisis del error en los mtodos iterativo para sistemas de ecuaciones lineales ........................... 22
2.2.4. Sistemas bien condicionados y mal condicionados........................................................................... 22
2.3. Sistemas no lineales de ecuaciones........................................................................................................... 23
2.3.1. Mtodo iterativo de Newton para sistemas de ecuaciones no lineales ........................................... 24
3. Interpolacin Polinomial ........................................................................................................................... 25
3.1. Unicidad del polinomio de interpolacin .................................................................................................. 25
3.2. Mtodos de interpolacin Polinomial ....................................................................................................... 25
3.2.1. Polinomio de Lagrange ...................................................................................................................... 25
3.2.2. Polinomio bivariable de Lagrange (Interpolacin mltiple) .............................................................. 27
3.3.2. Polinomio de Interpolacin de Newton ............................................................................................ 30
3.3.3. Trazadores cbicos ............................................................................................................................ 31
4. Integracin Numrica ................................................................................................................................ 36
4.1. Frmulas de Newton-Cotes ( Trapecios y Simpson) .................................................................................. 36
4.1.1. Frmula de los trapecios ................................................................................................................... 36
4.1.2. Frmula de Simpson .......................................................................................................................... 38
4.2. Cuadratura de Gauss ................................................................................................................................. 38
4.3. Integrales con singularidades .................................................................................................................... 40
4.4. Integrales no acotadas .............................................................................................................................. 40
4.5. Integracin mltiple .................................................................................................................................. 41
5. Diferenciacin numrica............................................................................................................................ 42
3
5.1. Primera derivada ....................................................................................................................................... 42

5.2. Segunda derivada ...................................................................................................................................... 43
6. Ecuaciones diferenciales ordinarias .......................................................................................................... 44
6.1. Ecuaciones diferenciales ordinarias de primer orden ............................................................................... 44
6.1.1. Mtodo de la serie de Taylor............................................................................................................. 44
6.1.2. Frmula de Euler ............................................................................................................................... 45
6.1.3. Frmula de Euler mejorado o Heun .................................................................................................. 47
6.1.4. Frmula de Runge-Kutta de cuarto orden......................................................................................... 47
6.2. Sistema de ecuaciones diferenciales ordinarias de primer orden con condiciones al inicio .................... 48
6.2.1. Frmula de Heun para dos ecuaciones ............................................................................................. 49
6.3. EDOs de mayor orden con condiciones al inicio ...................................................................................... 51
6.4. Convergencia y estabilidad ( Tema adicional) ........................................................................................... 52
6.5. Ecuaciones diferenciales ordinarias con condiciones en los bordes ......................................................... 52
6.5.1. Mtodo de diferencias finitas ........................................................................................................... 53
6.5.2. EDOs con condiciones en los bordes con derivada .......................................................................... 54
7. Ecuaciones diferenciales parciales ............................................................................................................ 55
4
Anlisis Numrico - Steveen Carriel Ecuaciones lineales Mtodo de la biseccin
1. Ecuaciones no lineales
o Recordemos que una ecuacin no lineal es aquella que por lo menos uno de los trminos no es lineal (es decir
diferente de x), por lo cual ser un poco ms complicado despejar o encontrar alguna raz.
Sea f una funcin de variable real, definida en un intervalo I. El objetivo es encontrar al menos un x * que
pertenezca al intervalo I, tal que f(x*)=0, es decir, se desea encontrar por lo menos una raz en el intervalo I
X1*
()
X2*
X3*
1.1. Mtodo de la biseccin
Introduciremos un teorema importantsimo para este curso, el cual es el siguiente:
Teorema del valor intermedio (TVI)
Sea f una funcin continua en el intervalo I: [a, b], tal que f(a)*f(b)<0, entonces existe algn x* que pertenece a
I, tal que f(x*)=0
Es decir, si f(a)*f(b)<0, es porque de a hasta b, la

f(b) funcin ha cambiado de signo, entonces es seguro que
al menos la funcin ha pasado por al menos una raz.
f(a) b
a
El mtodo de la biseccin consiste en elegir valores de a y b donde se cumpla del TVI, luego evaluar la funcin
+
en tres valores, en a, en b y en c, el cual es la mitad del intervalo [a, b] . = + =
2 2
o Si para a y c se cumple el TVI, quiere decir que la raz est entre esos dos intervalos, caso contrario estara
entre c y b. Para ambos casos se va acortando el intervalo hasta encerrar lo suficiente a la raz como para
decir que ya tenemos una buena aproximacin. A continuacin, se detalla los pasitos para este mtodo para
entenderlo con claridad
Th! En un intervalo [a, b], donde una funcin cumpla el TVI, si no cambia el signo de la derivada de esta funcin en
aquel intervalo, entonces la raz que hay es nica.
5
Ecuaciones lineales Mtodo de la biseccin
1.1.1. Pasos para el mtodo de la biseccin
1. Elije valores superior b, e inferior a, para el intervalo que cumpla el TVI ( A veces directamente te dan el
intervalo a,b)
+
2. Calcula C=
2
3. Realiza las siguientes evaluaciones para saber en qu intervalo est la raz:
a. Si f(a)*f(c)<0 entonces la raz se encuentra dentro del subintervalo inferior
o izquierdo. Por lo tanto, elige b=c y repite el segundo paso
b. Si f(a)*f(c)>0 entonces la raz se encuentra dentro del subintervalo superior o derecho. Por lo tanto,
elige a=c y repite el segundo paso
c. Repite hasta que (b-a) sea menor o igual al error sugerido del problema, en caso de que ocurra tu
aproximacin de la raz ser la ltima C que calculaste
Ejemplo 1.1
Hallar una aproximacin de la raz con la siguiente funcin () = 2 = 0, 0,2con un error de

truncamiento de 10-4
Aqu no importa el valor,

solo el signo
Hay cambio de signo
entre c y b, entonces se
elige a=c y se comienza
una nueva iteracin y
() () () as sucesivamente
0 0 1 2 - - +
1 1 1.5 2 - + +
2 1 1.25 1.5 - + +
3 1 1.125 1.25 - - +
4 1.125 1.1875 1.25 - + +
5 1.125 1.1563 1.1875 - + +
6 1.125 1.1406 1.15625 - - +
7 1.1406 1.1484 1.15625 - + +
8 1.1406 1.1445 1.1484 - - +
9 1.1445 1.1463 1.1484 - + +
10 1.1445 1.1455 1.1465 - - +
11 1.1455 1.1459 1.1465 - - +
12 1.1459 1.1462 1.1465 - + +
13 1.1459 1.1461 1.1462 - - +
14 1.1461 1.1462 1.1462 - + +
15 1.1462 1.1462 1.1462 + + +
6
Anlisis Numrico - Steveen Carriel Ecuaciones lineales Mtodo de la biseccin
Observaciones:
o Se necesito 14 iteraciones para encontrar la solucin con la precisin pedida, la 15va es para mostrar
que ya no cambia el cuarto decimal. A continuacin, aprenderemos cuantas iteraciones se necesitan
para determinada precisin sin tener que armar la tabla anterior o calcular una iteracin ms de la
necesaria
o El mtodo es de convergencia relativamente lenta, es decir muchas iteraciones para obtener la
respuesta;
o

( )
=
()
Frmula para calcular el nmero de iteraciones para el Mtodo de la biseccin
Ejemplo: Para los datos del primer ejemplo, use la expresin para calcular el nmero mnimo de iteraciones
necesarias para calcular la raz con una tolerancia de = 104
20
( )
104
= = 14,28 = 14 , lo cual coincide con lo que hicimos en el primer
ln(2)
Ejemplo
1.1.2. Algoritmo del mtodo de la biseccin
Function biseccin
Esta funcin algortmica tiene de variables de ingreso, la funcin f, los intervalos a,b (elegidos previamente por el TVI) y
la tolerancia e y arroja la aproximacin final c
%funcin para el mtodo de la biseccin
function c=biseccion(f,a,b,e)
while b-a>=e
c=(b+a)/2;
if f(a)*f(c)<0
b=c;
else
a=c;
end
end
Ejemplo (usando la ventana de comandos de Matlab)

Resolver la ecuacin () = 3 + 4 2 10=0, con una tolerancia de 103
Se requiere evaluar para encontrar los valores a y b
(0) = 10 (1) = 5 (2) = 14 Entonces podemos elegir a=1 y b= 2
Ecuaciones lineales Mtodo de la biseccin
Ventana de Matlab
>> format long
>>f=@(x) x^3 +4*x^2 -10;
>> a=1;
>> b=2;
>> e=0.001;
>> biseccion(f,a,b,e)
7
ans =
1.364257812500000
Entonces la aproximacin es 1.364
Function biseccion2
Si se requiere que Matlab muestra una tabla como en el primer ejemplo, con todos los clculos, se puede utilizar este
algoritmo:
%funcin para el mtodo de la biseccin2 mostrando la tabla de clculos
function U=biseccion2(f,a,b,e)
a(1)=a;b(1)=b;c(1)=(a+b)/2;
i=1;
while b(i)-a(i)>=e
c(i)=(b(i)+a(i))/2;
if f(a(i))*f(c(i))<0
i=i+1;
b(i)=c(i-1);
a(i)=a(i-1);
else
i=i+1;
a(i)=c(i-1);
b(i)=b(i-1);
end
end
c(i)=c(i-1);
t=length(a);
U=zeros(t,4);
l=0;
i=1;
for n=1:t
U(i,1)=l;
i=i+1;
l=l+1;
end
U(:,2)=a(:);
U(:,3)=c(:);
U(:,4)=b(:);
1.2. Mtodo del punto fijo
Suponga que tenemos una funcin f(x), de la cual necesitamos hallar las races, es decir; f(x)=0.
Pero podemos transformar este problema en uno equivalente, trabajndolo as: f(x)+x=x. No es lo mismo?
O en otro ejemplo si tenemos esta funcin de la cual queremos sus races:
() = () + tan(x) 5 2 + =0
Sera lo mismo trabajar con () tan() + 5 2 =
Tenemos como premisa entonces que estas ecuaciones son equivalentes, de manera general tenemos que:
() = 0 () =
Es conveniente despejar una x y resolver el problema de esta manera. Este es el mtodo de punto fijo y se detallar su
proceso y teora.
Punto fijo
Sea f una funcin definida en un intervalo I. Se dice que r es un punto fijo de f(x), s y solo s f(r)=r
Ecuaciones lineales Mtodo del punto fijo

8
Es decir, si tenemos una funcin cualquiera f(x), la igualamos a x y hallamos los puntos que resultan, estos puntos son
puntos fijos. De manera grfica tenemos:
Aqu se indican los puntos fijos de una funcin cualquiera

(color rojo).
En trminos simples, los puntos fijos son donde una

funcin intercepta con la funcin identidad (X).
Ejemplo
Hallar los puntos fijos de () = 2 + 3
Procedimiento:
2 + 3 =
2 + 3 = 2
2 2 3 = 0
= 3 = 1
Entonces x=3 y x=-1 son puntos fijos de la funcin 2 + 3
Ecuaciones lineales Mtodo del punto fijo
1.2.1. Convergencia del mtodo del punto fijo
Sea g una funcin continua en un intervalo I [a, b] donde se cumpla el TVI, tal que g(a)>a y g(b)<b y sea r
un punto fijo en [a,b]
Si [, ] [()] < 1 , entonces la sucesin +1 = ( ), i=0, 1, 2,3,
Converge al nico punto fijo, siendo [()], el factor de convergencia.
Demostracin
Aplicando el teorema de valor medio para la funcin g(x), dentro del intervalo I, donde se cumpla del TVI y
sabiendo que esta debe interceptar con la funcin x, es decir cuando g(x)=x. Al ser el punto fijo de g(x),
sabemos que esta es la raz. Tenemos que:
( ) ()
() =

Pueden observar la similitud del teorema con la definicin de la funcin Lipschitz ( donde la L viene ser g (z))
Sabemos que g(x) es la funcin iterativa, es decir, al

