Professional Documents
Culture Documents
Ao 2011
ndice
INTRODUCCIN---------------------------------------------------------------------3
Energa de un Sistema Fsico y Gestin Energtica-------------------------------------3
Modelacin---------------------------------------------------------------------------------------6
Simulacin--------------------------------------------------------------------------------------13
Optimizacin-----------------------------------------------------------------------------------14
CAPTULO
5:
MODELACIN
SIMULACIN
USANDO
APLICACIONES INFORMTICAS--------------------------------------240
ProblemaDeCauchy-------------------------------------------------------------------------240
Sist2EcuacDifOrd---------------------------------------------------------------------------241
CurveExper-----------------------------------------------------------------------------------243
Derive------------------------------------------------------------------------------------------244
DYCSE----------------------------------------------------------------------------------------244
TransBandas----------------------------------------------------------------------------------247
SecSolar---------------------------------------------------------------------------------------249
Elica-------------------------------------------------------------------------------------------251
MatLab----------------------------------------------------------------------------------------252
Introduccin
Energa de un Sistema Fsico y Gestin Energtica
En primer lugar es necesario recordar el concepto de Energa. Desde la Fsica se conoce
que energa es una magnitud fsica conservativa que expresa la capacidad de un sistema
para producir trabajo.
Todos los sistemas fsicos poseen energa debido a su movimiento, a su composicin
qumica, a su posicin, a su temperatura, a su masa, etc. Entonces, todos los cuerpos de la
naturaleza son Fuentes de Energa que pudiera ser extrada, almacenada y usada por otros
sistemas fsicos.
En diversas disciplinas cientficas se dan definiciones de la energa, todas coherentes y
complementarias entre s, y siempre relacionadas con el trabajo; estas definiciones
reconocen la existencia de varios tipos de energa. Veamos las ms conocidas en el mundo
tecnolgico de hoy en da:
Energa Mecnica: Combinacin de los siguientes tipos:
1.
2.
Energa Calrica (cantidad de energa que una unidad de masa de cierta materia
puede desprender al producirse una reaccin qumica de oxidacin)
3.
En general se utilizan las mismas unidades para medir el trabajo y la energa. La unidad de
energa definida por el Sistema Internacional de Unidades es el Julio, que se define como el
trabajo realizado por una fuerza de un Newton en un desplazamiento de un Metro en la
direccin de la fuerza.
Existen muchas otras unidades de energa, algunas de ellas en desuso. Por ejemplo (tomada
de la pgina Energa de la Enciclopedia Wikipedia):
Nombre
Abreviatura
Equivalencia en
julios
Calora
Cal
4,1855
Frigora
Fg
4.185.5
Termia
Th
4.185.500
Kilovatio hora
kWh
3.600.000
Calora Grande
Cal
4.185,5
Tep
41.840.000.000
Tec
29.300.000.000
Tonelada de refrigeracin
TR
3,517/h
Electronvoltio
eV
1.602176462 10-19
BTU
1.055,055851
BTu
36000002
CVh
3.777154675 10-73
Ergio
erg
1 10-7
Foot pound
ft lb
1,35581795
Poundal foot
pdl ft
4.214011001 10-114
En idioma ingls (ver Diccionario Bilinge Ingls Espaol de la Enciclopedia Encarta 2009) el trmino
Management se traduce literalmente como Gestin, como Administracin y como Direccin. En este trabajo
se asume que:
Direccin: Proceso de gua y constante adaptacin de una organizacin, mediante un preciso esquema lgico
de accin, para la consecucin en el mximo grado y con la mxima eficiencia de los objetivos de dicha
organizacin.
Administracin: Es el conjunto de decisiones, procedimientos, sistemas, relaciones, controles, etc. por medio
de los cuales se desarrolla la actividad de direccin para conseguir los objetivos de la organizacin. Sus
funciones son: Planificar, Organizar, Regular y Controlar, por ellos se afirma que la Administracin es un
medio para ejercer la Direccin.
El concepto de Gestin es ms amplio porque incluye funciones de Ejecucin, ahora bien, para ejercer la
Administracin hay que realizar Gestin.
Pudiera distinguirse entre Modelo Empricos (se obtienen como consecuencia de informacin emprica) y
Modelos Conceptuales (se obtienen a partir de informacin terica). Esta taxonoma parece inadecuada
porque un modelo es una representacin que, en general, se obtiene de fuentes de datos empricas y tericas.
Est relacionado con otros constructos y forma parte de los esquemas tericos.
b.
c.
10
b.
c.
d.
e.
f.
Los Principios, al igual que las Leyes, se enuncian a partir de generalizaciones de regularidades observadas
en la informacin emprica y aunque Principios y Leyes tienen niveles semejantes de complejidad, los
Principios se consideran Leyes de mayor alcance e importancia para la teora.
4
En una Teora Cientfica estructurada deductivamente, un Axioma es un principio bsico que se asume
como verdadero sin demostracin dentro de la teora. En muchas ocasiones la veracidad de un Axioma se
argumenta por la informacin emprica, por intuicin e incluso por conveniencia prctica. Por ejemplo, al
desarrollar la Geometra Axiomtica, se puede tomar de tres maneras diferentes el Axioma de las Paralelas y
11
refleja la estructura esencial del objeto, sino que tambin, la Teora Cientfica es la forma
principal de existencia y movimiento del conocimiento cientfico, la forma ms madura de
estructuracin del pensamiento cientfico de cada poca.
Desde el punto de vista de la Lgica Formal toda Teora Cientfica debe contener los
siguientes elementos:
1. Fundamento emprico: Conjunto de hechos y datos obtenidos en observaciones y en
experimentos. Esta informacin emprica, requiere de argumentacin terica
2. Fundamento terico: Conjunto de conceptos, principios, leyes y axiomas que forman la
base terica sobre la que se asientan los elementos lgico-conceptuales de la teora
3. Lgica de la teora: Conjunto de reglas de demostracin e inferencia lgica de la teora
4. Efectos de la Teora: Conjunto de proposiciones, teoremas, escolios, corolarios, lemas
y conclusiones de la Teora.
Desde el punto de vista de la Lgica Dialctica es esencial reconocer las condiciones bajo
las cuales surge la teora, es decir: el problema cientfico, el estado del conocimiento sobre
el tema (por ejemplo, las tendencias en las disciplinas cientficas afines), el estado de
necesidad social, etc.
Finalmente debe mencionarse el Cuadro Cientfico como un sistema de Teoras Cientficas
integradas bajo el liderazgo de algunas de ellas que permite establecer un amplio rango de
conocimientos de la realidad objetiva. Por ejemplo la Teora General de la Relatividad
permiti integrar el conocimiento precedente del Espacio y el Tiempo a las nuevas ideas
que hoy explican las observaciones de los fenmenos del universo y generar un conjunto de
ideas cientficas generales (Cuadro) que no solo armonizan con estas teoras y este
conocimiento sensorial, sino que tambin es capaz de predecir nuevos fenmenos y generar
nuevos conocimientos tericos.
En una investigacin cientfica, la elaboracin de modelos tericos parte de una necesidad
(expresada en el Problema Cientfico de la Investigacin) y de una adecuada
fundamentacin. Esta creacin de modelos tiene como etapas iniciales las siguientes:
1. Estudio del marco terico
2. Estudio del marco contextual
3. Diagnstico del objeto de la investigacin
4. Determinacin de las tendencias.
Y contina con los siguientes pasos:
5. Estudio de la informacin emprica (suficiencia y representatividad)
para cada caso se obtiene una teora diferente: la Geometra Euclidiana, la Geometra Hiperblica y la
Geometra Elptica.
Los trminos Axioma y Postulado frecuentemente se utilizan como sinnimos pero el trmino Postulado debe
entenderse como una proposicin que no es evidente por s misma y que no tiene una aceptacin universal.
Por lo tanto, un Postulado y un Axioma se aceptan sin demostracin en la teora pero se diferencian en que el
Axioma se admite porque no necesita demostracin dentro de la teora (es evidente por s mismo) mientras
que el Postulado se acepta sin demostracin pero sin aceptacin universal.
12
13
G. Leibnitz enunci el Principio de Plenitud, que establece que: Todo lo que sea
posible que ocurra, ocurrir.
A. Einstein plante que: A duras penas se puede negar que el objetivo supremo de toda
teora es convertir a los elementos bsicos en simples y tan pocos como sea posible,
pero sin tener que rendirse a la adecuada representacin de un slo dato de la
experiencia. Simple, pero no ms simple.
14
El modelo matemtico correspondiente dado por Vito Volterra (1860-1940) establece que
esta situacin se puede expresar mediante el sistema de ecuaciones diferenciales:
dX
dt aX bXY
dY
cY dXY
dt
15
las condiciones bajo las cuales dos especies con estas caractersticas pueden sobrevivir en
mutua coexistencia.
Este mtodo se puede aplicar con cierto xito al estudio de objetos y fenmenos naturales,
tecnolgicos, sociales e incluso de la esfera del pensar.
Optimizacin
Los modelos matemticos pueden tener como alcance, disear bajo qu condiciones el
fenmeno tendr ciertos comportamientos o cules son las caractersticas que hacen que un
objeto se comporte de cierta manera. En esos casos, generalmente se busca bajo qu
condiciones el objeto tendr un comportamiento ptimo5 para nuestros fines.
Desde el punto de vista clsico todo problema de optimizacin matemtica consiste en la
bsqueda de los valores extremos (mximos y mnimos) absolutos o relativos de una
funcin objetivo F que depende de las variables independientes que interactan sujetas a
ciertas restricciones que generalmente se expresan por ecuaciones e inecuaciones. Tambin
es esencial determinar para cuales valores de las variables independientes la funcin
objetivo alcanza sus extremos.
Desde un punto de vista ms actual y en funcin de resolver problemas tecnolgicos (por
ejemplo, los diseos), la optimizacin matemtica de F sujeta a restricciones, consiste en
encontrar un conjunto de soluciones factibles (o sea, soluciones que cumplen con las
restricciones) y entre estas soluciones factibles se selecciona una (o ms de una) que
maximicen o minimicen la funcin objetivo o que, al menos, estn por encima de cierta
cota predefinida para la funcin objetivo. O sea, que cuando fijamos cierta cota de
racionalidad y encontramos soluciones racionales, tambin estamos optimizando.
Ejemplos de optimizacin pudieran ser (usted puede ir pensando cual es la funcin objetivo
y cules son las restricciones; tambin puede valorar si se trata de un problema de optimizar
el diseo del uso del objeto o del diseo del propio objeto):
Cul debe ser la carga (en toneladas mtricas) que se coloca encima de un camin si se
conoce su rendimiento en kilmetro por litro de combustible, para lograr que el transporte
de mineral en la mina M sea econmicamente ptimo?
Cul debe ser la capacidad de carga (en toneladas mtricas) de un camin y cul debe ser
su rendimiento en kilmetro por litro de combustible para que el transporte de mineral en la
mina M sea econmicamente ptimo?
Los problemas de optimizacin son diversos y su clasificacin es variada de acuerdo a
varios criterios. Por ejemplo:
1.
2.
ptimo es sinnimo de excelente, perfecto, inmejorable, superior, relevante, destacado, favorable, etc.
16
4.
5.
Estocstico es sinnimo de aleatorio, casual, debido al azar; en este caso es equivalente al trmino
compuesto Probabilstico-Estadstico.
17
Finalmente es conveniente saber que los mtodos matemticos que se utilizan para resolver
problemas de optimizacin son muy complejos y dependen en gran medida del tipo de
problema que se presente.
18
Moderna
Relatividad Especial
Relatividad General
Gravitacin
Cosmologa
Mecnica Cuntica
Fsica Atmica
Fsica Molecular
Fsica Nuclear
Fsica del Estado Slido
Fsica de las Partculas
Superconductividad
Superfluidos
Fsica del Plasma
Magneto Hidrodinmica
Fsica de los Planetas y del Espacio
Multidisciplina
Astrofsica
Biofsica
Qumica Fsica
Ingeniera Fsica
Fsica Mdica
Fsica Oceanogrfica
Fsica de la Msica
Acstica
Fsica Atmica
Criogenia
Electromagnetismo
Fsica de Partculas
Dinmica de Fluidos
19
Geofsica
Fsica-Matemtica
Mecnica
Fsica Molecular
Fsica Nuclear
ptica
Fsica del Plasma
Fsica Cuntica
Fsica de la Materia
Condensada
Mecnica Estadstica
Termodinmica
Una visin an ms actual (Noviembre del 2007) es la que nos ofrece el artculo Fsica de
la enciclopedia Wikipedia, que divide a la Fsica en tres partes (Clsica, Moderna y
Contempornea):
Fsica Clsica
Mecnica (Clsica, de los
Medios Continuos, de los
Fluidos).
Termodinmica y
Mecnica Estadstica
Mecnica Ondulatoria
(Acstica y ptica)
Electromagnetismo
(Electricidad,
Magnetismo, Electrnica)
Relatividad o
Electrodinmica (Teora
Especial de la Relatividad,
Teora General de la
Relatividad, Gravitacin)
Fsica Moderna
Mecnica Cuntica
(tomo, Ncleo, Fsica
Qumica, Fsica del
Estado Slido)
Fsica de las Partculas.
Fsica Contempornea
Termodinmica fuera del
equilibrio (Mecnica
Estadstica, Percolacin)
Dinmica No Lineal
(Turbulencia, Teora del Caos,
Fractales)
Sistemas Complejos
(Sociofsica, Econofsica,
Criticalidad Autoorganizada,
Redes Complejas)
Fsica Mesoscpica (Puntos
Cunticos)
Nano-Fsica (Pinzas pticas).
20
21
Los modelos de la Mecnica Clsica son las partculas, los cuerpos rgidos, los cuerpos
deformables, etc.
Las leyes de conservacin, que afirman que en un sistema cerrado que experimenta un
proceso fsico determinadas cantidades medibles permanecen constantes. Se estudian
en la Mecnica Clsica, por ejemplo, las leyes de Conservacin del Momento Lineal y
la de Conservacin del Momento Angular
Aqu se incluye la Dinmica de Fluidos o Hidrodinmica que se ocupa de las leyes de los fluidos en
movimiento; estas leyes son muy complejas.
22
23
24
Meta- : Significa junto a, despus de, entre o con. En este caso metadisciplina se asume como disciplina
cientfica simblica que describe, explica y analiza a otras disciplinas.
25
26
desarrollado modelos que unen las caractersticas de los modelos probabilsticos estadsticos y de los modelos determinsticos como en el caso de la Teora de las Variables
Aleatorias Regionalizadas de George Matheron.
Para las Ciencias Sociales y del Pensamiento, los primeros modelos matemticos que se
han obtenido hacen un amplio uso de la Estadstica Matemtica. Posteriormente, otros
modelos especficos ms complejos se obtienen en la Esttica a partir de la serie de
Fibonacci y del Rectngulo Dorado.
En la Economa y la Sociologa se obtienen modelos a partir de:
Estadsticas Multivariadas
2.
3.
En cada nueva etapa los problemas cientficos que se estudiaron mediante modelos
matemticos, se hicieron ms complejos. La primera etapa se caracteriz por situaciones
aritmticas, geomtricas y algebraicas; en la segunda etapa se presentaron
fundamentalmente situaciones propias del clculo diferencial e integral, hasta llegar a la
etapa actual donde se estudian situaciones altamente complejas relacionadas con la Fsica
Relativista, la Biologa, las Ciencias Sociales, etc. Las Abstracciones se hicieron cada vez
ms complejas y sobre todo multiescalonadas y los mtodos matemticos se fueron
haciendo cada vez ms elaborados y efectivos hasta llegar al mtodo axiomtico actual.
El criterio de veracidad ha evolucionado junto a la Matemtica. En la primera etapa slo se
tena en cuenta a la Prctica Social como criterio de veracidad, pero en la medida en que las
fuentes genticas de nuevas teoras matemticas dejaron de ser solo las Ciencias Naturales
y Sociales, se estableci (gracias al desarrollo de la Lgica Matemtica) como criterio de
veracidad en las teoras matemticas formalizadas el llamado Principio de No
Contradiccin Lgica.
En la etapa de los modelos del desarrollo se han especificado una serie de cuestiones
esenciales para la Matemtica y su papel en la ciencia:
1. La solucin del problema filosfico fundamental en la Matemtica, es decir, la
determinacin de la posicin entre el saber matemtico y la realidad objetiva
27
2. El objeto de la Matemtica es el estudio sobre las formas del espacio y las relaciones
cuantitativas del mundo real, amplindose cada vez ms lo que se entiende por
relaciones cuantitativas y formas del espacio.
Mencin especial merece el llamado problema de la Fundamentacin de la Matemtica
donde, mediante la Lgica Matemtica, se ha pretendido probar todos los resultados de esta
ciencia a partir de ciertos conceptos y axiomas primarios. Vase un poco de historia:
Antes del origen de la llamada civilizacin griega antigua, que vivi unos siglos antes de
nuestra era, no existan mtodos formales de demostracin para los resultados matemticos,
el hallazgo de los infinitos y las paradojas de Zenn son las que muestran la
inconsistencia de las posiciones de los pitagricos idealistas y de los empiristas seguidores
de Demcrito, que de un modo u otro pretendan fundamentar la veracidad del
conocimiento matemtico. Ante estas contradicciones, surge el mtodo axiomtico cuyo
punto culminante est en la obra Elementos de Euclides.
Un segundo intento importante de fundamentar la Matemtica se produce con el nacimiento
y desarrollo del Clculo Diferencial e Integral, donde se distinguen dos corrientes
principales: una de ellas tratando de hacerlo mediante las formas elementales del
movimiento y de concepciones apriorsticas del pensamiento; la otra, fundamentando la
Matemtica sobre la absolutizacin del papel del experimento.
En el siglo XIX se presentan las geometras no euclidianas, permitiendo ver el inmenso
alcance del pensamiento lgico matemtico al darle solucin general al problema de las
paralelas de la geometra euclidiana. A finales del propio siglo XIX, surge la Teora de
Conjuntos de George Cantor como un serio intento de fundamentar la Matemtica
conocida; en ella se presenta el problema de la naturaleza del infinito matemtico y la
consideracin de la abstraccin del infinito actual. La ineficacia de la Teora de Conjuntos
como fundamento de la Matemtica se mostr en sus contradicciones lgicas.
A inicios del siglo XX se presentan cuatro programas con tendencia neopositivista
(consideracin de la Matemtica exclusivamente en sus aspectos estructurales y puramente
lgicos):
1. Axiomtico-Conjuntista (a partir de la Teora de Conjuntos, pero ignorando sus
paradojas)
2. Logicista (sus representantes principales son B. Russel y A.N. Whitehead)
3. Formalista (D. Hilber, J. Von Neumann)
4. Intuicionista (L. Brouwer, A. Heyting, H. Weyle).
Independientemente de la aceptacin que tuvieron estos programas, su desarrollo ha
permitido formular los fundamentos de la Matemtica como una parte de ella misma,
armada de sofisticados mtodos para el anlisis de sus teoras, lo cual proporcion mayor
confianza a todos aquellos que necesitan y usan los modelos y mtodos matemticos.
En los aos 30 del siglo XX, K. Gdell, y en los aos 60 P. Cohen, obtienen una serie de
resultados que prueban, entre otras cosas, no solo la posibilidad de construir sistemas
axiomticos diferentes de la Teora de Conjuntos, para fundamentar la Matemtica, sino
que adems estos sistemas diferentes pueden ser incompatibles entre s.
28
El Programa de Investigacin implica una sucesin de teoras. Cada teora implica una nueva y ms
detallada profundizacin del conocimiento. Puesto que hay varios Programas de Investigacin entonces hay
criterios racionales para seleccionar los ms eficaces, estableciendo la evidencia emprica como clave
explicativa del cambio cientfico.
Algunos seguidores como Larry Laudman han eliminado algunas deficiencias relacionadas con la suposicin
de que los ncleos centrales de las teoras permanecen intactos, puesto que se sabe que el ncleo de un
programa cambia a medida que el programa de investigacin madura.
Esta realidad se ha reflejado mejor con la expresin de Tradicin de Investigacin que se define como un
conjunto de supuestos generales sobre las actividades y procesos en un campo de estudio y sobre los mtodos
apropiados a usar para investigar los problemas y construir las teoras en ese campo.
En 1962, Thomas S. Kuhn public La estructura de las revoluciones cientficas, donde expona la evolucin de
las ciencias naturales bsicas de un modo que se diferenciaba sustancialmente de la visin ms aceptada
entonces. Segn Kuhn, las ciencias no progresan siguiendo un proceso uniforme por la aplicacin de cierto
Mtodo Cientfico sino que en realidad se verifican dos fases en el desarrollo cientfico.
Hay un amplio consenso en la comunidad cientfica sobre cmo explotar los avances conseguidos en el
pasado ante los problemas existentes, crendose as soluciones universales que llamaba "paradigmas"
Cuando las teoras conocidas dejan de funcionar con eficacia, se buscan nuevas teoras y herramientas de
investigacin. Si se demuestra que una teora es superior a las existentes entonces es aceptada y se
produce una "revolucin cientfica".
Tales rupturas revolucionarias traen consigo un cambio de conceptos cientficos, problemas, soluciones y
mtodos, es decir, nuevos paradigmas. Aunque estos cambios paradigmticos nunca son totales, hacen del
desarrollo cientfico algo discontinuo. Se dice que la vieja teora y la nueva son inconmensurables entre s.
29
Ya hemos dado una definicin preliminar del concepto variable pero antes de continuar es
conveniente profundizar en su definicin matemtica e introducir el concepto de
parmetro.
Segn el DRAE: Variable es una magnitud que puede tener un valor cualquiera de los
comprendidos en un conjunto. Rey Pastor et.al. sealan que:
Un conjunto de nmeros es designado por un smbolo que representa indistintamente a
cada uno de ellos y recibe el nombre de variable. Estos nmeros se llaman valores de la
variable y su conjunto, campo de variabilidad.
Para el DRAE un Parmetro es una variable que, en una familia de elementos, sirve para
identificar cada uno de ellos mediante un valor numrico del parmetro. Segn el
diccionario que proporciona la Enciclopedia Encarta en idioma ingls, un parmetro puede
ser un factor limitante o una cantidad variable que determina el resultado o una
caracterstica notable o un valor matemtico variable (es decir, dada una expresin
matemtica, un parmetro es un valor variable contenido en dicha expresin que cuando
cambia da otra expresin matemtica diferente relacionada, de una serie limitada de tales
expresiones); o en la Estadsticas, la cantidad global.
En el contexto matemtico los parmetros pueden considerarse de dos formas:
1.
En una expresin matemtica las variables que aparecen pueden ser clasificadas como
variables bsicas o como variables auxiliares. A ciertas variables auxiliares se les llama
parmetros. El caso ms conocido es el de las funciones dadas en forma paramtrica
que se explican ms adelante en este epgrafe.
2.
Dada la expresin general de una funcin donde aparecen varias variables, algunas de
ellas son las variables dependientes y otras son las variables independientes. Sin
embargo otras variables, llamadas parmetros, tienen el papel de sealar casos
particulares de la funcin. Un ejemplo muy conocido es el de la forma general de la
funcin seno:
Y A Sen ( B X C )
30
1.
2.
Enfoque uniforme o multiforme: Hay tres razones que al parecer conllevan a que los
matemticos prefieran el enfoque uniforme sobre el enfoque multiforme.
Enfoque por pares ordenados o por expresin analtica. En este caso de lo que se
trata es de que quede claro que lo definitorio es el conjunto de valores de x y de y y no
la expresin analtica que los relaciona (esta expresin analtica o frmula pudiera no
existir). Un ejemplo clsico es el siguiente Son iguales las funciones y=sen(2x) y
y=2sen(x)cos(x)?
2.
3.
b.
c.
d.
e.
31
f.
4.
III.
x x(t )
Paramtrica
donde t es un parmetro (puede ser o no ser numrico).
y y(t )
b.
c.
Mediante un grfico
d.
Con las funciones se pueden hacer ciertas operaciones generales que enunciaremos por
comodidad con las expresiones analticas de las funciones mediante la notacin siguiente:
Sean dos funciones:
f : XY
x y=f(x)
g : VW
u v=g(u)
Si x+h
y=f(x+h).
2.
Si h*x
y=f(h*x).
Si y+k
Si k*y
y=k*f(x).
3.
+k.
4.
5.
32
33
Una funcin y=f(x) se dice sobreyectiva si para todos los valores x X se puede encontrar
un valor y Y tal que y=f(x).
Funciones Biyectivas
Una funcin inyectiva y sobreyectiva se dice que es biyectiva (en algunos textos se les
llama uno a uno porque a cada x X le corresponde uno y solo un valor y Y).
