Antología de Análisis Numérico - ITSX

Anlisis Numrico
Antologa
Realizada por: M.C. Jos Daniel Hernndez Ventura
Xalapa-Enrquez, Veracruz
Agosto de 2011
ndice
ObjetivoGeneral_____________________________________________________1
ECC0402(4210) Aprendizajesrequeridos: ETF1003(325) Competenciasprevias
1 1 1 1
UnidadI IntroduccinalAnlisisNumrico___________________________________2
ObjetivoEducacional 2 ActividadesdeAprendizaje 2 Bibliografa 2 1.1ConceptoyTrascendenciaHistricadelAnlisisNumrico.....................................3 1.2ImportanciadelAnlisisNumricoenlaIngeniera...............................................5 Autoevaluacin............................................................................................................6
UnidadII AnlisisdelError____________________________________________________8
ObjetivoEducacional 8 ActividadesdeAprendizaje 8 Bibliografa 8 2.1Aproximaciones......................................................................................................9 2.1.1CifrasSignificativas 10 2.1.2ExactitudyPrecisin 12 2.2Errores.................................................................................................................13 2.2.1ErroresdeRedondeo 15 2.2.2ErroresdePropagacin 16 2.2.3ErrorNumricoTotal 16 Autoevaluacin...........................................................................................................17
UnidadIII SolucindeEcuacionesAlgebraicas________________________________18
ObjetivoEducacional 18 ActividadesdeAprendizaje 18 Bibliografa 18 3.1MtododeIntervalos............................................................................................19 3.1.1MtododePosicinFalsa 20 i
AntologadeAnlisisNumrico
3.1.2MtododelaBiseccin 21 3.1.3MtododeDosPuntosyOrdendeConvergencia 23 3.2MtodosAbiertos..................................................................................................24 3.2.1MtododePuntoFijo 25 3.2.2MtododeNewtonRaphson 26 3.2.3MtododelaSecante 28 3.3RazdePolinomios...............................................................................................30 3.3.1MtododeNewtonRaphsonpararacescomplejas 31
UnidadIV Solucindesistemasdeecuacioneslinealesynolinealesyvalores caractersticos_____________________________________________________32

ObjetivoEducacional 32 ActividadesdeAprendizaje 32 Bibliografa 32 4.1Sistemasdeecuacioneslineales............................................................................33 4.1.1MtododeGauss. 34 4.1.2MtododeGaussJordan. 35 4.1.3MtododeGaussSeidel. 37 4.2Sistemasdeecuacionesnolineales.......................................................................39 4.2.1MtododeNewtonRaphsonparasistemasnolineales. 40 4.3Valorescaractersticos.........................................................................................41 4.3.1Mtodoiterativoparadeterminarvalorescaractersticos 42
UnidadV AjustedeFunciones________________________________________________43
ObjetivoEducacional 43 ActividadesdeAprendizaje 43 Bibliografa 43 5.1Interpolacin........................................................................................................44 5.1.1DiferenciasdivididasdeNewtonparalainterpolacindepolinomios. 45 5.1.2PolinomiodeLagrange. 46 5.2Aproximacin.......................................................................................................47 5.2.1Polinomialconnmeroscuadrados. 48 5.2.2Multilinealconmnimoscuadrados. 49 5.3Ajusteporinterpolacinsegmentaria(Spline).....................................................50
UnidadVI DiferenciacineIntegracinNumrica_____________________________52
ObjetivoEducacional
52
ii
ActividadesdeAprendizaje 52 Bibliografa 52 6.1Integracin...........................................................................................................53 6.1.1Mtododeltrapecio 54 6.1.2MtododeSimpson. 56 6.1.3MtododeNewtonCotes. 57 6.2Diferenciacin......................................................................................................58 6.2.1ExtrapolacindeRichardson. 59
UnidadVII Solucinnumricadeecuacionesdiferencialesordinariasy parciales____________________________________________________________60

ObjetivoEducacional 60 ActividadesdeAprendizaje 60 Bibliografa 60 7.1Solucindeecuacionesdiferencialesordinarias....................................................61 7.1.1MtodosdeEuler 62 7.1.2MtodosdeRungeKutta 63 7.2Solucindesistemasdeecuacionesdiferencialesordinarias.................................64 7.3Solucindeecuacionesdiferencialesparciales 65 7.3.1Mtododelasdiferenciasfinitas 66 7.3.2Mtododelelementofinito. 67
iii
Objetivo General
ECC-0402 (4-2-10) El alumno conocer los mtodos numricos y los aplicar en la solucin de problemas de ingeniera. Aprendizajes requeridos : Conceptos bsicos de clculo diferencial e Integral Anlisis vectorial lgebra lineal Ecuaciones diferenciales ETF-1003 (3-2-5) Analizar problemas de ingeniera y dar solucin a ellos aplicando el (los) mtodo(s) numrico(s) apropiado(s) Competencias previas Usar la calculadora de forma ptima Realizar anlisis y resolucin mediante una metodologa lgica a la solucin de problemas de ingeniera Aplicar un lenguaje de programacin para la solucin de problemas. Dominar las disciplinas de clculo infinitesimal, lgebra lineal, ecuaciones diferenciales y regresin lineal. Coordinar, participar y/o dirigir grupos de estudio e investigacin
Unidad I Introduccin al Anlisis Numrico
Objetivo Educacional El alumno conocer el concepto del anlisis numrico y su importancia en la ingeniera. Actividades de Aprendizaje Investigar los antecedentes histricos del anlisis numrico y exponerlo de manera grupal. Identificar las aplicaciones del anlisis numrico y su relacin con la computacin. Analizar problemas de ingeniera que se caracterizan por una solucin numrica abierta. Identificar la importancia del anlisis numrico en la solucin. Bibliografa [1] Anlisis Numrico; http://es.wikipedia.org/wiki/An%C3%A1lisis_num%C3%A9rico
1.1 Concepto y Trascendencia Histrica del Anlisis Numrico

Una definicin de anlisis numrico podra ser el estudio de los errores en los clculos; error aqu no quiere decir un disparate, equivocacin u omisin, sino ms bien una discrepancia entre el valor exacto y el calculado, que es consecuencia de la manera con que se manejan los nmeros o frmulas. El anlisis o clculo numrico es la rama de las matemticas que se encarga de disear algoritmos para, a travs de nmeros y reglas matemticas simples simular procesos matemticos ms complejos aplicados a procesos del mundo real. Otra definicin de anlisis numrico podra ser el diseo, uso y anlisis de algoritmos, los cuales son conjuntos de instrucciones, cuyo fin es calcular o aproximar alguna cantidad o funcin. El Anlisis numrico es una rama de las matemticas cuyos lmites no son del todo precisos. De una forma rigurosa, se puede definir como la disciplina ocupada de describir, analizar y crear algoritmos numricos que nos permitan resolver problemas matemticos, en los que estn involucradas cantidades numricas, con una precisin determinada. El anlisis numrico es el desarrollo y estudio de procedimientos para resolver problemas con ayuda de un computador. Una ventaja fundamental de este es que pueda obtenerse una respuesta numrica, an cuando un problema no tenga solucin analtica. El anlisis numrico consiste en procedimientos que resuelven problemas y realizan clculos puramente aritmticos. Pero hay que tomar en cuenta las caractersticas especiales y limitaciones de los instrumentos de clculo (como las computadoras) que nos ayudan en la ejecucin de las instrucciones del algoritmo. Es importante mencionar que el resultado del anlisis numrico es una aproximacin, aunque los resultados pueden hacerse tan exactos como se quiera, a fin de obtener la mxima exactitud es necesario efectuar una multitud de operaciones por separado, pero las computadoras las realizan tan rpidamente y sin cometer errores que esto no constituye un problema importante. El anlisis de los errores cometido por las computadoras y de las otras fuentes de error en los mtodos numricos constituye una parte fundamental del estudio del anlisis numrico. El concepto de nmero surgi como consecuencia de la necesidad prctica de contar objetos. Inicialmente se contaban con ayuda de los medios disponibles: dedos, piedras... (basta recordar por ejemplo, que la palabra clculo deriva de la palabra latina calculus que significa contar con piedras). La serie de nmeros naturales era, obviamente, limitada, pero la conciencia sobre la necesidad de ampliar el conjunto de nmeros representa ya una importante etapa en el camino hacia la matemtica moderna. Paralelamente a la ampliacin de los nmeros se desarroll su simbologa y los sistemas de numeracin, diferentes para cada civilizacin. Los textos matemticos ms antiguos disponibles son el Plimpton 322 (matemticas en Babilonia c. 1900 a.C.), el papiro de Mosc (matemticas en el Antiguo Egipto c. 1850 a.C.), el papiro de Rhind (Matemticas en Egipto c. 1650 a.C.), y el Shulba Sutras (Matemticas en la India c. 800 a.C.). Todos
estos textos tratan sobre el teorema de Pitgoras, que parece ser el ms antiguo y extendido desarrollo matemtico despus de la aritmtica bsica y la geometra. Tradicionalmente se ha considerado que la matemtica, como ciencia, surgi con el fin de hacer los clculos en el comercio, para medir la Tierra y para predecir los acontecimientos astronmicos. Estas tres necesidades pueden ser relacionadas en cierta forma a la subdivisin amplia de la matemtica en el estudio de la estructura, el espacio y el cambio. Las matemticas egipcias y babilnicas fueron ampliamente desarrolladas por la matemtica helnica, donde se refinaron los mtodos (especialmente la introduccin del rigor matemtico en las demostraciones) y se ampliaron los asuntos propios de esta ciencia. Las matemticas en el Islam, a su vez, desarrollaron y extendieron las matemticas conocidas por estas civilizaciones ancestrales. Muchos textos griegos y rabes de matemticas fueron traducidos al latn, lo que llev a un posterior desarrollo de las matemticas en la Edad Media. Desde tiempos ancestrales hasta la Edad Media, las rfagas de creatividad matemtica fueron seguidas, con frecuencia, por siglos de estancamiento. Pero desde el renacimiento italiano, en el siglo XVI, los nuevos desarrollos matemticos, interactuando con descubrimientos cientficos contemporneos, fueron creciendo exponencialmente hasta el da de hoy.
1.2 Importancia del Anlisis Numrico en la Ingeniera