Funcin x resolver un problema hallamos el siguiente punto al
Funcin g(x) evaluar g(X)
+1 = ( )
g(xi) +1
() =

g(r) Al reordenar tenemos:

r
+1 = () ( )
Se puede observar errores de truncamiento en la iteracin

r xi i y i+1: +1 = ()
9
Al Tener esto: +1 = () y como deseamos que el mtodo converja, es decir que el error i+1, sea
menor al error i. En otras palabras, deseamos que el error vaya disminuyendo conforme iteramos.
Entonces se observa que g(z) es el factor de convergencia y debe ser acotado por una constante al
menos una constante menor a uno, donde z es un valor en el intervalo I
[, ] | ()| < 1 Esta es la condicin de convergencia y a su vez un criterio para elegir una g(x) apropiada.
1.3.1. Pasos para el mtodo del punto fijo
1. Elije valores superior b, e inferior a, para el intervalo que cumpla el TVI ( A veces directamente te dan el intervalo
a,b) de la funcin f(x)=0
2. Dada la funcin f(x)=0, convertirla en la forma x=g(x)
Existen dos maneras de realizar esta operacin:
2.1. Agregar a ambos lados de la ecuacin una x
2.2. Despejar una x de la ecuacin original
3. Verificar [, ] | ()| < 1 , es decir que la g(x) en el intervalo I est acotado superiormente por un
valor menor a uno, si no es as, hacer otra g(x)
4. Elegir un X0
5. Iterar de la forma = (1 ); = 1,2,3,4,5 hasta que | 1 | < . La ultima ser la aproximacin de la
raz Ecuaciones lineales Mtodo del punto fijo
Ejemplo 1.03
Halle una de las races de la siguiente funcin () = + () + =
Evaluando f(1)=12.895310 > 0, f(2)= 11.69314718 >0 f(8)>0 f(10)<0 f(9)<0
Sabemos que la raz se encuentra entre 8 y 9, ahora toca arreglar la ecuacin de la forma x=g(x)
ln()+15 ln()+15
La manera ms sencilla puede ser = tenemos que nuestra ()
2 2
1 1
Verificando el paso 3, hallamos que () = y esta funcin en [8,9] es menor a uno, as que el
2
mtodo converger y es una g(x) adecuada. Comenzamos a iterar con X 0 =8
ln(8) + 15
1 = = 8.5397
2
ln(8.5397) + 15
2 = = 8.5724
2
ln(8.5724) + 15
3 = = 8.5743
2
ln(8.5743) + 15
4 = = 8.5744
2
Ya hasta aqu no cambian los 3 primeros decimales, es decir hemos alcanzado la aproximacin de la raz
con la tolerancia deseada, la cual es: 8.574 En general el mtodo es de convergencia lenta, en este caso se
obtuvo rpido porque estbamos muy cerca de la raz al empezar.
Y si elegimos otra g(x)? Podra ser, con tal que cumpla los criterios de convergencia. Si en vez de despejar
x a la funcin original sumamos x a los dos lados y obtenemos:
= + ln() + 15, la cual, si cumple con los criterios, pero las iteraciones se hacen ms extensas.
Comprubala si cumple los criterios!
10
Anlisis Numrico - Steveen Carriel Ecuaciones lineales Mtodo del punto fijo
Ejemplo 1.04
Para cierto producto la demanda en el mercado est dada por la funcin = 2 + 5 y el precio de la
oferta esta dado por = 3 + 100 . Halle el punto de equilibrio entre la oferta y la demanda
El equilibrio entre ellas es cuando las rectas intersectan. Igualando las ecuaciones tenemos
2 + 5 = 3 + 100 Tenemos que 2 + 5 3 100 = 0
Evaluando tenemos que hay una raz entre 4 y 5
Instrumentacin algortmica para el mtodo de Newton
Puntofijo1
En esta funcin ingresamos g, la cual es la g(x) que cumpla los criterios de convergencia, el punto inicial X0
y la tolerancia especificada e
%algoritmo para el mtodo de punto fijo

function c=puntofijo1(g,x0,e)
d=x0;
c=0;
s=0;
while ~(s==1)
c=g(d);
if abs(c-d)<e
s=1;
else
d=c;
end
end
Usando los datos del ejemplo 1.03 probamos la funcin
>> format long

>> g=@(x) (log(x)+15)/2;
>> e=0.001;
>> x0=8;
>> puntofijo1(g,x0,e)
ans =
8.574383032876371
La respuesta sera 8.574
1.4. Mtodo de Newton
Este es un mtodo particular de punto fijo, y es una de las tcnicas ms conocidas y poderosas para la bsqueda
de races. Hay varios mtodos de introducirlo. La que se explicar es la que se basa en los polinomios de Taylor
Suponiendo que 2 [, ].Suponga que se desea resolver la ecuacin ( ) = 0 donde [, ]
Usando el polinomio de Taylor alrededor de una ensima aproximacin, es decir:

( )2
() = ( ) + ( )( ) + (), donde se encuentra entre x y
2!
11
= +1
(+1 )2
(+1 ) = ( ) + ( )(+1 ) + ()
2!
El mtodo de Newton se deriva suponiendo que +1 es una buena aproximacin de , es decir (+1 ) 0
Adems suponiendo que si |+1 | es tan pequeo, entonces (+1 )2 lo es mucho ms, por lo que
sera cero
Entonces nos queda:

0 = ( ) + ( )(+1 )
Lo cual ordenando nos queda la frmula iterativa de Newton:

( )
Formula Iterativa del Mtodo de Newton +1 =
( )
1.4.1. Anlisis grfico del Mtodo de Newton Ecuaciones lineales Mtodo de Newton
Generalmente, es un mtodo muy eficiente, ya que su convergencia es cuadrtica. Aqu podemos ver un grfico que
representa tal mtodo
Si queremos hallar la pendiente de () en el punto

sera:
( ) 0
( ) =
+1
Lo cual reordenando obtenemos:
( )
+1 =
( )
Pero hay una limitante, ya que si la funcin () ,

alrededor de la raz, no se comporta tal cual como la
de este grfico, el mtodo no converge.
En otras palabras para que la funcin sea similar al

grfico, debe cumplir este teorema (en general, el
mtodo es muy til, as que te recomiendo que uses
el mtodo, sin verificar el teorema)
Figura 1.4.1
Th! Sea 2 [, ] , donde f(a)<0 y f(b)>0 y
por ende existe una raz en I. Suponiendo que
() 0 en I. El mtodo iterativo converge s:
) () > 0
(, ]
) () > 0
) () > 0
Como recomendacin entonces se debe elegir el valor inicial cerca del extremo el intervalo I, donde f>0, en este caso b
12
Ejemplo 1.05
El precio de demanda de un producto est modelado mediante la ecuacin: = 10 + 4 y el precio de la oferta st

modelado mediante la ecuacin = 10 2 + 2, utilizando el mtodo de Newton, plantee la ecuacin y encuentre un
intervalo de convergencia y luego encuentre el punto de equilibrio entre el precio y demanda con = 104
La ecuacin sera igualando las otras dos: 10 + 4 = 10 2 + 2
() = 10 + 4 10 2 2 = 0, simplificando un poco tenemos: () = 5 5 2 + 1 = 0
: (0) = 6 (1) = 2.160607 elegimos [0,1]
Para hallar el intervalo de convergencia tenemos que verificar el teorema 1.
() = 5 10
() = 5 10
Vemos que
) () < 0
) () < 0
) () < 0
Entonces si alteramos la funcin con un signo menos: () = (5 5 2 + 1) Ecuaciones lineales Mtodo de Newton
Entonces obtenemos que
) () > 0
) () > 0 (, 1]
) () > 0
Nuestro intervalo de convergencia es (, 1]
Comenzamos a iterar, haciendo primero la frmula de Newton con () = 5 + 5 2 1

(5 +5 2 1)
+1 = , tomamos 0 = 1
5 +10x
(5 1 +5(1)2 1)
1 = 1 =0.81751
5 1 +10(1)
2 = (0.81751) = 0.80461
3 = (0.80461) = 0.80454
4 = (0.80454) = 0.80454
Ya no cambian los 4 ltimos decimales, la respuesta es: 0.8045
Cmo hallar el intervalo de convergencia de manera grfica (y rpida)?

Deben darse cuenta que el mtodo de Newton solo va a converger en la seccin de la funcin donde la pendiente en
cualquier punto tiende a acercarse a la raz (revisar figura 1.4.1).
Ejemplos de esto (pintado de amarillo)
13
Por obvias razones desconoceremos la raz, pero usando el TVI podemos tener una idea de donde est.
Teniendo esto en cuenta podemos establecer intervalos de convergencia fcilmente. Veamos un ejercicio con el
ejemplo de lo que digo.
Primera Evaluacion I Trmino 2016 ( 28/Junio/2016)

Primer tema:
El balance de masa de un contaminante en un lago bien mezclado se exprea mediante la ecuacin:

= 3

2
3 3
Dados los valores de parmetros = 1106 3 , = 1105 , = 1106 = 0.25 , se requiere hallar la concentracin c de estado
2

estable ( = 0)

a) Utilizando el mtodo de Newton, encuentre un modelo iterativo x=g(x) para aproximar c, y un intervalo de existencia y convergencia.
b) Realice las iteraciones presentando el error en cada iteracin ( 10^-4)
Solucin
a) Reemplazando los datos y simplificando tenemos la ecuacin, f(c)=0:
3
0 = 10 2.5
Planteamos el mtodo iterativo de newton
( )
+1 =
( )
2.5 5
() = 3 1= 3 1
3 2 6 2
5
1
3
6 2 10 2.5 3
+1 = +1 = + 5
10 2.5 3 +1
3
6 2
Para el intervalo de existencia usamos el TVI
f(0)=10 f(1)=6.5 f(5)=0.72 f(6)=-0.54
Vemos que hay una raz entre 5 y 6. Intervalo de existencia (5,6)
Para el intervalo de convergencia, tratamos de bosquejar la funcin usando teorema de la primera y segunda derivada
( crecimiento y concavidad)
f(1)>0 f(1)<0 f(1)>0
Entonces la funcin tiene esta forma:
14
Donde la regin en amarillo es el intervalo de convergencia, entonces

tranquilamente podemos decir que la funcin converge entre (0,r)
Pero concretamente podemos decir que converge entre (0,5)
O puede ser (0, 4) o (0,3), debido a que la funcin se comporta de la

manera anteriormente dicha.
b) Iteramos usando como valor inicial 5

1 = (5) = 5.5643
2 = (5.5643) = 5.5688
3 = (5.5688) = 5.5688
1 = |5.5643 5| =0.5643
1 = |5.5688 5.5643| = 0.0045
1 = |5.5688 5.5688| = 0
Para el mtodo de Newton, en la funcin, se debe ingresar la f, que corresponde a la funcin igualada a cero
a,b hallados con el TVI, h que es un valor muy pequeo para aproximar la derivada ( ejemplo h=0.0001), y e , la
tolerancia del propio problema
function [ R ] = Newton( f,a,b,h,e )
g=@(x) (f(x+h)-f(x))./h;
p0=a+rand(1).*(b-a);
p1=p0-(f(p0)./g(p0));
error=abs(p0-p1);
while error>e
p0=p1;
p1=p0-(f(p0)./g(p0));
error=abs(p0-p1);
end
R=p1;
end
15
2. Sistemas lineales y no lineales de Ecuaciones
2.1. Sistemas lineales
Sea = es la representacin matricial de un sistema lineal de n ecuaciones con n incgnitas
Ejemplo.
3 + = 4
{ 7 + 4 = 1
2
2 + 5 = 11
Observamos que en la forma AX=B, sera

3 1 1 4
(2 7 4) ( ) = ( 1 )
1 2 5 11
En un sistema de ecuaciones lineales la solucin podra ser nica, inconsistente o puede haber infinitas soluciones.
Suponiendo tambin que el sistema lineal anterior no es homogneo y que n es muy grande.
Entonces necesitamos mtodos que nos permitan minimizar el nmero de operaciones aritmticas para
resolver el sistema
Los mtodos directos como Gauss, Gauss-Jordn, requieren de mucho esfuerzo y son ineficientes para un nmero
relativamente grande de incgnitas.
Por eso se introducir mtodos iterativos como anteriormente lo hemos hecho, solo que esta vez para sistemas y
no solo una ecuacin
Teora previa
Sea V un espacio vectorial, una norma en V es una funcin que asigna a cualquier vector del espacio vectorial V un
nico nmero real denotado por , de la forma:
1
2
V= 3

( )
Sea A una matriz que pertenece a las matrices mxn, de la forma
11 12 13 1
21 22 23 2
A= 31 32 33 3

2 3 )
( 1
2.2. Definiciones previas
Antes de entrar de lleno a los sistemas de ecuaciones lineales, debemos recordar ( o aprender), ciertas definiciones
importantes, que sern fundamentales al momento de establecer convergencia para estos mtodos .
Norma infinito (norma fila)

Es el valor mximo de la suma total de los valores absolutos de los elementos de cada fila. Si se trata de un
vector, sera la fila con el valor mximo.
16
Vectores
= 1 | |= max(|1 |, |2 |, |2 |, |3 |, | | )
Ejemplo
2
(3 4 ) =max(2,5, 2)=5
1+
Matrices
= 1 (=1| |)
Ejemplo
i=1: |5| + |2| + |1|=8
5 2 1
( 3 8 4) =
i=2 |3| + |8| + |4|=15 El valor mximo sera 19
6 6 7 i=3 |6| + |6| + |7|=19
Norma uno (norma columna)

