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:
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)
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:
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 .