Un especialista de anlisis numrico se interesa en la creacin y comprensin de buenos mtodos que resuelvan problemas numricamente. Una caracterstica importante del estudio de los mtodos es su variacin. Una buena razn para estudiar el anlisis numrico es mejorar nuestra comprensin de los conceptos de las matemticas (puras) observando como algunos de ello deben modificarse necesariamente en las matemticas computacionales. El anlisis numrico cobra especial importancia con la llegada de los ordenadores. Los ordenadores son tiles para clculos matemticos extremadamente complejos, pero en ltima instancia operan con nmeros binarios y operaciones matemticas simples. Despus de todo, el anlisis numrico es importante porque es necesario en la solucin de muchos problemas del mundo real. En general, estos mtodos se aplican cuando se necesita un valor numrico como solucin a un problema matemtico, y los procedimientos "exactos" o "analticos" (manipulaciones algebraicas, teora de ecuaciones diferenciales, mtodos de integracin, etc.) son incapaces de dar una respuesta. Debido a ello, son procedimientos de uso frecuente por fsicos e ingenieros, y cuyo desarrollo se ha visto favorecido por la necesidad de stos de obtener soluciones, aunque la precisin no sea completa. Debe recordarse que la fsica experimental, por ejemplo, nunca arroja valores exactos sino intervalos que engloban la gran mayora de resultados experimentales obtenidos, ya que no es habitual que dos medidas del mismo fenmeno arrojen valores exactamente iguales. Operaciones que se pueden realizar con el anlisis numrico son: Resolucin para las races de una ecuacin no lineal. Resolucin de grandes sistemas de ecuaciones lineales. Obtencin de las soluciones de un sistema de ecuaciones no lineales. Interpolacin para encontrar valores intermedios en una tabla de datos. Encontrar aproximaciones eficientes y eficaces de funciones.
Autoevaluacin
Conteste las siguientes preguntas eligiendo la respuesta correcta.
1.- Es la rama de las matemticas que se encarga de disear algoritmos para, a travs de nmeros y reglas matemticas simples simular procesos matemticos ms complejos aplicados a procesos del mundo real. a) Anlisis o clculo numrico b) lgebra c) Trigonometra 2.- Por qu consecuencia surgi el concepto de nmero? a) Para hacer cuentas numricas. b) Por la necesidad de contar objetos c) Para inventar los nmeros 3.- Cul es el texto matemtico ms antiguo disponible? a) El papiro de Mosc b) El papiro de Rhind c) El Shulba Sutras 4.- Cmo se ha considerado tradicionalmente a las matemticas? a) como ciencia b) como ayuda en los clculos c) como un dolor de cabeza 5.- En qu siglo fueron creciendo exponencialmente los nuevos desarrollos matemticos? a) en el siglo XXI b) en el siglo XVII c) en el siglo XVI
Conteste las siguientes preguntas eligiendo Falso o Verdadero.
6.- El anlisis numrico consiste en procedimientos que resuelven problemas y realizan clculos puramente aritmticos a) Falso b) Verdadero 7.- Un especialista de anlisis numrico se interesa en la creacin y comprensin de buenos mtodos que resuelvan ecuaciones diferenciales e integrales. a) Falso b) Verdadero 8.- El anlisis numrico es importante porque es necesario en la solucin de muchos problemas del mundo real. a) Falso b) Verdadero
9.- Una caracterstica importante del estudio de los mtodos es su variacin. a) Falso b) Verdadero 10.- Una buena razn para estudiar el anlisis numrico es mejorar nuestra comprensin de los conceptos de las ciencias. a) Falso b) Verdadero
Unidad II Anlisis del Error
Objetivo Educacional El alumno analizar y calcular el error y su efecto en aplicaciones de ingeniera Actividades de Aprendizaje Identificar los conceptos de aproximaciones, cifras significativas, exactitud y precisin. Identificar los tipos de errores: por redondeo, truncamiento, absoluto y relativo. Resolver problemas que impliquen el clculo de diferentes tipos de errores. Caracterizar los problemas de generacin y propagacin de errores, as como sus mtodos de evaluacin. Investigar el efecto de los diferentes tipos de errores en aplicaciones de ingeniera. Presentar en forma grupal los resultados. Bibliografa [1]Aproximacin; http://es.wikipedia.org/wiki/Aproximacion [2]Cifras Significativas; http://es.wikipedia.org/wiki/Cifras_significativas [3] Mtodos Numricos. Antologa; Giron Jimenez, Ulises; Instituto Tecnolgico Superior de Acayucan; 2009. [4] IEEE coma flotante; http://es.wikipedia.org/wiki/IEEE_754 [5] IEEE-754 References; http://babbage.cs.qc.edu/courses/cs341/IEEE-754references.html
2.1 Aproximaciones
En [1], Aproximacin es una representacin inexacta de algo que, sin embargo, es suficientemente fiel como para ser til. Aunque en matemticas la aproximacin tpicamente se aplica a nmeros, tambin puede aplicarse a objetos tales como las funciones matemticas, figuras geomtricas o leyes fsicas. Una aproximacin usualmente se realiza cuando una forma exacta o un valor numrico exacto es desconocido o difcil de obtener. Sin embargo, puede conocerse alguna forma, que sea capaz de representar a la forma real, de manera que no se presenten desviaciones significativas. Tambin se utiliza cuando un nmero es irracional, como el nmero , en cuyo lugar muchas veces se emplea el 3.14, 7 como 2.65.2 Las aproximaciones numricas a veces son efecto del uso de una cantidad pequea de dgitos significativos. La teora de la aproximacin es una rama de las matemticas, una parte cuantitativa del anlisis funcional. La aproximacin diofntica se dedica a la aproximacin de nmeros reales por medio de nmeros racionales. El smbolo doble tilde "" (entidad HTML ≈) significa "aproximadamente igual a". La tilde (~) a veces se usa para indicar una aproximacin de inferior calidad (p.ej. 92 ~ 100).
2.1.1 Cifras Significativas Cuando se emplea un nmero en un clculo, debe haber seguridad de que pueda usarse con confianza. El concepto de cifras significativas tiene dos implicaciones importantes en el estudio de los mtodos numricos. 1.- Los mtodos numricos obtienen resultados aproximados. Por lo tanto, se deben desarrollar criterios para especificar qu tan precisos son los resultados obtenidos. 2.- Aunque ciertos nmeros representan nmero especficos, no se pueden expresar exactamente con un nmero finito de cifras. Como aparece en [2], Las cifras significativas (o dgitos significativos) representan el uso de una escala de incertidumbre en determinadas aproximaciones. El uso de stas considera que el ltimo dgito de aproximacin es incierto, por ejemplo, al determinar el volumen de un lquido con una probeta cuya precisin es de 1 ml, implica una escala de incertidumbre de 0,5 ml. As se puede decir que el volumen de 6 ml ser realmente de 5,5 ml a 6,5 ml. El volumen anterior se representar entonces como (6.0 0.5) ml. En caso de determinar valores ms prximos se tendran que utilizar otros instrumentos de mayor precisin, por ejemplo, una probeta de divisiones ms finas y as obtener (6.0 0.1) ml o algo ms satisfactorio segn la precisin requerida. El estndar de la IEEE para aritmtica en coma flotante (IEEE 754) es el estndar ms extendido para las computaciones en coma flotante, y es seguido por muchas de las mejoras de CPU y FPU. El estndar define formatos para la representacin de nmeros en coma flotante (incluyendo el cero) y valores desnormalizados, as como valores especiales como infinito y NaN, con un conjunto de operaciones en coma flotante que trabaja sobre estos valores. Tambin especifica cuatro modos de redondeo y cinco excepciones (incluyendo cundo ocurren dichas excepciones y qu sucede en esos momentos). IEEE 754 especifica cuatro formatos para la representacin de valores en coma flotante: precisin simple (32 bits), precisin doble (64 bits), precisin simple extendida ( 43 bits, no usada normalmente) y precisin doble extendida ( 79 bits, usualmente implementada con 80 bits). Slo los valores de 32 bits son requeridos por el estndar, los otros son opcionales. Muchos lenguajes especifican qu formatos y aritmtica de la IEEE implementan, a pesar de que a veces son opcionales. Por ejemplo, el lenguaje de programacin C, ahora permite pero no requiere la aritmtica de la IEEE (el tipo de C float es tpicamente usado para la precisin simple de la IEEE y el tipo double usa la precisin doble del la IEEE). El ttulo completo del estndar es IEEE Standard for Binary Floating-Point Arithmetic (ANSI/IEEE Std 754-1985), y tambin es conocido por IEC 60559:1989, Binary floating-point arithmetic for microprocessor systems (originalmente el nmero de referencia era IEC 559:1989). Un nmero en coma flotante de precisin simple se almacena en una palabra de 32 bits. 10
1 8 23 <-- tamao en bits +-+--------+-----------------------+ |S| Exp | Significante | +-+--------+-----------------------+ 31 30 23 22 0 <-- ndice del bit (0 a la derecha) desplazado +127
donde S es el bit de signo y Exp es el campo exponente. (Para el signo: 0=Positivo ; 1= Negativo). El exponente es desplazado en el un nmero en precisin simple, un exponente en el rango 126 a +127 es desplazado mediante la suma de 127 para obtener un valor en el rango 1 a 254 (0 y 255 tienen valores especiales descritos ms adelante). Cuando se interpreta el valor en coma flotante, el nmero es desplazado de nuevo para obtener el exponente real. El conjunto de valores posibles pueden ser divididos en los siguientes: ceros nmeros normalizados nmeros desnormalizados infinitos NaN (E, no es un nmero, como por ejemplo, la raz cuadrada de un nmero negativo)
Las clases se distinguen principalmente por el valor del campo Exp, siendo modificada sta por el campo fraccin. Considera Exp y Fraccin como campos de nmeros binarios sin signo (Exp se encuentra en el rango 0255): Exp Ceros 0 Nmeros desnormalizados 0 Nmeros normalizados 1-254 Infinitos 255 NaN (Not a Number) 255 Clase Fraccin 0 distinto de 0 cualquiera 0 distinto de 0
Para nmeros normalizados, los ms comunes, Exp es el exponente desplazado y Fraccin es la parte fraccional del significante (o significando). El nmero tiene valor v: v = s 2e m Donde s = +1 (nmeros positivos) cuando S es 0 s = 1 (nmeros negativos) cuando S es 1 e = Exp 127 (en otras palabras, al exponente se le suma 127 y se almacena, a esto tambin se le llama "biased with 127" en ingls) m = 1,Fraccin en binario (esto es, el significando es el nmero binario 1 seguido por la coma decimal seguido por los bits de Fraccin). Por lo tanto, 1 m < 2.
11
Notas: 1. Los nmeros desnormalizados son iguales excepto que e = 126 y m = 0,Fraccin. (e NO es -127 : el significando ha de ser desplazado a la derecha por un bit ms, de forma que incluya el bit principal, que no siempre es 1 en este caso. Esto se balancea incrementando el exponente a -126 para el clculo.) 2. 126 es el menor exponente para un nmero desnormalizado 3. Hay dos ceros. +0 (S es 0) y 0 (S es 1) 4. Hay dos infinitos + (S es 0) y (S es 1) 5. Los NaN s pueden tener un signo y un significando, pero estos no tienen otro significado que el que puedan aportar en pruebas de diagnstico; el primer bit del significando es a menudo utilizado para distinguir NaN s sealizados de NaN s silenciosos 6. los NaNs y los infinitos tienen todos los bits a 1 en el campo Exp. 2.1.2 Exactitud y Precisin La exactitud se refiere a que tan cercano est el valor calculado o medido del valor verdadero. La precisin se refiere a qu tan cercano est un valor individual medido o calculado respecto a los otros. La inexactitud se define como un alejamiento sistemtico de la verdad. La imprecisin, por otro lado, se refiere a la magnitud del esparcimiento de los valores. Los mtodos numricos deben ser lo suficientemente exactos o sin sesgos para que cumplan los requisitos de un problema particular de ingeniera.
12
2.2 Errores
El concepto de error es consustancial con el clculo numrico. En todos los problemas es fundamental hacer un seguimiento de los errores cometidos a fin de poder estimar el grado de aproximacin de la solucin que se obtiene.
Si |error absoluto| < , decimos que es una cota de error absoluto. Entonces la relativa es:
Los errores asociados a todo clculo numrico tienen su origen en dos grandes factores: Aquellos que son inherentes a la formulacin del problema y los que son consecuencia del mtodo empleado para encontrar la solucin del problema. Dentro del grupo de los primeros, se incluyen aquellos en los que la definicin matemtica del problema es slo una aproximacin a la situacin fsica real. Estos errores son normalmente despreciables; por ejemplo, el que se comete al obviar los efectos relativistas en la solucin de un problema de mecnica clsica. En aquellos casos en que estos errores no son realmente despreciables, nuestra solucin ser poco precisa independientemente de la precisin empleada para encontrar las soluciones numricas. Otra fuente de este tipo de errores tiene su origen en la imprecisin de los datos fsicos: constantes fsicas y datos empricos. En el caso de errores en la medida de los datos empricos y teniendo en cuenta su carcter generalmente aleatorio, su tratamiento analtico es especialmente complejo pero imprescindible para contrastar el resultado obtenido computacionalmente. En lo que se refiere al segundo tipo de error (error computacional), tres son sus fuentes principales: 1. Equivocaciones en la realizacin de las operaciones (errores de bulto). Esta fuente de error es bien conocida por cualquiera que haya realizado clculos manualmente o empleando una calculadora. El empleo de computadores ha reducido enormemente la probabilidad de que este tipo de errores se produzcan. Sin embargo, no es despreciable la probabilidad de que el programador cometa uno de estos errores (calculando correctamente el resultado errneo). Ms an, la presencia de bugs no detectados en el compilador o en el software del sistema no es inusual. Cuando no resulta posible verificar que la solucin calculada es razonablemente correcta, la probabilidad de que se haya cometido un error de bulto no puede ser ignorada. Sin embargo, no es esta la fuente de error que ms nos va a preocupar.
13
2. El error causado por resolver el problema no como se ha formulado, sino mediante algn tipo de aproximacin. Generalmente est causado por la sustitucin de un infinito (sumatorio o integracin) o un infinitesimal (diferenciacin) por una aproximacin finita. Algunos ejemplos son: El clculo de una funcin elemental (por ejemplo, Seno x) empleando slo n trminos de los infinitos que constituyen la expansin en serie de Taylor. Aproximacin de la integral de una funcin por una suma finita de los valores de la funcin, como la empleada en la regla del trapezoide. Resolucin de una ecuacin diferencial reemplazando las derivadas por una aproximacin (diferencias finitas). Solucin de la ecuacin f(x) = 0 por el mtodo de Newton-Raphson: proceso iterativo que, en general, converge slo cuando el nmero de iteraciones tiende a infinito. Denominaremos a este error, en todas sus formas, como error por truncamiento, ya que resulta de truncar un proceso infinito para obtener un proceso finito. Obviamente, estamos interesados en estimar, o al menos acotar, este error en cualquier procedimiento numrico. 3. Por ltimo, la otra fuente de error de importancia es aquella que tiene su origen en el hecho de que los clculos aritmticos no pueden realizarse con precisin ilimitada. Muchos nmeros requieren infinitos decimales para ser representados correctamente, sin embargo, para operar con ellos es necesario redondearlos. Incluso en el caso en que un nmero pueda representarse exactamente, algunas operaciones aritmticas pueden dar lugar a la aparicin de errores (las divisiones pueden producir nmeros que deben ser redondeados y las multiplicaciones dar lugar a ms dgitos de los que se pueden almacenar). El error que se introduce al redondear un nmero se denomina error de redondeo.
14
2.2.1 Errores de Redondeo El error de aproximacin o error numrico es una medida del ajuste de la medida o clculo de una magnitud con respecto al valor real o terico que dicha magnitud tiene. Un aspecto importante de los errores de aproximacin es su estabilidad numrica. Dicha estabilidad se refiere a como dentro de un algoritmo de anlisis numrico el error de aproximacin es propagado dentro del propio algoritmo. Muchas veces, los computadores cortan los nmeros decimales entre e17 y 12 decimal introduciendo as un error de redondeo Por ejemplo, el valor de e se conoce como 2.718281828 hasta el infinito. Si cortamos el nmero en 2.71828182 (8 cifras significativas luego del punto decimal) estamos obteniendo un error E de: E = 2.718281828 2.71828182 = 0.000000008 Sin embargo, como no consideramos que el nmero que segua al corte era mayor que 5, entonces nos convena dejar el nmero como 2.71828183, caso en el cual el error sera solo de: E = 2.118281828 2.11828183 = 0.000000002.. que en trminos absolutos es mucho menor que el anterior. En general, el error de corte de las computadoras ser muy inferior al error introducido por un usuario, que generalmente corta a un menor nmero de cifras significativas. Dependiendo de la magnitud de los nmeros con los que se trabaja, el error de redondeo puede tener una incidencia muy grande o muy pequea en el clculo final. As por ejemplo, si tenemos un producto de 502,23 m y un precio por metro expresado en dlares de US $ 7,52, el precio total nos dar US$ 3 776.7696. Ahora, si introducimos una variacin del 1% en los metros del producto y calculamos el total, obtenemos 502,23 * 1.01 = 507.2523 , que en US$ equivalen a US$3 814.537296, lo que no deja de ser importante, ya que una variacin de 1% en el metraje del producto nos da un error considerable en el precio final ERRORES DE TRUNCAMIENTO. Los errores de truncamiento tienen relacin con el mtodo de aproximacin que se usar ya que generalmente frente a una serie infinita de trminos, se tender a cortar el nmero de trminos, introduciendo en ese momento un error, por no utilizar la serie completa (que se supone es exacta). En una iteracin, se entiende como el error por no seguir iterando y seguir aproximndose a la solucin. En un intervalo que se subdivide para realizar una serie de clculos sobre l, se asocia al nmero de paso, resultado de dividir el intervalo n veces.
15
2.2.2 Errores de Propagacin En muchos casos podr plantearnos el problema de acceder a mediciones de ciertas magnitudes a travs de otras en forma indirecta, ya sea por no poseer los instrumentos adecuados o por slo poseer una expresin matemtica a travs de la cual se la define cuantitativamente. Tal es el caso del volumen de un cuerpo q travs de las longitudes de sus aristas, o el caudal de un ro a travs del volumen por minuto de agua que circula, etc. Reflexionando podemos concluir que el Vm de la medicin indirecta depender de los valores promedios o mejores valores de las magnitudes que se miden en forma directa. Para facilitar el proceso de acotacin de los errores ejemplificaremos con: a) Si V = A + B entonces EV = EA + EB b) Si V = A . B entonces ERV = ERA ERB c) Si V = A/ B entonces ERV = ERA + ERB d) Si V = An entonces ERV = n ERA Ocurre que al medir las distintas magnitudes directas, no todas son medidas con el mismo nmero de cifras significativas. En este caso, se tomar como criterio determinar el orden del error de la magnitud indirect a como aquella del orden de la menor nmero de cifras significativas. Para ello se realizar el redondeo correspondiente. 2.2.3 Error Numrico Total El error numrico total se entiende como la suma de los errores de redondeo y truncamiento introducidos en el clculo. Pero aqu surge un gran problema. Mientras ms clculos se tengan que realizar para obtener un resultado, el error de redondeo se ir incrementando. Pero por otro lado, el error de truncamiento se puede minimizar al incluir ms trminos en la ecuacin, disminuir el paso o proseguir la iteracin ( o sea mayor nmero de clculos y seguramente mayor error de redondeo). Entonces, qu criterio utilizamos? lo ideal sera determinar el punto en que los errores de donde empiezan a ocultar la ventaja de considerar un menor error de truncamiento. En la prctica debemos considerar que hoy por hoy los computadores tienen un manejo de cifras significativas mucho mayor que antes por lo que el error de redondeo se minimiza enormemente, aunque no se debe dejar olvidar su aporte al error total.
16
Autoevaluacin
Relaciona ambas columnas (50%)
(CHP) disciplina ocupada de describir, analizar y HCA.- Exactitud crear algoritmos numricos que nos permitan resolver problemas matemticos, en los que estn involucra- DPG .-Aproximacin das cantidades Numricas, con una precisin determinada. DRG.- electrnica analgica (DCT) Resolucin para las races de una ecuacin CHP.- Anlisis Numrico no lineal. Resolucin de grandes sistemas de ecuaciones li- TCM.- Error numrico total neales. Obtencin de las soluciones de un sistema de EGM.- Cifras Significativas ecuaciones no lineales, son: DCT.- Operaciones de (DPG) representacin inexacta de algo numrico (EGM) representan el uso de una escala de incertidumbre en determinadas aproximaciones. (HCA) se refiere a que tan cercano esta el valor calculado o medido del valor verdadero.
anlisis
17
Subraya la respuesta correcta (20%)

