Taylor Orden Dos

TEMA 1.
Resolución numérica de ecuaciones diferenciales 1
1.1. Conceptos generales.
1.2. Métodos de Taylor

- Método de Euler.
- Métodos de Taylor de orden superior
1.3. Métodos de Runge-Kutta.
1.4. Métodos Predictor-Corrector. Métodos Multipaso

- Métodos explícitos de Adams-Bashforth
- Métodos explícitos de Adams_Moulton
1.5. Aplicaciones.
Objetivo de este tema:
• La resolución numérica de ecuaciones diferenciales ordinarias (EDO).
Mediante el uso de Métodos Numéricos de Cálculo:
Determinar, de forma aproximada, una solución de una EDO de primer
orden, conociendo el valor de la solución (curva) en un punto.
1
Interés:
• Las ecuaciones diferenciales se usan de forma habitual

para construir modelos matemáticos en una amplia variedad de
problemas de la ciencia y la ingeniería.
• En dichos problemas se buscan los valores de ciertas

funciones desconocidas a través de lo único que somos capaces
de medir:
“cómo los cambios de una variable afectan a otra”.
• Cuando esta relación de cambios se traduce a un modelo

matemático, el resultado es una ecuación diferencial.
Ejemplo: La temperatura y(t) de un objeto que se enfría.
Podríamos conjeturar que la velocidad del cambio de la temperatura de

un cuerpo está relacionada con la diferencia entre su temperatura y la del
medio que lo rodea.
2
Podríamos conjeturar que la velocidad del cambio de la temperatura de

un cuerpo está relacionada con la diferencia entre su temperatura y la del
medio que lo rodea.
Los experimentos lo confirman y la ley del enfriamiento de Newton

establece que dicha velocidad de cambio es directamente proporcional a la
diferencia de estas temperaturas.
Si conocemos la temperatura del cuerpo, en el instante t = 0, que se

denomina condición inicial, entonces incluimos esa información en el
enunciado del problema
Si denotamos por y(t) la temperatura del cuerpo en el instante t, y A la

temperatura del medio que lo rodea, dy
 k ( y  A)
dt
y (0)  y 0
donde k es una constante positiva, y el signo negativo indica que la

temperatura decrece si la temperatura del cuerpo es mayor que la del medio.
3
Si denotamos por y(t) la temperatura del cuerpo en el instante t, y A la

temperatura del medio que lo rodea, dy
 k ( y  A)
dt
y (0)  y 0
donde k es una constante positiva, y el signo negativo indica que la

temperatura decrece si la temperatura del cuerpo es mayor que la del medio.
La solución se calcula a través de la técnica de separación de variables,

obteniendo:
y  A  ( y 0  A)e  kt
Fijados A y k, cada elección de y 0 nos da una solución distinta.
Fijados A y k, cada elección de y 0 nos da una solución distinta.
y  A  ( y 0  A)e  kt
En la Figura se muestran dos soluciones del problema: Para y0  6 y para y0  2
Con Maple > plot([2+(6-2)*exp(-x),2+(-2-2)*exp(-x)],x=0..8,color=[red,blue]);
y0  6
y(t) y0  6
Cuando t crece, la temperatura
del cuerpo se aproxima a la
temperatura ambiente.
A=2
Si y 0 < A, el cuerpo se calienta,
si y 0 > A, el cuerpo se enfría. t
y0  2
4

Problemas de valor inicial (PVI)
En estos problemas se requiere calcular la solución de una ecuación diferencial que

verifica una condición inicial dada.
 dy
Si consideramos el (PVI)   f ( x, y ), para a  x  b
 dx
 y ( a )  ya , (condicion inicial)
buscamos la solución y(x) en el intervalo a  x  b de manera que en x  a,

sea y (a)  ya .

Problemas de valor inicial (PVI)
En estos problemas se requiere calcular la solución de una ecuación diferencial que

verifica una condición inicial dada.
 dy
Si consideramos el (PVI)   f ( x, y ), para a  x  b
 dx
 y ( a )  ya , (condicion inicial)
buscamos la solución y(x) en el intervalo a  x  b de manera que en x  a,

sea y (a)  ya .
• Ejemplo 1. y   y  x 2  1, 0  x  2
y (0)  0,5
• Ejemplo 2.
y   1  xsen( xy ), 0  x  2
y (0)  0
5

Problemas de valor inicial (PVI) bien planteados
La existencia de una solución única y continuamente diferenciable en el intervalo puede
asegurarse:
• Si la función f y
f , son continuas en dicho intervalo a, b para todo y.
y
• Menos exigente que esta hipótesis es que se verifique la condición de Lipschitz
L  0, f ( x, y )  f ( x, y*)  L y  y *
• Ej. 1: f ( x, y )  y  x 2  1, f y ( x, y )  1,
son ambas continuas para 0  x  2 y para todo y,
• Ej. 2: f ( x, y )  1  xsen( xy ), f y ( x, y )  x 2 cos( xy),

son ambas continuas para 0  x  2 y para todo y,
Por tanto ambos son problemas bien planteados (existe una única solución)
• No obstante, lo que requieren la mayoría de los casos en que los