Es el valor mximo de la suma total de los valores absolutos de los elementos de cada columna. Si se trata de
un vector, sera la suma absoluta de todos sus elementos, ya que su nica columna es el vector mismo.
Vectores
1 = =1| |= (|1 | + |2 | + |2 | + |3 |, + + | | )
Ejemplo
2
(3 4 ) = |2| + |3 4| + |1 + | = 2 + 5 + 2 = 7 + 2
1+
Matrices
= 1 (=1| |)
Ejemplo
j=1: |5| + |3| + |6|=14
5 2 1
( 3 8 4) =
j=2 |2| + |8| + |6|=16 El valor mximo sera 16
6 6 7 j=3 |1| + |4| + |7|=12
Hay propiedades importantes de las normas, pero no son necesarias para el estudiante. De todas formas se la
adjuntar en la seccin de Anexos
Funcin Inversa de una matriz
En esta funcin se ingresa A, la cual es la matriz a hallar su inversa
function [D] =InversaMatriz(A)

[N,M]=size(A); C=[A eye(N,N)];
for n=1:N-1
[d,q]=max(abs(C(n:N,1:N)));
17
[a,p]=max(d);
f=q(p)+n-1; col=p;
Bo(n)=[col];
S=[C(n,:)];C(n,:)=[C(f,:)]; C(f,:)=[S];
C(n,:)=C(n,:)./C(n,col);
for m=1:N
if m==n
else
C(m,:)=C(m,:)-C(m,col).*C(n,:);
end
end
end
[a,p]=max(abs(C(N,1:N)));
Bo(N)=[p];
C(N,:)=C(N,:)./C(N,p);
for m=1:N-1
C(m,:)=C(m,:)-C(m,p).*C(N,:);
end
D=zeros(N,N);
for n=1:N
D(Bo(n),:)=[C(n,N+1:2.*N)];
end
end
Radio espectral
Sea . Sean 1 , 2 , 3 , los n valores propios de . Se define al radio espectral de , denotado con
() = 1 | |. Es decir, el radio espectral es el mximo valor absoluto de los valores propios de la matriz.
Matriz estrictamente diagonal dominante
Una matriz A es estrictamente diagonal dominante, si sus elementos en la diagonal son mayores a la de la suma
absoluta de los elementos de su misma fila. Ejemplo
1 4 8 > |1| + |4|

(2 3 ), observando esta matriz, nos percatamos que { 7 > |2| + |3| , entonces esta matriz es estrictamente
5 1 9 > |5| + |1|
diagonal dominante.
18
2.2.1. Mtodos iterativos para sistemas de ecuaciones lineales
Similar a lo que vimos para una sola ecuacin, presentaremos mtodos iterativos de la siguiente forma:
= (), donde la G(X) depender de del tipo de mtodo que a continuacin presentaremos.
La G(x) en general presenta la siguiente forma: () = + , donde a T se le denomina matriz de

transicin.
Antes de eso, se presentar formas de dividir una matriz A cualquiera en la suma de tres matrices, dos
matrices triangulares y una diagonal
= ( + + ) (Left Diagonal Right)

11 5 6 0 0 0 11 0 0 0 5 6
=(7 4 10)= (7 0 0) + ( 0 4 0) + ( 0 0 10)
3 2 7 3 2 0 0 0 7 0 0 0
L + D + RR
2.2.1.1.
Partiendo de la forma inicial de un sistema lineal de ecuaciones y luego se procede a manipular un poco.
=
( + + ) =
[( + ) + ] =
( + ) + =
( + ) =
= ( + )1 ( ) Suponiendo que L+D es invertible
= ( + )1 ( + )1
= ( + )1 + ( + )1
Finalmente, esta es la frmula iterativa de la forma = + , recordando que L, D, R, son

matrices y las X son vectores
+ = [ ( + )1 ] + ( + )1 Frmula iterativa del Mtodo Gauss-Seidel
Donde por observacin, la matriz de Transicin es: = [ ( + )1 ] y la = ( + )1

Funcin para Gauss Seidel
Donde A es la matriz de coeficientes, y B el vector vertical conocido
function [U] = GaussSeidel(A,B)
[N,N]=size(A);
C=zeros(N,N);
for n=1:N
C(n,n)=[A(n,n)];
end
F=[A-C];
for n=1:N
19
F(n,:)=[F(n,:)./C(n,n)];
B(n)=[B(n)./C(n,n)];
end
F=-F;
Z=zeros(N,1);
U=Z; V=Z;
for n=1:N
U(n)=F(n,:)*Z+B(n);
Z(n)=[U(n)];
end
while norm((U-V),1)>0.0001
V=Z;
for n=1:N
U(n)=F(n,:)*Z+B(n);
Z(n)=[U(n)];
end
end
end
Ejemplo. Comenzamos con un sistema sencillo de 3 ecuaciones y 3 incgnitas

3 + = 4
{2 7 + 4 = 1
2 + 5 = 11
Observamos que en la forma AX=B, sera

3 1 1 4
(2 7 4) () = ( 1 ), luego armamos la frmula de Gauss-Seidel.
1 2 5 11
3 0 0 1/3 0 0 0 1/3 1/3

+ = (2 7 0), ( + )1 = ( 2/21 1/7 0 ), ( + )1 = (0 2/21 10/21)
1 2 5 1/35 2/35 1/5 0 1/35 9/35
0 1/3 1/3
= (0 2/21 10/21)
0 1/35 9/35
1/3 0 0 4 4/3
= ( + )1 = ( 2/21 1/7 0 ) ( 1 ) = (11/21)
1/35 2/35 1/5 11 79/35
0
Por ser prcticos, elegimos el vector nulo como vector inicial 0 = (0), y comenzamos a iterar
0
4

0 1/3 1/3 0 3 1.333333
11
= (0 2/21 10/21) (0) + 21 = (0.523809)
0 1/35 9/35 0 79 2.257143
( 35 )
4

0 1/3 1/3 1.333333 3 2.260317
11
= (0 2/21 10/21) (0.523809) + 21 = ( 0.501134 )
0 1/35 9/35 2.257143 79 2.852517
( 35 )
20
4

0 1/3 1/3 2.260317 3 2.117128
11
= (0 2/21 10/21) ( 0.501134 ) + 21 = ( 0.882259 )
0 1/35 9/35 2.852517 79 2.976329
( 35 )
4

0 1/3 1/3 2.117128 3 2.031357
11
= (0 2/21 10/21) ( 0.882259 ) + 21 = ( 0.977515 )
0 1/35 9/35 2.976329 79 2.997277
( 35 )
4

0 1/3 1/3 2.031357 3 2.006588
11
= (0 2/21 10/21) ( 0.977515 ) + 21 = ( 0.996562 )
0 1/35 9/35 2.997277 79 2.999942
( 35 )
Podemos observar que las respuestas comienzan a converger al vector -2,1,3 el cual es la solucin exacta de nuestro problema
2.2.1.2. Mtodo de Jacobi
De la misma forma que el anterior se parte de la forma inicial de un sistema lineal de ecuaciones y luego
se procede a manipular un poco.
=
( + + ) =
[ + ( + )] =
[ + ( + )] =
= ( + ) + Ahora suponiendo que D es invertible
= 1 ( + ) + 1
Finalmente, esta es la frmula iterativa de la forma = + ,
+ = 1 ( + ) + 1 Frmula iterativa del Mtodo Jacobi
Donde por observacin, la matriz de Transicin es: = 1 ( + ) y la = 1
FUNCION PARA JACOBI
Donde A es la matriz de coeficientes, B es el vector vertical, y epsi es el error

o tolerancia
function [Z]=Jacobi(A,B,epsi)
%UNTITL)
[M,N]=size(A); B1=B;
C=zeros(M,M);
for m=1:M
C(m,m)=A(m,m);
end
A1=C-A;
for m=1:M
A1(m,:)=A1(m,:)./C(m,m); B1(m)=B1(m)./C(m,m);
end
X=zeros(M,1); Y=A1*X+B1;m=1;
while (norm(Y-X)>epsi)
X=Y; Y=A1*X+B1;
m=m+1;
Y-X
end
Z=Y;
end
21
2.2.2. Convergencia de los mtodos iterativos para sistemas de ecuaciones lineales
Teorema! Los mtodos iterativos para resolver sistemas lineales de ecuaciones que tienen la forma
= + ,
Convergen a la solucin, si y solo si, el radio espectral de la matriz de transicin es menor a uno (() < 1)
Entonces que () < 1 es una condicin necesaria y suficiente para la convergencia a la solucin.
Teorema! En un mtodo iterativo de la forma = + , si la matriz de coeficientes A, es estrictamente diagonal

dominante entonces ocurre que:
< < 1
Como las normas de la matriz de transicin es menor a uno, es suficiente para que converja el mtodo a la solucin.
2.2.3. Anlisis del error en los mtodos iterativo para sistemas de ecuaciones lineales
Estimacin del error

Para cualquier mtodo de este tipo, si el mtodo converge, el error entre las iteraciones, se lo podra calcular de la
siguiente forma:
Y el error relativo es de la forma

1

(Recordar que cuando no se indica, puede ser cualquier norma, uno o infinito)
2.2.4. Sistemas bien condicionados y mal condicionados
Nmero de condicin. - Sea , invertible, se define como nmero de condicin de A, denotado con cond(A)
como:
() = 1
Observacin: Sea A invertible, 1 =
Por cierta propiedad de normas = 1 1
cond(A)
()
() 1
El nmero de condicin es al menos uno

Cuando el nmero de condicin es relativamente alto, podramos concluir que el sistema est mal
condicionado, es decir no es confiable ni podramos concluir cosas con l
22
Perturbacin en la matriz de coeficientes
Del sistema lineal = , donde es la solucin exacta del sistema. Suponga que por errores de tipeo o de alguna
clase de medicin, no se propone A para resolver el sistema sino una parecida . Entonces = no se satisfacerla,
para que resulte se tendra que proponer otra solucin para as satisfacer la igualdad con B. Sera = .
Entonces ante un cambio de la matriz A de coeficientes, Qu tanto cambia la solucin X?
=
= 1
= () 1
= () 1
= ( + ) 1 = [() 1 + ( ) 1 ]
= [ + ( )1 ]
= + ( )1
= ( )1 , ahora si aplicamos la norma a ambos lados de la ecuacin tenemos
= ( ) 1 1 , obtenemos que
1 , luego multiplicando y dividiendo la norma de A, tenemos

1 , ordenando todo tenemos
() () ()

()
= () () () Cota para el error relativo de la solucin
2.3. Sistemas no lineales de ecuaciones
Dado un sistema no lineal de n ecuaciones con n incgnitas de la forma

1 (1 , 2 , 3 , , ) = 0
2 (1 , 2 , 3 , , ) = 0
3 (1 , 2 , 3 , , ) = 0

{ (1 , 2 , 3 , , ) = 0
Donde tambin lo podemos representar como dos vectores de esta manera ( ) =
( ) es el vector de funciones y 0 es el cero vector de grado n
Para que el sistema sea no lineal, al menos una ecuacin debe ser no lineal, donde hay n funciones de
n variables independientes.
Se necesita recordar como hallar la matriz jacobiana:
La matriz jacobiana de ( ), denotada como ( ) es de la forma:
23
1 1

1
( ) =

(1 )
Se trata de derivar parcialmente cada funcin, respecto a cada variable. Luego veremos ejemplos de aquello
2.3.1. Mtodo iterativo de Newton para sistemas de ecuaciones no lineales
Es muy parecido (por no decir la misma) a la forma del mtodo de newton para una sola ecuacin
Para una ecuacin era:
( )
+1 =
( )
Ahora para su homloga para sistemas de ecuaciones no lineales es:
+1 = [( )] [( )1 ]
Donde ( ) es el vector de funciones y ( )1 es la inversa del jacobiano de ( ):
+ = [( )] [ ( ) ] Mtodo iterativo de Newton para sistemas no lineales
Ejemplo. Considere el sistema no lineal
5 2 2 + 3 = 0
{
4 () cos() = 0
52 2 + 3
Tenemos que ( )= (, ) = ( )
4 () cos()
Y su matriz jacobiana es:
10 + 3 2
(, ) = ( )
cos() 4 + ()
Armamos la frmula iterativa, tomando el vector nulo como vector inicial para iterar
0
0 = ( )
0
Primero evaluamos la jacobiana para luego as, hallar su inversa
3 0 1/3 0
(0,0) = ( ), (0,0)1 = ( )
1 4 1/12 1/4
Tambin evaluamos (, ), (0,0) = (

