MTODOS NUMRICOS

FELIX DAVID HERNANDEZ ALDANA

DALGIS THOMAS HEREDIA MIELES
ALEXANDER ORTIZ MARTINEZ


Mtodos numricos


1. Mtodo de biseccin
2. Mtodo new-raphson
3. Mtodo de Bairstow
4. Mtodo eliminacin gausiana
5. Mtodo gauss sidel
6. New-raphson para sistemas de ecuaciones no lineales
7. Interpolacin y ajuste de curvas
8. Mtodo de euler
9. Mtodo de runge-kutta















1. MTODO DE BISECCIN.
Fundamentos matemticos. Veamos una estrategia en forma general para determinar una raz de una
ecuacin de la forma f(x) = 0. Sea f una funcin continua en el intervalo [ ] b a, tal que ) (a f y ) (b f
tenga signos contrarios, es decir, 0 ) ( ) ( < b f a f

. Es claro que el teorema de valor intermedio nos
garantiza la existencia de un [ ] b a p , talque ( ) 0 = p f , pero no informa con exactitud su valor.

Se puede calcular el punto medio del intervalo[ ] b a, obteniendo un valor
2
1
b a
C
+
= , el cual genera los
intervalos [a, C
1
] y [C
1
, b] con la cualidad de tener la mitad de la longitud de[ ] b a, y con la seguridad de
que por lo menos a uno de estos pertenece p .

Construccin de intervalos por biseccin.
Ahora si 0 ) (
1
= C f entonces C
1
es una raz de f(x) = 0, de lo contrario es seguro que o el intervalo [a,
C
1
] o el intervalo [C
1
, b] contiene a la raz p , segn la figura sera [a, C
1
] = [a
2,
b
2
]. Procediendo de
forma anloga se forma intervalos

[ ] [ ] [ ]
n n
b a b a b a b a , , ] , [ ,
2 2 1 1
= K , que contiene la propiedad de formar una sucesin creciente
con los extremos izquierdos, una decreciente con los derechos, con longitudes de
K , 2 , 1
2
1
=

n
a b
a b
n
n n

y
( )
2
n n
n
b a
c
+
= el punto medio de [ ]
n n
b a , con =

n
n
a lm =

n
n
b lm
n
n
C lm


de tal forma que
n
C se puede aproximar tanto como se requiere a el punto p .
De esta forma se puede encontrar la una raz aproximada de la ecuacin 0 ) ( = x f siempre que f sea
continua en [ ] b a,

y f(a)*f(b) < 0.
Teorema
Si f es una funcin continua en el intervalo [ ] b a, , con 0 ) ( ) ( < b f a f entonces existe un punto
[ ] b a p , tal que 0 ) ( = p f y { } p C
n n

=1
, con la propiedad de que 1
2

n
a b
p C
n
n

Demostracin:
La existencia de [ ] b a p . talque ( ) 0 = p f , la garantiza el teorema de valor intermedio.
Ahora sabemos que ( )
n n
n
n n
b a p
a b
a b , ,
2
1

, pero por la forma como se arman los [ ]

n n
b a , , el
punto
n
C est en el intervalo [ ]
n n
b a , y ( )
n n
b a p , por lo tanto la distancia entre p y
n
C no puede ser
mayor que la mitad de la anchura de dicho intervalo.
1
2

= n
a b
p C C p
n n
n n

n n
n
a b a b
C p
2 2 . 2
1

de tal forma que
n
n
n
n
a b
lm C p lm
2

por lo tanto 0

n
n
C p lm
,
as se tiene: { } p C
n n

=1
.
Sin lugar a dudas el mtodo de biseccin tiene su importancia en que cuando se dan las condiciones
para aplicar, siempre nos aproxima a la solucin; razn por la cual otros mtodos la toman como su
primer paso, sin embargo al ser su tasa de convergencia muy lenta se debe tener muy presente:
La eleccin del intervalo inicial. El nmero de iteraciones a realizar.
El nmero de iteraciones a realizar se puede fijar al inicio del algoritmo; pero la detencin se
puede trabajar seleccionando un tolerancia 0 > que satisfaga algunos de las relaciones que
sigue:
a) <
+1 n n
C C
b) <

+
n
n n
C
C C
1
0
n
C
c) ( ) <
n
C f
d) K , 3 , 2 , 1
2
=

n
a b
C p
n
n

Para calcular el nmero mnimo de iteraciones N, que se requieren para obtener una aproximacin p a
la raz de ( ) 0 = x f con una tolerancia , se puede proceder as: ( )

a b p C
n
n
2

( ) a b log ( )
n
2 log

( ) 2 log log log n a b +


( )
n
a b

2 log
log log

( )
(

2 log
log log a b
n
.
por lo tanto,
N=
( )
2 log
log log a b
(mayor parte entera)

Algoritmo del mtodo de Biseccin. Para encontrar una aproximacin a una raz en el intervalo [ ] b a, de
la ecuacin ( ) 0 = x f .

ENTRADA: Puntos extremos del intervalo [a, b]. Tolerancia permitida: TOL
Nmero mximo de iteraciones N .
SALIDA: Solucin aproximada p o un mensaje de error.
PASO 1: Sea n =1
FA= f(a)
PASO 2: Mientras N n aplicar pasos 3 a 6
PASO 3
2
a b
a p

+ =
FP= f(p)
PASO 4 si ( ) 0 = p f TOL
a b
<

2

SALIDA ( p )
PARAR
PASO 5 1 + = n n .
PASO 6 Si FA*FP<0
p b =
de lo contrario
p a =

FA=f(p)

PASO 3: SALIDA Mensaje: Excedido el nmero mximo de iteraciones N.
PARAR.

Ejemplo
Determinar la raz ms pequea de la ecuacin 0 2 3
2
= +

x x e
x
, con una tolerancia de
10
-2
.
Solucin:
Se trata de analizar la ecuacin a travs de una ilustracin grfica, o de un estudio del fenmeno
que describe, u otra estrategia; para determinar un intervalo, tal que por la aplicacin del teorema
del valor intermedio, se garantice que en este se encuentra la raz deseada. En este caso
considrese la grfica:

2 3
2
+ x x

x
e

Figura 2.4: puntos de corte de ( )
x
e x f

=
1
y ( ) 2 3
2
2
+ = x x x f para ubicar las races de
0 2 3
2
= +

x x e
x
.
La ecuacin tiene dos races. Una en [ ] 1 , 0 y otra en [ ] 3 , 2 . La raz que se desea est en [ ] 1 , 0 .
Datos de Entrada. Intervalo de trabajo: [ ] 1 , 0 entonces a =0, b =1. Tolerancia TOL=10
-2
.
( ) ( ) 1 0 = = f a f , ( ) ( ) 36788 . 0 1 = = f b f

Se cumplen las condiciones del teorema de localizacin de races?