Ahora definamos tres tipos de funciones que se pueden obtener de una dada:
Funcin Contraria
Dada una funcin y=f(x) definida de X en Y. Puede ser definida la funcin contraria como y
= - f(x) de X en Y.
Funcin Recproca
Sea una funcin y=f(x) definida de X en Y. Se puede definir la funcin recproca como y=
1
f ( x)
de X\ x
f ( x ) 0
en Y.
Funcin Inversa
Sea una funcin y=f(x) de X en Y. Si existe una funcin x=f-1(y) de Y en X tal que:
el
34
Las reglas (descritas en muchos casos por f) para obtener y si se conoce x son variadas y se
destacan las ms simples tales como:
a.
b.
c.
Las funciones algebraicas son aquellas donde x e y estn relacionadas mediante una
k
ecuacin de la forma
a x
i 1
ym 0.
Las funciones racionales son aquellas donde aparecen divisiones irreducibles con
expresiones de x en el denominador.
Reconforta mucho saber que existe un gran nmero de mtodos para obtener una funcin
en la forma deseada si se conoce otra forma.
Finalmente es adecuado puntualizar que los modelos matemticos pueden contener ms de
una funcin matemtica y en estos casos las mismas pueden estar interrelacionadas
mediante sistemas de ecuaciones (algebraicas e integro-diferenciales).
Ejemplos de modelos matemticos que se expresan mediante funciones son los siguientes:
a.
35
b.
La tasa de cambio con respecto al tiempo de una poblacin P(t) con ndices
constantes de nacimiento y mortalidad es, en muchos casos simples, proporcional al
dP (t )
kP (t ) donde k es una constante de
tamao de la poblacin, es decir
dt
proporcionalidad
c.
f ( x)
d.
e.
1
(0.1) 2
1 x 0.5
0.1
2
10
Temperatura
89
73
61
48
36
La posicin de un objeto en cada instante de tiempo t est dada por (X,Y,Z) donde:
X (t ) t
Y (t ) t 2 1
Z (t ) sen(t ) cos(t )
3.
36
1.
2.
Los modelos mixtos son aquellos donde intervienen variables y leyes determinsticas y
probabilsticasestadsticas.
Algunos autores hablan de Modelos Estacionarios como aquellos donde no se contempla el
paso del tiempo y de Modelos No Estacionarios o Dinmicos donde s se contempla la
variable temporal.
Modelos matemticos del Clculo Diferencial e Integral
Veamos las siguientes definiciones previas:
Espacio Mtrico:
Sea un conjunto no vaco X y sean x, y, z tres elementos de este conjunto. Sobre X
definamos una operacin que llamaremos d que asocia dos elementos de X a un nmero
real no negativo (o sea, d(x,y) R ). Si se cumplen las propiedades:
1.
d(x,y) = d(y,x)
2.
d(x,y) = 0 si y solo si x = y.
3.
El
caso
ms
Aleatorio es sinnimo de Casual (azaroso) aunque debe entenderse que una variable aleatoria X toma
valores casuales dentro del Espacio de Sucesos S del experimento. Estas variables aleatorias X tienen
definido su comportamiento por las llamadas Funciones de Probabilidad que definen la Probabilidad que tiene
cada valor de X de ser obtenido cuando se realiza un experimento. Debe precisarse que cuando se realiza un
experimento, el resultado obtenido no es necesariamente el de mayor probabilidad.
37
al conjunto (conjunto conexo) y se cumple adems que cada punto es centro de una bola de
radio no nulo que pertenece al conjunto (cada punto del conjunto es punto interior).
Un punto de Rn que no pertenece al conjunto y es centro de alguna bola de radio no nulo,
que no tiene interseccin con los puntos del conjunto, se dice que es un punto exterior del
conjunto. Un punto frontera de un conjunto es aquel punto que no es interior ni exterior.
Los recintos cerrados incluyen a toda su frontera y en los recintos abiertos algunos de sus
puntos fronteras no pertenecen al conjunto.
En los recintos cerrados de Rn, cada componente xi est limitada en un intervalo cerrado
fijo o en un intervalo cerrado variable que depende de otras componentes xj.
Por ejemplo, son recintos de R2 los siguientes subconjuntos:
1.
2
A = ( x , y ) R x [ a , b ] y
y [ c, d ]
2.
2
B = ( x, y ) R x y x 1 ; x [2 , 5]
2
C = ( x , y ) R x [ a , b ] y
2.
2
D = ( x, y ) R x y x 1 ; x [2 , 5]
y [c , d )
Ahora, si definimos la bola reducida ba() = Ba() / {a} (o sea, la bola de centro a y radio
pero sin el punto a) es posible dar una definicin de lmite de funciones si las mismas estn
definidas sobre espacios mtricos.
Lmite de una funcin
Sea una funcin y=f(x) definida de X en Y donde (X,d x) y (Y,dy) son espacios mtricos. Se
dice que el lmite de f(x) es L cuando x tiende al valor a si, para cualquier >0 existe >0
tal que si x est dentro de la bola reducida b a() definida sobre X, entonces f(x) est dentro
de la bola BL() definida sobre Y.
En R esta definicin se escribe:
0
En R solo hay dos maneras de acercarse al punto a, por la derecha o por la izquierda
con lo que se definen los llamados lmites laterales:
38
lim f ( x) L
xa
tal que si
a xad
entonces
f ( x) L
ad x a
entonces
f ( x) L
lim f ( x) L
x a
tal que si
Sea
lim
hacemos tender (x,y) a (0,0) por el eje OX o sea tomando y=0 entonces el resultado de
la expresin es 0. Ante estos resultados podemos afirmar que el lmite general no existe.
La definicin del lmite cuando L es infinito (o menos infinito) tiene ciertas particularidades
que sin dudas el lector puede deducir por s mismo para el caso de funciones de Rn en R que
es de mayor inters para los ingenieros.
Ahora puede estudiarse el concepto de Continuidad de una Funcin en un Punto que
expresa cuando el comportamiento de y es ininterrumpido cuando x est muy cerca de a.
Esto es:
Continuidad de y=f(x) en x=a.
Se dice que f(x) es continua en x=a si:
1. Existe el valor f(a) Y.
f ( x) .
2. Existe L lim
xa
3. f(a)=L.
Una funcin continua en todos lo punto x de un subconjunto I de X se dice que es continua
en I. En el caso de X=Y=R, el subconjunto I generalmente es un intervalo abierto. El
anlisis en los extremos de un intervalo cerrado es ms complejo porque deben verificarse
ambos lmites laterales en cada extremo del intervalo.
Una funcin que no es continua en x=a se
dice que es discontinua en el punto. Hay
diferentes tipos de discontinuidad:
1.
2.
39
G). Si ambos lmites son iguales (D) la discontinuidad es evitable porque pudiera
redefinirse la funcin para el punto. En los casos A, F y G las discontinuidades son
inevitables.
La continuidad en las funciones puede ser estudiada de una forma an ms general
mediante el concepto de Continuidad Uniforme que garantiza que un mismo grado de
proximidad de valores de X asegura la proximidad de los valores de Y. Este concepto
plantea que una funcin es uniformemente continua en su campo de definicin X si para
cualquier nmero positivo se puede encontrar un nmero tambin positivo tal que para
dos puntos cualesquiera x1 y x2 de X cuya distancia sea menor que , la distancia entre los
valores f(x1) y f(x2) de Y, es menor que .
Reglas prcticas para el clculo de lmites de funciones elementales de R en R.
1.
2.
Si ambos lmites laterales son iguales entonces L=Ld=Li y en caso contrario no existe el
lmite.
Si el resultado es
0
,
0
0 ,
g ( x)
x a
2.
El
caso
lim f ( x) g ( x) lim
se
x a
xa
3.
El caso
lim g ( x ) ln( f ( x ))
e xa
transforma
.
uno
de
los
dos
primeros
f ( x)
1 .
g ( x)
1
1
g ( x) f ( x)
lim f ( x) g ( x) lim
.
xa
xa
f ( x) g ( x)
tomando
40
f ' ( x)
g ' ( x)
entonces L= lim
x a
f ( x)
g ( x)
o lim
x a
f ( x) 0
g ( x) 0
y existe
f ( x)
. Recuerde que esta regla se puede aplicar
g ( x)
lim C C
x a
Si existen los lmites que intervienen en las expresiones que siguen, entonces:
2.
3.
4.
lim f ( x)
f
(
x
)
g ( x) 0 , entonces lim
x a .
Si g(x) no es idnticamente nulo y lim
xa
xa g ( x)
lim g ( x)
x a
x a
x a
xa
xa
xa
xa
5.
y
x
y f ( a h ) f ( a ) f ( a h ) f ( a )
=
=
y
(a h) a
x
h
Y.
y
y
= lim
al cual
h
0
x
x
definiremos como la derivada de f(x) con respecto a X en el punto x=a. Esta derivada se
denota de varias maneras:
f (a)
fX (a)
dy
dx
df ( x)
dx
xa
x a
41
xa
f (a )
Si X=Y=R, esta derivada tiene una conocida interpretacin geomtrica como la pendiente
de la recta tangente a la curva en el punto (a,f(a)):
f ( a h) f ( a ) f ( a h ) f ( a )
= tan().
( a h) ( a )
h
f ( a h) f ( a )
= tan().
h
Cuando este lmite existe e dice que la funcin es derivable en el punto. Un ejemplo
clsico de no derivabilidad es el caso de la funcin f(x)= x en el punto x=0 (esto puede
demostrarse calculando los lmites laterales).
Calcular usando esta definicin la derivada de una funcin dada por su expresin analtica
es un proceso que en muy pocas ocasiones es fcil. Veamos dos ejemplos:
a.
C C
0
h
b.
aha
1
h
c.
ln(a h) ln(a)
?
h
42
d.
f(a) = lim
e.
sen( x a ) sen(a )
?.
h
f (x)
0
1
Arccos(x)
xa (a R)
axa-1
Arctan(x)
ex
ex
Arccot(x)
ax
ln(a)ax
Arcsec(x)
ln(x)
log( x)
a
Sen(x)
Cos(x)
Tan(x)
Cotan(x)
Sec(x)
f (x)
y(x)
Arcsen(x)
1 x2
1
1 x2
1
1 x2
1
1 x2
1
x x2 1
1
1
x
Arccsc(x)
log(e)
Senh(x)
Cosh(x)
Cosh(x)
Tanh(x)
Coth(x)
Arcsen(x)
Senh(x)
Sech2(x)
-Csch(x)
x x2 1
x
Cos(x)
-Sen(x)
Sec2(x)
-Csc2(x)
Tan(x) Sec(x)
Arccos(x)
1
x2 1
1
x2 1
Csc(x)
-Cot(x) Csc(x)
Arctan(x)
1
1 x2
43
2.
3.
4.
f ( x)
5.
g ( f ( x) l =
f ' ( x) g ( x) f ( x ) g ' ( x)
g ( x ) 2
Vale la pena mostrar un ejemplo. Sea y=ln(sen(x)) definida para todo x real tal que
sen(x)>0; ntese que es una funcin compuesta y este hecho se comprende mejor si
escribimos y=ln(u) donde u=sen(x).
El planteamiento de su derivada es y =ln(u) * sen(x), entonces y =
1
cos( x ) = tan(x).
sen( x)
6.
dy d 2 y d 3 y
).
,
,
dx dx 2 dx 3
dy
1 dy
dx
f ' (t ) dt
d2y
1
d2y
dy
f
'
(
t
)
f ' ' (t )
2
3
2
dt
dx
dt
f ' (t )
1
cos(x) =
u
44
d3y
1
3
dx
f ' (t ) 5
f ' (t ) 2 d
dt 3
d2y
dy
2
dy
du
g ' (u )
dx
dx
d2y
d 2u
du
g
'
(
u
)
g ' ' (u )
2
2
dx
dx
dx
d3y
d 3u
du d 2 u
du
g
'
(
u
)
3
g
'
'
(
u
)
g ' ' ' (u )
3
3
2
dx dx
dx
dx
dx
(a h) (b k) (a) (b) ?
lim
2
Z(a,b) =
h 0
k 0
( a h, b k ) ( a , b )
Parece ms fcil (y lo es) considerar la derivada con respecto a una variable y luego con
respecto a la otra. Esto conduce al concepto de derivadas parciales.
Sea una funcin y=f(x1,,xn) una funcin definida de Rn en R. Definimos la derivada
parcial en cualquier punto (x1,,xn) con respecto a la variable xi a la expresin:
f ( x1 , x 2 ,..., xi h,..., x n ) f ( x1 , x 2 ,..., xi ,..., x n )
y
f X i lim
.
h
0
xi
h
Es esencial reconocer que al calcular las derivadas parciales mantenemos constantes todas
las variables excepto aquella con respecto a la cual se deriva.
La interpretacin geomtrica de estas derivadas para una funcin Z=f(x,y) puede ser
comprendida si asumimos que esta ecuacin es una superficie. Supongamos que queremos
calcular Zx, en un punto (x,y)=(a,b) entonces debemos considerar a y=b (constante) con lo
cual estamos cortando la superficie con el plano y=b de modo que se obtiene una curva en
el espacio. Zx en (a,b) es la pendiente de la recta tangente a esta curva en ese punto o sea
tan():
45
dy
expresa la razn
dx
dT (t )
es la tasa de cambio de la temperatura T(t) con respecto al tiempo en un
dt
46
2.
dP (t )
es la tasa de cambio de la poblacin P(t) con respecto al tiempo y es
dt
dV (t )
del volumen V con
dt
5.
6.
7.
8.
1.
2.
f ( x h) f ( x )
. El error es del orden de h.
h
3.
f ( x h) f ( x h)
. El error es del orden de h2.
2h
Como puede verse la frmula con diferencias centrales es ms eficiente pero a costa de usar
3 puntos. Un resumen de las frmulas relacionadas con las primeras diferencias centrales
es:
47
Derivada
Frmula de aproximacin
f (1)(x)
f ( x h) f ( x h)
2h
f (2)(x)
f ( x h) 2 f ( x ) f ( x h)
h2
f (3)(x)
f ( x 2h) 2 f ( x h) 2 f ( x h) f ( x 2h)
2h 3
f (4)(x)
f ( x 2 h ) 4 f ( x h ) 6 f ( x ) 4 f ( x h) f ( x 2 h )
h4
Derivada
Frmula de aproximacin
f (1)(x)
f ( x 2h) 8 f ( x h ) 8 f ( x h) f ( x 2h)
12h
f (2)(x)
f ( x 2h) 16 f ( x h) 30 f ( x) 16 f ( x h) f ( x 2h)
12h 2
f (3)(x)
f (4)(x)
Forma paramtrica:
48
Sea la funcin
x x(t )
,
y y(t )
se tiene que
dy
dy dt
y'
dx dx
x'
dt
adems:
adems:
d2y
x ' y ' ' y ' x ' '
2
dx
x ' 3
B.
dx 2
FY 3
2
C.
D.
F ( x, y )
dy
X
dx
FY ( x, y )
u g 1
u g 2
u g n
...
x1 u j x 2 u j
x n u j
dy
u v
=
g g
dx
u v
v
u
v
u
49
Ntese que dy est dado por el incremento de la ordenada de la recta tangente en el punto
cuando el valor de x se desplaza desde a hasta a+h.
Para FVVR se definen los diferenciales totales dy =
f
f
f
dx1 +
dx 2 ++
dx n .
x1
x 2
x n
dz =
f
f
dy
dx +
y
x
Existe una importante relacin entre la diferenciabilidad (existencia del diferencial) de una
funcin en un punto y la continuidad de f en ese punto: Si existe dy de f(x) definida de R n
en R, entonces f es continua en f(x).
El concepto de diferencial se aplica con xito a los clculos aproximados ya que dy
f , o sea, dy f(x1+ x1,, xn+ xn)- f(x1,, xn). Veamos el siguiente ejemplo:
Se quiere calcular (1.01)2(2.02). Si se asume la funcin f(x,y)=x 2y y tomamos x+
x=1+0.01 y x+ y=1+0.02, entonces se trata de calcular f(x+ x, y+ y) que puede
f
50
Determinantes y Derivadas
A.
Jacobiano
f 1
x1
f 2
f 1 , f 2 ,..., f n
= x
1
x1 , x 2 ,..., x n
...
f n
x1
f 1
x1
f 2
x 2
...
f n
x 2
...
...
...
...
f1
x n
f 2
x n
...
f n
x n
Wronskiano
W(x) =
f1
f2
df1
dx
...
df 2
dx
...
d ( n 1 f 1
dx ( n 1)
d ( n 1 f 2
dx ( n 1)
...
...
...
...
fn
df n
dx
...
d ( n 1 f n
dx ( n 1)
Derivadas y Vectores
Definamos un operador sobre funciones y=f(x 1,,xn) de Rn en R llamado Operador Nabla
,
,...,
xn
1
2
.
,
,...,
llamado Gradiente de f: f =
x n
x1 x 2
51
f
f
f
u1
u 2 ...
u n . Se cumple la
x1
x 2
x n
f (x ) = DU f (x) + DV f (x )
U f ( x)
x
x
Si sabemos que para f(x)=ex, f (x)=ex entonces e dx e C .
b.
c.
Para la integral indefinida se cumplen ciertas reglas que son muy tiles:
1.
Cf ( x)dx C f ( x)dx
2.
f ( x) g ( x) dx f ( x)dx g ( x)dx
3.
cos( x
4.
52
Por ejemplo, si asumimos u=x y dv=exdx entonces du=dx y v=ex y por tanto:
xe
dx xe x 1 e x dx C
xe x e x dx xe x e x C
A (x , x
i
i 1
A (x , x
i 1
a.
b.
Ai
x j
A j
xi
Ai
para i=1,2,n; j=1,2,,n.
x j
A( x, y )dx C ( y )
A( x, y ) dx) dC ( y )
f
=B(x,y) entonces B(x,y) =
=
.
y
y
y
dy
B( x, y)
dy
A( x, y ) dx
y
y finalmente se tienen
53
f(x,y) =
A( x, y)dx +
B( x, y)
dy
A( x, y ) dx
y
Para una forma diferencial exacta de R3: P(x,y,z)dx + Q(x,y,z)dy + R(x,y,z)dz se tiene que:
f(x,y,z) = f1(x,y,z) + f2(x,y,z) + f3(x,y,z)
f1(x,y,z) =
P( x, y, z )dx
f 1 ( x, y , z )
f2(x,y,z) = Q( x, y, z )
dy
y
f 1 ( x , y , z ) f 2 ( x, y , z )
f3(x,y,z) = R ( x, y, z )
dz
z
z
b.
Tomemos n+1 puntos de [a,b] de manera que x0=a y xn=b lo cual equivale a dividir
[a,b] en n subintervalos no necesariamente iguales Ii = [xi-1,xi] cuyas longitudes estn
dadas por xi = xi xi-1 (i=1,,n).
Tomemos un punto i en cada subintervalo Ii y obtengamos los n valores f(i).
c.
Definamos para cada intervalo Ii el rea Ai del rectngulo cuya base es Axi y su
altura es f(i).
d.
Tomemos como aproximacin del rea A entre la curva y=f(x) y el eje y=0 en el
n
i 1
i 1
54
f ( )x
i 1
puede
disminuir si logramos que todos los intervalos Axi sean suficientemente pequeos.
e.
f ( x)dx
a
= lim
f ( i )xi . Ntese que cuando N0
N 0
i 1
Ahora tenemos un problema muy parecido (por su complejidad) al de las derivadas cmo
sabemos si existe y cmo calcular en la prctica estas integrales sin necesidad de calcular
lmites? Esto se resuelve con el siguiente:
Teorema
Sea y=f(x) una funcin definida de R en R y sea F(x)+C la funcin integral de f(x). Si la
b
f ( x)dx
f ( x)dx
= F(b)-F(a).
55
2.
f ( x)dx f ( x)dx
f (t )dt f ( x)dx .
A.
xi xi 1
xi xi 1 . Si los puntos son equidistantes la frmula se simplifica.
2
f
i 1
B.
xi-1) o sea A
2
i 1
se simplifica.
56
C.
Frmula de Simpson: En este caso n debe ser un nmero par y los puntos deben ser
equidistantes, o sea, n=2m, con m entero. Se toman los tres primeros puntos y se
obtiene la parbola que pasa por ellos y se calcula el rea bajo esa curva; se repite este
proceso con el tercer, cuarto y quinto puntos y luego con el quinto, sexto y sptimo, etc.
hasta llegar a x=b. La frmula resultante tiene la forma:
m
m
h
A
f ( xo ) f ( x n ) 4 f ( x 2 j 1 ) 2 f ( x 2 j 2 )
3
j 1
j 2
Las frmulas anteriores tienen mejores resultados en la medida que n es mayor. Veamos un
concepto diferente:
D.
Frmula de Gauss: Se basa en la idea de que los puntos x i deben situarse en ciertas
posiciones que garanticen que el error de clculo sea mnimo. La frmula es:
A
ba n
Ai f ( xi ) ,
2 i 1
donde xi =
ab ba
ti .
2
2
Valores
t
A
t
A
t
A
T
A
T
A
T
A
E.
-0.577350
1
0.577350
1
-0.774596
0
0.774596
0.555555
0.888888
0.555555
-0.861136
-0.339981
0.339981
0.861136
0.347854
0.622145
0.622145
0.347854
-0.906179
-0.538469
0
0.538469
0.906179
0.236926
0.478628
0.568888
0.478628
0.236926
-0.932469
-0.661209
-0.238619
0.238619
0.661209
0.932469
0.171324
0.360761
0.467913
0.467913
0.360761
0.171324
-0.949107
-0.741531
-0.405845
0
0.405845
0.741531
0.949107
0.129484
0.279705
0.381830
0.417959
0.381830
0.279705
0.129484
Mtodo de Romberg: Se trata de un mtodo iterativo que tiene los siguiente pasos:
Ti k Ti k1
n 1
con i=k+2,,n. El resultado final es A Tn .
Ti
k 1
4
k
Ti k 1
57
El lazo puede parar tambin cuando el valor absoluto de la mayor diferencia entre
cada par de valores
Ti1k 1
k 1
cualquier Ti es la aproximacin de A.
xi
yi
xo
yo
x1
y1
T10
x2
y2
T20
T21
x3
y3
T30
T31
T32
x4
y4
T40
T41
T42
T43
x5
y5
T50
T51
T52
T53
T54
Ti 0
Ti1
Ti 2
Ti 3
Ti 4
Como puede observarse, aunque este mtodo mejora iterativamente la solucin depende
del valor de n y de la amplitud de los intervalos.
Una de las formas ms eficientes de resolver el problema de la integracin numrica es usar
variantes adaptativas de estos mtodos. Ilustraremos este concepto con el:
Mtodo de Gauss Adaptativo
Fijado un valor de >0 como error mximo permitido, el algoritmo es el siguiente:
1.
2.
3.
4.
Con una programacin adecuada este algoritmo aumenta las divisiones en las zonas del
intervalo [a,b] donde la funcin f(x) tiene mayor variabilidad.
Este algoritmo aprovecha la ventaja de la alta precisin del Mtodo de Gauss pero presenta
la insuficiencia de que las evaluaciones realizadas cuando se aplica el Mtodo de Gauss en
58
un intervalo no pueden ser utilizadas en las evaluacin de sus intervalos. Esto puede ser
remediado si se construye un Mtodo de Simpson Adaptativo ya que de los tres puntos de
cada intervalo dos de ellos son usados en cada subintervalo obtenido al dividir a la mitad el
intervalo.
Mtodo basado en el Spline
Este es un mtodo que puede ser aplicado para el conjunto de datos (xi,yi) para i=1,,n para
cualquiera sea n>2 y no exige que los subintervalos sean de igual longitud. La ecuacin de
la
curva
spline
cbico
natural
en
cada
tramo
es
Ai =
bi ( x xi ) ci ( x xi ) 2 d i ( x xi ) 3 dx =
xi
ai x bi
( x xi ) 2
( x xi ) 3
( x xi ) 4
ci
di
2
3
4
xi 1
xi
n 1
Y por tanto A =
A
i 1
[a,b]) alrededor del eje OX: V= f ( x) dx . Es fcil deducir una frmula para
2
f ( x)
1 f x2 ( x) dx
Trabajo realizado por una fuerza f(x) que mueve una partcula desde x=a
b
Principio de Duhamel
La modelacin de muchos problemas puede desarrollarse mediante un enfoque que
conduce a la definicin de intgrales definidas.
Sea P = {x0, x1, , xn} una particin del intervalo cerrado [a,b] R. y a cada subintervalo
[xi-1,xi] asociemos un nmero real Wi (i=1,,n) al que llamaremos peso de manera que se
puede definir el par (P,W) como una Particin Pesada.
59
n
W x
i 1
, donde xi = xi - xi-1.
