0

Modelacin Matemtica y Simulacin

de Sistemas de Ingeniera

Autor: Dr. Arstides Alejandro Legr Lobaina

Ao 2011

ndice

INTRODUCCIN---------------------------------------------------------------------3
Energa de un Sistema Fsico y Gestin Energtica-------------------------------------3
Modelacin---------------------------------------------------------------------------------------6
Simulacin--------------------------------------------------------------------------------------13
Optimizacin-----------------------------------------------------------------------------------14

CAPTULO 1: CONCEPTOS BSICOS DE LA MODELACIN

MATEMTICA------------------------------------------------------------------17
Reflexiones sobre los modelos fsicos------------------------------------------------------17
Introduccin a los modelos matemticos-------------------------------------------------23
Conceptos bsicos para la modelacin matemtica-----------------------------------27
Modelos matemticos del Clculo Diferencial e Integral-----------------------------35

CAPTULO 2: MODELACIN MATEMTICA Y SIMULACIN A

PARTIR DE MEDICIONES---------------------------------------------------67
Muestreo----------------------------------------------------------------------------------------67
Diseo de Experimentos---------------------------------------------------------------------81
Interpoladores y Estimadores.-------------------------------------------------------------93
Modelos de Regresin-----------------------------------------------------------------------103
Ejemplos de modelacin a partir de mediciones--------------------------------------110

CAPTULO 3: MODELACIN MATEMTICA Y SIMULACIN A

PARTIR DE ECUACIONES DIFERENCIALES-----------------------139
Conceptos principales de la Teora de las ED------------------------------------------139
Mtodos para resolver ED y Problemas con Condiciones---------------------------142
Modelacin usando las Ecuaciones Diferenciales.------------------------------------182

CAPTULO 4: MODELACIN DE SISTEMAS----------------------------205

Conceptos Bsicos---------------------------------------------------------------------------205
Modelacin de Sistemas en Ingeniera--------------------------------------------------207
Respuestas de los Sistemas Lineales en el Dominio del Tiempo--------------------211
Impedancia Elctrica-----------------------------------------------------------------------213

Impedancia Mecnica y las Analogas Fuerza-Voltaje y Fuerza-Corriente-----217

Sistemas Fluidos y la Analoga Presin-Voltaje---------------------------------------221
Sistemas Trmicos y la Analoga Temperatura-Voltaje------------------------------222
Almacenadores y Disipadores de Energa----------------------------------------------223

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.

Energa Cintica (asociada al movimiento)

Energa Potencial (asociada a la posicin dentro de un campo de fuerzas

conservativo). Por ejemplo: Energa Potencial Gravitatoria, Energa Potencial
Elstica.
Energa Electromagntica, Se compone de:

2.

Energa radiante (es la que poseen las ondas electromagnticas)

Energa Calrica (cantidad de energa que una unidad de masa de cierta materia
puede desprender al producirse una reaccin qumica de oxidacin)

Energa Potencial Elctrica

Energa Elctrica (resultado de la existencia de una diferencia de potencial elctrico

entre dos puntos)
Termodinmica

3.

Energa Interna (suma de las energas mecnicas de las partculas constituyentes de

un sistema)

Energa Trmica (energa liberada en forma de calor, obtenida de la naturaleza

mediante la combustin

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

Tonelada equivalente de petrleo

Tep

41.840.000.000

Tonelada equivalente de carbn

Tec

29.300.000.000

Tonelada de refrigeracin

TR

3,517/h

Electronvoltio

eV

1.602176462 10-19

British Thermal Unit

BTU

1.055,055851

Board of Trade unit

BTu

36000002

Cheval vapeur heure

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 el contexto tecnolgico y econmico la energa tambin se asume como un recurso

natural asociado a sus fuentes y a las tecnologas desarrolladas para obtenerla y usarlas en
los procesos productivos y de servicios de la sociedad humana. Esto nos conduce a
enunciar las tres actividades principales que realiza el Hombre cuando interacta con la
energa:
1. Evaluacin del Potencial Energtico de las fuentes de energa, es decir, conocer la
cantidad de energa que posee una fuente.
2. Extraccin, acumulacin y transmisin de energa en cada uno de los tipos conocidos y
conversin en otro tipo de energa.
3. Uso de uno de los tipos de energa en actividades productivas y de servicio de la
sociedad.
Estas actividades no se realizan de manera desorganizada o improvisada. El hombre las
realiza atendiendo a criterios de gestin que garantizan la eficiencia de todo el proceso.
Borroto Nordelo y Monteagudo Llanes han planteado que:
La gestin empresarial incluye todas las actividades de la funcin gerencial que
determinan la poltica, los objetivos y las responsabilidades de la organizacin;
actividades que se ponen en prctica a travs de: la planificacin, el control, el
aseguramiento y el mejoramiento del sistema de la organizacin.
Y desde este punto de vista empresarial y administrativo definen que:
La Gestin Energtica o Administracin de Energa, como subsistema de la gestin
empresarial abarca, en particular, las actividades de administracin y aseguramiento de la
funcin gerencial que le confieren a la entidad la aptitud para satisfacer eficientemente sus
necesidades energticas.
En el presente trabajo se considerar una definicin ms amplia y explcita del concepto de
Gestin Energtica. En primer lugar, es conveniente precisar que: Gestin1 es un sistema de
actividades educativas, normativas, tcnicas, financieras, comerciales, informticas, etc.,
desarrolladas para lograr el objetivo de una organizacin sobre la base de su
funcionamiento eficiente.
1

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.

Puede definirse entonces que: la Gestin Energtica es el sistema de actividades que

desarrolla el Hombre para lograr eficacia y eficiencia en la evaluacin del potencial
energtico de las fuentes de energa; la extraccin, acumulacin, transmisin,
conversin y uso de la energa.
Dentro de las actividades de la Gestin Energticas se tienen las administrativas pero
tambin las investigativas, acadmicas, normativas, ejecutivas, etc.
Una de las actividades propias de la Gestin Energtica es la modelacin y simulacin de
los procesos que ocurren en los sistemas fsicos donde interviene la energa. Es obvio
entonces que debemos definir estos conceptos.
Modelacin
Un modelo es: una construccin mental o material que crea el investigador a partir de su
conocimiento prctico y terico del objeto de investigacin y le sirve de gua y soporte para
abordar el estudio de dicho objeto y su fenomenologa.
En el modelo se estructuran aquellos elementos y relaciones internas del objeto, que sean
de inters para la investigacin. Esto se realiza atendiendo a los principios y leyes: de las
ciencias particulares involucradas; de la Lgica Dialctica; y de la Lgica Formal, de
manera que sea fundamentada, terica y empricamente, la pertinencia de dicho modelo.
Puede afirmarse que el desarrollo de la ciencia es el resultado de la existencia de mltiples
modelos que son premisas y consecuencias de dicho desarrollo y surgen de la imaginacin,
la intuicin, la actividad innovadora y de la creatividad del investigador. Mediante estos
modelos se llega a las nuevas teoras cientficas.
Modelar es representar mediante un sistema, de ideas o de cuerpos materiales
(naturales o artificiales), al objeto que se investiga. El sujeto debe identificar en el
objeto los elementos y relaciones que considere esenciales para su investigacin y
en un proceso de bsqueda, transformacin y creacin, obtener el modelo que
sintetice dichos elementos y sus relaciones esenciales.
Los rasgos fundamentales de un modelo son:
1. Suficiente correspondencia objetiva con el objeto modelado
2. Capacidad para sustituir al objeto modelado en ciertas etapas de la investigacin y en
ciertas relaciones internas del objeto o con otros objetos
3. Existencia de reglas precisas para traducir la informacin que nos ofrece el modelo a
informacin sobre el objeto modelado y viceversa.
4. Capacidad de ofrecer durante la investigacin informacin susceptible de
comprobacin experimental y terica
La Modelacin es una forma de operar en forma directa o indirecta y en forma prctica o
terica con un objeto, utilizando cierto sistema auxiliar, natural o artificial.
Siendo el modelo un sistema material o ideal, tiene una gran variedad de formas y tipos; sin
embargo, independientemente de las formas de organizacin y del carcter de los objetos y
fenmenos del mundo objetivo reproducidos, el proceso de modelacin mantiene sus
rasgos fundamentales, por lo que se afirma que:

La modelacin (creacin o adaptacin de modelos para un objeto de investigacin)

tiene carcter cientfico general.
Los modelos de objetos o fenmenos reales conducen mediante la investigacin a verdades
relativas y el conocimiento de la verdad absoluta solo puede asumirse como el estudio de la
sucesin infinita de modelos cada vez ms complejos y que reflejan cada vez con mayor
fidelidad al objeto o fenmeno. Esto constituye un importante motivo de reflexin para la
Ciencia puesto que cuando se asumen nuevos modelos, entonces es muy probable que sea
escrito nuevamente el saber de las disciplinas cientficas particulares. De gran impacto
social son dos consecuencias inmediatas de lo anterior: el diseo permanente de la
transmisin de un conocimiento cada vez mayor a toda la sociedad; y el aumento del
conjunto de momentos y reglas de aplicacin prctica del mismo.
La clasificacin de los modelos constituye uno de los asuntos prcticos ms importantes a
los que se debe enfrentar el lector. Es evidente que una primera taxonoma puede ser:
1. Modelos basados en un sistema de cuerpos materiales (MM)
2. Modelos basados en un sistema de ideas, a veces llamados Modelos Conceptuales (MC)
3. Modelos mixtos basados en un sistema de ideas y cuerpos materiales.
Entre los MC se puede distinguir una tipologa de modelos atendiendo a su forma: Modelos
Descriptivos, Modelos Grficos (Diagramas, Grafos, Nomogramas,...), Modelos
Funcionales (frmulas, ecuaciones, algoritmos), etc. Respecto a su funcin los modelos
pueden definirse como Identificativos, Contextualizadores, Estructurales (Sistmicos),
Modelos de Causa-Efecto (Dinmicos y Probabilsticos-Estadsticos), etc.
Algunos autores distinguen:

El Modelo Icnico: reproduccin a escala del objeto real y sus propiedades

relevantes. El modelo muestra la misma figura, proporciones y caractersticas que el
objeto original.

El Modelo Analgico: con apariencia fsica distinta al original, pero con

comportamiento representativo. El modelo analgico no es una reproduccin
detallada de todas las cualidades del sistema real, sino que refleja solamente la
estructura de relaciones y determinadas propiedades fundamentales de la realidad.

El Modelo Terico: (tambin denominado por algunos autores, analtico) utiliza

smbolos para designar las propiedades del sistema real que se desea estudiar. Tiene
la capacidad de representar las caractersticas y relaciones fundamentales del
fenmeno, proporcionar explicaciones y sirve como gua para generar hiptesis
tericas.

Algunos autores distinguen, por su origen metodolgico, entre Modelos Inductivos y

Modelos Deductivos. Si se denominan los trminos LQE (lo que explica) y LQSE (lo que
se explica), entonces para los modelos Deductivos, LQE est conformado por un conjunto
L de leyes universales de tipo dinmico o de leyes de estructura y por otro conjunto C de
caractersticas especficas de los objetos que se estudian o de sus condiciones concretas,
que permiten obtener LQSE.

Para los Modelos Inductivos, LQE es un conjunto finito M de comprobaciones del

cumplimiento de LQSE (o de una proposicin lgicamente equivalente). Si M coincide con
el conjunto U de todos los posibles casos donde se cumple LQSE entonces el Modelo
Inductivo tiene certeza absoluta (probabilidad igual a 1) pero en la medida en que M sea
menor respecto a U entonces se tiene menos certeza sobre la veracidad de LQSE y esta
certeza depende no solo del tamao de M sino tambin de cuanto represente M a U.
De forma anloga pueden definirse Modelos Reductivos, Modelos Transductivos, Modelos
Abductivos, Modelos Heursticos, etc.
Para un mismo objeto o fenmeno, es comn encontrar referencias a diferentes modelos,
teniendo en cuenta el contexto de una Disciplina Cientfica. Por ejemplo, se puede hablar
del Modelo Pedaggico, del Modelo Sociolgico, del Modelo Psicolgico, del Modelo
Filosfico, etc. del proceso de Enseanza Aprendizaje. Tambin, por ejemplo, es vlido
hablar del Modelo Fsico, del Modelo Matemtico, del Modelo Elctrico, del Modelo
Mecnico, del Modelo Energtico, etc. de un Generador Elico.
Se pueden proponer para los modelos, los siguientes niveles de complejidad:
1. Modelos descriptores-contextualizadores de un conjunto de objetos y sus propiedades
2. Modelos de las Relaciones y los Nexos (determinacin de esencias, interconexin,
causa y efecto, carcter sistmico, etc. de un conjunto de objetos)
3. Modelos del Movimiento (estudio del conjunto de objetos vistos en cualquiera de las
formas del movimiento de la materia)
4. Modelos del Desarrollo (estudio de objetos en los procesos y movimientos que los
hacen pasar de estados cualitativos inferiores a estados cualitativos superiores).
Los modelos ideales ms importantes para la Ciencia son los llamados Modelos Tericos2.
El modelo terico (forma superior del Modelo Conceptual) expone, con recursos de la
Teora del Conocimiento, aquellos elementos, relaciones y estructuras internas del objeto,
que son esenciales para abordar su estudio y resolver el problema cientfico formulado.

La modelacin terica busca representar de modo sistmico el objeto

investigado mediante la elaboracin de conceptos, leyes, teoras y cuadros.
La clula del pensamiento lgico y fundamento del conocimiento racional es el concepto y
su elaboracin es una funcin esencial en la modelacin terica de la investigacin. El
Concepto es una imagen generalizadora que refleja la multitud de objetos semejantes que
poseen iguales caractersticas esenciales. Todo concepto es una abstraccin con lo cual
parcializa su visin de la realidad. Pero gracias a los conceptos se obtiene un conocimiento
ms profundo de esa realidad revelando la esencia del objeto de la investigacin.
En muchos contextos cientficos se habla de Constructos. Son conceptos creados o
adoptados de forma deliberada y consciente para un propsito cientfico especial. Desde
esta ptica, todo constructo:
2

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.

Se define de manera especfica para que pueda ser observado y medido.

Un constructo es una entidad abstracta prolijamente definida y articulada, que

consideramos como existente, aunque no sea estrictamente observable. Constituye el
material bsico del cual se componen las teoras. Desde el punto de vista ideal, un
constructo debera tener a la vez alcance terico y significado emprico: tendra que ser til
en la construccin de teoras y significativo en lo que respecta a la conducta observable.
Los conceptos se precisan mediante un conjunto de rasgos y aspectos entre los cuales ocupa
un importante lugar la Propiedad, la cual refleja la caracterstica o aspecto del objeto que
los asemeja o diferencia de otro. Cada cosa singular posee una cantidad infinita de
propiedades cuya unidad expresa su Cualidad (aqu se observa la relacin cantidad-cualidad
en el concepto). Aquellas propiedades susceptibles de medirse expresan otro aspecto del
concepto que es la Magnitud.
La Variable es aquel atributo que puede cambiar y que sintetiza los aspectos esenciales del
objeto. En los modelos Causa-Efecto estas variables se clasifican en independientes
(vinculadas a la causa) y dependientes (relacionadas con el efecto).
La Regularidad expresa cierto grado de obligatoriedad en el comportamiento de los objetos
y fenmenos que se estudian a partir de ciertas relaciones de carcter causal, necesarias y
estables entre los fenmenos y propiedades del mundo objetivo, lo que implica que un
cambio de algn aspecto exige, en algn grado, la transformacin de otro.
El conocimiento de las regularidades sobre un objeto es importante pero un objetivo central
en la modelacin terica de la investigacin es la formulacin de leyes, aun cuando se
conoce que en los enfoques cualitativos de la investigacin este aspecto no es reconocido
de la misma manera que en la investigacin cuantitativa. La Ley expresa la conexin
interna y esencial de los fenmenos que condicionan su desarrollo necesario y regular,
reflejando las relaciones generales, esenciales, necesarias y reiteradas entre objetos y sus
variables, o entre procesos y fenmenos de la naturaleza, la sociedad y el pensamiento. El
conocimiento de la ley expresa un trnsito (del fenmeno a la esencia) que siempre ocurre
por medio del pensamiento abstracto.
Existen tres grupos principales de leyes:
a.

Especficas: relacionan fenmenos concretos o propiedades particulares

b.

Generales: para grandes grupos de fenmenos

c.

Universales: son las leyes dialcticas que expresan relaciones entre

propiedades o tendencias universales del desarrollo.

Las leyes se vinculan a los fenmenos naturales y en determinados paradigmas de la

investigacin, a los fenmenos sociales y del pensar. En el proceso de investigacin
cientfica las leyes se obtienen y evolucionan en un proceso dialctico, sin embargo la
estructuracin formal de las leyes afines a un objeto mantienen un enfoque de sistema.
En el mismo nivel de complejidad de la ley estn los Principios que son los resultados de la
generalizacin de la actividad prctica y son las bases de la Ciencia. Su confirmacin es
posible encontrarla slo a lo largo de todo el proceso de desarrollo de la Ciencia y como

10

consecuencia del escrutinio de una gran cantidad de fenmenos y hechos experimentales3.

En las ciencias desarrolladas, las leyes se unifican en un todo nico en los marcos de una
determinada Teora formada por un Sistema de Conceptos, Leyes y Principios, estrechamente
interrelacionados. Esta unificacin de los conocimientos cientficos en un todo, es un estado
superior en el proceso de sistematizacin de la ciencia. La Teora es, por tanto, el sistema de
conocimientos que explica el conjunto de los fenmenos, hechos o procesos de alguna esfera
de la realidad y que reproduce todas las leyes que se encuentran en ese dominio bajo un
elemento unificador, es decir, cada teora es un sistema de saber generalizado que explica
determinados aspectos de la realidad.
Por su significado, la teora se contrapone a la hiptesis (conjetura o saber no comprobado),
aunque en general surge de ella en un momento del proceso de investigacin. Tambin es
contrapuesta a la prctica en cuanto es distinta de sta por constituir una reproduccin
idealizada de la realidad. No obstante se halla indisolublemente ligada a la prctica en tanto
esta exige al conocimiento la solucin de nuevos problemas y es el criterio de la veracidad
de la teora.
Luego, una Teora es un sistema de conocimientos que explica un conjunto de fenmenos,
hechos y procesos de algunas esferas de la realidad y que modela las leyes que la rigen.
Entre sus principales cualidades se deben destacar su consistencia lgica, la posibilidad de
ser generalizable y la capacidad de generar nuevos conocimientos cientficos.
La teora no es una simple enumeracin de las leyes existentes, sino que en toda teora
existe un Ncleo que encierra un nmero relativamente pequeo de ideas o leyes
esenciales, generales y fundamentales de las que se derivan todas las dems leyes.
Las Cualidades que permiten evaluar la calidad de una teora cientfica se resumen en:
a.

Consistencia lgica: las proposiciones que la conforman deben estar

interrelacionadas, sin que posean contradicciones formales internas o incoherencias

b.

Ser generalizable: cuando es capaz de explicar el mayor nmero de fenmenos y

admitir el mayor nmero de aplicaciones

c.
d.
e.
f.

Capacidad: de generar nuevos conocimientos cientficos

Explicar: el por qu, cmo y cundo ocurre un fenmeno, dentro del campo de
accin de la investigacin
Sistematizar: ordena el conocimiento acerca del objeto de estudio
Predecir y permitir hacer inferencias: del comportamiento del objeto bajo
determinadas condiciones.

Es importante entender a la Teora Cientfica no solo como conjunto de [conceptos,

axiomas4,] leyes y categoras sistematizadas por determinados principios rectores que
3

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

6. Enunciado formal del modelo

7. Representaciones alternativas (grficas, analticas, etc.)
8. Explicacin del modelo (significados, exigencias, criterio de uso, argumentacin
sobre sus cualidades)
9. Formas de instrumentacin (recomendaciones, alternativas variantes)
10. Evaluacin del modelo.
Es usual que el proceso de modelacin funcione con uno o varios lazos retroalimentados.
Una nueva cuestin (de extraordinaria importancia) es la relacionada con la seleccin de
un modelo entre varios posibles. Esta seleccin trasciende al resto de la investigacin y en
este sentido la modelacin debe pasar por dos momentos que incluyen varias acciones del
quehacer cientfico y que ayudan a considerar la efectividad del modelo en el PIC:
1. Definicin de los elementos que caracterizan al modelo
a. Rasgos que caracterizan al modelo
b. Premisas

c. Principios: (elementos rectores).