Procedimiento:
Iteracin 1: 5000 . 0
2
=

+ =
a b
a p
( ) ( ) 14347 . 0 5 . 0 = = f p f
Como ( ) 0 p f y adems TOL
a b
>

2
o sea 0.5/2>10
-2
. Se contina con la siguiente
iteracin.
Iteracin 2:
( ) ( ) 0 > p f a f

Porque ( ) 0 0 < f
y
( ) 0 5 . 0 < f
Entonces el intervalo de trabajo es: [ ] 1 , 5 . 0 as 1 , 5 . 0 = = b a
7500 . 0 25 . 0 5 . 0
2
= + =

+ =
a b
a p . ( ) ( ) 15987 . 0 75 . 0 = = f p f
Como ( ) 0 p f

y
2
10 25 . 0
2
5 . 0
2

= > = =

TOL
a b
. Se contina con la siguiente iteracin.
En la tabla que sigue se muestra todas las iteraciones hasta satisfacer la tolerancia.













La solucin Aproximada con una precisin de 10
-2
, es 62 . 0 = p .





k
k
a
f(a)
k
b
k
p ( )
k
p f
2
k k
a b

Signo de f(a)*f(p)
1 0.00 -1.00 1.00 0.50 -0.14 0.5>TOL > 0
2 0.5 -0.14 1.00 0.75 0.16 0.25>TOL < 0
3 0.5 -0.14 0.75 0.63 0.02 0.13>TOL < 0
4 0.5 -0.14 0.63 0.69 0.09 0.07>TOL < 0
5 0.5 -0.14 0.69 0.59 -0.02 0.04>TOL > 0
6 0.59 -0.02 0.69 0.64 0.04 0.02>TOL < 0
7 0.59 -0.02 0.64 0.62 0.01 0.01TOL
2. MTODO DE NEWTON

El mtodo de Newton-Raphson o simplemente el mtodo de Newton, es uno de los mtodos numricos
para resolver el problema de bsqueda de races para
poderosos y conocidos.

El mtodo para la construccin del algoritmo que vamos
aproximaciones que tienden a la raz y para asegurar la convergencia de tal sucesin (hacia la solucin
de la ecuacin), bajo ciertas condiciones, usaremos el Teorema de Newton
daremos ms adelante. Por ahora veamos la forma de construir los distintos trminos de la sucesin de
aproximaciones el cual es bastante sencillo y responde a una idea muy intuitiva.

Fundamentos Matemticos. Primero suponemos que
derivada no nula en el intervalo donde trabajamos. Notaremos por
segunda de f respectivamente. Una vez fijado un valor inicial
punto de corte de la recta tangente a
1 + n
x como el punto de corte de la recta tangente a f en el punto
anterior este procedimiento es conocido tambin como el mtodo de la tangente.






Aproximaciones con tangentes sucesivas.

Para comprender el algoritmo observe la figura anterior y la figura siguiente donde se ve cmo se
generan los valores de las aproximaciones.









MTODO DE NEWTON-RAPHSON
o simplemente el mtodo de Newton, es uno de los mtodos numricos
para resolver el problema de bsqueda de races para ( ) 0 = x f , adems se considera uno de los
El mtodo para la construccin del algoritmo que vamos a estudiar nos proporciona una sucesin de
aproximaciones que tienden a la raz y para asegurar la convergencia de tal sucesin (hacia la solucin
de la ecuacin), bajo ciertas condiciones, usaremos el Teorema de Newton-Raphson, cuyo enunciado
adelante. Por ahora veamos la forma de construir los distintos trminos de la sucesin de
aproximaciones el cual es bastante sencillo y responde a una idea muy intuitiva.
Primero suponemos que f es derivable al menos dos veces, con primera
derivada no nula en el intervalo donde trabajamos. Notaremos por
'
f y
' '
f a la derivadas primera y
respectivamente. Una vez fijado un valor inicial
0
x , el trmino
1
x
de la recta tangente a f en (
0
x , ( )
0
x f ) con el eje X. De la misma forma, obtenemos
como el punto de corte de la recta tangente a f en el punto ( ) ( )
n n
x f x ,
anterior este procedimiento es conocido tambin como el mtodo de la tangente.
Aproximaciones con tangentes sucesivas.
Para comprender el algoritmo observe la figura anterior y la figura siguiente donde se ve cmo se
generan los valores de las aproximaciones.
o simplemente el mtodo de Newton, es uno de los mtodos numricos
, adems se considera uno de los
a estudiar nos proporciona una sucesin de
aproximaciones que tienden a la raz y para asegurar la convergencia de tal sucesin (hacia la solucin
Raphson, cuyo enunciado
adelante. Por ahora veamos la forma de construir los distintos trminos de la sucesin de

le al menos dos veces, con primera
a la derivadas primera y
1
se obtiene como el
. De la misma forma, obtenemos
con el eje X. Por lo
anterior este procedimiento es conocido tambin como el mtodo de la tangente.
Para comprender el algoritmo observe la figura anterior y la figura siguiente donde se ve cmo se
Aproximaciones conociendo los valores x
i
.

Desde el punto de vista de la geometra analtica sabemos que m = tan =f(x) es la pendiente de la
recta tangente que pasa por ( ) ( )
i i
x f x , esto es
m = tan = Cateto opuesto / Cateto adyacente =
( )
( )
i
i i
i
x f
x x
x f
'
1
=

+

Pero lo que en realidad se desea saber es cuanto vale
1 + i
x

para tomarlo en cuenta para la siguiente
iteracin, y as seguira sucesivamente, hasta obtener la raz. Debemos entonces despejar
1 + i
x :
( )
( )
( ) ( )
( )
( )
( )
( )
i
i
i i
i
i
i i
i i
i i
i
i i
i
x f
x f
x x
x f
x f
x x
x f x f
x x
x f
x x
x f
'
1
'
1
'
1 '
1
1
= + = =

+ +
+
+


As obtenemos la expresin matemtica que nos permite aproximarnos a la raz buscada por medio de
iteraciones. El mencionado Teorema de Newton-Raphson, es el siguiente:

Teorema (Newton-Raphson).
Supongamos que la funcin [ ] b a C f ,
2
y que existe un nmero [ ] b a x ,
*
tal que ( ) 0
*
= x f . Si
( ) 0
*
'
x f , entonces existe 0 > talque la sucesin { }

=0 k k
x definida por:
( )
( )
1
'
1
1

=
k
k
k k
x f
x f
x x Para k =1,2,.... (N-1)
Converge a
*
x cualquiera que sea la aproximacin inicial [ ] +
* * 0
, x x x .