0)
1
Armamos la formula iterativa:

0 0 1/3 0 1/12
1 = ( ) ( ) ( )= ( )
0 1 1/12 1/4 1/4
Y as continuamos iterando, suele ser pesado porque tenemos que evaluar dos cosas y sacar una matriz
inversa por cada iteracin
1/12 0.222222 ) ( 3.833333 )= ( 0.794593 )

0.5
2 = ( )(
1/4 0.052149 0.996529 4.247404 0.69290504
24
3. Interpolacin Polinomial
Supongamos que deseamos analizar cierta funcin, cuya regla de correspondencia sea desconocida o
sea muy complicada (complicada de integrar, derivar, graficar, etc.).
Interpolacin consiste en tener ciertos puntos de una funcin, a partir de otros. Es decir, vamos a
reemplazar cierta funcin complicada o desconocida (por medio de algunos puntos) por funciones
polinomiales, que en general son ms fciles de tratar.
Dicho esto, supongamos que:

Sea la funcin continua en un intervalo I
Sea los puntos 0 , 1 , 2 , 3 , , , tal que 0 < 1 < 2 < 3 < < (relacin de orden).
Suponga que no se conoce la regla de correspondencia, pero se conoce las respectivas imgenes de los
puntos, es decir:
(0 ) = 0 , (1 ) = 0 , (0 ) = 2 , , ( ) = ,
Es decir, conocemos n+1, puntos de un plano donde pasa la grfica de f
Debemos construir una funcin polinomial por tramos, de cierto grado que pase por los mismos puntos y aproxime los
otros puntos restantes en el intervalo I.
3.1. Unicidad del polinomio de interpolacin
Suponga que existen dos polinomios diferentes de interpolacin p(x) y q(x), para una misma funcin en un intervalo I.
Es decir ( ) = y ( ) = , pero () ().
Contrayendo otro polinomio definido como () = () (), de grado n (ya que p y q son de grado n)
Si lo evaluamos para cualquier valor , tenemos
( ) = ( ) ( )
() = = 0, y esto ocurre para toda i ( de 0 hasta n)
Es decir este polinomio h de grado n, tiene n+1 races (contradiciendo el teorema fundamental del algebra).
Lo nico que puede ser para que esto ocurra es que h(x) sea un polinomio nulo
() =
( ) ( ) = entonces concluimos que
( ) = ( )
El polinomio de interpolacin es nico!
3.2. Mtodos de interpolacin Polinomial
3.2.1. Polinomio de Lagrange
Considere el problema de la interpolacin polinomial (PIP) indicado anteriormente y con la obtencin previa de una
tabla de valores como la siguiente:
( )/
0 0 0
1 1 1
25
2 2 3

n
Se define al polinomio de lagrange () = 0 () + 1 1 () + 2 2 () ()

() = ()
=0
(0 )(1 )(2 )(1 )( )

Donde () = (
0 )( 1 )( 2 )( 1 )( +1 )( )

( )
() =
( )
=0

( )
() = () () = = 0, 1, 2, 3, Polinomio de Interpolacin de lagrange
( )
=0 =0

El grado del polinomio de lagrange es de grado n.
o El procedimiento para cualquier ejercicio es el mismo, as que es simplemente mecnico.
Ejemplo (3.0, 1), (6.0, 4), (10, 9), (13, 2)

0 3 1
1 6 4
2 10 9
3 13 2
Comenzamos a armar las Li. Percatndonos de la definicin, observamos en el numerador que la X k son todas menos la i
en ese instante. Y abajo se resta esa Xi menos todas las Xk
( 1 )( 2 )( 3 ) ( 6)( 10)( 13) 1 3 29 2 134 26

0 () = = = + +
(0 1 )(0 2 )(0 3 ) (3 6)(3 10)(3 13) 210 210 105 7
( 0 )( 2 )( 3 ) ( 3)( 10)( 13) 1 3 13 2 199 65
1 () = = = +
(1 0 )(1 2 )(1 3 ) (6 3)(6 10)(6 13) 84 42 84 14
( 0 )( 1 )( 3 ) ( 3)( 6)( 13) 1 11 2 45 39
2 () = = = 3 + +
(2 0 )(2 1 )(2 3 ) (10 3)(10 6)(10 13) 84 42 28 14
( 0 )( 1 )( 2 ) ( 3)( 6)( 10) 1 3 19 2 18 6
3 () = = = +
(3 0 )(3 1 )(3 2 ) (13 3)(13 6)(13 10) 210 210 35 7
Ya hecho esto se debe reemplazar las L en la definicin del polinomio de lagrange
() = 1 () + 41 () + 92 () + 23 ()
Reemplazando y simplificando, finalmente obtenemos:

23 3 113 2 733 17
() = + +
420 105 140 2
26
Tenemos ya el polinomio lagrangiano que interpola los puntos. Como observacin se graficar el polinomio y los puntos
de la tabla
>> x=[ 3 6 10 13];

>> y=[ 1 4 9 2];
>> p=@(x) -(23/420).*x.^3 +(113/105).*x.^2 -(733/140).*x +17/2;
>> plot(x,y,'o'),hold on, grid on, ezplot(p,[2,15]);
Como se ve, el polinomio pasa exactamente por los puntos
FUNCION PARA LA INTERPOLACIN DE LAGRANGE

Donde x & y son los vectores que el propio problema te da como datos iniciales
function [p]=InterpolacionLagrange(x,y)
N=length(x);
A=vander(x);
Z=inv(A)*y';
p=@(u)0.*(u);
for n=1:N
p=@(u)p(u)+Z(n).*u.^(N-n);
end
u=[x(1):0.01:x(N)];
p1=p(u);
figure(),plot(u,p1,'r'),hold on,grid on,plot(x,y,'b');
end
3.2.2. Polinomio bivariable de Lagrange (Interpolacin mltiple)
Sea = (, ) una funcin continua, en una regin del plano xy. Suponga que no se conoce la regla de
correspondencia de f, sin embargo conocemos que:
= ( , ), para i=0, 1, 2, n y j=0, 1, 2,, m. Es decir conocemos una tabla bivariada de datos
/
00 01 02 0
10 11 12 1
20 21 22 2

0 1 2
27
Se define al polinomio bivariado de lagrange

(, ) = () () ( ) ( )
() =
() =
=0 =0 ( ) ( )
=0 =0

Polinomio bivariado de Lagrange
o El procedimiento es bastante tedioso, as que deben prestar bastante atencin al siguiente ejemplo
Ejemplo. Dada la tabla de datos, aproxime f (30,810)
/ 760 780 800 820

20 33 31 30 29
40 39 36 34 33
60 45 42 40 32
Procedimiento
Observamos que n=2 y m=3. Aproximar y dejar expresado un polinomio bivariado es complicado, as que simplemente
se trabajara con los valores a aproximar (30,810).
Teniendo la frmula:

(, ) = () ()
=0 =0
Podemos hacer lo siguiente:

(, ) = () ()
=0 =0

Armamos primero la sumatoria que est ms adentro. Primero hallamos las (), como lo hicimos en el anterior

polinomio simple de lagrange con las y, y de una vez con la aproximacin es decir (810),
(810 780)(810 800)(810 820) 1

0 (810) = =
(760 780)(760 800)(760 820) 16
(810 760)(810 800)(810 820) 5

1 (810) = =
(780 760)(780 800)(780 820) 16
(810 760)(810 780)(810 820) 15

2 (810) = =
(800 760)(800 780)(800 820) 16
(810 760)(810 780)(810 800) 5

3 (810) = =
(820 760)(820 780)(820 800) 16
Ahora multiplicamos cada L por Zij por la definicin de la sumatoria, recorriendo la j para cada i. Es como un producto
punto
i=0 j=0, 1, 2,3
28
1 5 15 5 473
(33) 31 + 30 + 29 =
16 16 16 16 16
i=1 j=0, 1, 2,3
1 5 15 5 267
(39) 36 + 34 + 33 =
16 16 16 16 8
i=2 j=0, 1, 2,3
1 5 15 5 595
(45) 42 + 40 + 32 =
16 16 16 16 16
Teniendo esto calculado hallamos las (30).
(30 40)(30 60) 3

0 (30) = =
(20 40)(20 60) 8
(30 20)(30 60) 3
1 (30) = =
(40 20)(40 60) 4
(30 20)(30 40) 1
2 (30) = =
(60 20)(60 40) 8
Realizando el ltimo producto punto queda:
473 3 267 3 595 1

(30,810) = ( )( ) + ( )( )+ ( ) ( ) = 31.46875
16 8 8 4 16 8
3.3. Diferencias finitas
Este es un concepto que lo utilizaremos inmediatamente y para el resto del curso, lo cual es muy importante
saber.
Supongamos que tenemos n+1 puntos de la forma = ( ) con i=0, 1, 2,, n
Con la variable independiente (x), espaciada regularmente, es decir se debe cumplir que siempre
+1 = i=0, 1, 2,, n-1, la diferencia siempre tiene que ser h, deben estar h-espaciados
i x f
0 0 0
1 1 1
2 2 2
3 3 3

Las diferencias finitas se definen de la siguiente forma y notacin:
29
= 1 +1 1 , i=0,1,2,3.. k=1,2,3.. donde tenemos que 0 =
Cada diferencia finita se obtiene restando los dos valores anteriores consecutivos de la columna anterior:
i 1 2 3 3
0 0 0 1 0 =1 0 2 0 = 1 1 1 0 3 0 = 2 1 2 0
1 2 1 1
1 1 1 1 =2 1 1 = 2 1
2 2 2 1 2 =3 2 ...
3 3 3
.
Ejemplo Hallar las diferencias finitas de los siguientes datos
(3, 1.5), (4.5, 3), (6.0, 4.80), (7.5, 5.60), (9.0, 8.0)
Para las diferencias finitas se obtienen con la resta de los valores consecutivos en la columna anterior, como en
1 para que se observe. Ya en 2 se pone directamente el valor
i 1 2 3 4
0 3 1.5 3-1.5=1.5 0.3 -1.3 3.9
1 4.5 3 4.8-3=1.8 -1 2.6
2 6 4.80 5.6-4.8=0.8 1.6
3 7.5 5.60 8-5.6=2.4
4 9 8
3.3.1. Relacin con las derivadas

La derivada ensima para algn valor z que est entre los puntos tabulados, se la puede aproximar con diferencias
finitas:
0
() =

, [0 , ]
o Si se tiene un polinomio de grado n, su ensima diferencia finita ser constante

() = 0 + 1 1 + 2 2 +
La derivada ensima es constante () = ! 0 , por lo tanto la ensima diferencia finita tambin lo
es, y las siguientes se anularn.
En general un polinomio de grado n, tiene n diferencias finitas.
3.3.2. Polinomio de Interpolacin de Newton
30
Considere la tabla de datos: = ( ) con i=0, 1, 2,, n con valores de x, h espaciados. Tenemos que el polinomio de
interpolacin de Newton es el siguiente:
1
1 0 2 0 3 0 0
() = 0 + ( 0 ) + 2
( 0 )( 1 ) + 3
( 0 )( 1 )( 2 ) + + ( )
1! 2! 3! !
=0
Polinomio de interpolacin de Newton
o Se observa que para hacer este polinomio, se necesitan tabular las diferencias finitas
o La nica condicin para este mtodo es que las x estn h-espaciadas. Es preferible el de newton que de
lagrange por su simplicidad.
o Este polinomio de Newton es de grado n, que pasa por los n+1 puntos por donde pasa la grfica de f
Ejemplo. Con los siguientes datos, trazar el polinomio de newton
(1.0, 5), (1.5, 7), (2.0, 10), (2.5, 8), (3, 9.5)
i 1 2 3 4
0 1 5 2 1 -6 14.5
1 1.5 7 3 -5 8.5
2 2 10 -2 3.5
3 2.5 8 1.5
4 3 9.5
Las diferencias finitas que se usan para el polinomio de newton 1 0 , 2 0 , 3 0 , 4 0 . Son las que estn
sombreadas en la tabla. Ya tabulada las diferencias, armamos el polinomio con la formula.
= 0.5
2 1 6
() = 5 + ( 1) + ( 1)( 1.5) + ( 1)( 1.5)( 2)
1! 0.5 2! 0.52 3! 0.53
14.5
+ ( 1)( 1.5)( 2)( 2.5)
4! 0.54
Simplificando tenemos:
() = 100.5 239.083333 + 209.583333 2 75.666667 3 + 9.666667 4
3.3.3. Trazadores cbicos
Dado el PIP, tambin existe otra manera de aproximar una funcin, mediante a trazadores cbicos, es decir polinomios
de grado 3 a trazos. Como aproxima la funcin a trazos, estos trazadores cbicos aproximan de mejor manera que los
polinomios anteriores.
o Hay dos tipos de trazadores cbicos, trazador libre o natural y trazador fijo o sujeto
o La diferencia entre ellos solo es una condicin en los extremos del intervalo [0 , ]
Si se trata de un trazador cbico libre o natural, tenemos que nuestra funcin a aproxima,
cumple que:
(0 ) = 0 y que ( ) = 0
Si es un trazador cbico fijo o sujeto, tenemos que:
(0 ) = y que ( ) =
Como son condiciones en los extremos de la derivada de la funcin, estos valores y
representan la pendiente que hay en los extremos de la funcin.
31
No se preocupen por las condiciones anteriores, solo deben aprender y comprender, como
es el procedimiento para resolver ambas, el cual se detallar a continuacin
Estableciendo algunas condiciones de continuidad entre los tramos y ciertas demostraciones, obtenemos las frmulas
para hallar los trazadores, de la cual tenemos que resolver ciertos sistemas de ecuaciones lineales.
Procedimiento
De manera general, se define al i-esimo polinomio como:
() = + ( ) + ( ) + ( )
Teniendo tabulado los datos de esta manera:
( )/
0 0 0
1 1 1
2 2 3

n
1 (); [0 , 1 )
2 (); [1 , 2 )
El trazador cbico definido por () = 3 (); [2 , 3 ) , () 3

