Introduccin

Como es de esperarse cada vez que se avanza ms en los estudios ms es la

utilizacin de las matemticas para encontrar cifras o para tomar decisiones las
cuales representaran riesgos, prdidas o ganancias.

Y por tal motivo son ms complejas, lo que los mtodos numricos tratan de hacer
es de llegar al mismo resultado, usando operaciones algebraicas establecidas con
el fin de ahorra tiempos y con un error mnimo, para aprovechar al mximo las
capacidades productivas o de desarrollo.

Adems son una herramienta prctica para los estudiantes de Ingeniera que
resultan para hacer ms fcil la comprensin de los temas y la aplicacin de los
mismos.















Importancia
Son tcnicas mediantes las cuales son posibles formular y resolver problemas
numricos matemticos de tal manera que puedan resolverse usando operaciones
simples y aritmticas.
Los mtodos numricos nos vuelven aptos para entender esquemas numricos a
fin de resolver problemas numricos bsicos escribiendo programas y posterior
mente resolverlos en un Pc. De manera correcta y eficiente.
Tambin involucra la comprensin de los principios cientficos bsicos.

Los mtodos numricos se usan para resolver:

Calculo de derivadas
Integrales
Ecuaciones diferenciales
Operaciones con matrices
Interpolaciones
Ajustes de curva
Polmeros


Qu es un mtodo numrico?

Un mtodo numrico es un procedimiento mediante el cual se obtiene, casi
siempre de manera aproximada, la solucin de ciertos problemas realizando
clculos puramente aritmticos y lgicos (operaciones aritmticas elementales,
clculo de funciones, consulta de una tabla de valores, clculo preposicional, etc.).
Un tal procedimiento consiste de una lista finita de instrucciones precisas que
especifican una secuencia de operaciones algebraicas y lgicas (algoritmo), que
producen o bien una aproximacin de la solucin del problema (solucin numrica)
o bien un mensaje. La eficiencia en el clculo de dicha aproximacin depende, en
parte, de la facilidad de implementacin del algoritmo y de las caractersticas
especiales y limitaciones de los instrumentos de clculo (los computadores). En
general, al emplear estos instrumentos de clculo se introducen errores llamados
de redondeo.




Entonces


La precisin
La precisin se refiere a qu tan cercano est un valor individual medido o
calculado respecto a los otros. Por ejemplo, los nmeros 2.1 y 2.10 de un
clculo realizado implican un distinto nivel de precisin. La primera cifra sugiere
que el clculo se realiz con una precisin de slo dcimas de unidad; la segunda
cifra (2.10) se obtuvo con una mayor precisin porque se introdujo hasta
centsimas. Por tanto, el empleo de ceros en un nmero tendr que ser manejado
con cuidado y las implicaciones deben ser comprensibles.

Exactitud
Existen dos tipos de nmeros, los exactos y los aproximados. Los nmeros
exactos son precisos al nmero exacto de cifras presentados, de la misma forma
que sabemos que existen 12 manzanas en una docena y no 12.1.
Sin embargo, en los mtodos numricos obtienen resultados aproximados. Por lo
tanto, se debe desarrollar criterios para especificar qu tan precisos son los
resultados obtenidos.

Errores de clculo
Notacin cientfica (punto flotante) o Ejemplo:

2 * 102 = 200
5769 = 5.769 * 103
176936 = 1.77 * 105
0.00536 = 5.36 * 10-3
0.0000798 = 7.98 * 10-5

Tipos de errores
Error absoluto y error relativo
Sean las variables
a = valor aproximado
a* = valor real
el valor absoluto = E

E = | a*- a |



El valor relativo = Er

Er = E/ a*

El cual es llamado error porcentual


Ejemplo:
Calcular el error absoluto y relativo de a* y

o a =0.50 * 10-2
o a*=0.51 * 102

Solucin:
E = | a*- a |
0.51*102 - 0.50 * 102 = 0.01 * 102 = 1.00
Er = E/ a*
* 102 )/0.50 *102 = 0.02 * 100 = 2%





Mtodos de Intervalos cerrados
Los siguientes mtodos requieren que las funciones sean diferenciales y
continuos, siendo un intervalo donde se apliquen, por lo cual reciben el nombre de
mtodo de intervalos.
Incluso se pueden obtener las soluciones o races de una ecuacin algebraica o
trascendente de la forma F(x)=0, hay un mtodo simple para obtener la raz de 0
el cual consiste en graficar o conocido como Mtodo Grafico.
Algunos son:
Mtodo de Biseccin
Mtodo Grafico
Falsa Posicin

Mtodo de Biseccin
Consiste en considerar un intervalo (xi, xs) en el que se garantice que la funcin
tiene raz











El segmento se biseca, tomando el punto de biseccin xr como aproximacin de la
raz buscada









Se identifica luego en el cual de los dos intervalos esta la raz









El proceso se repite varias veces, hasta que el punto de biseccin xr coincida con
el valor exacto










Hay una manera o pasos para desarrollar el mtodo.
1.- Elija valores iniciales inferior x1, y superior de x2, que encierren a la raz, de
forma que la funcin cambie el signo en el intervalo. Esto se verifica comprobando
que f(x1) f(x2)< 0
2.- Una aproximacin de la raz, se determina mediante:
Xr= x1 + x2 / 2
3.- Realice las siguientes evaluaciones para determinar en que subintervalo sta
la raz:
Si f(x1) f(Xr)<0, entonces la raz se encuentra dentro del subintervalo inferior o
izquierdo. Por tanto, haga X2 = Xr y vuelva al paso 2.
Si f(x1) f(Xr)>0, entonces la raz se encuentra dentro del subintervalo superior o
derecho. Por tanto, haga X1 = Xr y vuelva al paso 2.
4.- Si f(x1) f(Xr) =0, entonces la raz se igual a Xr; y termina el clculo.