Principio:
Sea una particin pesada (P,W) del intervalo [a,b] y sea una funcin f(x) integrable en
dicho intervalo.
Si para cada >0 existe >0 tal que:
Si la norma de la particin N(P)<
f ( i ) Wi
entonces max
i 1,...n
para ciertos puntos i [xi-1,xi]
n
Entonces N lim
Wi xi =
( p ) 0
i 1
f ( x)dx .
a
f ( x)dx .
a
Veamos un ejemplo:
La longitud L del arco de una curva (dada por y=f(x)), para el intervalo [x,x+ x] puede
aproximarse por la longitud ds de la recta tangente a la curva en el punto (x,f(x)) tal como
se puede observar en la prxima figura.
60
Por el Teorema de Pitgoras el elemento del arco se puede expresar que ds=
dx 2 dy 2 = dx 2 f ' ( x)dx 2 = 1 f ' ( x) 2 dx y la aproximacin entre L y ds
mejora en la medida que dx sea menor. Si dividimos al arco en n pequeos arcos disjuntos
n
i 1
1.
2.
El intervalo es [a,b):
El intervalo es (a,b]:
3.
4.
El intervalo es (a,b):
ah
61
5.
f ( x)dx = lim f ( x) dx .
b
6.
f ( x)dx
= lim
7.
f ( x)dx .
a
f ( x)dx
=.
f ( x)dx +
f ( x)dx .
c
converja: F(S) =
st
f (t ) dt
. Se denota L[f(t)]=F(s).
f(t)
a f(t) + b g(t)
F (t)
f (t)
f(n)(t)
F(s)=
st
f (t ) dt
f ( x)dx
a F(s) + b G(s)
s F(s) f(0)
s2 F(s) s f(0) f (0)
snF(s)-sn-1f(0) - - sf(n-2)(0) - f(n-1)(0)
F (s)
s
eat f(t)
U(t-a) f(t-a)
F(s-a)
e-as F(s)
f ( x) g (t x)dx
F(s) G(s)
t f(t)
tn f(t)
f (t )
t
f(t), es peridica con perodo p
1
-F(s)
(-1)n F(n)(s)
F ( y )dy
s
1
1 e ps
e
0
1
s
st
f (t )dt
62
U-2(t)=t
(Funcin Rampa)
1
s2
n!
s n 1
tn
1
s
ta
( a 1)
s n 1
eat
1
sa
n!
( s a ) n 1
tn eat
cos(kt)
s
s k2
k
2
s k2
s
2
s k2
k
2
s k2
sa
(s a) 2 k 2
k
(s a) 2 k 2
2
sen(kt)
cosh(kt)
senh(kt)
eat cos(kt)
eat sen(kt)
1
sen(kt ) kt cos(kt )
2k 3
1
sen( kt )
2k
k2
s
k2
1
sen(kt ) kt cos(kt )
2k 3
U-1(t-a)
Uo(t)= a (t ) Funcin Impulso Unitario
(t a)
s2
2
k2
e as
s
1
e-as
Donde:
0
1
U-1(t-a) =
a(t) =
si
si
si
si
ta
es la llamada Funcin Escaln o Funcin Paso Unitario.
ta
ta
es la tambin llamada Funcin Delta de Dirac.
ta
63
Funcin Gamma:
t x 1
e t
(x) =
x 1
n! n
para x 0 y x no es entero
n x ( x 1)( x 2)...( x n 1)
lim
2.
(x+1) = x (x)
3.
(x) (x-1) =
4.
(x) (x+) =
sen(x )
(2 x)
2 x 1
Integrales Mltiples
En este caso se trata de la integracin de una funcin de Rn en R donde el papel del
intervalo de integracin lo tiene un recinto cerrado V (vea el Captulo 4, epgrafe D) de Rn.
En este caso se define de forma general para una funcin f(x 1,,xn) acotada en V:
... f ( x , x
1
Integrales dobles
f ( x, y)dA
A
2
puede ser descrito de la forma A= ( x, y ) R g ( x) y h( x) ; a x b , entonces
f
(
x
,
y
)
dy
dx que recibe el nombre de Integral Iterada. De forma
a g ( x )
2
anloga si se puede expresar A= ( x, y ) R g ( y ) x h( y ) ; a y b entonces
h( x)
f ( x, y )dA =
h( y )
gy )
f ( x, y )dA =
f ( x, y)dx dy .
64
se tiene que:
X
u
X
v
, entonces
Y
u
Y
v
f ( x, y)dA
Axy
h( x)
(v )
g ( x)
(v)
f ( x, y)dy dx =
f (u, v)dA
uv
Auv
X ,Y
f (u , v) J
du dv . El ejemplo
u, v
Sea
( x
A
2
2
2
2
(
x
y
)
dA
A
= ( x y )dy dx que, sin dudas, es una integracin con una
2 4 x 2
operatoria laboriosa.
Es posible percatarse rpidamente que si se interpreta el integrando en coordenadas polares,
entonces x2 + y2 = 2. Asimismo, la regin A se describe en coordenadas polares de la
siguiente forma: A= ( , ) 0 2 ; 0 2 . La integral puede plantearse y
calcularse:
( x
A
y 2 )dA = ( 2 ) d d =
0 0
0 4
2 2
d = 4
0
d = 4
= 8
0
65
dxdy
1 z x2 z y2 dxdy , donde P es la
z dxdy .
P
Integrales triples
Se plantean como
f ( x, y, z)dA
A
2
descrito de la forma A= ( x, y, z ) R p ( x, y ) z q ( x, y ) ; g ( x ) y h( x) ; a x b ,
dy dx que recibe el nombre de Integral
f
(
x
,
y
,
z
)
dz
a g ( x) p( x, y )
Iterada. De forma anloga si se pueden expresar otras formas de expresin de A que
sugieran el planteamiento de la integral iterada con otro orden de integracin.
entonces
f ( x, y, z )dA =
h( x)
q( x, y )
X ,Y , Z
=
u , v, w
el Jacobiano J
f (u, v, w)dA
uvw
Auvw
Xu
Yu
Zu
donde
Xv
Yv
Zv
Xw
Yw
Zw
, entonces
f ( x, y, z )dA
xyz
AXYZ
X ,Y , Z
dAxyz .
u
,
v
,
w
dAuvw j
X ,Y , Z
=, lo cual quiere
, , z
66
2.
X ,Y , Z
= r2 sen(), lo cual
r , ,
h
(
x
,
y
)
dy
dx , lo cual equivale a determinar el
a f ( x )
volumen de la regin cilndrica con base en el plano XY y cuyo lmite superior es Z=h(x,y),
sin perder generalidad esto se puede ilustrar mediante el siguiente grfico:
b
g ( x)
La idea es tomar n+1 puntos x0, x1, , xn en el intervalo [a,b] tal que para cada punto x i se
tiene la curva z=f(xi,y) tal como se muestra en el grfico siguiente donde n=2:
67
g ( xi )
Definamos A(x) una funcin rea que a cada punto xi le asocia A(xi)=
f ( xi )
El clculo de A(xi) se realiza aplicando uno de los mtodos de integracin numrica para
integrales definidas asumiendo como intervalo de integracin [f(xi),g(xi)] y como funcin
integrando z=f(xi,y). Cuando se tienen todos los datos (xi,A(xi)) se puede aplicar el mismo
u otro mtodo de integracin numrica para integrales definidas y se obtiene el valor de V.
Es importante referirse al caso donde las funciones f(x)=c y g(x)=d (son funciones
constantes) ya que la proyeccin de la superficie es un rectngulo R del plano XY. Ahora es
ms adecuado realizar particiones de los intervalos [a,b] y [c,d] obtenindose un conjunto
de rectngulos disjuntos que cubren a R (al conjunto de puntos de esta particin doble se le
68
les llama red rectangular de puntos o rejilla y en idioma ingls se le llama grid o mesh). El
volumen V se aproxima por la suma de los volmenes W determinados en cada regin
limitada por el plano XY y la seccin de la superficie cuya proyeccin en el plano XY es un
rectngulo determinado por la particin. Cada W puede ser calculado integrando la
ecuacin z=A + B x + C y + D x y que pasa por los cuatro puntos (x,y,z) de la superficie
z=f(x,y) cuyas proyecciones son los vrtices del rectngulo correspondiente:
Este enfoque sugiere la conveniencia de tambin utilizar este mtodo cuando no se conocen
expresiones analticas para expresar la proyeccin P de la superficie en el plano XY y si se
conoce alguna definicin de la frontera G de esta proyeccin P. En ese caso se realiza la
particin rectangular vista en el caso anterior y se aproxima el valor de V por la suma de los
valores de W cuyos rectngulos (por ejemplo) tengan su punto medio dentro de la frontera
G de P.
69
Lo mejor que podra hacerse es medir los valores de Y para todos los valores
posibles de X (es decir, sobre todo el objeto O). Puesto que cada variable X i tiene
definido un rango que pudiera ser continuo o discreto (finito o infinito), entonces, en
muchos casos estaramos en presencia de una tarea prcticamente imposible (ya sea por
ser infinito el nmero de valores posibles o ser un nmero finito pero prohibitivo desde
el punto de vista tcnico o econmico)
Tomar una parte de los valores posibles de X (es decir, una parte A de O) y
medir en ellos el comportamiento de Y. En este caso los resultados del estudio de una
parte de los valores (X,Y) se asumirn como vlidos para todos los valores de (X,Y).
Cuando se aplica la segunda opcin se dice que se toma una muestra del universo de
valores de la variable X y de esta estrategia surge la definicin de Muestreo y el Diseo de
Experimentos.
Dos elementos bsicos del Muestreo son:
Poblacin: (Universo) En el contexto de la investigacin es el objeto O. Desde el punto de
vista de la informacin es el conjunto E de posibles valores de la variable X
Muestra: En el contexto de la investigacin es una parte A del objeto O. Desde el punto de
vista de la informacin es un subconjunto M de la poblacin E. La caracterstica principal
de A es la representatividad, es decir, los elementos de M deben mostrar el mismo
comportamiento (respecto a los fenmenos que se estudian) de todos los elementos de E.
En sentido lato, cuando se habla de Muestreo se incluyen los procedimientos para:
a. Definir cuntos, dnde y cundo se debe medir? (diseo de la muestra A, o sea,
diseo de M)
b. Tomar la muestra (obtencin de la muestra A)
c. Preparar la muestra (tratamiento previo de la muestra A)
70
Fijar el nivel de representatividad y luego buscar el tamao y la posicin espaciotemporal (o de otro tipo) de la muestra, asumiendo que debe minimizarse cierto criterio
(por ejemplo el tamao, el valor econmico del muestreo, etc.)
b.
La dificultad evidente que tiene este enfoque es que no se sabe cules son las caractersticas
particulares de X que la muestra debe representar y an ms, despus de muestrear no se
est seguro si lo indicado por los valores de M representa a toda la poblacin. Esta
situacin alerta sobre una realidad insoslayable: el muestreo no es un mtodo de trabajo que
proporciona resultados exactos ni constituye una demostracin formal (vea el epgrafe 9.C);
de hecho, por ejemplo, un diseo de experimentos puede estar aparentemente bien
estructurado para estudiar un fenmeno que intuitivamente se supone con cierto
comportamiento y al realizar el experimento los resultados pueden ser insuficientes o
insatisfactorios. Sin embargo como se ver en lo que sigue el Muestreo sigue siendo un
importante mtodo de eleccin para investigar las relaciones entre X e Y.
La representatividad juega un papel esencial en el muestreo y cabe preguntarse cmo
evaluar la representatividad? La respuesta a esta pregunta depende de las caractersticas de
los objetos que se estudian. Vanse algunos ejemplos:
1.
2.
3.
11
El lector interesado puede encontrar una amplia exposicin matemtica sobre este tema en el texto Tcnicas
de William G. Cochran.
de Muestreo
71
Para estudiar este fenmeno es necesario encontrar una muestra representativa tanto en
el espacio como en el tiempo
4.
5.
72
73
Si en un primer muestreo se toma una red de exploracin de 1 000 m de lado para cada
cuadrado, solo se tendran que realizar 25 muestreos. Con estos datos se puede tratar de
desarrollar un modelo inicial Ni = f o(x,y) que se evaluar mediante alguna tcnica como la
Validacin Cruzada que se estudia en la Geoestadstica y que permite evaluar la efectividad
del modelo en cada subregin.
Ahora se desarrolla una nueva exploracin que probablemente ser necesaria para toda la
regin en una red de 500 m de lado (usando los puntos intermedios entre los anteriores)
por lo que se tendrn que agregar otros 56 puntos de muestreo. De este modo se obtiene un
nuevo modelo Ni = f1(x,y) que tambin es analizado y evaluada su calidad. Este proceso se
repite hasta que se tiene una red de exploracin conveniente en cada subregin de A, o
hasta que el proceso de muestreo no sea factible.
Calidad del Muestreo
Un elemento importante del muestreo de las variables X e Y es la calidad, la cual no
siempre puede ser garantizada con mejoras tecnolgicas. Los errores pueden ser por causas
humanas o por causa de la tecnologa que se utiliza y los mismos pueden tener un carcter
aleatorio o sistemtico.
Vale la pena comentar sobre dos conceptos que son importantes y estn relacionados con
esta Calidad. En idioma espaol, Precisin y Exactitud aparecen como sinnimos; en el
Muestreo tienen una importante diferencia:
Precisin: Se refiere a la identidad o por lo menos a la similitud entre dos o ms
mediciones de la misma cantidad.
Exactitud: Se refiere a la cercana de las mediciones obtenidas con respecto al valor
verdadero.
Adems de tomar medidas adecuadas ergonmicas, metodolgicas y tecnolgicas con el
hombre y con los equipos para evitar los errores en el muestreo (o sea mejorar la exactitud
y la precisin) debe considerarse an la posibilidad de que el muestreo no tenga la calidad
necesaria por otra causa. Ante esa sospecha se puede aplicar la tcnica de las repeticiones
que consiste en desarrollar un muestreo mltiple que tiene dos variantes:
a.
b.
Para eliminar los errores sistemticos se puede realizar un muestreo previo con estos fines
(a veces llamado pre-muestreo o muestra piloto) y proceder a examinar concienzudamente
todas las posibles causas de estos errores (operarios con problemas de visin, instrumentos
mal calibrados, condiciones atmosfricas inadecuadas, etc.).
Con un nmero suficiente de repeticiones se puede determinar si los valores estn
suficientemente cerca del valor verdadero12, es decir, evaluar la exactitud del muestreo.
12
Si en un muestreo se hacen n mediciones con cada uno de los K instrumentos disponibles que se aseguran
tcnicamente adecuados, se dispondr de nxK mediciones. Se puede esperar que la variabilidad de las
74
nivel de significacin13
[0,1], donde
Z1 2
t 1
Si N 30 entonces: n
mediciones de cada instrumento individual indique la precisin (similitud) de los resultados de cada
instrumento; el estudio de todas las variabilidades instrumentales permite comprender si la instrumentacin es
una fuente de error (vea ms adelante la Prueba de Bartlett).
El estudio del conjunto de las nxK mediciones permite valorar la exactitud de los resultados aun cuando el
valor verdadero es desconocido. En ocasiones es conveniente determinar en un pre-muestreo usando un
instrumento ms preciso (probablemente usando tcnicas ms costosas) algunos pocos valores ms exactos
que permitan estudiar la exactitud del muestreo.
El nivel de significacin tiene su origen en los mtodos de Contraste de Significacin y es la
probabilidad de rechazar una hiptesis H0 que es cierta.
13
75
piloto y con ella se estima esta variabilidad. Fjese que este es un procedimiento que al
parecer es algo forzado porque no se est diciendo cual es el tamao adecuado de la
muestra para la prueba piloto. Esto se resuelve mediante un muestreo por etapas donde
en cada nuevo muestreo se aprovecha la informacin obtenida en el muestreo anterior.
Cuando la variable X es cualitativa (caso menos visto en las ingenieras) entonces se
utilizan otras frmulas que pueden encontrarse en los textos de Estadstica. Por ejemplo, si
se conoce a p y a q que expresan la probabilidad de que la variable aleatoria X tenga o no
una propiedad estudiada (es dicotmica); p no es muy cercano a 0 o a 1) y el total N de
individuos de la poblacin es grande (N*p>5 y N*q>5), se toma la frmula:
2
Z1
n p *q *
10
12
15
20
= 0.05
q=1.71 1.89
2.02
2.13
2.21
2.29
2.41
2.55
2.71
= 0.01
q=1.76 1.97
2.14
2.28
2.38
2.48
2.63
2.81
3.00
CAp
ns 4
en la muestra si CAp supera el valor C de la siguiente tabla.
Tabla para el Test de Apuntamiento.
n
10
15
20
25
50
75
100
200
= 0.05
C=2.9
3.9
4.1
4.1
4.0
3.99
3.87
3.77
3.57
= 0.01
C=3.1
4.8
5.1
5.2
5.0
4.88
4.59
4.39
3.98
76
Para analizar la importancia del error aleatorio de los datos obtenidos se utilizan pruebas de
la homogeneidad de varianzas de k muestras. Los test ms utilizados son la Prueba de
Cochran (para muestras de igual tamao n, donde N=k*n) y la Prueba de Bartlett. La
primera de estas pruebas se describe a continuacin a partir del texto de Prieto Garca:
PRUEBA DE COCHRAN: es til para detectar si una varianza es mucho ms grande que
G
las otras. Se determina el estadgrafo c
max si2
i 1,...,k
k
2
i
i=1
BARTLETT:
Las
muestras
(distribuidas
normalmente)
son
n
i 1
las muestras por si2 . Se calcula la varianza ponderada a partir de la expresin definida por
k
s 2p
n 1 s
i 1
2
i
2
2
y adems se calcula M ( N K ) ln( s p ) ni 1 ln( si ) .
i 1
N k
Ahora se determinan:
A
2(k 1)
k 1
v2 2 ;
A
1
1
;
N k
i 1 ni 1
k
v2
2 ;
1 A
v2
v1 = k-1
Fc
v2 M
v1 (b M )
2 ,
Ntese que si las varianzas son estadsticamente iguales para k muestras, entonces puede
asumirse que el error aleatorio es poco influyente. Estas pruebas presuponen que el nmero
k (total de muestreos) sea suficientemente alto y el nmero de muestras en cada muestreo
estn definidos por las frmulas que se explican en el prximo epgrafe.
Tipologa del Muestreo
Los tipos de muestreo son variados y parten de diversos criterios. Se tiene la siguiente
clasificacin:
77
1.
2.
3.
2.
Ordenado (se tiene en cuenta el orden en que se seleccionan los puntos) o Sin
Ordenar.
78
Total de la poblacin XS =
X
i
i 1
X
i
i 1
N
N
X
i 1
Xm
N
N
i 1
Xm
N 1
n
Total de la muestra xS =
x
i 1
x
i
i 1
n
n
x
=
i 1
xm
n 1
El clculo de n depende de los valores de N, S 2, el error permisible d y del nivel de
confianza (que se describe tambin por los niveles de significacin 1- o 1-/2).
Asimismo deben plantearse las frmulas en dependencia del parmetro estadstico que se
quiere estimar.
79
Z1 / 2
1
S
1 Z 1 / 2
N
d
Z 1 / 2
1
1
S
/
2
d
N2 N
Z 1 / 2
P (1 P )
d
2
1 Z 1 / 2
1
P (1 P )
N d
Z 1 / 2
P(1 P)
d
2
1
1 Z 1 / 2
P(1 P)
N2 N d
MUESTREO ALEATORIO ESTRATIFICADO
Sea una poblacin U de N elementos X i distribuidos en L estratos llamados E1,,EL donde
Nh es el nmero de elementos Xhi del estrato Eh. Definamos la siguiente notacin:
Nh
X
i 1
hi
Nh
X
hi
i 1
Nh
80
Nh
X
=
i 1
hi
Xmh
Nh
Nh
X
=
i 1
Xmh
hi
Nh 1
n
x
i 1
hi
nh
x
hi
i 1
nh
nh
Nh
x
hi
i 1
nh
nh
x
=
i 1
hi
xmh
nh 1
Wh =
Nh
N
Xmest =
W
h 1
Xmh
C n
h 1
Wh S h
Ch
entonces deben tomarse las muestras en cada estrato con los tamaos: nh n L
.
Wi S i
Ci
i 1
Si se fija la varianza de Xmest y si son conocidos n y los valores de Ci, entonces se minimiza
C si se calculan los nh con esa frmula.
81
ni
2
y se conoce 0 Var ( Xmest ) sin que se conozcan los costos,
n
2 2
L
Wi S i
wi
i 1
entonces n
.
1 L
2
2
0 Wi S i
N i 1
Si denotamos wi =
W
i 1
02
S i2
1 L
Wi S i2
N i 1
Ci
C i i 1
i 1
2
i 1
.
,
pero
si
se
fija
entonces
n
0
n
L
1 L
Wi S i Ci
02 Wi S i2
N i 1
i 1
2
Se puede demostrar que si se designa a la varianza de xm a MSA cuando se utiliza el
2
Muestreo Simple Aleatorio; y si se designa a la varianza de xmest a MAE
cuando se utiliza
el Muestreo Aleatorio Estratificado, entonces:
2
2
MSA
= MAE
+
N n
nN ( N 1)
N i ( xm i xmest ) 2
i 1
1 L
n i 1
2
2
que es ms apropiado el MSA que el MAE cuando se cumple que MSA < MAE
, o sea, si se
L
L
1
2
2
cumple que: N i ( xm i xmest ) ( N N i ) si
n
i 1
i 1
2
MAE
( Xmest )
es independiente del tamao
2
(X )
de la muestra n.
Para datos cualitativos dicotmicos, el tamao de la muestra, cuando se quiere estimar la
L
Wi 2 Pi (1 Pi )
wi
i 1
proporcin, o el total poblacional es n
L
1
02 Wi Pi (1 Pi )
N i 1
MUESTREO ALEATORIO POR CONGLOMERADOS (MAC)
En este caso se divide la poblacin U (con N individuos) en L conglomerados O i (i=1,
,L). Cada conglomerado Oi tiene Mi elementos los cuales se denotan {Xi1, Xi2, ,X}.
82
Esto permite nombrar a cada elemento de U como Xij donde i=1,,L y j=1,,Mi y se dice
que Xij es el elemento j del conglomerado i. La idea de este muestreo es hacer un Muestreo
Aleatorio Simple de tamao n en el conjunto de conglomerados (o sea escoger una muestra
aleatoria de n conglomerados) y luego usar una de estas opciones:
1 n 1
n i 1 i
X ij
j 1
donde i es Mi si se trata de un
Xm X
n
s2
1
Xmi
i
j 1
ij
si2
j 1
X ij
i 1
Xm
ij
i 1 j 1
i 1
N
para un
n
83
Diseo de Experimentos
Desde el punto de vista cientfico un experimento es un estudio de investigacin en el que
se manipulan deliberadamente una o ms variables independientes (supuestas causas) para
analizar las consecuencias que la manipulacin tiene sobre una o ms variables
dependientes (supuestos efectos), dentro de una situacin controlada.
Cuando se trabaja en el contexto de un experimento se est presuponiendo que:
a.
b.
c.
b.
84
c.
d.
b.
c.
d.
Luego:
El Diseo de Experimento tiene como uno de sus objetivos fundamentales,
minimizar los errores experimentales en la investigacin.
Principios bsicos del diseo de experimento.
1. Capacidad de Reproduccin.
85
Eso depende del modelo que se est asumiendo. La respuesta a esa pregunta es: los que
sean necesarios y suficientes. Cualquier variable que tenga influencia y no se incluya entre
los factores pasar a ser parte del factor aleatorio que influye en el resultado, aun cuando se
asuma como constante.
Cuntas mediciones tendr el experimento?
Como se ver ms adelante esto depende del nmero de factores que se incluyan, del
nmero de valores posibles de cada factor y del nmero de repeticiones que se realicen para
cada valor de cada factor. El nmero de mediciones no solo depende de las necesidades de
informacin y del criterio de los investigadores, tambin depende en gran medida de los
recursos econmicos y del tiempo disponible.
Cmo seleccionar los valores que se asignaran a cada factor?
Este aspecto depende del conocimiento que se tenga del fenmeno que se estudia ya que
hay que considerar a priori los valores mnimo y mximo del rango de medicin de cada
factor; luego se deben decidir algunos intervalos importantes donde se requiere mayor
cantidad de informacin (pueden ser zonas de fenmenos transitorios, zonas de cambios
cualitativos, zonas de gran variabilidad, etc.). Finalmente atendiendo a la disponibilidad de
temporal y econmica, se definen los valores.
Para comenzar se explicar una tcnica llamada Anlisis de Varianza donde, al tratar de
probar la hiptesis Ho de medias iguales, se asume indirectamente si hay relacin entre la
variacin de factores y el resultado del experimento.
