Académique Documents
Professionnel Documents
Culture Documents
FACULTAD DE INGENIERÍA
1. Presentación
2. Prerrequisitos
3. Objetivos
4. Modelos matemáticos
5. Teoría de errores
2
1 Presentación
Álgebra básica.
Geometría.
Trigonometría.
Fundamentos de cálculo diferencial e integral.
Álgebra lineal.
Es deseable un conocimiento previo de ecuaciones diferenciales.
Se pueden usar: C, Fortran, Visual Basic, Maple, Mathematica,
Mathcad, SciLab, Octave, Euler, Matlab o incluso hojas de cálculo
para resolver problemas complejos.
Practicas en Matlab.
4
3 Objetivos
5
4 Modelos matemáticos
Modelo matemático
Usar la solución
7
4 Modelos matemáticos
8
4 Modelos matemáticos
9
4 Modelos matemáticos
10
5 Teoría de errores
12
5 Teoría de errores
Error verdadero:
Error verdadero = Valor real (exacto) – Valor aproximado
Ejemplo:
La derivada, f (x )
de una función f (x) puede ser
aproximada por la ecuación,
f ( x h) f ( x)
f ' ( x)
h
0.5 x y
Si f ( x) 7e h 0 .3
a) Encontrar el valor aproximado de f ' ( 2)
b) El valor real de f ' ( 2)
c) El error verdadero de la parte (a)
13
5 Teoría de errores
Error aproximado:
• ¿Qué se puede hacer si no se conocen los valores verdaderos o
son muy difíciles de obtener?
• Cuando se soluciona un problema numéricamente, tenemos
acceso únicamente a valores aproximados.
• Es necesario saber cómo cuantificar los errores para tales casos.
Error aproximado = Presente aproximación – Previa aproximación
Ejemplo:
f ( x h) f ( x)
f ' ( x)
h
Si f ( x) 7e
0.5 x
en x = 2
a) Encontrar f ' ( 2) usando h = 0.3
b) Encontrar f ' ( 2) usando h = 0.15
15
c) El error aproximado de f ' ( 2) de la parte (b)
5 Teoría de errores
h f (2) a m 18
5 Fuentes de error
Error en el modelo
Errores en los programas o en la medición de cantidades físicas
En aplicaciones de métodos numéricos nos enfocamos en dos tipos
de error:
• Error de redondeo
• Ocasionado al representar un número solo de manera
aproximada.
1
0.333333 2 1.4142...
3
• Error de truncamiento
• Causado por truncar o aproximar un procedimiento
matemático.
x 2
Truncation Error e 1 x
x
2! 19
UNIVERSIDAD DE CUENCA
FACULTAD DE INGENIERÍA
1. Presentación
2. Método de Bisección
3. Método de Newton-Raphson
4. Método de la secante
5. Método de falsa posición
6. Método de punto fijo
7. Método de Brent
2
1 Presentación
3
0 Solución de ecuaciones no lineales
1. Presentación
2. Método de Bisección
3. Método de Newton-Raphson
4. Método de la secante
5. Método de falsa posición
6. Método de punto fijo
7. Método de Brent
2
2 Método de bisección
4
2 Método de bisección
5
2 Método de bisección
6
2 Método de bisección
7
2 Método de bisección
Algoritmo
4. Encontrar la nueva estimación de la raíz:
+
=
5. Encontrar el error:
−
= ×
10
3 Método de Newton-Raphson
10
3 Método de Newton-Raphson
Algoritmo:
1. Evaluar f’(x) simbólicamente.
2. Usar un valor supuesto inicial de la raíz, xi , para estimar el nuevo
valor de la raíz, xi+1 , como:
= −
3. Encontrar el error:
4. Comparar el error con el valor pre especificado . Si > ,
entonces ir al paso 2, caso contrario parar el algoritmo.
• Es importante, además, comprobar si el número de iteraciones
es mayor que el número máximo permitido. Si es así, hay que
detener el algoritmo y notificar.
Ejercicios
12
3 Método de Newton-Raphson
= tan
−0
=
−
= −
Algoritmo:
1. Evaluar f’(x) simbólicamente.
2. Usar un valor supuesto inicial de la raíz, xi , para estimar el nuevo
valor de la raíz, xi+1 , como:
= −
3. Encontrar el error:
4. Comparar el error con el valor pre especificado . Si > ,
entonces ir al paso 2, caso contrario parar el algoritmo.