2. Etapas y acciones: El nmero de etapas, sus contenidos y relaciones se determinan a
partir de las necesidades y exigencias de lo que se modela. Cada etapa se concreta a
travs de acciones.
a. Definicin
b. Organizacin
c. Programacin
d. Diagnstico
e. Planificacin
f. Instrumentacin
g. Evaluacin
La seleccin de modelos est relacionada con la seleccin de una teora entre varias
posibles, cuestin que tiene cierta analoga con respecto a la seleccin de una hiptesis
entre varias posibles.
Por ejemplo, supongamos que tenemos dos teoras T1 y T2 que modelan en ciertas medidas
el objeto y fenomenologa estudiados. Un criterio que pudiera ser la base de una decisin es
la llamada Navaja de Ockham (Principio de Economa o de Parsimonia) que enuncia una
premisa muy simple: En igualdad de condiciones la solucin ms sencilla es probablemente
la correcta. El postulado, enunciado por Guillermo de Ockham en el siglo XIV es
exactamente: Entia non sunt multiplicanda praeter necessitatem, o sea: No ha de
presumirse la existencia de ms cosas que las absolutamente necesarias. Esto significa que
cuando se ofrecen dos explicaciones para un fenmeno, es preferible tomar la explicacin
completa ms simple. O sea: la explicacin ms simple y suficiente es la ms probable
(pero no es necesariamente la verdadera). Por ejemplo, si un rbol quemado est cado en

13

tierra, podra ser debido a la cada de un rayo o debido a la presencia de extraterrestres

pirmanos. La explicacin suficiente ms sencilla es la relacionada con la cada del rayo
pero esto no asegura la falsedad de la visita de extraterrestres incendiarios.
En el campo computacional, ante la creciente complejidad de los equipos y los sistemas
informticos, la Navaja de Ockham ha evolucionado hacia un principio llamado KISS
(Keep it Small and Simple o Mantngalo pequeo y simple) que en la prctica (en relacin
al diseo y programacin de pginas de Internet) asume que: Simplifica y funcionar.
El sentido del Principio de Parsimonia es que a igualdad de condiciones, sean preferidas las
teoras ms simples. Una cuestin diferente es el conjunto de evidencias que apoyen cada
teora por tanto una teora ms simple pero menos correcta no debe ser preferida a una
teora ms compleja pero ms correcta.
Varios cientficos han enunciado criterios diferentes (a los cuales se les llama Anti-Navajas
de Ockham) al Principio de Economa. Sus basamentos tienen que ver con:
1. No existe una medida absoluta de la simplicidad.
2. Generalmente, cuando una teora suficiente tiene una Semntica (conceptos) ms
simple, entonces su Sintaxis se hace ms compleja y viceversa.
3. Cmo estar seguro a priori que una teora es ms suficiente que otra?
El filsofo Walter of Chatton (contemporneo de Guillermo de Ockham) cuestion el uso
de la Navaja de Ockham. Plante: Si tres cosas no son suficientes para verificar una
proposicin afirmativa sobre las cosas, una cuarta debe ser aadida, y as sucesivamente.
Adems:

G. Leibnitz enunci el Principio de Plenitud, que establece que: Todo lo que sea
posible que ocurra, ocurrir.

E. Kant plante: La variedad de seres no debera ser neciamente disminuida.

C. Menger, fundador de la Escuela Austraca de Economa, formul su Law Against

Miserliness: Las entidades no deben ser reducidas hasta el punto de inadecuacin. O
mejor an: Es vano hacer con menos lo que requiere ms.

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.

Es importante reconocer que el modelo terico de la investigacin intenta reflejar la

realidad, pero en este proceso influye notablemente la formacin y los criterios del
investigador. El modelo, como parte de la teora, tambin est sujeto al acto creativo de su
seleccin entre varios. Este modelo sirve de instrumento para explicar lo que se estudia y
para la prediccin de acontecimientos que an no se han observado.
Simulacin
La simulacin es un conjunto de actividades experimentales y tericas que realiza el
investigador sobre un modelo M del objeto de estudio O para obtener datos, informacin y

14

conocimiento sobre O (y su fenomenologa). Este enfoque ha sido considerado como un

mtodo general de investigacin que se denomina: mtodo de Modelacin-Simulacin
Este mtodo es la integracin de dos enfoques en el estudio de un objeto o fenmeno. En
primer lugar se obtiene para este objeto o fenmeno un modelo satisfactorio en el campo de
accin de inters. En las ingenieras, cualquiera sea este modelo, el mismo debe expresarse
como un modelo fsico o matemtico que generalmente se convierte en un artefacto o en un
software que simula (reproduce) los aspectos esenciales que se estudian. En este momento,
el estudio se realiza terica o experimentalmente sobre el modelo como si este fuera un
objeto real.
Este mtodo es fcilmente comprensible cuando la simulacin se obtiene mediante un
artefacto fsico (por ejemplo cuando se simula el comportamiento de un nuevo avin
colocando el modelo de una de sus alas en un tnel de viento), sin embargo es menos
comprensible cuando la simulacin se realiza tericamente analizando ecuaciones o
evalundolas mediante una computadora. Vea el siguiente ejemplo:
Supngase que se quieren estudiar los comportamientos en el tiempo de una poblacin X de
animales depredadores y de otra poblacin Y de animales que constituyen presas de los
depredadores.
La observacin del comportamiento entres dos poblaciones con estas caractersticas (por
ejemplo, tiburones y los peces que los alimentan) sealan las siguientes regularidades
(modelo Biolgico):

En ausencia de depredadores, la poblacin de las presas creceran a una tasa natural, la

cual indica que la variacin de poblacin en el tiempo es proporcional a la poblacin
que se tiene en cada instante de tiempo

En ausencias de presas, la poblacin de depredadores disminuye segn su tasa natural;

es decir, la poblacin disminuye ms rpidamente en la medida en que sean ms
individuos

Cuando ambas poblaciones interactan, se tiene una combinacin de esas tasas

naturales de manera que las presas disminuyen y los depredadores aumentan en
correspondencia con la frecuencia de los encuentros entre ambas poblaciones.

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

Donde las constantes a, b, c y d son todas positivas.

Ahora, sin necesidad de observar poblaciones reales de animales, se puede estudiar el

comportamiento de ambas especies bajo diferentes condiciones de su interaccin (tales
como la cantidad de individuos de las poblaciones iniciales, las frecuencias de encuentros,
la voracidad de los depredadores, la habilidad de las presas para escapar, etc.) mediante la
simulacin en una computadora de las soluciones del sistema de ecuaciones diferenciales.
Sin entrar en mayor detalle, mediante este modelo pueden plantearse hiptesis que sealen

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.

Lineales o No Lineales: Depende de la linealidad del modelo matemtico

(funcin objetivo y restricciones) que se tiene. Estos modelos pueden ser Lineales o No
Lineales (Cuasi-lineales, Cuadrticos, etc.)

2.

Estticos o Dinmicos: Se dice Esttico si la optimizacin se realiza cuando

el objeto ha alcanzado (en el fenmeno que se estudia) un estado estable lo cual quiere
decir que este estado es constante en el tiempo. Se dice Dinmico cuando el fenmeno o

ptimo es sinnimo de excelente, perfecto, inmejorable, superior, relevante, destacado, favorable, etc.

16

el objeto varan en el tiempo y esta variable es contemplada en la optimizacin.

Recordemos que en los Modelos Estacionarios no se contempla el paso del tiempo por
lo que se puede decir que la Optimizacin Esttica trabaja con estos modelos; asimismo
la Optimizacin Dinmica trabaja con Modelos No Estacionarios
3.

Determinsticos o Estocsticos6: La optimizacin determinstica se refieren a

modelos determinsticos y la optimizacin estocstica se refiere a modelos
probabilsticos-estadsticos o mixtos

4.

Unidimensionales o multidimensionales: Tienen que ver con la cantidad de

variables dependientes e independientes que intervienen en el modelo

5.

Parmetros Combinados o Parmetros No Combinados: En la optimizacin

de parmetros combinados se ignoran las variaciones espaciales de las variables
dependientes del modelo, o sea, el objeto se considera espacialmente homogneo.

El enfoque clsico de la optimizacin matemtica plantea que un Problema de

Optimizacin Matemtica est dado por:
A. Una Funcin Objetivo Z=F(X) donde X representa un conjunto de n variables
independientes {x1, x2, , xn}.
B. Un conjunto de k restricciones Gi(X)R0, donde i=1,2,,k y adems la relacin R
{0 , > , < , , }.
C. La necesidad de encontrar un conjunto S de valores de X tales que satisfagan las
relaciones Gi(X) y den como resultado el valor mximo (mnimo) de la funcin
objetivo F(X).
Un enfoque ms flexible y que se ajusta mejor a la diversidad de problemas que hoy en da
formulan los ingenieros asume que la condicin C se exprese de la siguiente forma:
La necesidad de encontrar un conjunto S de valores de X tales que satisfagan las
relaciones Gi(X) y que al evaluarlo en la funcin objetivo de como resultado un valor Z que
est por encima (debajo) de cierta cota de optimizacin.
Grficamente esta idea se puede ilustrar con la siguiente figura:

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

Captulo 1: Conceptos bsicos de la modelacin matemtica

Reflexiones sobre los modelos fsicos
La Fsica (en griego
= phisis, significa Naturaleza) ocupa un lugar especial en la
Ciencia porque estudia las formas ms generales de la materia y sus transformaciones. En
particular la Fsica estudia las propiedades de la materia, la energa, el tiempo, el espacio y
sus interacciones (fuerzas) lo cual significa que los sistemas fsicos se caracterizan por
tener una ubicacin en el espacio-tiempo y un estado fsico definido y estar sujetos a
evolucin temporal; asimismo estn asociados con la magnitud fsica llamada energa.
Pueden enumerarse los campos que estudia esta disciplina cientfica para comprender su
importancia en la Ciencia. Segn George B. Arfken et al., incluye las disciplinas siguientes:
Clsica
Mecnica
Gravitacin
Termodinmica
Electromagnetismo
ptica
Acstica
Hidrodinmica

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

El desarrollo vertiginoso de la Fsica ha determinado que la estructura y concepcin sobre

las ramas de la Fsica tambin cambie rpidamente. La siguiente tabla contiene informacin
del ao 2005 tomada de la Enciclopedia Encarta 2006 y proporciona una breve descripcin
de los temas tratados en los diferentes mbitos de la Fsica.
Trmino

Descripcin de su objeto de estudio

Acstica
Fsica Atmica

Estudia las propiedades del sonido.

Estudia la estructura y las propiedades del tomo.

Criogenia

Estudia el comportamiento de la materia a temperaturas

extremadamente bajas.
Estudia los campos elctrico y magntico, y las cargas elctricas
que los generan.

Electromagnetismo
Fsica de Partculas
Dinmica de Fluidos

Se dedica a la investigacin de las partculas elementales.

Examina el comportamiento de los lquidos y gases en
movimiento.

19

Geofsica

Aplicacin de la fsica al estudio de la Tierra. Incluye los campos

de la hidrologa, la meteorologa, la oceanografa, la sismologa y
la vulcanologa.

Fsica-Matemtica
Mecnica

Estudia la Matemtica en relacin con los fenmenos naturales.

Estudia el movimiento de los objetos materiales sometidos a la
accin de fuerzas.

Fsica Molecular
Fsica Nuclear

Estudia las propiedades y estructura de las molculas.

Analiza las propiedades y estructura del ncleo atmico, las
reacciones nucleares y su aplicacin.

ptica
Fsica del Plasma

Estudia la propagacin y el comportamiento de la luz.

Estudia el comportamiento de los gases altamente ionizados (con
carga elctrica).

Fsica Cuntica

Estudia el comportamiento de sistemas extremadamente pequeos

y los cuantos de la energa.
Estudia las propiedades fsicas de los slidos y los lquidos.

Fsica de la Materia
Condensada
Mecnica Estadstica
Termodinmica

Aplica principios estadsticos para predecir y describir el

comportamiento de sistemas compuestos de mltiples partculas.
Estudia el calor y la conversin de la energa de una forma a otra.

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).

Aqu es conveniente aclarar algunos trminos a modo de ilustracin:

Criogenia: Conjunto de tcnicas utilizadas para enfriar un material a la temperatura de
ebullicin del nitrgeno (-195,79o C) y a temperaturas an ms bajas.

20

Econofsica: Novedoso campo de investigacin cientfica que aplica teoras y mtodos,

originalmente desarrollados por la Fsica, para resolver problemas en la Economa y
especialmente, aquellos que involucran aspectos estocsticos (probabilsticos) y de
Dinmica No Lineal.
Sociofsica: Novedosa rama de la Fsica interdisciplinaria que aboga por el uso de mtodos
y conceptos de la fsica de Sistemas Complejos para el estudio de interacciones colectivas
en ciertas sociedades. No es una mera aplicacin de mtodos cuantitativos o matemticos,
sino de una nueva concepcin de los fenmenos sociales como propiedades emergentes de
un conjunto de individuos que interactan entre s para producir nuevas conductas que no
pueden reducirse al estudio de los componentes aislados. Dado que es una disciplina y un
punto de vista nuevo, an se encuentra en sus comienzos, por lo que actualmente se enfoca
hacia la bsqueda de patrones generales de las conductas sociales. Se espera que la
interaccin entre socilogos, fsicos y matemticos, desarrolle e implemente experimentos
adecuados a los procesos sociales, o provee formas de contrastar las ideas, modelos y
teoras creadas. La Sociofsica est emparentada con la Econofsica.
Percolacin: Flujo de un lquido a travs de un medio poroso no saturado, por ejemplo de
agua en el suelo, bajo la accin de la gravedad.
Criticalidad autorganizada: Es un trmino usado en Fsica para describir Sistemas
Dinmicos (varan en el tiempo) que tienen puntos crticos especiales en su evolucin
temporal.
Para comprender mejor el estado del conocimiento de la Fsica se puede enunciar su
Estructura en lo que concierne a conceptos, leyes y teoras:
Conceptos Principales:
Materia, Antimateria, Partculas, Masa, Energa, Momento, Tiempo, Fuerza, Inercia,
Presin, Onda, Electricidad, Magnetismo, Temperatura, Entropa, Sistemas de
Unidades y Constantes Fsicas.
Fuerzas fundamentales:
Interaccin Gravitatoria, Interaccin Electromagntica, Interaccin Nuclear Dbil,
Interaccin Nuclear Fuerte.
Teoras Principales:
Mecnica Clsica, Termodinmica, Mecnica Estadstica, electromagnetismo,
Relatividad Especial, Relatividad General, Mecnica Cuntica, Mecnica Cuntica
Relativista, Electrodinmica Cuntica, Crono-dinmica Cuntica, Fsica Molecular,
Fsica del Plasma, Fsica Relativista.
Pero, adems, la Fsica sigue en un impresionante desarrollo para explicar la Naturaleza.
Se tienen las:
Teoras en estudio:
Teora del Todo, Teora de la Gran Unificacin, Teora de las Cuerdas, Criogenia,
Teora del Espacio Acelerado, Teora del Todo Excepcionalmente Simple.
A modo de ejemplo, la Teora de Cuerdas es un novsimo modelo fundamental de la Fsica
que afirma que todos los bloques de materia son en realidad expresiones de un objeto

21

bsico unidimensional extendido llamado cuerda o filamento. De acuerdo con esta

propuesta, un electrn no es un "punto" sin estructura interna y de dimensin cero, sino una
cuerda minscula que vibra en un espacio-tiempo de ms de cuatro dimensiones. Un objeto
especial que aparece en esta teora son las D-Branas que pueden tener 1, 5 y 9 dimensiones
espaciales. Actualmente en la Teora-M se admiten tambin las branas de dimensin
superior llamadas P-Branas. Esta teora es centro de grandes discusiones cientficas porque
apunta al estudio del tiempo antes del Big Bang y porque algunos estudiosos la consideran
una seudociencia al no poder ser comprobada en la prctica.
Sin embargo la Fsica no solo ha aportado conocimiento acerca de su clsico (y amplsimo)
objeto de estudio: la Naturaleza. Adems, ha mostrado la eficacia de su modelado.
El modelo central de la Fsica es el llamado Cuadro Fsico Cientfico del Mundo que
enmarca la descripcin de los objetos de la naturaleza mediante ciertos Principios
(Causalidad, Simetra, Relatividad, Equivalencia, etc.) y Teoras Fsicas que a su vez
contienen Modelos Ideales que son descritos por Conceptos y Leyes que se describen
generalmente mediante el lenguaje de la Matemtica.
Por ejemplo, la Mecnica Clsica estudia la Esttica (investiga los cuerpos sobre los que
actan fuerzas y momentos cuyas resultantes son nulas, de forma que permanecen en
reposo o en movimiento no acelerado); la Cinemtica (que contempla el movimiento de
cuerpos haciendo abstraccin de las causas que lo producen); la Dinmica 7 (que analiza el
movimiento de los cuerpos teniendo en cuenta las fuerzas que los causan) y las Leyes de
Conservacin.

Los modelos de la Mecnica Clsica son las partculas, los cuerpos rgidos, los cuerpos
deformables, etc.

Los tipos de movimiento mecnico que pueden estudiarse son: Unidimensionales,

Bidimensionales (rectilneo, parablico, circular, etc.) y Tridimensionales. El
movimiento tambin puede ser relativo, oscilatorio, ondulatorio, catico, 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

Las fuerzas (segn el diccionario de la RAE: cualquier accin o influencia que

modifica el estado de reposo o de movimiento de un objeto o lo deforma) que se
estudian son en general: gravitacionales, electromagnticas, interaccin atmica fuerte
e interaccin atmica dbil. En particular, para la Mecnica tienen importancia las de
friccin, las viscosas, las elsticas, la gravitacin, etc.

Aunque la Dinmica de Lagrange constituye un modelo terico general de la Mecnica

Clsica, se estudian frmulas particulares de movimiento, velocidad, aceleracin,
momentos, energas, etc. para cada caso especfico (por ejemplo: el estudio de una partcula
con movimiento rectilneo uniforme despreciando toda friccin).

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

Un aspecto muy importante es el relacionado con la imposibilidad de establecer una lnea

divisoria exacta entre la Fsica y otras disciplinas cientficas que estudian la Naturaleza.
Esto cobra singular relieve cuando se trata de disciplinas aplicadas al desarrollo de las
tecnologas y que son las bases de las ingenieras.

Este modo de estructurar el Cuadro Fsico del Mundo es un ejemplo de

coherencia, armona y correspondencia con la realidad, para todas las
disciplinas cientficas relacionadas con la Naturaleza y con el conocimiento
tecnolgico que es el objeto de trabajo en las ingenieras.
Al parecer, esta pauta pudiera extenderse de una manera especial a las
disciplinas cientficas que estudian la Sociedad.
La comprensin de la Fsica no solo es importante en el plano de los resultados
gnoseolgicos, tambin reviste enorme importancia la comprensin de los Mtodos de la
Fsica que estn caracterizados por el uso intensivo de la experimentacin, la deduccin de
leyes y la estructuracin de modelos y teoras.
Aunque en el prximo captulo se argumentar sobre las ideas principales acerca del
muestreo y de la experimentacin y en el epgrafe 7.C se abundar sobre los mtodos
empricos, es imprescindible resaltar el papel de la Fsica en el desarrollo de los mtodos
experimentales, sistematizados en los trabajos de Galileo Galilei y desarrollados por
innumerables investigadores hasta nuestros das.
Todo experimento fsico sigue, en lneas generales, los siguientes pasos:
1. Plantear el problema a investigar con la mayor precisin posible:
a. Fenmeno que se estudia
b. Magnitudes que se medirn y los intervalos de medicin de cada una
c. Caractersticas de los objetos que toman parte en el experimento para que el modelo
ideal se parezca al sistema real
d. Conocimientos experimentales y tericos previos que existen vinculados al
fenmeno que se estudia
e. La Ley de la Fsica (puede ser una hiptesis) que se pondr a prueba.
2. Diseo fsico del experimento.
a. Escoger y preparar los objetos y equipos que intervienen como sujetos del
experimento
b. Escoger y preparar los instrumentos de medicin. Analizar sus rangos, calibracin y
precisin
c. Prever los errores de medicin y sus causas. Formularlos cuantitativamente
mediante un anlisis que requiere un conocimiento slido de la teora que se
investiga, del modelo que se emplea y de los instrumentos de medicin
d. Prever los errores de medicin (sistemticos, aleatorios y de exactitud)
e. Detectar las causas de los errores sistemticos y eliminarlos o determinar las
correcciones necesarias

23

f. Formular cuantitativamente los errores de exactitud mediante un anlisis que

requiere un conocimiento slido de la teora que se investiga, del modelo que se
emplea y de los instrumentos de medicin
g. Determinar las posibles causas de los errores aleatorios y su magnitud en
comparacin con los errores de exactitud.
3. Diseo estadstico del experimento. En este punto deben tenerse en cuenta las
diferentes tcnicas del muestro (vea los epgrafes 6.A, 6.B, 6.C y 6.D) as como las
cuestiones generales sobre el diseo de experimentos (vea el epgrafe 6.E) y las
tcnicas especficas que aparecen en los textos especializados (vea el Anexo K)
4. Ejecutar el experimento y recopilar los resultados.
La Fsica completa su ciclo investigativo experimental con los siguientes pasos:
5. Procesamiento grfico y analtico los resultados
6. Anlisis de los resultados a la luz de las teoras conocidas y de las teoras en estudio.
La medicin tiene especial importancia en la experimentacin. Ral Portuondo muestra de
manera simplificada los elementos que determinan el valor de una magnitud fsica y de su
error cuando se realiza una medicin.