Supngase que al factor X se le asignan los valores X1, X2, ,Xk. y para cada Xi se
realizaron ni mediciones (repeticiones) de Y que tienen como resultado:
Para
Para
Para
...
Para
X X1 :
X X2 :
X X3 :
...
X Xk :
Y11 Y12
Y21 Y22
Y31 Y32
... ...
Yk1 Yk 2
Y13
Y23
Y33
...
Yk 3
...
...
...
...
...
Y1 n1
Y1 n 2
Y3 n3
Yk nk
Para cada fila se pueden calcular medias y varianzas referidas a cada valor del factor X, es
ni
decir:
Ymi
definen
j 1
Ym
si2
ni
k
Y
ni
Yij
j 1
ni
Y
i 1 j 1
ij
ij
s2
ni
i 1 j 1
ij
. En general, si se nombra: n= ni , se
i 1
ni 1
k
Ymi
Ymi
n
n 1
medias Ymi son estadsticamente semejantes con cierto nivel de confianza. Esto quiere
decir que no puede asegurarse que los cambios de los valores de X estn influyendo en los
resultados medidos para Y. La tabla del Anlisis de Varianza correspondiente es:
Fuente de
variacin
Grados de
libertad
Suma de
cuadrados
Media cuadrada
86
g1=k-1
SSTR
Error
g2=k(n-1)
SSE=SST-SSTR
SSTR
k 1
MSE=
MSTR=
FT=
MSTR
MSE
SSE
k ( n 1)
Total
nk-1
k
ni
Si definimos a T= Yij ,
i 1 j 1
SST=
ni
Y
i 1 j 1
2
ij
SST
ni
Ti= Yij ,
j 1
T2
C=
n
Ti 2
i 1 ni
entonces SSTR=
C .
Tomando un nivel de confianza (por ejemplo, 0.95), se calcula F C = Fg1, g2, 1- en una tabla
de la distribucin F de Fisher. Si F C<FT entonces se rechaza la hiptesis de que las medias
son iguales y esto puede interpretarse como que los cambios en el factor X estn influyendo
en los resultados de Y.
Como se ha visto este diseo de experimento con un factor que asume k valores distintos,
los cuales se miden cierto nmero de veces, es el caso ms simple de un diseo de
experimentos y facilita inferir si hay o no hay relacin entre X e Y.
Este Anlisis de Varianza puede aplicarse cuando se tienen dos factores X (con a valores
X1,,Xa posibles) e Y (con b valores Y1,,Yb posibles). Si para cada combinacin de X e
Y se hace una medicin Z entonces se tiene la siguiente tabla de datos:
X1
X2
Xa
Medias de Y
Y1
Z11
Z21
Za1
Zm-1
Y2
Z12
Z22
Za2
Zm-2
Yb
Zib
Z2b
Zab
Zm-b
Medias de X
Zm1Zm2
Zma-
Nota: Tal vez Zij podra representar la media de hij repeticiones del experimento bajo las
condiciones X=Xi e Y=Yj.
En este caso se trata de saber si las hiptesis de que las medias Zm 1-==Zma-; o sea, que
los cambios en X no tienen influencia en el comportamiento de Z. Anlogamente se puede
investigar si los cambios de Y no tienen influencia en el comportamiento de Z. Se crea la
siguiente tabla:
Fuente de
variacin
X
Grados de
libertad
g1=a-1
Suma de
cuadrados
SSTR
Media cuadrada
MSTR=
SSTR
a 1
F
FT=
MSTR
MSE
87
g2=b-1
SSBL
Error
g3=(a-1)(b-1)
SSE
Total
ab-1
SST
SSBL
b 1
SSE
MSE=
(a 1)(b 1)
MSBL=
FB =
MSBL
MSE
2.
T= Z ij
C=
i 1 j 1
T2
ab
Toj =
i 1
SSTR=
T
b
SSBL=
i 1
i 1 j 1
C .
j 1
2
ij
2
i0
(Suma de la columna j)
ij
SST=
j 1
2
0j
SSE=SST-SSTR-SSBL
Otros diseos experimentales son los siguientes:
DISEO CUADRADO LATINO
Supngase un experimento que se disea para los factores X, Y, Z donde para cada factor se
toman k valores. Considrese que Z es el factor principal y considrese el diseo de un
experimento donde se mide la variable U en las configuraciones de X, Y y Z que se indican
en la siguiente tabla:
X1
X2
Xn
Y1
Z1
Zn
Z2
Y2
Z2
Z1
Z3
Yn
Zn
Zn-1
Z1
Grados de
libertad
Suma de
cuadrados
Media cuadrada
88
n-1
SSTR
n-1
SSR
n-1
SSC
Repeticiones
r-1
SSRe
Error
(n-1)(rn+r-3)
SSE
Total
r n2 1
SST
SSTR
n 1
SSR
MSR=
n 1
SSC
MSC=
n 1
SS Re
MSRe=
r 1
SSE
MSE=
(n 1)(rn r 3)
MSTR=
MSTR
MSE
MSR
F2=
MSE
MSC
F3=
MSE
MS Re
F4=
MSE
F1=
C=
U
i 1 j 1 k 1
ijk
rn 2
1 n 2
U K C , donde UK es la suma de todos los Uijk que tenga k=K.
rn K 1
SSTR=
1 n 2
SSR=
U J C , donde UJ es la suma de todos los Uijk que tenga j=J.
rn J 1
1 n 2
U I C , donde UI es la suma de todos los Uijk que tenga i=I.
rn I 1
SSC=
1
SSRe= 2
n
SST=
U
R 1
2
R
U
i 1 j 1 k 1
2
ijk
SSE=SST-SSTR-SSR-SSC-SSRe.
Las decisiones respecto a la influencia de X, Y, Z y las repeticiones se hacen comparando
cada una de la F1,F4 con Fg1 g2 1- donde g1 y g2 se toman segn corresponda a los grados
de libertad de lo que se analiza.
Si aparece una variable ms A que toma valores A1,,An entonces se puede hacer un diseo
denominado Cuadrado Greco-Latino que tiene la forma:
X1
X2
Y1
Z1 A1
Zn A1
Y2
Z2 A2
Z1 A2
Yn
Zn An
Zn-1 An
89
Xn
Z2 A1
Z3 A2
Z1 An
Para este caso tambin puede ser definido un procedimiento de Anlisis de Varianza.
DISEOS FACTORIALES
Un Diseo Factorial Completo es un experimento donde intervienen dos factores A y B y
se mide la variable Y con el diseo:
A\B
A1
A2
Aa
Sumas
B1
Y111Y11r
Y211Y21r
Ya11Ya1r
YA1
B2
Y121Y12r
Y221Y22r
Ya21Ya2r
YA2
Bb
Y1b1Y1br
Y2b1Y2br
Yab1Yabr
YAb
Sumas
Y1B
Y2B
YaB
Aa
Sumas
B1
YS11
YS21
YSa1
YA1
B2
YS12
YS22
YSa2
YA2
Bb
YS1b
YS2b
YSab
YAb
Sumas
Y1B
Y2B
YaB
Donde en cada YiB se suman todas las Yijk que tengan el mismo valor de i. De forma
anloga en cada YAj se suman todas las Yijk que tengan el mismo valor de j.
Se quieren analizar las influencias de A, B y AB en el comportamiento de Y. Para ello se
define que en general cada valor Yijk se descompone en funcin de los efectos i y j de los
factores A y B, de su interaccin ()ij, k de las repeticiones que se efectan y de otros
factores aleatorios ijk que se distribuyen normalmente con media 0 y desviacin estndar
2 , esto es:
Yijk Ym i j ( ) ij k ijk
Supongamos adems que
i 1
j 1
i 1
j 1
k 1
i j ij ij k 0 .
90
(ab-1)(r-1) 1-
(ab-1)(r-1) 1-
(ab-1)(r-1) 1-
.
.
(ab-1)(r-1) 1-
T= Yijk
C= T
N
N=a b r
i 1 j 1 k 1
SST=
Y
i 1 j 1 k 1
2
ijk
1 a b
2
SSTR= YSij C , ntese que YSij son las sumas de las repeticiones para cada
r i 1 j 1
configuracin Ai y Bj.
1 r
configuraciones de A y B, en la repeticin k.
SSR=
br
YiB2 C
i 1
SSB =
ar
Y
j 1
2
Aj
SSAB=SSTR-SSA-SSB.
Grados de
libertad
r-1
Suma de
cuadrados
SSR
a-1
SSA
b-1
SSB
AB
(a-1)(b-1)
SSAB
Error
(ab-1)(r-1)
SSE
Total
N-1
SST
Media cuadrada
SSR
r 1
SSA
MSSA=
a 1
SSB
MSSB=
b 1
SSAB
MSSAB=
(a 1)(b 1)
SSE
MSE=
(ab 1)(r 1)
MSSR
MSE
MSSA
F2=
MSE
MSSB
F3=
MSE
MSSAB
F4=
MSE
MSSR=
F1=
91
Estos diseos se pueden generalizar a varios factores, se dice entonces que se est en
presencia de Experimentos Multifactoriales. Aunque el algoritmo para realizar el anlisis
de varianza es bsicamente el mismo que se ha visto para el caso de dos factores, la
complejidad y laboriosidad de los clculos convierte el procesamiento de un experimento
multifactorial en un asunto difcil. En este texto se ver el caso de tres factores.
La tabla de configuraciones de los factores es la siguiente:
Factores
A
B
C
Niveles
A1
B1
C1
A2
B2
C2
Aa
Bb
Cc
Repeticiones
Grados de
libertad
r-1
SR
a-1
SA
b-1
SB
c-1
SC
AB
(a-1)(b-1)
SAB
BC
(b-1)(c-1)
SBC
AC
(a-1)(c-1)
SAC
ABC
(a-1)(b-1)(c-1)
SABC
SR
r -1
SA
MSA=
a -1
SB
MSB=
b -1
SC
MSC=
c -1
SAB
MSAB=
(a 1)(b 1)
SBC
MSBC=
(b 1)(c 1)
SAC
MSAC=
(a 1)(c 1)
SABC
MSABC=
( a 1)(b 1)(c 1)
MSR
MSE
MSA
F2=
MSE
MSB
F3=
MSE
MSC
F4=
MSE
MSAB
F5=
MSE
MSBC
F6=
MSE
MSAC
F7=
MSE
MSABC
F8=
MSE
Fuente de
variacin
MSR=
F1=
92
Error
(abc-1)(r-1)
SE
Total
N=abcr
ST
MSE=
SE
( abc 1)(r 1)
Donde:
a
T= Yijkl . Adems C= T
N
i 1 j 1 k 1 l 1
ST=
Y
i 1 j 1 k 1 l 1
2
ijk
1 a b c
YSijk2 C
r i 1 j 1 k 1
abc
YSR
l 1
2
l
SE = ST STR SR.
Ahora se define:
b
YSAi =
Y
j 1 k 1 l 1
c
ijkl
YSABij = Yijkl ;
k 1 l 1
YSBj =
Yijkl ;
YSCi =
i 1 k 1 l 1
YSBCjk =
j 1 l 1
ijkl
a 1 j 1 l 1
YSACik = Yijkl ;
Y
r
Y
i 1 l 1
ijkl
1 b
1 a
1 c
2
2
YSA
C
YSB
C
YSCk2 C
;
SB=
;
SC=
i
j
bcr i 1
abr k 1
acr j 1
SA=
1 a b
YSABij2 C -SA-SB;
cr i 1 j 1
SAB=
1 a c
YSACik2 C -SA-SC
br i 1 k 1
SAC=
SBC=
1 b c
C -SB-SC
YSBC
jk
ar
1
k
Supngase que los valores de los niveles del factor X sean p y q, mediante la transformacin Z=aX+b
1
p
y b=
, el intervalo [p,q] se convierte en [0,1]. Como a es diferente de 0 entonces
q p
pq
Z b
existe la transformacin inversa X=
.
a
donde a=
93
Condiciones
experimentales (CE)
1
a
b
ab
A
0
1
0
1
0
1
0
1
C
0
0
0
0
1
1
1
1
Ntese que para obtener la tabla para tres factores se agreg una columna y se duplicaron
las filas, se copi la tabla de dos factores dos veces consecutivas (verticalmente) y luego en
la segunda copia cada elemento de la primera columna se multiplic por c. Los valores de
la tercera columna en la primera copia son todos 0 y en la segunda copia son todos 1. Si se
quiere obtener esta tabla para cuatro factores se puede repetir este proceso.
Ahora se designa entre parntesis las sumas parciales de resultados en ciertas condiciones
experimentales. Por ejemplo en un experimento 23:
r
(ab)= Y110 l ;
l 1
(a)=
Y
l 1
100 l
(abc)=
Y
l 1
111l
; (1)=
Y
l 1
000 l
; etc.
Se pueden calcular los efectos totales que se denotan entre corchetes [A], [BC], [ABC], etc.
como combinaciones lineales de las sumas parciales definidas en las tablas anteriores. La
siguiente tabla muestra cmo se construyen estas combinaciones lineales en el caso de tres
factores:
(1)
(a)
(b)
(ab)
(c)
(ac)
(bc)
(abc)
1
-1
-1
1
-1
1
1
-1
1
1
-1
-1
-1
-1
1
1
1
-1
1
-1
-1
1
-1
1
1
1
1
1
-1
-1
-1
-1
1
-1
-1
1
1
-1
-1
1
1
1
-1
-1
1
1
-1
-1
1
-1
1
-1
1
-1
1
-1
1
1
1
1
1
1
1
1
Efectos
Totales
[1]
[A]
[B]
[AB]
[C]
[AC]
[BC]
[ABC]
Ntese que en el caso de [I] todos toman valor 1; en el caso de [A] solo toman valor 1 los
coeficientes de los trminos donde aparece a (esto es anlogo para [B] y [C]); Los casos
94
[A]
.
[ABC] = -(1) + (a) + (b) - (ab) + (c) - (ac) - (bc) + (abc)
Y tambin se calculan:
[ I ]2
C= 3 ;
2 r
SA=
[ A] 2
;
23 r
Y C ;
i 1 j 1 k 1 l 1
ST=
SB=
[ B] 2
;
23 r
2
ijk
SABC=
[ ABC ] 2
;
23 r
1
SR= 3
2
l 1
Y
i 1 j 1 k 1
ijkl
SE=ST-SA--SABC-SR
En todos los casos los grados de libertad tienen valor 1 excepto para SE donde tiene valor
23-1.
Ya se pueden definir los valores de F que en este caso se toman segn la influencia que
SR
1
trata de probarse. Por ejemplo, para las repeticiones se calcula FR =
; para el caso
SE
3
2 1
SAB
1
de la prueba de la influencia de la interaccin de A y B se calcula F AB =
y de
SE
3
2 1
manera semejante para todas las influencias que se quieren probar. La prueba consiste en
buscar en la tabla de la distribucin F de Fisher el valor F1
( 23 1) (1 )
y compararlo con la
( 23 1) (1 )
entonces las
95
El segundo caso es cuando solo interesa una parte de los experimentos de un diseo 2 n
factorial. Ahora se efecta una fraccin de los experimentos del diseo completo 2 n y se le
llama Repeticin Factorial o Diseo 2n Fraccional.
Interpoladores y Estimadores.
Diferencias divididas
Sea una funcin y=f(x) definida al menos en los k+1 puntos distintos x 0, x1, ,xk donde se
conocen los valores f(x0), f(x1), ,f(xk) 15
f [ x p ] f [ xq ]
x p xq
La diferencia dividida de orden k para los puntos x0,x1,,xk se define como f[x0,x1,
f [ x1 , x 2 ,...x k ] f [ x 0 , x1 ,...x k 1 ]
,xk]=
.
xk x0
Por ejemplo, veamos las definiciones de algunas las diferencias de segundo orden:
3.
f[x0,x1,x2]=
f [ x1 , x 2 ] f [ x0 , x1 ]
x 2 x0
4.
f[x2,x3,x4]=
f [ x3 , x 4 ] f [ x 2 , x3 ]
x4 x2
0
-4
1245
1
-1
33
2
0
5
3
2
9
4
5
1335
A partir de las columnas de los datos se van calculando las diferencias del numerador y del
denominador y luego las diferencias divididas
xi-xi-1
xi-xi-2
xi-xi-3
xi-xi-4
15
x f(x)
-4 1245
1212
3
4
f[xi-1,xi]
-1
33
-404
376
f[xi-2,xi1,xi]
94
96
6
9
1
3
6
i=4
-28
-28
1326
442
30
2
5
i=3,..,4
i=2,..,4
-14
78
13
10
440
-84
27
88
i=4
i=3,..,4
5 1335
i=2,..,4
i=1,..,4
i=1,..,4
Por ejemplo:
En la dcima columna 88 =
f(x 4 ) - f(x 3 )
1326
= f[x3,x4] =
x 4 x3
3
f[x 3 , x 4 ] - f[x 2 , x 3 ]
440
= f[x2,x3,x4] =
x 4 x2
5
Interpolacin Polinmica
La idea es la siguiente, dado k+1 puntos distintos x0, x1, ,xk donde se conocen los valores
y0=f(x0), y1=f(x1), , yk=f(xk) queremos hallar una funcin polinmica P(x) de grado k tal
que P(xi)=f(xi) para i=0,,k. Si evaluamos el polinomio en dada punto (xi,yi) obtenemos un
sistema que siempre tiene solucin por ser distintas entre s los datos xi:
a0 a1 x0 ... a k x0k y 0
k
a0 a1 x1 ... a k x1 y1
k
a0 a1 x2 ... a k x2 y 2
...
a0 a1 xk ... a k xkk y k
P(x) =
yi
(x x
j 0
j i
i 0
j 0
j i
( xi x
97
k 1
Pk ( x) Pk 1 ( x) [ y k Pk 1 ( xk )]
P0 ( x ) y 0
(x x )
i
i 0
k 1
(x
xi )
i 0
( k 1)
n+1
(a x ) P( x)
( k 1)!
(b a ) c i (b a )
donde los ci son los
2
ceros del polinomio T(x)=cos(n arccos(x)) donde x [-1,1], entonces se minimiza la
expresin max P ( x ) y por tanto se optimiza la expresin del resto. Se puede demostrar
( 2i 1)
y por tanto
que ci = cos
2n 2
xi =
(2i 1)
b a]
donde i=0,...,n-1.
2n 2
2
[(b a ) cos
16
1. Dados los n+1 puntos (xi,yi) RxR donde los xi son todos diferentes entre s,
reordenamos dichos puntos de manera que xi+1>xi , i=0,...,n-1.
2. Determinar el intervalo [a,b] tal que se cumpla que:
16
Esta frmula permite hallar n nodos pero si queremos hallar k+1 nodos basta tomar n=k+1.
98
pi
k
cos
(1 k )a (1 k )b 2 x
2n 2
n donde
(1 l )a (1 l )b 2 x
(2n 1) pi
0
l cos
2n 2
t
t
t t i 1 i ( x x )
i x
i
x
i 1
i
5. Hallar Yt(x) =
P( x )
Q ( x)
i
(x t )
i
Q ( x)
n
y i
i
i 0 Qi (ti )
para
x [ x , x
]
i i 1
para i=0,...,n-1.
donde
P ( x ) ( x t )...( x t )
0
n
Q (t )
n
y i c
i
i 0 Qi (ti )
[x ,x ] entonces calculamos
0
x x k que es la recta
que une a los dos puntos. Este spline solo garantiza la continuidad de la funcin pero no las de
su primera y segunda derivadas.
Spline Parablico
y 2 y1
x x1 que es la recta que une a los dos puntos.
x 2 x1
a. Para m=2: y y1
99
Hallar bm-1 =
y m y m 1
y cm-1 = y m 1 bm 1 x m 1
h
h = xi-1 xi
ai =
y i y i 1 2ai 1 xi 1 h bi 1 h
h2
bj =
y i 1 y i ai ( xi21 xi2 )
h
ci = yi ai xi2 bi xi
a. Para m=2: y y1
[ y"
2 y" ]( x
x )
k
k
k 1
k
k 1
x
x
6
k 1
k
ck =
y"
k
dk =
y"
y"
k 1
k
x
x
k 1
k
k 1
"
k 1
"
k
100
(x
x ) y" 2( x
x ) y" ( x x ) y"
k 1 k k 1
k 1 k k k 1 k k 1
k 2
6
x
[y
k 1
k 2
k 1
6
x
k 1
[y
k
k 1
y ]
k
si
y1 y y 2
........
z a1n2 1 b1n 2 1 ( y y n2 1 ) c1n2 1 ( y y n2 1 ) 2 d 1n2 1 ( y y n2 1 ) 3
.
.
.
Columna i=n1:
z a n11 bn11 ( y y1 ) cn11 ( y y1 ) 2 d n11 ( y y1 ) 3
.
17
si
y1 y y 2
si
y n 2 1 y y n2
101
si
y n 2 1 y y n 2
para
x1 x x 2
..
a1 pa1n11 qa1n11 ( x x n11 ) ra1n11 ( x x n11 ) 2 sa1n11 ( x x n11 ) 3
para
xn11 x xn1
.
.
.
Franja j=n2-1:
a n2 1 pa n2 11 qa n2 11 ( x x1 ) ra n2 11 ( x x1 ) 2 sa n2 11 ( x x1 ) 3
para
x1 x x 2
..
a n2 1 pa n 2 1n11 qa n2 1n11 ( x x n11 ) ra n 2 1n11 ( x x n11 ) 2 sa n2 1n11 ( x x n11 ) 3
pb
pc
pd
qa ji ( x x i ) ra ji ( x x i ) 2 sa ji ( x x i ) 3
ji
qb ji ( x x i ) rb ji ( x x i ) 2 sb ji ( x x i ) 3 ( y y j )
ji
qc ji ( x x i ) rc ji ( x x i ) 2 sc ji ( x x i ) 3 ( y y j ) 2
ji
qd
ji
( x x i ) rd
ji
( x x i ) 2 sd ji ( x x i ) 3 ( y y j ) 3
102
2
2
hxx ( , y )( x x ) 2 ( x x
) 2 h yy ( x, )( y y j ) ( y y j 1)
i
i 1
2
2
h
( ' , ' )( x x ) 2 ( x x
)2 ( y y )2 ( y y
)2
i
i 1
j
j 1
4
xy
1
1
...
...
...
...
X1
X2
n 1
n 1
.
Xn
n 1
1
1
.
1
X n
1
1
...
...
...
...
n 1
a x +
i ij
i 1
X1
X2
n 1
n 1
.
Xn
n 1
1
1
.
y1
a1
y
...
2
...
a n 1
b
yn
b = yj ; j=1,...,n
n 1
Y se tiene que Y = ai X b
i 1
103
El caso particular donde n=3 llamado Interpolacin Lineal con Triangulizacin es muy
conocido por sus aplicacin a la obtencin de modelos digitales de la topografa. Su
esencia puede ser explicada en sus pasos principales:
1.
Obtener, a partir de los puntos Pi del plano donde se han obtenido los valores Zi, el
conjunto de tringulos que cubran el rea delimitada por la frontera convexa definida
por dichos puntos de manera que dichos tringulos tengan interseccin vaca entre s.
Aqu se usa el Mtodo de Delaunay que permite obtener tringulos que sean lo ms
equilteros posible.
2.
Para cada tringulo, tomar los puntos espaciales (X,Y,Z) cuyas proyecciones son sus
correspondientes vrtices y obtener el plano Z = a + b X + c Y que pasa por estos
puntos (si el tringulo correspondiente en XY tiene rea no nula entonces este plano
siempre se puede determinar).
3.
104
Ntese que para estimar el punto que se seala en este grfico hay que utilizar la ecuacin
del plano correspondiente a la seccin del tringulo que contiene al punto donde se estima.
Estimacin por Inverso de una Potencia de la Distancia en Rn
Este mtodo es muy conocido. Dados n puntos ( Pi , Zi ) de Rn+1 se estima el valor de Z en
un punto P Pi (i=1,2,,n), mediante la frmula: Zest =
Zi
i 1
n
p
i 1 d i
, donde d ip es la potencia
S XY
(x
i 1
x x )( y i y a )
105
5.
Cuando r 0, puede afirmarse que no existe relacin lineal entre ambas variables.
Se dice en este caso que las variables son incorrelacionadas.
Si se definen:
n
2
Variacin Explicada Ve = (Yt i YM ) . Donde, reitero, Yt i es el resultado
i 1
2
Variacin Residual Vr = (Yt i Yi ) .