• Es importante, además, comprobar si el número de iteraciones
es mayor que el número máximo permitido. Si es así, hay que
detener el algoritmo y notificar.
Ejercicios
12
4 Método de la secante
Sustituyendo en:
= −
Resulta en el método
de la secante:
( − )
= −
−
14
5 Método de falsa posición
− ( )
=
− ( )
16
5 Método de falsa posición
− ( )
=
− ( )
16
6 Método de punto fijo
Un punto fijo para una función es un número en el que el valor de la
función no cambia cuando se aplica la función.
El número p es un punto fijo para una función dada g si g(p) = p
Si la función g tiene un punto fijo en p, entonces la función definida
por f(x) = x-g(x) tiene un cero en p.
Ejercicio: determinar los puntos fijos de:
= −
= = −2
0= − − 2 = ( + 1)( − 2)
= −
= = −2
0= − − 2 = ( + 1)( − 2)
20
UNIVERSIDAD DE CUENCA
FACULTAD DE INGENIERÍA
1. Presentación
2. Diferencias hacia adelante
3. Diferencias hacia atrás
4. Diferencias divididas centrales
2
1 Presentación
3
2 Diferencias hacia adelante
lim f x Δx f x
f x
Δx 0 Δx
Para un finito ' Δx'
f x x f x
f x
x
f(x)
x x+Δx 4
3 Diferencias hacia atrás
f x Δx f x
lim
f x
Δx 0 Δx
Para un finite ' Δ
, x'
f x x f x
f x
x
f x x f x
f x
x
f x f x Δx
Δx
f xi f xi 1
f xi
x
f xi f xi 1
xi xi 1
5
Δx xi xi 1
3 Diferencias hacia atrás
f x Δx f x
lim
f x
Δx 0 Δx
Para un finite ' Δ
, x'
f x x f x
f x
x
f x x f x
f x
x
f x f x Δx
Δx
f xi f xi 1
f xi
x
f xi f xi 1
xi xi 1
5
Δx xi xi 1
UNIVERSIDAD DE CUENCA
FACULTAD DE INGENIERÍA
1. Presentación
2. Método de eliminación Gaussiana
3. Factorización o descomposición LU
4. Método de Gauss-Seidel
2
1 Presentación
3
1 Sistemas de ecuaciones lineales
1. Presentación
2. Método de eliminación Gaussiana
3. Factorización o descomposición LU
4. Método de Gauss-Seidel
2
1 Presentación
3
2 Sustitución hacia atrás
n 1 n 1
ann xn bn
6
2 Dificultades con la eliminación Gaussiana
7
2 Método de eliminación Gaussiana
10
3 Factorización o descomposición LU
25 5 1
64 8 1
144 12 1
25 5 1
64
Paso 1: 2.56; Row2 Row12.56 0 4.8 1.56
25
144 12 1
25 5 1
144
5.76; Row3 Row15.76 0 4.8 1.56
25
0 16.8 4.76
11
3 Factorización o descomposición LU
25 5 1
Matriz después del 0 4.8 1.56
paso 1: 0 16.8 4.76
25 5 1
16.8
Paso 2: 3.5; Row3 Row23.5 0 4.8 1.56
4.8
0 0 0.7
25 5 1
U 0 4.8 1.56
0 0 0.7
12
3 Factorización o descomposición LU
10
3 Factorización o descomposición LU
25 5 1
64 8 1
144 12 1
25 5 1
64
Paso 1: 2.56; Row2 Row12.56 0 4.8 1.56
25
144 12 1
25 5 1
144
5.76; Row3 Row15.76 0 4.8 1.56
25
0 16.8 4.76
11
3 Factorización o descomposición LU
25 5 1
Matriz después del 0 4.8 1.56
paso 1: 0 16.8 4.76
25 5 1
16.8
Paso 2: 3.5; Row3 Row23.5 0 4.8 1.56
4.8
0 0 0.7
25 5 1
U 0 4.8 1.56
0 0 0.7
12
3 Factorización o descomposición LU
1 0 0
1 0
21
31 32 1
13
3 Factorización o descomposición LU
1 0 0
L 2.56 1 0
5.76 3.5 1
1 0 0 25 5 1
LU 2.56 1 0 0 4.8 1.56
5.76 3.5 1 0 0 0.7
?