La experimentacin en la Fsica no puede entenderse separada de la construccin de teoras.

Esto es vlido para los cientficos y para los estudiosos de la Filosofa.
Al respecto el fsico ruso P. Kapitza (Premio Nobel) ha dicho en su obra citada:

24

Para el desarrollo armnico de la ciencia es necesario, claro est, que la teora no se

aleje del experimento, y esto puede tener lugar solo cuando la teora se sustenta sobre
una base experimental suficientemente poderosa.

La aplicacin de la dialctica en la esfera de las ciencias naturales exige un profundo

conocimiento de los hechos experimentales y de su generalizacin terica

Los estudios de ingeniera pueden, con toda justicia, considerar a la

Fsica como su ciencia madre por el uso gnoseolgico y metodolgico
que hacen de sus modelos, leyes, teoras, tcnicas de experimentacin y
mtodos tericos.
El Mtodo Hipottico-Deductivo ha sido el mtodo terico ms importante de la Fsica y en
el cual se usan intensivamente los modelos de la Matemtica para sus formalizaciones.
Entre estos modelos, sobresalen las Ecuaciones Diferenciales que expresan implcitamente
la variabilidad de una o varias variables dependientes con respecto a una o varias variables
independientes, ya que se desconocen las expresiones de las funciones que explican las
relaciones causa-efecto entre estas variables. Las condiciones de frontera (espaciales) e
iniciales (temporales) se expresan tambin mediante expresiones matemticas que permiten
encontrar las funciones desconocidas o, al menos, algunos de sus valores.
Introduccin a los modelos matemticos
Los modelos matemticos no solo deben contener la descripcin matemtica de objetos y
procesos, sino que adems, deben contener un conjunto de reglas que determinen
operaciones sobre dichos objetos y procesos. Puesto que el contenido de la ciencia
matemtica se estructura en Definiciones, Teoremas y Algoritmos se asume el principio de
que estas estructuras son los elementos primarios para crear modelos matemticos.
La Matematizacin de las disciplinas cientficas (un rasgo caracterstico de la Revolucin
Cientfico - Tcnica contempornea) es un proceso que generalmente se produce en
aquellas disciplinas cuyo grado de desarrollo y de relaciones entre sus conceptos y leyes
permiten la introduccin de modelos y mtodos matemticos en el estudio de los mismos,
es decir su matematizacin. Este proceso, enunciado conceptualmente por Federico
Engels, ha sido aceptado por la mayora de los filsofos y tericos que estudian la Ciencia,
independientemente de sus posiciones filosficas y cientficas.
En la actualidad la Matemtica (del griego = que concierne al saber) acta
como metateora o metalenguaje o metadisciplina8 con respecto a las ciencias naturales y a
una gran parte de las ciencias sociales y del pensamiento as como respecto a las
transdisciplinas, donde un rasgo significativo es el hecho de que se incluyen ciencias
extremadamente complejas como la Informtica, la Biologa, la Psicologa, la Sociologa, la
Lingstica y la Economa. Precisamente, es la complejidad de los objetos de investigacin
de estas ciencias, lo que presupone la necesidad de aplicar los modelos abstractos de la
8

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

Matemtica, los cuales tienen la posibilidad de utilizar todo el aparato terico-prctico de

los mtodos matemticos correspondientes.
Para lograr la Matematizacin de una disciplina cientfica se tienen en cuenta tres etapas
generales:
1. Estudio cuantitativo, cualitativo y grfico de datos experimentales y observaciones y
modelacin elemental de leyes
2. Modelacin de fenmenos particulares y procesos individuales
3. Construccin de modelos matemticos para teoras completas.
Estas etapas no transcurren de manera lineal y consecutiva sino que como todo desarrollo
presenta avances, retrocesos y superposiciones
El acadmico ruso A. N. Kolmogrov propuso cuatro etapas para estudiar la historia de la
Matemtica (que de cierta manera es la de los modelos matemticos):
1. Surgimiento (hasta el siglo VI Ane)
2. Elemental (desde el siglo VI Ane hasta el siglo XVI de nuestra era)
3. De las magnitudes variables (desde el siglo XVII hasta mediados del siglo XIX)
4. Contempornea (desde la segunda mitad del siglo XIX hasta la actualidad).
Desde el punto de vista histrico se conoce que los modelos matemticos se utilizaron an
antes de nuestra era desde los albores de la humanidad, cuando el hombre desarroll la
abstraccin del nmero. Hasta el siglo XVI el uso de los modelos matemticos no fue
sistemtico e hizo nfasis principalmente en la solucin de problemas econmicos
elementales, mecnicos y astronmicos. Fue en los siglos XVII y XVIII donde, con los
trabajos de varios cientficos, entre los que sobresalen Galileo y Newton, se profundiza en
la modelacin matemtica como elemento decisivo en el desarrollo de algunas ciencias
basadas en los principios de la mecnica. Estos modelos, que siguen desarrollndose hoy en
da, recibieron el nombre de Modelos Determinsticos y se basan en ecuaciones que reflejan
relaciones precisas entre unos pocos objetos y procesos. Otros modelos matemticos que
surgen posteriormente son los llamados Probabilsticos Estadsticos, donde se reflejan las
conductas de pocos o numerosos objetos y procesos con comportamientos sujetos a leyes
probabilsticas y estadsticas. Debe destacarse en esta etapa la preponderancia de la
modelacin matemtica de procesos productivos que incluyen elementos tcnicos,
econmicos, ergonmicos, etc., lo que ha mostrado el papel protagnico de la Matemtica
en el desarrollo econmico y social mundial.
Adems de lo dicho, en la actualidad puede ser resaltado el desarrollo de modelos
relacionados con la Teora de Informacin (ligada con las Probabilidades y con la
Estadstica), Teora Abstracta de Autmatas (ligada con el lgebra Abstracta y con la
Matemtica Finita) que han permitido, junto con otros mtodos clsicos, la matematizacin
de una parte de la Biologa y otras ciencias complejas sobre todo las relacionadas con la
Informtica y la Fsica Terica.
Otro punto de vista a tener en cuenta, plantea que los modelos matemticos son en general
probabilsticos - estadsticos y que los determinsticos existen como un caso lmite
(particular) de los primeros. Debe destacarse que dentro de las ciencias tcnicas se han

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:

La Teora de los Juegos (trabajos de John Von Neumann y otros)

La Programacin Matemtica y mediante la Investigacin de Operaciones

(Kantorovich, Cupman, Danzig y otros)

Estadsticas Multivariadas

Teora de las Catstrofes; Teora de los Conjuntos Difusos, etc.

Para intentar la matematizacin del pensamiento y la conducta humana as como la

modelacin matemtica de la prognosis cientfica, es imprescindible resaltar por su alcance
la teora de Lotfi A. Zadeh.
Desde el punto de vista de la modelacin puede considerarse la existencia de tres etapas
principales en la historia de la Matemtica:
1.

Etapas de los Modelos Estticos

2.

Etapa de los Modelos Dinmicos

3.

Etapa de los Modelos del Desarrollo.

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

Los aos 50 del siglo pasado traen a consideracin la posibilidad de fundamentar la

Matemtica analizando el desarrollo histrico de los conceptos y teoras, esta corriente a
partir de los aos 60 busca un fundamento comn entre el conocimiento matemtico y el
conocimiento cientfico - natural; Carlos Snchez Hernndez denomina a esta corriente
Neoemprica y sus iniciadores fueron H.B. Curry, F. Klein, H. Eige, etc.
El principal representante de esta corriente fue Imre Lakatos, quien protagoniza un paso de
avance por la comprensin contempornea del desarrollo dialctico de las teoras
matemticas y por la intencin de interrelacionar la historia y la metodologa de la
Matemtica. Las ideas de Lakatos, influidas en su desarrollo por las de G. Lukacs, R.B.
Braidwhite, G. Polya, B.L. Van Der Warden y K. Popper, le permiti asumir una posicin
crtica hacia ciertos programas neopositivistas sobre los fundamentos de la Matemtica y
tomar posiciones acertadas con la introduccin del concepto de Programa de Investigacin
Cientfica con lo que intent apresar la tendencia del conocimiento (utilizando estructuras
metatericas) y con ello explicar el desarrollo de la ciencia y en particular de la
Matemtica; sin embargo hay rasgos negativos en el sistema de ideas de Lakatos, entre las
que se destaca su concepcin de que el nico criterio de seleccin de hiptesis en una
situacin concreta lo constituye la ampliacin de su contenido emprico9.
Conceptos bsicos para la modelacin matemtica
La base de cualquier modelo matemtico en el rea de las ingenieras est dado por el
concepto de funcin y de los operadores lmite, derivada e integral. Comencemos
definiendo el concepto de funcin.
9

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 )

Ntese que X es la variable independiente, Y es la variable dependiente; A, B y C

relacionadas respectivamente con la amplitud, la frecuencia y el desplazamiento
constituyen parmetros que al tomar sus valores dan lugar a casos particulares de la
funcin seno.
Muchos modelos matemticos presuponen que las propiedades que se estudian pueden
representarse mediante constantes y variables y que las relaciones (o sea las leyes que
definen el comportamiento de las propiedades del objeto) entre estas variables pueden
describirse mediante funciones matemticas; estas funciones (las ms conocidas son las
frmulas), permiten obtener valores de ciertas variables (de las que generalmente no se han
medido sus valores) llamadas dependientes, cuando se conocen los valores de las variables
independientes y de ciertas constantes.
Actualmente la definicin de funcin aparece en los textos matemticos considerando dos
criterios:

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.

Si para un valor de x se tienen varios valores de y entonces resulta difcil

definir conceptos (que veremos ms adelante) como biyectividad y funcin inversa.

Los fenmenos ms estudiados de la realidad objetiva que estudiamos tienen

una sola respuesta en cada situacin.

Una funcin multiforme puede ser estudiada como varias funciones

uniformes.

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)?

En el presente texto se asumir la siguiente definicin suficientemente general y precisa.

Sean X e Y dos conjuntos no vacos cuyos elementos son valores de dos magnitudes no
necesariamente del mismo tipo. Sean x e y dos variables de manera que x toma valores de
X e y toma valores de Y y definamos cierto conjunto de pares ordenados f =
( x, y ) x X ; y Y donde adems si se tienen dos pares (x1,y1) y (x1,y2) entonces y1=y2.
A este conjunto f se le llama funcin definida desde el dominio X (conjunto de partida)
hasta la imagen Y (conjunto de llegada).
En esta definicin no se exige la existencia de una expresin que permita encontrar a y
(variable dependiente) si se conoce x (variable independiente) lo cual sin embargo es una
de las tareas principales de la modelacin matemtica en la ingeniera porque si
encontramos esta expresin entonces podemos estudiar en ella la interrelacin entre las
propiedades que representan x e y. A cambio, ahora podemos definir funciones a partir de
grficos, tablas e incluso mediante una regla escrita en lenguaje natural.
A menudo omos hablar de funciones de variados tipos y seguramente nos hemos
preguntado el porqu de tantas clasificaciones. La respuesta es que cuando se estudian
propiedades de las funciones, necesariamente debemos establecer cuales funciones las
cumplen y cules no. Veamos algunas clasificaciones generales:
1.

Atendiendo a la caracterstica cualitativa o cuantitativa de las variables x e y.

2.

Atendiendo a la caracterstica determinstica o aleatoria de las variables x e y.

3.

Atendiendo al tipo de objeto matemtico que forman los elementos de X e Y.

a.

Funciones numricas enteras: X=Z y Y=Z.

b.

Funciones numricas reales: X=R y Y=R.

c.

Funciones numricas de varias variables: X=Rn y Y=Rm.

d.

Funciones de variable compleja: X=C y Y=C.

e.

Funciones matriciales X es el conjunto de matrices de orden m xn y Y es el

conjunto de matrices de orden pxq.

31

f.

4.

Funciones de funciones (X es un conjuntos de ciertos tipos de funciones y Y

es un conjunto numrico o Y es un conjuntos de ciertos tipos de funciones y X es un
conjunto numrico o X e Y son conjuntos de ciertos tipos de funciones).

Atendiendo a la forma en que se da la regla con la cual se determinan los pares

(x,y):
a.

Mediante una expresin analtica

I. Explcita y=f(x). En algunos textos a x se le llama argumento y a y funcin lo
cual es un abuso del lenguaje.
II. Implcita F(x,y)=0

III.

x x(t )
Paramtrica
donde t es un parmetro (puede ser o no ser numrico).
y y(t )

b.

Mediante una tabla de pares ordenados

c.

Mediante un grfico

d.

Mediante una regla escrita en lenguaje natural

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)

Supongamos definidas operaciones + y * tanto en X como en Y:

1.

Si x+h
y=f(x+h).

X, entonces se define el valor de f para una traslacin en x como

2.

Si h*x
y=f(h*x).

X, entonces se define el valor de f para una ampliacin en x como

Si y+k

Y, entonces se define el valor de f para una traslacin en y como y=f(x)

Si k*y
y=k*f(x).

Y, entonces se define el valor de f para una ampliacin en y como

3.
+k.
4.
5.

Si v=g(u) X, entonces se define la funcin compuesta y=f( g(u) ) que tiene

como dominio a U y como Imagen a Y. Por supuesto se pueden definir funciones
compuestas de varios rdenes.

Si suponemos que X=V y W=Y y adems estn definidas las operaciones + y * en Y:

6.
7.

Si f(x)+g(x) Y, entonces se define la funcin suma y=f(x)+g(x).

Si f(x)*g(x) Y, entonces se define la funcin producto y=f(x)*g(x).

32

Estas operaciones generales tienen un sentido prctico importante cuando se trata de

funciones numricas.
Veamos otras propiedades de las funciones:
Funciones homogneas:
Una funcin y=f(x) de R en R se dice homognea de grado n Z si se cumple para todo x
R que f(h*x) = hn f(x).
Funciones Acotadas:
Sea una funcin definida desde X hasta R. Se dice que f(x) est acotada en X si existe un
nmero real M tal que para todo x X se cumple que f ( x) M .
En particular si se cumple que f ( x) M S entonces se dice que la funcin est acotada
superiormente y MS es una cota superior. A la menor de todas las cotas superiores, si
pertenece a Y, se le llama mximo de la funcin en X.
Anlogamente si se cumple que f ( x) M I entonces se dice que la funcin est acotada
inferiormente y MI es una cota inferior. A la mayor de todas las cotas inferiores, si
pertenece a Y, se le llama mnimo de la funcin en X.
En aquellas funciones donde para cada valor de x X existe un valor -x X y adems
existen f(x) y f(-x), se definen las funciones pares e impares:
Funciones Pares
Si se cumple que f(x)=f(-x). Tienen simetra axial con respecto al eje OY.
Funciones Impares
Si se cumple que f(x)=-f(-x). Tienen simetra central con respecto al origen.
Funciones Peridicas
Sea una funcin y=f(x) definida de X en Y y supongamos que para cualquier valor x+kT
donde k Z y T X existe f(x+kT). Si se cumple que f(x)=f(x+kT) entonces se dice que la
2
funcin es peridica con perodo T. La frecuencia para esta funcin se define por w=
.
T

Funciones Crecientes y Decrecientes

Sea una funcin definida de X en Y donde X e Y son conjuntos ordenados (vea el epgrafe
A del Captulo 1). Si para cualquier par de elementos x 1<x2 de X, se cumple que y1<y2
entonces la funcin se dice estrictamente creciente; si lo que se cumple es que y 1 y2 la
funcin se dice creciente. Anlogamente se definen las funciones decrecientes y
estrictamente decrecientes.
Funciones Inyectivas
Una funcin y=f(x) se dice inyectiva si la igualdad de dos pares cualesquiera (x1,y1) y
(x2,y1) implica x1=x2. O sea que cualquier valor del conjunto de llegada solo puede ser
obtenido por un nico valor del conjunto de partida.
Funciones Sobreyectivas

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:

f entonces (y,x) f-1 .

Si (y,x) f-1 entonces (x,y) f
Si (x,y)

Entonces f-1 y f. son inversas.

En general se acostumbra
llamar a una de ellas
funcin directa (casi
siempre a f) y a la otra
funcin inversa (casi
siempre a f-1).

Si X=Y=R los grficos de

las funciones y=f(x) y
y=f-1(x) son simtricos
con respecto a la recta
y=x, como se muestra en
grfico:

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.

Funciones Potencias: Funcin Constante, Funcin Lineal, Funcin

cuadrtica, etc.

b.

Funciones Trigonomtricas: Seno, Coseno, Tangente, Arcoseno, etc.

c.

Funciones Exponenciales y Logartmicas.

Asimismo se pueden obtener expresiones ms complejas a partir de las anteriores si se

combinan con las operaciones aritmticas suma, sustraccin, producto, cociente, potencia y
raz; asimismo se pueden formar funciones compuestas escribiendo como argumento de
una funcin a otra funcin.
Las funciones donde X=Y=R tienen la siguiente clasificacin:

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 enteras son de tipo polinmicas.

Las funciones racionales son aquellas donde aparecen divisiones irreducibles con
expresiones de x en el denominador.

Las funciones irracionales son aquellas donde aparecen radicales irreducibles de

expresiones de x.

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.

La Segunda Ley de Newton: F = m a (Fuerza es igual a masa por aceleracin)

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.

Un laboratorio realiza anlisis qumicos para determinar la concentracin del

elemento E en cierto mineral y afirma que lo hace con un error promedio de 0.50.1 y
adems que estos errores tienen una distribucin (comportamiento) normal. La funcin
de probabilidad de x est dada por:

f ( x)

d.

e.

1
(0.1) 2

1 x 0.5

0.1
2

Se midi la temperatura a diferentes alturas de una chimenea de 10 m de altura y se

obtuvieron los siguientes valores (en grados):
Altura

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 )

Atendiendo a lo que se ha explicado, es conveniente expresar que los modelos matemticos

suelen clasificarse en Determinsticos, Aleatorios y Mixtos. Los Determnisticos son
aquellos donde todas las variables independientes tienen un valor nico y permanente
cuando se mantienen estables las condiciones del objeto y las funciones relacionadas
determinan valores nicos y permanentes de las variables dependientes.
Estos modelos presuponen que:
2.

Bajo condiciones iguales los resultados de cualquier cantidad de experimentos

deben ser iguales

3.

Si los valores de las variables independientes permanecen constantes entonces las

leyes que permiten calcular las variables dependientes mantienen sus resultados
constantes.

En los Modelos Probabilsticos Estadsticos:

36

1.

Todas las variables independientes presentan algn grado de aleatoriedad 10 lo cual

significa que bajo condiciones iguales los resultados de cualquier experimento pueden
ser diferentes a los resultados de cualquier otro experimento

2.

Si los valores de las variables independientes permanecen constantes entonces las

leyes que permiten calcular las variables dependientes reportan resultados aleatorios. En
este caso se dice que las leyes tienen un comportamiento aleatorio.

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.

d(x,y) d(x,z) + d(y,z).

Entonces d es una distancia y a (X,d) se le llama espacio mtrico

conocido es el espacio mtrico (R n,d) donde d(x,y)=
( x1 y1 ) 2 ... ( x n y n ) 2 es la llamada distancia euclidiana que para n=1 toma la forma
d(x,y)= x y .
Nota:

El

caso

ms

Sea un espacio mtrico (X,d), definimos la Bola de centro en a X y radio r al subconjunto

de X construido por todos los puntos x que cumplen que d(x,a)<r; se denota Ba(r).
Nota: En R una bola de centro a y radio r es un intervalo [a-r,a+r] que recibe el nombre
especial de vecindad de a con radio r. En R2 las bolas Ba(r) son crculos de centro en a y
radio r. Cules son las bolas de R3 y de R4?
En Rn se definen subconjuntos llamados recintos que son anlogos a los intervalos de R: Se
dice que un recinto de Rn es un conjunto de sus puntos (x1,,xn) tal que cualquier punto de
la hiperquebrada finita que une cualquiera pareja de puntos del conjunto, tambin pertenece
10

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]

Son recintos abiertos los conjuntos:

1.