Mtodo Grafico
Un mtodo simple para obtener una aproximacin a la raz de la ecuacin f(x)=0
consiste en graficar la funcin y observar en donde cruza el eje X este punto ser
representado como f(x)=0 proporciona una aproximacin inicial a la raz.

La tcnica tiene un valor prctico limitado, ya que no son precisos, pero son
preferidos para obtener aproximaciones de la raz o valores iniciales para los
mtodos numricos.













Las estrellas rojas representan cada raz que tiene la ecuacin, es decir, cada vez
que la funcin corta el eje de las abscisas

Falsa Posicin

Consiste en considerar un intervalo (xi, xs) en el que se garantice que la funcin
tiene raz










Se traza una recta que une los puntos (xi, f(xi)), (xs. f(xs))








Se obtiene el punto de interseccin de esta recta con el eje de las abscisas (xr, 0);
se toma xr como aproximacin de la raz buscada













Se identifica luego en el cual de los dos intervalos esta la raz











El proceso se repite n veces, hasta que el punto de interseccin xr coincide
prcticamente con el valor exacto de la raz.


















Mtodo abierto

Los mtodos abiertos utilizan una frmula para predecir la raz. Esta frmula
puede desarrollarse como una iteracin simple de punto fijo (tambin llamada
iteracin de un punto o sustitucin sucesiva o mtodo de punto fijo).

Las races mltiples son determinados de ecuaciones polinmica que tienen la
forma general:

fx = a0 + a1x + a2*2 + ... + an * n

Donde n es el grado del polinomio y son los coeficientes. Las races de los
polinomios pueden ser reales y / o complejos, y cumplir con las tres reglas:

En una ecuacin de grado n, hay n races reales o complejas. Cabe sealar que
las races no son necesariamente diferentes.

Si n es impar hay al menos una raz real.
Si hay races complejas, estas se encuentran en pares conjugados.

Los mtodos abiertos que se analizarn son:

Mtodo de iteracin de punto fijo

El mtodo del punto fijo es un mtodo iterativo que permite resolver sistemas de
ecuaciones no necesariamente lineales. En particular se puede utilizar para
determinar races de una funcin de la forma f(x), siempre y cuando se cumplan
los criterios de convergencia.

El mtodo de iteracin de punto fijo, tambin denominado mtodo de aproximacin
sucesiva, requiere volver a escribir la ecuacin f(x)=0 en la forma x=g(x).
Llamemos x^* a la raz de f. Supongamos que existe y es conocida la funcin g tal
que:
f(x) = x - g(x) x del dominio.
Entonces:

Tenemos, pues, a x^* como punto fijo de g.

Decimos que es un punto fijo de la funcin
g(x) si se cumple g() = .



Ejemplo:
Escribe la ecuacin cos(x) x = 0 en forma de punto fijo.
La ecuacin cos(x) x = 0 est en forma normal. Existen infinitas expresiones de
punto fijo equivalentes, en primer lugar, podemos tomar
x = cos(x). (2)
Sumando x a ambos lados de la igualdad y despejando, resulta una nueva
formulacin de punto fijo



Sumando 2x a los dos miembros de (2), se obtiene



Multiplicado por x los dos miembros de (2) por x y despejando, resulta


Iteracin de punto fijo
Objetivo Aproximar la solucin de x = g(x).
Mtodo


Supongamos que g(x) es continua, si la sucesin (xj) definida
Por:



Converge a un valor , entonces es un punto fijo de g(x).
Demostracin se cumple


Como g(x) es continua, resulta



Aproxima la solucin de
cos(x) x = 0 con 5 decimales, mediante la iteracin de punto fijo para la forma



A partir del valor inicial x0 = 1.
Si escribimos la ecuacin en la forma:




Cuntas iteraciones son necesarias para obtener 5 decimales?
(a) En el primer caso, la frmula de recurrencia es





Resulta


(b) En el caso de la forma


la frmula de recurrencia es




y obtenemos











Vemos que en el segundo caso la convergencia es ms lenta.
Convergencia de la iteracin de punto fijo








La utilidad de la ecuacin g (x) es que proporciona una frmula para predecir un
nuevo valor de x en funcin del valor anterior de x. de esta manera, dado un valor
de inicio a la raz Xi, la ecuacin g (x) se puede usar para obtener una nueva
aproximacin Xi+1, expresada por la frmula iterativa.
Xi+1 = g (x)


Como con otras frmulas iterativas de este libro, el error aproximado de esta
ecuacin se puede calcular usando el estimador de error.