1.-Diferencia entre el valor real y el valor de medicin (a) Error absoluto (b) error relativo (c) error de truncamiento (d) error redondeo 2.-Error que se obtiene por el cociente del error absoluto entre el valor real (a) Error absoluto (b) error relativo (c) error de truncamiento (d) error redondeo 3.- Es una medida del ajuste de la medida o calculo de una magnitud con respecto al valor real o terico que dicha magnitud tiene. Tambin llamado error de aproximacin o error numrico. (a) Error absoluto (b) error relativo (c) error de truncamiento (d) error redondeo
4.- Cortar el nmero de trminos,Introduciendo en ese momento un error, por no utilizar la serie completa genera este tipo de errores. (a) Error absoluto (b) error relativo (c) error de truncamiento (d) error redondeo
5.- Se entiende como la suma de los errores de redondeo y truncamiento Introducidos en el clculo. (a) Error absoluto (b) errores de propagacin (c) error de truncamiento (d) error numrico total
Resuelve los siguientes ejercicios (30%)

Exprese las siguientes cantidades decimales en formato IEEE 754, es decir en punto flotante, utilizando 32 bits. 1. 2. 3. 4. 5. 1312 0.353 345 0.0 801
18
Unidad III Solucin de Ecuaciones Algebraicas
Objetivo Educacional El alumno conocer y aplicar los mtodos numricos en la solucin de ecuaciones algebraicas. Actividades de Aprendizaje Identificar las caractersticas de los mtodos de intervalos. Identificar y aplicar el mtodo de la posicin falsa en la solucin de problemas. Identificar y aplicar el mtodo de la biseccin en la solucin de problemas. Identificar y aplicar el mtodo de dos puntos y orden de convergencia en la solucin de problemas. Identificar las caractersticas de los mtodos abiertos. Identificar y aplicar el mtodo del punto fijo, Newton-Raphson y secante en la solucin de problemas. Comparar los resultados analtico y computacional. Identificar las caractersticas de los mtodos de obtencin de Races de polinomios. Identificar y aplicar el mtodo de Newton- Raphson para races complejas. Analizar la aproximacin y convergencia de los mtodos estudiados. Bibliografa [1] Mtodos Numricos. Antologa; Giron Jimenez, Ulises; Instituto Tecnolgico Superior de Acayucan; 2009. [2] Mtodos Numricos para Ingenieros;Chapra Steven y Canale R.; Ed. Mc-Graw Hill . [3] Mtodos Numricos Bsicos para Ingeniera. Con implementaciones en MATLAB y EXCEL; Carlos Armando De Castro Payares ; GRUMAI; Colombia; http://sites.google.com/site/matematicasingenieria/metodos_numericos_ingenieria [4] Numerical Methods for Engineers and Scientists, Hoffman, Jon D.; Marcel dekker Inc.; Second Edition; 2001 [5] La Enciclopedia Libre; http://es.wikipedia.org/wiki/Wikipedia:Portada
19
3.1 Mtodo de Intervalos

A estas tcnicas se les llama mtodos que usan intervalos porque se necesitan de dos valores iniciales para la raz. Como su nombre lo indica, estos valores deben encerrar o estar uno de cada lado de la raz. Los mtodos particulares descritos sobre este punto emplean diferentes estrategias para reducir sistemticamente el tamao del intervalo y as converger a la respuesta correcta. Adems de la utilidad de los mtodos grficos para determinar valores iniciales, tambin son tiles para visualizar las propiedades de las funciones y el comportamiento de los mtodos numricos. Mtodos de Dominio Cerrado, son mtodos que se inician con dos valores de x que contienen la raz, x = c, y reducen sistemticamente el intervalo, manteniendo la raz atrapado dentro del intervalo. Dos de estos mtodos son: 1. Mtodo de Biseccin o Divisin del Intervalo 2. Mtodo de la Posicin Falsa o Regula Falsi Mtodos cerrados son robustos en el sentido que garantizan obtener una solucin ya que la raz se encuentra atrapada en el intervalo cerrado. Estos pueden ser lentos para converger. Los mtodos de dominio abierto no restringen la raz a permanecer atrapada en un intervalo cerrado. En consecuencia, no son tan robustos como los mtodos de dominio cerrado y pueden divergir en realidad. Sin embargo, utilizan la informacin acerca de la funcin no lineal en s para refinar las estimaciones de la raz. Por lo tanto, son considerablemente ms eficiente que los mtodos de intervalo cerrado. Cuatro mtodos de dominio abierto son: 1. Mtodo de iterativo de Punto Fijo 2, Mtodo de Newton 3. Mtodo de la secante 4. Mtodo de Muller
20
3.1.1 Mtodo de Posicin Falsa El mtodo de regula falsi (regla falsa) o falsa posicin es un mtodo iterativo de resolucin numrica de ecuaciones no lineales. El mtodo combina el mtodo de biseccin y el mtodo de la secante. Se busca una solucin de la ecuacin f(x) = 0, una raz de f. Como en el mtodo de biseccin, se parte de un intervalo inicial [a0,b0] con f(a0) y f(b0) de signos opuestos, lo que garantiza que en su interior hay al menos una raz (vase el teorema de Bolzano). El algoritmo va obteniendo sucesivamente en cada paso un intervalo ms pequeo [ak, bk] que sigue incluyendo una raz de la funcin f. A partir de un intervalo [ak, bk] se calcula un punto interior ck: ck = f (bk )a k f (a k ) b k f (bk ) f (a k )
Dicho punto es la interseccin de la recta que pasa por (a,f(ak)) y (b,f(bk)) con el eje de abscisas (igual a como se hace en el mtodo de la secante). Se evala entonces f(ck). Si es suficientemente pequeo, ck es la raz buscada. Si no, el prximo intervalo [ak+1, bk+1] ser: [ak, ck] si f(ak) y f(ck) tienen signos opuestos; [ck, bk] en caso contrario.
21
3.1.2 Mtodo de la Biseccin Una vez que se ha ubicado una raz de una ecuacin dentro de un intervalo, es posible utilizar varios mtodos para acercarse a esta raz. Los mtodos de bsqueda incremental se aprovechan de esta caracterstica para localizar un intervalo donde la funcin cambie de signo. Por lo tanto, la localizacin del cambio de signo, se logra ms exactamente dividiendo el intervalo en una cantidad definida de subintervalos. El mtodo de biseccin logra esto mediante la sucesiva reduccin a la mitad del intervalo hasta que se vuelve lo suficientemente pequeo. Esta tcnica tambin se conoce como el mtodo de reduccin a la mitad del intervalo. Biseccin no es el mtodo ms rpido disponible para el clculo de las races, pero es el ms confiable. Una vez que la raz ha sido puesto entre parntesis, se biseccin siempre se acercar a ella. El mtodo de biseccin conocido tambin como de corte binario, de particin en dos intervalos iguales o mtodo Bolzano, es un mtodo de bsqueda incremental en el que el intervalo se divide siempre en dos. Si la funcin cambia de signo sobre un intervalo, se evala el valor de la funcin en el punto medio. La posicin de la raz se determina situndola en el punto medio del subintervalo dentro del cual ocurre un cambio de signo. El proceso se repite hasta obtener una mejor aproximacin. El intervalo que contiene a la raz, [a,b], puede ser dividido promediando a y b, mediante c = (a+b)/2. Este punto medio se evala para determinar su signo y decidir la siguiente accin utilizando los siguientes criterios: Si f(a)*f(c) < 0, a=a y b=c Si f(a)*f(c) > 0, a=c y b=b
El proceso se repite hasta alcanzar alguna condicin especfica.
22
El mtodo de Biseccin tiene varias desventajas, entre estas podemos mencionar: La raz que se busca debe estar localizada dentro de los lmites del intervalo inicial para garantizar que el mtodo converja adecuadamente. El mximo error en la raz est dado por el valor absoluto del ancho del intervalo, es decir por: error = |bn-an| El nmero de iteraciones, n, necesarias para reducir el intervalo inicial (b o-ao) a un intervalo de tamao especifico (bn-an), se puede calcular mediante: 1 (b nan )=( n )(b0 a0 ) 2 La mayor desventaja es que la solucin converge muy lentamente, es decir que puede tomar un gran nmero de iteraciones alcanzar algn criterio de convergencia.
23
3.1.3 Mtodo de Dos Puntos y Orden de Convergencia
24
3.2 Mtodos Abiertos