14
3 Factorización o descomposición LU
1 0 0 25 5 1
A LU 2.56 1 0 0 4.8 1.56
5.76 3.5 1 0 0 0.7
15
3 Factorización o descomposición LU
1 0 0 z1 106.8
2.56 1 0 z 177.2
Establecer [L][Z] = [C] 2
5.76 3.5 1 z 3 279.2
z1 10
Solucionar para [Z] 2.56 z1 z 2 177.2
5.76 z1 3.5 z 2 z 3 279.2
Completar la sustitución hacia adelante para solucionar para [Z]
z1 106.8
z 2 177.2 2.56 z1 z1 106.8
177.2 2.56106.8
96.2
Z z2 96.21
z3 279.2 5.76 z1 3.5 z 2 z3 0.735
279.2 5.76106.8 3.5 96.21
16
0.735
3 Factorización o descomposición LU
n n
c1 a1 j x j cn 1 a
j 1
n 1, j xj
j 1
j n 1
x1
j 1 xn 1
a11 an 1,n 1
n
c n a nj x j
n
c2 a2 j x j
j 1 j 1
j n
x2
j 2
xn
a 22 a nn
n
ci aij x j
j 1
j i
xi , i 1,2, , n.
aii 22
4 Método de Gauss-Seidel
Ejemplo:
La velocidad ascendente de un
cohete se da en tres
momentos diferentes
5 106.8
8 177.2
12 279.2
De ecuación 1
De ecuación 2
De ecuación n-1
De ecuación n
21
4 Método de Gauss-Seidel
Algoritmo: Forma general de cada ecuación
n n
c1 a1 j x j cn 1 a
j 1
n 1, j xj
j 1
j n 1
x1
j 1 xn 1
a11 an 1,n 1
n
c n a nj x j
n
c2 a2 j x j
j 1 j 1
j n
x2
j 2
xn
a 22 a nn
n
ci aij x j
j 1
j i
xi , i 1,2, , n.
aii 22
4 Método de Gauss-Seidel
Ejemplo:
26
4 Método de Gauss-Seidel
Ejemplo:
Iteración #2
Usando
Los valores de ai son encontrados:
a1 3.6720
a 7.8510 106.8 5 7.8510 155.36
2 a1 12.056
a3 155.36 25
De la iteración #1
177.2 6412.056 155.36
a2 54.882
8
28
4 Método de Gauss-Seidel
Ejemplo:
29
4 Método de Gauss-Seidel
Ejemplo:
Iteración a1 a 1 % a2 a 2 % a3 a 3 %
1 3.6720 72.767 −7.8510 125.47 −155.36 103.22
2 12.056 69.543 −54.882 85.695 −798.34 80.540
3 47.182 74.447 −255.51 78.521 −3448.9 76.852
4 193.33 75.595 −1093.4 76.632 −14440 76.116
5 800.53 75.850 −4577.2 76.112 −60072 75.963
6 3322.6 75.906 −19049 75.972 −249580 75.931
Nota – No existe un decremento significativo de los errores relativos
a1 0.29048
Además, la solución no está convergiendo a la a 19.690
solución real 2
a 3 1.0857
30
4 Método de Gauss-Seidel
Ejemplo:
Iteración #2
Usando
Los valores de ai son encontrados:
a1 3.6720
a 7.8510 106.8 5 7.8510 155.36
2 a1 12.056
a3 155.36 25
De la iteración #1
177.2 6412.056 155.36
a2 54.882
8
28
UNIVERSIDAD DE CUENCA
FACULTAD DE INGENIERÍA
1
1 Interpolación
1. Presentación
2. Método directo de interpolación
3. Método de interpolación de diferencias divididas
de Newton
4. Polinomios de interpolación de Lagrange
5. Interpolación mediante trazadores (splines)
2
1 Presentación
3
Interpolación de datos discretos
2 Método directo de interpolación
y a0 a1 x .................... an x . n
t , s vt , m/s
0 0
10 227.04
15 362.78
20 517.35
22.5 602.97
30 901.67
y a0 a1 x .................... an x . n
550
517.35
ys
f x desired 350
250
227.04 200
10 12 14 16 18 20
10 x s range x desired 20
x3 , y3
vt a0 a1t a2t a3t
2 3
x1 , y1
v10 227.04 a0 a1 10 a2 10 a3 10
2 3
f 3 x
x2 , y 2
v15 362.78 a0 a1 15 a2 15 a3 15
2 3
x0 , y0
Interpolación cúbica
v22.5 602.97 a0 a1 22.5 a2 22.5 a3 22.5
2 3
f x desired
400 a 100
392 .06
300
0.033269 %
227.04 200
10 12 14 16 18 20 22 24
10 x s range x desired 22.5
10
2 Método directo de interpolación cuadrática
Ejemplo: La velocidad de un cohete está dada como una función del
tiempo en la tabla 1. Encontrar la velocidad a t = 16 s, usando el
método directo para interpolación cuadrática.