1.- Se sustituye datos
2.- Igualar a Cero la ecuacin para obtener f(x) = 0
3.- Graficar o tabular para obtener una 1ra aproximacin a la raz buscando, Xo
(valor cercano a la raz)
4.- Buscar o transformar f(x) = 0 para obtener las g (x).
5.- Para saber que g(x) se debe utilizar (sabiendo que la raz se quiere encontrar)
a) Se derivan las g(x)
Se evaluan las g(x) cn la 1a aproximacin Xo y la que cumpla |g'(x)|<1
6.- Ya que sabemos que g(x) nos lleva a la convergencia a la raz buscada,
procedemos a aplicar las sustituciones sucesivas.
7.- Utilice la siguiente tabla de registro








i Xi Xi+1 = g(x) Ea
Ea = |Xi+1 - Xi | 100 %
| Xi+1 |





Mtodo Newton-Raphson













Mtodo de Newton-Raphson
Entre los mtodos de aproximaciones sucesivas para encontrar algunas de las
races de una ecuacin algebraica o trascendente, el de Newton-Raphson es el
que presenta mejores caractersticas de eficiencia, debido a que casi siempre
converge a la solucin y lo hace en un nmero reducido de iteraciones.
Este mtodo es aplicable tanto en ecuaciones algebraicas como trascendentes y
con l es posible obtener races complejas.

Si el valor inicial para la raz es xi, entonces se puede trazar una tangente desde el
punto [xi, f(xi)] de la curva. Por lo comn, el punto donde esta tangente cruza el eje
x representa una aproximacin mejorada de la raz.

Parte de una primera aproximacin y mediante la aplicacin de una frmula de
recurrencia se acercara a la raz buscada, de tal manera que la nueva
aproximacin se localiza en la interseccin de la tangente a la curva de la funcin
en el punto y el eje de las abscisas.

De la figura se tiene que la primera derivada en x es equivalente a la pendiente:



que se reordena para obtener:






Para Emplear Este Mtodo

1.- Se sustituye datos
2.- Igualar a Cero la ecuacin para obtener f(x) = 0
3.- Graficar o tabular para obtener una 1ra aproximacin a la raz buscando, Xo
(valor cercano a la raz)
4.- Se deriva la funcin f(x) para obtener f '(x)
5.- Se aplica la ecuacin de recurrencia que utiliza el mtodo







6.- Utilice la siguiente tabla de registro
i xi f (xi) f ' (xi) xi + 1 Ea

















Sistemas de ecuaciones lineales algebraicas

En matemticas y lgebra lineal, un sistema de ecuaciones lineales, tambin
conocido como sistema lineal de ecuaciones o simplemente sistema lineal, es un
conjunto de ecuaciones lineales (es decir, un sistema de ecuaciones en donde
cada ecuacin es de primer grado), definidas sobre un cuerpo o un anillo
conmutativo. Un ejemplo de sistema seria:






El problema consiste en encontrar los valores desconocidos de las variables x1, x2
y x3 que satisfacen las tres ecuaciones


Eliminacion de incognitas

La eliminacin de incgnitas mediante la combinacin de ecuaciones es un
mtodo algebraico que se ilustra a continuacin con el sistema de ecuaciones
simultneas

a
11
x
1
+a
12
x
2
=b
1
a
21
x
1
+a
22
x
2
=b
2


la estrategia bsica consiste en multiplicar las ecuaciones por constantes de tal
manera que se elimine una de las incgnitas, cuando se combinen las dos
ecuaciones, como resultado una sola ecuacin en la que se despeja la ltima
incgnita.
Es decir la primera ecuacin se multiplica por a
21
y la otra ecuacin por a
11
para
dar:

a
11
a
21
x
1
+a
12
a
21
x
2
=b
1
a
21

a
21
a
11
x
1
+a
22
a
11
x
2
=b
2
a
11

Restando la primera ecuacin de la segunda se elimina el trmino x
1
de las
ecuaciones para obtener:

a
22
a
11
x
2
- a
12
a
21
x
2
=b
2
a
11
-b
1
a
21


de donde se puede despejar:

Esta ecuacin se puede sustituir en la primera ecuacin de la cual se despeja




Lo cual se relaciona con la regla de Cramer.
X
2
= a
11
b
2
-a
21
b
1
a
11
a
22
-a
12
a
21
X
1
= a
22
b
1
-a
12
b
2
a
11
a
22
-a
12
a
21











Eliminacin gauss-Simple
Este mtodo se aplica para resolver sistemas lineales de la forma: A*X = B.
Consiste en escalonar la matriz aumentada del sistema aumentado,
(A: B)

Para obtener un sistema equivalente:





Donde la notacin se usa simplemente para denotar que el elemento
cambi. Se despejan las incgnitas comenzando con la ltima ecuacin y hacia
arriba. Por esta razn, muchas veces se dice que el mtodo de
eliminacin Gaussiana consiste en la eliminacin hacia adelante y sustitucin
hacia atrs.