2
Variacin total Vt= (Yi YM ) .
i 1
i 1
Ve
Vt
d (a, b) (axi b y i ) 2 tiene su valor mnimo. Si derivamos esta funcin respecto a las
i 1
106
'
d a 2 xi (axi b y i )
i 1
i 1
x (ax
(ax
i 1
n
d b' 2 (axi b y i )
i 1
b yi ) 0
b yi ) 0
i 1
2
i
i 1
i 1
x y
a n b
i 1
n
i 1
a
j 1
f j (X ) .
El objetivo sigue siendo encontrar los valores de los coeficientes a0, a1, , ak tal que sea
mnima la diferencia Y-Yt. Si se conocen datos (Xi,yi) = (x1 i, x2 i,,xV i, yi) para i=1,,n,
107
entonces se pueden aplicar los razonamientos vistos para el caso de la Regresin Lineal
ms simple y obtener un mtodo para hallar los coeficientes ai de manera que la funcin
n
d ( a 0 , a1 ,..., a k ) a 0 a j f j ( X i ) y i
i 1
j 1
i 1
n
i 1
n
i 1
n
i 1
n
i 1
[ f 0 ( X i )Yi ]
[ f1 ( X i )Yi ]
[ f 2 ( X i )Yi ]
i 1
...
i 1
...
...
i 1
n
i 1
n
...
i 1
[ f 0 ( X i ) f 0 ( X i )] ... [ f k ( X i ) f 0 ( X i )]
i 1
n
i 1
n
[ f ( X ) f ( X )] ... [ f ( X ) f ( X )]
0 i 1 i
k i 1 i
i 1
n
i 1
n
i 1
i 1
i 1
i 1
[MS] =
[ f 0 ( X i ) f 2 ( X i )] ... [ f k ( X i ) f 2 ( X i )]
...
...
a0
a1
(A) =
...
a
k
[ f 0 ( X i )Yi ]
...
[ f 0 ( X i ) f k ( X i )] ... [ f k ( X i ) f k ( X i )]
i 1
n
[ f ( X )Y ]
(I) = 1 i i
i 1
...
n
[ f ( X )Y ]
k i i
i 1
...
[ f k ( X i )Yi ]
i 1
108
n
2
Si se calculan con las frmulas conocidas la Variacin Explicada Ve = (Yt i YM ) , la
i 1
2
2
Variacin Residual Vr = (Yt i Yi ) y la Variacin Total Vt= (Yi YM ) , entonces se
i 1
i 1
Ve
.
Vt
Ahora es necesario aclarar algo de suma importancia. Cuando se hallan los coeficientes de
un modelo de regresin, estamos obteniendo la mejor caracterizacin posible de un tipo de
modelo para los datos dados y esto implica dos cosas:
i.
ii.
Veamos ahora algunas pruebas de hiptesis relacionadas con los modelos de regresin y
para ello nos basaremos en el modelo lineal generalizado.
Para ello se deben establecer los siguientes parmetros:
Coeficiente de correlacin r
Vr
N K 1
Vr
N K
109
rz = ln
2 1 r
Se calcula a = rz
b.
Z (1 ) / 2
N 3
y b = rz
Z (1 ) / 2
N 3
donde Z se
obtiene mediante la tabla del Anexo 4 referida al rea debajo de la distribucin normal
1
tipificada Z:N(0,1) con nivel de confianza
.
2
c.
r 2 (N K )
y se calcula Fteor = FK, N-K-1, 1-. Si Fteor > Fexp entonces se
(1 r 2 ) ( K 1)
acepta el modelo.
Prueba para los coeficiente a1, , ak.
Primero deben ser buscados los coeficientes de correlacin parcial para cada a i con i=1,k.
Para ello:
a.
Ik
Ik
cik
...
I1
c11
...
...
...
...
c k1
... c kk
110
b.
A
, donde i=1;;k y adems:
CD
C=
i
A= ( 1) F1
i i
D = ( 1) Fi 1
F11
i 1
i 1
Donde ntese que se hallan determinantes a matrices de la forma F ij que es una matriz de
cofactores (de la matriz MCP se excluye la fila i y la columna j).
c.
d.
Gi
tN-K 1- .
x
Calcular: x =
m
i 1
Vr
; SXY =
; SCX =
N K
xi2 ; SCDX =
i 1
S CX
; a t S XY
N S CDX
S CDX
; b t S XY
x
i 1
S CX
N S CDX
xm
S CDX
Esta recta mnimo cuadrada, con una probabilidad dada por el nivel de confianza, est
situada en cierta rea determinada por una hiprbola.
Para hallar los puntos de esta hiprbola, para cada valor de x (generalmente se toman en el
rango de los datos xi) debe calcularse: xh = t S XY
1 ( x xm ) 2
111
Es obvio que estos clculos tan complejos deben ser hechos con el auxilio de un software.
Ejemplos de modelacin a partir de mediciones
Modelos relacionados con el Mtodo de Mnimos Cuadrados.
Este epgrafe lo enfocaremos en cuatro partes donde en cada uno se explicar un ejemplo.
Modelos de la forma U=f(x).
Sean los datos siguientes (70 pares de datos):
X
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
Y
2.25
2.24
2.24
2.25
2.26
2.26
2.27
2.27
2.28
2.29
2.29
2.3
2.31
X
17.5
18
18.5
19
19.5
20
20.5
21
21.5
22
22.5
23
23.5
Y
2.46
2.45
2.45
2.46
2.46
2.47
2.47
2.48
2.49
2.49
2.48
2.48
2.48
112
6.5
7
7.5
8
8.5
9
9.5
10
10.5
11
11.5
12
12.5
13
13.5
14
14.5
15
15.5
16
16.5
17
2.31
2.32
2.32
2.32
2.34
2.34
2.34
2.35
2.36
2.36
2.37
2.38
2.39
2.39
2.4
2.41
2.42
2.44
2.44
2.44
2.45
2.46
24
24.5
25
25.5
26
26.5
27
27.5
28
28.5
29
29.5
30
30.5
31
31.5
32
32.5
33
33.5
34
34.5
2.48
2.48
2.48
2.48
2.49
2.49
2.48
2.47
2.46
2.45
2.45
2.44
2.44
2.44
2.45
2.46
2.46
2.46
2.45
2.45
2.45
2.44
113
En lo que sigue mostraremos varios modelos mnimos cuadrados entre los cuales podemos
elegir el que sea ms conveniente.
Nombre del
Modelo
Polinomio de
Orden 4
Sinusoide
Modelo de
Richards
Funcin
Racional
Bent
Hiperblico
Cuadrtica
Recproca
Gausssiano
Cuadrtico
Modelo MMF
Ecuacin
Error estndar
y=a+bx+cx2+dx3+ex4.
a=
2.2502494
b=
-0.00051985366
c=
0.0019032887
d=
-8.9005761e-005
e=
1.1292961e-006
y=a+b*cos(cx+d)
a=
2.3453106
b=
0.13717219
c=
0.0993666
d=
-2.4709109
y=a/(1+exp(b-cx)^(1/d))
a=
2.4658765
b=
27.240856
c=
1.5006358
d=
271.58509
y=(a+bx)/(1+cx+dx^2)
a=
2.221318
b=
-0.024440382
c=
-0.017962254
d=
0.00015767556
y=a+b*x-sqrt((c+b*x)^2+d^2)
a=
2.3476081
b=
0.0064249007
c=
-0.11811613
d=
-0.0037141928
y=1/(a+bx+cx^2)
a=
0.45226387
b=
-0.0037553054
c=
7.3370479e-005
y=a*exp((-(b-x)^2)/(2*c^2))
a=
2.4727333
b=
25.812505
c=
54.407537
y=a+bx+cx^2
a=
2.207551
b=
0.020307567
c=
-0.00039036435
y=(a*b+c*x^d)/(b+x^d)
a=
2.2640689
b=
5809.4771
c=
2.4730707
0.0091206
Coeficiente de
Correlacin
0.9938177
0.0106496
0.9914313
0.0125865
0.9880102
0.0127668
0.9876621
0.0128214
0.9875558
0.0139154
0.9851011
0.0145622
0.9836721
0.0152432
0.9820948
0.0166760
0.9788559
114
d=
Logstico
Gompertz
Asociacin
exponencial
Logaritmo
Campana de
dos parmetros
Harris
Bacon-Watts
Doble Lnea
Lineal
Exponencial
Suma de
exponenciales
Potencia
Modificado
3.6933966
y=a/(1+b*exp(-cx)):
a=
2.4904983
b=
0.12944549
c=
0.096289814
y=a*exp(-exp(b-cx))
=
2.492033
b=
-2.0995924
c=
0.092001625
y=a(b-exp(-cx))
a=
0.2893436
b=
8.6183611
c=
0.087768862
0.0222603
0.9614131
0.0224766
0.9606440
0.0226951
0.9598590
y=a+b*ln(x+c)
a=
2.0537053
b=
0.1210167
c=
3.5531964
y=a/(1+x*x)^b
a=
2.18997
b=
-0.017841194
0.0272434
0.9416142
0.0280214
0.9371659
y=1/(a+bx^c)
a=
0.45760988
b=
-0.01376248
c=
0.40487585
y=a+b*(x-d)-c*(x-d)*tanh((x-d)/e)
a=
2.2860506
b=
0.91686569
c=
0.91011232
d=
0.026132771
e=
0.046548381
y=a+bx
a=
2.2838672
b=
0.0068399965
y=ae^(bx)
a=
2.2873026
b=
0.0028099494
y=a*exp(-b*x)+c*exp(-d*x)
a=
1.1436513
b=
-0.0028099471
c=
1.1436513
d=
-0.0028099471
y=a*b^x
a=
2.2873026
0.0312281
0.9225239
0.0398439
0.8745055
0.0391838
0.8729205
0.0400077
0.8671078
0.0406093
0.8671078
0.0400077
0.8671078
115
b=
1.0028139
Bleasdale
y=(a+bx)^(-1/c)
a=
0.97965788
b=
-6.8212494e-005
c=
0.024837585
0.0403256
0.8669624
Lineal
Recproca
y=1/(ax+b)
a=
-0.0011535232
b=
0.43656433
y=1/(a*(x+b)^2+c)
a=
-8.258624e-006
b=
51.946065
c=
0.45707186
0.0408172
0.8612391
0.0453174
0.8284481
Cauchy
2.
Sin embargo hay que decidir si dado un modelo, todos sus trminos son importantes. Por
ejemplo si analizamos los coeficientes de correlacin parcial en el primer modelo de la
tabla anterior tendremos que:
Ntese que el coeficiente de b es bastante bajo, esto puede sugerir que un modelo sin este
trmino puede ser til:
Y = 2.249171+0.001844* X2 -8.653935E-5 * X3 + 1.0958697E-6 *X4
Coeficiente de correlacin, r =0.993811575233762 (el otro modelo tiene 0.9938177).
Coeficientes de correlacin parcial:
0.96393650
-0.92588922
0.86649534
116
Y
0
0
0
0
1
1
1
1
2
2
2
2
3
3
3
3
4
4
4
4
Z
4
3
2
3
4
5
6
7
8
8
7
6
5
6
7
8
7
6
4
5
117
(-0.08)*(X*Y) +
(0.15)*(X2)+ (-0.67857143)*(Y2)
Coeficiente de correlacin, r =0.819829253373947
Coeficientes de correlacin parcial:
-0.10829503
0.76582967
-0.12553971
0.14839748
-0.75058370
Modelo 3:
Z = (2.64796663190823)*(1)+
(3.55589155370178)*(Y)+
(-0.0966423357664249)*(X*Y)+
(0.0459854014598545)*(X2)+ (-0.678571428571428)*(Y2)
Coeficiente de correlacin, r =0.81745278556066
Coeficientes de correlacin parcial:
0.77033907
-0.15472139
0.15271247
-0.74864668
Modelo 4:
Z = (2.99285714285714)*(1)+
(3.36428571428572)*(Y)+
(-0.0200000000000002)*(X*Y)+
(-0.678571428571429)*(Y2)
Coeficiente de correlacin, r =0.812592790543873
Coeficientes de correlacin parcial:
0.77977717
-0.05375478
-0.74474880
118
Modelo 5:
Z = (2.99285714285714)*(1)+ (3.31428571428572)*(Y)+ (-0.67857142857143)*(Y2)
Coeficiente de correlacin, r =0.811986840897209
Coeficientes de correlacin parcial:
0.79371283
-0.74426867
Con lo cual llegamos a la conclusin de que en este tipo de modelo la variable X no influye
en la variable Z.
El grfico del modelo 3 es:
119
Y
1
1
1
1
2
2
2
2
Z
1
2
3
4
1
2
3
4
U
4
5
6
7
8
7
6
5
120
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
1
1
1
1
2
2
2
2
3
3
3
3
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
4
5
6
7
8
9
4
3
2
3
4
5
6
7
4
0
121
Modelo 3:
U = (7.29678848283499)*(1)+
(-0.417)*(X2)+ (-0.1007653)*(Y2)+ (-0.076873)*(Z2)
Coeficiente de correlacin, r =0.40754598973694
Coeficientes de correlacin parcial:
-0.31796070
-0.17564491
-0.22807534
Ahora estamos ante una situacin compleja ya que no podemos auxiliarnos fcilmente de
grficos y los modelos ms usuales no nos satisfacen. Podemos intentar con modelos ms
complejos en una suerte de proceso de pruebas; por ejemplo he probado para estos datos
varios modelos y el siguiente comienza a acercarse (noten su complejidad):
Modelo 4:
U = 6.07810248387516+
1.82673892758877 * SIN(X*Y) - 1.19317547733866 * SIN(X*Z) +
0.48242626098084 * EXP(-Z)
- 0.84129310149108 * COS(Y/X) +
-1.70455195586026 * COS(X/Z)
Coeficiente de correlacin, r =0.66189901766136
Coeficientes de correlacin parcial:
0.56486991
-0.43517492
0.02056723
-0.28735653
-0.22041581
Hay casos donde el proceso es muy complejo y donde, incluso, no es posible determinar un
modelo mnimo cuadrado y entonces hay que revisar el proceso de modelacin y muestreo
desde el principio.
Modelos de la forma U=f(x1,x2,,xp).
122
Estos modelos son generalmente hiperplanos porque los modelos ms complejos son
difciles de obtener y de interpretar en el lenguaje del objeto de investigacin. Veamos un
ejemplo:
Sean los datos
X1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
X2
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
X3
1
1
1
1
2
2
2
2
1
1
1
1
2
2
2
2
1
1
1
1
2
2
2
2
1
1
1
1
2
2
2
2
X4
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
Y
3
3.2
3.1
3.04
2.89
2.9
2.88
2.93
3.01
3.12
3.01
2.96
2.87
2.94
2.96
3
2.92
3.02
3.07
3.17
2.99
2.91
3.04
3.13
3.2
3.12
3.17
3.3
3.35
3.45
3.2
3.3
123
124
X
-1
-0.5
0
0.5
1
1.5
2
2.5
3
3.5
4
Y
-0.86466472
-0.43309856
0.30685282
0.86773468
0.90138771
0.71960358
0.74904092
1.01944035
1.39304084
1.79541037
2.20824667
Ntese que los valores de xi se han tomado equidistantes y por tanto esta tabla no contiene
toda la informacin que necesitamos para obtener un modelo exacto de la funcin original.
Esta es una situacin que se da a menudo durante los procesos de modelacin debido a que
lo usual es que no conozcamos la expresin (o forma) del comportamiento de y cuando x
vara en cierto intervalo.
Interpolacin Polinmica Clsica
La ecuacin obtenida por este mtodo es:
Y = (0.306853) + (1.510850)X + (-0.384340)X2 + (-0.942332)X3 + (0.123504)X4 +
(0.437551)X5 + (-0.090308)X6 + (-0.110954)X7 + (0.061804)X8 + (-0.012089)X9 +
(0.000848)X10.
La Media Aritmtica de la diferencia entre valores obtenidos al evaluar 502 puntos en la
funcin original y en el polinomio de interpolacin es 0.006006; la desviacin estndar es
0.014098. Grficamente podemos ver las diferencias entre estas dos funciones:
125
El grfico del polinomio de interpolacin coincide en que este modelo es bastante bueno
excepto al final del intervalo:
Si la interpolacin se realiza con menos puntos, probablemente el resultado fuera peor. Por
ejemplo el siguiente grfico muestra un polinomio de interpolacin con 7 puntos es:
126
Si visualizamos las diferencias con respecto a la funcin original para 502 puntos se tiene:
Podemos percatarnos que los errores estn distribuidos en todo el intervalo y se acentan en
los extremos aunque el mayor error en valor absoluto es de 0.05 (en la frmula clsica este
mayor error es de 0.07) La Media Aritmtica de las diferencias es de -0.005659 (algo
mejor que el 0.006006 de la frmula clsica) y la desviacin estndar es 0.019055 (algo
peor que el 0.014098 de la frmula clsica). El coeficiente de variacin es de -3.366925 en
el ltimo caso por 2.347477 en el mtodo clsico.
Interpolacin Polinmica por Tramos
Veamos para la tabla de 11 datos los grficos de la interpolacin por splines:
127
Splines Lineal:
El grfico de sus diferencias con los resultados correctos para 502 puntos es:
Splines Cuadrtico:
128
El grfico de sus diferencias con los resultados correctos para 502 puntos es:
129
El grfico de sus diferencias con los resultados correctos para 502 puntos es:
Lo cual muestra que los resultados son muy parecidos y aunque existen ventajas del spline
cbico natural sobre otros mtodos de interpolacin, estas no son extraordinarias para este
caso.
Interpolacin por Inverso de la Distancia
130
131
0.798539
(-0.508268) cos(1.256637*X) + (-0.092683) sen(1.256637*X)+
(-0.274917) cos(2.513274*X) + ( 0.576696) sen( 2.513274*X)+
( 0.177375) cos(3.769911*X) + ( 0.305251) sen(3.769911*X)
El grfico es:
132
Y=
0.798539
(-0.508268) cos(1.256637*X) + (-0.092683) sen(1.256637*X)+
(-0.274917) cos(2.513274*X) + ( 0.576696) sen( 2.513274*X)+
( 0.177375) cos(3.769911*X) + ( 0.305251) sen(3.769911*X)+
( 0.237258) cos(5.026548*X) + (-0.067256) sen(5.026548*X)+
( 0.004921) cos(6.283185*X) + (-0.195628) sen(6.283185*X)
El grfico es:
0.798539
(-0.508268) cos(1.256637*X) + (-0.092683) sen(1.256637*X)+
(-0.274917) cos(2.513274*X) + ( 0.576696) sen( 2.513274*X)+
( 0.177375) cos(3.769911*X) + ( 0.305251) sen(3.769911*X)+
( 0.237258) cos(5.026548*X) + (-0.067256) sen(5.026548*X)+
( 0.004921) cos(6.283185*X) + (-0.195628) sen(6.283185*X)+
(-0.153949) cos(7.539822*X) + (-0.052537) sen(7.539822*X)+
(-0.083091) cos(8.796459*X) + ( 0.111302) sen(8.796459*X)+
( 0.071497) cos(10.053096*X) + (0.098513) sen(10.053096*X)+
( 0.103560) cos(11.309734*X) + (-0.033207) sen(11.309734*X)+
( 0.000353) cos(12.566371*X) + (-0.097814) sen(12.566371*X)
(-0.084451) cos(13.823008*X) + (-0.027739) sen(13.823008*X)
El grfico es:
133
134
135
:
Con un adecuado muestreo de la topografa, este es el mtodo de eleccin para el desarrollo
de los modelos digitales de terrenos en la prctica de la topografa.
136
Spline Bilineal:
137
Spline Bicuadrtico:
138
Spline Bicbico:
Ntese que para el caso de las superficies y en este ejemplo se destaca las ventajas del
spline bicbico sobre los otros splines.
139
140
141
b.
Sea f 2(x) + 2f(x) = -1. En este caso se puede escribir como f 2(x) + 2f(x) +
1=0 y por tanto (f(x)+1)2 = 0, de donde f(x)=-1.
c.
18
Una ecuacin numrica puede considerarse un caso particular de una ecuacin funcional si la solucin se
busca en el subconjunto de las funciones constantes.
142
2z
ii.
z(x,y) = x A(y) + B(y) es solucin de la ED
0 donde A(y) y
x 2
B(y) son funciones arbitrarias que dependen de la variable independiente y. Esto quiere
decir que son soluciones particulares z=x+1; z=xy-2; z=xy2+y; z=xey-ln(y); etc.
Como puede observarse la solucin de una ED puede ser descrita mediante constantes y
funciones arbitrarias que definen la llamada Solucin General de la ED; las soluciones
particulares se obtienen cuando las constantes y funciones arbitrarias toman valores
concretos.
Sin embargo para algunas ED pueden ser encontradas Soluciones Singulares que no se
obtienen como soluciones particulares (es decir, dando valores particulares a las constantes
y funciones arbitrarias). Por ejemplo:
1.
x
,
Cx 1
donde C es una constante arbitraria real; sin embargo y=0 es tambin solucin
(singular) de la ED, sin que sea posible obtener y=0 evaluando algn valor de C en y=
x
.
Cx 1
2.
2 3 3/ 2
x .
3
143
'
( n)
'
(n)
'
( n)
F2 ( x, y1 , y1 ,..., y1 , y 2 , y 2 ,..., y 2 ,..., y m , y m ,..., y m ) 0
....
Modelos que se expresan mediante una ED o un SED. En este caso se pide buscar el
conjunto de funciones que son soluciones y este resultado da respuesta funcional
general al problema ingenieril planteado.
Por ejemplo, si se conoce que en ciertas condiciones fsicas la variacin instantnea de
la velocidad de un cuerpo es proporcional a su masa M que vara en el tiempo, se puede
dx(t )
kM (t ) .
plantear la ED general:
dt
Supongamos ahora que experimentalmente se ha obtenido que para ciertos cuerpos se
m
donde m es la masa inicial del cuerpo y adems que k=0,34. La
1 t
dx 0,34m
144
de ecuaciones en k y B:
0,15 k (0) 4 / 3 B
0,25 k (1) B
4/3
2.
2.
ED de Variables Separables
e.
ED Exacta.
f.
g.
h.
ED de Bernoulli.
i.
j.
145
4.
Mtodos por series: Las soluciones se buscan en forma de series cuyos coeficientes
dependen de la forma de la ED.
a. Mtodos de series de potencias para EDO lineales con coeficientes variables.
b. Series de Fourier (Mtodo de Separacin de Variables para EDP).
P( x)
Q( y )
equivalente a
dy
P ( x)
y que se transforma en
dx Q ( y )
Ejemplo:
Sea y-x=1+y+xy. Esta ED se puede escribir
dy
= (1+x)(1+y), de manera que separando
dx
dy
ye
x2
C
2
dy
1 y (1 x)dx C ,
el resultado es
x2
C . Cuando es posible, la solucin puede ser escrita en forma explcita
2
ED Exacta:
En
esta
ocasin
la
ED
se
puede
transformar
la
forma
diferencial
Q
P
P ( x, y )dx +
Q ( x, y )
P( x, y )dx
y
dy
+C
Ejemplo
P ( x, y ) x y
Q ( x, y ) x e
, es fcil comprobar
146
(
x
y
)
dx
(
x
e
)
( x y)dx dy
y
+C=
x2
xy x e y x dy C =
2
x2
xy e y C .
2
ED Reducibles a Exactas:
Existen ED que tienen la forma P ( x, y )dx Q ( x, y ) dy 0 pero no se cumple que
Q
P
, sin embargo se puede encontrar una funcin F(x,y) tal que al multiplicarla por
x
y
la ED la convierta en exacta, es decir F ( x, y ) P ( x, y ) dx F ( x, y )Q ( x, y ) dy 0 cumple
( FQ) ( FP )
que
. A la expresin F(x,y) se le llama Factor Integrante.
x
y
Encontrar un factor integrante (que no sabemos si existe) es una tarea muy compleja. Se
han elaborado ciertas tcnicas para encontrarlos cuando solo dependen de x o de y:
Q P
Ejemplo
Sea la ED: [y2cos(x)] dx + [4+5y sen(x)] dy = 0. Puesto que las funciones P= y 2cos(x),
Q=4+5y sen(x), entonces se tiene que PY=2ycos(x) y QX=5ycos(x) por lo que la ED no es
exacta.
Podemos percatarnos de que
Q X PY 3
= y y al depender solo de y entonces F(x,y)=
P
y dy = y3 es el factor integrante.
P ( x ) dx
Q ( x )e
P ( x ) dx dx C
147
Ejemplo:
y
1
1 . Ntese que P(x)=
y Q(x)=1, por tanto sustituyendo en la frmula
x
x
1
dx
1 x2
x C
dx
C =
se obtiene: y= e x 1 e dx C =
.
x 2
2 x
Sea la ED y '
1
x
ED de Bernoulli:
Tienen la forma y + P(x) y = Q(x)yn con n diferente de 0 y de 1. En este caso se realiza la
sustitucin v=y1-n de manera que la ED se transforma en v + (1-n)P(x)v = (1-n)Q(x) que es
lineal de primer orden.