Demostracin
Deduccin o construccin de la relacin (N-1)
Sea
0
x la aproximacin inicial, al tomar el polinomio de Taylor de grado 1 + n de f alrededor de
0
x y
su correspondiente residuo se tiene:
( ) ( ) ( )( )
( )( )
! 2
2
0
' '
0 0
'
0
x x c f
x x x f x f x f

+ + = (N-2)
en la cual c es un punto intermedio entre
0
x y x . Tomando
*
x x = en la relacin (N-2) y
considerando que ( ) 0
*
= x f (posee raz) se obtiene:
( ) ( )( )
( )( )
! 2
0
2
0 *
' '
0 * 0
'
0
x x c f
x x x f x f

+ + = (N-3)
Considerando que
0
x est suficientemente cerca de
*
x , el ltimo sumando de (N-3) se puede
despreciar al compararlo con los dos primeros, lo cual permite usar la aproximacin:
( ) ( )( ) 0
0 0
'
0
+ x x x f x f (N-4)
Despejando
*
x en la ecuacin (N-4), se obtiene:

( )
( )
0
'
0
0 *
x f
x f
x x (N-5)
Esta aproximacin para
*
x nos permite establecer
1
x .

( )
( )
0
'
0
0 1
x f
x f
x x = (N-6)
Si se toma
1 k
x en lugar de
0
x y
k
x en lugar de
1
x , la relacin (N-6) queda establecida:

( )
( )
0
'
0
1
x f
x f
x x
k k
=

(N-7)
Demostracin de la convergencia.
Si se define la funcin
( )
( )
( ) x f
x f
x x g
'
= (N-8)
Como ( ) 0
*
'
x f y
'
f es continua, existe un 0
1
> tal que ( ) 0
*
'
x f
[ ] [ ] b a x x x , ,
1 * 1 *
+ , con lo cual g est definida y es continua en [ ]
1 * 1 *
, + x x . Al
derivar (N-8):
( )
( ) ( ) ( ) ( )
( ) ( )
( ) ( )
( ) ( )
2
'
' '
2
'
' ' ' '
'
1
x f
x f x f
x f
x f x f x f x f
x g =

=
(N-9)
Dado que [ ] b a C f ,
2
, [ ]
1 * 1 *
'
, , + x x C g . Por hiptesis ( ) 0
*
= x f , con lo cual ( ) 0
*
'
= x g .
Como
'
g es continua, para cualquier valor 1 < k , existe algn nmero tal que

1
0 < <

y ( ) k x g
'

para [ ] +
* *
, x x x (N-10)

Utilizando el teorema del valor medio, existe algn nmero entre x y
*
x , tal que
( ) ( ) ( )
*
'
*
x x g x g x g = . Con lo cual
( ) ( ) ( ) ( )
* * *
'
* *
x x x x k x x g x g x g x x g < = = (N-11)
Como [ ] +
* *
, x x x entonces [ ] <
*
x x y ( ) <
*
x x g . Esto implica que:
[ ] [ ] + +
* * * *
, , : x x x x g . Con esto todas las hiptesis del teorema del punto fijo se
satisface ahora para ( ) ( ) ( ) x f x f x x g
'
/ = , con lo que la sucesin { }

=0 n k
x

definida como
( )
( )
( )
3 , 2 , 1 :
1
'
1
1 1
= = =

n
x f
x f
x x g x
k
k
k k k
(N-12)
Converge a
*
x para cualquier
0
x para cualquier [ ] +
* * 0
, x x x .

Fallas del Mtodo de Newton-Raphson. Cuando se aplica el mtodo de Newton-Raphson ha de tener en
cuenta las condiciones contempladas en el teorema y otras consideraciones para evitar que se
presenten situaciones como las que se indican a continuacin:

1. El mtodo es atrapado por una raz imaginaria.









Falla debido a una raz imaginaria

2. Cuando la raz es un punto de inflexin. Debemos tomar un punto adecuado pues podemos caer en
un ciclo vicioso.









Falla Cuando la raz es un punto de inflexin.

3. El mtodo cae en un punto mximo o mnimo (o en sus cercanas).
De hecho, vemos geomtricamente que esto significa que la recta tangente es horizontal y por lo tanto
no intercepta al eje en ningn punto, a menos que coincida con ste, en cuyo caso es el mismo una raz










Falla debido a que se toma como aproximacin inicial un punto de inflexin.

Otro problema en el mtodo de Newton es que puede ser difcil encontrar la derivada de la funcin con lo
cual el computador puede ser de gran ayuda.

Observaciones. En el desarrollo del mtodo de newton Raphson se debe tener presente algunas
observaciones claves:

* Es preciso realizar una buena estimacin inicial, es decir elegir un
0
x prximo a la raz de f . Claro
que si no conocemos la raz, el mtodo de biseccin puede ayudar a encontrar una buena aproximacin.
* Como aparece ( )
n
X f en el denominador, el mtodo fallar si algn valor lo anula; el problema puede
soslayarse con la eleccin de otra estimacin inicial.
* Es preciso tener en cuenta unas mnimas condiciones de continuidad y derivabilidad de f y f ', pero
como las funciones polinmicas las cumplen, son candidatas a aplicarles el mtodo por excelencia.
* Tiene una convergencia realmente rpida, por lo cual es uno de los mtodos preferidos por excelencia,
tanto que es utilizado por varias calculadoras para el clculo de la raz cuadrada.
* Observe que cuando el mtodo de Newton-Raphson converge a la raz (simple), lo hace de una forma
muy rpida y de hecho, el error aproximado disminuye a pasos agigantados en cada paso del proceso.
Ahora ser nuestro objetivo establecer formalmente las cotas para los errores en este mtodo dado que
si existen estas cotas que miden con mayor precisin la rapidez lentitud del mtodo en estudio. Una
posibilidad sera detener el clculo de cuando el valor absoluto de la diferencia entre X
n
y X
n+1
sea menor
que la precisin buscada, es decir cuando el error cometido sea menor que la precisin predeterminada.