Los mtodos de dominio abierto no restringen la raz a permanecer atrapado en un intervalo cerrado. En consecuencia, no son tan robustos como los mtodos de dominio cerrado y pueden divergir en realidad. Sin embargo, utilizan la informacin acerca de la funcin no lineal en s para refinar las estimaciones de la raz. Por lo tanto, son considerablemente ms eficiente que los mtodos de intervalo cerrado. Cuatro mtodos de dominio abierto son: 1. Mtodo Iterativo de Punto Fijo 2, Mtodo de Newton o Newton-Raphson 3. Mtodo de la Secante 4. Mtodo de Muller
25
3.2.1 Mtodo de Punto Fijo El mtodo del punto fijo es un mtodo iterativo que permite resolver sistemas de ecuaciones no necesariamente lineales. En particular se puede utilizar para determinar races de una funcin de la forma f(x), siempre y cuando se cumplan los criterios de convergencia. El mtodo de iteracin de punto fijo, tambin denominado mtodo de aproximacin sucesiva, requiere volver a escribir la ecuacin f(x) = 0 en la forma
x = g(x).
El procedimiento empieza con una estimacin o conjetura inicial de x, que es mejorada por iteracin hasta alcanzar la convergencia. Para que ocurra convergencia, la derivada (dg / dx) debe ser menor que 1 en magnitud (al menos para los valores x que se encuentran durante las iteraciones). La convergencia ser establecida mediante el requisito de que el cambio en x de una iteracin a la siguiente no sea mayor en magnitud que alguna pequea cantidad . Algoritmo para iteracin de punto fijo 1. Se ubica la riz de f(x) analizando la grfica. 2. Se obtiene un despeje x = g(x) de la funcin. 3. Obtenemos de x = g(x) su derivada g'(x). 4. Resolviendo la desigualdad -1 g'(x) 1 obtenemos el rango de valores en los cuales esta el punto fijo llamado R. 5. Con R buscamos la raz en g(x), es decir g(R) = R haciendo iteracin de las operaciones.
26
3.2.2 Mtodo de Newton-Raphson El mtodo de Newton (conocido tambin como el mtodo de NewtonRaphson o el mtodo de NewtonFourier) es un algoritmo eficiente para encontrar aproximaciones de los ceros o races de una funcin real. Tambin puede ser usado para encontrar el mximo o mnimo de una funcin, encontrando los ceros de su primera derivada. El mtodo de Newton fue descrito por Isaac Newton en De analysi per aequationes nmero terminorum infinitas (escrito en 1669, publicado en 1711 por William Jones) y en De metodis fluxionum et serierum infinitarum (escrito en 1671, traducido y publicado como Mtodo de las fluxiones en 1736 por John Colson). Sin embargo, su descripcin difiere en forma sustancial de la descripcin moderna presentada ms arriba: Newton aplicaba el mtodo solo a polinomios, y no consideraba las aproximaciones sucesivas xn, sino que calculaba una secuencia de polinomios para llegar a la aproximacin de la raz x. Finalmente, Newton ve el mtodo como puramente algebraico y falla al no ver la conexin con el clculo. Isaac Newton probablemente deriv su mtodo de forma similar aunque menos precisa del mtodo de Franois Vite. La esencia del mtodo de Vite puede encontrarse en el trabajo del matemtico persa Sharaf al-Din al-Tusi. El mtodo de Newton-Raphson es llamado as por la razn de que el matemtico ingls Joseph Raphson (contemporneo de Newton) se hizo miembro de la Royal Society en 1691 por su libro aequationum universalis Anlisis que publico en 1690 y el cual contena este mtodo para aproximar races. Mientras que Newton en su libro Mtodo de las fluxiones describe el mismo mtodo escrito en 1671, pero publicado hasta 1736, lo que significa que Raphson haba publicado este resultado casi 50 aos antes, aunque no fue tan popular como los trabajos de Newton y se le reconoci posteriormente. El mtodo de Newton-Raphson es un mtodo abierto, en el sentido de que su convergencia global no est garantizada. La nica manera de alcanzar la convergencia es seleccionar un valor inicial lo suficientemente cercano a la raz buscada. As, se ha de comenzar la iteracin con un valor razonablemente cercano al cero (denominado punto de arranque o valor supuesto). La relativa cercana del punto inicial a la raz depende mucho de la naturaleza de la propia funcin; si sta presenta mltiples puntos de inflexin o pendientes grandes en el entorno de la raz, entonces las probabilidades de que el algoritmo diverja aumentan, lo cual exige seleccionar un valor supuesto cercano a la raz. Una vez se ha hecho esto, el mtodo linealiza la funcin por la recta tangente en ese valor supuesto. La abscisa en el origen de dicha recta ser, segn el mtodo, una mejor aproximacin de la raz que el valor anterior. Se realizarn sucesivas iteraciones hasta que el mtodo haya convergido lo suficiente.
27
Sea f : [a, b] -> R funcin derivable definida en el intervalo real [a, b]. Empezamos con un valor inicial x0 y definimos para cada nmero natural n:
x n+1= x n f ( xn ) f ' ( x n)
Donde f ' denota la derivada de f. Note que el mtodo descrito es de aplicacin exclusiva para funciones de una sola variable con forma analtica o implcita cognoscible. Existen variantes del mtodo aplicables a sistemas discretos que permiten estimar las races de la tendencia, as como algoritmos que extienden el mtodo de Newton a sistemas multivariables, sistemas de ecuaciones, etc.
28
3.2.3 Mtodo de la Secante El mtodo de la secante es un mtodo para encontrar los ceros de una funcin de forma iterativa. Es una variacin del mtodo de Newton-Raphson donde en vez de calcular la derivada de la funcin en el punto de estudio, teniendo en mente la definicin de derivada, se aproxima la pendiente a la recta que une la funcin evaluada en el punto de estudio y en el punto de la iteracin anterior. Este mtodo es de especial inters cuando el coste computacional de derivar la funcin de estudio y evaluarla es demasiado elevado, por lo que el mtodo de Newton no resulta atractivo. En otras palabras, el mtodo de la secante es un algoritmo de la raz de investigacin que utiliza una serie de races de las lneas secantes para aproximar mejor la raz de una funcin f. El mtodo de la secante se puede considerar como una aproximacin en diferencias finitas del mtodo de NewtonRaphson. Sin embargo, este mtodo fue desarrollado independientemente de este ltimo. El mtodo se define por la relacin de recurrencia: x n+1= x n x nx n1 f ( xn ) f (x n ) f (x n 1 )
Como se puede ver, este mtodo necesitar dos aproximaciones iniciales de la raz para poder inducir una pendiente inicial. En caso de que la aproximacin inicial sea demasiado lejana o la raz no sea simple, este mtodo no asegura la convergencia y tiene un comportamiento similar al de Newton-Raphson.
Comparacin entre mtodos de bsqueda de races

El mtodo de biseccin necesita de muchas iteraciones comparado con el mtodo de la secante, ya que el proceso que ste sigue es mucho ms preciso que el de biseccin, el cual solo divide por mitades sucesivamente hasta dar con un valor aproximado al real y por consecuente conlleva un nmero significativamente mayor de iteraciones. El mtodo de la regla falsa utiliza la misma frmula que el mtodo de la secante. Sin embargo, no se aplica la frmula en xn1 y xn, como el mtodo de la secante, pero en xn y en la ltima iteracin xk tal que f(xk) y f(xn) tiene un signo diferente. Esto significa que el mtodo de regla falsa siempre converge. La frmula de recurrencia del mtodo de la secante se puede derivar de la frmula para el mtodo de Newton-Raphson:
29
x n+1= x n
f ( xn ) f ' ( x n)
utilizando la aproximacin de diferencias finitas: f ' ( x n1) f ( x n1) f ( x n2 ) x n1 x n2
Si comparamos el mtodo de Newton-Raphson con el mtodo de la secante, vemos que el mtodo de Newton-Raphson converge ms rpido (para 2 en contra 1,6). Sin embargo, el mtodo de NewtonRaphson requiere la evaluacin de ambos f y su derivada en cada paso, mientras que el mtodo de la secante slo requiere la evaluacin de f. Por lo tanto, el mtodo de la secante puede muy bien ser ms rpido en la prctica.
30
3.3 Raz de Polinomios