Ejemplo:
3
Sea y ' 2 x y . Si asumimos que P(x)=
, Q(x)=2x y n=-1, entonces estamos en
2x
presencia de una Ecuacin de Bernoulli. Realicemos el cambio de variables v=y1-(-1)=y2; de
3y
2x
v'
2x 1/ 2
v
1/ 2
2x
2v
v
dy dy dv 1 1 / 2
v
v' . Sustituyendo en a ED original:
dx dv dx 2
3
dy
y
F y haciendo las sustituciones
dx
x
y
dy
dv
vx
; y=vx;
, puede convertirse en la ED de variables separables x
x
dx
dx
dv
F (v ) v .
dx
Nota: La ED
dy
F x, y es homognea si F(x,y) es una funcin homognea de grado 0
dx
escribir dx
dy
dy 4 x 2 3 y 2
4 x 2 3 y 2 que se transforma en
y que se puede
dx
2 xy
dx
1
3 y
dy
dv
dv 2 3v
vx
y
2 x . Si tomamos y=vx;
, entonces v x
dx
dx
dx v 2
x
2v
dx
dv
. Integrando ambos trminos
x
v 4
ln(v2+4)=ln(x)+D y asumiendo D=ln(C) se puede transformar a v2+4=C x .
y separando variables:
se obtiene
148
Reescribiendo esta solucin segn la variable original y, se tiene que y2+4x2 = Cx3.
ED Reducible a Homognea de primer orden:
dy
ax by c
xuh
orden tomando la sustitucin
que anulen a c y f.
y vk
Ejemplo:
dy
2x 3y 1
Sea la ED dx x 4 y . Si sustituimos
ecuacin se tiene
xuh
y vk
en el miembro derecho de la
ahora necesitamos
2h 3k 1 0
conocer para que valores de h y k se tiene que
. Resolviendo el sistema se
h 4k 0
tiene que h=
4
1
y k=
.
11
11
Ahora se resuelve la ED
dv 2u 3v
du
u 4v
4
x
11
donde
.
1
y v
11
a
k 0
los coeficientes ai son constantes reales. La solucin de estas ED sigue los siguientes pasos:
a.
la forma
a
k 0
b.
c.
h n =0 o sea anhn++a1h+a0 = 0.
149
d.
Ejemplos:
1.
y+3y+2y=0
La EC es h2+3h+2=0 y por tanto h1=-1 y h2=-2. Las funciones asociadas son U 1(x)=e-x y
U2(x)=e-2x. La solucin de la ED es y(x) = C1e-x + C2e-2x.
2.
y+y+2y=0
1
7
1
7
i y h2=
i . Las funciones
2
2
2
2
X
7
7
cos
x y U2(x)= e 2 sen
x . La solucin de la ED es
2
2
X
7
x .
+ C2 e 2 sen
2
X
2
cos
7
2
X
2
y+3y+3y+y=0
La EC es h3+3h2+3h+1=0 y por tanto h1=h2=h3=-1. Las funciones asociadas son
U1(x)=e-x; U2(x)=xe-x y U3(x)=x2e-x, donde h2 tiene multiplicidad 1 con respecto a h1 y h3
tiene multiplicidad 2 con respecto a h1.
La solucin de la ED es la combinacin lineal y(x) = e-x(C1 + C2 x + C3 x2).
4.
y- a2 y=0
La EC es h2 a2 = 0 y sus races son h 1 = a; h2 = -a. La solucin general se escribe y(x)
= C1eax + C2e-ax pero tomando C1=
A B
A B
; C2= , entonces se puede escribir y(x)
2 2
2
2
e ax e ax
e ax e ax
2
2
=A
+B
= A cosh(ax) + B senh(ax).
150
n
a
k 0
donde los coeficientes ai son constantes reales. La solucin de estas ED sigue los siguientes
pasos:
n
a.
a
k 0
b.
a
k 0
c.
y ( n ) ( x) =0.
y ( n ) ( x) =f(x)
Puesto que ya sabemos cmo calcular y h procederemos a explicar cmo calcular yp. El
mtodo ms empleado (sin que sea el ms eficiente) es el llamado Mtodo de Coeficientes
Indeterminados que consiste en suponer yp como una combinacin de funciones y
coeficientes indeterminados tal que por su forma, al ser sustituida en el miembro derecho
n
de la ED
a
k 0
W(x)=
'
1
U 2 ( x)
'
2
U ( x)
...
U ( x)
...
U 1( n 1) ( x )
U 2( n 1) ( x )
...
U n ( x)
...
...
U n' ( x )
.
...
... U n( n 1) ( x )
151
...
.
0
f ( x )
Wi ( x )
dx .
La solucin particular se obtiene como yp(x)= U i ( x)
W ( x )
i 1
Nota:
Para n=2 se tiene que yp(x) = U 1 ( x)
U 2 ( x ) f ( x)
U ( x) f ( x)
dx U 2 ( x) 1
dx .
W ( x)
W ( x)
'
'
'
a12Y1 b12Y1 a 22Y2 b22Y2 ... a n 2Yn bn 2Yn f 2 ( x)
...
(a11 D b11 )Y1 (a21 D b21 )Y2 ... (an1 D bn1 )Yn f1 ( x)
...
(a D b )Y (a D b )Y ... (a D b )Y f ( x)
1n 1
2n
2n 2
nn
nn n
n
1n
Ahora este sistema puede ser resuelto aplicando mtodos algebraicos como los de
eliminacin, sustitucin, Kramer y Gauss-Jordn para despejar las funciones y luego se
obtienen ED que deben ser resueltas.
Veamos el siguiente ejemplo:
152
2 y1' y2 x
2Dy1 y2 x
Sea el SED
, el cual se escribe como
. En notacin
'
y1 3 y 2 y2 0
y1 (3D 1) y2 0
1
2D
matricial este sistema se plantea como:
1 3D 1
2D
3D 1 0
y1 x
y2 0
1 6D 2D x
2
La segunda fila es una ED que solo depende de la funcin y 2. Esta ED se escribe como:
1
5x
C 2 sen
5x
+x+2.
d2y
dy
5(1 x 0)1
8(1 x 0) 0 y x 2
2
dx
dx
dy 1 dy
dx e t dt
153
d2 y
1
2
3
dx
et
e t
d2y
dy
et
2
dt
dt
d2y
dy
6
8 y e 2t ,
2
dt
dt
na
na
n 1
n 1
n 0
(x-3)
n 0
n 1
na
n 1
x n -3 na n x n 1 +2 a n x n =0.
na
n 1
x n = na n x n
n 0
x n 1 .
Puesto que:
x n 1 +2 a n x n =0 que se
n 0
154
(n 1)a
n 0
n 1
na
n 1
x n 1 =
xn
na
Ahora la ED se escribe
n 0
3(n 1)a n 1 2a n x n 0
y se deduce que
na n 3(n 1)a n 1 2a n 0 .
n2
an .
3(n 1)
an+1
a1 =
a2 =
k-1
2
ao
3
3
32
3
a1
a 0 2 a0
6
63
3
4
a3 = 3 a 0
3
k 1
ak = k a 0
3
n 1 n
x donde ao es la constante arbitraria.
3n
La sustitucin y(x)= c m x
m 0
( m)( m 1)
cm .
(m 1)(m 2)
c2m
( 1) m a 2 m c 0
= 1
155
c2m+1
1 m
(1) m a 2 m 1 c1
m
2m
Entonces se tienen las dos soluciones independientes: y1(x) = c 0 (1) a 2 m x
; y2(x)
m 0
= c1 (1) a 2 m 1 x
m
2 m 1
m 0
m0
1.
2.
m0
p ( x )dx
Si r1 = r2 entonces:
r
y1(x) = x
a
n 0
xn
r
y2(x) = y1 ( x) ln( x) x
0.
, con a0
1
b
n 0
xn
Si r1 - r2 =N entero, entonces:
r
y1(x) = x
a
n 0
xn
0.
, con a0
r
y2(x) = Cy1 ( x) ln( x) x
b
n 0
xn
156
y2(x) =
f (t )e p ( t )dt y ( x ) y (t ) y ( x ) y (t ) dt
2
1
1
2
x0
1.
x 2 y ' '
3
1
3
1
xy ' ( x 2 1) y 0 para percatarnos que p(x)= x y que q(x)= ( x 2 1)
2
2
2
2
.
La ecuacin determinante es r(r-1)+
3 1
1
r- =0, cuyas races son r1=
y r2=-1, por lo
2 2
2
x2
x4
x6
1/ 2
Ax
1
...
y1(x) =
14 616 55440
x2 x4
x6
1
Bx
1
...
y2(x) =
2
40 2160
1/ 2
Ahora y(x)= Ax 1
2.
x2
x4
x6
x2 x4
x6
... + Bx 1 1
... .
14 616 55440
2
40 2160
n
m
Para r1=n no entero la solucin se plantea como y(x)= x c m x . Sustituyendo en la
m 0
x
( 1)
k 0 k ! ( k n 1)
k
x
( 1)
k 0 k ! ( k n 1)
k
Para n entero la solucin general es y(x) = C 1 Jn(x) + C2 Yn(x) donde Yn(x) es la funcin
J m ( x) cos( m ) J m ( x)
de Weber (o de Neumann) y se define Yn(x)= lim
.
mn
sen(m )
157
... n
. Veamos los siguientes ejemplos:
X1
X2
Xn
Y
z
1.
dx
dy
y2
x2
y2
x2
C.
sistema y x que es
2
2
2
2
Puede comprobarse fcilmente que esta funcin satisface a la ED.
u
2.
dx dy dz
1
1
x
dx dy
que es equivalente a
dz cuyas soluciones son
dx x
y xC 0
, la
x2
zD0
2
x2
- z + A.
2
3.
resolvamos el sistema
dx dy dz
equivalente a
1
1
x
dx dy
dz
dy
y xC 0
x
z
, entonces z(x,y)=
x2
+ y - x + A.
2
158
X ( x)Y ( y )
x
y
Que es equivalente a:
X ' ( x)Y ( y ) X ( x )Y ' ( y ) X ( x)Y ( y )
X ( x)
Y ( y)
Ahora debemos usar uno de esos racionamientos que superan cualquier expectativa:
La relacin
X ' ( x)
Y ( y) Y ' ( y)
es igual a la relacin
para todos los valores de
X ( x)
Y ( y)
X ' ( x)
Y ( y) Y ' ( y)
=k=
, donde k R.
X ( x)
Y ( y)
La ED de primer orden
X ' ( x)
=k, cuya solucin es X(x)=Cekx
X ( x)
2.
La ED de primer orden
Y ( y) Y ' ( y)
=k, cuya solucin es Y(y)=De(1-k)y.
Y ( y)
159
En muchas ocasiones estas EDP pueden ser resueltas por el Mtodo de Separacin de
Variables que ya introducimos para EDO de primer orden. Veamos algunos ejemplos:
1.
X ' ' ( x) kX ( x) 0
, cuyas soluciones dependen del signo de la constante real k. Esta
Y ' ' ( y) kY ( y) 0
diversidad de posibles soluciones, lejos de ser una dificultad, es una ventaja para
resolver distintos tipos de PCIC tal como veremos ms adelante.
2.
X ' ' ( x) kX ( x) 0
obtienen las dos EDO:
, cuyas soluciones dependen del signo de la
Y ' ' ( y) kY ( y) 0
constante real k. Tambin en este caso, la diversidad de posibles soluciones es una
ventaja para resolver distintos tipos de PCIC tal como veremos ms adelante.
160
3.
Sea la ecuacin de la conduccin temporal del calor en una barra fina de longitud
medida en X, Zt = a Zyy donde a es una constante que depende del material de la barra.
Proponiendo la solucin Z(x,y)=X(x)T(t) y sustituyendo en la EDP, se obtienen las dos
X ' ' ( x) kX ( x) 0
EDO:
, cuyas soluciones dependen del signo de la constante real k.
T ' (t ) akT (t ) 0
Tambin en este caso, la diversidad de posibles soluciones es una ventaja para resolver
distintos tipos de PCIC tal como veremos ms adelante.
Existen otros mtodos que su nivel de complejidad que no son considerados bsicos:
Nota: Una exposicin muy completa de estos y otros mtodos relacionados con las EDP
puede verse en Tijonov y Samarsky.
Problemas con Condiciones Iniciales y de Frontera
Para resolver un PCI, primero debe establecerse si existe solucin para el problema y en ese
caso, saber si es nica. Para esto se utilizan los llamados Teoremas de Existencia y
Unicidad. Veamos, a modo de ejemplo, el teorema para un Problema de Cauchy clsico
y ' h( x, y )
dado por el par
, o sea por una EDO de primer orden y una condicin inicial.
y 0 f ( x0 )
Teorema (Existencia y Unicidad):
Supongamos que la funcin de variables reales h(x,y) es continua en algn rectngulo del
plano que contenga el punto (x0,y0) en su interior. Entonces el Problema de Cauchy
y ' h( x, y )
tiene al menos una solucin en algn intervalo abierto J que contiene a x=x .
y 0 f ( x0 )
0
161
1.
y' y
. Ntese que h(x,y)=-y;
( x0 , y0 ) (0,1)
Sea el problema
h
=-1 son continuas en
y
todo R2 por tanto podemos asegurar que el problema tiene solucin nica.
2.
y
y '
( x0 , y 0 ) (0,1)
Sea el problema
3.
Sea el problema
y' 2 y
( x0 ; y0 ) (0;0)
es continua para
y
Obtener, si existe y es nica, la solucin del problema
x
( x0 ; y 0 ) (1;2)
y' 1
. La
y
1 que es una ED lineal de primer orden cuya
x
162
x C
. Sustituyendo los valores x=1, y=2, se determina el valor de
2 x
3
x
3
C= . La solucin particular es y=
.
2
2 2x
solucin es y=
C1 C2 1
C1 2
. La solucin es
y por tanto la solucin particular buscada
C1 2C2 0
C2 1
es y(x)= 2e-x - e-2x.
1
3
A
B0
2
2
. Cuya solucin19 es
2 A 2 B
2
2
4
3 2 6
8
8
6 2
8 8
y permite escribir la
A3
kA 1
,
cuya
solucin
es
1.
k
(1 k ) A 2
163
kx
Si
e
evaluamos
ah 2 t
la
Bn e
n
a
sen
B e
i 1
n x .
sen
B
i 1
n x
sen
= f(x) y aqu, tenemos que hacer un esfuerzo especial de raciocinio para darnos
cuenta que si asumimos que f(x) es una funcin peridica con perodo T=2L,
definida en el intervalo [-L;L] y se cumple que f(x)=-f(-x) (f(x) es impar), entonces
164
B
i 1
n x
sen
2
n x
f ( x ) sen
dx
L0
L
L
an = 0.
z(x;y)=
f(x) sen L dx e
i 1 L 0
n x
.
L
sen
U(0; y) 0
U(x; b) 0
condiciones
para 0 y b ;
para 0 x a .
U(a; y) 0
U(x;0) f ( x)
Aplicando el Mtodo de Separacin de Variables se propone la solucin
U(x;t)=X(x)Y(y) que conduce a las dos EDO independientes (por el mismo
razonamiento del ejemplo anterior k=-h2):
Yn(y)=An cosh
n b
donde Bn = An
y por tanto:
n b
senh
a
cosh
20
n b
de
a
= - Bn senh
Vea el ejemplo 4 de las EDO Lineales con coeficientes constantes en este mismo epgrafe.
165
An
n b
n y
n b
n y
senh
cosh
cosh
senh
a
a
a
a
Yn(y) =
n b
senh
a
n b
Yn(y) =
a
a
n (b y )
.
Yn(y) = H n senh
a
i 1
n x
n (b y )
senh
.
se tiene U(x;y) = G n sen
a
a
i 1
U(x;y) =
sen
G
i 1
n x
n (b)
senh
=f(x)
a
a
sen
n (b)
, se tiene que f(x)=
Escribiendo bn = Gn senh
a
b
i 1
n x
y
a
sen
a0
a
2
n x
dx y Gn =
entonces bn = f ( x) sen
=
a0
a
n (b)
senh
a
2
n x
f ( x) sen
dx
.
a
n (b) 0
a senh
U(x;y)=
b.
n (b)
a senh
a
i 1
n x
n x
n (b y)
dx sen
senh
a
a
a
f(x) sen
0
166
a
k 0
cuyo resultado es una ecuacin algebraica en Y(s) que se puede escribir como: P(s)
Y(s) A(s) = B(s).
n
A(s) B(s)
.
P(s)
A(s) B(s)
= y(t).
P(s)
1
3. Hallando la transformada inversa L1 Y ( s ) = L
Veamos algunos:
Ejemplos:
t 0.
(s+4) Y(s) =
2
. Agrupando Y(s) se tiene:
s3
2
2
+ y(0) =
+1.
s3
s3
Aqu se nos presenta el primer requerimiento de este mtodo: Deben conocerse las
condiciones iniciales para t=0 en cada funcin o derivada de menor orden.
2
Despejando, Y(s) = s 3
s4
2
1
.
( s 3)( s 4) s 4
2
1
.
( s 3)( s 4) s 4
1
Para hallar la solucin se plantea: L1 Y ( s ) y(t) = L
167
2
1
( s 3)( s 4) s 4
Se puede descomponer21
2
2
1
( s 3) ( s 4) s 4
2
1
2s
. En este caso no es tan sencillo hallar la TLI.
s 2s 5
2
Para descomponer
2s
realicemos primero un completamiento de cuadrado:
s 2s 5
2
2( s 1) 2
2( s 1)
2s
2
2s
=
2
2 =
2
2 =
2
2 ( s 1) 2
( s 1) 2
( s 1) 2 ( s 1) 2 2 2
s 2s 1 4
2
(s 1)
2
2
(s 1) 2
y(t) 2L1
2
2
2
(s 1) 2
L1
aplicando
las
frmulas
correspondientes, se tiene:
Y(t) = 2 e-t cos(2t) e-t sen(2t)
La Transformada de Laplace no es efectiva 22 resolviendo las EDO lineales con
n
coeficientes variables
a
k 0
d m F(s)
, si existe F(s)=L f(t) , puede
ds m
ser aplicada al caso donde f(t) sea una derivada obtenindose frmulas como las
siguientes:
21
22
168
d Y(s)
Y' (s)
ds
1
. L t y(t) (1)
L t 2 y(t) (1) 2
d 2 Y(s)
Y ' ' ( s)
ds 2
d sY(s) - y(0)
sY' (s) Y(s)
ds
d 2 sY(s) - y(0)
sY' ' (s) 2Y' (s)
ds 2
as
as
1
s 2 3a
y Q(s)= 2 . Los pasos para hallar la solucin a este
as
as
problema son complejos y sus detalles pueden verse en la pgina 212 y 213 del libro
de Cspedes Hinojosa.
Solucin de PCI con SED mediante Transformada de Laplace.
La Transformada de Laplace es muy til para resolver sistemas de ecuaciones
diferenciales lineales de orden n si se conocen para t=0 los valores de las funciones y
derivadas de orden menor que n para todas las variables. Al aplicar la TLD el SED se
transforma en un SEL que puede ser resuelto simblicamente en s y luego aplicarle a
cada solucin la TLI para obtener las soluciones en t. Veamos el siguiente:
Ejemplo:
Sea el SED
169
escribir:
(s 2)X(s) 3Y(s) 8
. Resolviendo formalmente
2X(s) (1)Y(s) 3
23
que se puede
8s 17
3
5
X
(
s
)
s 2 3s 4 s 4 s 1
.
Y ( s) 3s 22 5 2
s 2 3s 4 s 1 s 4
x(t) 5 t 3e 4t
y(t) 5e 2e
t
4t
Nota:
A pesar de las dos restricciones que se tienen al aplicar las TL para resolver ED, esta
tcnica ha demostrado ser efectiva para SED lineales de primer orden con coeficientes
constantes y para SED semejante de orden superior aunque el trabajo algebraico puede
ser muy laborioso.
Solucin de PCF con ED Parciales mediante Transformada de Laplace.
La TL ha mostrado gran efectividad en la solucin de PCIC donde las ED son parciales
de segundo orden y lineales con coeficientes constantes. Para mantener una notacin
afn la que estamos usando denotaremos este tipo de EDP como:
A yxx + B yxt + C ytt + D yx + E yt + F = g(x;t)
Donde la funcin incgnita es y(x,t) y A, B, C, D, E y F son nmeros reales.
Si asumimos que Lt indica la transformada de Laplace con respecto a t de una funcin
de varias variables donde una de ellas es t, entonces se puede comprobar que:
23
L t y(x; t) = Y(x;s)
170
L t y x (x; t) =
L t y xx (x; t) =
L t y x t (x; t) = s
Y(x; t)
t
t 0
Y(x; s)
x
2 Y(x; s)
x2
Y ( x; s )
d y ( x;0)
.
x
dx
que equivale
Y(x, s)
, que es una EDO
x2
2
4
sen(3x)
s9
4
sen(3 0) 0 , de donde se deduce que B(s)=s9
4
4
sen(3x) 2A(s) senh x s
sen(3x) ,
s9
s9
4
sen(3x)
s9
Y( ; s) A(s) senh s
4
sen(3 ) A(s) senh s 1
s9
1
por lo que la solucin se escribe:
senh s
despejando
se
171
Y(x; s)
senh s
senh x s
4
sen(3x)
s9
senh x s
-1
t
y(x;t) = L
senh s
sen(3x) = L-t1
s9
L-t1
senh x s
senh
4 e 9t sen(3x)
Parece bastante difcil hallar la TLI del trmino que falta, sin embargo existe una
frmula para esa expresin24 que permite obtener la solucin:
2
2
(1) n n e n t sen(nx)
n 1
y(x;t) =
4 e 9t sen(3x)
y' h( x; y)
( x0 , y0 f ( x0 ))
con condiciones iniciales y de contorno relacionados con los SED, con las EDO de
orden superior y con las EDP.
Mtodos numricos para el Problema de Cauchy con una EDO de primer orden
Sea la ED y=f(x;y) con la condicin inicial (x0;y0) y la pregunta es qu valor toma
y=yf cuando x=xf?
La solucin a este problema no se da en un solo paso porque aunque es posible
encontrar frmulas que calculen directamente una aproximacin de y f, esta
24
172
2.
3.
4.
173
f
Ei+1 = 1 h y
( xi ; )
h d f ( x; y ( x ))
( ; y ( ))
dx
2
E i
1
K1 K 2 para xi+1
2
Donde:
xi+1 = xi + h.
K1 = h f(xi ; yi)
K2 = h f(xi+h ; yi+K1)
1 f
1 h f
y ( xi ; ) 2
y ( xi ; )
E
i -
f f
h3 2 f
3
2
12 x
y x ( x ; y )
i i
Donde yi<<yi+1.
Este mtodo tambin es estable condicionalmente en dependencia del tamao de la
distancia h.
Otras Frmulas de Runge-Kutta
I. Tercer Orden
Su expresin algortmica est dada por:
yi+1 = yi +
1
K1 4 K 2 K 3 para xi+1
6
Donde:
xi+1 = xi + h.
K1 = h f(xi ; yi)
K1
h
K2 = h f x i ; y i
2
2
K3 = h f x i h ; y i 2 K 2 K 1
174
1
K1 2 K 2 2 K 3 K 4 para xi+1
6
Donde:
xi+1 = xi + h.
K1 = h f(xi ; yi)
K1
h
K2 = h f x i ; y i
2
2
K2
h
K3 = h f x i ; y i
2
2
K4 = h f x i h ; y i K 3
2( x 3 x)
con la condicin y(0)=1 y
y
0,4
1,1856
1,1856
1,1603
h
RK-2
RK-3
RK-4
0,04444
1,16015
1,15999
1,16000
0,2
1,16429
1,15959
1,16002
0,04
1,16012
1,15999
1,16000
0,1333
1,16166
1,15987
1,160003
0,03636
1,16009
1,15999
1,16000
0,1
1,16087
1,15995
1,16000
0,0333
1,16008
1,15999
1,16000
0,08
1,16053
1,15997
1,16000
0,03077
1,16007
1,15999
1,16000
0,06667
1,16036
1,15998
1,16000
0,02857
1,16006
1,15999
1,16000
0,05714
1,16026
1,15998
1,16000
0,02667
1,16005
1,15999
1,16000
0,05
1,16019
1,15999
1,16000
0,025
1,160046
1,15999
1,16000
175
Segn aumenta el orden del mtodo, obtenemos mejor solucin para una misma
h.
h
55 f ( xi ; yi ) 59 f ( xi 1 ; y i 1 ) 37 f ( xi 2 ; y i 2 ) 9 f ( xi 3 ; yi 3 )
24
Frmula Correctora:
y ik1 y i
h
9 f ( xi 1 ; y ik11 ) 19 f ( xi ; y i ) 5 f ( xi 1 ; y i 1 ) f ( xi 2 ; y i 2 )
24
Nota: Obsrvese que este mtodo necesita de 4 puntos anteriores para arrancar por lo
que generalmente se aplica un mtodo de Runge-Kutta para obtenerlos.
