Instituto Tecnolgico Superior de

Docente:
Comalcalco
Rosa Elena Lpez Falconi
Materia:
Programacin
Alumno:
Dany Alejandra Snchez Domnguez
Investigacin:
Unidad 3, 4 y 5.
Carrera:
Ing. En Ind. Alimentarias
ANLISIS DEL ERROR Y SOLUCIN DE ECUACIONE

Mtodo grfico.

Un mtodo simple para obtener una aproximacin a la raz de la

ecuacin consiste en graficar la funcin y observar dnde cruza el eje x. Este
punto, que representa el valor de x para el cual, ofrece una aproximacin inicial de
la raz.

Las tcnicas grficas tiene el valor prctico limitado, ya que no son precisas. Sin
embargo, los mtodos grficos se utilizan para obtener aproximaciones de la raz.
Dichas aproximaciones se pueden usar como valores iniciales en los mtodos
numricos analizados. Las interpretaciones grficas, adems de proporcionar
estimaciones de la raz, son herramientas importantes en la compresin de las
propiedades de las funciones y en la prevencin de las fallas de los mtodos.

Mtodos cerrados, biseccin, regla Falsa y otros mtodos.

Mtodo de Biseccin.

Cuando se aplica las tcnicas graficas se observa que f(x) cambi de signo a
ambos lados de la raz. En generan, si f(x) es real y contina en el interior que va
desde x1 hasta xu y f(x1) y f (xu) tienen signos opuestos, es decir, (x1) f (xu) <0.

Criterios de paro y estimaciones de errores.

Para iniciar seria finalizar con el clculo cuando el error verdadero que se
encuentra por debajo de algn nivel prefijado. En el ejemplo anterior se observa
que el valor relativo baja de 5.3 a 1.9% durante el procedimiento de clculo. Puede
decirse que el mtodo termina cuando se alcanza un error ms bajo, por ejemplo,
al 0.1%. Dicha estrategia es inconveniente, ya que la estimacin del error en el
ejemplo anterior se bas en el conocimiento del valor verdadero de la raz de la
funcin. Por lo tanto se requiere estimar el error de forma tal que no se necesite el
conocimiento previo de la raz. Se puede evaluar el valor relativo porcentual de la
siguiente manera.

Ea = ((x1-x0)/x1)*100

Donde x1 es la raz de la iteracin actual y x0 es el valor de la iteracin anterior.

Se utiliza el valor absoluto, ya que por lo general importa solo la magnitud
de Ea sin considerar su signo. Cuando es menor que un valor previamente
fijo termina el caculo.

Mtodo de la regla falsa

Este metodo es una combinacion del metodo de biparticin y del metodo de la

secante. En l se considera una ecuacin f(x) = 0 y un intervalo [a, b] en el que
f(x) sea continua y adems se velique que f(a) f (b) < 0. Con ello, segn se indic
al analizar el metodo de biparticin se puede estar seguro de que en [a, b] existe
al menos una raz. Tras ello se denomina x1 al punto de corte con el eje de
abscisas de la recta secante que pasa por los puntos (a(a)), (b, f (b)) es decir al
punto:

Se puede asegurar que en el intervalo (a, x1) existir a una solucin de la

ecuacin. En el caso de que f(x1) f(a) > 0 se puede armar lo mismo para el
intervalo (x1, b). Y en el caso de que f(x1) = 0 se habr determinado ya la
solucin. En todo caso o se tiene la solucin de la ecuacin o se dispone de un
intervalo ms pequeo en el que volver a repetir el proceso. Esta forma de
proceder es repetida las veces que sea necesario hasta encontrar un intervalo en
el que exista una solucin y con una longitud inferior a la precisin deseada. Ms
concretamente el algoritmo del metodo ser a:
Algoritmo del metodo de Regla Falsa:

Dada la ecuacin f(x) = 0, el indicador de precisin y dos puntos a y b en los que

f(a) f (b) < 0, Mientras |ba| > , hacer:

Si (f(x) = 0) entonces: tomar x como raz x y analizar el proceso si no: Si (f(x)

f(a) > 0) entonces: b x

Si no: a x Fin condicin.

x Fin del algoritmo.

c) Otras variantes del metodo de Newton.