Este algoritmo consiste en dos procesos:
a) Eliminacin hacia adelante: Esta fase reduce el conjunto de ecuaciones a un
sistema triangular
Superior:
Paso 1: Consiste en dividir la primera ecuacin por el coeficiente de la primera
incgnita aii (Coeficiente pivote). A este procedimiento se le conoce como
normalizacin.
Pas 2: Despus se multiplica la ecuacin normalizada por el primer coeficiente
de la segunda ecuacin.
Pas 3: Ntese que el primer termina de la primera ecuacin es idntico al primer
trmino de la segunda. Por lo tanto, se puede eliminar, la primera incgnita de la
segunda ecuacin restando la primera a la segunda.
Pas 4: Repetir el paso 2 y 3 hasta eliminar la primera incgnita de todas las
ecuaciones restantes.
Estos 4 pasos se repiten tomando como pivotes las ecuaciones restantes hasta
convertir el sistema en una matriz triangular superior

Sustitucin hacia atrs:

Ya obtenido el sistema equivalente que es un sistema triangular superior este es
ms manejable y se puede resolver despejando primero la Xn y este valor
utilizarlo para obtener despejando la segunda incgnita hasta obtener el resultado
completo del sistema.





Ejemplo
Se comienza dividiendo la primera ecuacin entre 2, obteniendo:

x1+2x2+3x3= 9

4x1+5x2+6x3= 24

3x1+x2+2x3= 4

Se simplificar el sistema si multiplicamos por -4 ambos lados de la primera
ecuacin y sumando est a la segunda. Entonces:

-4x1-8x2-12x3=-36

4x1+5x2+6x3=24

Sumndolas resulta

-3x2-6x3=-12

La nueva ecuacin se puede sustituir por cualquiera de las dos. Ahora tenemos:

x1+2x2+3x3= 9

0x1-3x2-6x3= -12

3x1+x2-2x3= 4

Luego, la primera se multiplica por -3 y se le suma a la tercera, obteniendo:
x1+2x2+3x3= 9

0x1-3x2-6x3= -12

0x1-5x2-11x3=-23

Acto seguido, la segunda ecuacin se divide entre -3.

Ahora se multiplica por 5 y se le suma a la tercera:

x1+2x2+3x3= 9

0x1+x2+2x3= 4

0x1+0x2+x3= 3

En este momento ya tenemos el valor de x3, ahora simplemente se procede a
hacer la sustitucin hacia atrs, y automticamente se van obteniendo los valores
de las otras incgnitas. Se obtendr:

x3= 3

x2= 4-2(x3) = -2

x1= 9-3(x3)-2(x2) = 4


Desventajas:
1. Divisin entre cero. Una de sus desventajas es que durante el proceso en las
fases de eliminacin y sustitucin es posible que ocurra una divisin entre cero. Se
ha desarrollado una estrategia del pivoteo para evitar parcialmente estos
problemas.

2. Errores de redondeo. La computadora maneja las fracciones en forma decimal
con cierto nmero limitado de cifras decimales, y al manejar fracciones que se
transforman a decimales que nunca terminan, se introduce un error en la solucin
de la computadora. Este se llama error por redondeo.

3. Sistemas mal condicionados. La obtencin de la solucin depende de la
condicin del sistema. En sentido matemtico, los sistemas bien condicionados
son aquellos en los que un cambio en uno o ms coeficientes provoca un cambio
similar en la solucin. Los sistemas mal condicionados son aquellos en los que
cambios pequeos en los coeficientes provocan cambios grandes en la solucin.
Una interpretacin diferente del mal condicionamiento es que un rango amplio de
respuestas puede satisfacer aproximadamente al sistema. Ya que los errores de
redondeo pueden inducir cambios pequeos en los coeficientes, estos cambios
pueden generar errores grandes en la solucin de sistemas mal condicionado
Regla de Cramer

Un sistema de ecuaciones lineales recibe el nombre de sistema de Cramer cuando
se cumplen las dos condiciones siguientes:
El nmero de ecuaciones es igual al nmero de incgnitas.
El determinante de la matriz de los coeficientes (matriz del sistema) es distinto de
cero ( det ( A ) # 0 )
Un sistema de Cramer es, por definicin, compatible determinado, puesto que se
cumple que rango (A) = rango (A*) = n (n de incgnitas).
Consideremos un sistema de Cramer, es decir, un sistema de n ecuaciones
lineales con n incgnitas, cuya expresin general es la siguiente:









Los pasos a seguir para calcular los sistemas de ecuaciones segn la regla de
Cramer son los siguientes:

1. Hallar la matriz ampliada (A

b) asociada al sistema de ecuaciones, esto
es: que la primera columna est formada por las entradas de los coeficientes
de la primera incgnita de las ecuaciones; que la segunda columna la formen
las de la segunda incgnita, y as hasta llegar a la ltima columna, que estar
constituida por las entradas de los trminos independientes de las ecuaciones.
2. Calcular el determinante de A.
3. Aplicar la regla de Cramer, que consiste en:
a) ir sustituyendo la primera columna del det (A) por los trminos
independientes;
b) dividir el resultado de este determinante entre el det (A) para hallar el valor
de la primera incgnita;
c) continuar sustituyendo los trminos independientes en las distintas
columnas para hallar el resto de las incgnitas.
Ejemplo:
Sea el sistema de ecuaciones lineales formado por dos ecuaciones con dos
incgnitas:



Encontrar el valor de x e y mediante la regla de Cramer.