problemas de la ciencia y la técnica se resuelven mediante la aplicación
de ecuaciones diferenciales,
no es una prueba de que la solución existe,
Sino:
• los valores de la solución para un conjunto continuo de valores del
intervalo de la variable independiente (solución analítica)
o
• los valores aproximados de la solución para un conjunto discreto de
valores del intervalo de la variable independiente (solución numérica)
Podemos usar Maple para resolver analíticamente estos dos ejemplos de

valor inicial.
6
Ejemplo 1.
2 1 x
y( x ) := x 2 x 1 e
2
Ejemplo 2.
No siempre es posible obtener una solución teórica exacta -analítica- del

problema, es decir, una expresión de la solución mediante una combinación
de un número finito de funciones elementales, obtenidas por la integración de
la ecuación o transformadas integrales como la de Laplace.
7
Métodos Numéricos
Por ello surge la necesidad de encontrar, mediante un algoritmo eficiente, una

aproximación suficientemente buena de la solución.
La eficiencia de un algoritmo se refiere a la cantidad de recursos que requiere

su ejecución. Habitualmente analizando el tiempo de ejecución en un
determinado ordenador y programa informático, y también la memoria que
consume la ejecución del algoritmo y la complejidad del mismo.
Estos métodos no proporcionan una aproximación continua (para todos

los valores del intervalo de estudio ) a la solución exacta de la ecuación
diferencial del problema de valor inicial,
sino aproximaciones del valor de la solución en una secuencia discreta de
puntos que suelen estar igualmente espaciados.
Estos Métodos se basan en una aproximación fundamental:
Una ecuación diferencial se sustituye por una ecuación en diferencias, y

el papel que desempeñaba una variable continua lo asume una variable
discreta.
Para que tal esquema sea eficaz, es importante comprender bajo que
condiciones la solución de la ecuación en diferencias es próxima a la de la
ecuación diferencial.
8

Nuestro objetivo es, dado un número natural N, calcular valores numéricos aproximados de
la solución de un
dy
( PVI ) :  f ( x, y ), para a  x  b
dx
y(a)  ya
en los N+1 puntos (nodos) equidistantes: {x0 , x1 , x2 ,..., xN } / xn  a  nh, n  0,1,2,3,...N
ba
siendo la distancia entre nodos h [ tamaño de paso ].
N
y(a)  ya
h
x
a b
x0 x1 x2 ... xn ... xN 1 xN

Nuestro objetivo es, dado un número natural N, calcular valores numéricos aproximados de
la solución de un
dy
( PVI ) :  f ( x, y ), para a  x  b
dx
y(a)  ya
en los N+1 puntos (nodos) equidistantes: {x0 , x1 , x2 ,..., xN } / xn  a  nh, n  0,1,2,3,...N
ba
siendo la distancia entre nodos h [ tamaño de paso ].
N
La precisión de la solución obtenida depende de la elección adecuada del tamaño del paso.
Aunque por sencillez trabajaremos con tamaño de paso fijo, las técnicas más
eficientes adaptan continuamente el tamaño del paso al comportamiento de la solución:
• disminuyendo el paso si la solución varía rápidamente (lo que supone hacer más
operaciones y estar sujetos a errores de redondeo), o
• aumentándolo si la solución varía poco (obteniendo buenas aproximaciones ahorrando
costes computacionales y evitando errores de redondeo innecesarios).
Las aproximaciones en otros valores de x en a, b pueden hallarse utilizando interpolación.
9
¿Origen de los Métodos Numéricos aplicados a una EDO?
¿Origen de los Métodos Numéricos aplicados a una EDO?
dy
 k ( y  A)
dt
y (0)  y0
10

Para la EDO
y( x )  f ( x, y ( x))
• La función f ( x, y ) da, para cada punto (x,y) del plano perteneciente al dominio de f , la
derivada de la función solución y(x) que pasa por ese punto.
• La derivada y’(x) de una función y(x) en un punto es el valor de la pendiente m de la recta
tangente a la gráfica de la función en dicho punto, (en nuestro caso, de la curva solución)
• recopilando esta información para
muchos puntos
y
f ( xi , y j )  mij
Se podría tener una idea de cómo

son las soluciones, representando dy
  k ( y  A)
las pendientes m ij en una dt
colección de puntos. y (0)  y 0
Un campo de direcciones o campo

de pendientes

y( x )  f ( x, y )  La derivada y(x0) en el punto de inicio x0 es el valor

y ( x0 )  y0  de la pendiente de la recta tangente a la curva solución
en dicho punto,
m00  y( x0 )  f ( x0 , y0 )
y m00  y( x0 )  f ( x0 , y0 )  tan 
y( x)

y0
h
x0 x1 x
11


en dicho punto,
m00  y( x0 )  f ( x0 , y0 )
La ecuación de la recta tangente en x0 es y  y0  f ( x0 , y0 )  ( x  x0 )

y
y  y0  f ( x0 , y0 )  ( x  x0 )
y1
y ( x1 )
y0
h
x0 x1 x


en dicho punto,
m00  y( x0 )  f ( x0 , y0 )