{ (); [1 , )
+ (); [ , +)
Obtendremos n polinomios y se usar uno ms de manera auxiliar para calcular los coeficientes c. Ese polinomio
auxiliar luego ya no tiene uso.
Adjuntando a la tabla anterior dos columnas ms con m y h, las cuales estn definidas por:
1
= = 1 Donde = 1,2,3,
1
( )/
0 0 0
1 1 1 1 1
2 2 3 2 2
.. ..
n
Luego se calculan los coeficientes, primeros las C, armando un sistema de ecuaciones para las C
+ 2( + +1 )+ + (+1 )+ = 3(+1 ) = 1,2,3, 1
o Para este sistema se debe tener en cuenta si el trazador es libre o fijo. Si es libre, tenemos que:
=0
{ 1 Con esto tenemos que resolver un sistema de n-1 incgnitas para las C
+1 = 0
o Si es fijo, estas c anteriores, no las conocemos, por ende necesitamos dos ecuaciones ms. Usando el valor y
que nos da el problema de trazador sujeto.
21 + 1 = 3(1 )
{
+ 2 + = 3( )
Resuelto esto, calculamos los otros coeficientes, solo ya remplazando valores:
32
1
= (2 + +1 ) = 1,2,3,
3
+1
=
3
= 1
Como no puede ser de otra manera, para entenderlo mejor, vamos con un ejemplo
Ejemplo. Para los siguientes datos, construir el trazador cbico natural y encontrar el valor de x=2.25
(1.2, 4.6), (1.5, 5.3), (2.4, 6), (3, 4.8), (3.8, 3.1)
Los tabulamos y calculamos las h y las m

5.3 4.6
1 = 1.5 1.2 = 0.3 1 =
1.5 1.2
= 2.333333
0 1.2 4.6 2 = 2.4 1.5 = 0.9 6 5.3

2 = = 0.777777
1 1.5 5.3 2.4 1.5
3 = 3 2.4 = 0.6
2 2.4 6.0 3 =
4.8 6
= 2
3 2.4
3 3.0 4.8 4 = 3.8 3 = 0.8
3.1 4.8
4 3.8 3.1 4 =
3.8 3
= 2.125

0 1.2 4.6
1 1.5 5.3 0.3 2.333333
2 2.4 6.0 0.9 0.777778
3 3.0 4.8 0.6 -2
4 3.8 3.1 0.8 -2.125
Armamos las C
i=1 0.31 + 2(0.3 + 0.9)2 + 0.93 = 3(0.777778 2.333333)
i=2 0.92 + 2(0.9 + 0.6)3 + 0.64 = 3(2 0.777778)
i=3 0.63 + 2(0.6 + 0.8)4 + 0.85 = 3(2.125 (2))
=0
Tenemos 5 incgnitas. Al ser un trazador libre o natural tenemos que{ 1 , reemplazando y ordenando
5 = 0
tenemos:
2.42 + 0.93 + 04 = 4.666665
(0.92 + 33 + 0.64 = 8.333333)
02 + 0.63 + 2.84 = 0.375
33
1 = 0
2 = 0.982056
Resolviendo el sistema lineal, tenemos que { , el resto de coeficiente hallamos
3 = 2.566362
4 = 0.4160062
simplemente, remplazando valores
i=1, 2, 3,4
1 = 2.431536 1 = 1.091173 1 = 4.6

2 = 2.136912 2 = 0.586781 2 = 5.3
{ { {
3 = 1.056656 3 = 1.656871 3 = 6
4 = 2.346869 4 = 0.173336 4 = 4.8
El trazador cbico queda finalmente de la siguiente manera:
1 (); 4.6 + 2.431536( 1.2) 1.091173( 1.2)3 [1.2, 1.5)

(); 5.3 + 2.136912( 1.5) 0.982056( 1.5)2 0.586781( 1.5)3 [1.5, 2.4)
() = 2
3 (); 6.0 1.056656( 2.4) 2.566362( 2.4)2 + 1.656871( 2.4)3 [2.4, 3.0)
2 3
{ 4 (); 4.8 2.346869( 3) + 0.416006( 3) 0.173336( 3) [3, 3.8)
El problema nos peda el valor de x=2.25, y ese valor se encuentra en el intervalo del polinomio 2
2 (2.25); 5.3 + 2.136912(2.25 1.5) 0.982056(2.25 1.5)2 0.586781(2.25 1.5)3 = .
Ejemplo Con los siguientes datos, construya el trazador cbico sujeto, de tal manera que en ambos
extremos debe inclinarse a 45
(3.0, 2.5), (4.5, 1.0), (7.0, 2.5), (9.0, 0.5).
Para este caso no nos dan explcitamente los valores de y pero nos dicen la condicin de los extremos y
para que esto se cumpla tendra que ser que y(3)=y(9)=1. Es decir y =1
Armamos rpidamente la tabla con los valores que nos dan

0 3 2.5
1 4.5 1.0 1.5 -1
2 7.0 2.5 2.5 0.6
3 9.0 0.5 2 -1
Armamos las C
i=1 1.51 + 2(1.5 + 2.5)2 + 2.53 = 3(0.6 (1))
i=2 2.52 + 2(2.5 + 2)3 + 24 = 3(1 0.6)
Tenemos 4 incgnitas. Al ser un trazador sujeto tenemos dos ecuaciones ms para las C, y la remplazamos
con los datos
21 + 1 = 3(1 ) 2(1.5)1 + 1.52 = 3(1 1)

{ { 34
+ 2 + = 3( ) 23 + 2(2)4 = 3(1 (1))
Simplificando, tenemos ya las 4 ecuaciones necesarias

1.51 + 82 + 2.53 + 04 = 4.8
0 + 2.52 + 93 + 24 = 4.8
( 1 )
31 + 1.52 + 03 + 04 = 6
01 + 02 + 23 + 44 = 6
1 = 2.791304
= 1.582609
Resolviendo el sistema lineal, tenemos que { 2 , el resto de coeficiente hallamos
3 = 1.469565
4 = 2.234783
simplemente, remplazando valores
i=1, 2, 3
1 = 1 1 = 0.971981 1 = 2.5
{2 = 0.813043 {2 = 0.406957 { 2 = 1
3 = 0.530435 3 = 0.617391 3 = 2.5
El trazador cbico queda finalmente de la siguiente manera:

1 (); 2.5 + 1( 3) 2.791304( 3)2 + 0.971981( 3)3 [3, 4.5)
() = {2 (); 1 0.813043( 4.5) + 1.582687( 4.5)2 0.406957( 4.5)3 [4.5, 7)
3 (); 2.5 0.530435( 7) 1.469565( 7)2 + 0.617391( 7)3 [7, 9)
35
4. Integracin Numrica
Supongamos que tengamos una funcin f, muy complicada o hasta imposible integrar analticamente, como por
1
ejemplo () = , o en otros casos solo tengamos determinados puntos de f, de los cuales necesitamos saber el
1+ 4
rea bajo la curva aproximada de esos puntos.
Se necesita introducir mtodos numricos para calcular una aproximacin de aquellas integrales
4.1. Frmulas de Newton-Cotes ( Trapecios y Simpson)
Se denominan as a las frmulas que utilizan el polinomio de interpolacin para hallar la integral deseada.
Sea A, la integral definida:

= ()

Y h, las particiones o distancia entre puntos a evaluar para aproximar la integral:

=

Donde m (algunos les dicen m o n, es solo una notacin) es un parmetro que depende del mtodo.
Los mtodos Newton-Cotes que aprenderemos son, el de los trapecios y el de Simpson.
Para estos mtodos, el objetivo es en vez de integrar literalmente, transformamos esa integral en
evaluaciones de cierta funcin, donde obviamente la funcin a evaluar es la funcin entera que se deseaba
integrar inicialmente.
Se evala iniciando desde a, hasta b, en pasos de h. Ya veremos las formulas respectivas, con su ejemplo
correspondiente
4.1.1. Frmula de los trapecios
Se trata de una aproximacin del rea bajo la curva usando trapecios. Al integrar cierta curva en un intervalo [a, b], el
mtodo divide el rea debajo de esta por medio de m trapecios
1

[0 + 21 + 22 + 23 + + 21 + ] = 0 + 2 + Mtodo de los trapecios
2 2
=1
2
= ( ) () Error de truncamiento
12
36
Observaciones importantes!
o En el error de truncamiento tenemos un valor de z entre a y b, este viene a ser el mayor valor absoluto entre
ese intervalo: | ()| [, ]
o En el error de truncamiento de observa una derivada. Si conocemos la funcin y no es difcil derivarla se van
por ese mtodo, caso contrario, como los puntos en este mtodo son h espaciados se puede aproximar la
derivada con diferencias finitas. As mismo sera la mayor absoluta diferencia finita
o Para las evaluaciones x0 y xm son a y b respectivamente
Ejemplo ilustrativo 4.01

Calcular la integral con 4 trapecios y calcule el error de truncamiento del mismo
21 1
Con 4 trapecios, es decir m=4, tenemos que = = = 0.25
4 4
Obviamente = . Usamos la formula, y comenzamos a evaluar
0.25
[(1) + 2(1.25) + 2(1.50) + 2(1.75) + (2)]
2
0.25
[1 + 2(1.118034) + 2(1.224746) + 2(1.322876) + 1.414214] = .
2
Y para el error de truncamiento necesitamos la segunda derivada, la cual es relativamente sencilla de

calcular
1 1
() = () = () =
2 4
El mximo valor entre 1 y 2 para la segunda derivada es en | (1)| = 1

2 0.252
Ahora si usamos la formula = ( ) (), = (2 1)(1) = 0.005208
12 12

Calcular la integral () con 4 trapecios y calcule el error de truncamiento del mismo
20 2
= = 0.5 =
4 4
= . Usamos la formula, y comenzamos a evaluar
0.5
[(0) + 2(0.5) + 2(1) + 2(1.5) + (2)]
2
0.5
[0 + 2(0.339005) + 2(0.841471) + 2(1.221677) + (1.285941)]=1.522562
2
Y para el error de truncamiento necesitamos la segunda derivada, lo haremos con diferencias finitas
2 2 2 ()2
= ( ) () = ( ) =
12 12 2 12
i 1 2
0 0 0 0.339005 0.163461
1 0.5 0.339005 0.502466 -0.12226
2 1 0.841471 0.380206 -0.315942
3 1.5 1.221677 0.064264
4 2 1.285941
El mximo absoluto es 2 =0.315942

(2 0)0.315942
= = 0.052657
12
37
4.1.2. Frmula de Simpson
Este mtodo aproxima la integral por medio de parbolas, es decir polinomios de segundo grado. Este mtodo
aproxima cada par de puntos con media parbola. Por aquello el nmero m debe ser par
En otras palabras, una parbola, aproxima dos pares de puntos, dos parbolas, 4 y as
Si te piden usar el mtodo de Simpson con una parbola, entonces m=2, con dos parbolas, m=4, etc.
Entonces m=2*( # de parbolas)
La frmula de Simpson (concretamente Simpson 1/3)
1 2