En matemticas , se le llama polinomio a la suma de varios monomios. Un monomio est compuesto de coeficientes, variables y exponentes. La suma de monomios constituye un polinomio. P(x) = 5x2 Es un monomio con coeficiente 5, variable x y exponente 2. El grado de este monomio es 2. El grado de un monomio es su exponente. El grado de un polinomio es el del monomio de mayor grado. En el polinomio , existe el trmino independiente , que es un monomio que no tiene parte literal , es decir que no tiene variables o letras que lo acompaen, algunos ejemplos: P(x) = 2, polinomio de grado cero. P(x) = 3x + 2, polinomio de grado uno. P(x) = 2x2+ 3x + 2, polinomio de grado dos. La resolucin de ecuaciones algebraicas, o la determinacin de las races de polinomios, est entre los problemas ms antiguos de la matemtica. Sin embargo, la elegante y prctica notacin que utilizamos actualmente se desarroll a partir del siglo XV. En el problema 14 del papiro de Mosc (ca. 1890 a. C.) se pide calcular el volumen de un tronco de pirmide cuadrangular. El escriba expone los pasos: eleva al cuadrado 2 y 4, multiplica 2 por 4, suma los anteriores resultados y multiplcalo por un tercio de 6 (h); finaliza diciendo: ves, es 56, lo has calculado correctamente. En notacin algebraica actual sera: V = h (t + b + tb) / 3, un polinomio de cuatro variables (V, h, t, b) que, conociendo tres, permite obtener la cuarta variable. Algunos polinomios, como f(x) = x + 1, no tienen ninguna raz que sea nmero real. Sin embargo, si el conjunto de las races posibles se extiende a los nmeros complejos, todo polinomio (no constante) tiene una raz: ese es el enunciado del teorema fundamental del lgebra. Hay una diferencia entre la aproximacin de races y el descubrimiento de frmulas concretas para ellas. Se conocen frmulas de polinomios de hasta cuarto grado desde el siglo XVI (ver ecuacin cuadrtica, Gerolamo Cardano, Niccolo Fontana Tartaglia). Pero, las frmulas para polinomios de quinto grado fueron irresolubles para los investigadores durante mucho tiempo. En 1824, Niels Henrik Abel demostr que no puede haber frmulas generales para los polinomios de quinto grado o mayores (ver el teorema de Abel-Ruffini). Este resultado marc el comienzo de la teora de Galois que se ocupa del estudio detallado de las relaciones existentes entre las races de los polinomios. La mquina diferencial de Charles Babbage fue diseada para crear automticamente tablas de valores de funciones logartmicas y diferenciales, evaluando aproximaciones polinmicas en muchos puntos, usando el mtodo de las diferencias de Newton.
31
3.3.1 Mtodo de Newton-Raphson para races complejas El el mtodo de Newton base puede encontrar races complejas mediante el uso de aritmtica compleja eligiendo una primera aproximacin compleja. Vase [4] para ms detalles.
32
Unidad IV Solucin de sistemas de ecuaciones lineales y no lineales y valores caractersticos
Objetivo Educacional El alumno aplicar los mtodos numricos para la solucin de sistemas de ecuaciones lineales y no lineales. Actividades de Aprendizaje Identificar los sistemas de ecuaciones lineales. Identificar y Aplicar los Mtodos de Gauss, Gauss-Jordan y Gauss-Seidel en la solucin de problemas. Comparar los resultados analtico y computacional. Comparar las ventajas y desventajas de cada mtodo. Investigar problemas de ingeniera que se resuelven por medio de sistemas de ecuaciones lineales. Identificar los sistemas de ecuaciones no lineales. Identificar y Aplicar computacionalmente el mtodo de Newton-Raphson para sistemas no lineales en la solucin de problemas. Identificar los valores caractersticos Aplicar el mtodo iterativo para determinar valores caractersticos. Comparar los resultados analtico y computacional. Bibliografa [1] Mtodos Numricos para ingenieros;Chapra Steven y Canale R.; Ed. Mc-Graw Hill . [2] Mtodos Numricos Bsicos para Ingeniera. Con implementaciones en MATLAB y EXCEL; Carlos Armando De Castro Payares ; GRUMAI; Colombia; http://sites.google.com/site/matematicasingenieria/metodos_numericos_ingenieria [3] Numerical Methods for Engineers and Scientists, Hoffman, Jon D.; Marcel dekker Inc.; Second Edition; 2001 [4] Mtodo de Gauss; Colavecchia, Flavio; en sitio web: http://www.fabb.uns.edu.ar/metodosnumericos/matricesfortran90/matrices/node3.html [5] Mtodo de Gauss-Jordan; Norato Valencia, Jess; en sitio web: http://proton.ucting.udg.mx/~jnorato/materias/metodos/matrix/gj/Gaussjor.htm
33
4.1 Sistemas de ecuaciones lineales