y
y  y0  f ( x0 , y0 )  ( x  x0 )
x  x1  y1  y0  f ( x0 , y0 )  ( x1  x0 )
y1
y ( x1 )
y0
h
x0 x1 x
12


en dicho punto,
m00  y( x0 )  f ( x0 , y0 )

y
y  y0  f ( x0 , y0 )  ( x  x0 )
x  x1  y1  y0  f ( x0 , y0 )  ( x1  x0 )
y1 error
y1  y0  hf ( x0 , y0 )
y ( x1 )
y0
y1  y ( x1 )
h
x0 x1 x


en dicho punto,
m00  y( x0 )  f ( x0 , y0 )

y
y  y0  f ( x0 , y0 )  ( x  x0 )
x  x1  y1  y0  f ( x0 , y0 )  ( x1  x0 )
y1 error
y1  y0  hf ( x0 , y0 )
y ( x1 )
y0
?
y1  y ( x1 )
h Utilizando el desarrollo de Taylor
x0 x1 x se puede tener cierto conocimiento
acerca de la magnitud del error
13
Resolución numérica de ecuaciones diferenciales. 27
1.2. Métodos de Taylor.
Métodos de Taylor
• Estos métodos numéricos son métodos paso a paso, utilizando la misma

fórmula en cada paso
• Estas fórmulas son sugeridas por el desarrollo en serie de Taylor.
• La función que expresaremos en términos de su desarrollo de Taylor es
precisamente la solución y(x) -desconocida- del problema planteado.
Método de Euler.
Es el más elemental de ellos. Aunque es un método que apenas se utiliza en la

práctica, la sencillez de su construcción ilustra la técnica que se utiliza para
construir métodos más avanzados, sin las farragosas manipulaciones
algebraicas que acompañan estas construcciones.
1.2. Métodos de Taylor.
Método de Euler  dy
  f ( x, y ), para a  x  b
Sea el PVI :  dx
 y ( x0 )  y0
14
1.2. Métodos de Taylor. Método de Euler
  f ( x, y ), para a  x  b
Sea el PVI :  dx
 y ( x0 )  y0
Como y(x) es la solución de la ecuación diferencial, verifica que y(x)  f (x, y(x)),
y particularizando para x  x1  x0  h , el desarrollo de Taylor permite obtener y(x1)
a partir de y( x0 )
h2    x0 , x1 
y( x1 )  y( x0  h)  y( x0 )  hf ( x0 , y( x0 ))  y( ), para algún
2
  f ( x, y ), para a  x  b
Sea el PVI :  dx
 y ( x0 )  y0
Repitiendo el proceso para cada intervalo, generamos una sucesión de puntos

que se aproximan a la gráfica de la solución y(x) . Para cada n=0,1,2,….,N-1
h2
y( xn1)  y( xn  h)  y( xn )  hf ( xn , y( xn ))  y(n ), para algúnn   xn , xn1 
2
Si el tamaño del paso es suficientemente pequeño, y las derivadas están acotadas,

se puede considerar despreciable el término en h2 .
Eliminando el término del error, se obtiene una ecuación en diferencias que
aproxima la ecuación diferencial, llamada aproximación de Euler
yn 1  yn  hf ( xn , yn ), para n  0,1, 2,...., N  1
15

El esquema del método de Euler es
y0  y ( x0 )
yn 1  yn  hf ( xn , yn ), para n  0,1, 2,...., N  1
Error local en la primera etapa

Error global en la segunda etapa
y
u1
u0
x0 x1 x
El error local del método de Euler en el n-ésimo paso es la

diferencia entre la solución exacta y la calculada con el método en
el nodo xn 1 supuesto que el valor en el nodo xn es exacto.
h2
 n 1  y ( xn 1 )  yn  hf ( xn , y ( xn ))  y( n ),
2
para algún  n  xn , xn1  y para n  0,1,..., N  1

El error local es proporcional a h 2,
h2 y( n )
 n 1 2 1
lim 2
 lim 2
 y ( n )  K , cte  0
h 0 h h 0 h 2
o sea, un infinitésimo O( h 2), así que el error local es de orden 2.
16

Si puede obtenerse la solución exacta del problema, el error verdadero, o acumulado
del método se llama error de truncamiento o de discretización global, esto es
en  y ( xn )  yn , n  0,1, 2,.....N

en  y ( xn )  yn , n  0,1, 2,.....N
Si fuera éste el único que se comete en cada paso, al llegar al extremo superior del
intervalo (dar N pasos) el error acumulado sería
N
h2 h2 (b  a ) h

n 1 2
y( n )  N
2
y( n ) 
2
y ( n )  ( h)
Podría haber otros errores, pero esta estimación del error global es la que predomina.
17

en  y ( xn )  yn , n  0,1, 2,.....N
Si fuera éste el único que se comete en cada paso, al llegar al extremo superior del
intervalo (dar N pasos) el error acumulado sería
N
h2 h2 (b  a ) h
n 1 2
y( n )  N
2
y( n ) 
2
y ( n )  ( h)
Podría haber otros errores, pero esta estimación del error global es la que predomina.
Teorema. En las condiciones consideradas del PVI bien planteado, si existen


constantes L y M tales que y ( x)  M y f ( x, y ( x))  L
y
Entonces, para cada n = 0,1,2,...,N, se tiene
hM L ( xn a )
y( xn )  yn  (e  1).
2L