Si aplicamos
este mtodo al ejemplo anterior para h=0,05 se obtiene
yf=1,16000062710951 mientras que para RK-4 se obtiene exactamente
yf=1,16000108806799.
Los mtodos predoctores-correctores tienen la gran ventaja de que tenemos asegurada
la precisin en cada paso pero an as estos mtodos no garantizan que el valor de h
[h1,h2] en cada paso est en funcin de acotar el error en cada paso. Hay mtodos que
tienen esta orientacin, veamos uno de los ms conocidos:
Mtodo de Runge-Kutta-Fehlberg
El algoritmo consiste en:
1. Tomar t=xo; w=yo y h=h2.
2. Repetir los siguientes pasos mientras t x f
a. Hallar
K1 = h f(t ; w)
K1
h
K2 = h f t ; w
4
4
3K 1 9 K 2
3h
K3 = h f t ; w
8
32
32
h
:
2
176
;w
K4 = h f t
13
2197
2197
2197
3680 K 3 845K 4
439 K 1
8K 2
K5 = h f t h; w
216
513
4104
2K 2
K6 = h f t ; w
2
27
2565
4104
40
K 1 128 K 3 2197 K 4 K 5 2 K 6
c. Tomar = 0.84
d. Si R entonces
La aproximacin es aceptada
t th
h
10
En caso contrario:
Si 4 entonces tomar h=4h
En caso contrario h= h.
e. Si h>h2 entonces tomar h=h2.
f. Si h<h1 entonces debe pararse el procedimiento y dar un mensaje de error..
(Volver al inciso a.)
177
Y ' h( x;Y )
puede describir tambin como
( x0 , Y0 )
1
K1k K 2 k para xi+1
2
Donde:
xi+1 = xi + h.
Ejemplo:
Sea el SED
X ' Y t
Y ' t X
X (2) 2
. Vamos a resolver este
Y (2) 2
problema aplicando el mtodo descrito para t=10 con un paso h=0,1. La solucin
encontrada es
X 12,4550794633871
siendo
Y -14,0156602820085
178
179
Mtodos numricos para el Problema de Cauchy con una EDO lineal de orden
superior.
Las EDO de orden superior cuando son lineales pueden ser convertidas mediante
sustituciones adecuadas en un SED. Veamos el siguiente
Ejemplo:
Sea la ED y(t) + 3y(t) + 2ty(t) = 1-t, con las condiciones y(0)=1; y(0)=0.
Si asumimos que z(t)=y(t) y que z(t)=y(t), entonces el problema se puede reescribir
como
y' (t ) z(t )
,
y (0 ) 1
con las condiciones
.
z (0 ) 0
Podemos percatarnos de que esta forma de resolver el problema nos permite obtener
representaciones tabuladas de la funcin solucin y de su primera derivada que son
tiles para los anlisis del problema real que se modela.
Este mtodo es tambin aplicable para las EDO de orden n que no son lineales pero
son explcitas respecto a la derivada de orden n y se conocen las condiciones
iniciales en t0 para la funcin incgnita y todas sus derivadas de orden menor que n.
180
El mtodo ms conocido para resolver los problemas de contorno es uno que los
transforma en Sistemas de Ecuaciones Algebraicas:
Mtodo de Diferencias Finitas
A. Definiciones Bsicas
Sea y(x) una funcin definida y continua en el intervalo [a,b]. Al dividir [a,b] en n
subintervalos se obtiene el conjunto de puntos R={x0, x1, , xn} al que se llama RED;
se define hi = xi+1 xi para i=1,2,,n.
Si el valor de hi es constante e igual a h, entonces se tienen una Red Uniforme que se
denota R(a,b,h) y donde h=
ba
. Ahora cada punto de la red se expresa xi = x0 + ih,
n
donde i=0,1,,n.
A: x0 = a; xn = b se les llama Nodos de la Frontera.
Si necesitamos usar nodos exteriores al intervalo [a,b] (o sea, exteriores a la red R), los
definimos de la siguiente forma:
x 0.5 = x0 + 0,5 h;
x -1/2 = x0 +
x = x0 + h.
1
h;
2
Sobre una red uniforme R(a,b,h) se define una Funcin de Red como:
Yh : R(a, b, h) R
x i yi
Las posibles relaciones entre la funcin y(x) y la funcin de red Yh(x) se establece
mediante OPERADORES Ph, o sea: Ph y(x) Yh (x) .
El operador ms simple es Dh0 y es aquel que cumple que D 0h [y(x i )] Yh (x i ) y i .
Se pueden definir otros operadores y entre ellos se destacan los llamados Operadores
Diferenciales de primer orden:
D1h [y(x i )]
y i 1 y i
h
D1h - [y(x i )]
y i y i 1
h
D1h [y(x i )]
y i 1 y i 1
2h
181
Estos son tres casos particulares del Operador General Diferencial de Primer Orden
y yi
y y i 1
(1 C ) i
para tres nodos: D1h C [y(x i )] C i 1
, donde C [0;1] .
h
h
1
Nota: D h C [y(x)]
dy ( x )
dx
D 2h [y(x i )]
yi 1 2 yi yi 1
h2
D 3h [y(x i )]
D 4h [y(x i )]
y i 2 2 y i 1 2 y i 1 y i 2
2h 3
y i 2 4 y i 1 6 y i 4 y i 1 y i 2
h4
Nota:
Usted puede ver la concordancia de estas frmulas con las que hemos analizado para la
derivacin numrica en el Captulo 5, epgrafe E, as como el Anexo 12.
B. Primer Problema de Contorno
Su enunciado es el siguiente
y ' ' ( x) f ( x)
0 x 1
y
(
0
)
g
1
y(1) g 2
Si sustituimos:
x por xi = ih donde h=
y(xi)
f(xi)=fi.
y0 = g1.
yn = g2.
1
.
n
D 2h [y(xi )] =
yi 1 2 yi yi 1
para i=1,2,,n-1
h2
182
Se tiene el sistema:
y 2 2 y1 y0
f1
h2
y3 2 y 2 y1 f
2
h2
....
y n 2 y n 1 y n 2
f n 1
h2
2 y1 y 2 h 2 f1 g1
Que se escribe:
2
yi 1 2 yi yi 1 h f i ( para i 2,..., n 2)
2
y
2
y
h
f n1 g 2
n
2
n
0
0
2 1
1 2 1
0
0
1 2 1
0
1 2
0
... ... ... ...
0
0
0
0
0
0
0
0
0
0
0
1
...
0
0
...
...
...
...
...
...
...
0 0
0
0 0
0
0 0
0
0 0
0
... ... ...
1 2 1
0 1 2
y1 h 2 f 1 g 1
y
2
h
f
2
2
2
y3
h f3
h 2f 4
y4
...
...
2
y n 2 h f n 2
y h 2f g
n 1
n 1
2
Este es un SEL tridiagonal de orden n-1, al cual se le puede aplicar el Mtodo de Gauss
para SEL Tridiagonales tal como se explica en el Anexo 13. El resultado es la secuencia
de valores y0; y1; ; yn-1; yn.
C. Segundo Problema de Contorno
Se define como:
d y(x)
d K(x)
dx
q(x) f(x)
dx
0<x<1
K(x)>T>0
q(x) 0
183
y(0)=0
y(1)=g2.
0
...
0
0
a 0 c0
b1
a2
0
...
0
0
0
c1
b2
a3
...
0
0
0
0
c2
b3
...
0
0
0
0
0
c3
...
0
0
... 0
... 0
... 0
... 0
... ...
... a n -2
... 0
0
0
0
0
...
b n -2
a n -1
0
0
0
0
...
c n -2
bn 1
y0
d0
y
d
1
1
y2
d2
y3 d3
...
...
y n 2
d n -2
y
d
n 1
n -1
K x i
2
1
i
2
K x i
2
ai K
ci K
b i a i c i q i h 2 a i c i q(x i )h 2
Fi h 2 f ( xi )
di F i
Y finalmente d n 1 Fn 1 c n 1 g 2
Este es un SEL tridiagonal de orden n, al cual se le puede aplicar el Mtodo de Gauss
para SEL Tridiagonales tal como se explica en el Anexo 13. El resultado es la secuencia
de valores y0, y1, , yn-1, yn.
D. Tercer Problema de Contorno para EDO de Segundo Orden
Sea:
a<x<b
1 y ( a ) 1 y ' (b) g1
2 y (a ) 2 y ' (b) g 2
184
2h
b0 a 0 1 a 0 c 0
1
a
b1
1
...
c1
...
a2
b2
c2
...
a3
b3
c 3 ...
...
0
...
0
...
0
...
0
...
...
b n -1
a n cn
y0 d0
0
y1 d 1
y2 d2
0
0
y3 d3
... ...
...
c n -1
y n 1 d n -1
2h
bn c n 2 y n d n
2
Donde:
d 0 F0 a 0
2h
g1
1
d n Fn c n
2h
g2
2
d i Fi , para i=1,2,,n-1.
a i 2 p i h 2 p(x i )h
bi (4 2h 2 q i ) 2h 2 q ( xi ) 4
ci 2 pi h 2 p( xi )h
Nota:
Este mtodo de diferencias finitas puede ser extendido a la solucin de Problemas de
Contorno donde intervienen ecuaciones diferenciales parciales de segundo orden. Son
problemas complejos y representan fenmenos muy especficos atendiendo al tipo de
EDP (hiperblica, elptica o parablica) y atendiendo a las caractersticas de las
condiciones de frontera. Una introduccin muy breve pero ilustrativa puede verse en el
texto de McCracken y Dorn y un desarrollo profundo y exhaustivo puede verse en el
texto de Berezin y Zhidkov, volumen II.
185
B.
dy
x y
dx
punto
C.
dy
, por tanto se tiene que Y=
dx
dy
x
dy x
X+B. Puesto para X=
se tiene Y=0 entonces 0=
+B y finalmente se
dx
2
dx 2
dy x
obtiene B=
.
dx 2
dy 2 y
dx
x
.
D.
Toda lnea recta perpendicular a y=f(x), pasa por el punto (0,1). Las rectas que
pasan por (0,1) tienen la ecuacin y = A x + 1 y las rectas tangentes a la curva en cada
punto x tienen la pendiente y(x). Puesto que la recta y = A x + 1 es perpendicular a la
curva (o sea, a la recta tangente en el punto) entonces A y(x) = -1 pero despejando A en
la ecuacin de la recta se tiene A=
y 1
y por tanto:
x
y(x) = 1 y .
E.
1
.
2x
La lnea tangente a la grfica de y=h(x) en el punto (x;y) pasa por el punto (-y;x).
186
1
y al resolver la nueva ED se obtiene la familia de curvas ortogonal
y
F(x;y;B)=0.
2
que
ds
. Cuando se conoce la
dt
dv
lo que
dt
d 2s
conlleva a que a= 2 . Estas relaciones generales aparecen en innumerables relaciones
dt
particulares que dan lugar a ecuaciones diferenciales, muchas de ellas obtenidas a partir de
la conocida Segunda Ley del Movimiento de Newton: F = m a.
187
A. Un objeto de masa m en cada libre cercanos a la Tierra tienen una aceleracin constante
d 2s
g
g por tanto
. Si se conoce s(0)=s0 y v(0)=v0 entonces se tiene un problema
2
m
dt
con condiciones iniciales.
B.
dx
, entonces x(t) = 10000 t2 1000t + C.
dt
1000
=0,05 horas y si sustituimos este valor y x=0 en la
20000
dv k
v g o tambin
dt m
d 2 y k dy
g.
dx 2 m dx
D.
E.
dv
dm
V
.
dt
dt
La fuerza de resistencia del aire de un cuerpo que cae tiene el modelo general F R = k
v , donde p [1,2] y k depende del tamao y forma del cuerpo as como de la viscosidad
y densidad del aire. Entonces, un modelo de la velocidad de un cuerpo que cae
(despreciando otras fuerzas y considerando que el eje OY apunta hacia arriba) es:
p
dv
kv p mg (si el cuerpo est ascendiendo mg acta en sentido contrario)
dt
188
Si p=1, se puede deducir que un cuerpo que cae tiene una velocidad lmite y esto
justifica la invencin y diseo de los paracadas
F.
x f (t ) .
dt 2 m dt m
G.
d2X
m 2 0
dt
2
d Y
m 2 mg
dt
que se convierte en
d2X
m 2 0
dt
con las condiciones:
2
d Y
g
dt 2
X(0)=0; Y(0)=0; X(0)=V0 cos(); Y(0)=V0 sen().
H.
d 2 X1
m1 2 k1 X 1 k 2 ( X 2 X 1 )
dt
d2X2
m2 2 k 2 ( X 2 X 1 )
dt
189
T (t ) , donde I es el
dt 2 I dt I
momento de inercia, c es la amortiguacin, k es la constante elstica de la barra y T(t)
es el momento de torsin aplicado.
J. Un cuerpo de peso W se suspende de una varilla de longitud constante L. Suponiendo
que el movimiento se realiza en un plano vertical, queremos determinar el ngulo de
desplazamiento , medido con respecto a la vertical y que depende del tiempo t. Si se
considera >0 cuando el cuerpo est a la derecha de la posicin de equilibrio y <0
cuando est a la izquierda y recordando que la longitud S de un arco de crculo de
d 2s
d 2
ngulo est dada por S=L, entonces
.
L
dt 2
dt 2
Por otra parte se conoce que la componente tangencial de la fuerza que ejerce la
gravedad debido al peso W es igual a m g sen(), donde no se tiene en cuenta la masa
de la varilla.
Ahora, aplicando la conocida ley F=ma, se tiene que mg sen( ) mL
d 2
que se
dt 2
d 2 g
sen( ) 0 . Si se considera la existencia de una fuerza de resistencia
dt 2 L
d 2
d g
proporcional a la velocidad, entonces se tiene que: 2 C
sen( ) 0 .
dt L
dt
escribe
J.
como V=V0 1
x2
a2
punto (-a,0) para dirigirse al punto (a,0), sufrir una desviacin hacia el norte; si su
V
VS
V
.
VS
Como adems:
tan( )
dy
V
dx VS
y por tanto
entonces, despejando V y
K.
x2
dy
=V0 1 2
a
dx
T
dx 2
dy
dx
190
L.
M.
N.
x 0
=0.
Sea un edificio de 7 pisos donde cada uno tiene una masa de m i slugs (i=1,,7).
Supongamos que se prev un temblor de tierra que produce oscilaciones transversales
del terreno. Si la fuerza restauradora entre pisos adyacentes es de k i toneladas por metro
(se asume que k8=0), entonces el modelo de los desplazamientos X i(t) de cada piso
cumple con el modelo matricial M X=KX que se escribe:
Matriz de masa es:
m1
0
0
0
m2
m3
M= 0
0
0
0
0
0
0
0
m4
0
0
m5
0
0
0
0
0
0
0
0
0
0
0
0
m6
0
0
m7
191
k2
(k 2 k 3 )
k3
0
0
0
0
0
k3
(k 3 k 4 )
k4
0
0
0
0
0
k4
(k 4 k 5 )
k5
0
0
0
0
0
k5
(k 5 k 6 )
k6
0
0
0
0
0
k6
(k 6 k 7 )
k7
0
0
0
0
0
k7
(k 7 k 8 )
X 1 (t )
X (t )
2
X 3 (t )
X = X 4 (t )
X 5 (t )
X 6 (t )
X (t )
7
Multiplicando el sistema completo por M-1 se obtiene el sistema X=AX.
Supongamos ahora que se produzca una oscilacin horizontal del suelo descrita por:
1
1
1
2
2
Ew cos(wt) b = Ew cos(wt) 1 , donde E es la amplitud y w es la frecuencia.
1
1
1
192
E (t ) .
2
dt
C
dt
cumple
B.
que:
que
se
puede
escribir
Combinando
los
tres
resultados
anteriores
se
dI 2
L
1 dt ( R1 R2 ) I 2 R1 I 3 E (t )
dI
L2 3 R1 I 2 R1 I 3 E (t )
dt
B.
dq
, entonces se
dt
obtiene
el
SED
193
d 2I2
dI
M 2 L1 1 R1 I 1 E (t )
dt
dt
, donde M es la inductancia mutua, E(t) es la fuerza
d 2 I1
dI 2
M 2 L2
R2 I 2 0
dt
dt
B.
dT
k A T (t ) donde k>0.
dt
Segn una Ley de Newton la cantidad constante de calor Q que pasa a travs de una
pared y bajo ciertas condiciones es Q kA
dT
, donde k es la conductividad del
dx
La Ley de Torricelli establece que la tasa de cambio con respecto al tiempo del
volumen V(t) de agua de un tanque que se vaca es proporcional a la raz cuadrada de la
profundidad h del agua en el tanque, o sea:
dV
k h . Este problema se resuelve
dt
194
dA
R1 R2 , donde
dt
R1 es la rapidez con que entra la sal al tanque que es: (K litros/min)(C kg/litros) o sea
R1=KC kg/min.
R2 es la rapidez con que sale la sal y en este caso es: (K litro/min)(A(t)/L kg/litro).
Ahora se escribe
C.
dA
K
KC
A(t ) .
dt
L
Si a y b son las cantidades dadas de dos sustancias qumicas A y B que por una
reaccin qumica forman la sustancia X. La rapidez de obtencin de una sustancia X se
describe mediante la ED:
dX
M
N
k (a cX )(b dX ) donde c=
y d=
;My
dt
M N
M N
dX
x
4X
k 50 32
dt
5
5
1
4
gramos de A y
gramos de B, esto quiere
5
5
B.
dP
kP(t ) , donde k R.
dt
195
Veamos el caso de una poblacin P(t) con la misma cantidad de machos y hembras
y donde la reproduccin depende del los encuentros fortuitos entre los
P
machos con
2
P
hembras. Eso quiere decir que la tasa de nacimiento es proporcional al cuadrado
2
dP
kP 2 .
de la poblacin, o sea:
dt
las
D.
Si P0 > a entonces cuando t crece hay un punto donde la poblacin se hace infinita
(esta es el llamado Caso del Da del Juicio Final).
Modelos Sociolgicos
196
A.
En una ciudad con una poblacin fija P la tasa de cambio con respecto al tiempo del
nmero N(t) de personas que han odo cierto rumor es proporcional al nmero de los
dN (t )
k P N (t ) .
que todava no lo han odo, o sea:
dt
B.
En una ciudad con una poblacin fija P la tasa de cambio con respecto al tiempo del
nmero N(t) de personas que han contrado cierta enfermedad es proporcional al
producto del nmero enfermas por el nmero de personas sanas, o sea:
dN (t )
kN (t ) P N (t ) .25
dt
B.
1 dC
f (q) .
costo medio como una funcin de q, o sea: dq f (q) , entonces:
q dq q
C.
D.
p dq
N ( p; q ) .
q dp
dI
entonces
E.
p dq
dI
1
.
p 1
dq
N ( p; q )
dP
dP
P (t ) , donde es
. Si se conoce el valor inicial de P(0)=P0, entonces
dt
dt
25
La ecuacin P(t) = P(t) [ A - B P(t) ] con A y B constantes, se llama Ecuacin Logstica y es de gran
importancia en ciencias ecolgicas, sociolgicas y de la administracin.
197
Como
e lim 1
m
m
, entonces
1
P(t)= P0 mlim
m
P0 lim 1
m
m
j
P0 1
m
De esa ltima expresin, discretizando el tiempo t, o sea, tomanto t=1; 2; 3;; n aos,
puede obtenerse para los proyectos de inversiones, frmulas para determinar el valor
actual del capital P (llamado VAN, valor actual neto) al trancurrir cierto nmero de
aos. Igualmente puede obtenerse procedimientos para calcular la Tasa Interna de
Retorno y el Perodo de Recuperacin de las inversiones.
F.
dI 1
,
dt C (t )
dP
AP (t ) B1 P(t ) D(t )
dt
. Donde B1>0 y B2>0.
dD
CD (t ) B2 P(t ) D(t )
dt
Especies en Competencia
198
a1Y b1Y
dt
todos los coeficientes son positivos. Si tomamos en cuenta las interacciones X(t)Y(t) se
dX
2
dt a1 X b1 X c1 XY
tendr entonces el SED:
.
dY
a1Y b1Y 2 c2 XY
dt
Otros Modelos
A.
B.
dI
1,4 I .
dt
Se conoce que un avin sale del punto (a;0) y quiere llegar al punto (0;0). Si la
velocidad del avin es V0 en relacin con el viento que sopla hacia el norte con
dx
V0 cos( )
dt
velocidad W, se tiene que:
que se escribe pasando todo a
dy
V0 sen( ) W
dt
V0 x
dx
dt 2
x y2
coordenadas cartesianas
y dividiendo ambas expresiones y
V0 y
dy
W
dt
x2 y2
2
W
dy
y
y
k 1
denominando k=
se tiene:
V0
dx
x
x
C.
0, 5
199
en
cada
componente
se
obtiene:
d2X
m
F cos( )
dt 2
,
2
d
Y
m
F sen( )
dt 2
sea
Mm
d2X
m
k
cos( )
dt 2
r2
y
pasando
a
coordenadas
cartesianas:
2
M
m
d
Y
m
k 2 sen( )
dt 2
r
d2X
x
m 2 kM 2
3/ 2
dt
x y2
donde con ciertas condiciones iniciales para la posicin y
2
d
Y
y
m
kM
dt 2
x2 y 2 3/ 2
velocidad de la Tierra en cierto instante de tiempo se puede obtener las ecuaciones del
movimiento de nuestro planeta alrededor del Sol.
Ecuaciones Diferenciales Parciales
Problemas de Conduccin de Calor
A. Sea una barra delgada o varilla de largo L con una distribucin longitudinal de
temperatura f(x) y cuyos extremos se mantienen a una temperatura constante de 0
grados en todo instante. Si:
Entonces le temperatura U(x,t) de la varilla est dada por la solucin del problema con
condiciones de frontera (k es la constante de difusividad trmica):
k
2U U
, con k>0;
t
x 2
200
2U U
, con k>0;
t
x 2
U
x
X 0
0;
U
x
X L
para t > 0
D.
2U E
Esta temperatura estacionaria se encuentra como la solucin de
0 con las
x 2
condiciones UE(0)=A y UE(L)=B
Se define la temperatura transitoria como UT(x,t) = U(x,t) - UE(x,t) que es la solucin
del problema:
k
2U U
, con k>0;
t
x 2
U(0,t) = U(L,t) = 0;
para t > 0
C
t
x 2
calor se pierde entonces C es negativa.
F.
, con k>0;
2
x
y 2
(x,y) R.
201
U(x,0) = f1(x);
U(0,y) = g1(y);
Este problema se divide en cuatro problemas donde en cada uno de ellos se igualan a 0
tres de las cuatro condiciones. La solucin general es la suma de las cuatro soluciones.
El Problema de Dirichlet cuando R es un disco puede ser expresado y resuelto en
coordenadas polares.
G.
, con k>0;
x 2
y 2
U
x
0;
X 0
0;
U
x
X a
(1)
T y ,0 y
T 0, 1
T l , 2
(2)
En caso del secado natural de las menas laterticas se cumplen las condiciones siguientes:
f y, 0
y To
(3)
(4)
1 To
(5)
2 Ts
(6)
202
v y, T y, U y,
(7)
Donde:
U y, 1
y
2 1 To y Ts To
l
l
(8)
y dTs
y dTs
m 0
l
d
l d
v m v yy f y, U m u yy 0
(9)
y
Ts 0 To
l
(10)
v l , 0
Se resuelve el problema anterior suponiendo que la solucin tiene la forma de una serie de
Fourier:
v y,
v n
n 1
n
sen
y
l
(11)
y dTs
n
g n sen
y
l d
l
n 1
(12)
Siendo:
g n
2
2 dTs
cos(n ) dTs
n
n
f y, sen
y dy
y sen
y dy 2
2
l
l
d
l
n
d
l
0
0
v n
n 1
n
n
n
sen
y
m v n sen
y
g n sen
y
l
l
l
n 1
n 1
yy
vn
n 1
n
n
sen
y m v n
l
n 1
n
n
sen
y g n sen
y
l
n 1
(14)
(13)
203
n n
y
l
l
m vn vn g n 0
n 1
sen
(15)
vn m
vn g n
(16)
y
To Ts 0
l
v n 0
n 1
y
n
y To Ts 0
l
l
sen
(17)
2
y
To Ts 0 sen n y dy 2 To 2Ts 0 y sen n y dy
l l
l
l
0
0
v n 0 2
Ts 0 To cos(n )
Ts 0 To l 2 cos( n )
2
n
n
l2
(18)
Y su solucin es:
M d
vn e
N e
M d
d C
M m
N g n
204
vn 2 e
2 m n 2
l2
2 m n 2
l2
cos n 0
dTs ( )
d Ts (0) To
d
(19)
v y ,
2 e
2 m n 2
l2
n 1
2 m n 2
l2
cos n 0
dTs ( )
d Ts (0) To
d
n
n
sen
y
l
(20)
T y ,
2e
2 m n 2
l2
n 1
2 m n 2
l2
cos n 0
dTs ( )
d Ts (0) To
d
n
n
sen
y
l
To Ts To
l
Problemas Oscilatorios
A. Sea una cuerda extendida entre dos puntos a una distancia L. Si el movimiento se
produce en el plano XY, entonces la posicin instantnea de cada punto de la cuerda
puede describirse por Y(x,t) para t>0. Si se cumplen las condiciones:
2Y 2Y
2 ,
x 2
t
con
0 < x < L;
t > 0.