Existen otras variantes del metodo de Newton que son relativamente utilizadas en
algunas aplicaciones. As por ejemplo esta el denominado metodo de Newton
modicado en el que el valor de f se estima solo cada k iteraciones actundose
entre dichas iteraciones con el ultimo valor de f calculado. Otra variante, conocida
con el nombre de metodo de Newton mejorado (o metodo de Halley) se basa en
en el siguiente razonamiento

Al justiciar los orgenes del mtodo de Newton escribamos:

Desarrollo que una vez linealizado nos conduca a que: (xxi) f (xi) f (xi) de
donde se obtena una aproximacin xi+1 de la solucin como xi f (xi) f (xi). En el
metodo de Newton mejorado se usa el hecho de que (x xi) f (xi) f (xi) para
sustituir esta expresin en uno de los dos factores (x xi) que intervienen en el
trmino de segundo grado del desarrollo de Taylor, despreciando los de mayor
orden, con lo que:
De donde:

Y generndose, a partir de un x0, la sucesin:

Mtodo de la falsa posicin

El mtodo de biseccin es vlido para determinar races, su mtodo de

aproximacin por fuerza bruta es relativamente ineficiente. La falsa posicin es
una alternativa basada en una visualizacin grfica.

Un inconveniente del mtodo de biseccin es que al dividir el intervalo en

intervalos iguales, no se toma en consideracin las magnitudes de, es lgico que
la raz se encuentra ms cerca de.

Un mtodo grafico que visualiza grficamente consiste en unir y con una lnea
recta. La interseccin de esta lnea con el eje x representa una mejor
aproximacin de la raz.

El hecho que se remplace la curva por una lnea recta da una falsa posicin de la
raz de aqu el nombre de mtodo de la falsa posicin o en latn regla falso.
Tambin se le conoce como mtodo de interpolacin lineal.

Usando triangulo semejantes, la interseccin de la lnea recta con el eje de las x

se estima mediante.
F(x1)/xr - x1 = f (xu)/xr - xu

Las desventajas del mtodo de la falsa posicin.

Aunque el mtodo de la falsa posicin es uno de los mejores hay casos donde
funciona de manera diferente, porque por este mtodo se puede verificar
directamente con la raz a diferencia de otros mtodos

Mtodos abiertos, iteracin de punto Fijo, mtodo de la secante,

newton- Raphson.

Mtodos abiertos.

En este mtodo se basa en frmulas que requieren nicamente de un solo valor

de inicio x o que empiecen con un par de ellos pero no necesariamente encierran
la raz. Estos algunas veces divergen o se alejan de la raz verdadera. En general
son ms rpidos que los mtodos cerrados.

Iteracin punto fijo

Esta frmula puede desarrollarse como una iteracin simple de punto fijo, tambin
llamadas iteracin de un punto o sustitucin sucesiva o mtodo de punto fijo, al
arreglar la ecuacin f(x) = 0 de tal modo que este del lado izquierdo de la
ecuacin x = g(x)
Esta transformacin se realiza mediante operaciones algebraicas o simplemente
sumando a cada lado de la ecuacin original.

Por ejemplo: x^2-2x+3=0

Se arregla para obtener: x=(x^2+3)/2

Como en otras frmulas iterativas de este libro, el error aproximado de esta

ecuacin de calcula usando el error normalizado:

Ea=| (x_ (i+1)-x_i)/x_ (i+1)|*100

Ejemplo

Use una iteracin simple de punto fijo para localizar la raz de f(x)=e^ (-x)-x

Solucin: La funcin se puede separar directamente y expresarse en la frmula de

la ecuacin como x_ (i+1)=e^ (-x)

Empezando con un valor inicial x = 0, se aplica esta ecuacin iterativa para

calcular.

I Xi (%) (%)

0 0 100.0

1 1.000000 100.0 76.3

2 0.367879 171.8 35.1

3 0.692201 46.9 22.1

4 0.500473 38.3 11.8

5 0.606244 17.4 6.89

6 0.545396 11.2 3.83

7 0.579612 5.90 2.20

8 0.560115 3.48 1.24

 9 0.571143 1.93 0.705

10 0.564879 1.11 0.399

De esta manera, se puede observar que cada iteracin acerca cada vez ms el
valor aproximado al valor verdadero de la raz: 0.56714329

Algoritmos para el mtodo de punto fijo.

El algoritmo para la iteracin de punto fijo es simple en extremo. Consta de un

loop o ciclo que calcula en forma iterativa nuevas aproximaciones hasta satisfacer
el criterio de terminacin. El cual est en un archivo adjunto al final.