Convergencia
Relacionado con el error global, un asunto interesante consiste en determinar si
la solución aproximada yn converge a la exacta y(x) y con qué velocidad.
Un método numérico es convergente si se satisface
lim yn  y ( xn ), para todo xn  [a, b]
h 0
xn  a  nh
Lo que significa que cuando la longitud de paso h es suficientemente pequeña la

aproximación yn proporcionada por el método numérico esta “cerca” de la
solución exacta y(xn).
En general se verifica que si el error local es un infinitésimo de orden hk , cuando

h 0, entonces el error global en es un infinitésimo de orden hk-1 , y en tal caso se
dice que el método es de orden k-1.
El método de Euler converge a la solución teórica, y es de orden 1.
18

Ejemplo
Vamos a utilizar el método de Euler para aproximar la solución del PVI:
y '  y  x 2  1, 0  x  2
y (0)  0,5
suponiendo que N=10.
20
Si N=10, entonces h   0.2, xn  a  nh  0  0.2n  0.2n
10
y
y(0)  0.5
h
x
0 2
x0 x1 x2 ... xn ... xN 1 xN

(sigue Ejemplo Euler y '  y  x 2  1, 0  x  2
y (0)  0,5
y0  0.5
y1  y0  h( y0  x02  1)  0.5  0.2(0.5  02  1)  0.5  0.3  0.8
y2  y1  0.2( y1  x12  1)  0.8  0.2(0.8  0.22  1)  0.8  0.352  1.152
y3  y2  0.2( y2  x2 2  1)  1.152  0.2(1.152  0.42  1)  1.152  0.398  1.5504
19

(sigue Ejemplo Euler y '  y  x 2  1, 0  x  2
y (0)  0,5
y0  0.5
y1  y0  h( y0  x02  1)  0.5  0.2(0.5  02  1)  0.5  0.3  0.8
y2  y1  0.2( y1  x12  1)  0.8  0.2(0.8  0.22  1)  0.8  0.352  1.152
y3  y2  0.2( y2  x2 2  1)  1.152  0.2(1.152  0.42  1)  1.152  0.398  1.5504
y4  y3  0.2( y3  x32  1)  1.5504  0.2(1.5504  0.62  1)  1.5504  0.4381  1.9885

y5  y4  0.2( y4  x4 2  1)  1.98848  0.2(1.98848  0.82  1)  2.4582
y6  y5  0.2( y5  x52  1)  2.4582  0.2(2.4582  12  1)  2.9498
y7  y6  0.2( y6  x6 2  1)  2.9498  0.2( 2.9498  1.2 2  1)  3.4518
y8  y7  0.2( y7  x7 2  1)  3.4518  0.2(3.4518  1.4 2  1)  3.9501
y9  y8  0.2( y8  x82  1)  3.9501  0.2(3.9501  1.62  1)  4.4282
y10  y9  0.2( y9  x9 2  1)  4.4282  0.2(4.4282  1.82  1)  4.8658

(sigue Ejemplo Euler) y '  y  x 2  1, 0  x  2
y (0)  0,5
Si el cálculo no se hace con ordenador conviene escribir el esquema para cualquier
valor n y después evaluar, para cada n, la solución aproximada en el nodo
correspondiente
yn1  yn  h( yn  xn 2  1), para n  0,1, 2,....,9

yn 1  yn  0.2( yn  0.04n 2  1), para n  0,1, 2,...., 9
yn 1  1.2 yn  0.008n 2  0.2, para n  0,1, 2,....,9
y1  1.2 y0  0.008  02  0.2  0.8000 y6  1.2 y5  0.008 1.02  0.2  2.9498

y2  1.2 y1  0.008  0.22  0.2  1.1520 y7  1.2 y6  0.008 1.22  0.2  3.4518
y3  1.2 y2  0.008  0.4  0.2  1.5504
2
y8  1.2 y7  0.008 1.42  0.2  3.9501
y4  1.2 y3  0.008  0.62  0.2  1.9885 y9  1.2 y8  0.008 1.62  0.2  4.4282
y5  1.2 y4  0.008  0.82  0.2  2.4582 y10  1.2 y9  0.008 1.82  0.2  4.8658
20
y '  y  x 2  1, 0  x  2
y (0)  0,5
Nodo y(xn) yn Error

0 0.5000 0.5000 0
0.2000 0.8293 0.8000 0.0293
0.4000 1.2141 1.1520 0.0621
0.6000 1.6489 1.5504 0.0985
0.8000 2.1272 1.9885 0.1387
1.0000 2.6409 2.4582 0.1827
1.2000 3.1799 2.9498 0.2301
1.4000 3.7324 3.4518 0.2806
1.6000 4.2835 3.9501 0.3334
1.8000 4.8152 4.4282 0.3870
2.0000 5.3055 4.8658 0.4397