Algoritmo. Para encontrar una aproximacin a una solucin de ( ) 0 = x f , por el mtodo de Newton-
Raphson.

ENTRADA: Aproximacin Inicial:
0
x . Tolerancia permitida: TOL. Nmero mximo de intervalos: N
SALIDA: Solucin aproximada o un mensaje de error
PASO 1 1 = n
PASO 2 Mientras N n
, aplicar pasos 3 a 5
PASO 3
) ( '
) (
0
0
0
x f
x f
=
PASO 4 Si TOL <
0

SALIDA ( )
PARAR
PASO 5 1 + = n n

0
=
PASO 6 SALIDA (Mensaje: Excedido el numero mximo de iteraciones)
PARAR


Ejemplo
La siguiente frmula describe el comportamiento de un vertedor con contracciones:
Q =3.33*(B-0.2*H)*(H
3
)
2
1

Donde:
Q es la cantidad de agua que pasa por le vertedor en pies
3
/seg , B es el ancho del vertedor en pies, H
es la carga sobre la cuesta del vertedor en pies.

Se desea conocer el valor H con una precisin de 10
-3
cuando B=3 pies, Q=12 pies
3
/seg, aplicando el
mtodo de Newton-Raphson.

Solucin:

Estudio previo
La ecuacin que ha de resolverse es: 0 12 ) )( 2 . 0 3 ( 33 . 3
2
1
3
= H H por caractersticas del
fenmeno, la carga sobre la cuesta del vertedor H debe estar cerca de 1.5 pies. (Anlisis contextual)
Entonces la aproximacin inicial se puede tomar como H
0
=1.5

Adecuacin de las ecuaciones
H
0
=1.5
12 ) )( 2 . 0 3 ( 33 . 3 ) (
2
1
3
= H H H f
,
2
3
2
1
665 . 1 985 . 14 ) ( ' H H H f + =
as la ecuacin de iteracin es:
2
3
2
1
2
1
3
1
665 . 1 985 . 14
12 ) )( 2 . 0 3 ( 33 . 3
k k
k k
k k
H H
H H
H H
+

=
+

k = 0, 1, 2 ... l tal que
3
1
10

<
l l
H H


Clculos
Para Iteracin 1: k=0 2057 . 1
32 . 15
51 . 4
5 . 1
) ( '
) (
0
0
0 1
=

= =
H f
H f
H H como
3
0 1
10

> H H , se
debe continuar con la siguiente iteracin. (ver tabla siguiente )

K
k
H

) ( '
k
H f
1 + k
H
k k
H H
+1

0
1
2
1.5
1.20517
1.19362
-4.51
-0.16
-0.000278
-15.32
-15.26
-14.20
1.20517
1.19362
1.19360
0.29483
0.00958
0.0000168

La solucin con una precisin de 10
-3
es H=1.1936



















) (
k
H f
3. Eliminacin gausiana
Este mtodo, que constituye una variacin del mtodo de eliminacin de Gauss, permite resolver hasta
15 o 20 ecuaciones simultneas, con 8 o 10 dgitos significativos en las operaciones aritmticas de la
computadora. Este procedimiento se distingue del mt
incgnita, se elimina de todas las ecuaciones restantes, es decir, las que preceden a la ecuacin pivote
as como de las que la siguen.
El mtodo se ilustra mejor con un ejemplo. Resolvamos el siguiente conjunto
Primero expresemos los coeficientes y el vector de trminos independientes como una
aumentada.
Se normaliza el primer rengln dividiendo entre 3 para obtener:
El trmino X1 se puede eliminar del segundo rengln restando
De una manera similar, restando
tercer rengln.
En seguida, se normaliza el segundo rengln dividiendo entre
Eliminacin gausiana
Este mtodo, que constituye una variacin del mtodo de eliminacin de Gauss, permite resolver hasta
15 o 20 ecuaciones simultneas, con 8 o 10 dgitos significativos en las operaciones aritmticas de la
computadora. Este procedimiento se distingue del mtodo Gaussiano en que cuando se elimina una
incgnita, se elimina de todas las ecuaciones restantes, es decir, las que preceden a la ecuacin pivote

El mtodo se ilustra mejor con un ejemplo. Resolvamos el siguiente conjunto de ecuaciones
3.0 X1 - 0.1 X2 - 0.2 X3 = 7.8500
0.1 X1 + 7.0 X2 - 0.3 X3 = - 19.3
0.3 X1 - 0.2 X2 + 10 X3 = 71.4000
Primero expresemos los coeficientes y el vector de trminos independientes como una
Se normaliza el primer rengln dividiendo entre 3 para obtener:
se puede eliminar del segundo rengln restando 0.1 veces el primero del segundo rengln.
De una manera similar, restando 0.3 veces el primero del tercer rengln se elimina el
En seguida, se normaliza el segundo rengln dividiendo entre 7.00333:
Este mtodo, que constituye una variacin del mtodo de eliminacin de Gauss, permite resolver hasta
15 o 20 ecuaciones simultneas, con 8 o 10 dgitos significativos en las operaciones aritmticas de la
odo Gaussiano en que cuando se elimina una
incgnita, se elimina de todas las ecuaciones restantes, es decir, las que preceden a la ecuacin pivote
de ecuaciones
Primero expresemos los coeficientes y el vector de trminos independientes como una matriz


veces el primero del segundo rengln.
veces el primero del tercer rengln se elimina el trmino con X1 del

Reduciendo los trminos en X2 de la primera y la tercera ecuacin se obtiene:
El tercer rengln se normaliza dividiendolo entre
Finalmente, los trminos con X3
Ntese que no se necesita sustitucin hacia atrs para obtener la solucin.
Las ventajas y desventajas de la eliminacin gaussiana se aplican tambin al mtod
Aunque los mtodos de Gauss-Jordan
primero requiere aproximadamente 50% menos operaciones. Por lo tanto, la eliminacin gaussiana es el
m todo simple por excelencia en la obte
simultneas. Una de las principales razones para incluir el mtodo de Gauss
proporcionar un mtodo directo para obtener la matriz inversa.