En matemticas y lgebra lineal, un sistema de ecuaciones lineales, tambin conocido como sistema lineal de ecuaciones o simplemente sistema lineal, es un conjunto de ecuaciones lineales sobre un cuerpo o un anillo conmutativo. Un ejemplo de sistema lineal de ecuaciones sera el siguiente:
+2y +z = 1 +2y +4z = 2 1 x + y z = 0 2
3x 2x
El problema consiste en encontrar los valores desconocidos de las variables x,y,z que satisfacen las tres ecuaciones. El problema de los sistemas lineales de ecuaciones es uno de los ms antiguos de la matemtica y tiene una infinidad de aplicaciones, como en procesamiento digital de seales, anlisis estructural, estimacin, prediccin y ms generalmente en programacin lineal as como en la aproximacin de problemas no lineales de anlisis numrico. Los sistemas de ecuaciones se pueden clasificar segn el nmero de soluciones que pueden presentar. De acuerdo con ese caso se pueden presentar los siguientes casos: Sistema incompatible si no tiene ninguna solucin. Sistema compatible si tiene alguna solucin, en este caso adems puede distinguirse entre: Sistema compatible determinado cuando tiene un nmero finito de soluciones. Sistema compatible indeterminado cuando admite un conjunto infinito de soluciones.
34
4.1.1 Mtodo de Gauss. El Mtodo de Gauss consiste en convertir un sistema normal de 3 ecuaciones con 3 incgnitas en uno escalonado, en la que la primera ecuacin tiene 3 incgnitas, la segunda ecuacin tiene 2 incgnitas, y la tercera ecuacin tiene 1 incgnita. De esta forma ser fcil a partir de la ltima ecuacin y subiendo, calcular el valor de las tres incgnitas. Sabemos que existen diversas operaciones elementales que se pueden realizar en estos sistemas de ecuaciones: Se pueden intercambiar el orden de dos ecuaciones Se puede reemplazar una ecuacin por una combinacin lineal de esta ecuacin y otra. Se pueden intercambiar las incgnitas. Estas operaciones no alteran la solucin. Cada una de estas operaciones implica realizar determinados cambios en la matriz A y en b. Por otra parte, es claro que la resolucin de un sistema de ecuaciones en los cuales A es una matriz triangular superior o inferior es muy sencilla. El mtodo de Gauss consiste en realizar n operaciones elementales sobre la matriz A de modo tal que se pueda obtener una forma triangular superior o inferior de dicha matriz, procediendo a resolver este ltimo problema mediante sustituciones. Una explicacin del algoritmo se puede encontrar en: http://www.fabb.uns.edu.ar/metodosnumericos/matricesfortran90/matrices/node3.html Tomando como referencia la explicacin del mtodo de Gauss-Jordan http://proton.ucting.udg.mx/~jnorato/materias/metodos/matrix/gj/Gaussjor.htm dada en:
se implement en Scilab un algoritmo para obtener la matriz triangular y resolver por sustitucin hacia atrs un sistemas de ecuaciones. Este archivo para Scilab pude descargarse desde el sitio web http://moodle.myinvent.net.
35
4.1.2 Mtodo de Gauss-Jordan. La eliminacin de Gauss-Jordan, ms conocida como mtodo de Gauss, es un mtodo aplicable nicamente a los sistemas lineales de ecuaciones, y consistente en triangular la matriz aumentada del sistema mediante transformaciones elementales, hasta obtener ecuaciones de una sola incgnita, cuyo valor ser igual al coeficiente situado en la misma fila de la matriz. Este procedimiento es similar al anterior de reduccin, pero ejecutado de manera reiterada y siguiendo un cierto orden algortmico. A continuacin presentamos un ejemplo donde se aplica el mtodo de Gauss-Jordan para resolver un sistema de ecuaciones lineales. Supongamos que es necesario encontrar los nmeros x, y, z, que satisfacen simultneamente estas ecuaciones:
2x + y z = 8 3x y 2z = 11 2x + y +2z = 3
En primer lugar, reducimos la incgnita X, sumando a la segunda fila, la primera multiplicada por 3/2, y a la tercera, la primera fila. La matriz queda as:
(
(
2 0 0
1 1 8 1 1 1 2 2 2 1 5
)
)
El siguiente paso consiste en eliminar la incgnita Y en la primera y tercera fila, para lo cual les sumamos la segunda multiplicada por -2 y por -4, respectivamente. 2 0 0 0 2 6 1 1 1 2 2 0 1 1
Por ltimo, eliminamos la Z, tanto de la primera como de la segunda fila, sumndoles la tercera multiplicada por -2 y por 1/2 , respectivamente:
(
2 0 0
0 0 1 0 2 0 1
4 3 2 1
)
36
Llegados a este punto podemos resolver directamente las ecuaciones que se nos plantean:
2x = 4 y 3 = 2 2 z = 1
O, si lo preferimos, podemos multiplicar las tres filas de la matriz por: 1/2, 2 y -1 , respectivamente, y obtener as automticamente los valores de las incgnitas en la ltima columna.
x = 2 y = 3 z = 1
37
4.1.3 Mtodo de Gauss-Seidel. En anlisis numrico el mtodo de Gauss-Seidel es un mtodo iterativo utilizado para resolver sistemas de ecuaciones lineales. El mtodo se llama as en honor a los matemticos alemanes Carl Friedrich Gauss y Philipp Ludwig von Seidel y es similar al mtodo de Jacobi. Aunque este mtodo puede aplicarse a cualquier sistema de ecuaciones lineales que produzca una matriz (cuadrada, naturalmente pues para que exista solucin el sistema debe tener tantas ecuaciones como incgnitas) de coeficientes con los elementos de su diagonal no-nulos, la convergencia del mtodo solo se garantiza si la matriz es diagonalmente dominante o si es simtrica y, a la vez, definida positiva. Una matriz es diagonalmente dominante si el valor absoluto de cada elemento en la diagonal principal es igual o mayor que la suma de los valores absolutos de todos los otros elementos en el rengln. los mtodos iterativos no convergen para todos los conjuntos de ecuaciones. Una diagonal dominante es una condicin suficiente para la convergencia de mtodos iterativos como el de Jacobi y Gauss-Seidel para cualquier vector solucin inicial. Algunos sistemas que no son diagonalmente dominantes pueden ser acomodados intercambiando renglones. Algunos otros sistemas pueden converger para ciertos vectores solucin iniciales, pero la convergencia no est garantizada. Los mtodos iterativos no deben ser usados para sistemas de ecuaciones algebraicas lineales que no pueden ser hechos diagonalmente dominantes. Ejemplo: Resuelva utilizando Gauss-Seidel, el siguiente sistema de ecuaciones:
3x y +z = 1 x 5y +z = 8 x y +4z = 11
{
x =
1+ yz 3 8xz y = 5 11x+ y z = 4
Despejando una incgnita de cada ecuacin en donde tiene el coeficiente de mayor valor: Despus se necesita iniciar con las iteraciones,el valor inicial no es importante lo importante es usar las iteraciones necesarias, para darte cuenta cuantas iteraciones son necesarias necesitas observar cuando 38
los decimales se estabilicen en dos decimales o ms decimales, pero tenga en cuenta que debe de seguir con las iteraciones aunque una de las variables sea estable si las demas no han llegado al valor buscado. Se sustituye los valores en los despejes, usando para cada despeje el nuevo valor encontrado y en la tabla se muestran los resultados estimados para las variables y podemos observar que los decimales se estabilizaron en dos decimales. k-esima iteracin 0 1 2 3 4 ... 10 11 12 13 x 0 0.333 -1.117 -0.750 -1.051 ... -0.982 -0.979 -0.980 -0.980 -0.980 y 0 -1.600 -0.983 -1.370 -1.193 ... -1.259 -1.261 -1.260 -1.260 -1.260 z 0 2.750 2.267 2.783 2.595 ... 2.679 2.681 2.680 2.680 2.680
39
4.2 Sistemas de ecuaciones no lineales
40
4.2.1 Mtodo de Newton-Raphson para sistemas no lineales.
41
4.3 Valores caractersticos
42
4.3.1 Mtodo iterativo para determinar valores caractersticos
43
Unidad V Ajuste de Funciones
Objetivo Educacional El alumno aplicar mtodos de interpolacin y de ajuste de funciones en la solucin de problemas. Actividades de Aprendizaje Investigar el concepto de interpolacin y sus aplicaciones en ingeniera. Discutir los resultados en forma grupal. Identificar y aplicar computacionalmente mtodos de interpolacin en la solucin de problemas. Identificar y aplicar computacionalmente mtodos de ajuste de funciones en la solucin de problemas. Bibliografa [1] Mtodos Numricos. Antologa; Giron Jimenez, Ulises; Instituto Tecnolgico Superior de Acayucan; 2009. [2] Mtodos Numricos para ingenieros;Chapra Steven y Canale R.; Ed. Mc-Graw Hill . [3] Mtodos Numricos Bsicos para Ingeniera. Con implementaciones en MATLAB y EXCEL; Carlos Armando De Castro Payares ; GRUMAI; Colombia; http://sites.google.com/site/matematicasingenieria/metodos_numericos_ingenieria [4] Numerical Methods for Engineers and Scientists, Hoffman, Jon D.; Marcel dekker Inc.; Second Edition; 2001
44
5.1 Interpolacin
Se denomina interpolacin a la obtencin de nuevos puntos partiendo del conocimiento de un conjunto discreto de puntos. En ingeniera y algunas ciencias es frecuente disponer de un cierto nmero de puntos obtenidos por muestreo o a partir de un experimento y pretender construir una funcin que los ajuste. Otro problema estrechamente ligado con el de la interpolacin es la aproximacin de una funcin complicada por una ms simple. Si tenemos una funcin cuyo clculo resulta costoso, podemos partir de un cierto nmero de sus valores e interpolar dichos datos construyendo una funcin ms simple. En general, por supuesto, no obtendremos los mismos valores evaluando la funcin obtenida que si evalusemos la funcin original, si bien dependiendo de las caractersticas del problema y del mtodo de interpolacin usado la ganancia en eficiencia puede compensar el error cometido. En todo caso, se trata de, a partir de n parejas de puntos (xk, yk), obtener una funcin f que verifique: f (x k )= y k , k =1, , n a la que se denomina funcin interpolante de dichos puntos. A los puntos xk se les llama nodos. Algunas formas de interpolacin que se utilizan con frecuencia son la interpolacin lineal, la interpolacin polinmica (de la cual la anterior es un caso particular), la interpolacin por medio de spline o la interpolacin polinmica de Hermite.
45
5.1.1 Diferencias divididas de Newton para la interpolacin de polinomios. El caso ms sencillo se presenta cuando queremos interpolar dos puntos, obtenindose la muy conocida funcin lineal que une dos puntos: ,
Si los puntos pertenecen a la grfica de una funcin
, la pendiente
, que tiene una forma , con
de diferencias divididas, representa una aproximacin muy global de la primera derivada de variando en el intervalo En el caso de tres puntos interpolacin de grado dos de la forma . , en principio se busca el polinomio de
46
5.1.2 Polinomio de Lagrange. El polinomio de Lagrange, llamado as en honor a Joseph-Louis de Lagrange, es el polinomio que interpola un conjunto de puntos dado en la forma de Lagrange. Fue descubierto por Edward Waring en 1779 y redescubierto ms tarde por Leonhard Euler en 1783. Dado que existe un nico polinomio interpolador para un determinado conjunto de puntos, resulta algo confuso llamar a este polinomio el polinomio interpolador de Lagrange. Un nombre ms conciso es interpolacin polinmica en la forma de Lagrange. Dado un conjunto de k + 1 puntos
donde todos los xj se asumen distintos, el polinomio interpolador en la forma de Lagrange es la combinacin lineal
de bases polinmicas de Lagrange
47
5.2 Aproximacin
la regresin no lineal es un problema de inferencia para un modelo tipo:
basado en datos multidimensionales x,y, donde f es alguna funcin no lineal respecto a algunos parmetros desconocidos . Como mnimo, se pretende obtener los valores de los parmetros asociados con la mejor curva de ajuste (habitualmente, con el mtodo de los mnimos cuadrados). Con el fin de determinar si el modelo es adecuado, puede ser necesario utilizar conceptos de inferencia estadstica tales como intervalos de confianza para los parmetros as como pruebas de bondad de ajuste. El objetivo de la regresin no lineal se puede clarificar al considerar el caso de la regresin polinomial, la cual es mejor no tratar como un caso de regresin no lineal. Cuando la funcin f toma la forma: f(x) = ax2 + bx + c la funcin f es no lineal en funcin de x pero lineal en funcin de los parmetros desconocidos a, b, yc. Este es el sentido del trmino "lineal" en el contexto de la regresin estadstica. Los procedimientos computacionales para la regresin polinomial son procedimientos de regresin lineal (mltiple), en este caso con dos variables predictoras x y x2. Sin embargo, en ocasiones se sugiere que la regresin no lineal es necesaria para ajustar polinomios. Las consecuencias prcticas de esta mala interpretacin conducen a que un procedimiento de optimizacin no lineal sea usado cuando en realidad hay una solucin disponible en trminos de regresin lineal. Paquetes (software) estadsticos consideran, por lo general, ms alternativas de regresin lineal que de regresin no lineal en sus procedimientos.
48
5.2.1 Polinomial con nmeros cuadrados. Algunas veces cuando la relacin entre las variables dependientes e independientes es no lineal, es til incluir trminos polinomiales para ayudar a explicar la variacin de nuestra variable dependiente. Las regresiones polinomiales se pueden ajustar la variable independiente con varios trminos
49
5.2.2 Multilineal con mnimos cuadrados. Mnimos cuadrados es una tcnica de anlisis numrico encuadrada dentro de la optimizacin matemtica, en la que, dados un conjunto de pares (o ternas, etc), se intenta encontrar la funcin que mejor se aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio de mnimo error cuadrtico. En su forma ms simple, intenta minimizar la suma de cuadrados de las diferencias ordenadas (llamadas residuos) entre los puntos generados por la funcin y los correspondientes en los datos. Especficamente, se llama mnimos cuadrados promedio (LMS) cuando el nmero de datos medidos es 1 y se usa el mtodo de descenso por gradiente para minimizar el residuo cuadrado. Se puede demostrar que LMS minimiza el residuo cuadrado esperado, con el mnimo de operaciones (por iteracin), pero requiere un gran nmero de iteraciones para converger. Desde un punto de vista estadstico, un requisito implcito para que funcione el mtodo de mnimos cuadrados es que los errores de cada medida estn distribuidos de forma aleatoria. El teorema de Gauss-Mrkov prueba que los estimadores mnimos cuadrticos carecen de sesgo y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una distribucin normal. Tambin es importante que los datos recogidos estn bien escogidos, para que permitan visibilidad en las variables que han de ser resueltas (para dar ms peso a un dato en particular, vase mnimos cuadrados ponderados). La tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas. Muchos otros problemas de optimizacin pueden expresarse tambin en forma de mnimos cuadrados, minimizando la energa o maximizando la entropa.
50
5.3 Ajuste por interpolacin segmentaria (Spline)
El trmino "spline" hace referencia a una amplia clase de funciones que son utilizadas en aplicaciones que requieren la interpolacin de datos, o un suavizado de curvas. Los splines son utilizados para trabajar tanto en una como en varias dimensiones. Las funciones para la interpolacin por splines normalmente se determinan como minimizadores de la aspereza sometidas a una serie de restricciones. Un spline es una curva definida en porciones mediante polinomios. En los problemas de interpolacin, se utiliza a menudo la interpolacin mediante splines porque da lugar a resultados similares requiriendo solamente el uso de polinomios de bajo grado, evitando as las oscilaciones, indeseables en la mayora de las aplicaciones, encontradas al interpolar mediante polinomios de grado elevado. Para el ajuste de curvas, los splines se utilizan para aproximar formas complicadas. La simplicidad de la representacin y la facilidad de cmputo de los splines los hacen populares para la representacin de curvas en informtica, particularmente en el terreno de los grficos por ordenador. La Interpolacin por Splines es un refinamiento de la interpolacin polinmica que usa "pedazos" de varios polinomios en distintos intervalos de la funcin a interpolar para evitar problemas de oscilacin como el llamado Fenmeno de Runge.
51
La idea es que agrupamos las abscisas en distintos intervalos segn el grado del spline que convenga emplear en cada uno. As, un spline ser un polinomio interpolador de grado n de f para cada intervalo. A la postre, los distintos splines quedarn "unidos" recubriendo todas las abscisas e interpolando a la funcin. El principal problema que presenta la interpolacin por splines reside en los puntos que son comunes a dos intervalos (extremos). Por esos puntos deben pasar los splines de ambos intervalos, pero para que la interpolacin sea ajustada, conviene que el punto de unin entre dos splines sea lo ms "suave" posible (ej. evitar puntos angulosos), por lo que se pedir tambin que en esos puntos ambos splines tengan derivada comn. Esto no ser siempre posible y, a menudo, se emplear otro tipo de interpolacin, quizs una interpolacin no-polinmica.
52
Unidad VI Diferenciacin e Integracin Numrica
Objetivo Educacional El alumno aplicar los mtodos de derivacin e integracin numrica a problemas de ingeniera. Actividades de Aprendizaje Investigar las ventajas y desventajas de la derivacin e integracin numrica. Discutir los resultados en forma grupal. Identificar y calcular computacionalmente los mtodos de integracin numrica en la solucin de problemas. Identificar y calcular computacionalmente los mtodos de derivacin numrica en la solucin de problemas. Bibliografa [1] Mtodos Numricos. Antologa; Giron Jimenez, Ulises; Instituto Tecnolgico Superior de Acayucan; 2009. [2] Mtodos Numricos para ingenieros;Chapra Steven y Canale R.; Ed. Mc-Graw Hill . [3] Mtodos Numricos Bsicos para Ingeniera. Con implementaciones en MATLAB y EXCEL; Carlos Armando De Castro Payares ; GRUMAI; Colombia; http://sites.google.com/site/matematicasingenieria/metodos_numericos_ingenieria [4] Numerical Methods for Engineers and Scientists, Hoffman, Jon D.; Marcel dekker Inc.; Second Edition; 2001
53
6.1 Integracin
54
6.1.1 Mtodo del trapecio la regla del trapecio es un mtodo de integracin numrica, es decir, un mtodo para calcular aproximadamente el valor de la integral definida
La regla se basa en aproximar el valor de la integral de f(x) por el de la funcin lineal que pasa a travs de los puntos (a, f(a)) y (b, f(b)). La integral de sta es igual al rea del trapecio bajo la grfica de la funcin lineal. Se sigue que
y donde el trmino error corresponde a:
Siendo un nmero perteneciente al intervalo [a,b]. Regla del Trapecio Compuesta La regla del trapecio compuesta o regla de los trapecios es una forma de aproximar una integral definida utilizando n trapecios. En la formulacin de este mtodo se supone que f es continua y positiva en el intervalo [a,b]. De tal modo la integral definida:
representa el rea de la regin delimitada por la grfica de f y el eje x, desde x=a hasta x=b. Primero se divide el intervalo [a,b] en n subintervalos, cada uno de ancho x = (b a) / n. Despus de realizar todo el proceso matemtico se llega a la siguiente frmula:
Donde
y n es el nmero de divisiones.
55
La expresin anterior tambin se puede escribir como:
56
6.1.2 Mtodo de Simpson. En anlisis numrico, la regla o mtodo de Simpson (nombrada as en honor de Thomas Simpson) y a veces llamada regla de Kepler es un mtodo de integracin numrica que se utiliza para obtener la aproximacin de la integral:
. Regla de Simpson 1/3 La regla de Simpson 1/3 utiliza tres puntos consecutivos en donde se evala la funcin a travs de un polinomio de segundo grado.
Y el error es:
siendo un nmero entre a y b. Regla de Simpson 3/8 La regla de Simpson 3/8 utiliza cuatro puntos consecutivos en donde se evala la funcin a travs de un polinomio de tercer grado.
. Y el error es:
Siendo un nmero entre a y b.
57
6.1.3 Mtodo de Newton-Cotes. En anlisis numrico las frmulas de Newton-Cotes (nombradas as por Isaac Newton y Roger Cotes) son un grupo de frmulas de integracin numrica de tipo interpolatorio, en las cuales se evala la funcin en puntos equidistantes, para as hallar un valor aproximado de la integral. Cuanto ms intervalos se divida la funcin ms preciso ser el resultado. Este mtodo es eficiente si se conocen los valores de la funcin en puntos igualmente separados. Si se pueden cambiar los puntos en los cuales la funcin es evaluada otros mtodos como la cuadratura de Gauss son probablemente ms eficientes
58
6.2 Diferenciacin
59
6.2.1 Extrapolacin de Richardson. El mtodo de extrapolacin de Richardson, desarrollado por Lewis Fry Richardson (1881-1953), permite construir a partir de una secuencia convergente otra secuencia ms rpidamente convergente. Esta tcnica se usa frecuentemente para mejorar los resultados de mtodos numricos a partir de una estimacin previa, de igual forma mejora la precisin en el clculo numrico de la derivada de una funcin, partiendo de la base de la serie de Taylor. Este proceso es especialmente utilizado para definir un mtodo de integracin: el mtodo de Romberg.
60
Unidad VII Solucin numrica de ecuaciones diferenciales ordinarias y parciales
Objetivo Educacional El alumno conocer y aplicar mtodos numricos para aproximar soluciones de ecuaciones diferenciales. Actividades de Aprendizaje Investigar la importancia de las ecuaciones diferenciales ordinarias y parciales en ingeniera. Comparar aplicaciones que utilicen ecuaciones diferenciales ordinarias. Discutir los resultados en forma grupal. Identificar los mtodos de solucin de ecuaciones diferenciales ordinarias. Aplicarlos computacionalmente en la solucin de problemas de ingeniera. Identificar los mtodos de solucin de sistemas de ecuaciones diferenciales ordinarias. Aplicarlos computacionalmente en la solucin de problemas de ingeniera. Identificar los mtodos de solucin de sistemas de ecuaciones diferenciales parciales. Aplicarlos computacionalmente en la solucin de problemas de ingeniera. Bibliografa [1] Mtodos Numricos. Antologa; Giron Jimenez, Ulises; Instituto Tecnolgico Superior de Acayucan; 2009. [2] Mtodos Numricos para ingenieros;Chapra Steven y Canale R.; Ed. Mc-Graw Hill . [3] Mtodos Numricos Bsicos para Ingeniera. Con implementaciones en MATLAB y EXCEL; Carlos Armando De Castro Payares ; GRUMAI; Colombia; http://sites.google.com/site/matematicasingenieria/metodos_numericos_ingenieria [4] Numerical Methods for Engineers and Scientists, Hoffman, Jon D.; Marcel dekker Inc.; Second Edition; 2001
61
7.1 Solucin de ecuaciones diferenciales ordinarias
62
7.1.1 Mtodos de Euler
63
7.1.2 Mtodos de Runge-Kutta
64
7.2 Solucin de sistemas de ecuaciones diferenciales ordinarias
65
7.3 Solucin de ecuaciones diferenciales parciales
66
7.3.1 Mtodo de las diferencias finitas
67
7.3.2 Mtodo del elemento finito.
68