y '  y  x 2  1, 0  x  2
Nodo y(xn) yn Error
y (0)  0,5
0 0.5000 0.5000 0
0.1000 0.6574 0.6500 0.0074
0.2000 0.8293 0.8140 0.0153
0.3000 1.0151 0.9914 0.0237
0.4000 1.2141 1.1815 0.0325
0.5000 1.4256 1.3837 0.0419
0.6000 1.6489 1.5971 0.0519
0.7000 1.8831 1.8208 0.0624
0.8000 2.1272 2.0538 0.0734
0.9000 2.3802 2.2952 0.0850
1.0000 2.6409 2.5438 0.0971
1.1000 2.9079 2.7981 0.1098
1.2000 3.1799 3.0569 0.1230
1.3000 3.4554 3.3186 0.1367
1.4000 3.7324 3.5815 0.1509
1.5000 4.0092 3.8437 0.1655
1.6000 4.2835 4.1030 0.1805
1.7000 4.5530 4.3573 0.1957
1.8000 4.8152 4.6040 0.2111
1.9000 5.0671 4.8405 0.2266
2.0000 5.3055 5.0635 0.2420
21

y '  y  x 2  1, 0  x  2
y (0)  0, 5
Error global cometido con distintos tamaños de paso en el mismo nodo
xn h=0.1 h=0.1 h=0.05
0 0 0 0
0.2000 0.0293 0.0153 0.0078
0.4000 0.0621 0.0325 0.0167
0.6000 0.0985 0.0519 0.0267
1 kh1 h / 2 1
0.8000 0.1387 0.0734 0.0378   
1.0000 0.1827 0.0971 0.0502  kh h 2
1.2000 0.2301 0.1230 0.0637  2 kh2 h / 4 1
1.4000 0.2806 0.1509 0.0785   
1.6000 0.3334
 kh h 4
0.1805 0.0942
1.8000 0.3870 0.2111 0.1107
2.0000 0.4397 0.2420 0.1275
Puede observarse que a partir de la tercera fila, el valor en cada columna

(el error global cometido) es aproximadamente la mitad de la anterior

Nodo y(xn) yn Error Nodo y(xn) yn Error

0 0.5000 0.5000 0
0.0500 0.5769 0.5750 0.0019 1.0500 2.7737 2.7202 0.0535
0.1000 0.6574 0.6536 0.0038 1.1000 2.9079 2.8511 0.0568
0.1500 0.7416 0.7358 0.0058 1.1500 3.0434 2.9832 0.0602
0.2000 0.8293 0.8215 0.0078 1.2000 3.1799 3.1162 0.0637
0.2500 0.9205 0.9105 0.0099 1.2500 3.3173 3.2500 0.0673
0.3000 1.0151 1.0029 0.0121 1.3000 3.4554 3.3844 0.0710
0.3500 1.1130 1.0986 0.0144 1.3500 3.5938 3.5191 0.0747
0.4000 1.2141 1.1974 0.0167 1.4000 3.7324 3.6539 0.0785
0.4500 1.3183 1.2993 0.0191 1.4500 3.8709 3.7886 0.0823
0.5000 1.4256 1.4041 0.0215 1.5000 4.0092 3.9229 0.0862
0.5500 1.5359 1.5118 0.0241 1.5500 4.1468 4.0566 0.0902
0.6000 1.6489 1.6223 0.0267 1.6000 4.2835 4.1893 0.0942
0.6500 1.7647 1.7354 0.0293 1.6500 4.4190 4.3207 0.0983
0.7000 1.8831 1.8510 0.0321 1.7000 4.5530 4.4507 0.1024
0.7500 2.0040 1.9691 0.0349 1.7500 4.6852 4.5787 0.1065
0.8000 2.1272 2.0894 0.0378 1.8000 4.8152 4.7045 0.1107
0.8500 2.2527 2.2119 0.0408 1.8500 4.9426 4.8277 0.1149
0.9000 2.3802 2.3364 0.0438 1.9000 5.0671 4.9480 0.1191
0.9500 2.5096 2.4627 0.0470 1.9500 5.1882 5.0649 0.1233
1.0000 2.6409 2.5907 0.0502 2.0000 5.3055 5.1780 0.1275
22
y '  y  x 2  1, 0  x  2
y (0)  0.5
23