de la primera y la tercera ecuacin se obtiene:
El tercer rengln se normaliza dividiendolo entre 10.010:
se pueden reducir de la primera y segunda ecuacin para obtener:
Ntese que no se necesita sustitucin hacia atrs para obtener la solucin.
Las ventajas y desventajas de la eliminacin gaussiana se aplican tambin al mtod
Jordan y de eliminacin de Gauss pueden parecer casi idnticos, el
primero requiere aproximadamente 50% menos operaciones. Por lo tanto, la eliminacin gaussiana es el
m todo simple por excelencia en la obtencin de soluciones exactas a las ecuaciones lineales
simultneas. Una de las principales razones para incluir el mtodo de Gauss-Jordan, es la de
proporcionar un mtodo directo para obtener la matriz inversa.



se pueden reducir de la primera y segunda ecuacin para obtener:

Las ventajas y desventajas de la eliminacin gaussiana se aplican tambin al mtodo de Gauss-Jordan.
pueden parecer casi idnticos, el
primero requiere aproximadamente 50% menos operaciones. Por lo tanto, la eliminacin gaussiana es el
ncin de soluciones exactas a las ecuaciones lineales
Jordan, es la de
4. Mtodo de Gauss - Seidel
El mtodo de Gauss-Seidel es un mtodo iterativo, al igual que el mtodo de punto fijo, o el mtodo de
Newton-Raphson. Sin embargo este se utiliza para un sistema de ecuaciones y no para una sola
ecuacin, como los anteriormente mencionados. Es el mtodo ms utilizado dentro de los mtodos
iterativos para solucionar sistema de ecuaciones. Este mtodo se aplica generalmente a sistema s de
ecuaciones grandes. El algoritmo incluido en esta seccin es de fcil implementacin en cualquier
lenguaje de programacin.

3.5.1 Descripcin Intuitiva. El mtodo consiste en:
1. Se resuelve cada una de las ecuaciones para una variable especifica, por ejemplo en el caso de
un sistema de r-ecuaciones con r-incgnitas, se puede resolver (despejar), la primera variable en
la primera ecuacin, la segunda variable en la segunda ecuacin y as sucesivamente has
resolver la r-esima variable en la r-esima ecuacin.
2. Se escogen valores iniciales para las incgnitas o variables. estos valores para X
2
, X
3
,, Xr, se
sustituyen, para la primera de las ecuaciones resueltas, es decir, para X
1
, (una forma muy simple
de iniciar este procedimiento es tomando X
1
=X
2
=X
3
==X
r
=0). El valor obtenido aqu para X
1
, se
emplea junto con el de X
3
=X
4
==X
r
=0, para hallar un nuevo valor para X
2
. as se contina la
primera iteracin hasta hallar un nuevo valor para X
r
.
3. Este procedimiento, en la fase (2), se repite tanteas veces (tomando como valores iniciales los
obtenidos en la iteracin anteriormente realizada), hasta que la solucin converja a los valores
reales, segn el criterio de de parada tomado, que pude ser: tol
j j
X X

) 1 ( ) (
donde
X=(x
1
, X
2
, X
3
,, Xr ) y j y j-1 son las iteraciones actuales y anteriores.

Supngase que se tiene un sistema de ecuaciones de 5x5.
) 5 (
) 4 (
) 3 (
) 2 (
) 1 (
5 55 4 54 3 53 2 52 1 51
5 45 4 44 3 43 2 42 1 41
5 35 4 34 3 33 2 32 1 31
5 25 4 24 3 23 2 22 1 21
5 15 4 14 3 13 2 12 1 11
b x k x k x k x k x k
b x k x k x k x k x k
b x k x k x k x k x k
b x k x k x k x k x k
b x k x k x k x k x k
= + + + +
= + + + +
= + + + +
= + + + +
= + + + +
(3.4)

Si los elementos de la diagonal so son ceros, la primera ecuacin se puede resolver para X
1
, la segunda
para X
2
, la tercera para X
3
, la cuarta para X
4
y la quinta para X
5
, es decir
55 4 54 3 53 2 52 12 51 5 5
44 5 45 3 43 2 42 1 41 4 4
33 5 35 4 34 2 32 1 31 3 3
22 5 25 4 24 3 23 1 21 2 2
11 5 15 4 14 3 13 1 12 1 1
/ ) (
/ ) (
/ ) (
/ ) (
/ ) (
k x k x k x k x k b x
k x k x k x k x k b x
k x k x k x k x k b x
k x k x k x k x k b x
k x k x k x k x k b x
=
=
=
=
=
(3.5)

Seguidamente, se escogen valores iniciales para las X, la forma ms recomendable es iniciar con
X
1
=X
2
=X
3
=X
4
=X
5
=0 y sustituirlas, para hallar un valor nuevo para X
1
. Este valor de X
1
, se utiliza junto con
los valores previos de X
3
, X
4
y X
5
para obtener un nuevo valor de X
2
. De esta forma se siguen
sustituyendo los valores obtenidos en los valores siguientes hasta llegar al valor nuevo para X
5
. As se ha
obtenido un vector solucin X
(1)

que es una aproximacin a la solucin deseada en la primera iteracin.
El proceso se contina, tomando, tomando los valores obtenidos en la primera iteracin como los valores
iniciales y hasta obtener una convergencia deseada, segn la tolerancia especificada inicialmente.

3.5.2 Ejemplo
Una fbrica tiene en el mercado 4 dispositivos metlicos. Cada uno de ellos contiene cobre, aluminio,
estao y hierro en una determinada proporcin. Las cantidades necesarias para elaborar una cantidad
de cada dispositivo son:
DISPOSISTIVO Cobre/gr.unid Aluminio/gr.unid Estao/gr.unid Hierro/gr.unid
A 50 10 15 5
B 5 31 5 10
C 20 10 4 10
D 5 5 10 60

Si las cantidades disponible diariamente de Cobre, Aluminio, Estao y Hierro, son respectivamente:
114Kg, 79,8Kg, 122Kg y 269Kg. Cuntas unidades de cada dispositivo se pueden fabricar
diariamente?.
El sistema de ecuaciones correspondiente es:
) 6 . 3 ( 269000 60 10 10 5
) 6 . 3 ( 122000 10 40 5 15
) 6 . 3 ( 79800 7 10 31 10
) 6 . 3 ( 114000 5 20 5 50
d D C A
c D C B A
b D C B A
a D C B A
= + + +
= + + +
= + + +
= + + +
(3.6)