Empezaremos con el primer paso, que consiste en hallar la matriz ampliada A

b asociada al sistema de ecuaciones lineales:





El segundo paso es calcular el determinante de A. As pues:




Y el tercero y ltimo paso consiste en calcular las incgnitas:






Sistemas de ecuaciones no lineales
Gauss Jordn
Es una variacin de la eliminacin de Gauss. La diferencia ms notoria es en que
cuando una incgnita se elimina en el mtodo de Gauss-Jordn, esta es
eliminacin de todas las otras ecuaciones, no solo de las subsecuentes. Adems
todos los renglones se normalizan al dividirse entre su elemento pivote.
Generando una matriz identidad en vez de una triangular, por lo que no es
necesario usar una la sustitucin hacia atrs. El mtodo de Gauss transforma la
matriz de coeficientes en una matriz triangular superior. El mtodo de Gauss-
Jordn contina el proceso de transformacin hasta obtener una matriz diagonal
unitaria (a
ij
=0 para cualquier ).
Veamos el mtodo de Gauss-Jordn siguiendo con el ejemplo empleado en el
apartado anterior. Aplicando el mtodo de Gauss habamos llegado a la siguiente
ecuacin:



Ahora seguiremos un procedimiento similar al empleado en el mtodo de Gauss.
Tomaremos como pivote el elemento a
44
=-3; multiplicamos la cuarta ecuacin por
y la restamos a la primera:



Realizamos la misma operacin con la segunda y tercera fila, obteniendo:



Ahora tomamos como pivote el elemento a
33
=2, multiplicamos la tercera ecuacin
por y la restamos a la primera:



Repetimos la operacin con la segunda fila:



Finalmente, tomamos como pivote a
22
=-4, multiplicamos la segunda ecuacin por
y la sumamos a la primera:



El sistema de ecuaciones anterior es, como hemos visto, fcil de resolver.
Empleando la ecuacin (46) obtenemos las soluciones:




Regresin por mnimos cuadrados

Es una tcnica de anlisis numrico encuadrada dentro de la optimizacin
matemtica, en la que, dados un conjunto de pares, se intenta encontrar la funcin
que mejor se aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio
de mnimo error cuadrtico.

El mtodo de mnimos cuadrados para el clculo de la ecuacin de una recta a
travs de los datos de inters da la lnea de mejor ajuste, para llegar a la ecuacin
de tendencia por mnimos cuadrados se resuelven dos ecuaciones
simultneamente.

El procedimiento ms objetivo para ajustar una recta a un conjunto de datos
presentados en un diagrama de dispersin se conoce como "el mtodo de los
mnimos cuadrados". La recta resultante presenta dos caractersticas importantes:

1. Es nula la suma de las desviaciones verticales de los puntos a partir de la recta
de ajuste

(Y - Y) = 0.

2. Es mnima la suma de los cuadrados de dichas desviaciones. Ninguna otra
recta dara una suma menor de las desviaciones elevadas al cuadrado (Y - Y)
0 (mnima).

El procedimiento consiste entonces en minimizar los residuos al cuadrado Ci


Re emplazando nos queda


La obtencin de los valores de a y b que minimizan esta funcin es un problema
que se puede resolver recurriendo a la derivacin parcial de la funcin en trminos
de a y b: llamemos G a la funcin que se va a minimizar:

Tomemos las derivadas parciales de G respecto de a y b que son las incgnitas y
las igualamos a cero; de esta forma se obtienen dos ecuaciones llamadas
ecuaciones normales del modelo que pueden ser resueltas por cualquier mtodo
ya sea igualacin o matrices para obtener los valores de a y b.

Derivamos parcialmente la ecuacin respecto de a





Primera ecuacin normal
Derivamos parcialmente la ecuacin respecto de b






Segunda ecuacin normal
Los valores de a y b se obtienen resolviendo el sistema de ecuaciones resultante.


Regresin Lineal
Hemos enfatizado sobre la importancia de las representaciones grficas y hemos
visto la utilidad de las versiones linealizadas de los grficos (X, Y) junto a las
distintas maneras de llevar a cabo la linealizacin. A menudo nos confrontamos
con situaciones en las que existe o suponemos que existe una relacin lineal entre
las variables X e Y.
Surge de modo natural la pregunta: cul es la relacin analtica que mejor se
ajusta a nuestros datos? El mtodo de cuadrados mnimos es un procedimiento
general que nos permite responder esta pregunta. Cuando la relacin entre las
variables X e Y es lineal, el mtodo de ajuste por cuadrados mnimos se denomina
tambin mtodo de regresin lineal.
El ejemplo ms simple de una aproximacin por mnimos cuadrados es el ajuste
de una lnea recta a un conjunto de parejas de datos observadas: (x1, y1), (x2,
y2),...., (xn, yn). La expresin matemtica de una lnea recta es:

Y = a
0
+ a
1
x +e
Donde a
0
y a
1
son coeficientes que representan la interseccin con el eje y y la
pendiente, respectivamente, e es el error o diferencia, entre el modelo y las
observaciones, el cual se representa as:

e=y- a
0
- a
1
x

Convirtiendo el error en la discrepancia entre el valor verdadero de y y el valor
aproximado (a
0
+ a
1
x)

Para determinar los valores de a1 y a0 de un nmero determinado de puntos se
tienen las siguientes formulas





Se grafica la lnea recta la cual da como resultado una lnea que pasa entre los
puntos muestreados.