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

0 tal que si 0 x a entonces f ( x) L

En R2 esta definicin se escribe:

0

0 tal que si 0 ( x a X ) 2 ( y aY ) 2 entonces f ( x ) L

Es importante reconocer que esta definicin de lmites no proporciona mtodos prcticos

para su clculo. Lo nico que podemos afirmar es que el lmite de una funcin si existe es
nico, esto nos proporciona como corolario la conviccin de que si nos acercamos al
punto a de dos maneras distintas y los resultados son diferentes entonces la funcin no
tiene lmite en el punto.
Notas:

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

En R2 hay infinitas maneras de acercarse al punto a. Veamos un ejemplo conocido:

xy
y hagamos tender a (x,y) hacia (0,0) siguiendo a trayectoria de la
( x , y ) ( 0 , 0 ) x y 2
1
curva y=x; en este caso el resultado obtenido al sustituir y por x en el lmite es
. Si
2

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.

Discontinuidad Infinita: Algunos

de los lmites laterales es infinito (B, C
y E).

2.

Discontinuidad Finita: ambos

lmites laterales son finitos (A, D, F y

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.

f ( x) , lo primero que hacemos es evaluar la funcin

Supngase que se pide calcular lim
xa
para x=a y si este resultado existe y es finito entonces L=f(x).
Si el resultado f(a) es una divisin por 0 entonces analizamos el signo de f(x) para:
x<a: si f(x) es positivo entonces Ld=+ y si f(x)<0 entonces Ld=- .

1.

x>a: si f(x) es positivo entonces Li=+ y si f(x)<0 entonces Li=- .

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 ,

00, 1 y 0 entonces estamos en presencia de

una indeterminacin que debe resolverse mediante transformaciones algebraicas y

aplicando (si se conocen las derivadas) la Regla de LHopital para las dos primeras
indeterminaciones.
1.

Los tres ltimos casos se transforman a uno de los anteriores aplicando la

transformacin lim f ( x)

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)

se transforma a uno de los dos primeros mediante:

1
1

g ( x) f ( x)

lim f ( x) g ( x) lim
.
xa
xa

f ( x) g ( x)

tomando

40

La Regla de LHopital plantea que si lim

xa
L lim
x a

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)

consecutivamente varias veces.

Algunos lmites pueden reducirse a la combinacin aritmtica de otros ms sencillos
mediante las siguientes reglas:
1.

lim C C
x a

Si existen los lmites que intervienen en las expresiones que siguen, entonces:
2.

lim f ( x) g ( x) lim f ( x) lim g ( x)

3.

lim f ( x) * g ( x) lim f ( x) * lim g ( x)

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.

g ( y ) y existe l lim f ( x ) , entonces lim g ( f ( x)) =h.

Si existe h= lim
y l
x a
x a

Concepto de Derivada de una funcin en un punto

Sea una funcin y=f(x) definida de X en Y y establezcamos el incremento a+h que
pertenece a X y f(a+h) pertenece a Y.
Definamos ahora el Cociente Incremental
supongamos que

y
x

y f ( a h ) f ( a ) f ( a h ) f ( a )
=
=
y
(a h) a
x
h

Y.

Para cada valor de x se puede calcular (si existe) el lmite alim

h a

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)):

La pendiente de la recta secante est dada por:

MS =

f ( a h) f ( a ) f ( a h ) f ( a )

= tan().
( a h) ( a )
h

Evidentemente cuando h0 entonces la recta secante tiende a la recta tangente y se tiene

que tan() tan(). Entonces, la pendiente de la recta tangente est dada por:
MT = lim
h0

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.

Sea f(x)=C. Calculemos su derivada en el punto x=a. f(a) = lim

h 0

C C
0
h

b.

Sea f(x)=x. Calculemos su derivada en el punto x=a. f(a) = lim

h 0

aha
1
h

c.

Sea f(x)=ln(x). Planteemos su derivada en el punto x=a.

f(a) = lim
h 0

ln(a h) ln(a)
?
h

42

d.

Sea f(x)=ex. Planteemos su derivada en el punto x=a.

e ah e a
?
h 0
h

f(a) = lim
e.

Sea f(x)=sen(x). Planteemos su derivada en el punto x=a.

f(a) = lim
h 0

sen( x a ) sen(a )
?.
h

Concepto de Derivada de una funcin

Sea una funcin y=f(x) definida de X en Y tal que existe f (x) para todo x V. Entonces se
define una nueva funcin llamada funcin derivada que va de V en W, donde W es el
conjunto de todos los valores que se obtienen mediante f (x) para x V.
Ntese que el dominio de una funcin derivada no tiene que coincidir con el dominio de la
funcin que se deriva. Lo mismo puede afirmarse de los conjuntos de llegada.
El lector puede sospechar (y con razn) que calcular derivadas usando la definicin es un
asunto muy complejo. Veamos ahora una lista de las funciones derivadas de las funciones
ms conocidas:
y(x)
C
x

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

Derivadas de Orden Superior

A la primera derivada de una funcin se le puede hallar su derivada a la cual llamaremos
derivada de segundo orden o segunda derivada (si se trata de una funcin de varias
variables independientes y se ha derivado con respecto a dos variables diferentes entonces
se dice que es una segunda derivada mixta). Anlogamente se pueden obtener (si existen)
terceras, cuartas y n-simas derivadas de una funcin.
Hay ciertas Reglas que facilitan el clculo de derivadas. Asumamos que en cierto intervalo
I existen las derivadas f(x) de f(x) y g(x) de g(x). Entonces:
1.

Para la constante real C: [C f(x)] = C f (x).

2.

[f(x) g(x)] = f (x) g(x)

3.

[f(x) * g(x)] = f (x) g(x) + f(x) g(x)

4.

f ( x)

Si g(x) no es idnticamente nulo entonces:

g ( x)

5.

g ( f ( x) l =

f ' ( x) g ( x) f ( x ) g ' ( x)

g ( x ) 2

g l ( f ( x)) f l ( x) . Esta es la Regla de la Cadena para derivar funciones

dg du
compuestas y tambin se escribe g (u ) l = g l (u )) u l =
, donde u=f(x).
du dx

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.

Sea una expresin H(x,y,

dy d 2 y d 3 y
).
,
,
dx dx 2 dx 3

a. Si se cambia el argumento x por t tal que x=f(t), entonces:

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

3 f ' (t ) f ' ' (t )

d2y
dy
2

3 f ' ' (t ) f ' (t ) f ' ' ' (t )

2
dt
dt

b. Si se cambia el argumento y por u tal que y=g(u), entonces:

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

Derivacin de una funcin de varias variables independientes y reales (FVVR)

Veamos cmo se planteara el clculo de una derivada para una funcin de dos variables
independientes reales. Sea z=x2 + y2 y hallemos su derivada en el punto (x,y)=(a,b).

(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

Las Derivadas como modelos

La funcin derivada adems de un modelo geomtrico constituye una importante
herramienta de modelacin para muchas ciencias entre las que se destaca la Fsica.
En general estos modelos tienen el siguiente razonamiento:
Sea una funcin y=f(x) de X en Y que expresa la relacin causal que existe entre la
variable independiente x y la variable dependiente y, la derivada

dy
expresa la razn
dx

de cambio entre las dos variables en cada punto (x,y).

El ejemplo ms ilustrativo que se conoce es cuando f(t) representa el desplazamiento de un
cuerpo mientras transcurre el tiempo t; si queremos saber cul es la razn de cambio
instantnea de f(t) con respecto al tiempo t (es decir, la velocidad del cuerpo), calculamos
df (t )
v(t) =
. Asimismo la derivada de v(t) con respecto al tiempo (que es la segunda
dt
derivada de f), representa la aceleracin del cuerpo
Este razonamiento es vlido para muchos otros ejemplos:
1.

dT (t )
es la tasa de cambio de la temperatura T(t) con respecto al tiempo en un
dt

cuerpo y es proporcional a la diferencia entre T(t) y la temperatura del medio ambiente

(Ley de Enfriamiento de Newton).

46

2.

dP (t )
es la tasa de cambio de la poblacin P(t) con respecto al tiempo y es
dt

proporcional a la poblacin existente P(t) en cada momento.

3.

La Ley de Torricelli establece que la razn de cambio

dV (t )
del volumen V con
dt

respecto al tiempo t en un tanque que se vaca es proporcional a la raz cuadrada de la

profundidad del agua en el tanque.
4.

La temperatura U en un punto x de una varilla metlica de longitud L cumple que la

razn de cambio de U con respecto al tiempo es proporcional a la variacin de la
variacin de U con respecto a la posicin x.

5.

La variacin continua en el tiempo de la cantidad de dinero A(t) en una cuenta con

inters compuesto r se establece que es numricamente igual al producto de r por A(t).

6.

El nmero N(t) de tomos de un istopo radiactivo cambia en el tiempo. La

disminucin de N(t) con respecto al tiempo es proporcional a la cantidad N(t) de tomos
que se tienen en cada instante de tiempo.

7.

La cantidad de medicamento A(t) que tiene la corriente sangunea de un ser humano

cambia en el tiempo. La disminucin de A(t) con respecto al tiempo es proporcional a la
cantidad A(t) de medicamento que se tienen en cada instante en la sangre.

8.

En los circuitos elctricos, la variacin de la carga Q con respecto al tiempo da lugar

al concepto de corriente I(t).

Frmulas numricas para obtener la derivada

En ocasiones la funcin no viene expresada por una expresin analtica o viene expresada
por una expresin de la cual desconocemos su funcin derivada o por alguna razn esta no
puede ser utilizada.
Intuitivamente y a partir de la definicin de la derivada podemos encontrar la derivada en
un punto a partir de una de las siguientes frmulas para h>0:
f ( x ) f ( x h)
. El error es del orden de h.
h

1.

En diferencias izquierda f(x)

2.

En diferencias derecha f(x)

f ( x h) f ( x )
. El error es del orden de h.
h

3.

En diferencias central f(x)

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

Las frmulas relacionadas con las segundas diferencias centrales son:

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 ( x 3h) 8 f ( x 2h) 13 f ( x h) 13 f ( x h) 8 f ( x 2h) f ( x 3h)

8h 3

f (4)(x)

f ( x 3h) 12 f ( x 2h) 39 f ( x h) 56 f ( x) 39 f ( x h) 12 f ( x 2h) f ( x 3h)

6h 4

Derivadas de funciones dadas en forma no explcita

Para los casos en que las generalizaciones son obvias, las frmulas que se muestran estn
dadas para funciones reales de una variable independiente real
A.

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.

Forma implcita F(x,y)=0, se tiene que

d 2 y 2 FX FY FXY FY FXX FX FYY

dx 2
FY 3
2

C.

Sea la funcin compuesta y=f(x1,x2,,xn) donde xi = gi(u1,,um) entonces para j=1,

,m se tiene que:
y
u j

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

Cambio de variables: Sea una funcin F(x,y)=0 y supongamos que se sustituyen

x=g(u,v); y=h(u,v). Ahora la derivada de y con respecto a x se expresa por:
h h

dy
u v
=
g g
dx

u v

v
u
v
u

Concepto de Diferencial de una funcin

Se define el diferencial de una funcin y=f(x) como dy = f (x) dx. El diferencial en un
punto x=a tiene la siguiente interpretacin geomtrica:

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

Por ejemplo para z=f(x,y) definida de R2 en R se tiene que:

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

aproximarse por dy-f(x,y)= x x y y f ( x, y ) . En este caso, el clculo numrico es:

(1.01)2(2.02)=(x+ x)2(y+ y) 2xy x + x2 y + x2y = 2(1)(2)(0.01)+12(0.02)+122 =
2.06

50

Determinantes y Derivadas
A.

Jacobiano

Sean n funciones fi(x1,,xn) de Rn en R. Estas funciones se dicen independientes si ninguna

de ellas puede expresarse. El criterio analtico para probar la independencia de estas
f 1 , f 2 ,..., f n
0 donde se define:
funciones es que el jacobiano J
x
,
x
,...,
x
1
2
n

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

Si l determinante es 0 entonces pueden buscarse determinantes de menor orden para

encontrar (si existe) un subconjunto de funciones independientes.
B.

Wronskiano

Sean n funciones fi(x) de R en R. Se define el Wronskiano como:

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

. El resultado de aplicar sobre f es un campo vectorial

f

.
,
,...,
llamado Gradiente de f: f =
x n
x1 x 2

51

Si definimos el vector diferencial dx = (dx1,,dxn) entonces el diferencial total de una

funcin f de Rn en R, se puede escribir como el producto escalar: dy = ( f) (dx)
Para una funcin f(x) de Rn en R se define la Derivada Segn un Vector u como el

f
f
f
u1
u 2 ...
u n . Se cumple la
x1
x 2
x n
f (x ) = DU f (x) + DV f (x )

producto escalar: DU f (x) = f ( x) (u ) =

notable propiedad DU V

Asimismo se define la Derivada Dirigida en la direccin de u como:

DU f ( x )
.
u

U f ( x)

Concepto de Integral de una funcin

Dada una funcin y=f(x) definida de V en W se puede definir la primitiva o funcin
integral (muchos autores la llaman integral indefinida como veremos ms adelante) a
d F ( x) C
f ( x) .
aquella familia de funciones F(x)+C definidas de X en Y, donde
dx
La notacin que se utiliza es la siguiente: f ( x)dx F ( x ) C . A dx se le llama diferencial
de la integral y en l se declara la variable con respecto a la cual se integra.
Visto de esta manera la integracin y la derivacin son operaciones inversas sobre
funciones. Es decir, por ejemplo:
a.

x
x
Si sabemos que para f(x)=ex, f (x)=ex entonces e dx e C .

b.

Si sabemos que para f(x)=sen(x), f (x)=cos(x) entonces cos( x)dx sen( x) C .

c.

Si sabemos que para f(x)=cos(x), f (x)=-sen(x) entonces

sen( x)dx cos( x) 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.

Regla de Sustitucin: f (u )du = f ( g ( x)) g ' ( x)dx donde u=g(x).

Por ejemplo, en el siguiente caso asumiremos que u=x2 y su diferencial du = 2x dx.

cos( x
4.

) 2 x dx cos(u )du sen(u ) C sen( x 2 ) C

Regla de Integracin por partes: u dv u v v du

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 partir de las frmulas de derivacin se pueden obtener frmulas de integracin (llamadas

integrales inmediatas) para funciones de R en R pero no es nada sencillo el proceso de
integracin en el sentido de encontrar una expresin analtica explcita cuya derivada se la
expresin que se integra. Ayudan mucho los programas informticos que tienen
implementadas tcnicas de la Inteligencia Artificial.
La integracin de funciones de varias variables puede realizarse de manera parcial
considerando constantes las variables que son diferentes a la que se declara en el diferencial
de la integral. Tambin pueden ser integrados los diferenciales totales si cumplen ciertas
propiedades.
Formas Diferenciales
n

Las formas diferenciales definidas sobre R tienen la forma

A (x , x
i

i 1

,..., x n ) dxi donde las

Ai ( x1 , x 2 ,..., x n ) son funciones definidas de Rn en R.

Dada forma diferencial, se dice que es exacta si existe una funcin f(x1,,xn) de Rn en R
tal que su diferencial total sea igual a la forma diferencial.
n

Se puede demostrar que

A (x , x
i 1

,..., x n ) dxi es exacta si y solo si:

a.

Existen y son continuas las derivadas parciales

b.

Ai
x j

A j
xi

Ai
para i=1,2,n; j=1,2,,n.
x j

para i=1,2,n; j=1,2,,n.

Si se conoce la forma diferencial y sabemos que es exacta, entonces es posible encontrar a f

f(x1,,xn) lo cual es una especie de integracin de la un diferencial total. Ilustremos este
procedimiento en R2.
Sea A(x,y)dx + B(x,y)dy una forma diferencial exacta. Y queremos encontrar f(x,y) tal que
f
f
=A(x,y) y
=B(x,y). Es obvio entonces que f(x,y)= A( x, y )dx C ( y ) .
y
x
Puesto que

Despejando C(y) se tiene que C(y) =

que:

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

Nota: Se pueden obtener frmulas semejantes para rdenes superiores de Rn.

Veamos ahora uno de los conceptos ms importantes de la Matemtica por su utilidad
prctica y terica.
Concepto de Integral Definida de una funcin
Sea una funcin y=f(x) de R en R y continua en un intervalo real cerrado [a,b].
Realizaremos ahora una particin del intervalo de la siguiente manera:
a.

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

intervalo [a,b] a la suma Ai f ( i )xi .

Grficamente se tiene, por ejemplo:

54

f ( )x

Ntese que la diferencia entre el valor real de A y su aproximacin

i 1

puede

disminuir si logramos que todos los intervalos Axi sean suficientemente pequeos.
e.

Definamos ahora la Norma de la Particin de [a,b] de la siguiente forma N=

Max xi o sea N est dada por el valor mximo de las longitudes de cada subintervalo
i
Ii.
b

Definimos la integral definida

f ( x)dx
a

= lim
f ( i )xi . Ntese que cuando N0
N 0
i 1

entonces n aunque no se cumple lo contrario. Geomtricamente A= f ( x)dx .

a

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

funcin f(x) es continua en [a,b] entonces existe

f ( x)dx

y si adems existen F(a) y F(b)

entonces se tiene que

f ( x)dx

= F(b)-F(a).

Hemos reducido el clculo de la integral definida de una funcin al estudio de su

continuidad y al clculo y evaluacin de integrales indefinidas o de primitivas.
Propiedades Generales de las integrales definidas

55

Las propiedades descritas para la integral indefinida se extienden a la integral definida y

adems se cumplen las siguientes:
1.

Permutacin de los lmites de integracin:

2.

f ( x)dx f ( x)dx

Divisin de la integral: Sea c un punto que cumple que a<c<b, entonces:

b

f ( x)dx f ( x)dx f ( x)dx

3.

Teorema de Leibniz- Newton:

f (t )dt f ( x)dx .

Integracin Numrica para la integral definida

El clculo de integrales definidas no siempre se puede realizar mediante el procedimiento
de bsqueda y evaluacin de primitivas: incluso, a veces es imposible implementarlos
(aunque existan), en programas informticos o en el diseo de artefactos de clculo. Toda
esta situacin provoc que desde la creacin y desarrollo del Clculo Integral, se crearan
mtodos de clculo aproximado de integrales definidas a las que se les llama Frmulas de
Cuadratura o Frmulas de Integracin Numrica.
En esta exposicin sern vistas las frmulas ms representativas y se enfatizar en la
eficacia de su aplicacin:
b

El problema general es el del clculo de A= f ( x)dx donde f(x) es continua en [a,b].

a

A.

Frmula de los Rectngulos: Se basa en la definicin de la integral definida.

Tomando n+1 puntos diferentes a=x0, x1,,xn=b se divide el intervalo [a,b] en n
subintervalos. Puesto que el rea de un rectngulo es base por altura, entonces A se
xi xi 1
(xi xi-1) o sea A
puede aproximar mediante la suma de las n reas Ai = f
2

xi xi 1
xi xi 1 . Si los puntos son equidistantes la frmula se simplifica.
2

f
i 1

B.

Frmula de los Trapecios: Intuitivamente es una mejora geomtrica al clculo de A.

Se toman n+1 puntos diferentes a=x0, x1,,xn=b que permiten dividir el intervalo [a,b]
en n subintervalos. Puesto que el rea de un trapecio es la base por la media de las
f ( xi ) f ( xi 1 )
alturas, entonces A se aproxima mediante la suma de las n reas Ai =
(xi
2
n
f ( xi ) f ( xi 1 )
xi xi 1 . Si los puntos son equidistantes la frmula

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

Para seleccionar los coeficientes Ai y los valores de ti se utiliza la siguiente tabla:

N
2
3
4
5
6
7

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:

Aplicar el Mtodo de los Trapecios para n subintervalos. Los resultados de

f ( xi ) f ( xi 1 )
0
las reas en cada subintervalo se denotan Ti =
(xi xi-1) para i=1,
2
,n.

Se repite para k=0,,n-2 el procedimiento de calcular

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

Ti2k 1 sea menor que un >0 prefijado y en este caso

k 1
cualquier Ti es la aproximacin de A.

La siguiente tabla ilustra el esquema de este mtodo:

i

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.

Aplicamos el Mtodo de Gauss con el valor de n seleccionado en el intervalo

I=[a,b] y el resultado le llamamos A0.

2.

Dividimos al intervalo I=[a,b] en dos subintervalos iguales I 1 e I2. Aplicamos el

mismo Mtodo de Gauss en cada subintervalo y se obtienen los valores A1 y A2.

3.
4.

Si A ( A1 A2 ) entonces R=A1 + A2 es la solucin.

Si A ( A1 A2 ) entonces se le aplican los pasos 2, 3 y 4 al intervalo I 1
asumiendo que A0=A1 (se obtiene un resultado R1) y luego al intervalo I2 asumiendo
A0=A2 (se obtiene un resultado R2). El resultado es R=R1 + R2.