Interpolación cuadrática: interpolación mediante un polinomio de
segundo orden.
y
x1 , y1
vt a0 a1t a2t 2
Interpolación cuadrática.
Solucionando el sistema de ecuaciones
f 2 ( x) b0 b1 ( x x0 ) b2 ( x x0 )( x x1 )
b0 f ( x0 )
f ( x1 ) f ( x0 )
b1
x1 x0
f ( x 2 ) f ( x1 ) f ( x1 ) f ( x0 )
x 2 x1 x1 x0
b2
x 2 x0
12
3 Método de interpolación de diferencias
divididas de Newton
Forma general
f 3 ( x) f [ x 0 ] f [ x1 , x0 ]( x x0 ) f [ x 2 , x1 , x0 ]( x x 0 )( x x1 )
f [ x3 , x 2 , x1 , x 0 ]( x x0 )( x x1 )( x x 2 )
b0
x0 f ( x0 ) b1
f [ x1 , x0 ] b2
x1 f ( x1 ) f [ x 2 , x1 , x0 ] b3
f [ x 2 , x1 ] f [ x3 , x 2 , x1 , x0 ]
x2 f ( x2 ) f [ x3 , x 2 , x1 ]
f [ x3 , x 2 ]
x3 f ( x3 )
14
4 Polinomios de interpolación de Lagrange
−
=
−
i 0
ys
1 t tj t t0
L1 (t )
362.78
350
10 12 14 16 18 20 22 24
j 0 t1 t j t1 t 0 x s 10
0
x s range x desired x s 10
1
j 1
t t1 t t0 t 20 t 15
v(t ) v(t 0 ) v(t1 ) (362.78) (517.35)
t 0 t1 t1 t 0 15 20 20 15
16 20 16 15
v(16) (362.78) (517.35)
15 20 20 15
0.8(362.78) 0.2(517.35)
393.7 m/s. 17
4 Polinomios de interpolación de Lagrange
Interpolación de Lagrange
cuadrática.
2
v (t ) Li ( t ) v(t i )
i 0
L0 (t )v (t 0 ) L1 (t ) v( t1 ) L2 (t ) v( t 2 )
ys
400
2 t tj t t1 t t 2
L0 (t ) f ( range)
j 0 t0 t j t t
0 1 0 2 t t
f x desired
j 0
350
2 t t j t t0 t t 2
L1 (t ) 300
j 0 t1 t j t1 t 0 t1 t 2
j 1
250
2 t tj t t 0 t t1
L2 (t ) 227.04 200
j 0 t2 t j t t
2 0 2 1 t t 10 12 14 16 18 20 18
j 2 10 x s range x desired 20
4 Polinomios de interpolación de Lagrange
t t1 t t2 t t0 t t2 t t0 t t1
vt vt0 vt1 vt2
t0 t1 t0 t2 t1 t0 t1 t2 t2 t0 t2 t1
1615 16 20 1610 16 20 1610 1615
v16 227 .04 362 .78 517.35
1015 10 20 1510 15 20 2010 2015
0.08227.04 0.96362.78 0.12527.35
392.19 m/s
392.19 393.70
a 100
392.19
0.38410% 19
4 Polinomios de interpolación de Lagrange
Interpolación de Lagrange cúbica.