Despejamos a en (3.6a), B en (3.6b), C en (3.6c) y D en (3.6d)
A = (114000 - 5B - 20C - 5D)/50 (3.7)
B = (79800 - 10A - 10C - 7D)/31 (3.8)
C = (122000 - 15A - 5B - 10D)/40 (3.9)
D = (269000 - 5A - 10B - 10C)/60 (3.10)

Primera iteracin:
Se inicia el proceso tomando las valores de A=B=C=D=0; los valores de B, C y D se sustituyen en la
ecuacin (3.7) para hallar el valor inicial de A.
2280
50
) 0 ( 5 ) 0 ( 20 ) 0 ( 5 114000
=

= A
Este valor y el de C=D=0, se emplean en la ecuacin (3.8) para obtener un valor nuevo de B:
71 , 1838
31
) 0 ( 7 ) 0 ( 10 ) 2280 ( 10 79800
=

= B
Se utiliza este valor y el de A = 2280 y D = 0 para obtener
16 , 1965
40
) 0 ( 10 ) 71 , 1838 ( 5 ) 2280 ( 15 122000
=

= C .

Para finalizar la primera iteracin, se halla el nuevo valor para D:
35 , 3659
60
) 16 , 1965 ( 10 ) 71 , 1838 ( 10 ) 2280 ( 5 269000
=

= D

Se revisa si el vector solucin obtenido X =( 2280, 1838.71, 1965.16, 3659.35) satisface la tolerancia
especificada, esto es: tol
X X

) 0 ( ) 1 (

En la tabla que sigue se muestran los resultados de las iteraciones siguientes.

VBLE\ITER 0 1 2 3 4 5 6
A 0 2280 944,13 1128,11 1189,24 1199,23 1200,10
B 0 1838,71 809,41 767,46 791,32 798,68 799,90
C 0 1965,16 1679,93 1533,59 1503,66 1500,02 1499,9
D 0 3659,35 3989,76 4005,82 4001,73 4000,28 4000,03

Los valores convergen a: A = 1200, B = 800, C = 1500, D = 4000

3.5.3 Criterio de convergencia. El proceso de Gauss-Seidel, para hallar la solucin de un sistema de
ecuaciones convergir si la matriz de los coeficientes es una matriz diagonal dominante, es decir, si el
valor absoluto de cada elemento sobre la diagonal es mayor que la suma de los valores absolutos de los
dems elementos de la fila
En resumen la convergencia es posible si:

=
>
n
j
ij ii
k k
1
, j i lir
Por lo general poco sistemas de ecuaciones poseen una matriz de coeficientes diagonalmente
dominantes, con lo cual al aplicar el procedimiento de Gauss-Seidel para solucionar dicho sistema no
existir certeza sobre la convergencia. Sin embargo si se redondean las ecuaciones (esto es si se
intercambian las filas), de tal manera que se obtenga una matriz de coeficientes dominantes se podr
lograr la convergencia deseada.


4. INTERPOLACIN Y AJUSTES DE CURVAS

En muchos estudios de campo y trabajos experimentales se registran conjunto de pares de datos:

: 0,1,2 ,3, ,

Estos datos pueden proceder de procesos muy confiables y seguros (por ejemplo provenientes de la discretizacin
de una funcin determinada) o pueden contener grados considerables de errores o ruido.

En todo caso, para estudiar el fenmeno cientficamente y poder establecer estimaciones confiables, se requiere
determinar relaciones funcionales que pueden ser: polinmicas, exponenciales, logartmicas, trigonomtricas,
etctera.

INTERPOLACIN En el caso de contar con datos muy precisos, la relacin funcional se construye mediante
tcnicas llamadas de interpolacin, cuya caracterstica fundamental es que la funcin obtenida coincide con los
datos objeto de estudio. Esto es, P(t
i
) = y
i
donde P es la relacin funcional construida.

Se interpola un conjunto de datos o una funcin con el objeto de estimar el valor de y para algn valor dado de t
k

que no est registrado en la data original.



AJUSTE DE CURVAS. Si los datos que han de procesarse exhiben un grado de error significativo o ruido,
las tcnicas que se aplican para determinar la relacin funcional que describe el comportamiento de los datos, se
llaman ajuste de curvas o aproximacin de los datos por funciones. Estas tcnicas se caracterizan por que no
necesariamente la funcin obtenida coincide con los datos procesados, si no que los aproxima minimizando al
mximo el error asociado. Es decir f(t
i
) y
i
, donde f es la curva que ajusta a los datos.



INTERPOLACIN POLINOMIAL

Interpolar un conjunto de datos significa determinar una relacin funcional que coincida con la data original, de tal
manera que a travs de esta se pueda estimar confiablemente un valor o valores de la variable dependiente, para un
valor o valores de la variable independiente dentro del rango de los datos, no registrado en los datos originales.
Generalmente las relaciones funcionales que se construyen son de tipo polinmicas. En tal caso hablamos de
interpolacin polinomial.

Teorema (Aproximacin de Weierstrass)

Sea f una funcin continua en [a, b]. Para cada >0 existe un polinomio P(x) con la propiedad:

| | , para toda x en [a, b]





INTERPOLACIN POLNOMIAL POR DIFERENCIAS DIVIDIDAS DE NEWTON



x
i
y
i
Orden cero Orden uno Orden dos Orden tres
f[x
i
] f[x
i,
x
i+1
] f[x
i,
x
i+1,
x
i+2
] f[x
i,
x
i+1,
x
i+2,
x
i+3
]
x
0
y
0
f[x
0
]

f[x
0,
x
1
] =

x
1
y
1
f[x
1
]

f[x
1,
x
2
] =

x
2
y
2
f[x
2
]

f[x
2,
x
3
] =

x
3
y
3
f[x
3
]
Para n+1 puntos:
x
i
x
0
x
1
x
2
x
n

y
i
y
0
y
1
y
2
y
n


la diferencia dividida de mayor orden es de orden n. Est dada por:

, ,

, ,

, ,

Generalizando, se tiene que la k-sima diferencia dividida de Newton involucra k+1 puntos y est dada por:

, ,

, ,

, ,

El polinomio interpolante por diferencias divididas de Newton se determina por:

, ,

Ejemplo

En un circuito con un voltaje impreso (t) y una inductancia L, medimos la corriente i en amperios para varios
valores de tiempo t en segundos, como se registra en la tabla:


t (segundos) 1.00 1.01 1.02 1.03 1.04
i (amperios) 3.10 3.12 3.14 3.18 3.24


Se desea estimar el valor de i cuando t = 1.025segundos y cuando t = 1.08segundos.