Se usa la sig. Tabla para ordenar los datos:

x
i
y
i
(y
i
-y)
2
(y
i
-a
0
-a
1
x
1
)
2
Regresin Polinomial
Algunos datos de ingeniera, aunque muestren un marcado patrn se representan
pobremente mediante una lnea recta. En estos casos, se ajusta mejor una curva a
los datos. Una alternativa es ajustar polinomios a los datos usado regresin
Polinomial.

El procedimiento de mnimos cuadrados se puede extender fcilmente y ajustar
datos aun polinomio de m-esimo grado:





En este caso la suma de los cuadrados de los residuos es
(10.17)

Se toma la derivada de la ecuacin (10.17) con respecto a cada uno de los
coeficientes del polinomio, para obtener:



. .


Estas ecuaciones se pueden igualar a cero y reordenar de tal forma que se
obtenga el siguiente conjunto de ecuaciones normales:



. .
. .
. .

(10.18)

En donde todas las sumatorias van desde i=i hasta n. Ntese que las m+1
ecuaciones anteriores son lineales y tienen m+1 incgnitas: Los
coeficientes de las incgnitas se pueden calcular directamente de los datos
observados. Por lo tanto, el problema de determinar polinomios de grado m con
mnimos cuadrados es equivalente a resolver un sistema de m+1 ecuaciones
lineales simultneas.

Regresin lineal mltiple

La regresin puede ser Lineal y Curvilnea o no lineal, ambos tipos de regresin
pueden ser a su vez:

Esta regresin se utiliza con mayor frecuencia en las ciencias econmicas, y sus
disciplinas tecnolgicas. Cualquier funcin no lineal, es linealizada para su estudio
y efectos prcticos en las ciencias econmicas, modelos no lineales y lineales
multiecuacionales.

Objetivo: Se utiliza la regresin lineal simple para:

1.- Determinar la relacin de dependencia que tiene una variable respecto a otra.

2.- Ajustar la distribucin de frecuencias de una lnea, es decir, determinar la forma
de la lnea de regresin.

3.- Predecir un dato desconocido de una variable partiendo de los datos conocidos
de otra variable.

Por ejemplo: Podra ser una regresin de tipo lineal:

En una empresa de servicio de Internet busca relacionar las ganancias que
obtiene cada computadora con el nmero de usuarios que ingresan a dicha cabina
diariamente. En la tabla representa Y (Ganancias S/.) e X (Nmero de usuarios)

regresin Simple: Este tipo se presenta cuando una variable independiente
ejerce influencia sobre otra variable dependiente. Ejemplo: Y = f(x)
regresin Mltiple: Este tipo se presenta cuando dos o ms variables
independientes influyen sobre una variable dependiente. Ejemplo: Y = f(x,
w, z).

Por ejemplo: Podra ser una regresin de tipo mltiple:

Una Empresa de desarrollo de software establece relacionar sus Ventas en
funcin del nmero de pedidos de los tipos de software que desarrolla (Sistemas,
Educativos y Automatizaciones Empresariales), para atender 10 proyectos en el
presente ao.

En la Tabla representa Y (Ventas miles de S/.) e X (N pedidos de sistemas), W
(N de pedidos de Aplicaciones Educativas) y Z (N de pedidos de
Automatizaciones empresariales).
Objetivo: Se presentara primero el anlisis de regresin mltiple al desarrollar y
explicar el uso de la ecuacin de regresin mltiple, as como el error estndar
mltiple de estimacin. Despus se medir la fuerza de la relacin entre las
variables independientes, utilizando los coeficientes mltiples de determinacin.

Anlisis de Regresin Mltiple

Dispone de una ecuacin con dos variables independientes adicionales:

Se puede ampliar para cualquier nmero "m" de variables independientes:
Para poder resolver y obtener a, b1 y b2 en una ecuacin de regresin mltiple el
clculo se presenta muy tediosa porque se tiene atender 3 ecuaciones que se
generan por el mtodo de mnimo de cuadrados:













Interpolacin
Esto se usa cuando tiene que estimar valores intermedios entre puntos asociados
con datos. El mtodo ms usado es la interpolacin Polinomial.
La frmula general de un polinomio de n-esimo grado es:

F(x)=a
0
+a
1
x+a
2
x
2
++a
n
x
n
.
Dados n+1 puntos asociados con datos, hay un solo polinomio de grado n que
pasa a travs de todos los puntos (una solo lnea recta o polinomio de 1er grado).
En una parbola ocurre algo parecido, solo que esta requiere de 3 puntos, por lo
que este polinomio de n-esimo grado que se ajusta a n+1 puntos, este polinomio
proporciona una manera de de calcular valores intermedios.