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

y ai bi ( x xi ) ci ( x xi ) 2 d i ( x xi ) 3 para x[xi,xi+1], i=1,,n-1, entonces el

rea bajo la curva para cada subintervalo es:
xi 1

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

Aplicaciones sencillas de la integral definida

La integral definida adems de ser numricamente igual al rea entre la curva y=f(x), el eje
OX y las rectas x=a y x=b, tiene otras importantes aplicaciones:

Volumen de un cuerpo de revolucin obtenido al girar y=f(x) (definida en

b

[a,b]) alrededor del eje OX: V= f ( x) dx . Es fcil deducir una frmula para
2

calcular volmenes de cuerpos de revolucin con huecos de revolucin.

rea de una superficie de revolucin obtenido al girar y=f(x) (definida en

[a,b]) alrededor del eje OX: A = 2

f ( x)

1 f x2 ( x) dx

Trabajo realizado por una fuerza f(x) que mueve una partcula desde x=a
b

hasta x=b: T= f ( x)dx

a

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

Ahora sobre (P,W) se define la suma con pesos como

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

En la prctica la modelacin se hace generalmente de la siguiente forma:

Supongamos que estamos investigando la magnitud M y la misma se puede aproximar en
un intervalo x por la medicin M llamado elemento de la magnitud M.
Supongamos que se puede expresar aproximadamente al elemento M como el producto
f() x tal que [xi-1,xi] o sea M f() x que en trminos de diferenciales (es decir
pensando en trminos continuos) se expresa como dM= f(x)dx.
b

Si se tiene la certeza de que se cumple el Principio de Duhamel entonces M= dM =

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

mediante una particin P de [a,b], entonces L 1 f ' ( xi ) dxi y asumiendo que se

2

i 1

cumple el Principio de Duhamel, entonces L= ds = 1 f ' ( x) dx

2

Generalizaciones de las Integrales Definidas

Entre las muchas generalizaciones de las integrales definidas en este captulo veremos dos:
Integrales Impropias
Son aquellas integrales donde el intervalo de integracin es discontinuo o infinito. Estas
integrales se resuelven convirtindolas en el lmite de integrales definidas. Veamos los
siguientes casos donde suponemos que la funcin f(x) es continua en (a,b):
bh

1.
2.

El intervalo es [a,b):
El intervalo es (a,b]:

f ( x)dx . Con h>0

f ( x)dx = lim
h 0
a

f ( x)dx . Con h>0

f ( x)dx = lim
h 0

3.
4.

El intervalo es (a,b):

ah

f ( x)dx = f ( x)dx + f ( x)dx donde c (a,b).

Si c (a,b) es un punto de discontinuidad de f(x):

f ( x)dx = f ( x)dx + f ( x)dx

61

5.

Si suponemos que f(x) es continua en [a,+):

f ( x)dx = lim f ( x) dx .
b

6.

Si suponemos que f(x) es continua en (-,b]:

f ( x)dx

= lim

Si suponemos que f(x) es continua en (-,+) y c R:

7.

f ( x)dx .
a

f ( x)dx

=.

f ( x)dx +

f ( x)dx .
c

La integracin de funciones cuando el intervalo de integracin tiene alguno de sus valores

infinitos y otros discontinuos, se resuelven combinando adecuadamente los casos
anteriores.
Transformada de Laplace.
Dada una funcin f(t) definida para toda t 0, la transformada de Laplace de f es una
funcin F(s) definida de la siguiente manera en todos los valores de s donde esa integral

converja: F(S) =

st

f (t ) dt

. Se denota L[f(t)]=F(s).

Una tabla bsica de funciones y sus transformadas es la siguiente:

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

Se cumplen las siguientes propiedades:

1.

Para x=n entero y positivo (x) = (n-1)!

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

,..., x n )dV = lim

f (1 ,..., n )Vi .donde el lmite existe y no depende del
N (V ) 0
i 1

modo en que se realice la particin de V.

Desde el punto de vista prctico el clculo de las integrales mltiples se realiza mediante su
conversin en varias integrales consecutivas definidas. Esto es posible cuando el recinto V
se puede describir de manera progresiva en funcin de las variables. Veamos las integrales
dobles y triples:
A.

Integrales dobles

Estas integrales se plantean como

f ( x, y)dA
A

y si A que es un recinto cerrado de R 2,

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

En ocasiones el clculo de estas integrales se facilita si hacemos un cambio de coordenadas

x X (u , v)
u U ( x, y )
mediante las ecuaciones
o
. Si consideramos el Jacobiano
y Y (u , v)
v V ( x, y )
X ,Y
=
u, v

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

y por tanto, por ejemplo,

X ,Y
f (u , v) J
du dv . El ejemplo
u, v

ms conocido de cambios de coordenadas en integrales dobles es el de cartesianas a polares

X cos( ), Y sen( )
= . Veamos un ejemplo:
que tiene J
,

Sea

( x
A

y 2 ) dA , donde A= ( x, y ) R 2 x 2 y 2 4 . Si representamos grficamente

esta regin, se tiene:

Un planteamiento de la integral en coordenadas cartesianas puede ser:

2
4 x2

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

Las integrales dobles tienen varias aplicaciones geomtricas importantes:

= 8
0

65

dxdy

rea de una figura plana:

rea de una superficie Z=f(x,y):

1 z x2 z y2 dxdy , donde P es la

proyeccin de la superficie sobre el plano XY.

Volumen del cuerpo cilndrico limitado por la superficie Z=f(x,y) y el plano
XY:

z dxdy .
P

Tambin mediante el Principio de Duhamel pueden ser modelados los clculos de

momentos de inercia y del centro de gravedad de figuras planas.
B.

Integrales triples

Se plantean como

f ( x, y, z)dA
A

y si A que es un recinto cerrado de R3 puede ser

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 )

El clculo de estas integrales se facilita en ciertos casos si hacemos un cambio de

x X (u , v, w)
u U ( x, y , z )

coordenadas mediante las ecuaciones y Y (u , v, w) o v V ( x, y, z ) . Si consideramos

z Z (u, v, w)
w W ( x, y , z )

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

Los cambios de variables que ms a menudo se realizan son:

1.

X ,Y , Z
=, lo cual quiere
, , z

De coordenadas cartesianas a cilndricas donde J

decir que en la prctica se sustituye el diferencial dx dy dz por el diferencial d d

dz.

66

2.

X ,Y , Z
= r2 sen(), lo cual
r , ,

De coordenadas cartesianas a esfricas donde J

quiere decir que en la prctica se sustituye el diferencial dx dy dz por el diferencial r 2

sen() dr d d.
Las integrales triples tienen aplicaciones geomtricas importantes tales como el volumen de
un cuerpo: dxdydz
A

Tambin modelan el clculo de momentos de inercia y del centro de gravedad de cuerpos.

Integracin Numrica para la integral mltiple
El clculo de integrales mltiples por mtodos numricos se puede efectuar siempre que la
integral se pueda escribir como integral iterada. La idea ser explicada a continuacin para
las integrales dobles pero es obvia su generalizacin a las integrales triples y an a las
integrales iteradas de mayor orden.

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

Supongamos que queremos calcular V =

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)=

h( x , y)dy que para

i

f ( xi )

nuestra ilustracin se muestra para x=x1 en el siguiente grfico:

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

Captulo 2: Modelacin matemtica y simulacin a partir de mediciones

Muestreo
Uno de los modos de trabajo ms usados en las investigaciones cientficas es el siguiente:
Sea O el objeto de estudio de una investigacin y sean P1, P2, , Pk las propiedades que son
de inters en los objetos y fenmenos que se estn estudiando. Supngase que ya se ha
determinado (aunque sea de manera aproximada) las caractersticas de las variables X=(X1,
X2, , Xk) que representan a las propiedades mencionadas; asimismo se acepta que estas
propiedades estn fuertemente relacionadas con las propiedades Q1, Q2, , Qh que se
representan por las variables Y=(Y1, Y2, , Yh) y ahora se necesita informacin para buscar
en el objeto O las posibles regularidades de las propiedades P y Q as como las
regularidades entre las propiedades P y las propiedades Q y si es posible encontrar
funciones matemticas que relacionen las variables Y con las variables X.
O sea, de lo que se trata es de medir valores (X,Y) sobre O que permitan (mediante ciertos
mtodos matemticos) relacionar a ambos grupos de variables, es decir, encontrar el
modelo matemtico o al menos estudiar las propiedades. Para ello se tienen dos opciones:

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

d. Analizar la muestra (ensayos con la muestra A y obtencin de la informacin Y sobre

los valores X de M).
En el sentido estrecho que se sigue en este texto, el Muestreo se refiere solo a los aspectos
bsicos11 del Diseo de la Muestra.
El problema principal del Muestreo es definir una muestra lo ms pequea posible con la
mayor representatividad posible. En la prctica esto se asume de dos formas:
a.

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.

Se fija el tamao de la muestra y se determina la posicin espacio-temporal (o de

otro tipo) que maximice la representatividad.

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.

Para estudiar la relacin entre el gasto de combustible Y, y la

temperatura X del motor de una excavadora (el gasto y la temperatura se leen en una
pantalla que muestra el resultado del trabajo de sensores) deben hacerse mediciones de
estos parmetros cada cierto tiempo. En este caso la representatividad depende del
tiempo t; intuitivamente puede afirmarse que si se mide cada 1 segundo se tendr una
representatividad diaria alta; si se mide cada 1 hora se tendr una representatividad
diaria media y si se mide cada 6 horas se tendr una representatividad diaria baja

2.

Se quiere estudiar la concentracin de Ni en una regin A,

aproximadamente cuadrada de 16 km2 de rea, y para ello se quiere realizar un
muestreo sobre una red de exploracin cuadrada que permita establecer la relacin entre
Y, la concentracin de Ni, y el punto X, punto del plano (x,y). En este caso el tamao
del lado del cuadrado de la red de exploracin determina el nmero de puntos a
muestrear y por tanto la representatividad de la muestra. En este caso puede valorarse
que en ciertas zonas del rea A puede ser necesario tomar ms muestras que en otros
debido a que ciertas zonas pueden tener mayor variabilidad de Y

3.

El nivel del manto fretico Y en una mina a cielo abierto es

diferente en cada punto de la regin A que ocupa el yacimiento y cambia en el tiempo.

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.

Un laboratorio L realiz 10 000 anlisis qumicos. Cuntos de

estos anlisis deben enviarse a un laboratorio de control C para argumentar sobre la
calidad del trabajo del laboratorio L? En primera instancia la representatividad no
depende del espacio y el tiempo y si depende del tamao de la muestra

5.

De una pieza rectangular fundida se quiere conocer su dureza y

para ello, durante 1 segundo, se le imprime cierta fuerza F (que vara entre 0.001 kgf y
100 kgf) a un punzn que se coloca sobre diferentes puntos de la pieza; se mide la
profundidad de la huella dejada por el punzn y este valor evala la dureza de la pieza
en el punto. En este caso, un muestreo tiene que tener en cuenta la cantidad y posicin
de los puntos pero tambin diferentes valores de la fuerza F (entre 0.001 y 100 kgf)

Como puede concluirse la evaluacin de la representatividad comienza con la respuesta a

las siguientes preguntas:
a. Cuntos?
b. Dnde?
c. Cundo?
Pero el anlisis no termina ah, porque al responder las preguntas anteriores se estar
admitiendo que el diseo del muestreo debe estar dirigido a obtener eficientemente la
informacin que se necesita, pero en muchas ocasiones sucede que las dos ltimas
preguntas no tienen respuestas precisas y el investigador entonces tiene que darle las
oportunidades correspondientes a todos los puntos de muestreo disponibles. En estos casos
se dice que el muestreo tiene cierta aleatoriedad. En el epgrafe D de este captulo se
profundizar sobre este aspecto.
El problema planteado al comienzo de este epgrafe siempre se ha referido a un objeto (ver
en cada ejemplo las palabras subrayadas) pero en ocasiones presenta una forma ms general
donde se habla de un conjunto de objetos:
Sea U un conjunto de m objetos de estudio de una investigacin y sean P1, P2, , Pk las
propiedades que son de inters en los fenmenos (procesos) que se estudian sobre estos
objetos. Supngase que tambin aqu se han determinado (aunque sea de manera
aproximada) las caractersticas de las variables X=(X1, X2, , Xk) que representan a las
propiedades mencionadas; asimismo se acepta que estas propiedades estn fuertemente
relacionadas con las propiedades Q1, Q2, , Qh que se representan por las variables Y=(Y1,
Y2, , Yh) y ahora se necesita informacin fsica para buscar las posibles regularidades de
las propiedades P y Q as como las regularidades de las relaciones entre las propiedades P y
las propiedades Q y si es posible encontrar funciones matemticas que relacionen las
variables Y con las variables X pero ahora vlidas para todo el conjunto U de objetos.
En este caso, si la cantidad de objetos que forman al conjunto U es finita y relativamente
pequea, se pueden definir muestreos en cada objeto de U, pero si esto no es factible por
limitaciones econmicas o tecnolgicas, entonces se tendr que escoger dentro del conjunto
U, un subconjunto de sus objetos al que llamaremos muestra de objetos para diferenciar
de la muestra que se ha definido antes y que depende de la representatividad de la variable

72

X. Esta muestra de objetos debe cumplir la exigencia de representar convenientemente a U

durante el estudio de las variables X e Y.
Un ejemplo pudiera ser:
En las minas de nquel cubanas el nivel del manto fretico Y es diferente en cada punto de
cada regin que ocupa cada yacimiento en explotacin y cambia en el tiempo. Para estudiar
este fenmeno es necesario encontrar una muestra representativa en el espacio, en el tiempo
y en el conjunto de yacimientos en explotacin.
Relacin entre Muestreo, Modelo y Calidad del Modelo
El proceso de muestreo (al igual que la modelacin) puede considerarse un proceso de
sucesivas aproximaciones. En la prctica esto significa que en el proceso de investigacin
se disea y ejecuta un muestreo (que depende en gran medida del tipo de modelo al que se
aspira y del conocimiento y de la tecnologa que se dispone) para obtener informacin que
permite desarrollar el modelo. A continuacin se revisa la calidad del modelo y si an no es
satisfactoria se procede a redisear (muchas veces completar) el muestreo, obtener ms y
mejor informacin y perfeccionar el modelo, el cual ser nuevamente evaluado por su
calidad. Este proceso se repite hasta que se obtenga un modelo satisfactorio.
La relacin entre el Muestreo, Modelo y Calidad del modelo est dada precisamente por ese
proceso que puede ser ilustrado con el siguiente grfico:

Hay an otros dos aspectos que tratar:

En primer lugar: cmo disear este proceso de manera que nuestra investigacin siga
siendo econmica y tecnolgicamente factible?
En segundo lugar: Cmo vincular en la prctica la calidad del modelo con las
caractersticas del muestreo?
Ambas preguntas pueden ser respondidas si se prev que el diseo sea por etapas con
respecto a la representatividad de las variables. Sigamos con el ejemplo 2 del epgrafe
anterior:

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.

Repeticin Instrumental: En cada punto X de muestreo colocar ms de un

instrumento de medicin de manera que en cada muestreo se obtienen varios valores de
Y. Esto encarece el muestreo pero permite evaluar la calidad del muestreo

b.

Repeticin de Mediciones: Repetir en cada punto X el muestreo. En este caso se

est suponiendo que el fenmeno es estacionario y que los instrumentos de medicin
(incluyendo al hombre) no tienen errores sistemticos.

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

Asimismo mediante el estudio de la variabilidad de las repeticiones de mediciones se puede

analizar la estabilidad de los resultados, o sea, la precisin del instrumento.
En un muestreo donde se tengan repeticiones de la medicin de Y en el punto X, se puede
asumir como nico valor de Y a la media aritmtica de dichas repeticiones.
Cuando se han descartado los errores sistemticos, el nmero de repeticiones puede ser
establecido mediante el mismo razonamiento que se explica a continuacin para determinar
el nmero de muestras.
Para determinar el nmero de muestras n, si la variable es cuantitativa y N es el nmero de
posibles valores de X, se tienen dos casos:
1.

Cuando se conoce alguna medida de la variabilidad de la variable X que se est

muestreando, entonces si se prefija el error permisible mximo d [0,1] y se fija el

nivel de significacin13

[0,1], donde

es generalmente un valor pequeo.

2

Z1 2

Si el total N de individuos de la poblacin es mayor que 30: n

t 1

Si N 30 entonces: n

. Donde Z1 2 es un valor que se determina a partir

de la distribucin normal tipificada N(0,1) obtenindose el valor de Z en la ecuacin

integral: 1 = N (0,1) dz .Por ejemplo, para
2
Z

=0.05 se tiene que 1 =0.975 y

2

se calcula Z=1.96. Al valor 1 se le llama nivel de confianza. En algunos textos

2
cambian las notaciones de estos niveles.
De manera semejante se define t1 2 para la distribucin t de Student.
Si todos los valores de X tienen la misma probabilidad de ser seleccionados (muestreo
irrestricto aleatorio) entonces las frmulas son otras (ver el Anexo M). Asimismo, si se
trata de muestreos de otro tipo, las frmulas son diferentes.
2.

Si no se conoce la variabilidad (es el caso ms frecuente que se encuentra en la

prctica) el tratamiento ser diferente. Puesto que no es posible encontrar una frmula
cuando esta variabilidad es desconocida, se recomienda tomar una pequea muestra

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 *

Y si la variable es dicotmica pero el muestreo es irrestricto aleatorio vea Anexo R.

Un problema comn es el de la depuracin de datos de una muestra. Cuando se realizan
observaciones a partir de mediciones est latente la posibilidad de que se incluyan valores
anmalos o atpicos. En estos casos, segn Prieto Garca, se procede a analizar la
informacin y mediante una de las pruebas siguientes:
Eliminar un solo dato atpico: Cuando se sospecha la existencia de un valor atpico en la
muestra {xmin,,xi,,xmax}, se calcula el promedio x y el valor del estadgrafo
x x x xmin
qm max max
,
. Si qm supera el valor q de la tabla siguiente, entonces se
s
s

elimina la observacin sospechosa.

Tabla para el test de valores atpicos.
n

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

Muestra con ms de un valor atpico: se realiza lo que se conoce como Test de

Apuntamiento, el cual se basa en comparar el coeficiente de apuntamiento de la muestra
xi x 4 donde s es la desviacin estndar calculada. Se admiten datos atpicos

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

donde si2 es la varianza muestral

2
i

i=1

correspondiente a la muestra i. La hiptesis nula de la igualdad de varianzas se rechaza si

Gc > GT donde GT=Rn-1,k,1- se selecciona de la tabla de la Distribucin de Cochran (vea estas
tablas en las pginas 434 y 435 del texto de Dixon y Massey o en la pgina 91 del texto
citado de Aida Rodrguez y Luis M. Hernndez).
Siguiendo el desarrollo explicado en Dixon y Massey se tiene la:
PRUEBA DE

BARTLETT:

Las

muestras

(distribuidas

normalmente)

son

respectivamente de tamao ni, donde

n
i 1

N y se identifican tambin las varianzas de

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 )

A continuacin se busca en una tabla de la distribucin F de Fisher el valor de Ft Fv ,v

donde es el nivel de significacin de la prueba.
1

Si Fc > Ft entonces se rechaza (con un nivel de significacin

Ft se acepta la igualdad de las varianzas.

2 ,

) que 12 ... 1k . Si Fc <

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.

Muestreo de Juicio o Discrecional: Se escoge la muestra segn el juicio del

investigador o por consulta a expertos.

2.

Muestreo Determinstico. Se selecciona la muestra atendiendo a criterios:

a. Espaciales
b. Temporales
c. Otras variables
d. Combinado.

3.

Muestreo Aleatorio: Se selecciona la muestra al azar. Se tienen los siguientes

tipos:
a. Simple: Se elige cada muestra al azar teniendo en cuenta la probabilidad que tiene
este punto de ser incluido en la muestra
b. Sistemtico: Cada elemento de la muestra se elige mediante un algoritmo que
generalmente indica cmo se obtiene el prximo punto si se conoce el anterior. El
primer elemento se toma como en el inciso anterior
c. Estratificado: Se divide la poblacin en grupos llamados estratos (generalmente
ms homogneos que la poblacin en su conjunto, respecto a alguna propiedad) y se
aplica en todos y en cada uno de los estratos, alguno de los mtodos vistos en los
incisos anteriores.
d. Por conglomerados: Se divide la poblacin en grupos llamados conglomerados, se
seleccionan aleatoriamente algunos de estos grupos y se les aplica alguno de los
mtodos vistos en los incisos anteriores.
e. Por Racimos: Se clasifican los puntos de muestreo por tipos y se muestrea en
lugares y momentos donde se sabe que hay una cantidad aceptable de puntos de
cada tipo. Por ejemplo, supngase que se est evaluando la efectividad econmica
de tres tipos de camiones que existen en tres empresas, pero se sabe que en la
empresa 1 la mayora de sus camiones son del tipo A, en la empresa 2 solo tienen
camiones del tipo B y en la empresa 3 tienen la misma cantidad de camiones tipo A
y C y no tienen camiones del tipo B. Se puede asumir que en la empresa 1 solo se
tomarn muestras del camin tipo A, en la empresa 2 solo se obtendrn muestras de
camiones tipo B y en la empresa 3 solo se obtendrn muestras del camiones tipo C.
La seleccin aleatoria de una muestra presupone el uso de una tabla de nmeros
aleatorios o de un software que los genere como sustituto de la idealizacin matemtica
que es la seleccin aleatoria. Tambin pueden utilizarse (aunque les falta rigor
cientfico) cajas con papelitos, preguntas del tipo Dime un nmero del 1 al 10, etc.
En el Anexo M se establecen varias frmulas para determinar el tamao de la muestra.