Mtodo de la secante

Este mtodo aproxima el valor de f (xi) mediante:

f (xi)

F (xi) f (xi1) xi xi1 con lo que el esquema iterativo del metodo de Newton-
Raphson se ve modicado a:

Xi+1 = xi

F (xi) f (xi) f (xi1) xixi1

xi1 f (xi) xi f (xi1) f (xi) f (xi1)

Obsrvese que para aplicar el metodo se necesitan dos valores x0 y x1 con los
que inicializar el proceso. Por ello en el metodo de la secante la primera iteracin
se realiza mediante el metodo de Newton siguindose el siguiente proceso: Dado
x0: x1 x0 f(x0) f(x0) xi+1 = xi1f (xi) kif (xi1) f (xi) f (xi1), i = 1,2,...
51

El metodo de la secante toma su nombre del hecho de que gracamente se puede

interpretar el metodo de forma similar al de Newton pero sustituyendo la recta
tangente a la curva en el punto (xi, f (xi)) por la recta secante que pasa por los
puntos (xi1, f (xi1)) y (xi, f (xi)).

Mtodos para solucin de ecuaciones lineales por Jacobi. Gauss-

Seidel y Gauss-Jordan.

Metodo de Gauss-Seidel

En esta variante del metodo de Newton-Raphson, la matriz tangente de cada

iteracin es sustituida por otra triangular inferior en la que los elementos de la
diagonal y los que estn por debajo de ella coinciden con los de la matriz
jacobiana. Ms concretamente, siendo la matriz: 95
El esquema que se emplea es:

En esta variante del metodo de Newton-Raphson tambin se reduce de forma

notable el nmero de operaciones (solo conlleva evaluar (n.(n + 1)/2) funciones
derivadas en lugar de n2 y adems la inversin de una matriz triangular solo mi-
plica del orden de n2 operaciones). Pero tambin su lmite de validez lo marcar a
la pequeez de los trminos que se estn despreciando en la matriz tangente.

Mtodos de solucin de sistemas de ecuaciones no lineales:

Iterativo secuencial y Newton.

Los mtodos de aproximaciones sucesivas, Newton-Raphson y sus variantes, pre-

sentados en el apartado anterior para el caso de una u nica ecuacin pueden
extn- derse fcilmente al caso de sistemas de n ecuaciones no lineales con n
incgnitas.

Este tipo de sistemas los escribiremos en la forma:

O ms brevemente como f(x) = 0 donde 0 es el vector nulo de n componentes, x

es un vector de

IR

N y f es la funcin vectorial dependiente de n variables reales

Dada por:

Al igual que se indic para el caso de un u nica ecuacin, no debe confundirse

esta forma de representar el sistema de ecuaciones con el que la funcin f(x) sea
idnticamente nula. En efecto con la notacin f(x) = 0 estaremos representando de
forma breve en este apartado el problema siguiente: Encontrar, si es posible,
algn vector x de

IR

N para el que se velique que

F (x) = 0

REGRESIN, INTERPOLACIN Y DERIVACIN NUMRICAS

Anlisis de Regresin

En un Anlisis de Regresin simple existe una variable respuesta o dependiente

(y) que puede ser el nmero de especies, la abundancia o la presencia-ausencia
de una sola especie y una variable explicativa o independiente (x).

El propsito es obtener una funcin sencilla de la variable explicativa, que sea

capaz de describir lo ms ajustadamente posible la variacin de la variable
dependiente. Como los valores observados de la variable dependiente difieren
generalmente de los que predice la funcin, sta posee un error.