Interpolacin lineal
Interpolar significa encontrar un valor intermedio entre dos o ms puntos base
conocidos, los cuales se pueden aproximar mediante polinomios.








Sea en el sistema de coordenadas de la grfica anterior, las ecuaciones F(x) y
G(x) en cuyo espacio a, b se pueden interpolar determinados valores.

Tipos de interpolacin
1. interpolacin con espacios equidistantes
2. interpolacin con espacios no equidistantes

En si este mtodo trata de unir dos puntos asociados con datos con una lnea
recta. La cual se llama interpolacin lineal, utiliza tringulos semejantes:







Reordenado:








Interpolation Cuadratica.


Cuando el polinomio que conviene es de 2 grado la interpolacin recibe el
nombre de cuadrtica. El polinomio interpolador es nico, luego como se
encuentre da igual., sin embargo, a veces los clculos son muy laboriosos y es
preferible utilizar un mtodo que otro.


ejemplo 1 se da el mtodo de resolver el sistema para encontrar los valores que
determinan a la funcin cuadrtica (a, b y c)

F
1
(x)-f(x
0
)=f(x
1
)-f(x
0
)
x-x
0
x
1
-x
0

F
1
(x)= f(x
0
)+f(x
1
)- f(x
0
) (x-x
0
)
X
1
-x
0

Tambin podemos utilizar la expresin del polinomio interpolador as:

y= a + b(x-x0) + c(x-x0)(x-x1), con lo que la bsqueda de los coeficientes es muy
sencilla.

Lagrange (1736-1813) dio una manera simplificada de calcular los polinomios
interpoladores de grado n Para el caso de un polinomio de 2 grado que pasa por
los puntos (x0, y0 ), (x1, y1), (x2, y2):






Recuerdese que la frmula general de un polinomio de n-simo orden es:



Para n + 1 puntos, existe uno y slo un polinomio de n-simo orden o menor que
pasa a travs de todos los puntos. Por ejemplo, hay slo una lnea recta (es decir
un polinomio de primer orden) que conecta dos puntos.

Aunque existe uno y slo un polinomio de n-simo orden que se ajusta a los n + 1
puntos, existen una gran variedad de frmulas matemticas mediante las cuales
se puede expresar este polinomio


Interpolacin de newton

Diferencias progresivas: Son llamadas diferencias hacia delante y

Se definen como:
o primeras diferencias : Yi = Yi+1 - Yi i=0,1,2,3...n
(1)
o segundas diferencias : 2Yi = Yi+1 - Yi i=0,1,2,3...n
(2)
o terceras diferencias : 3Yi = 2Yi+1 - 2Yi i=0,1,2,3...n
(3)
o k- cimas diferencias kYi = kk-1Yi+1 - k-1Yi
i=0,1,2,3...n (4)
k=0,1,2,3...n

Donde:
es el operador de diferencias progresivas
Para i=0 en la ecuacin (1)

Y0 = Y1 Y0 Y1 = Y0 + Y0
(5)

Para i=1 en la ecuacin (1)

Y1 = Y2 Y1 Y2 = Y1 + Y1
(6)

Para i=0 en la ecuacin (2)

2Y0 = Y1 Y0 Y1 = 2Y0 + Y0 (7)

Sustituyendo las ecuaciones (7) y (5) en (6)

Y2 = Y1 + Y1

Y2 = (Y0 + Y0) + ( 2Y0 + Y0)
Y2 = Y0 + 2Y0 + 2Y0 (8)

De las ecuaciones (5) y (8)
10

Y1 = Y0 + Y0 sacando factor comn Y0
Tenemos: Y1 = (1 + )1Y0
Y2 = Y0 + 2Y0 + 2Y0 sacando factor comn Y0
Tenemos: Y2 = (1 + )2Y0


Entonces para Y3

Y3= (1 + )3Y0 (9)

Generalizando, tendremos:

Yk=(1 + )kY0 (10)



El Segundo miembro de la ecuacin (10) corresponde al Binomio de Newton
Elevado al exponente k, el cual puede desarrollarse del siguiente modo:































Yk = b 0 + b1x + b2x2 + ..... .+ bjxj

En la ecuacin (12)

Si hacemos J=1, entonces tendremos el polinomio de primer grado que se
aproxima a f(x)




Siendo:

Tendremos:
Que corresponde a un polinomio de primer grado





























Interpolacin de Lagranje
Interpolar significa estimar el valor desconocido de una funcin en un punto, tomando una
media ponderada de sus valores conocidos en puntos cercanos al dado.
En la interpolacin lineal se utiliza un segmento rectilneo que pasa por dos puntos
que se conocen. La pendiente de la recta que pasa por dos puntos (x0, y0) y (x1,
y1) es

m = (y1 y0)/(x1 x0)
as que en la ecuacin de la recta y = m(x x0) + y0 podemos sustituir m y
obtener
y = P(x) = y0 + (y1 y0)((x x0)/(x1 x0)). (1)
(1) es un polinomio de grado _ 1 y la evaluacin de P(x) en x0
y x1 produce:

P(x0) = y0 + (y1 y0) (0) = y0,P(x1) = y0 + (y1 y0) (1) = y1. (2

Lagrange descubri que se puede encontrar este polinomio usando un mtodo
distinto: Si escribimos.