Desde otros puntos de vista el muestreo puede ser:

1.

Con Reemplazo (cada punto seleccionado puede ser seleccionado nuevamente) o

Sin Reemplazo

2.

Ordenado (se tiene en cuenta el orden en que se seleccionan los puntos) o Sin
Ordenar.

78

En muchas ocasiones el diseo del muestreo se enfoca como el diseo de un experimento,

procedimiento muy relacionado con las Probabilidades y Estadstica Matemtica.
Frmulas para diferentes tipos de Muestreo
MUESTREO ALEATORIO SIMPLE
Consideremos el caso de que cada elemento X 1,XN de una poblacin U tiene igual
probabilidad de ser escogido en una muestra O de tamao n (los elementos de O se
designan como x1,,xn). Esto implica que la probabilidad de escoger un elemento X para
una muestra O1 es igual que la probabilidad de escogerla para otra muestra O 2 (muestreo
irrestricto). Se define la siguiente notacin:
N

Total de la poblacin XS =

X
i

i 1

Media aritmtica de la poblacin: Xm =

X
i

i 1

N
N

Desviacin estndar de la poblacin: =

X
i 1

Xm

N
N

Cuasi- desviacin estndar de la poblacin: S =

i 1

Xm

N 1
n

Total de la muestra xS =

x
i 1

Media aritmtica de la muestra: xm =

x
i

i 1

n
n

Cuasi- desviacin estndar de la muestra: s

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.

Para estimar a Xm la muestra debe n ser:

79

Z1 / 2

1
S
1 Z 1 / 2
N
d

Para estimar a XS la muestra n debe ser:

Z 1 / 2

1
1
S

/
2
d
N2 N

Para estimar a P que es la proporcin poblacional para datos cualitativos

dicotmicos la muestra n debe ser:
2

Z 1 / 2

P (1 P )
d

2
1 Z 1 / 2
1
P (1 P )
N d

Para estimar a XS para datos cualitativos dicotmicos la muestra n debe ser:

2

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

Total de la poblacin del estrato h: XSh =

X
i 1

hi

Nh

Media aritmtica de la poblacin del estrato h: Xmh =

X
hi

i 1

Nh

80
Nh

Desviacin estndar de la poblacin del estrato h:

X
=
i 1

hi

Xmh

Nh
Nh

Cuasi- desviacin estndar de la poblacin: S

X
=
i 1

Xmh

hi

Nh 1
n

Total de la muestra del estrato h: xSh =

x
i 1

hi

nh

Media aritmtica de la muestra del estrato h: xmh=

x
hi

i 1

nh
nh

Estimador del total de la poblacin del estrato h: xeh=

Nh

x
hi

i 1

nh
nh

x
=

Cuasi- desviacin estndar de la muestra del estrato h: s2h

i 1

hi

xmh

nh 1
Wh =

Nh
N

Xmest =

W
h 1

Xmh

Co es el costo fijo general de un muestreo y Ch es el costo de estudiar un individuo del

estrato h.
L

Para minimizar la varianza de Xmest para un costo total conocido C=Co +

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 =

En el mismo caso pero la asignacin de nh en cada estrato h, es proporcional (respecto a n)

L

a partir de la relacin entre Nh y N, se tiene que: n

W
i 1

02

S i2

1 L
Wi S i2

N i 1

Si se quiere obtener un valor ptimo de n para el valor de C prefijado entonces:

L
L Wi S i L
W S

Wi S i Ci
(C C 0 ) i i

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 N i ) si2 , lo cual quiere decir

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

Un hecho interesante es que la eficiencia EF=

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:

Tomar todos los elementos de cada conglomerado escogido. (MAC Monoetpico)

Tomar en cada conglomerado escogido una muestra aleatoria simple de tamao m i.

(MAC Bietpico).

1 n 1

n i 1 i

Las frmulas para calcular Xm =

X ij
j 1

donde i es Mi si se trata de un

MAC Monoetpico o i es mi si se trata de un MAC Bietpico. De manera semejante se

puede definir
i

Xm X
n

s2

1
Xmi
i

j 1

ij

. Ahora se pueden definir

si2

j 1

X ij

i 1

. La seleccin del tamao de cada muestra puede hacerse

Xm

ij

i 1 j 1

i 1

aplicando en cada etapa las frmulas del Muestreo Simple Aleatorio.

MUESTREO SISTEMTICO
En este caso se divide la poblacin U (de tamao N) en K grupos donde K=

N
para un
n

nmero natural n diferente de 0. Al nmero k se le llama intervalo muestral.

Se selecciona un nmero aleatorio r entre 1 y k al que se llama arranque aleatorio; si la
muestra es de tamao n, entonces la misma est dada por {Xr, Xr+k, Xr+2k, ,Xr+(n-1)k}. Si no
N
N
existe K igual a
entonces se toma a K como el entero ms prximo a
y tomar una
n
n
muestra de tamao h n asumindola como {X r, Xr+k, Xr+2k, ,Xr+(n-1)k, Xr+nk,,Xh n} donde
Xr+nk se toma suponiendo que la poblacin U tiene forma circular y X 1 va detrs de XN.
Ahora se pueden definir la media y varianza de toda la muestra.
Finalmente es conveniente sealar que: si la probabilidad de que cada elemento de una
poblacin es diferente a la probabilidad de algn otro, entonces toda esta teora
cambia para ajustarse a esta nueva situacin.

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.

Hay manipulacin intencional de las variables independientes por tanto es

importante conocer los grados de manipulacin de estas variables:
1. Presencia-ausencia
2. Valores discretos (cualitativos o cuantitativos)
3. Valores numricos continuos.

b.

Se mide el efecto que las variables independientes provocan en las variables

dependientes

c.

Hay control y validez interna de la situacin experimental. Esto significa que

se sabe lo que est ocurriendo en la relacin entre las variables independientes y
dependientes y permite en un momento determinado eliminar del experimento las
variables independientes que no interesan o agregar otras que s influyen en las
dependientes.

Etapas de un diseo de experimento.

1. Enunciado del problema
2. Formulacin de las hiptesis
3. Sugerencia de la tcnica experimental y el diseo
4. Examen de los sucesos posibles y referencias en que se basan las razones para la
indagacin que asegure que el experimento proporciona la informacin requerida y en
la extensin adecuada
5. Consideracin de los posibles resultados desde el punto de vista de los procedimientos
matemticos (son importantes los estadsticos) que se les aplicar para asegurar que se
satisfagan las condiciones necesarias para que sean vlidos estos procedimientos
6. Decisin de cules y cuntos experimentos realizar
7. Ejecucin de los experimentos
8. Aplicacin de las tcnicas matemticas a los resultados del experimento
9. Extraccin de conclusiones (si es posible con medidas de la confiabilidad de las
estimaciones y clculos)
10. Evaluacin de la investigacin experimental.
En los experimentos se presentan:
a.

Errores de medicin u observacin

b.

Errores en el desarrollo del experimento

84

c.
d.

Errores por la variacin entre unidades experimentales

Errores por los efectos combinados de factores extraos que no pueden
controlarse durante la investigacin.

Por tanto se hace necesario:

a.

El uso de material experimental homogneo

b.

El uso de variables o caractersticas auxiliares

c.

Estricta conduccin del experimento

d.

Uso del diseo ms adecuado.

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.

Facilita la estimacin del error experimental

Facilita la estimacin del efecto medio de cualquier factor.

2. Aleatoriedad: Seleccin aleatoria de la muestra o asignacin al azar de tratamiento a

unidades experimentales.

Hace vlidas todas las pruebas

Garantiza la independencia de los elementos y de los errores.

3. Control Local: Hace eficiente al diseo.

El diseo de experimento puede realizarse usando tcnicas relacionadas con las
Probabilidades y la Estadstica Matemtica y estos diseos son muy populares entre
muchos cientficos que confan en la justeza de los resultados cuando el experimento se ha
diseado estadsticamente.
Lo que distingue a un Experimento de otro tipo de muestreo es que se controlan ciertas
variables independientes consideradas influyentes en el resultado del fenmeno, es decir, en
los resultados de las variables dependientes. A estas variables independientes que son
controladas se acostumbra a llamarlas factores. En este texto se asumir el caso de una sola
variable dependiente y se trabajar sobre los factores.
Los experimentos deben tener definidos la estructura de la muestra en funcin de los
factores que se quieren controlar. Disear un experimento es una tarea compleja donde
interviene el conocimiento que tenga el investigador sobre su objeto de estudio, as como el
dominio que tenga sobre las modalidades y tcnicas de diseo de experimento. Se pueden
hacer las siguientes preguntas:
Cuntos factores deben intervenir?

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

. Ahora se tratar de probar que las

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

Despus de calculada FC = Fg1, g2, 1- se puede afirmar que:

1.

Si FC<FT entonces las X son influyentes.

2.

Si FC<FB entonces las Y son influyentes.

Ahora falta precisar que:

a

T= Z ij

C=

i 1 j 1

T2
ab

Toj =

i 1

Tio = Z ij (Suma de la fila i).

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

Por ejemplo, debe medirse U cuando X=X2, Y=Y2 y Z=Z1.

A este esquema le llamamos Cuadrado Latino; la forma ms usual de ejecutar este
experimento es realizar r repeticiones en cada configuracin.
La tabla de Anlisis de Varianza es:
Fuente de
variacin

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=

Si se supone que cualquier valor de U ijk=0 cuando no est incluido en el esquema, se

precisa que:

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

C , donde UR es la suma de todos los Uijk de la repeticin R.

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

Donde r es el nmero de repeticiones para cada configuracin de valores de A y B.

Esta tabla genera otra tabla donde se dan las sumas YS ij de las repeticiones para cada
configuracin Ai y Bj:
A\B
A1
A2

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 .

Las hiptesis que se plantean son:

Ho: Para todo i=1a se cumple que i = 0.
Para todo j=1b se cumple que j = 0.
Para todos i e j se cumple que ()ij = 0.
Para todo k=1r se cumple que k = 0.

90

Las hiptesis alternativas son el incumplimiento de cada una de las anteriores.

Para un nivel de significacin 1-. las decisiones se toman de la siguiente manera:
A. Se rechaza Ho para las repeticiones si F1 > Fr-1
B. Se rechaza Ho para A si F2 > Fa-1

(ab-1)(r-1) 1-

C. Se rechaza Ho para B si F3 > Fb-1

(ab-1)(r-1) 1-

(ab-1)(r-1) 1-

.
.

D. Se rechaza Ho para AB si F4 > F(a-1)(b-1)

(ab-1)(r-1) 1-

Para calcular F1,,F4:

a

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

SRk2 C , donde SRk es la suma de las mediciones para todas las

ab k 1

configuraciones de A y B, en la repeticin k.
SSR=

Ahora se puede calcular: SSE=SST-SSTR-SSR

Pero an se tiene que calcular:
SSA =

br

YiB2 C

i 1

SSB =

ar

Y
j 1

2
Aj

SSAB=SSTR-SSA-SSB.

La tabla de anlisis de varianza es la siguiente:

Fuente de
variacin
Repeticiones

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

Y se realizan r repeticiones en cada configuracin de A, B y C. Las mediciones tienen la

forma Yijkl donde 1ia; 1jba; 1kc; 1lr.
El modelo que se estudia es:

Yijkl = + i + j + k + ()ij + ()ik + ()jk + ()ijk + l + ijkl.

La tabla de Anlisis de Varianza es:
Suma de
cuadrados

Media de los cuadrados

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

YSijk = Yijkl . Entonces STR=

l 1

YSRl = Yijkl . Entonces SR=

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

SABC=STR SA SB SC SAB SAC SBC.

Experimentos 2n factoriales
Son experimentos con n factores pero cada factor solo tiene dos niveles (que se pueden
asumir como 0 y 1)14. Para este tipo de experimento se utiliza una notacin especial para
denotar las condiciones experimentales:
Caso de dos factores
14

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

Nivel de los factores A y B

A
B
0
0
1
0
0
1
1
1

Caso de tres factores

Condiciones
experimentales (CE)
1
a
b
ab
c
ac
bc
abc

A
0
1
0
1
0
1
0
1

Nivel de los factores A , B y C

B
0
0
1
1
0
0
1
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

mixtos se obtienen multiplicando los coeficientes de los factores que aparecen en el

trmino, por ejemplo [AC] toma valor -1 en (ab) porque [A]=1 y [C]=-1 en la columna
(ab); [ABC]=1 en la columna (b) porque en esa columna [A]=-1, [B]=1 y [C]=-1 y el
producto de estos valores es 1.
Ahora se puede calcular:
[I]

= (1) + (a) + (b) + (ab) + (c) + (ac) + (bc) + (abc)

[A]

= -(1) + (a) - (b) + (ab) - (c) + (ac) - (bc) + (abc)

.
[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 )

F determinada por el investigador y si por ejemplo F R > F1

y compararlo con la

( 23 1) (1 )

entonces las

repeticiones son significativas en el experimento.

Este algoritmo puede generalizarse para n>3 factores y es posible programarlo en un
software para eliminar la principal dificultad de este mtodo: su laboriosidad.
Revisten importancia prctica dos casos particulares de los experimentos 2n factorial. El
primer caso es cuando por razones prcticas hay que dividir los 2 n experimentos en k
bloques lo cual puede conducir a una confusin entre los efectos de los factores y el efecto
de los bloques. Si se supone que k=2 p (p<n) se puede definir un experimento llamado
Diseo 2n Confundido (vea pgina 484 de Miller et al.).

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

Se define la diferencia dividida de orden 0 de f(x) en el punto x 0 a f[x0]=f(x0); de

manera anloga f[x1]= f(x1), , f[xk]= f(xk).

Ahora definiremos la diferencia dividida de orden 1 para los punto x0 y x1 como

f [ x1 ] f [ x 0 ]
f ( x1 ) f ( x0 )
f[x0,x1]=
=
. De forma semejante se puede definir
x1 x0
x1 x0
cualquier diferencia de primer orden como f[xp,xq]=

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

En la prctica numrica las diferencias divididas se hallan mediante un diagrama que

ilustraremos con el siguiente ejemplo:
Sean los puntos:
i
x
F(x)

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

Aunque probablemente f es una funcin desconocida.

-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 cuarta columna 3 = (-1)-(-4) = x1-x0.

En la tercera columna 5 = 5-0 = x4-x2.

En la segunda columna (fila 1) 6 = 5-(-1) = x4-x1.

En la primera columna 9 = 5-(-4) = x4-x0.

En la sptima columna 1326 = 1335-9 = f(x4)-f(x3).

En la octava columna 442 =

En la novena columna 30 = 2-(-28) = f[x2,x3]-f[x1,x2]

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

La solucin de este sistema conduce a la Frmula de Lagrange:

P(x) =

yi

(x x

j 0
j i

i 0

j 0
j i

( xi x

La siguiente formulacin es muy cmoda para agregar nuevos puntos al clculo:

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

La frmula de Newton basada en las Diferencias Divididas tiene la forma:

P(x) = f(x0) +
f[x0,x1] (x-x0) +
f[x0,x1,x2] (x-x0)(x-x1) +
f[x0,x1,x2,x3] (x-x0)(x-x1) (x-x2) + +
f[x0,x1,x2,,xk] (x-x0)(x-x1) (x-x2)(x-xk-1)
Si conocemos la funcin f(x)
R(x) = f(x) -P(x) =

( k 1)

n+1

(a x ) P( x)

( k 1)!

[a,b] se demuestra que el error de interpolacin es:

donde x y ax [a,b] y ax depende de x.

(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

L. Chebyshev (1821-1894) demostr que si xi =

xi =

(2i 1)
b a]
donde i=0,...,n-1.
2n 2
2

[(b a ) cos

16

Interpolacin Polinmica de Menor Error

La interpolacin polinmica a partir de una funcin de R en R, dada por una tabla de datos,
presenta el problema de que, generalmente, los nodos xi son arbitrarios lo cual provoca
muchas veces que los errores de interpolacin polinmica sean de tal magnitud que hacen
prohibitivo el uso de este mtodo, sin embargo, su amplio uso en la modelacin y en
frmulas de clculo aproximado ha motivado a elaborar un mtodo para convertir el
conjunto de nodos arbitrarios dados en un conjunto de nodos que permitan disminuir el
error tanto como sea posible. Este es el algoritmo:

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

3. Hallar para i=0,...,n, los valores tn-i =

[(b a ) cos((2i 1) pi / (2n 2) b a ]

2

4. Aproximar la funcin t=W(x).

W(x) =

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

6. Si queremos interpolar el valor yc a partir de xc

tc=W(xc) y despus calculamos yc=

Q (t )
n
y i c
i
i 0 Qi (ti )

[x ,x ] entonces calculamos
0

Interpolacin por tramos

Si suponemos que xi<xi+1 para i=0,,k-1, la interpolacin por tramos se basa en la idea de
obtener un polinomio de interpolacin en cada subintervalo [x i, xi+1] y generalmente se pide
que estos polinomios sean de grado pequeo y que haya continuidad para la funcin y
algunas derivadas en las intersecciones entre subintervalos. Las formulaciones ms
conocidas para estas interpolaciones llamadas Splines son las lineales, las parablicas y las
cbicas.
Sean m puntos (xk,yk) de R2 donde m2 y xk+1 xk para k=1,,m-1 y donde se supone que
yk=f(xk) para la funcin desconocida g.
Spline Lineal
y k 1 y k
x k 1 x k

Para cada tramo [xk, xk+1], k=0,,m-1 se define y y k 1

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

b. Para m>2: y ck bk x ak x 2 para x[xk,xk+1], k=1,,m-1. Los valores de ak,bk y ck

pueden obtenerse siguiendo el siguiente algoritmo (hay otros versiones de este algoritmo):

99

Hallar am-1=0 y h = xm - xm-1.

Hallar bm-1 =

Repetir, desde i = m-2 hasta i = 0 los siguientes clculos:

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

Spline Cbico Natural

Se define la funcin de interpolacin por tramos Spline Cbico Natural:
y 2 y1
x x1 que es la recta que une a los dos puntos.
x 2 x1

a. Para m=2: y y1

b. Para m>2: y a k bk ( x x k ) ck ( x x k ) 2 d k ( x x k ) 3 para x[xk,xk+1], k=1,,m-1.

Los valores de ak,bk,ck y dk pueden obtenerse mediante algoritmos iterativos diseados para
resolver sistemas de ecuaciones lineales tridiagonales.
La expresin de cada coeficiente es:
ak = y k
bk =

[ 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

Donde las incgnitas

interiores:

"
k 1

"
k

se evalan usando la ecuacin para los nodos

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

En los extremos las segundas derivadas son nulas.

El error de interpolacin depende fundamentalmente de la funcin y=f(x) que describe
exactamente el fenmeno y est dado en cada tramo por:
''
E(x)k = f ( ) ( x x ) 2 ( x x
) 2 donde [xk,xk+1]
k
k 1
2!