3
v (t ) Li ( t ) v(t i )
i 0
3 t tj t t 1 t t 2 t t 3
L0 (t ) ; 700
602.97
j 0 t0 t j t t t t
0 1 0 2 0 3 t t
j 0
600
3 t t j t t0 t t 2 t t 3
L1 (t )
j 0 t1 t j t1 t 0 1 2 t1 t 3
t t ys 500
j 1
f ( range)
t tj t t 0 t t1 t t 3
f x desired
3
L2 (t )
400
;
j 0 t2 t j t 2 t 0 t 2 t 1 t 2 t 3
j 2
300
3 t tj t t 0 t t1 t t 2
L3 ( t ) 227.04
j 0 t3 t j t t t t
3 0 3 1 3 2 t t 200
10 12 14 16 18 20 22 24 20
j 3 10 x s range x desired 22.5
4 Polinomios de interpolación de Lagrange
t t1 t t 2 t t3 t t0 t t 2 t t3
vt
vt1 vt 2
t0 t1 t0 t 2 t0 t3 t1 t0 t1 t 2 t1 t3
t t0 t t1 t t3 t t1 t t1 t t 2
vt 2 vt3
t 2 t0 t 2 t1 t 2 t3 t3 t1 t3 t1 t3 t 2
16 15 16 20 16 22.5 16 10 16 20 16 22.5
v16 227.04 362.78
10 15 10 20 10 22.5 15 10 15 20 15 22.5
16 10 16 15 16 22.5 16 10 16 15 16 20
517.35 602.97
20 10 20 15 20 22.5 22. 5 10 22.5 15 22.5 20
0.0416227.04 0.832362.78 0.312517.35 0.1024602.97
392.06 m/s
392.06 392.19
a 100
392.06
0.033269% 21
4 Polinomios de interpolación de Lagrange
t t1 t t2 t t0 t t2 t t0 t t1
vt vt0 vt1 vt2
t0 t1 t0 t2 t1 t0 t1 t2 t2 t0 t2 t1
1615 16 20 1610 16 20 1610 1615
v16 227 .04 362 .78 517.35
1015 10 20 1510 15 20 2010 2015
0.08227.04 0.96362.78 0.12527.35
392.19 m/s
392.19 393.70
a 100
392.19
0.38410% 19
UNIVERSIDAD DE CUENCA
FACULTAD DE INGENIERÍA
1
1 Regresión
1. Presentación
2. Método de mínimos cuadrados
3. Regresión lineal
4. Modelos no lineales
5. Modelo exponencial
6. Modelo exponencial - linealización
2
1 Presentación
( x1 , y1 )
x
3
Modelo básico de regresión
2 Presentación
Para el uso efectivo del análisis de regresión se debe:
1. investigar el proceso de recolección de datos
2. descubrir cualquier limitación en los datos recopilados, y
3. restringir las conclusiones, como consecuencia de lo anterior
Una vez que se obtiene una relación de análisis de regresión, se
puede usar para predecir los valores de la variable de respuesta,
identificar las variables que más afectan la respuesta o verificar
modelos causales hipotéticos de la respuesta.
Como cualquier dato individual puede ser incorrecto, no se busca
intersecar todos los puntos. En lugar de esto, se construye una curva
que siga la tendencia de los puntos tomados como un grupo.
Una forma de hacerlo es obtener una curva que minimice la
discrepancia entre los puntos y la curva. Una técnica para lograr tal
objetivo, llamada regresión por mínimos cuadrados, será analizada.
Abusos del análisis de regresión: extrapolación, generalización, 4
causalidad.
2 Método de mínimos cuadrados
5
1 Regresión
1. Presentación
2. Método de mínimos cuadrados
3. Regresión lineal
4. Modelos no lineales
5. Modelo exponencial
6. Modelo exponencial - linealización
2
1 Presentación
( x1 , y1 )
x
3
Modelo básico de regresión
2 Presentación
Para el uso efectivo del análisis de regresión se debe:
1. investigar el proceso de recolección de datos
2. descubrir cualquier limitación en los datos recopilados, y
3. restringir las conclusiones, como consecuencia de lo anterior
Una vez que se obtiene una relación de análisis de regresión, se
puede usar para predecir los valores de la variable de respuesta,
identificar las variables que más afectan la respuesta o verificar
modelos causales hipotéticos de la respuesta.