Veamos la cota de error para el PVI del ejemplo tratado
y   y  x 2  1, 0  x  2
y (0)  0,5
Como f ( x, y )  y  x 2  1, tenemos que f y ( x, y )  1, para todo y.  L  1
Sabemos que la solución exacta de este problema es y ( x)  ( x  1) 2  0.5e x
así que
y ( x)  2( x  1)  0.5e x , e y ( x)  2  0.5e x
y por tanto
y ( x)  0.5e 2  2, para 0  x  2  M  0.5e 2  2
utilizando la desigualdad de la cota del error del método de Euler
hM L ( xn  a )
y ( xn )  yn  (e  1).
2L
En nuestro caso con h=0.2, L=1 y M=0.5e2-2, obtenemos como cota del error
y ( xn )  yn  0.1(0.5e2  2)(e xn  1)
24
En la tabla se registran los errores de hecho del ejemplo, junto a las correspondientes
cotas del error.
Nodo y(xn) yn y(xn)- yn Cota error
0 0.5000 0.5000 0 0
0.2000 0.8293 0.8000 0.0293 0.0375
0.4000 1.2141 1.1520 0.0621 0.0833
0.6000 1.6489 1.5504 0.0985 0.1393
0.8000 2.1272 1.9885 0.1387 0.2076
1.0000 2.6409 2.4582 0.1827 0.2912
1.2000 3.1799 2.9498 0.2301 0.3931
1.4000 3.7324 3.4518 0.2806 0.5177
1.6000 4.2835 3.9501 0.3334 0.6698
1.8000 4.8152 4.4282 0.3870 0.8556
2.0000 5.3055 4.8658 0.4397 1.0826
Hagamos notar que la cota del error excede con mucho el error verdadero de la
aproximación, en particular para los valores más grandes de xn.
1.2. Métodos de Taylor de mayor orden
Métodos de Taylor de mayor orden
Puesto que hemos construido el método de Euler a partir del desarrollo de Taylor
con k = 1, nuestro primer intento para hallar métodos que mejoren la precisión del
método de Euler consistirá en extender esta técnica de construcción para valores
mayores de k.
25
Puesto que hemos construido el método de Euler a partir del desarrollo de Taylor
mayores de k.
Supongamos que la solución y(x) del problema de valor inicial tiene k + 1 derivadas
continuas.
y '  f ( x, y ), a  x  b 

y (a )   
Si expresamos la solución y(x) en términos de su k-ésimo polinomio de Taylor
alrededor de xn , obtenemos
( x  xn ) 2
y ( x)  y ( xn )  ( x  xn ) y '( xn )  y ''( xn )  ...
2
( x  xn ) k ( k ) ( x  xn ) k 1 ( k 1)
 y ( xn )  y ( n ), para algun  n  [ xn , xn1 ]
k! (k  1)!
Puesto que hemos construido el método de Euler a partir del Teorema de Taylor
mayores de k.
Supongamos que la solución y(x) del problema de valor inicial tiene k + 1 derivadas
continuas.
y '  f ( x, y ), a  x  b 

y(a)   
Si expresamos la solución y(x) en términos de su k-ésimo polinomio de Taylor
alrededor de xn , obtenemos
( x  xn ) 2
?
y ( x)  y ( xn )  ( x  xn ) y '( xn )  y ''( xn )  ...
2
?
( x  xn ) k ( k ) ( x  xn ) k 1 ( k 1)
 y ( xn )  y ( n ), para algun  n  [ xn , xn1 ]
k! (k  1)!
26

Derivando sucesivamente la solución y(x) obtenemos
y '  f ( x, y ( x)), y ''( x )  f '( x, y ( x )), y en general, y ( k ) ( x)  f ( k 1) ( x, y ( x))
Sustituyendo estos resultados en el desarrollo de Taylor obtenemos

( x  xn ) 2
y ( x)  y ( xn )  ( x  xn ) f ( xn , y ( xn ))  f '( xn , y( xn ))  ...
2
( x  xn ) k ( k 1) ( x  xn )k 1 ( k )
 f ( xn , y ( xn ))  f ( n , y ( n )),
k! (k  1)!
Particularizando para x  xn 1 , tomando h  xn 1  xn , tenemos
2
h
y ( xn 1 )  y ( xn )  hf ( xn , y ( xn ))  f '( xn , y ( xn ))  ...
2
h k ( k 1) h k 1
 f ( xn , y ( xn ))  f ( k ) ( n , y ( n )),
k! (k  1)!
La ecuación en diferencias del método correspondiente a esta igualdad se

obtiene eliminando el término del error que contiene el punto  n .
Método de Taylor de Orden k
y0  
yn1  yn  hT ( k )( xn , yn ), para cada n  1,2,...,N - 1.
donde h h k 1 ( k 1)
T ( k ) ( xn , yn )  f ( xn , yn )  f ´( xn , yn )  ...  f ( xn , yn )
2 k!
h k 1 ( k 1)
El error local es y (n ), para algún  n  [ xn , xn1 ].
k!
Si se dan suficientes condiciones de derivabilidad, entonces el método de
Taylor de orden k tendrá un error local de orden O(hk+1) y un error global
de orden O(hk).
La fórmula de T (k ) es difícil de usar porque requiere conocer las derivadas

de f ( x, y ) con respecto a x , y puesto que f depende de x y de y , hay que
utilizar la regla de la cadena.
27

Ejemplo. Taylor de orden dos y cuatro
Vamos a aplicar el método de Taylor de orden 2 al problema de valor inicial