Construyamos la tabla de diferencias divididas:

k t
k
i
k
f[t
k
] f[t
k,
t
k+1
] f[t
k,
t
k+1,
t
k+2
] f[t
k,
t
k+1,
t
k+2,
t
k+3
] f[t
k,
t
k+1,
t
k+2,
t
k+3
, t
k+4
]
0 1.00 3.10 3.10
2.00
1 1.01 3.12 3.12 0.00
2.00 3333.33
2 1.02 3.14 3.14 100.00 -83333.25
4.00 0.00
3 1.03 3.18 3.18 100.00
6.00
4 1.04 3.24 3.24


El polinomio interpolante para los 5 pares de datos (puntos) queda:

P(x) = 3.1+2*(x-1)+3333.33*(x-1)*(x-1.01)*(x-1.02)-83333.25*(x-1)*(x-1.01)*(x-1.02)*(x-1.03)

Simplificando se tiene:

P(x) = (-333333/4)*x
4
+ 341666*x
3
525191*x
2
+ (717439/2)*x - 275575/3

Las estimaciones pedidas se obtienen evaluando el polinomio en los valores de t indicados. Estas son:

P(1.025) = 3.1570 P(1.08) = 2.9800


Para una mejor comprensin del ejemplo analicemos la grfica:













0.98 0.99 1 1.01 1.02 1.03 1.04 1.05 1.06 1.07 1.08
2.85
2.9
2.95
3
3.05
3.1
3.15
3.2
3.25
3.3
3.35
t
C
o
r
r
i
e
n
t
e

i
P(t)
(t
k
,i
k
)
AJUSTE DE DATOS O AJUSTE DE CURVAS
(Caso discreto)


Dado un conjunto de pares de datos

: 1,2 ,3, , , que traen asociado un grado

de error significativo o ruido, se trata de construir una o unas relaciones funcionales que
describan el comportamiento de los datos de tal manera que f(t
i
) y
i,
minimizando al mximo el
error posible en la aproximacin. Esto es, se trata de determinar la curva que mejor se ajusta
al conjunto de datos.

La tcnica que generalmente se aplica es la llamada mtodo de Mnimos cuadrados, que
consiste en minimizar la suma del cuadrado del error de la aproximacin en cada punto. Esto es:

AJUSTE POLINOMIAL POR MNIMOS CUADRADOS

Polinomio de primer grado (recta:

)

Dado

. Se minimiza el error total:

, con
respecto a los parmetros

, entonces:

0

Y as se forma el sistema:

Recuerde que

.

Se resuelve el sistema y se determina

para construir la recta

) que ajusta al
conjunto de datos.

Ejemplo
Se realiza un experimento para determinar el porcentaje de elongacin de un material conductor
elctrico como funcin de la temperatura. Los datos que han resultado son:

Temperatura en

200 250 300 375 425 475 525 600
Porcentaje de
elongacin
11 13 13 15 17 19 20 23

Ajuste una recta a los datos usando regresin lineal y estime la elongacin a una temperatura de
400
0
C.

Solucin:
Sean: x
i
= T
i
y y
i
= (Porcentaje de elongacin)
i


x
i
y
i
x
i
2
x
i
*y
i
200 11 40000 2200
250 13 62500 3250
300 13 90000 3900
375 15 140625 5625
425 17 180626 7225
475 19 225625 9025
525 20 275625 10500
600 23 360000 13800
3150 131 1375000 55525

Las ecuaciones normales correspondientes son: 8*a
0
+ 3150*a
1
= 131
3150*a
0
+ 1375000*a
1
= 55525
Al resolver se tiene: a
0
= 4.8457 y a
1
= 0.0293.

La recta es : 0.0293 4.8457. Ahora podemos hacer algunas predicciones, por ejemplo
si x= 400, entonces y=16.5580. Esto asociado al problema significa que para una temperatura de
400
0
C, el porcentaje de elongacin es de 16.5580.


Para cuantificar la bondad del ajuste, se debe determinar el coeficiente de correlacin r, o grado
de interconexin entre variables, que intenta determinar con que precisin describe o explica la
relacin entre variables una ecuacin que representa una curva determinada. El clculo de r
requiere de la suma de los cuadrados de las desviaciones de y
i
, respecto a la media (S
t
) y de la
suma de los cuadrados de los errores en cada punto respecto a la curva de ajuste (S
r
).

En el caso del ejercicio, se tiene:


=

16.375


x
i
y
i
S
t
= (y
i
- )
2
S
r
= [y
i
- 0.0293

4.8457
2
200 11 28.8906 0.0866
250 13 11.3906 0.6877
300 13 11.3906 0.4041
375 15 1.8906 0.6942
425 17 0.3906 0.0889
475 19 6.8906 0.0561
525 20 13.1406 0.0521
600 23 43.8906 0.3298
3150 131 117.875 2.3996


Entonces

..
.
0.9796. Luego r = 0.9897.

5. Mtodo de Euler
Este mtodo es el ms simple de todos ellos. Si partimos de una condicin inicial como:

entenderemos que un paso de tiempo despus tendremos

dnde h es lo que se llama paso (delta o incremento).
En el mtodo de Euler se evalua un nuevo estado del sistema partiendo de los valores conocidos del
estado anterior...

De esta forma sabemos cual es el valor de nuestro sistema un tiempo h despus del tiempo anterior to,
gracias a conocer el estado anterior xo y la derivada x(to).
Me parece que alguno se estar poniendo vizco de leer y no entender nada...ya s que es muy oscuro al
principio pero hay que digerirlo a base de cocotazos con la pared y una vez lo tienes en el estmago te lo
pasas pipa simulando!!!
Tranquilos que luego hablaremos de ejemplillos y lo iris viendo bastante ms claro.
Este mtodo es altamente inestable y poco eficaz. Puede "colgarnos" literalmente el ordenador en
muchas ocasiones (no por falta de recursos sin por problemas de tendencias a infinito y dems...) y
suele evaluar valores de derivada incorrectos con lo cual lo que vemos en pantalla dista muchsimo de
ser fsicamente correcto o incluso visualmente aceptable.
De hecho esto es de esperar si hacis un poco de memria e intentis recordar la famosa frmula de
la srie de Taylor para una funcin cualquiera. Si recordais, con Taylor podiamos aproximar una funcin
cualquiera por una srie infinita de polinomios de orden creciente. Algo as:

dnde el valor de nuestra funcin un pasito ms lejos del punto t0, es decir en t0+h, se aproxima tal y
cmo os muestro.
La frmula de Euler proviene del truncamiento de esta frmula a partir del segundo trmino con lo cual el
error cometido en la aproximacin de la funcin es notable y por tanto la solucin es incorrecta.