La funcin ms eficaz es aquella que describe la variable dependiente con el

menor error posible o, dicho en otras palabras, con la menor diferencia entre los
valores observados y predichos. La diferencia entre los valores observados y
predichos (el error de la funcin) se denomina variacin residual o residuos. Para
estimar los parmetros de la funcin se utiliza el ajuste por mnimos cuadrados. Es
decir, se trata de encontrar la funcin en la cual la suma de los cuadrados de las
diferencias entre los valores observados y esperados sea menor. Sin embargo,
con este tipo de estrategia es necesario que los residuos o errores estn
distribuidos normalmente y que varen de modo similar a lo largo de todo el rango
de valores de la variable dependiente. Estas suposiciones pueden comprobarse
examinando la distribucin de los residuos y su relacin con la variable
dependiente.
Cuando la variable dependiente es cuantitativa (por ejemplo, el nmero de
especies) y la relacin entre ambas variables sigue una lnea recta, la funcin es
del tipo y= c + bx, en donde c es el intercepto o valor del punto de corte de la lnea
de regresin con el eje de la variable dependiente (una medida del nmero de
especies existente cuando la variable ambiental tiene su mnimo valor) y b es la
pendiente o coeficiente de regresin (la tasa de incremento del nmero de
especies con cada unidad de la variable ambiental considerada). Si la relacin no
es lineal pueden transformarse los valores de una o ambas variables para intentar
linearizarla. Si no es posible convertir la relacin en lineal, puede comprobarse el
grado de ajuste de una funcin polinomial ms compleja. La funcin polinomial
ms sencilla es la cuadrtica (y= c + bx + bx2) que describe una parbola, pero
puede usarse una funcin cbica u otra de un orden aun mayor capaz de
conseguir un ajuste casi perfecto a los datos. Cuando la variable dependiente se
expresa en datos cualitativos (presencia-ausencia de una especie) es aconsejable
utilizar las regresiones logsticas (y= [exp (c+ bx)] / [1 + exp (c + bx)]).

Fundamentos estadsticos.

Mtodo de mnimos cuadrados.

El mtodo de mnimos cuadrados sirve para interpolar valores, dicho en otras

palabras, se usa para buscar valores desconocidos usando como referencia otras
muestras del mismo evento.

El mtodo consiste en acercar una lnea o una curva, segn se escoja, lo ms

posible a los puntos determinados por las coordenadas (x, f (x), que normalmente
corresponden a muestras de algn experimento.

Cabe aclarar que este mtodo, aunque es sencillo de implantar no es del todo
preciso, pero si proporciona una interpolacin aceptable.

Como se coment previamente se puede usar una recta o una curva como base
para calcular nuevos valores

Regresin lineal simple.

El objeto de un anlisis de regresin es investigar la relacin estadstica que existe
entre una variable dependiente (Y) y una o ms variables independientes. Para
poder realizar esta investigacin, se debe postular una relacin funcional entre las
variables. Debido a su simplicidad analtica, la forma funcional que ms se utiliza
en la prctica es la relacin lineal. Cuando solo existe una variable independiente,
esto se reduce a una lnea recta:

Donde los coeficientes b0 y b1 son parmetros que definen la posicin e

inclinacin de la recta. (Ntese que hemos usado el smbolo especial para
representar el valor de Y calculado por la recta. Como veremos, el valor real
de Y rara vez coincide exactamente con el valor calculado, por lo que es
importante hacer esta distincin.)

El parmetro b0, conocido como la ordenada en el origen, nos indica cunto

es Y cuando X = 0. El parmetro b1, conocido como la pendiente, nos indica
cunto aumenta Y por cada aumento de una unidad en X. Nuestro problema
consiste en obtener estimaciones de estos coeficientes a partir de una muestra de
observaciones sobre las variables Y y X. En el anlisis de regresin, estas
estimaciones se obtienen por medio del mtodo de mnimos cuadrados.

Regresin polinomial.

Regresin lineal mltiple.

Cuando varios carcteres son explicativos se puede an realizar una regresin

sobre una familia de polinomios en los diferentes carcteres, con grado fijo. Los
trminos que hacen intervenir productos del tipo sern interpretados como
trminos de interaccin entre los carcteres explicativos. En la prctica, uno se
limita a polinomios .

Cuando varios caracteres son explicativos se puede an realizar una regresin

sobre una familia de polinomios en los diferentes caracteres, con grado fijo. Los
trminos que hacen intervenir productos del tipo sern interpretados como
trminos de interaccin entre los caracteres explicativos. En la prctica, uno se
limita a polinomios.
Regresin no lineal.

En estadstica, la regresin no lineal es un problema de inferencia para un modelo

tipo:

y = f(x, ) +

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.

Interpolacin.

En el subcampo matemtico del anlisis numrico, 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.

Polinomios de interpolacin con diferencias divididas de Newton.

En anlisis numrico, la interpolacin polinmica es una tcnica

de interpolacin de un conjunto de datos o de una funcin por un polinomio. Es
decir, dado cierto nmero de puntos obtenidos por muestreo o a partir de
un experimento se pretende encontrar un polinomio que pase por todos los
puntos.