Cuando la funcin g es desconocida conocemos que en la medida en que m aumenta

tendremos mayor informacin sobre el fenmeno y por tanto el error disminuir.
El spline cbico natural tiene las caractersticas de ser una funcin interpoladora exacta,
continua y con primera y segunda derivadas continuas. Adems tiene la notable propiedad
de que entre todas las funciones f(x) interpoladoras de (xi,yi) de cualquier tipo, minimiza la
xm

expresin f ' ' ( x ) dx .

x1

Este spline puede ser generalizado a funciones de varias variables reales

independientes. Veamos el caso del Spline Bicbico Natural definido sobre una red de
puntos definida por n1 valores diferentes de x (columnas) y n2 valores diferentes de y
(filas)17; en cada punto Pij=(xi,yj) se conoce el valor de zij=f(xi,yj). El algoritmo iterativo
tiene los siguientes pasos:
1. Obtener n1 splines en direccin Y manteniendo en cada caso constante el valor de x.
Cada uno de estos splines tiene n2-1 ecuaciones (tramos) y las mismas se escriben
segn cada columna:
Columna i=1:
z a11 b11 ( y y1 ) c11 ( y y1 ) 2 d 11 ( y y1 ) 3

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

Esta generalizacin est diseada para superficies.

si

y1 y y 2

si

y n 2 1 y y n2

101

z a n1n 2 1 bn1n 2 1 ( y y n 2 1 ) cn1n 2 1 ( y y n 2 1 ) 2 d n1n 2 1 ( y y n 2 1 ) 3

si

y n 2 1 y y n 2

2. Para cada una de las j= n2-1 franjas horizontales hallar:

A. El spline cbico natural entre los valores (xi,aik) donde 1 i n1 y j=1,n2-1 y se
obtiene:
Franja j=1:
a1 pa11 qa11 ( x x1 ) ra11 ( x x1 ) 2 sa11 ( x x1 ) 3

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

para xn11 x xn1

B. El spline entre (xi,bik) donde 1 i n1 y j=1,,n2-1 que en general se escribe:
bj pbji qbji ( x xi ) rbji ( x xi ) 2 sbji ( x xi ) 3 para i=1,,n1-1 y para xixxi+1.
C. El spline entre (xi,cik) donde 1 i n1 y j=1,,n2-1 que en general se escribe:
c j pc ji qc ji ( x xi ) rc ji ( x xi ) 2 sc ji ( x xi ) 3
para i=1,,n1-1
y para
xixxi+1.
D. Finalmente el spline entre (xi,dik) donde 1 i n1 y j=1,,n2-1 que en general se
2
3
escribe d j pd ji qd ji ( x xi ) rd ji ( x xi ) sd ji ( x xi ) para i=1,,n1-1 y para
xixxi+1.
Luego, para el parche rectangular tal que xixxi+1 y adems yjyyj+1 se tiene:
z = H(x,y)=A(x)+B(x)(y-yj)+C(x)(y-yj)2+D(x)(y-yj)3
= pa ji

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

El error de interpolacin lo planteamos a partir de la frmula del error de la interpolacin

multivariada que para este caso toma, para cada parche, la forma:
E(x,y)ij

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

para , [xi,xi+1] y , [yj,yj+1].

El algoritmo anterior permite definir y obtener para una red rectangular de R k formada
por los puntos (Xij), j=1,...,n y adems ij=1,...,mj; donde a cada uno de ellos les
corresponde un valor Zi1i2 ... in , un spline K-Cbico o sea cbico para cada una de las
variables Xi y que en general tiene 4K coeficientes numricos.
Puesto que el Spline Tricbico se obtiene a partir del Bicbico de la misma manera que
este del Cbico entonces es evidente que las propiedades de interpolacin y continuidad se
trasladan al spline Tricbico; de manera anloga todo spline K-Cbico obtenido de esta
manera conservar dichas propiedades.
Estimacin Lineal en Rn
Sean n puntos ( Pi , Yi ) de Rn donde se cumple para los n puntos Pi de Rn-1 .
X1
X2
.
Xn

1
1

...
...
...
...

X1
X2

n 1
n 1

.
Xn

n 1

1
1
.
1

Entonces para cualquier punto P pertenecientes al interior o a la frontera del

hipertetraedro de Rn-1 cuyos vrtices son los n puntos Pi se puede obtener el valor
interpolado Y en el punto P= (x1,xn-1) resolviendo el sistema siguiente para obtener los
nicos valores de a1,...,an-1,b:
X1
X
2
.

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.

Si se quiere encontrar el valor de Zest para un punto P cualquiera que pertenezca a

uno de los tringulos encontrados, basta con evaluar los valores de X e Y del punto P en
la ecuacin del plano correspondiente al tringulo que contiene al punto P.

Grficamente puede ilustrase la

triangulacin en el plano XY de la
siguiente forma:

Vista de las secciones planas

espaciales correspondientes a
cada tringulo del plano XY.

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

p-sima de la distancia d entre el punto P i y el punto P. Ntese que d ip 0 para i=1,,n

porque si P coincide con uno de los Pi entonces como di=0 se toma Zest = Zi.
Modelos de Regresin
Las tcnicas de regresin permiten hacer predicciones sobre los valores de la variable Y
(dependiente), a partir de los de otra X (independiente), entre las que suponemos que existe
una relacin causa-efecto.
Mediante la regresin obtenemos una variable Yt como funcin de otra variable X que se
expresa Yt=f(X). El criterio para construir Yt, es que la diferencia entre e=Y-Yt sea pequea;
a esta diferencia se le llama error. A la funcin f se le denomina modelo de regresin.
Ahora podemos observar que Y = f(X) + e.
La covarianza es una medida que habla de la variabilidad conjunta de dos variables
numricas (cuantitativas y con el mismo nmero de modalidades). Se define como:
n

S XY

(x
i 1

x x )( y i y a )

La covarianza es una medida de la variabilidad comn de dos variables (crecimiento de

ambas al tiempo o crecimiento de una y decrecimiento de la otra), pero est afectada por las
unidades en las que cada variable se mide. Es obvio que se necesita definir una medida de
la relacin entre dos variables que no est afectada por los cambios de unidad de medida.
Una forma de conseguir este objetivo es dividir la covarianza por el producto de las
desviaciones tpicas de cada variable, ya que as se obtiene un coeficiente adimensional, r,
S XY
que se denomina coeficiente de correlacin lineal de Pearson: r
. Sus
S X SY
propiedades son:
1.
2.
3.
4.

Carece de unidades de medida (adimensional).

Es invariante para transformaciones lineales (cambio de origen y escala) de las
variables.
Solo toma valores comprendidos entre -1 y 1
Cuando |r| est prximo a uno, se tiene que existe una relacin lineal muy fuerte
entre las variables.

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

de evaluar en el modelo a los valores medidos Xi.

n

2
Variacin Residual Vr = (Yt i Yi ) .

2
Variacin total Vt= (Yi YM ) .

i 1

i 1

Se puede calcular el coeficiente de correlacin r =

Ve
Vt

En particular cuando el modelo de regresin es lineal Yt = a X + b (o mejor, Y = a X + b +

e), entonces existe una relacin importante entre este modelo y el coeficiente de correlacin
que puede ilustrarse con la siguiente figura:

Existen varias tcnicas para encontrar el Modelo de Regresin pero el ms utilizado es el

Mtodo de los Mnimos Cuadrados que consiste en hallar los valores de a y b de manera
que la suma de los cuadrados de las diferencias entre yi y f(xi) = a xi + b, sea mnima.
Formalmente se quiere hallar los valores a y b para los cuales la funcin
n

d (a, b) (axi b y i ) 2 tiene su valor mnimo. Si derivamos esta funcin respecto a las
i 1

variables a y b para buscar los posibles puntos de extremo se obtiene:

106

'
d a 2 xi (axi b y i )
i 1

i 1

x (ax

(ax

i 1
n

e igualando a cero las derivadas

d b' 2 (axi b y i )

i 1

b yi ) 0

b yi ) 0

Ahora esto se puede escribir de la siguiente forma:

i 1

2
i

i 1

i 1

x y

a n b

i 1
n

i 1

Los valores de a y b se pueden encontrar resolviendo ese sistema de ecuaciones lineales.

Ntese que al obtener a y b de esta forma, estamos minimizando el cuadrado de la
diferencia entre Y Yt o sea, estamos minimizando el error e.
No siempre es conveniente tomar un modelo de regresin lineal pero los mtodos para
determinar a f(X) como un modelo no lineal se hacen muy complejos excepto en los casos
en que usemos una tcnica de cambios de variables para reducir nuestro modelo no lineal
en un modelo lineal, por esa razn conviene generalizar algunos aspectos de los modelos de
regresin.
Ya sabemos que dado un conjunto de n observaciones (xi,yi) correspondientes a las
variables X e Y tal que existe la relacin Y=F(X), se puede encontrar alguna relacin
Yt=f(X). Si denominamos e=Y-Yt, se tiene que Y=f(X)+e, que nos permite aproximar la
relacin real F entre Y y X; en la medida que e es pequea, f aproxima mejor a F.
Para los datos dados se puede encontrar un conjunto de valores ei = yi f(xi) que
2
constituyen datos de una variable que aspiramos que tenga media e a=0 y varianza S e
pequea. Entonces de manera general se puede definir el coeficiente de determinacin de
S e2
2
la regresin como RY / X 1 2 . Este coeficiente es el que permite medir la bondad de
SY
ajuste del modelo de regresin.
En el modelo de regresin lineal el coeficiente de determinacin es r2 y es conveniente
saber que para estos modelos:
La regresin lineal puede generalizarse para varias variables en el Modelo Lineal
Generalizado. En el caso ms general, si consideramos las variables independientes X 1, X2,
,XV (que de manera general podemos denotar por X) y la variable dependiente Y, el
modelo de regresin tiene la forma:
Yt = a 0 a1 f1 ( X ) a 2 f 2 ( X ) ... a k f k ( X ) = a 0

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

tome un valor mnimo.

En la prctica, si asumimos la notacin f0(X)=1, esto se reduce a resolver el sistema SLG:

i 1
n

i 1
n

i 1
n

i 1
n

i 1

[ f 0 ( X i )Yi ]

[ f ( X ) f ( X )]a ... [ f ( X ) f ( X )]a

0 i 1 i 0
k i 1 i k

[ f1 ( X i )Yi ]

[ f 2 ( X i )Yi ]

[ f 0 ( X i ) f 0 ( X i )]a0 ... [ f k ( X i ) f 0 ( X i )]a k

[ f 0 ( X i ) f 2 ( X i )]a0 ... [ f k ( X i ) f 2 ( X i )]a k

i 1

...

i 1

...

...

i 1
n

i 1
n

...

[ f ( X ) f ( X )]a ... [ f ( X ) f ( X )]a

0 i k i 0
k i k i k
i 1

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 ]

En forma matricial puede escribirse como [MS](A)=(I) donde:

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

puede calcular el coeficiente de correlacin r =

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.

Si cambian los datos, los valores de los coeficientes ai pueden

cambiar. Esto es de suma importancia cuando para integrar nuestro modelo solo
seleccionamos algunas de las variables disponibles.

ii.

La seleccin de las funciones fk es parte del trabajo que debemos

efectuar y para esto debemos auxiliarnos de alguna aplicacin informtica pero es la
experiencia y un profundo conocimiento del problema que estamos modelando lo que
nos permite seleccionar al ms conveniente entre varios tipos de modelos.

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:

N : nmero de datos (Xi,Yi).

K : nmero de funciones en el modelo.

V : nmero de variables independientes X=(X1,,XV)

Variacin Explicada Ve. Donde, reitero, Yt i es el resultado de evaluar en el

modelo a los valores medidos Xi. Tiene K-1 grados de libertad

Variacin Residual Vr . Tiene N-K grados de libertad

Variacin total Vt. Tiene N-1 grados de libertad

Error estndar de estimacin eS =

Error probable de una estimacin eP = 0.6745

Coeficiente de correlacin r

Vr
N K 1
Vr
N K

109

Intervalo de confianza (r1,r2) del coeficiente de correlacin.

Para hallarlo se dan los siguientes pasos:
a.

Se le aplica la transformada z al valor r y se obtiene el valor

1 1 r

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.

Ahora se obtienen los valores r1 y r2 aplicando la antie 2a 1

e 2b 1
transformada de z, es decir se calculan: r1 = 2 a
y r2 = 2 b
.
e 1
e 1

Prueba F de Fisher para todo el modelo.

Se calcula Fexp =

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.

Se forma la matriz de correlacin parcial lineal entre parejas de variables:

I
I
1
MCP =
...

Ik

Ik
cik
...

I1
c11
...

...
...
...

c k1

... c kk

El valor I es 1 puesto que es el coeficiente de correlacin parcial de Y con el mismo

Sean los valores de Xi para i=1;;N. Sean las funciones fp y fq donde p y q son valores
entre 1 y k. Ahora se obtienen nuevas variables Up de manera que: Up i = fp(Xi) y Uq de
manera que: Uqi = fq(Xi). Cada valor cpq es el coeficiente de correlacin lineal entre las
variables Up y Uq. Es obvio que los elementos donde p=q tienen valor 1.
Los valores Ih (h=1,,k) son los coeficientes de correlacin parcial entre la variable Y y
cada variable Uh.

110

b.

Hallar los coeficientes de correlacin parcial (respecto a todo el modelo): rai=

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.

Hallemos la inversa de la matriz [MS] vista en el epgrafe B del presente captulo a

la cual denotaremos [MS]-1. Ahora, para cada coeficiente ai del modelo, se calcula el
ai
1
valor: Gi =
Vr
donde [ MS i 1 i 1 ] es el elemento de la matriz
[ MS i 1 i 1 ] 1
N K
[MS] 1 que est en la fila i+1 y columna i+1. Recordemos que Vr es la variacin
residual.
En este caso, aceptamos a cada coeficiente que cumpla que

Gi

tN-K 1- .

Si el modelo buscado es el de la recta para las variables unidimensionales X e Y (que

podemos denotar Y = a + b X) entonces pueden determinarse los intervalos de confianza de
los coeficientes a y b del modelo:
Se determina segn la distribucin t de Student el valor t= tN-K (1-)/2.
N

x
Calcular: x =
m

i 1

Vr
; SXY =
; SCX =
N K

Para a, el intervalo es: a t S XY

xi2 ; SCDX =
i 1

S CX
; a t S XY
N S CDX

S CDX

Para b, el intervalo es: b t S XY

; 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

. Los valores de las ramas

N
S CDX

111

de la hiprbola se calculan como y = a +b x x h. Una ilustracin grfica del aspecto de esta

hiprbola es:

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

El grfico de estos datos es:

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

La decisin sobre cual modelo escoger depende generalmente de dos factores:

1.

Del conocimiento previo que tengamos del fenmeno que se

modela. Por ejemplo hay fenmenos que se modelan con una funcin sinusoidal debido
a su comportamiento oscilatorio: otros se comportan exponencialmente debido a que
cuando la variable independiente crece entonces la velocidad de cambio de la variable
dependiente aumenta en cierta proporcin.

2.

De los valores del error estndar (indica un promedio de los

cuadrados de la diferencias entre las Y de los datos y de los modelos) y de los valores
de los coeficientes de correlacin que indica una relacin entre la variacin explicada
por el modelo y la variacin total.

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:

El coeficiente de correlacin de b es -0.03151530

El coeficiente de correlacin de c es 0.69597562

El coeficiente de correlacin de d es -0.71989109

El coeficiente de correlacin de e es 0.67520669

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

Ntese que con un trmino menos obtenemos un modelo ms manejable y de calidad

semejante.
Modelos de la forma U=f(x,y).
La situacin en estos casos es semejante. Veamos los siguientes datos:
X
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

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

Analicemos ahora la secuencia de trabajo para encontrar un modelo adecuado:

Modelo 1:
Z = (4.3)*(1) + (0.02)*(X) + (0.6)*(Y)
Coeficiente de correlacin, r =0.486233789225996
Coeficientes de correlacin parcial:
0.01465683
0.48610492
Modelo 2:
Z = (3.2928571)*(1) +
(-0.57)*(X) + (3.5142857)*(Y) +

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:

El grfico del modelo 4 es:

119

Y el grfico del modelo 5 es:

Lo cual nos muestra que prcticamente no hay diferencias.

Modelos de la forma U=f(x,y,z).
Los modelo mnimos cuadrados de tres variables independientes son algo ms complejos
pero la filosofa que se sigue es la misma Sean los datos:
X
1
1
1
1
1
1
1
1

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

Veamos algunos ajustes mnimos cuadrados:

Modelo 1:
U = (8.833)*(1)+ (-1.25)*(X)+ (-0.4375)*(Y)+ (-0.35)*(Z)
Coeficiente de correlacin, r =0.401487438659562
Coeficientes de correlacin parcial:
-0.31712403
-0.18771861
-0.20491462
Modelo 2:
U = (1.33)*(1)+ (3.67)*(X)+ (0.75)*(Y)+ (1.6)*(Z)+
(-0.75)*(X*Y)+ (-1.267)*(X*Z)+ (0.05)*(Y*Z)+ (-0.05)*(X*Y*Z)
Coeficiente de correlacin, r =0.576386813751217
Coeficientes de correlacin parcial:
0.16723874
0.04735137
0.12716448
-0.07474351
-0.15845167
0.00865452
-0.01368323

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

Veamos dos modelos que ilustran como se enfrenta esta situacin:

Modelo 1:
Y = 2.6490625 + 0.158125*X1+ 0.110625 *X2 -0.041875*X3+ 0.051875*X4
Coeficiente de correlacin, r =0.699045356676727

123

Coeficientes de correlacin parcial:

0.60362095
0.46807056
-0.19658663
0.24105510
Modelo 2:
Y = 3.1665625 - 0.2*X1 - 0.2475*X2 - 0.02875*X3 + 0.065*X4 +
0.23875*X1*X2 - 0.00875*X3*X4
Coeficiente de correlacin, r =0.809900818580492
Coeficientes de correlacin parcial:
-0.34632156
-0.41553517
-0.05299321
0.11912498
0.57169744
-0.02552875
Modelos relacionados con la Interpolacin Numrica
Interpolacin para funciones U=f(x)
Sea la funcin y = x ln( x 2) e ( x x

definida en el intervalo [-1,4]:

Ahora consideraremos un conjunto de 11 puntos (x i,yi) obtenidos de la evaluacin de esa

funcin en ese intervalo. La tabla obtenida es:

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:

Con 5 puntos se tiene:

126

Interpolacin Polinmica ptima

Si realizamos la interpolacin transformando los 11 nodos originales a un sistema de nodos
de Chevyschev se obtiene el siguiente grfico:

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:

Splines Cbico Natural

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

Veamos ahora el grfico de esta interpolacin para diferentes potencias de la distancia:

Para potencia igual a 1:

Para potencia igual a 2:

Para potencia igual a 3:

131

Puede notarse que a medida que la potencia crece la grfica se escalona.

Interpolacin Trigonomtrica
En este caso debemos sealar cuantos armnicos queremos utilizar. Veamos tres casos:
Para tres armnicos:
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)

El grfico es:

Para cinco armnicos:

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:

Para once armnicos (mximo para este ejemplo):

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)+
(-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

Interpolacin para funciones U=f(x,y)

Interpolacin Polinmica Clsica
Aunque tericamente esta interpolacin puede ejecutarse para cualquier red rectangular
completa, los resultados que se obtienen solo son buenos en vecindades muy cercanas a los
nodos lo cual ha motivado a que este tipo de modelo se use muy poco.
Interpolacin lineal con triangulizacin
Ilustremos este modelo mostrando primero la triangulizacin que se hace con los puntos del
plano XY. El mtodo usado es el de Delaunay y el mismo define un conjunto de tringulos
disjuntos que cubren el rea definida por los datos en el plano XY siendo estos tringulos
muy cercanos a tringulos equilteros:

134

Ahora veamos algunos resultados grficos obtenidos con esta interpolacin:

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.

Interpolacin Polinmica por Tramos

En este caso mostraremos resultados semejantes a los anteriores pero desarrollados con
diferentes tipos de splines de superficies:

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

Interpolacin por Inverso de la Distancia

Mostraremos con tres grficos las diferencias que se obtienen cuando se toman diferentes
potencias de la distancia.
Para potencia igual a 1:

Para potencia igual a 2:

140

Para potencia igual a 5

Debemos notar el efecto bull eyes ms acentuado cuando aumenta la potencia.

Interpolacin para funciones U=f(x,y,z)
En la prctica estos casos son resueltos mediante los splines generalizados y mediante el
mtodo del inverso de una potencia de la distancia. Los resultados que se obtienen son los
valores interpolados y grficos de isolneas que muestran el comportamiento de U en un
corte plano del slido espacial donde estamos modelando (estos cortes se obtienen
manteniendo constante una de las variable X, Y o Z).

141

Captulo 3: Modelacin matemtica y simulacin a partir de ecuaciones

diferenciales
Conceptos principales de la Teora de las ED
Una ecuacin funcional es una igualdad donde aparecen constantes y variables
interrelacionadas mediante operaciones aritmticas y funcionales y con la caracterstica
particular que las variables incgnitas toman sus posibles valores en un espacio o conjunto
de funciones definidas desde un conjunto X en un conjunto Y18. Resolver una de estas
ecuaciones funcionales es encontrar alguna funcin que sustituida en el lugar de la variable
incgnita, convierta la igualdad en una identidad. Por ejemplo:
a.

Sea (f(x)+ex)2 = 2x. En este caso aplicando procedimientos clsicos de

despeje se tienen que f(x)= 2 x e x .

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.

La ecuacin numrica x+2-ex=0 tiene las soluciones aproximadas x1=

-1,841405660 y x2=1,146193220 obtenidas por mtodos numricos (por ejemplo, el de
Biseccin) pero a la ecuacin funcional f(x)+2-e f(x) = 0, donde f(x) es una funcin de R
en R, es imposible hallarle su solucin aplicando los mtodos conocidos.