Antología de Análisis Numérico - ITSX

Transféré par

Informations du document

Titre original

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

Antología de Análisis Numérico - ITSX

Transféré par

Droits d'auteur :

Formats disponibles

Anlisis Numrico

Realizada por: M.C. Jos Daniel Hernndez Ventura

UnidadIV Solucindesistemasdeecuacioneslinealesynolinealesyvalores caractersticos_____________________________________________________32

UnidadVII Solucinnumricadeecuacionesdiferencialesordinariasy parciales____________________________________________________________60

Unidad I Introduccin al Anlisis Numrico

1.1 Concepto y Trascendencia Histrica del Anlisis Numrico

1.2 Importancia del Anlisis Numrico en la Ingeniera

Unidad II Anlisis del Error

Subraya la respuesta correcta (20%)

Resuelve los siguientes ejercicios (30%)

Unidad III Solucin de Ecuaciones Algebraicas

3.1 Mtodo de Intervalos

El proceso se repite hasta alcanzar alguna condicin especfica.

3.1.3 Mtodo de Dos Puntos y Orden de Convergencia

3.2 Mtodos Abiertos

Comparacin entre mtodos de bsqueda de races

utilizando la aproximacin de diferencias finitas: f ' ( x n1) f ( x n1) f ( x n2 ) x n1 x n2

3.3 Raz de Polinomios

Unidad IV Solucin de sistemas de ecuaciones lineales y no lineales y valores caractersticos

4.1 Sistemas de ecuaciones lineales

+2y +z = 1 +2y +4z = 2 1 x + y z = 0 2

4.2 Sistemas de ecuaciones no lineales

4.2.1 Mtodo de Newton-Raphson para sistemas no lineales.

4.3 Valores caractersticos

4.3.1 Mtodo iterativo para determinar valores caractersticos

Unidad V Ajuste de Funciones

Si los puntos pertenecen a la grfica de una funcin

, que tiene una forma , con

de bases polinmicas de Lagrange

5.3 Ajuste por interpolacin segmentaria (Spline)

Unidad VI Diferenciacin e Integracin Numrica

y donde el trmino error corresponde a:

La expresin anterior tambin se puede escribir como:

Siendo un nmero entre a y b.

Unidad VII Solucin numrica de ecuaciones diferenciales ordinarias y parciales

7.1 Solucin de ecuaciones diferenciales ordinarias

7.1.1 Mtodos de Euler

7.1.2 Mtodos de Runge-Kutta

7.2 Solucin de sistemas de ecuaciones diferenciales ordinarias

7.3 Solucin de ecuaciones diferenciales parciales

7.3.1 Mtodo de las diferencias finitas

7.3.2 Mtodo del elemento finito.

Vous aimerez peut-être aussi