y '  y  x 2  1, 0  x  2 

y (0)  0.5 
Para determinar el esquema del método de orden dos, debemos hallar
h
T (2) ( xn , yn )  f ( xn , yn )  f ´( xn , yn )
2
Calculamos la derivada de f ( x, y ( x ))  y ( x)  x 2  1 con respecto a la variable x:
d
f '( x, y ( x))  ( y  x 2  1)  y ' 2 x  y  x 2  2 x  1
dx
Por tanto
h h
T (2) ( xn , yn )  f ( xn , yn )  f ´( xn , yn )  yn  xn 2  1  ( yn  xn 2  2 xn  1) 
2 2
h
 (1  )( yn  xn 2  1)  hxn
2
El método de Taylor de orden 2 viene dado, en consecuencia, por
y0  0.5
h
yn1  yn  h [(1  )( yn  xn 2  1)  hxn ]
2
Si h = 0.2, entonces N = 10 y x = 0.2n, para cada n=0,1,2,...,9,
y0  0.5
0.2
yn 1  yn  0.2[(1  )( yn  (0.2n) 2  1)  0.04n]
2
 1.22 yn  0.00088n 2  0.008n  0.22
28
Para determinar el esquema del método de Taylor orden 4, debemos hallar ahora
h h2 h3
T (4) ( xn , yn )  f ( xn , yn )  f ´( xn , yn )  f ''( xn , yn )  f '''( xn , yn )
2 3! 4!
y calcular hasta la derivada tercera de f ( x, y ( x))  y ( x )  x 2  1 respecto a la
variable x:
d
f ''( x, y ( x))  ( y  x 2  1  2 x)  y ' 2 x  2  y  x 2  1  2 x  2  y  x 2  2 x  1
dx
d
f '''( x, y ( x))  ( y  x 2  2 x  1)  y ' 2 x  2  y  x 2  1  2 x  2  y  x 2  2 x  1
dx
con lo cual
h h2 h3
T (4) ( xn , yn )  f ( xn , yn ) 
f ´( xn , yn )  f ''( xn , yn )  f '''( xn , yn ) 
2 3! 4!
h h2 h3
 yn  xn 2  1  ( yn  xn 2  2 xn  1)  ( yn  xn 2  2 xn  1)  ( yn  xn 2  2 xn  1) 
2 6 24
h h 2 h3 h h 2
h h 2 h3
 (1    )( yn  xn 2 )  (1   )hxn  1   
2 6 24 3 12 2 6 24
El método de Taylor de orden 4 viene dado, en consecuencia, por
y0  0.5
h h 2 h3 h h2 h h 2 h3
yn1  yn  h[(1    )( yn  xn 2 )  (1   )hxn  1    ]
2 6 24 3 12 2 6 24
Con el mismo tamaño h = 0.2, el método de cuarto orden viene dado por
y0  0.5
0.2 0.22 0.23 0.2 0.22
yn1  yn  0.2[(1    )( yn  (0.2n)2 )  (1   )(0.2n)
2 6 24 3 12
0.2 0.22 0.23
1    ]
2 6 24
0.2 0.04 0.008 0.2 0.04
 yn  0.2[(1    )( yn  0.04n 2 )  (1   )(0.04n)
2 6 24 3 12
0.2 0.04 0.008
1    ]
2 6 24
 1.2214 yn  0.008856n 2  0.00856n  0.2186
29

Nodo y(xn) Euler yn Taylor 2 yn Taylor 4 yn
Supongamos ahora que necesitamos conocer una aproximación en un punto

intermedio entre los de la tabla, por ejemplo en x = 1.25.
Si interpolamos linealmente (Polinomio de Lagrange de primer grado) las

aproximaciones de orden 4 en x = 1.2 y x = 1.4, obtenemos
x  x2 x  x1
P( x)  f ( x1)  f ( x2 ) 
x1  x2 x2  x1
1.25 1.4 1.25  1.2
 y(1.25)  3.1799640  3.7324321  3.3180810
1.2 1.4 1.4  1.2
puesto que el valor exacto es y(1.25) = 3.3173285, esta aproximación tiene un error
de 0.0007625, que es casi 30 veces la media de los errores de las aproximaciones
en 1.2 y 1.4.
30
Podemos mejorar significativamente la aproximación de y(1.25) usando interpolación

cúbica de Hermite: “Determinar un polinomio que coincida con una función y su
primera derivada en ciertos puntos”. En nuestro caso, dos puntos.
Para ello necesitamos aproximaciones de los valores y´(1.2) e y´(1.4),así como las
aproximaciones de y (l.2) e y (1.4).
Pero las aproximaciones de las derivadas están a nuestra disposición en la ecuación

diferencial, ya que
y '  f ( x, y( x))  y  x2  1
Por lo que
y '(1.2)  y (1.2)  1.22  1  3.1799640  1.44  1  2.7399640
y '(1.4)  y (1.4)  1.42  1  3.7324321  1.96  1  2.7724321
La expresión del polinomio de Hermite para interpolar una función cuando se

conocen dos puntos y las derivadas en esos dos puntos, es:
P3 ( x)  f [z0 ]  f [ z0 , z1](x - z0 )  f [ z0 , z1, z2 ]( x - z0 )( x - z1)  f [ z0 , z1, z2 , z3 ]( x - z0 )( x - z1)( x - z2 )
Donde los coeficientes son las Diferencias divididas del polinomio cúbico de Hermite:
z0  x0 f [z0]  f (x0)
f [z0, z1]  f '(x0)
f [z1, z2]  f [z0, z1]
z1  x0 f [z1]  f (x0 ) f [z0, z1, z2] 
z2  z0
f [z2]  f [z1] f [z1, z2, z3]  f [z0, z1, z2]
f [z1, z2]  f [z0, z1, z2, z3] 
z2  z1 z3  z0
f [z2, z3]  f [z1, z2]
z2  x1 f [z2]  f (x1) f [z1, z2, z3] 
z3  z1
f [z2, z3]  f '(x1)
z3  x1 f [z3]  f (x1)
31
Diferencias divididas del polinomio cúbico de Hermite
 1.2 3.179964 
 2.7399640(C) 
 