Como cualquier dato individual puede ser incorrecto, no se busca
intersecar todos los puntos. En lugar de esto, se construye una curva
que siga la tendencia de los puntos tomados como un grupo.
Una forma de hacerlo es obtener una curva que minimice la
discrepancia entre los puntos y la curva. Una técnica para lograr tal
objetivo, llamada regresión por mínimos cuadrados, será analizada.
Abusos del análisis de regresión: extrapolación, generalización, 4
causalidad.
3 Regresión lineal
i 1 i 1
y
( xi , yi )
E i y i a 0 a1 x i ( xn , yn )
( x2 , y2 )
( x3 , y3 )
y a0 a1x
( x1 , y 1 )
6
x
3 Regresión lineal
i 1 i 1
S r n
2 y i a 0 a1 xi xi 0
a1 i 1
Resultando.
n n n
a a x y
i 1
0
i 1
1 i
i 1
i
n n n
a x a x yi xi
2
0 i 1 i
i 1 i 1 i 1 7
3 Regresión lineal
Caso especial =
n n n n
n x i y i x i y i x y i i
a1 i 1 i 1 i 1
2
a1 i 1
n
i
n n 2
n x x i
2
i
x
i 1 i 1 i 1
11
4 Modelos no lineales
( y aebx )
2. Modelo de potencia
( y ax b )
ax
y
b x
4. Modelo polinomial
( y a 0 a1 x ... amx m ) 12
5 Modelo exponencial
(x1, y1)
y aebx
yi aebxi
( xi , yi )
( x2 , y2 )
( xn , yn )
13
5 Modelo exponencial
n
bxi 2
Sr yi ae
i 1
S r
n
2 y i ae bxi e bxi 0
a i 1
S r
n
2 y i ae bxi axi e bxi 0
b i 1
n n
bxi 2bxi
yi e ae 0
i 1 i 1
n n
bxi 2bxi
y i xi e a xi e 0
i 1 i 1 14
5 Modelo exponencial
( y aebx )
2. Modelo de potencia
( y ax b )
ax
y
b x
4. Modelo polinomial
( y a 0 a1 x ... amx m ) 12
5 Modelo exponencial
(x1, y1)
y aebx
yi aebxi
( xi , yi )
( x2 , y2 )
( xn , yn )
13
UNIVERSIDAD DE CUENCA
FACULTAD DE INGENIERÍA
1
5 Modelo exponencial
t(hrs) 0 1 3 5 7 9
1.000 0.891 0.708 0.562 0.447 0.355
Ae t
0.9998 e 0.1151t
16
6 Modelo exponencial - linealización
y aebx
Tomando el logaritmo natural a ambos lados,
ln y ln a bx
Haciendo z ln y y a 0 ln a
Se obtiene un modelo de regresión lineal
z a 0 a1 x a e ao a1 b
n n n
n xi z i xi z i
a1 i 1 i 1 i 1
2
n
n
n xi xi
2
i 1 i 1
_ _
a 0 z a1 x
b a1
a e a0 17
1 Presentación
b
I f ( x )dx
a
5
2 Regla trapezoidal de integración
≈ ( )
+ ( )
=( − )
6
1 Presentación
b
I f ( x )dx
a
5
3 Regla trapezoidal de segmentos múltiples
30
140000
x 2000 ln 9.8t dt
8 140000 2100t
8
4 Regla de Simpson 1/3
Extensión de la regla trapezoidal, donde el integrando es aproximado
mediante un polinomio de segundo orden.
= ≈ ( )
= + +
Escoger
a b a b
( a , f ( a )), ,f , y ( b , f ( b ))
2 2
Como los tres puntos de la función para evaluar a0, a1 y a2.