[0 + 41 + 22 + 43 + + 22 + 41 + ] = 0 + 4 + 2 +
3 3
=1 =1

4 Mtodo de Simpson
= ( ) () Error de truncamiento
180

4 2
Calcular la integral 0 usando dos parbolas

40
Tenemos que m=4 y = =1
4
1
[(0) + 4(1) + 2(2) + 4(3) + (4)]
3
1
[0 + 4(0.367879) + 2(0.541341) + 4(0.448084) + (0.293050)] = 1.546528
3
4.2. Cuadratura de Gauss
Esta es una aproximacin usando la familia de polinomios ortogonales conocido como polinomios de legendre
Dada la integral definida

= ()
Entonces la frmula de este mtodo simplemente es la siguiente:
+ ( ) 1 + ( ) 1
( )+( + ) Frmula de la Cuadratura de
2 2 2 3 2 2 3 Gauss de dos puntos
38
Si se dan cuenta, este mtodo no evala en ningn momento en los extremos de la integral, es decir no
evala ni en a, ni en b
Es un mtodo muy preciso, por lo cual calcular el error de truncamiento es muy complicado
Ejemplo

Calcular la integral () con la frmula de la cuadratura de gauss
Simplemente se remplaza los valores en la formula

20 2+0 (20) 1 2+0 (20) 1
[ ( )+( + )]
2 2 2 3 2 2 3
1[(0.4226497) + (1.577350)]
[0.266663 + 1.255899]
1.522562
Para mejorar su exactitud se puede dividir en m subintervalos, aplicando el mtodo ms de una vez
Ejemplo ilustrativo

Calcular la integral () con la frmula de la cuadratura de gauss con dos subintervalos ( o podra
decir, que apliquemos dos veces gauss)
Al leer dos subintervalos, deberamos integrar primero de 0 a 2 y luego 2 a 4, sumando las integrales,
aplicando la propiedad de aditividad de las integrales. En nuestro caso sera

() = () + ()

20 2+0 (20) 1 2+0 (20) 1

() = [ ( )+( + )] = [(0.4226497) + (1.577350)]
2 2 2 3 2 2 3
= [1.314208 + 2.206773] = 0.892565
42 4+2 (42) 1 4+2 (42) 1

() = [ ( )+( + )] = [(2.422649) + (3.577350)]
2 2 2 3 2 2 3
= [9.977435 + 45.604219] = 55.581654
39
4.3. Integrales con singularidades
Para estos ejercicios, se debe verificar que las integrales no tengan singularidades en los extremos, ya que al usar los
mtodos de Newton-Cotes, tenemos que evaluar en esos puntos, provocando divisiones entre cero. La cuadratura de
gauss no tiene ese problema, ya que nunca evala en los extremos.
Debemos eliminar esto mediante sustituciones adecuadas.
Ejemplo
1

0
Haciendo un cambio de variable conveniente (cuando tengas una raz, siempre tmala como cambio de variable)
1
= = 2 =
2
Si x=0 u=0 , Si x=1 u=1, la nueva integral sera

1 1
2
2 = 2

0 0
Y de esta manera la resolvemos la nueva integral normalmente por cualquiera de los mtodos. Recuerda que
cuadratura de gauss no tiene ese problema y puedes integrar sin usar los cambios de variable.
Ejemplo
1
3
2
0 ( 1)5
Escogemos como cambio de variable solo la raz, en este caso raz quinta
= ( 1)1/5 5 = 1 54 = 5 + 1 =
Si x=0 u=-1, Si x=1 u=0, la nueva integral sera
Entonces tenemos la nueva integral como la siguiente:

0 0
3
2 54 = 15 2

1 1
Y luego ya podemos integrar por cualquier mtodo
4.4. Integrales no acotadas
Tambin podemos tener el caso de que nos presenten integrales evaluadas al infinito. Estas son integrales
que convergen a un valor cuando tienden a infinito por lo que sacar su rea no sera algo descabellado.
40
Pero como nosotros no podemos evaluar al infinito, nos hacemos valer de otro cambio de variable, que en
general es el mismo para cualquier integral no acotada.
Ejemplo
1
Calcular la integral de 0 1+ 4
dx
Generalmente, cuando tengamos integrales de 0 a infinito, las separamos de esta manera:

1
1 1 1
4
= 4
+
1+ 1+ 1 + 4
0 0 1
La primera integral se puede resolver por cualquier mtodo, no tiene nada en especial, pero la segunda tiene
lmite no acotado, usamos el siguiente cambio de variable = /
(Este cambio de variable siempre se usar para eliminar el infinito de los limites)
1
= 1/ = -> = 2 = 1/
2
Si x=1 u=1 , Si x= u=0, la nueva integral sera
0
1 1 1
= ( 2 )
1+ 4 1
1 1 1 + 4
Sacando el signo menos, para que la integral quede bien con sus lmites tenemos
1 1 1 1
1 1 1 1 4 1 2
( 2 ) = 4 ( 2 ) = 4 ( 2 ) = 4
1 +1 +1 +1
0 1 +
4 0
4 0 0
Ya se puede resolver sin problemas la ltima integral
4.5. Integracin mltiple
Para integrar completamente funciones de ms de una variable, se requieren este tipo de integrales, las
cuales representan un rea ms complicada o algn volumen especfico.
Se detallar paso por paso el procedimiento para calcular estas integrales en anlisis numrico, usando los
mtodos ya aprendidos.
Entonces, dada la integral doble:

(, )

41
Necesitamos calcular que son la distancia entre los puntos a evaluar, equivalente exactamente a la
h para el mtodo de una variable. Estos deltas se definen como:

= =

El procedimiento es el siguiente:
Integrar (, ) = ( + ) en 2 3, 0 1 usando el mtodo de Simpson con m=2

en ambas direcciones
3 1
La integral es 2 0 ( + )
32 10
= 2
= 0.5 = 2
= 0.5
Integramos de afuera hacia adentro, es decir primero con y luego con x. Aplicando primero el mtodo de
Simpson solo para y, de esta manera:
3 1 0.5 0.5 0.5
2 0 (, ) = [(, 2) + 4(, 2.5) + (, 3)]= (, 2) + 4(, 2.5) + (, 3)
3 3 3 3
Y ahora para cada trmino, aplicamos Simpson para las x, siendo fijo y
0.5 0.5 0.5 0.5
3
(, 2)= 3 { 3 [(0,2) + 4(0.5,2) + (1,2)]}= 3 { 3 [(0,2) + 4(0.5,2) + (1,2)]}
0.5 0.5 0.5 0.5
4(, 2.5) = 4{ [(0,2,5) + 4(0.5,2.5) + (1,2.5)]} = 4{ [(0,2,5) + 4(0.5,2.5) + (1,2.5)]}
3 3 3 3 3
0.5 0.5 0.5 0.5
3
(, 3) = 3
{ 3 [(0,3) + 4(0.5,3) + (1,3)]}= 3 { 3 [(0,3) + 4(0.5,3) + (1,3)]}
Multiplicando todo, y luego evaluando f nos queda

(0,2) (0.5,2) (1,2)
+ + = 0.025258 + 0.066496 + 0.003920 = 0.095674
36 9 36
(0,2.5) 4(0.5,2.5) (1,2.5)
9
+ 9
+ 9 = 0.066496 + 0.062720 0.038976 = 0.09024
(0,3) (0.5,3) (1,3)
+ + = 0.003920 0.038976 0.021022 = 0.056078
36 9 36
Finalmente el valor aproximado de la integral es: 0.095674+0.09024-0.056078=0.129836
5. Diferenciacin numrica
A continuacin presentaremos mtodos numricos para aproximar las derivadas en cierto punto. Estas frmulas son
muy sencillas de aprender y usar.
5.1. Primera derivada
(+1 ) ( )
( ) = () +1
2
Frmula para la primera derivada (de primer orden)en cierto punto Xi Error de truncamiento
42
Nota: El termino de primer orden habla del error de la formula, su error es lineal. Nada de que preocuparse.
Ejemplo. Dado los siguientes puntos (2.0 6.718849), (2.1, 7.049114), (2.2, 7.296691), (2.3, 7.437799), (2.4, 7.445759)
Aproxime la derivada en el punto 2.2
Aqu teniendo que h=0.1, entonces

(2.3) (2.2) 7.437799 7.296691
(2.2) = = 1.41108
0.1 0.1
o La funcin para obtener los puntos era () = () y el resultado exacto redondeado es 1.98546043
Tambin tenemos otra frmula ms precisa para la primera derivada
+
(+1 ) (1 ) 2
( ) = () 1 +1
2 6
Frmula de segundo orden para la primera derivada en cierto punto Xi
Ejemplo. Con los datos del ejercicio anterior calcular la misma derivada con la frmula de segundo orden
(2.3) (2.1) 7.437799 7.049114

(2.2) = = 1.943425
0.1 0.1
o Se puede observar que la respuesta es ms cercana a la real
5.2. Segunda derivada
(+1 ) 2( ) + (1 ) 2
( ) = () 1 +1
2 12
Frmula para la segunda derivada en cierto punto Xi (segundo orden)
Ejemplo Dado los puntos (3.5, 1.088136), (3.7 1.136403), (3.9, 1.182129), (4.1, 1.225567), halle la segunda
derivada del punto x=3.9
(4.1) 2(3.9) + (3.7)
(3.9) = 0.0572
0.22
43
6. Ecuaciones diferenciales ordinarias
Recordamos que una EDO es una ecuacin que relaciona una funcin desconocida de una variable
independiente con sus derivadas. El orden de la EDO es el orden de la derivada ms alta presente en esta.
Estas ecuaciones son del tipo:
(, , , , 1 , ) =0 EDO de orden n
Recordando que la variable dependiente es x y la independiente y
Para resolver este tipo de ejercicios, siempre que se pueda, es conveniente dejar la ecuacin
diferencial en su manera explcita, es decir despejada la derivada ms alta:
(, , , , 1 ) =
6.1. Ecuaciones diferenciales ordinarias de primer orden
Teniendo la ecuacin diferencial de la manera explcita, es decir, despejando y

(, ) = ()
Para este tipo de problemas nos darn condiciones al inicio:
(0 ) = 0
Y tambin una cantidad h que indica los espacios entre los puntos de la variable independiente x, dado que:
+ = + = 0,1,2,3 .
Con ello resolveremos las EDOs de primer orden con los siguientes mtodos
Observacin: En la gran mayora de evaluaciones de esta materia, los mtodos por excelente que toman son el
de la serie de Taylor y Runge-Kutta. Aconsejo darle prioridad a esos.
6.1.1. Mtodo de la serie de Taylor
Dada la funcin y la condicin expresadas anteriormente, este mtodo usa el desarrollo de la serie de Taylor
para hallar puntos aproximados de la solucin.
Dado n trminos de Taylor, el error se encuentra en el trmino n+1
2
+1 = + + + +
2! !
Y el error de truncamiento es:
+1
+1 ()
( + 1)!
o Para la gran mayora de estos casos solo nos pedirn usar los primeros 3 trminos de la serie de Taylor.
44
Ejemplo. Obtenga 3 puntos de la solucin de la EDO + 2 1 = 0 (0) = 1 con h=0.1, usando los
tres primeros trminos de la serie de Taylor
2
Como dice los tres primeros trminos, entonces usamos la frmula +1 = + +
2!
Teniendo en cuenta que 0 = 0 0 = 1 y h=0.1
En la formula la y que se presenta es la funcin f(x,y) correspondiente a la forma implcita

(, ) = () . Por eso siempre se comienza despejando eso
Para nuestro caso entonces sera = (, ) = + 2 + 1
En la formula tambin tenemos y que sera obviamente (, )
Se deriva implcitamente al tener la variable independiente presente
(, ) = + 1 2 Como y es f(x, y) entonces (, ) = ( + 2 + 1) + 1 2
= (, ) = 2 + 2
Ahora si comenzamos a evaluar 0 = 0 0 = 1
2
1 = 0 + 0 +
2! 0
0 = (0,1) = 2
0 = (0,1) = 3
0.12
= 1 + 0.1(2) + (3) = 1.215
2!
= 0 + 0.1 = 0.1
Comenzamos con el siguiente punto, usando 1 = 0.1 1 = 1.215
1 = (0.1,1.215) = 2.305
1 = (0.1,1.215) = 3.105
0.12
o = 1.215 + 0.1(2.305) + (3.105) = 1.461
2!
o = 0.1 + 0.1 = 0.2
Hallaremos un punto ms, 2 = 0.2 2 = 1.461
2 = (0.2, 1.461) = 2.621