Donde L1,0(x) =(( xx1)/(x0x1) y L1,1(x) = ((xx0)/(x1x0)) son los polinomios
coeficientes de Lagrange para los nodos x0 y x1. Ntese que cada uno de los
sumandos del miembro derecho de (3) es un trmino lineal, por lo tanto P1(x) es
un polinomio de grado < 1.

Como
L1,0(x0) = 1, L1,1(x0) = 0, L1,0(x1) = 0, L1,1(x1) = 1, entonces P1(x) definido en
(3) tambin pasa por los dos puntos dados:P1(x0) = y0 + y1(0) = y0,P1(x1) = y0(0)
+ y1 = y1
El polinomio interpolador de Lagrange cuadrtico para los puntos (x0, y0), (x1, y1)
y (x2, y2) es:

El polinomio interpolador de Lagrange de grado N=3 para los puntos (x0, y0), (x1,
y1), (x2, y2) y (x3, y3) es.


Integracion de Newton-Cotes

Son los tipos de integracin numrica ms comunes. Se basan en la estrategia de
reemplazar una funcin complicada o datos tabulados por un polinomio de
aproximacin que es fcil de integrar:

Donde f
n
(x) es un polinomio de la forma

Donde n es el grado del polinomio

Existen formas cerradas y abiertas de las frmulas de Newton - Cotes. En esta
seccin slo se analizarn las formas cerradas. En ellas, se conocen los datos al
inicio y al final de los lmites de integracin.








Regla del trapecio

La regla del trapecio es la primera de las frmulas cerradas de Newton - Cotes.
Corresponde al caso donde el polinomio de aproximacin es de primer grado:

Teniendo en cuenta que la ecuacin de la recta que pasa por los puntos (a;f(a)) y
(b;f(b)) es:

el rea bajo esta lnea recta en el intervalo [a;b] est dada por:


Esta integral constituye una aproximacin de la integral de f(x) en dicho intervalo.
El resultado de la integral anterior es:

que se denomina regla del trapecio.



Regla de Simpson

Adems de aplicar la regla del trapecio con una segmentacin ms fina, otra forma
de obtener una estimacin ms precisa de una integral consiste en usar
polinomios de grado superior para unir los puntos. Por ejemplo, si se toma el punto
medio del intervalo de integracin [a;b], los tres puntos se pueden unir con una
parbola. La frmula que resulta de tomar la integral bajo ese polinomio se conoce
como regla de Simpson. Es decir, la regla de Simpson se obtiene cuando el
polinomio de aproximacin es de segundo grado.


Si a=x
0
, b=x
2
, x
1
= el punto medio del intervalo [a;b] y f
2
(x) se representa por un
polinomio de Lagrange de segundo grado, la integral se transforma en:



Despus de integrar y trabajar algebraicamente se obtiene:



Donde h=(b-a)/2. Esta expresin se conoce como regla de Simpson y es la
segunda frmula de integracin cerrada de Newton - Cotes.

La regla 3/8 de Simpson
De manera similar a la obtencin de la regla del trapecio y Simpson, es posible ajustar un polinomio de
Lagrange de tercer grado a cuatro puntos e integrarlo:

para obtener:

Donde h=(b-a)/3. Esta expresin se llama regla 3/8 de Simpson debido a que h se
multiplica por 3/8. sta es la tercera frmula de integracin cerrada de Newton -
Cotes.


Se puede demostrar que la aplicacin de un solo segmento de la regla 3/8 de
Simpson tiene un error de truncamiento E:






Runge- Kutta
Los mtodos de Runge-Kutta son una serie de metodos numricos usados para
encontrar aproximaciones de las soluciones de ecuaciones diferenciales y
sistemas de ecuaciones diferenciales, lineales y no lineales.
Supongamos que f(t,y) y todas las derivadas parciales de orden menor o igual
an+1 son continuas en el dominio:
D= ((t,y) / a<t<b , c<y<d)
Sea (t0,yo) perteneciente a D. Para toda (t,y) perteneciente a D, existen entre t, y
t0 y entre y e y o con:

Donde :

Pn se llama el polinomio de Taylor de
grado n en dos variables para la
funcin f alrededor de (t0,y0) y Rn es
el trmino de residuo asociado con
Pn(t,y).Como ejemplo se muestra el
desarrollo del polinomio de Taylor de
grado 3 para la funcin:











Euler Mejorado
Recordemos que nuestra antigua ecuacin era


La idea del mtodo de Euler consista en reemplazar el integrando por f(x0,yo)
(aproximar la integral por medio de un rea de un rectngulo)

Ahora proponemos reemplazar el integrando por:

As tenemos:
El problema con la ecuacin propuesta consiste en que se desconoce, debido a
que desconocemos la solucin exacta. Lo que podemos hacer es reemplazar y(x
1
)
por su valor aproximado determinado por el mtodo de Euler

Representemos este nuevo valor por medio de


As la ecuacin se convierte:

En general nuestro esquema de recurrencia es

en el cual:

Este mtodo que recibe el nombre de mtodo mejorado de Euler o mtodo de
Heun, primero predice y luego corrige una aproximacin de y
i
.