Dada una funcin f de la cual se conocen sus valores en un nmero finito de

abscisas x0, x1,..., xm, se llama interpolacin polinmica al proceso de hallar
un polinomio pm(x) de grado menor o igual a m.

Motivacin del polinomio interpolador

La interpolacin polinmica es un mtodo usado para conocer, de un modo

aproximado, los valores que toma cierta funcin de la cual slo se conoce su
imagen en un nmero finito de abscisas. A menudo, ni siquiera se conocer la
expresin de la funcin y slo se dispondr de los valores que toma para dichas
abscisas.

El objetivo ser hallar un polinomio que cumpla lo antes mencionado y que permita
hallar aproximaciones de otros valores desconocidos para la funcin con una
precisin deseable fijada. Por ello, para cada polinomio interpolador se dispondr
de una frmula del error de interpolacin que permitir ajustar la precisin del
polinomio.

Clculo del polinomio interpolador

Se dispone de varios mtodos generales de interpolacin polinmica que permiten

aproximar una funcin por un polinomio de grado m. El primero de estos
polinomios es el mtodo de las diferencias divididas de Newton. Otro de los
mtodos es la interpolacin de Lagrange, y por ltimo, la interpolacin de Hermite.

Polinomios de interpolacin con diferencias divididas de Newton.

Cualquier polinomio de <n[x] se puede expresar en forma nica como una

combinacin lineal de los monomios {1, x, x2,. . ., xn}, pues son evidentemente
sistema generador y adems linealmente independientes (luego forman una base
del espacio vectorial), la ms simple de hecho, la base canonca.

Esta base, que es adecuada para algunas manipulaciones inmediatas de

polinomios como nombrbamos en la seccin anterior (derivacin e integracin
por ejemplo), no es, sin embargo, la ms adecuada para construir en principio el
polinomio interpolador.

Vimos que resultaba til incluir los propios nodos del problema en los polinomios a
construir, de modo que en este pargrafo adoptamos una solucin intermedia.

Polinomios de interpolacin de Lagrange.

Interpolacin de Lagrange

En anlisis numrico, 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. 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:

La resolucin de un problema de interpolacin lleva a un problema de lgebra

lineal en el cual se debe resolver un sistema de ecuaciones. Usando una base
monmica estndar para nuestro polinomio interpolador, llegamos a la matriz de
Vandermonde. Eligiendo una base distinta, la base de Lagrange, llegamos a la
forma ms simple de matriz identidad = i, j, que puede resolverse
inmediatamente.

Entre las desventajas de su uso tenemos que si se aumenta en nmero de puntos

a interpolar (o nodos) con la intencin de mejorar la aproximacin a una funcin,
tambin lo hace el grado del polinomio interpolador as obtenido, por norma
general. De este modo, aumenta la dificultad en el clculo, hacindolo poco
operativo manualmente a partir del grado 4, dado que no existen mtodos directos
de resolucin de ecuaciones de grado 4, salvo que se puedan tratar como
ecuaciones bicuadradas, situacin extremadamente rara.

La tecnologa actual permite manejar polinomios de grados superiores sin grandes

problemas, a costa de un elevado consumo de tiempo de computacin. Pero, a
medida que crece el grado, mayores son las oscilaciones entre puntos
consecutivos o nodos. Se podra decir que a partir del grado 6 las oscilaciones son
tal que el mtodo deja de ser vlido, aunque no para todos los casos.

Sin embargo, pocos estudios requieren la interpolacin de tan slo 6 puntos. Se

suelen contar por decenas e incluso centenas. En estos casos, el grado de este
polinomio sera tan alto que sera inoperable.

Derivacin numrica y diferencias finitas

Consideremos una funcin f(x) de la cual se conoce un conjunto discreto de

valores (x0, f0), (x1, f1),..., (xn, fn). El problema que vamos a abordar es el de
calcular la derivada de la funcin en un punto x que en principio no tiene por qu
coincidir con alguno de los que guran en los datos de que disponemos. La forma
ms sencilla de resolver el problema de la diferenciacin numrica consiste en
estimar la derivada utilizando frmulas obtenidas mediante la aproximacin de
Taylor, que se denominan frmulas de diferencias nitas.

La derivacin numrica es una tcnica de anlisis numrico para calcular una

aproximacin a la derivada de una funcin en un punto utilizando los valores y
propiedades de la misma.