f ( a ) f 2 ( a ) a 0 a1 a a 2 a 2
2
a b a b a b a b
f f2 a 0 a1 a2
2 2 2 2
f ( b ) f 2 ( b ) a 0 a1b a 2 b 2 9
3 Regla trapezoidal de segmentos múltiples
= + + ⋯+ +
Entonces
b
I f 2 ( x )dx
a
a0 a1 x a 2 x 2 dx
b
b
x x
2 3
a0 x a1 a 2
2 3 a
b2 a2 b3 a3
a0 ( b a ) a1 a2
2 3
11
4 Regla de Simpson 1/3
b
ba a b
2
f ( x )dx f ( a ) 4 f f ( b )
a 6 2
Para la regla de Simpson’s 1/3, el intervalo [a, b] es dividido
en 2 segmentos, el ancho del segmento es
ba
h
Entonces 2
b
h a b
f 2 ( x )dx f ( a ) 4 f f ( b )
a 3 2
13
6 Regla de cuadratura de Gauss de dos
puntos
Previamente, la Regla Trapezoidal fue desarrollada por el método de
coeficientes indeterminados. El resultado de ese desarrollo se
resume a continuación:
b
f ( x)dx c f (a) c
a
1 2 f (b)
ba ba
f (a) f (b)
2 2
La regla de cuadratura de Gauss de dos puntos es una extensión de
la aproximación de la regla trapezoidal en la que los argumentos de
la función no están predeterminados como a y b, sino como
incógnitas x1 y x2. En la regla de cuadratura de Gauss de dos puntos,
la integral se aproxima como
b
I f ( x )dx c1 f ( x1 ) c2 f ( x2 )
14
a
6 Regla de cuadratura de Gauss de dos
puntos
Las cuatro incógnitas x1, x2, c1 y c2 se encuentran al suponer que la
fórmula proporciona resultados exactos para integrar un polinomio
general de tercer orden:
f ( x ) a0 a1 x a2 x 2 a3 x 3 .
Por lo tanto,
dx
b b
f ( x )dx a
0 1 a x a 2 x 2
a 3 x 3
a a
b
x 2
x x
3 4
a0 x a1 a 2 a3
2 3 4 a
b2 a2 b3 a3 b4 a4
a0 b a a1 a 2 a3
2 3 4
b
2 3 2 3
f ( x )dx c1 a0 a1 x1 a 2 x1 a3 x1 c2 a0 a1 x2 a 2 x2 a3 x2 15
a
6 Regla de cuadratura de Gauss de dos
puntos
Igualando ecuaciones las dos expresiones anteriores dan como
resultado:
b2 a2 b3 a3 b4 a4
a0 b a a1 a 2 a3
2 3 4
2 3
c1 a0 a1 x1 a 2 x1 a3 x1 c2 a0 a1 x2 a 2 x2 a3 x2
2 3
a0 c1 c2 a1 c1 x1 c x a c x
2 2 3 3
2 2 2 1 1 c2 x2 a3 c1 x1 c2 x2
Dado que las constantes a0, a1, a2, a3 son arbitrarias:
b2 a2
b a c1 c2 c1 x1 c 2 x2
2
b3 a3 2 2 b4 a4
c1 x1 c2 x2 3
c1 x1 c 2 x 2
3
16
3 4
6 Regla de cuadratura de Gauss de dos
puntos
Las cuatro ecuaciones no lineales simultáneas anteriores tienen solo
una solución aceptable:
b a 1 b a b a 1 b a
x1 x2
2 3 2 2 3 2
ba ba
c1 c2
2 2
f (x)dx c f x c f x
a
1 1 2 2
b
ba a b
2
f ( x )dx f ( a ) 4 f f ( b )
a 6 2
Para la regla de Simpson’s 1/3, el intervalo [a, b] es dividido
en 2 segmentos, el ancho del segmento es
ba
h
Entonces 2
b
h a b
f 2 ( x )dx f ( a ) 4 f f ( b )
a 3 2
1. Presentación
2. Método de Euler
3. Método de Runge-Kutta de 2º orden
4. Ejemplo
2
1 Presentación
3
1 Presentación
Una ecuación diferencial ordinaria (EDO) es una ecuación que
implica una o más derivadas de una función desconocida. Una
solución de una ecuación diferencial es una función específica que
satisface la ecuación.
b a 1 b a b a 1 b a
x1 x2
2 3 2 2 3 2
ba ba
c1 c2
2 2
f (x)dx c f x c f x
a
1 1 2 2
6
2 Método de Euler
5
1 Presentación
6
3 Método de Runge-Kutta de 2º orden
Método de Heun
1
=
2
1
=
2
=1
=1
1 1
= + + ℎ
2 2
= ( , )
= ( + ℎ, + ℎ)
10
3 Método de Runge-Kutta de 2º orden
d
dt
2.2067 10 12 4 81 10 8 , 0 1200 K
12