2 = (0.2, 1.461) = 3.221
0.12
o = 1.461 + 0.1(2.621) + (3.221) = 1.739
2!
o = 0.2 + 0.1 = 0.3
6.1.2. Frmula de Euler
45
Bajo las mismas condiciones previamente dadas, la frmula de Euler constituye simplemente los dos primeros trminos
de la serie de Taylor
+1 = + ( , ) 2
= () +1
2!
Frmula de Euler para EDOs
46
6.1.3. Frmula de Euler mejorado o Heun
Bajo las mismas condiciones, la frmula se define de la siguiente manera:
1 = ( , ) 3
= () +1
2 = ( + , + 1 ) 3!
1
+1 = + (1 + 2 )
2
Frmula de Heun para EDOs
Ejemplo. Obtenga 2 puntos de la solucin de la EDO + 2 1 = 0 (0) = 1 con h=0.1, usando la

frmula de Heun
(, ) = + 2 + 1
Calculando el primer punto, teniendo 0 = 0 0 = 1
1 = (0.1)(0,1) = 0.2 = 0 + 0.1 = 0.1

2 = (0.1)(0 + 0.1, 1 + 0.2) = 0.229
1
= 1 + (0.2 + 0.229) = 1.2145
2
Calculando el segundo punto, teniendo 1 = 0.1 1 = 1.2145
1 = (0.1)(0.1, 1.2145) = 0.23045 = 0.1 + 0.1 = 0.2

2 = (0.1)(0.1 + 0.1, 1.2145 + 0.23045) = 0.260495
1
= 1.2145 + (0.23045 + 0.260495) = 1.4599
2
6.1.4. Frmula de Runge-Kutta de cuarto orden
Bajo las mismas condiciones, la frmula se define:
1 = ( , )
5 5
2 = ( + /2, + 1 /2) = () +1
5!
3 = ( + /2, + 2 /2)
4 = ( + , + 3 )
1
+1 = + (1 + 22 + 23 + 4 )
6
Frmula de Runge-Kutta para EDOs
47
Ejemplo. Obtenga 2 puntos de la solucin de la EDO + 2 1 = 0 (0) = 1 con h=0.1, usando la

frmula de Runge-Kutta
Calculando el primer punto, usando 0 = 0 0 = 1
Tenemos que
1 = (0.1)(0,1) = 0.2
0.1
2 = (0.1) (0 + , 1 + 0.2/2) = 0.21475
2
0.1
3 = (0.1) (0 + , 1 + 0.21475/2) = 0.2154875
2
4 = (0.1)(0 + 0.1, 1 + 0.2154875) = 0.22629875
1
1 = 1 + (0.2 + 2(0.21475) + 2(0.2154875) + 0.22629875) = 1.2144
6
1 = 0 + 0.1 = 0.1
Calculando el segundo punto, usando 1 = 0.1 1 = 1.2144
Tenemos que
1 = (0.1)(0.1, 1.2144) = 0.23044

0.1
2 = (0.1) (0.1 + , 1.2144 + 0.23044/2) = 0.245712
2
0.1
3 = (0.1) (0.1 + , 1.2144 + 0.245712/2) = 0.2464756
2
4 = (0.1)(0.1 + 0.1, 1.2144 + 0.2464756) = 0.26208756
1
1 = 1.2144 + (0.23044 + 2(0.245712) + 2(0.2464756) + 0.26208756) = 1.460550
6
1 = 0.1 + 0.1 = 0.2
6.2. Sistema de ecuaciones diferenciales ordinarias de primer orden con condiciones al inicio
Supongamos que nos dan un sistema de EDOs con condiciones al inicio, de la forma:
(, , , ) = 0 (0 ) = 0
(, , , ) = 0 (0 ) = 0
La variable independiente sigue siendo x, donde + = +
Tambien se deben dejar las EDOs en su forma explcita, es decir
(, , ) = (0 ) = 0
(, , ) = (0 ) = 0
48
Ejemplo de estos sistemas:
= 0, (0) = 1
+ + = 0, (0) = 2
Donde procedemos a despejarlas a su forma implcita
+ + = , 0 = 0 , 0 = 1
+ = , 0 = 0 , 0 = 2
De ah se resuelven con los mtodos vistos anteriormente, pero extendidos a dos ecuaciones
6.2.1. Frmula de Heun para dos ecuaciones
1, = ( , , )
1, = ( , , )
2, = ( + , + 1, , + 1, )
2, = ( + , + 1, , + 1, )
1
+1 = + (1, + 2, )
2
1
+1 = + (1, + 2, )
2
Frmula de Heun para dos EDOs
Ejemplo Obtenga dos puntos de la solucin de las siguientes Edos usando Heun con h=0.1
= 0, (0) = 1
+ + = 0, (0) = 2
Ya lista en su forma implcita tenemos:
(, , ) = + + = , 0 = 0 , 0 = 1
(, , ) = + = , 0 = 0 , 0 = 2
Comenzamos a calcular el primer punto, usando 0 = 0, 0 = 1, 0 = 2
=0
1, = (0.1)(0,1,2) = 0.3
1, = (0.1)(0,1,2) = 0.1
2, = (0.1)(0 + 0.1, 1 + 0.3, 2 0.1) = 0.33
2, = (0.1)(0 + 0.1, 1 + 0.3, 2 0.1) = 0.07
1
1 = 1 + (0.3 + 0.33) = 1.315
2
49
1
1 = 2 + (0.1 0.07) = 1.915
2
1 = 0 + 0.1 = 0.1
Ahora el segundo punto, usando 1 = 0.1, 1 = 1.315, 1 = 1.915
=1
1, = (0.1)(0.1, 1.315, 1.915) = 0.333
1, = (0.1)(0.1, 1.315, 1.915) = 0.07
2, = (0.1)(0 + 0.1, 1 + 0.3, 2 0.1) = 0.3693
2, = (0.1)(0 + 0.1, 1 + 0.3, 2 0.1) = 0.0397
1
2 = 1.315 + (0.3 + 0.33) = 1.66615
2
1
2 = 1.915 + (0.1 0.07) = 1.86015
2
2 = 0.1 + 0.1 = 0.2
Frmula de Runge-Kutta para dos ecuaciones
1, = ( , , )
1, = ( , , )
2, = ( + /2, + 1, /2, + 1, /2)
2, = ( + /2, + 1, /2, + 1, /2)
3, = ( + /2, + 2, /2, + 2, /2)
3, = ( + /2, + 2, /2, + 2, /2)
4, = ( + , + 3, , + 3, )
4, = ( + , + 3, , + 3, )
1
+1 = + (1, + 22, + 23, + 4, )
6
1
+1 = + (1, + 22, + 23, + 4, )
6
50
6.3. EDOs de mayor orden con condiciones al inicio
Para el caso en particular que tengamos una EDO de segundo orden, al tener eso, nos deben dar 2 condiciones.
Teniendo el problema definido en la forma:
(, , , ) = 0 (0 ) = 0 (0 ) = 0
Se realiza la sustitucin =
Reemplazando en lo primero tenemos:
(, , , ) = 0
{
=
Tenemos bsicamente dos EDOs de la forma anteriormente explicada
(, , ) = = ( ) =
(, , ) = (0 ) = 0 ( ) =
Veamos el ejemplo para que se entienda de forma ms clara. Recordar que x representa a la nica variable
independiente
Ejemplo
Dado el problema de valor inicial:
0.05 + 0.15 = 0, (0) = 0, (0) = 1
Calcular (1) (1), usando el mtodo de Heun con h=0.5
Tenemos que 0 = 0, 0 = 0, 0 = 1
Hacemos el cambio de variable z=y
Reemplazando en la ecuacin original tenemos:

z 0.05z + 0.15 = 0, z(0) = 0, (0) = 1
0 = 0, 0 = 0, 0 = 1
Ahora tenemos un sistema, que en su forma explcita es:
(, , ) = =
{
(, , ) = = 0.05 0.15
Ya ahora solo nos queda usar las frmulas de Heun extendidas y reemplazar
1, = (0.5)(0,1,0) = 0
1, = (0.5)(0,1,0) = 0.075
2, = (0.5)(0 + 0.5, 1 + 0, 0 0.075) = 0.0375
2, = (0.5)(0 + 0.5, 1 + 0, 0 0.075) = 0.076875
1
1 = 1 + (0 0.0375) = 0.98125
2
51
1
1 = 0 + (0.075 0.0769) = 0.0759
2
1 = 0 + 0.5 = 0.5
Realizamos otra iteracin para llegar al punto indicado
1, = (0.5)(0.5, 0.9875, 0.05) = 0.025
1, = (0.5)(0.5, 0.9875, 0.05) = 0.0490625
2, = (0.5)(0.5 + 0.5, 0.9875 0.025, 0.05 0.0490625) = 0.04953125
2, = (0.5)(0.5 + 0.5, 0.9875 0.025, 0.05 0.0490625) = 0.0471875
1
2 = 0.9875 + (0.025 0.04953125) = 0.9502
2
1
2 = 0.05 + (0.0490625 0.0471875) = 0.0981
2
2 = 0.5 + 0.5 = 1
6.4. Convergencia y estabilidad ( Tema adicional)
De los mtodos aprendidos, ciertas veces (y quizs se lo pidan en algn proyecto) es importante hablar sobre su
convergencia y estabilidad.
El mtodo es convergente, cuando los puntos realmente tienden a la solucin aproximada cuando modificas el
parmetro h. Puedes verificar la existencia de la solucin siempre y cuando los puntos que vas obteniendo ciertamente
forman algn tipo de funcin (esto lo puedes verificar graficando los puntos) y no haya puntos singulares, es decir que
se desven completamente del patrn funcional que estas formando.
Tambin puedes verificar si el mtodo es estable (es decir si es poco sensible a perturbaciones) al modificar un poco
alguno de los valores iniciales o condiciones iniciales. Si al perturbar esto el mtodo arroja una solucin completamente
alejada a la solucin correcta puede decirse que problema no est bien planteado.
6.5. Ecuaciones diferenciales ordinarias con condiciones en los bordes
Supngase que nos den una EDO con la solucin de la misma en los bordes de cierta regin, pero que sea de inters la
solucin en el interior de esta regin
Un ejemplo de esto es que nos den una EDO de la siguiente manera:
+ 2 3 = 0, (0) = 1, (1) = 5, 0 1
Siendo de inters conocer la solucin entre 0 y 1
52
6.5.1. Mtodo de diferencias finitas
Dada la EDO de la manera planteada, es decir con condiciones en los bordes, podemos usar el mtodo de diferencias
finitas, donde discretizamos la solucin, es decir nos comprometemos a calcular una serie de puntos de la solucin de
inters, plantendonos un sistema de ecuaciones lineales para encontrar cada punto de inters.
Usamos las siguientes frmulas (ya vistas) para aproximar las derivadas. Se usan las de segundo orden para que el error
sea congruente.
Dada la ecuacin diferencial de segundo orden de la forma
+ + + () = 0, (0 ) =
Las derivadas se reemplazan por

+1 2 + 1
=
2
+1 1
=
2
Donde h viene a ser el tpico parmetro que indica los h-espacios de la variable x
Y donde = 0, 1, 2, 3 1 . Siendo = ( )/
Ejemplo Usando el mtodo de diferencias finitas, con h=0.25

+ 2 3 = 0, (0) = 1, (1) = 5, 0 1
Reemplazando con las frmulas para las diferencias finitas

+1 2 + 1 +1 1
+ 2 3 = 0
2 2
Arreglamos un poco la ecuacin multiplicando por 22 para dejndola simple poder trabajar mejor con esta:
2(+1 2 + 1 ) (+1 1 ) + 22 42 62 = 0
( + 2)+ (22 4) + + (2 ) 42 62 = 0
(2.25)+ (3.875) + + (1.75) 0.25 = 0.375
Lo que se va a hacer es avanzar h-espacios desde x=0 hasta x=1, con eso cubriremos los puntos que en ese intervalo .ya
cuando hagamos eso tendremos, un sistema de ecuaciones lineales, el cual ya resuelto obtendremos puntos de la
solucin
Comenzamos con i=1

(2.25)+ (3.875) + (1.75) 0.25 0.25 = 0.375 conocemos y0, asi que lo reemplazamos y
simplificamos la ecuacin
+ (3.875) + (1.75) = 1.553994
con i=2
(2.25)+ (3.875) + (1.75) 0.25 0.5 = 0.375
(2.25)+ (3.875) + (1.75) = 0.787180
con i=3
(2.25)+ (3.875) + (1.75) 0.25 0.75 = 0.375 conocemos tambin y4
(2.25) + (3.875) = 7.845749
53
Tenemos 3 ecuaciones con 3 incgnitas, 1 , 2 3
3.875 1.75 0 1.55399