Por definicin la derivada de una funcin f(x) es:

Las aproximaciones numricas que podamos hacer (para h > 0) sern:

Diferencias hacia adelante:

Diferencias hacia atrs:

La aproximacin de la derivada por este mtodo entrega resultados aceptables
con un determinado error. Para minimizar los errores se estima que el promedio de

ambas entrega la mejor aproximacin numrica al problema dado:

Diferencias centrales:

Una diferencia finita es una expresin matemtica de la forma f(x + b) f(x +a). Si
una diferencia finita se divide por b a se obtiene una expresin similar
al cociente diferencial, que difiere en que se emplean cantidades finitas en lugar
de infinitesimales. La aproximacin de las derivadas por diferencias finitas
desempea un papel central en los mtodos de diferencias finitas del anlisis
numrico para la resolucin de ecuaciones diferenciales.

Mtodos de diferencias finitas

Otro aspecto importante es que las diferencias finitas aproximan cocientes

diferenciales a medida que h se acerca a cero. As que se pueden usar diferencias
finitas para aproximar derivadas. Esta tcnica se emplea a menudo en anlisis
numrico, especialmente en ecuaciones diferenciales numricas
ordinarias, ecuaciones en diferencias y ecuacin en derivadas parciales. Los
mtodos resultantes reciben el nombre de mtodos de diferencias finitas.

Las aplicaciones habituales de los mtodos de diferencias finitas son en los

campos de la computacin y reas de la ingeniera como ingeniera trmica o
mecnica de fluido.

INTEGRACIN Y RESOLUCIN DE ECUACIONES

DIFERENCIALES ORDINARIAS
Integracin numrica simple, mtodo del trapecio, mtodos de Simpson.

"La integracin numrica es una herramienta esencial que se usa en la ciencia

y en la ingeniera para obtener valores aproximados de integrales para
obtener valores aproximados de integrales definidas que no pueden
calcularse analticamente".

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:

Mtodos de Simpson 1/3 y 3/8

La regla de Simpson tiene mayor aproximacin que regla de los trapecios. En la

regla de los trapecios los puntos sucesivos de la grfica y = f(x) se unen mediante
lneas que forman los trapecios, en la regla de Simpson los puntos se unen
mediante segmentos de parbolas.

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:

Solucin de ecuaciones diferenciales.

Se llama ecuacin diferencial a aquella ecuacin que contiene derivadas. Si la

ecuacin slo tiene una sola variable independiente recibe el nombre de
ecuaciones diferenciales ordinarias (EDO).Si la ecuacin contiene ms de una
variable independiente, apareciendo as sus derivadas parciales, recibe el nombre
de ecuaciones diferenciales en derivadas parciales.
Se llama orden de una ecuacin diferencial al orden de la mayor derivada que
aparezca en ella. Se llama grado de una ecuacin diferencial al grado de la
derivada de mayor orden que aparezca en ella.
Se llama solucin general de una ecuacin diferencial a toda relacin entre las
variables, libres de derivadas, que satisface dicha ecuacin diferencial. Por lo
comn, la solucin general de una ecuacin diferencial de orden n tiene n
constantes. Integrar o resolver una ecuacin diferencial es hallar su solucin
general. Se llama solucin particular de una ecuacin diferencial a aquella
solucin que se obtiene a partir de la solucin general, dando valores a las
constantes.
Mtodo de Euler
Este mtodo se aplica para encontrar la solucin a ecuaciones diferenciales ordinarias
(EDO), esto es, cuando la funcin involucra solo una variable independiente.

El mtodo se basa de forma general en la pendiente estimada de la funcin para

extrapolar desde un valor anterior a un nuevo valor:

Nuevo valor = valor anterior + pendiente x tamao de paso.

O bien,

De esta manera, la formula (1), se aplica paso a paso para encontrar un valor en el futuro
y as trazar la trayectoria de la solucin.
El mtodo de Euler utiliza la pendiente al inicio del intervalo como una aproximacin de la
pendiente promedio sobre todo el intervalo. La primera derivada proporciona una
estimacin directa de la pendiente en xi.

f(xi,yi), es la ecuacin diferencial evaluada en xi y yi. Sustituyendo esta estimacin de

la pendiente en la ecuacin (1), se tiene:
La ecuacin (2), se le conoce como el mtodo de Euler. En esta formula se predice
un nuevo valor de y por medio de la pendiente que es igual a la primera derivada en el
valor original de x, este nuevo valor habr de extrapolarse en forma lineal sobre el tamao
de paso h.
Mtodo de Euler mejorado
Este mtodo se basa en la misma idea del mtodo anterior, pero hace un refinamiento en
la aproximacin, tomando un promedio entre ciertas pendientes.