 D C 
 1.2 3.179964(A)  0.1118825(F) 
1.4  1.2
 
 
 BA 
 2.7623405(D) GF
 1.4  1.2  0.3071225 
 1.4  1.2 
 ED 
 1.4 3.7324321(B)  0.0504580(G) 
 1.4  1.2 
 2.7724321(E) 
 1.4 3.7324321 
 
El polinomio cúbico de Hermite viene dado por
y( x)  3.1799640  2.7399640( x -1.2)  0.1118825( x -1.2)2 - 0.3071225( x  1.2)2 ( x -1.4)
y(1.25)  3.1799640  2.7399640(1.25 -1.2)  0.1118825(1.25 -1.2)2 - 0.3071225(1.25  1.2)2 (1.25 -1.4)
 3.1799640 + 0.1369982 + 0.0002797 - 0.0001152 = 3.3173571
Resultado con un error menor que el doble del error medio en los puntos
1.2 y 1.4, o bien un 4% del error que se comete interpolando linealmente.
32

Taylor Orden Dos

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Taylor Orden Dos

Uploaded by

Copyright:

Available Formats

TEMA 1.

Resolución numérica de ecuaciones diferenciales 1

1.1. Conceptos generales.

1.2. Métodos de Taylor

1.3. Métodos de Runge-Kutta.

1.4. Métodos Predictor-Corrector. Métodos Multipaso

Resolución numérica de ecuaciones diferenciales 2

1.1. Conceptos generales.

Objetivo de este tema:

• La resolución numérica de ecuaciones diferenciales ordinarias (EDO).

Mediante el uso de Métodos Numéricos de Cálculo:

Determinar, de forma aproximada, una solución de una EDO de primer

orden, conociendo el valor de la solución (curva) en un punto.

1.1. Conceptos generales.

• Las ecuaciones diferenciales se usan de forma habitual

• En dichos problemas se buscan los valores de ciertas

• Cuando esta relación de cambios se traduce a un modelo

Resolución numérica de ecuaciones diferenciales 4

1.1. Conceptos generales.

Ejemplo: La temperatura y(t) de un objeto que se enfría.

Podríamos conjeturar que la velocidad del cambio de la temperatura de

1.1. Conceptos generales.

Ejemplo: La temperatura y(t) de un objeto que se enfría.

Podríamos conjeturar que la velocidad del cambio de la temperatura de

Los experimentos lo confirman y la ley del enfriamiento de Newton

Si conocemos la temperatura del cuerpo, en el instante t = 0, que se

Resolución numérica de ecuaciones diferenciales 6

1.1. Conceptos generales.

Ejemplo: La temperatura y(t) de un objeto que se enfría.

Si denotamos por y(t) la temperatura del cuerpo en el instante t, y A la

donde k es una constante positiva, y el signo negativo indica que la

1.1. Conceptos generales.

Ejemplo: La temperatura y(t) de un objeto que se enfría.

Si denotamos por y(t) la temperatura del cuerpo en el instante t, y A la

donde k es una constante positiva, y el signo negativo indica que la

La solución se calcula a través de la técnica de separación de variables,

Fijados A y k, cada elección de y 0 nos da una solución distinta.

Resolución numérica de ecuaciones diferenciales 8

1.1. Conceptos generales.

Fijados A y k, cada elección de y 0 nos da una solución distinta.

Con Maple > plot([2+(6-2)*exp(-x),2+(-2-2)*exp(-x)],x=0..8,color=[red,blue]);

1.1. Conceptos generales.

En estos problemas se requiere calcular la solución de una ecuación diferencial que

buscamos la solución y(x) en el intervalo a  x  b de manera que en x  a,

Resolución numérica de ecuaciones diferenciales 10

1.1. Conceptos generales.

En estos problemas se requiere calcular la solución de una ecuación diferencial que

buscamos la solución y(x) en el intervalo a  x  b de manera que en x  a,

1.1. Conceptos generales.

son ambas continuas para 0  x  2 y para todo y,

• Ej. 2: f ( x, y )  1  xsen( xy ), f y ( x, y )  x 2 cos( xy),

Resolución numérica de ecuaciones diferenciales 12

1.1. Conceptos generales.

• No obstante, lo que requieren la mayoría de los casos en que los

no es una prueba de que la solución existe,

Podemos usar Maple para resolver analíticamente estos dos ejemplos de

1.1. Conceptos generales.

Resolución numérica de ecuaciones diferenciales 14

1.1. Conceptos generales.

No siempre es posible obtener una solución teórica exacta -analítica- del

1.1. Conceptos generales.

Por ello surge la necesidad de encontrar, mediante un algoritmo eficiente, una

La eficiencia de un algoritmo se refiere a la cantidad de recursos que requiere

Resolución numérica de ecuaciones diferenciales 16

Con Maple > plot([2+(6-2)exp(-x),2+(-2-2)exp(-x)],x=0..8,color=[red,blue]);