( 2.25 3.875 1.75 | 0.78718 )
0 2.25 3.875 7.84575
1 = 1.297614
2 = 1.985292
3 = 3.177459
6.5.2. EDOs con condiciones en los bordes con derivada
Supongamos que nos planten el problema
+ 2 3 = 0, (0) = 0.5, (1) = 5, 0 1
Donde nos dan una condicin en la frontera, pero en la derivada de ese punto
Se procede a rodear el punto de la frontera desconocido, es decir, comenzar con i=0 para que en las incgnitas tomen
i-1 , i e i+1
Como se trata de la misma ecuacin del ejemplo anterior, procedemos a usar la ecuacin arreglada (luego de
reemplazar las derivadas y simplificando)
1 (2.25)+ (3.875) + +1 (1.75) 0.25 = 0.375
=0
(2.25)+ (3.875) + (1.75) 0.25 0 = 0.375

(2.25)+ (3.875) + (1.75) = 0.625
=1
(2.25)+ (3.875) + (1.75) 0.25 0.25 = 0.375

(2.25)+ (3.875) + (1.75) = 0.696006
=2
(2.25)+ (3.875) + (1.75) 0.25 0.5 = 0.375

(2.25)+ (3.875) + (1.75) = 0.787180
=3
(2.25)+ (3.875) + 4 (1.75) 0.25 0.75 = 0.375 , conocemos y4

(2.25) + (3.875) = 7.8457
(2.25)+ (3.875) + (1.75) = 0.625

(2.25)+ (3.875) + (1.75) = 0.696006
Tenemos entonces
(2.25)+ (3.875) + (1.75) = 0.78718
{ (2.25) + (3.875) = 7.8457
4 ecuaciones con 5 incgnitas (el punto 1 no tiene sentido)
Tenemos la condicin inicial (0) = 0.5 -> 0 = 0.5 , usamos la aproximacin de la primera derivada de nuevo
1 1
0 = 0.5 = Con esto podemos eliminar el punto 1
2
1 = 1 2 0.5
1 = 1 0.25
54
Reemplazamos esto en la primera ecuacin y tenemos ya tenemos 4 incgnitas con 4 ecuaciones
+ (3.875) + (4) = 1.1875

(2.25)+ (3.875) + (1.75) = 0.696006
(2.25)+ (3.875) + (1.75) = 0.78718
{ (2.25) + (3.875) = 7.8457
Resolviendo nos queda
0 = 1.470871, 1 = 1.721784, 2 = 2.319116, 3 = 3.371280
7. Ecuaciones diferenciales parciales
Recordando cursos anteriores, una ecuacin diferencial parcial es aquella que contiene derivadas parciales con
respecto a dos o ms variables dependientes.
Por ejemplo:
2 2 2 2
(, ) = (, , , , , , , , )=0
2 2
Se las clasifican de 3 maneras en general, parablicas, elpticas e hiperblicas.
De manera sencilla las parablicas tienen una primera derivada sin lmite (ejemplo el tiempo, el tiempo es
infinito)
Ejemplo: La ecuacin que determina el flujo de calor en una barra, x es la variable de posicin diferencial de
la barra
2 2
=
2
Las elpticas son aquellas que estn limitadas ambas derivadas, como por ejemplo el calor que fluye en una
placa, en un tiempo final. Las variables X y Y estn limitados
2 2
+ =0
2 2
Las hiperblicas de manera similar a las parablicas, tienen una derivada sin lmite, pero esta derivada es
segunda:
2 2
2
=
2 2
Realmente lo de hiperblico, parablico y elptico solo son nombres, de ah los mtodos a resolver
son prcticamente los mismos.
Para el mtodo elptico, tpicamente es de inters resolver totalmente la ecuacin diferencial
(Por ejemplo, saber que tan caliente est cada punto de inters en una placa rectangular). Pero los
mtodos hiperblicos y parablicos al poseer una variable abierta (Como por ejemplo el tiempo), se
nos debe especificar hasta cuando debemos iterar.
Mtodo usando diferencias finitas
55
La solucin de este tipo de ecuaciones, son superficies (por ejemplo del tipo z=f(x, y)). De las cuales nos
ocuparemos de hallar una serie de puntos limitados que sean parte de la solucin.
Usaremos diferencias finitas para resolver esto. Un ejemplo de esto es la siguiente malla:
De Anlisis Numrico con Python
Donde los puntos a hallar son los amarillos. Cada punto corresponde a una coordenada i, j especfica.
Bueno, mucha palabrera. Comencemos a resolver un problema, no sin antes dndoles las frmulas a usar.
Frmulas de inters para las ecuaciones diferenciales parciales
Tomando de ejemplo una funcin u que depende de dos variables independientes x, y

De la forma u(x, y). Donde y son los h-espacios para la diferencias finitas (Dato del problema)
, +1, ,
=

, ,+1 ,
=

2 , 1, 2, + +1,
=
2 2
2 , ,1 2, + ,+1
=
2 2
Aproximaciones con diferencias finitas, de Anlisis Numrico con Python
56
Ejercicios
Para este ejercicio en general, analizaremos las condiciones que nos dan
Primero procedemos a hacer una malla que nos permita visualizar el problema.
Sabiendo que x va desde 0 a 1, usando espacios de h y y, es decir el tiempo, va desde 0 a

infinito, usando espacios de k, pero como dice dos iteraciones en el tiempo, este tendr solo
dos pisos. De la siguiente manera
Siempre se debe armar esta malla para empezar, esta malla es para este problema en particular
Cada U , tiene una coordenada i,j que representa un valor de x, t especfico ( i horizontal j vertical)
Por ejemplo U2,1 representa la funcin u cuando x=0.5 y t=0.04 o cuando U3,2 es cuando x=0.75 y
t=0.08 y as; Tener muy en cuenta esto.
Ahora analizamos el resto de condiciones. Nos dice que (, 0) = + (1 ). Lo que nos

dice que para cualquier x en el tiempo inicial vale esa funcin que depende de x. Por otro lado nos
dice que (0, ) = (1, ) = 0, nos dice que para cualquier tiempo t en x=0 y x=1, estos valores
valen 0. Si lo agregamos en nuestra malla, sera:
57
Teniendo en cuenta esto, lo nico puntos que necesitamos hallar son los de color amarillo. El resto ya se los conoce por
las condiciones iniciales ya mencionadas.
Ya listo esto el siguiente paso es reemplazar la ecuacin diferencial parcial con las diferencias finitas
2
=2
2
,+1 , 1, 2, ++1,
=2
2
Trabajamos un poquito para que quede mejor la ecuacin, multiplicando todo por k*h2
2 (,+1 , ) (1, 2, + +1, ) = 22

(1, ) + , (2 2 ) (+1, ) + 2 ,+1 = 22
Ahora reemplazamos los valores de h y k correspondientes al problema
0.04(1, ) + , (0.0175) 0.04(+1, ) + 0.0625(,+1 ) = 0.005
Ahora si comenzamos a iterar, elegimos un valor de i, j para iniciar. No podemos tomar i=0 porque nos
quedara en la formula 0.04(1, ).
Con i=1 y j=0 no hay problema:
0.04(0,0 ) + 1,0 (0.0175) 0.04(2,0 ) + 0.0625(1,1 ) = 0.005
Veamos en la malla, cuales son estos valores:
58
Vemos que lo nico que solo desconocemos una incgnita. Una ecuacin, una incgnita, ya estamos listos para
resolver:
0.04(0,0 ) + 1,0 (0.0175) 0.04(2,0 ) + 0.0625(1,1 ) = 0.005

0,0 = 0
1,0 = (0.25) + 0.25(1 0.25) = 0.89461
2,0 = (0.5) + 0.5(1 0.5) = 1.25
Despejando u1,1, nos d: 0.62951
Ahora avanzamos en i, usando i=2, j=0, teniendo :
0.04(1,0 ) + 2,0 (0.0175) 0.04(3,0 ) + 0.0625(2,1 ) = 0.005
1,0 = 0.89461
2,0 = 1.25
3,0 = (0.75) + 0.75(1 0.75) = 0.89461
Despejando u2,1, nos d: 0.8751
Avanzamos otra i, y tenemos el siguiente punto.
Ahora para los puntos que tocan de arriba, reiniciamos la i, comenzando desde 1, y avanzamos 1 en j
Entonces comenzamos i=1, j=1, dando:
59
Y seguimos resolviendo hasta terminar.
Bibliografa
Una gran fuente para este folleto fueron las clases semipresenciales con el Ing. Carlos Eduardo Martin Barreiro.
1. Griffiths, D. V., & Smith, I. M. (2006). Numerical methods for engineers. Boca Raton, FL: Chapman & Hall/CRC.
2. Rodriguez,L,. Analisis Numrico Bsico con el soporte de MATLAB, 2012
Fuentes de internet
1. Lista de reproduccin del canal de YouTube espol50 con videos de Anlisis Numrico:
https://www.youtube.com/playlist?list=PLKoPE99M_ulXtxS00hFRpnpOth1lXk0uL
60

Folleto de Análisis Numérico

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Folleto de Análisis Numérico

Transféré par

Droits d'auteur :

Formats disponibles

Escuela Superior Politcnica del Litoral

Facultad de Ciencias Naturales y Matemticas

Folleto de Anlisis Numrico

Objetivo del curso de Anlisis Numrico

Al principio se aprender a encontrar la solucin aproximada de ecuaciones analticamente no solucionables,

Adicionalmente se aprender a formular computacionalmente todo lo anteriormente dicho, ya que los

Objetivos del folleto

Los tpicos resaltados de este color, son opcionales.

5.1. Primera derivada ....................................................................................................................................... 42

1.1. Mtodo de la biseccin

Introduciremos un teorema importantsimo para este curso, el cual es el siguiente:

Teorema del valor intermedio (TVI)

Es decir, si f(a)*f(b)<0, es porque de a hasta b, la

1.1.1. Pasos para el mtodo de la biseccin

Hallar una aproximacin de la raz con la siguiente funcin () = 2 = 0, 0,2con un error de

Aqu no importa el valor,

4 1.125 1.1875 1.25 - + +

5 1.125 1.1563 1.1875 - + +

6 1.125 1.1406 1.15625 - - +

7 1.1406 1.1484 1.15625 - + +

8 1.1406 1.1445 1.1484 - - +

9 1.1445 1.1463 1.1484 - + +

10 1.1445 1.1455 1.1465 - - +

11 1.1455 1.1459 1.1465 - - +

12 1.1459 1.1462 1.1465 - + +

13 1.1459 1.1461 1.1462 - - +

14 1.1461 1.1462 1.1462 - + +

15 1.1462 1.1462 1.1462 + + +

1.1.2. Algoritmo del mtodo de la biseccin

Ejemplo (usando la ventana de comandos de Matlab)

Se requiere evaluar para encontrar los valores a y b

(0) = 10 (1) = 5 (2) = 14 Entonces podemos elegir a=1 y b= 2

Ecuaciones lineales Mtodo de la biseccin

1.2. Mtodo del punto fijo

O en otro ejemplo si tenemos esta funcin de la cual queremos sus races:

Sera lo mismo trabajar con () tan() + 5 2 =

Ecuaciones lineales Mtodo del punto fijo

Aqu se indican los puntos fijos de una funcin cualquiera

En trminos simples, los puntos fijos son donde una

Hallar los puntos fijos de () = 2 + 3

Si [, ] [()] < 1 , entonces la sucesin +1 = ( ), i=0, 1, 2,3,

Converge al nico punto fijo, siendo [()], el factor de convergencia.

Sabemos que g(x) es la funcin iterativa, es decir, al

g(r) Al reordenar tenemos:

Se puede observar errores de truncamiento en la iteracin

1.3.1. Pasos para el mtodo del punto fijo

Halle una de las races de la siguiente funcin () = + () + =

Evaluando f(1)=12.895310 > 0, f(2)= 11.69314718 >0 f(8)>0 f(10)<0 f(9)<0

2 + 5 = 3 + 100 Tenemos que 2 + 5 3 100 = 0

Evaluando tenemos que hay una raz entre 4 y 5

Instrumentacin algortmica para el mtodo de Newton

%algoritmo para el mtodo de punto fijo

Usando los datos del ejemplo 1.03 probamos la funcin

>> format long

1.4. Mtodo de Newton

Suponiendo que 2 [, ].Suponga que se desea resolver la ecuacin ( ) = 0 donde [, ]

Usando el polinomio de Taylor alrededor de una ensima aproximacin, es decir:

Entonces nos queda:

Lo cual ordenando nos queda la frmula iterativa de Newton:

Si queremos hallar la pendiente de () en el punto

Lo cual reordenando obtenemos:

Pero hay una limitante, ya que si la funcin () ,

En otras palabras para que la funcin sea similar al