La frmula es la siguiente:

donde,
Para entender esta frmula, analicemos el primer paso de la aproximacin, con base en la
siguiente grfica:

En la grfica, vemos que la pendiente promedio corresponde a la pendiente de la recta

bisectriz de la recta tangente a la curva en el punto de la condicin inicial y la recta
tangente a la curva en el punto (x1, y1), donde y1 es la aproximacin obtenida con la
primera frmula de Euler. Finalmente, esta recta bisectriz se traslada paralelamente hasta
el punto de la condicin inicial, y se considera el valor de esta recta en el punto x =
x1 como la aproximacin de Euler mejorada.

Mtodos de Runge-Kutta.

En la seccin anterior se estableci que el mtodo de Euler para resolver la

ecuacin diferencial de primer orden

Y' = f(X, Y)
Con la condicin inicial

Y(X0) = Y0
Consiste en aplicar repetidamente la frmula de recurrencia

Yn+1 = Yn + h f(Xn, Yn) donde n = 1, 2, 3, ...

Para determinar la solucin de la ecuacin diferencial en

X = X1, X2, X3,...

Sustituyendo la funcin f(X, Y) dada en (7), en (9), se tiene que

Yn+1 = Yn + h Y'n
expresin que indica que el mtodo de Euler consiste grficamente, en ir de un
valor Yn conocido de la solucin de la ecuacin diferencial (7) en un punto, al
siguiente por medio de la tangente T1 a la curva integral Y = Y(X) en el mismo

punto de la solucin conocida, como se muestra en la siguiente figura.

De este planteamiento grfico puede verse que una mejor aproximacin a la

solucin de la ecuacin diferencial se obtendra si en vez de ir por la
tangente T1 para determinar la solucin en el siguiente Punto Pivote, se utiliza una
secante con pendiente igual al promedio de pendientes de la curva integral en los
puntos coordenados (Xn, Yn), (Xn+1, Yn+1) en donde Xn+1 y Yn+1 pueden
estimarse con el procedimiento normal de Euler, como se muestra en la siguiente
grfica:

Con lo anterior se obtendra un mtodo mejorado de Euler con error del orden
de h3 definido por la expresin
En donde f (Xn+1, Yn+1) es el valor de la funcin f(X, Y) para:

X = Xn+1

Y = Yn + h f (Xn, Yn)

Observando las expresiones para resolver la ecuacin diferencial, puede decirse

que ambas consisten en aplicar la frmula de recurrencia

En donde

En el mtodo de Euler y

En lo que

Y' = f(X, Y)
En el mtodo de Euler Mejorado. Como se ve, estos mtodos tienen los siguientes
puntos en comn:
Son mtodos de un paso; para determinar Yn+1 se necesita conocer nicamente
los valores de Xn y Yn del punto anterior.

No requieren evaluar ninguna derivada, sino nicamente valores de la funcin f(X,

Y).

Estas caractersticas dan origen a una gran variedad de mtodos conocidos como
de Runge-Kutta. La diferencia entre ellos consiste en la forma como se define la
funcin

Que aparece en la expresin

La ventaja de los mtodos de Runge-Kutta con respecto al uso de la serie de

Taylor, que es tambin un mtodo de un paso, est expresado en el punto (2)
anterior; es decir, los mtodos de Runge-Kutta requieren slo de la funcin f(X,
Y) y de ninguna derivada, mientras que la serie de Taylor s requiere de la
evaluacin de derivadas. Esto hace que, en la prctica, la aplicacin de los
mtodos de Runge-Kutta sea ms simples que el uso de la serie de Taylor.

Un mtodo de Runge-Kutta para resolver ecuaciones diferenciales ordinarias de

primer orden con error del orden de h5, de uso tan frecuente que en la literatura
sobre mtodos numricos se le llama simplemente el Mtodo de Runge-Kutta, se
dar a conocer sin demostrar y consiste en aplicar la ecuacin de recurrencia (12)

en donde la funcin est dada por la expresin:

En el cual
La ecuacin se obtiene haciendo un promedio de las cuatro pendientes, k1, k2,
k3 y k4 a la curva integral, en forma semejante a como se procedi con las
pendientes de las tangentes T1 y T2 que dieron lugar a la ecuacin.