6. Mtodo de Runge-Kutta de orden 4



Ejemplo
Una bola experimenta una temperatura de 1
solo hay prdida de calor debido a radiacin, la ecuacin diferencial para la temperatura en la bola, est
dada por:
(
12
10 2067 . 2 =

T
dt
dT
Determinar la temperatura a los
paso 240 = h segundos.

Solucin:

Parte 1: Discretizacin del dominio (Intervalo [0, 480]):
n= nmero de puntos donde se va estimar las soluciones.
h= Paso
t
i
= t
0
En nuestro caso h= 240 y n= 2.
Entonces: t
i
= t
0
+ih, i = 0, 1,2
Es decir, se tiene: t0 = 0, t
1
= 240, t
(
1 1 2 3 4
1
2 1
3 2
4 3
2 2
6
( , )
1 1
( , )
2 2
1 1
( , )
2 2
( , )
i i
i i
i i
i i
i i
h
y y k k k k
k f t y
k f t h y k h
k f t h y k h
k f t h y k h
+
= + + + +
=
= + +
= + +
= + +
Kutta de orden 4




Una bola experimenta una temperatura de 1200K y se somete a un ambiente de temperatura 300K. Si
solo hay prdida de calor debido a radiacin, la ecuacin diferencial para la temperatura en la bola, est
( )
8 4
10 81 T ; ( ) K T 1200 0 =
los 480 = t segundos usando el mtodo de Euler. Tomar un tamao de
Parte 1: Discretizacin del dominio (Intervalo [0, 480]):
n= nmero de puntos donde se va estimar las soluciones.
0
+ ih, para i = 0,1,2,,n
En nuestro caso h= 240 y n= 2.

= 240, t
2
= 480.
)
1 1 2 3 4
2 1
3 2
2 2
( , )
( , )
( , )
y y k k k k
k f t h y k h
k f t h y k h
= + + + +
Interpretacin
200K y se somete a un ambiente de temperatura 300K. Si
solo hay prdida de calor debido a radiacin, la ecuacin diferencial para la temperatura en la bola, est
segundos usando el mtodo de Euler. Tomar un tamao de
nterpretacin geomtrica



Segunda parte: Adecuacin de ecuaciones
Como la ecuacin est dada por: ( )
8 4 12
10 81 10 2067 . 2 =

T
dt
dT
Entonces:
( ) ( )
8 4 12
10 81 10 2067 . 2 , =

T T t f
Y as las ecuaciones que se han de procesar son:
( ) = =
i i
T t f k ,
1
( )
8 4 12
10 81 10 2067 . 2

i
T

2
1
,
2
1
1 2
= |

\
|
+ + = h k T h t f k
i i
|

\
|
+
8 4
1
12
10 81 ) ) 240 (
2
1
( 10 2067 . 2 k T
i

= |

\
|
+ + = h k T h t f k
i i 2 3
2
1
,
2
1
|

\
|
+
8 4
2
12
10 81 ) ) 240 (
2
1
( 10 2067 . 2 k T
i

( ) = + + = h k T h t f k
i i 3 4
, ( )
8 4
3
12
10 81 ) ) 240 ( ( 10 2067 . 2 +

k T
i

( )h k k k k T T
i i 4 3 2 1 1
2 2
6
1
+ + + + =
+

Tercera parte: Clculos y organizacin de los resultados
For 0 = i , 0
0
= t , K T 1200
0
=
( )
0 0 1
,T t f k = ( )
8 4 12
10 81 1200 10 2067 . 2 =

5579 . 4 =

|

\
|
+ + = h k T h t f k
1 0 0 2
2
1
,
2
1
( ) ( )
|

\
|
+ + = 240 5579 . 4
2
1
1200 , 240
2
1
0 f
( ) 05 . 653 , 120 f =
( )
8 4 12
10 81 05 . 653 10 2067 . 2 =

38347 . 0 =

|

\
|
+ + = h k T h t f k
2 0 0 3
2
1
,
2
1
( ) ( )
|

\
|
+ + = 240 38347 . 0
2
1
1200 , 240
2
1
0 f
( ) 0 . 1154 , 120 f =
( )
8 4 12
10 81 0 . 1154 10 2067 . 2 =

8954 . 3 =
( ) h k T h t f k
3 0 0 4
, + + = ( ) ( ) 240 894 . 3 1200 , 240 0 + + = f ( ) 10 . 265 , 240 f =

( )
8 4 12
10 81 10 . 265 10 2067 . 2 =

0069750 . 0 =
h k k k k T T ) 2 2 (
6
1
4 3 2 1 0 1
+ + + + =
( ) ( ) ( ) ( )240 069750 . 0 8954 . 3 2 38347 . 0 2 5579 . 4
6
1
1200 + + + + =
( )240 1848 . 2 1200 + = K 65 . 675 =
1
T es la temperatura aproximada en h t t t + = =
0 1
240 0 + = 240 =
;
( ) K T T 65 . 675 240
1
=
Para K T t i 65 . 675 , 240 , 1
1 1
= = =
44199 . 0
1
= k 31372 . 0
2
= k 34775 . 0
3
= k
25351 . 0
4
= k
K T 91 . 594
2
=
2
T es la temperatura aproximada en h t t t + = =
1 2
= 480 240 240 = +
;
( ) K T T 91 . 594 480
2
=

Figure 1. Comparacin del mtodo de Runge-Kutta de 4
to
orden con la solucin
exacta para diferentes tamaos de paso.

-400
0
400
800
1200
1600
0 200 400 600
Time,t(sec)
T
e
m
p
e
r
a
t
u
r
e
,
h=120
Exact
h=240
h=480

(
K
)
Tamao del paso, h
( ) 480
num
T | |
num exacta
T T % | |
num
T





Tabla 1. Valores de la temperatura en el tiempo, t = 480s para diferentes h
(pasos)















480
240
120
60
30
-90.278
594.91
646.16
647.54
647.57
737.85
52.660
1.4122
0.033626
0.00086900
113.94
8.1319
0.21807
0.0051926
0.00013419