Y(L;t) = 0,
Y
t
para t 0.
g ( x)
t 0
205
B.
C.
2 Y 2Y
Y
2 b2
2
t
x
t
Otros Problemas
A. En la moderna Teora Cuntica de la estructura atmica, el electrn de un tomo de
hidrgeno no viaja en una rbita bien definida alrededor del ncleo (protn) del tomo
sino que ocupa un estado llamado orbital que puede imaginarse como una nube de
electricidad negativa que rodea al ncleo. La densidad de esta nube de electrones mide
la probabilidad de que en un instante dado el electrn se encuentre en un punto.
d 2 2 d 8 2 m
( E V ) 0 para el caso
dr 2 r dr
h2
radialmente simtrico (independiente del tiempo) donde es una funcin de amplitud
de probabilidad, r= x 2 y 2 z 2 , h = 6,626 10-34 julios por segundo es la Constante
La Ecuacin de Schordinger es
de Planck; V
q2
es el Potencial de Coulomb (siendo q la carga del electrn) y E= r
Ur(a,) = 0;
C.
para r>a.
U(r,) = U(r,-);
limU (r ; ) U 0 r cos( ) 0
r
206
U(0,t) = 0;
U(x,0) = b x;
D.
mUtt(L,t) = - A E Ux(L,t)
Ut(x,0)=0
EI
La ecuacin del voltaje E(x,t) de una lnea elctrica larga de transmisin es:
c
Donde L es la inductancia, R es la resistencia, C es la capacitancia y G es la
conductancia.
F.
La temperatura U(x,t) del agua que se mueve dentro de una larga tubera cumple
U
2U
U
con la EDP:
k
G.
H.
U(x;y;0)=f(x;y).
Sea una columna de piedra arenisca recin sacada (t=0) que tiene la forma de un
cilindro de 2 m de radio y una altura de 10 metros. Sea C(r;z;t) la concentracin de
humedad (como una fraccin de la saturacin) en el punto (r;z) y en el instante t. Se
tiene entonces que se cumple el modelo: Ct k C xx C yy donde se conoce la
207
208
209
Directas o indirectas: Las primeras ocurren cuando no existe un tercer elemento que
relacione dos elementos del sistema y las segundas precisan de un tercer elemento
que relacione a dos elementos del sistema
Necesarias y casuales
Armnicas y contradictorias.
En cualquier caso, se pueden agrupar formalmente las tareas que constituyen el anlisis en
una serie de etapas que se suceden de forma iterativa hasta validar el proceso completo:
Conceptualizacin: Obtener una visin de muy alto nivel del sistema, identificando
sus elementos bsicos y las relaciones de stos entre s y con el entorno.
210
Humanos.
211
Sea un sistema lineal SL y sea x(t) la excitacin que recibe (entrada) y Y(t) la respuesta del
sistema (salida) que depende de x(t) y de las propiedades de SL.
dy
y a x que representa indistintamente un
dt
a
x( s)
1 s
Ahora se puede decir que la respuesta es el producto de la entrada x(s) por un trmino que
depende de SL (segn a y ) de manera dinmica (segn s).
a
Nota:
Es conveniente sealar que mediante el cambio de variables u=t-to y v=y-yo todo problema
dy (t )
y (t ) a x (t ) con la condicin incial y(to)=yo se puede
de Cauchy de la forma
dt
dv(u )
v(u ) a w(u ) , con v(0)=0. Cuando sea resuelto este problema
escribir como
du
entonces la solucin se debe expresar en las variables originales (t;y).
Ejemplo:
Hallemos la funcin de transferencia de
I dw
1
w M (t ) .
c dt
c
212
I
1
y a y por tanto
c
c
1
G ( s ) c . Veamos a continuacin varios tipos de sistemas lineales.
I
1 s
c
dy
dx
y a1 x a2
dt
dt
Donde a1 y a2 son constantes independientes del tiempo y dependen de los parmetros del
sistema.
Se tiene que:
a
1
1. Si a2=0 entonces G ( s ) 1 s
a s
2
2. Si a1=0 entonces G ( s ) 1 s
3. Si a1 y a2 no se anulan, entonces G ( s )
a1 a2 s
1 s
a
2a2
a1 2 x
3
2
2
dt
dt
dt
dt
Las constantes a1, a2 y a3 son constantes independientes del tiempo y dependen de los
parmetros del sistema. En ocasiones algunas de ellas son nulas.
El parmetro es una magnitud adimensional que se denomina relacin o razn de
amortiguamiento; se denomina frecuencia angular natural del sistema.
Nota:
Generalmente estos sistemas son acompaados de condiciones iniciales del tipo y(t o)=yo ;
y(to)=y1. Mediante las transformaciones: u=t-t o ; v=(y-yo)+(t-to)(y-y1-yo) se obtiene una
ecuacin diferencial semejante a la anterior pero con condiciones iniciales nulas.
213
G (s)
2
1
s a3 2 s 2
w
1 2 2
s s 1
2
a1 a2
Tomando:
1
1
2
2 1
Se obtiene:
G(s)
2
1
s a3 2 s 2
w
(1 1s )(1 2 s)
a1 a2
En esta expresin se observan dos constantes de tiempo (1 y 2), lo que caracteriza a estos
sistemas. Dichas constantes pueden ser reales o complejas.
dny
d n1 y
d nx
d n1 x
...
k
y
a
... ao a
n 1
o
n
n 1
dt n
dt n1
dt n
dt n1
dy
dx
y a1 x a2
.
dt
dt
O sea:
dy
y a1 x
dt
214
y(t) =
Ntese que si t tiende a infinito, y(t) tiende a
a1 I
a1 I
a1
a I xo
s 1 s
ma1
s 1 s
y (t ) m a1 t 1 e
Nota:
Queda por encontrar las expresiones de Y(s) y y(t) para sistemas de primer orden
dy
dx
dy
dx
y a2
y a1 x a2
(caso a1=0) y sistemas
. Estas expresiones son
dt
dt
dt
dt
215
2
1
s a3 2 s 2
w
(1 1s )(1 2 s)
a1 a2
2
1
s a3 2 s 2
w
I
(1 1s )(1 2 s)
a1 a2
2.
Ia1
1
sen 1 2 t
3.
Ia1
2 1
2 t
e 1 t
e t
y (t ) xo a1 1
sen 1 2 t
2
1
Donde arctan
2.
3.
1 2
y (t ) xo a1 1 t e t e t
2 1
y (t ) xo a1 1
e
2
Nota:
t
2 1
2 1
2 2 1
2 1
216
Queda por encontrar las expresiones de Y(s) y y(t) para sistemas de segundo orden cuando
la entrada es una Rampa.
Nota:
Tambin puede ser estudiada la dinmica de un sistema lineal en el dominio de frecuencias
usando la Transformada de Fourier. Los resultados que se obtienen son importantes para el
estudio de las salidas cuando las entradas son funciones armnicas.
Impedancia Elctrica (en el dominio s):
Sea e(s) el voltaje aplicado en los extremos de un componente elctrico y sea i(s) la
corriente que pasa a travs de dicho componente. Se define la impedancia elctrica Z(s)
como:
Z (s)
O sea que: i ( s )
e( s )
i(s)
e( s )
1
y por tanto: G ( s )
Z (s)
Z ( s)
217
1
1
1
1
...
Z1 ( s ) Z 2 ( s )
Z n (s)
d i (t )
R i (t ) E (t )
dt
dy
dx
y a1 x a2
dt
dt
Se observa que:
a2 0
a1
1
R
L
R
x(t)=e(t)
1
a1
1
R
La funcin de transferencia es G ( s )
1 s 1 L s R L s
R
Por otra parte podramos haber obtenido:
218
1
1
1
1
G ( s)
e( s ) L
y finalmente: i ( s )
Z e ( s) R L s
R
RLs
L
i
(t
)
Si antitransformamos, segn Laplace, se tiene el valor de
.
e( s )
Ejemplo B:
Sea un circuito elctrico con una fuente E(t), una resistencia de valor constante R, una
inductancia de valor constante L y una capacitancia de valor constante C. Segn la Ley de
Kirchov:
L
d q (t ) q (t )
d 2 q (t )
R
E (t ) . Ntese que q (t ) i (t ) dt
2
dt
C
dt
Que se escribe:
d 2 q (t ) R d q (t ) q (t )
E (t )
L dt
CL
dt 2
a
2a2
a1 2 x
3
2
2
dt
dt
dt
dt
Se observa que:
x(t) = E(t)
y(t) = q(t)
a3 0
a2 0
1
CL
a1
1
CL
2
Y finalmente:
2 2
1
R
R CL
R
, de donde:
L
CL
2L
2
C
.
L
En este caso general no se conoce si es menor, igual o mayor que 1. Supongamos que
C=16; L=1; y R=2, entonces =4 > 1 y por tanto se trata de un sistema sobreamortiguado
donde, adems, =0.25
En ese caso:
1
2
0.5080666151
2 1
2 1
31.49193338
219
G(s)
2
1
s a3 2 s 2
(1 1s )(1 2 s)
a1 a2
16
16 s
16
32 s + 1
2
1
Z e ( s) 1 R s L s 2
2 s 1 s 2 1 32 s 16 s
C
16
Z e ( s ) Z1 ( s ) Z 2 ( s ) Z 3 ( s)
f (s)
, donde f(s) es la fuerza que pasa
v( s)
220
Z ( s)
1
1
1
1
...
Z1 ( s ) Z 2 ( s )
Z n (s)
221
Para el resorte k2 se cumple que f=k2(y2-y1) ; para el resorte k1 se cumple que f=k1y1; y para
el resorte equivalente se tiene que f=key2.
Eliminando f, y1 y y2 entre esas tres ecuaciones, se obtiene que:
ke
k1k 2
1
k1 k 2 1 1
k1 k 2
1
1
1
Z1 ( s ) Z 2 ( s)
ke
1
s
1 1
s
k1 k 2
Tambin es posible establecer otra analoga entre los sistemas mecnicos y los sistemas
elctricos.
En este caso se vinculan la fuerza con la corriente y el voltaje con la velocidad. Esta
analoga se conoce como ANALOGA FUERZA CORRIENTE y se resume en la
siguiente tabla:
222
1
c
1
1
1
1
...
M 1 ( s) M 2 (s)
M n ( s)
223
dv
cv k vdt f (t )
dt
de 1
1
e edt i (t )
dt
R
L
224
En este caso:
Z (s)
P( s)
q( s)
La cada de potencial elctrico a travs de una resistencia elctrica es R i(t). Para un sistema
fluido se tiene que es Rf q(t), donde Rf es la resistencia fluida (hidrulica o neumtica). Por
ejemplo, en un segmento de tubera circular para un flujo laminar se conoce que:
R f 0.78
l
A2
d i (t )
. Para un sistema
dt
d q (t )
, donde Lf es la inertancia fluida del fluido y es una medida de la
dt
oposicin del fluido al movimiento. Para el ejemplo anterior del fluido laminar en la tubera
l
1
C
i (t )dt .
225
Hallar la capacitancia del tanque abierto cilndrico que contiene un fluido de peso
especfico . En este caso se puede inferir que la diferencia de presin entre la parte superio
del tanque (a) y la parte inferior del tanque (b) depende directamente de la diferencia de
altura y del peso especfico del fluido, entonces: pab (a b) h
V (t )
Ah
Finalmente debe ser conocido que las impedancias en los sistemas fluidos cumplen las
mismas leyes de las impedancias elctricas.
Sistemas Trmicos y la Analoga Temperatura-Voltaje
En un sistema trmico la temperatura que pasa a travs de las componentes del sistema es el
flujo trmico q(t) que es la cantidad de calor por unidad de tiempo que en este caso se trata
de energa por unidad de tiempo. As el flujo trmico es equivalente a la corriente i(t) de los
sistemas elctricos.
En estos sistemas tambin se tienen las diferencias de temperatura entre dos puntos a y b.
Entonces ab = b - a que es equivalente a la variable E(t) de los sistemas elctricos.
En los sistemas trmicos no hay elementos semejantes a la inductancia elctrica pero si se
tiene la resistencia trmica y la capacitancia trmica.
La cada de potencial a travs de una resistencia trmica se se describe por ab Rt q(t ) ,
donde Rt es la resistencia trmica (por ejemplo, un aislante trmico tiene una alta
resistencia trmica).
La conduccin del calor puede producirse en diferentes condiciones de transferencia, entre
otras tenemos:
l
1
Ct
q(t )dt , donde Ct representa la capacitancia trmica que debe entedense como
una medidad de la capacidad del cuerpo de almacenar energa trmica que generalmente
depende de la masa y del calor especfico de l cuerpo: Ct m Cesp
226
(s)
q(s)
Debe ser conocido que las impedancias en los sistemas trmicos cumplen las mismas leyes
de la impedancia elctricas.
227
1
1
1
1
...
Z1 ( s ) Z 2 ( s )
Z n (s)
228
Z ( s)
1
1
1
1
...
Z1 ( s ) Z 2 ( s )
Z n (s)
229
Ntese que la Capacitancia Elctrica, la Masa y la Capacitancia Fluida son elementos del
tipo A almacenadores de energa. La Inductancia Elctrica, el Resorte y la Inertancia son
elementos de tipo T almacenadores de energa.
Puesto que la energa que fluye hacia un Amortiguador, Resistencia Elctrica o Resistencia
Fluida no se puede recuperar en el sistema, entonces se dice que estos elementos son
disipativos. La Resistencia Trmica no disipa energa.
Para finalizar este captulo veamos algunos ejemplos del anlisis de componentes
ingenieriles usando las analogas estudiadas.
EJEMPLO 1:
Sea un circuito elctrico donde intevienen la fuente de voltaje e(t); las inductancias L 1 y L2;
las resistencia R1 y R2; y las capacitancias C1, C2 y C3, interactuando de la siguiente forma:
230
Z1 ( s ) L1s ;
Z 2 (s)
1
R1 ;
C1 s
Z 3 (s)
1
;
C2 s
Z 4 ( s ) L2 s
1
R2
C3 s
En este circuito circulan tres corrientes i1, i2, e i3. Entonces se tiene que:
i1 Z1 + (i1-i2) Z2 = e
(i2-i1) Z2 + (i2-i3) Z3 = 0
(i3-i2) Z3 + i3 Z4 = 0
Agrupando segun las corrientes:
(Z1 + Z2) i1 +
(-Z2) i2 +
(0) i3 = e
(-Z1) i1 + (Z2 + Z3) i2 +
(-Z3) i3 = 0
(0) i1 +
(-Z3) i2 + (Z3 + Z4) i3 = 0
Que en forma matricial queda:
Z1 Z 2
Z
2
Z2
0
Z2 Z3
Z 3
Z3
Z 3 Z 4
i1 e(s )
i = 0
2
i3 0
231
i1 ( s)
e Z 2 Z 3 Z 4 Z 3 Z 4
Z1 Z 2 ( Z 3 Z 4 ) Z 3 Z 4 Z 2 Z 3 Z 4
i2 ( s )
e Z2 Z3 Z4
Z1 Z 2 ( Z 3 Z 4 ) Z 3 Z 4 Z 2 Z 3 Z 4
i3 ( s )
e Z2Z3
Z1 Z 2 ( Z 3 Z 4 ) Z 3 Z 4 Z 2 Z 3 Z 4
Con este fin puede usarse la analoga fuerza-voltaje y escribir el circuito elctrico
correspondiente. Primero podemos observar las analogas entres sus componentes:
232
Tambin es imprescindible notar que la analoga entre estos sistemas reconoce que el
equivalente mecnico de la corriente elctrica i es la velocidad v. Pero en este caso se nos
pide obtener el desplazamiento y por lo que al final la solucin se da en funcin de la
velocidad que es la derivada del desplazamiento y esto implica que: v(s)=s y(s).
Esto conduce a un circuito semejante al elctrico del EJEMPLO 1:
233
El anlisis necesario para encontrar las impedancia mecnicas es ahora evidente y sus
resultados son:
Z1 ( s ) m1 s
k1
c1
s
k
Z 3 (s) 2
s
k
Z 4 ( s) m2 s 3 c2
s
Z 2 (s)
v1 ( s) s y1 ( s)
f Z2 Z3 Z 4 Z3Z 4
Z1 Z 2 ( Z 3 Z 4 ) Z 3 Z 4 Z 2 Z 3 Z 4
v2 ( s ) s y 2 ( s )
f Z 2 Z3 Z 4
Z1 Z 2 ( Z 3 Z 4 ) Z 3 Z 4 Z 2 Z 3 Z 4
v3 ( s) s y3 ( s)
f Z2Z3
Z1 Z 2 ( Z 3 Z 4 ) Z 3 Z 4 Z 2 Z 3 Z 4
234
A las vlvulas las denominaremos R1, R2, R3 y R4 mejor an: Rf1, Rf2, Rf3 y Rf4.
A la inertancia del tranmo largo de tubera la denominaremos L o mejor: Lf
A la capacitancia del tanque la denominamos C : Cf.
En este caso se considera como tierra es la presin de la atmosfera.
El sistema hidrulico se puede representar como sigue:
235
Podemos intentar representar las relaciones entre los elementos del sistema hidrulico con
la lgica de un circuito elctrico, considerando la analoga entre p(t)-e(t) y q(e)-i(t). Para
ello nos auxiliaremos del siguiente esquema:
236
Z 5 (s)
1
Cf s
(Z1 +Z2) q1 +
(-Z2) q2 +
(0) q3 = p
(-Z2) q1 + (Z2 + Z3 + Z4) q2 +
(-Z4) q3 = 0
(0) q1 +
(-Z4) q2 + (Z4 + Z5) q3 = 0
Que en forma matricial queda:
Z2
0
Z1 Z 2
Z
Z 2 Z3 Z 4
Z 4
2
0
Z4
Z 4 Z 5
q1 p (s )
q = 0
2
q3 0
237
q2 =
Supongamos que ahora queremos conocer la energa acumulada en los elementos del
sistema. Para ello nos auxiliaremos de la siguiente tabla:
2
Las resistencias no acumulan energa pero la capacitancia (tanque) acumula E C p y
f
la inertancia acumula E
1
Lf q2 .
2
238
EJEMPLO 4:
Se tiene un almacn de hormign completamente cerrado tal como se muestra en el
siguiente esquema:
Para trabajar con condiciones nulas tomaremos los siguientes cambios de variables:
Entrada: x = a - o.
Salida: y = - o.
Y adems: z = p - o.
Suponiendo que a > , entonces el calor que penetra por conveccin es:
239
Qc UA a p
Ese mismo calor pasa por conduccin a travs de las paredes y techo y se expresa:
Qc
kA
p
d
dt
Puesto que:
a = x + o
p = z + o
= y + o, de lo que se deduce que:
d d y
dt
dt
Despejando p en las dos primeras expresiones de Qc, igualando los resultados y usando la
tercera ecuacin para sustituir Qc, se obtiene:
mCv 1 d y
y x
A k U dt
y a1 x a2
, se tiene que: a2=0; a1=1 y
.
dt
dt
A k U
Y en este caso la funcin de transferencia es:
G ( s)
1
mCv 1
1
s
A k U
Ntese que en este ejemplo no hemos considerado el calor absorbido por las paredes y
techo que nos conducira a incluir otra capacitancia como mostraremos a continuacin.
Siguiendo el caso que estamos analizando veamos en la siguiente figura tres puntos
(estaciones) donde se tienen diferentes temperaturas.
240
Asumamos que al principio todas las temperaturas coinciden con las temperaturas del
medio ambiente a la cual consideraremos la tierra del sistema (equilibrio trmico). El
punto 1 indica la temperatura en el exterior, el punto 2 indica la temperatura en la superficie
externa del almacen y el punto 3, la temperatura interna del almacen.
Ahora podemos establecer el siguiente circuito:
Donde q1 y q2 representan los flujos de calor en cada parte del circuito. El diagrama de
impedancias es el siguiente:
241
Donde:
KA
1
mCv s
Z1 ( s )
1
UA
Z 4 (s)
1
m p Cv s , donde Cp es el calor especfico de la pared y mp es la masa de la pared y
Z 2 (s)
Z 3 (s)
techo.
Las ecuaciones del sistema trmico son:
(Z1 +Z4) q1 +
(-Z4) q2 =
(-Z4) q1 + (Z2 + Z3 + Z4) q2 = 0
Que en forma matricial queda:
Z1 Z 2
Z
4
Z4
q1 (s )
=
Z 2 Z 3 Z 4 q2 0
242
y ' h ( x, y )
( x0 , y0 ) f ( x0 )
El propsito del programa ProblemadeCauchy.exe es obtener el valor de y=f(xf) mediante
algn mtodo aproximado. En esta aplicacin se puede utilizar uno de los Mtodos de
Runge-Kutta 2, 3 y 4 y el Mtodod e Adam-Moulton.
243
b.
c.
d.
244
e.
g.
Y finalmente:
h.
245
CurveExper
Esta versin 1.34 de la aplicacin fue desarrollada por su autor Daniel Hyams en el ao
1997. En ella se presenta un editor de tablas de datos (simple pero suficientemente efectivo
para realizar las tareas bsicas con datos numricos) y un conjunto de herramientas
matemticas para obtener modelos y=f(x) a partir de los datos.
Estas herramientas son del grupo de los Interpoladores Polinomiales y del grupo de Ajuste
de Curvas por Mnimos Cuadrados. Se presenta la posibilidad de encontrar el mejor ajuste
mnimo cuadrado entre un conjunto dado de modelos posibles.
246
Este programa presenta salidas grficas y un adecuado nivel de ayuda en lnea (en ingls).
Derive
Este software desarrollado por Texas Instruments Incorporated (versin Demo del 2003 en
ingls y en espaol) puede considerarse una importante herramienta para ejecutar tareas del
Clculo Diferencial e Integral.
Esta aplicacin tiene ayuda en lnea en espaol y se presenta el archivo Derive6Intro.pdf
con una excelente introduccin al uso del Derive.
247
DYCSE
Este software (an en desarrollo) tiene como propsito la modelacin y simulacin del
comportamiento de Sistemas Elctricos de Potencias con el objetivo de estudiarlos y
eventualmente disearlos. Visualmente su ventana principal presenta el siguiente aspecto:
248
249
250
TransBandas
Este software tiene como propsito la modelacin (con fines de simulacin y naturalmente
diseo) de transportadores de banda. Su aspectyo visual es el siguiente:
La primera opcin del men principal permite generar un modelo topogrfico (grid)
mediante el siguiente dilogo:
La segunda opcin permite editar los datos y calcular todos los valores de un transportador
de banda mediante la ventana:
251
La tercera opcin del men principal permite realizar analisis de varianza para
experimentos bifactoriales y trifactoriales.
La cuarta opcin del men permite desarrollar el diseo de un transportador de banda
teniendo en cuenta la topografa y minimizando el gasto energtico de su funcionamiento.
Se usa la siguiente ventana:
252
SecSolar
Este es un software cuyo objetivo es moelar y simular el proceso del secado solar natural de
una pila de mineral latertico. Presenta las siguientes ventanas:
253
254
Elica
La ventana principal de este software (en desarrollo) es:
255
MatLab
Es este uno de los ms conocidos y completos software para el uso de herramientas
matemticas en el trabajo ingenieril. Se trata de un software complejo que permite usar
directamente los modelos matemticos pero tambin incluye herramientas que permiten
simular los objetos ingenieriles sin que el usuario asuma directamente el trabajo con los
modelos matemticos.
En este curso incluimos un manual para principantes y el material para un curso de 10
clases para ingenieros (el cual ser estudiado individualmente por los interesados).