A las ecuaciones funcionales se le pueden agregar otros dos operadores: la derivacin y la

integracin. Una ecuacin funcional donde a funcin incgnita aparezca bajo el signo de
derivacin recibe el nombre de Ecuacin Diferencial. De manera anloga se pueden
definir Ecuaciones Integrales y Ecuaciones Integro-Diferenciales.
Si denotamos a y=f(x) a la funcin incgnita donde x X e y X, la forma general de una
ED es F(x,y,y,,y(n))=0. A n se le llama el orden de la ED.
En las ingenieras se estudian ED donde la funcin incgnita y=f(x) est definida de R n en
R. Si n=1 la ED se llama Ordinaria y si n>1 se llama Parcial o en Derivadas Parciales.
Resolver una ED es encontrar un conjunto S de funciones tal que al sustituir cualquiera de
estas funciones en la ED la satisfaga convirtindola en una identidad. Por ejemplo:
i.

Sea y(x) = y(x). Se trata de una ED ordinaria de primer orden y son

soluciones de ella las funciones del conjunto S= y Ce x donde C R . En este caso el
conjunto de soluciones constituye una familia de soluciones enlazadas por la constante
C.
Grficamente podemos ver algunas soluciones particulares para diferentes valores de 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.

La solucin general de la ED y2+x2y=0 es la familia de funciones y=

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.

La ecuacin de Clairut: y-xy+(y)3 = 0 tiene la solucin general y=Cx-C3 pero

adems tiene la solucin singular y=

2 3 3/ 2
x .
3

Al igual que se definen sistemas de ecuaciones numricas, tambin se definen sistemas de

ED, los cuales tienen la forma general:

143

F1 ( x, y1 , y1' ,..., y1( n ) , y 2 , y 2' ,..., y 2( n ) ,..., y m , y m' ,..., y m( n ) ) 0

'
( n)
'
(n)
'
( n)
F2 ( x, y1 , y1 ,..., y1 , y 2 , y 2 ,..., y 2 ,..., y m , y m ,..., y m ) 0

....

F ( x, y , y ' ,..., y ( n ) , y , y ' ,..., y ( n ) ,..., y , y ' ,..., y ( n ) ) 0

1 1
1
2
2
2
m
m
m
p
Donde se tienen p ED de orden n, con m funciones incgnitas definidas de Rk en R. La
solucin de un SED es tambin un conjunto de funciones que satisfacen a todas y cada una
de las ED.
Los modelos ingenieriles que usan las ED aparecen de dos formas:
1.

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

ED queda planteada como

cuya solucin general est dada por: x(t) =
dt
1 t

cumple que M(t)=

(0,34m) ln(1+t) + C. Ahora, por ejemplo, es posible estudiar que caracteriza el

movimiento del cuerpo estudiando el valor de C bajo diversos regmenes
experimentales.
2.

Modelos que se expresan mediante una ED o un SED y un conjunto de condiciones

iniciales y de frontera (Problema con Condiciones Iniciales y de Frontera, PCI y PCF).
En este caso se pide buscar el conjunto de funciones que son soluciones particulares y
este resultado da respuesta funcional especfica al problema ingenieril planteado.
Por ejemplo, supongamos que la concentracin C de una sustancia A en un mineral
depende de la profundidad x donde se encuentra el mineral. Se ha establecido que la
variacin de C es proporcional a la raz cbica de x y adems que para x=0 la
concentracin es como promedio C=0,15 y para x=1 se obtuvo el promedio C=0,25. En
dC ( x )
k 3 x con las condiciones C(0)=0,15 y
este caso se puede plantear la ED:
dx
C(1)=0,25.
La solucin general de la ED es C(x)=C(x)= k x 4 / 3 B , donde B es una constante
arbitraria. Sustituyendo las condiciones planteadas para x=0 y x=1 se obtiene el sistema

144

de ecuaciones en k y B:

0,15 k (0) 4 / 3 B

0,25 k (1) B
4/3

cuya solucin es B=0,15 y k=0,1. La

solucin particular al problema planteado es C(x)= (0.1) x 4 / 3 0,25 .

Mtodos para resolver ED y Problemas con Condiciones
Los mtodos para resolver ED y PCIC pueden clasificarse en dos grandes grupos:
1.

Cualitativos: Lo ms importante es conocer propiedades de las funciones que son

solucin de la ED o del SED aunque no se conozcan las expresiones analticas de estas
soluciones.

2.

Cuantitativos: Se centran en la bsqueda de expresiones analticas de las soluciones

generales y particulares.

Nota: En este texto no nos referiremos a los mtodos cualitativos.

Ciertos mtodos cuantitativos para resolver ED, SED, PCI y PCF tambin reciben el
nombre de mtodos analticos por su pretensin de obtener las expresiones analticas de las
soluciones. Entre ellos se encuentran los siguientes:
1.

2.

Mtodos por Integracin: Se basan en transformar la ED o el SED a formas donde

pueda ser posible integrar para despejar las funciones incgnitas y se aplican
generalmente en ED ordinarias de primer orden:
d.

ED de Variables Separables

e.

ED Exacta.

f.

ED Reducible a Exacta por factores integrantes

g.

ED Lineal de primer orden.

h.

ED de Bernoulli.

i.

ED Homogneas de primer orden

j.

ED Reducibles a Homogneas de primer orden

Mtodos basados en el Algebra

a. Solucin de la ED lineales homogneas y no homogneas de orden superior con

coeficientes constantes
b. Solucin de SED lineales de primer orden
3.

Mtodos por Transformada de Laplace. La ED o el SED se transforma a expresiones

ms simples (por ejemplo, algebraicas)
a. Solucin de la EDO lineales de orden superior.
b. Solucin de la SED.
c. Solucin de la EDP.

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).

Expliquemos cual es la estrategia en cada uno de estos mtodos:

Ecuaciones Diferenciales y Sistemas de Ecuaciones Diferenciales
ED de Variables Separables:
Este mtodo se utiliza generalmente para resolver ED de primer orden que se puedan
escribir en la forma y=

P( x)
Q( y )

equivalente a

dy
P ( x)

y que se transforma en
dx Q ( y )

Q ( y ) dy P ( x ) dx . Ahora se integran ambos miembros y se obtiene la solucin.

Ejemplo:
Sea y-x=1+y+xy. Esta ED se puede escribir

dy
= (1+x)(1+y), de manera que separando
dx

dy

las variables 1 y (1 x) dx en integrando

ln(1 y ) x

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 ) dy 0 . Si se cumple que

, entonces la ED se dice exacta y
x
y

aplicando lo que estudiamos en el Epgrafe E del Captulo 5 sobre formas diferenciales se

P ( x, y )dx +

tiene que la solucin es: y=

Q ( x, y )

P( x, y )dx
y

dy

+C

Ejemplo

Sea la ED: (x+y)dx + (x+e )dy = 0. Si asumimos que

P

P ( x, y ) x y
Q ( x, y ) x e

, es fcil comprobar

que y x 1 , por lo que se puede afirmar que la ED es exacta. La solucin es y=

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

y es una expresin que solo depende de y (llammosla g(y))

1.
Si x
P
entonces F(x,y)= e g ( y ) dy es un factor integrante de la ED P ( x, y )dx Q ( x, y ) dy 0 .
P
Q

x es una expresin que solo depende de x (llammosla f(x))

2.
Si y
Q
entonces F(x,y)= e f ( x ) dx es un factor integrante de la ED P ( x, y )dx Q( x, y ) dy 0 .

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.

Ahora la ED [y5cos(x)] dx + [4y3+5y4 sen(x)] dy =0 es exacta y su solucin es y 5sen(x)

+y4=C.
ED Lineales de Primer Orden:
Tienen la forma y + P(x) y = Q(x) y se puede demostrar mediante la bsqueda de un factor
integrante que su solucin es y= e

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

donde y=v1/2 y se tiene que

1
3 1/ 2
1

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

y multiplicando toda la ED por 2v1/2, se obtiene v+

x

v=4x que es una ED lineal de primero orden.

ED Homognea de primer orden:
Tienen la forma (o pueden reducirse a la forma)
v=

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

para x y para y. O sea, se cumple que: F(hx,hy)=F(x,y) para h R.

Ejemplo
Sea la ED 2 xy
dy
2

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

Las ecuaciones de la forma dx dx ey f se pueden reducir a ED homogneas de primer

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

2(u h) 3(v k ) 1 2u 3v (2h 3k 1)

=
(u h) 4(v k )
u 4v ( h 4 k )

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

Solucin de la ED lineales homognea de orden superior con coeficientes constantes

n

Una ED de este tipo tiene la forma

a
k 0

y ( n ) ( x) =0 o sea any(n)++a1y+a0y = 0, donde

los coeficientes ai son constantes reales. La solucin de estas ED sigue los siguientes pasos:
a.

Se identifica la ecuacin polinmica caracterstica (EC) de la ED que tiene

n

la forma

a
k 0

b.
c.

h n =0 o sea anhn++a1h+a0 = 0.

Se obtienen las n races reales y complejas de la EC.

A cada raz hi de la EC se le asocia una funcin U i(x) siguiendo las
siguientes reglas:

Si h es un nmero real a, entonces U(x)=eax.

149

Si h es un nmero complejo de la forma a+ib , entonces U(x)=eax

cos(bx).

Si h es un nmero complejo de la forma a-ib , entonces U(x)=e ax

sen(bx).

Si h es la multiplicidad p=2, de una raz ho, entonces U(x)=xp-1

Uho(x).

d.

Se forma la solucin buscada como combinacin lineal de las funciones

Ui(x), es decir y(x) = C1U1(x) + C2U2(x) + + CnUn(x) donde cada Ci es una constante
arbitraria, en general, compleja. Este es el Principio de Superposicin de Soluciones
para EDO Lineales Homogneas vlido tambin cuando los coeficientes son funciones
continuas en cierto intervalo.

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

La EC es h2+h+2=0 y por tanto h1=

asociadas son U1(x)= e
y(x) = C1 e
3.

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).

Solucin de la ED lineales no homogneas de orden superior con coeficientes

constantes

150
n

Una ED de este tipo tiene la forma

a
k 0

y ( n ) ( x) =f(x) o sea: any(n)++a1y+a0y = f(x),

donde los coeficientes ai son constantes reales. La solucin de estas ED sigue los siguientes
pasos:
n

a.

Se obtiene la solucin yh de la ED homognea asociada

a
k 0

b.

Se busca una solucin particular yp de la ED

a
k 0

c.

y ( n ) ( x) =0.

y ( n ) ( x) =f(x)

La solucin general es: y = yh + yp. Este es el Principio de Superposicin de

Soluciones para EDO Lineales No Homogneas

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

y ( n ) ( x) =f(x) se tenga la posibilidad de determinar valores numricos de

los coeficientes desconocidos tal que se establezca una identidad.

Ejemplo:
Sea la ED y+3y+2y=x2+ex+cos(x).
Ya hemos determinado que la solucin de la homognea asociada y+3y+2y=0 es la
funcin yh(x) = C1e-x y C2e-2x.
Atendiendo a la forma de f(x)= x2+ex+cos(x) es conveniente suponer que la forma
yp=Ax2+Bx+C+Dex+Ecos(x)+Fsen(x). Ahora sustituimos yp y sus derivadas en el trmino
derecho de la ED y+3y+2y=x2+ex+cos(x) y agrupamos trminos semejantes para
encontrar los valores de A, B, C, D, E y F que convierten la igualdad en identidad.
Nota: Solo queda aclarar que cuando uno de los sumandos de y p coincide con una de las
funciones Ui(x) obtenidas durante la bsqueda de yh entonces se debe dar a este sumando de
yp el mismo tratamiento que a los Ui(x) cuando se trata de races repetidas (multiplicar por
x tantas veces como sea necesario para evitar la igualdad de trminos).
Veremos ahora otro mtodo para obtener la solucin y p. Este se llama Mtodo de
Variacin de Parmetros y en sntesis dice que si se tienen las soluciones U 1(x),,Un(x)
obtenidas durante la determinacin de yp, se forma el Wronskiano:
U 1 ( x)

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

Y para i=1,,n se forman los Wronskianos parciales Wi(x) sustituyendo en W(x) la

columna i-sima por la columna

...
.
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)

Solucin de SED lineales de primer orden con coeficientes constantes:

Un SED lineales de primer orden con coeficientes constantes se escribe:

a11Y1' b11Y1 a 21Y2' b21Y2 ... a n1Yn' bn1Yn f1 ( x)

'
'
'
a12Y1 b12Y1 a 22Y2 b22Y2 ... a n 2Yn bn 2Yn f 2 ( x)

...

a Y ' b Y a Y ' b Y ... a Y ' b Y f ( x)

nn n
nn n
n
1n 1 1n 1 2n 2 2n 2
y su solucin contiene n constantes arbitrarias
Lo ms usual es introducir la notacin de operadores donde cada derivada se escribe como
si un operador D actuara sobre la funcin. Ahora el sistema se escribe:

(a11 D b11 )Y1 (a21 D b21 )Y2 ... (an1 D bn1 )Yn f1 ( x)

(a12 D b12 )Y1 (a22 D b22 )Y2 ... (an 2 D bn 2 )Yn f 2 ( 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

que en sntesis es:

Procedamos a resolver el sistema sustituyendo la fila 2 por: la fila 1 menos la fila 2

2D

multiplicada por 2D:

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

6y2-2y2+y2=x y su solucin es: y2(x) = e 6 C1 cos

5x
C 2 sen

5x

+x+2.

Sustituyendo en la segunda ED del sistema se puede derivar y despejar para obtener el

valor de y1(x).
Nota: Si en vez de sustituir en la segunda ED se sustituye en la primera sera necesario
integrar por lo que aparecera una tercera constante arbitraria (ahora tenemos tres
constantes cuando deberan ser dos). Si sustituimos esta solucin y 1(x) en la segunda ED
tendemos la relacin que existe entre esta tercer constante y el resto de la solucin.
Mtodo de Sustitucin para EDO lineales con coeficientes variables
Este es un mtodo que resuelve unos pocos casos entre los que se destaca la ED de Euler
k
n
k d y
t
cuya forma es a k (cx d )
k =F(x) la cual, con la sustitucin cx+d=e se convierte en
dx
k 0
una ED lineal con coeficientes constantes. Veamos el siguiente:
Ejemplo:
Sea la ED: x2y-5xy +8y = x2. Si asumimos que c=1, d=0, a 2=1, a1=-5, a0=8, F(x)=x2,
entonces la ED se identifica como una ED de Euler:
1(1 x 0) 2

d2y
dy
5(1 x 0)1
8(1 x 0) 0 y x 2
2
dx
dx

Tomando x=f(t)=et, entonces f (t)=et y f (t)=et. Aplicando la frmula 6 de las reglas de

derivacin del Captulo 4 Epgrafe D, se cumple que:

dy 1 dy

dx e t dt

153

d2 y
1

2
3
dx
et

e t

d2y
dy

et
2
dt
dt

Y sustituyendo en la ED: x2y-5xy +8y = x2, esta se transforma en

d2y
dy
6
8 y e 2t ,
2
dt
dt

cuya solucin y(t) deber escribirse sustituyendo t=ln(x).

Mtodo de Series de Potencias para EDO lineales

Este mtodo es til para las ED lineales sobre todo cuando los coeficientes son variables y
se basa en un principio muy importante.
Sea L(U) un operador diferencial lineal de forma que L(U) es igual a la suma de ciertas
derivadas de la funcin (ordinarias o parciales) con coeficientes que son funciones de las
variables independientes.
Principio Generalizado de Superposicin (Tijonov y Samarsky, pgina 107)
Si las soluciones Ui (i=1,2,,n,.) son soluciones particulares de la
ecuacin diferencial lineal homognea L(U)=0 (ordinaria o en derivadas
n

parciales, la serie U C iU i es tambin solucin de la ED si el clculo de

i 1

las derivadas de U que figuran en la caucin L(U)=0 se puede efectuar

mediante la derivacin trmino a trmino de la serie.
Presentemos el mtodo resolviendo una ED de primer orden.
Sea por ejemplo la ED (x-3)y+2y=0 y supongamos que la solucin es una funcin y=f(x)

diferenciable cuyo desarrollo en serie de potencias es y(x)= a n x . Si la serie converge a

na

f(x) para todo x de cierto intervalo real I, entonces y(x)=

Sustituyendo estas series en la ED se tiene que:
desarrolla en

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.

La primera serie se puede escribir

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

La segunda serie se le puede realizar un corrimiento de ndice:

(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 .

Agrupando y despejando se obtiene que an+1 =

n2
an .
3(n 1)

Se puede elaborar la siguiente tabla de resultados considerando que ao es desconocido:

n
0

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

Ahora es posible afirmar que y(x)=ao

k 0

n 1 n
x donde ao es la constante arbitraria.
3n

Para cerrar el ejemplo quedara demostrar que el dominio de convergencia es (-3,3).

Ecuacin de Legendre
La ED de Legendre de orden tiene la forma (1 - x 2) y 2 x y + (+1) y =0, donde el
nmero real >-1.

La sustitucin y(x)= c m x
m 0

en la ED conduce a la frmula recurrente c m+2=

( m)( m 1)
cm .
(m 1)(m 2)

Si asumimos a c0 y c1 como constantes arbitrarias entonces se puede demostrar que para

m>0:

c2m
( 1) m a 2 m c 0

= 1

( 2)( 4)...( 2m 2)( 1)( 3)...( 2m 1)

c0 =
(2m)!

155

c2m+1

( 2)( 4)...( 2m)( 1)( 3)...( 2m 1)

c1 =
(2m 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

y la solucin general es: y(x)= y1(x) + y2(x).

m 0

Cuando es un entero n entonces (dependiendo si n es par o impar) una de las soluciones

y1(x) o y2(x), respectivamente, da lugar a un Polinomio de Legendre mediante la seleccin
adecuada de los coeficientes c0 y c1.
Para resolver las ecuaciones del tipo: x2 y + x p(x) y + q(x) y = 0, sin p(x) y q(x) son
funciones desarrollables en series de potencias de x, entonces se utiliza el llamado Mtodo
de Frobenius que consiste en suponer que la ED tiene soluciones de la forma y(x)=

m0

x m r = x r c m x m . Se siguen los siguientes pasos:

m 0

1.

Se obtienen las races de la ecuacin determinante r(r-1)+p(0)r+q(0)=0.

2.

Para cada raz r1 y r2 de la ecuacin determinante, se propone una solucin

y(x)=

m0

x m r que se sustituye en la ED y se buscan las frmulas para obtener

recursivamente cada valor de c m excepto (tal vez) el de c 0 y c1 que jugarn el papel de

constantes arbitrarias de la solucin.
Si r1 r2 y la diferencia entre ellas no es un nmero entero entonces para cada raz se
obtiene una solucin independiente. En caso contrario se obtiene una sola solucin
independiente y1(x) y la segunda solucin se obtiene por la frmula:
e
y2(x)= y1 ( x )
dx .
y1 ( x) 2

p ( x )dx

Se puede demostrar que:

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

, donde C puede ser 0 o tomar otro valor

dependiendo de la ED (para saberlo hay que sustituir la solucin en la ED).

156

Si la ED es no homognea, o sea de la forma x 2 y + x p(x) y + q(x) y = f(x), entonces la

solucin particular se halla por la frmula:
x

y2(x) =

f (t )e p ( t )dt y ( x ) y (t ) y ( x ) y (t ) dt
2
1
1
2

x0

Veamos los siguientes:

Ejemplos
Sea la ED: 2x2y+3xy-(x2+1)y=0 que se puede escribir como

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

que son diferentes y con diferencia no entera.

Siguiendo el procedimiento indicado para cada valor de r se pueden obtener:

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

Sea la ED: x2y+xy+(x2-n2)y=0 que recibe el nombre de ED de Bessel.

Puesto que p(x)=1 y q(x)=x2-n2 la ecuacin determinante es r(r-1)+r-n2=0 y por tanto se
tiene solo el valor r1=n y r2=-n.

n
m
Para r1=n no entero la solucin se plantea como y(x)= x c m x . Sustituyendo en la
m 0

ED y aplicando el procedimiento indicado se obtiene que y1(x) = Jn(x) =

2k n

x
( 1)

llamada Funcin de Bessel.

2

k 0 k ! ( k n 1)
k

La otra solucin se alcanza para r 2=-n y tiene la forma y2(x) = J-n(x) =

2 k n

x
( 1)

. La solucin general es y(x) = C1 Jn(x) + C2 J-n(x).

2

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

Mtodos Analticos para ED Parciales lineales de primer orden

Las ED parciales lineales de primer orden tienen la forma general
X 1 Z x X 2 Z x ... X n Z x Y donde Y, Xi y Z son funciones que dependen de x1,,xn y Z
1

es la funcin incgnita (recordemos que Z xi denota la derivada parcial de la funcin Z con

respecto a xi).
Resolver esa ED cuando Y 0 (o sea el caso homogneo) es equivalente a resolver el
dx
dx1 dx 2

... n y resolver el caso no homogneo es equivalente a resolver

sistema
X1
X2
Xn
dx
dx1 dx 2
dz

... n
. Veamos los siguientes ejemplos:
X1
X2
Xn
Y
z

Sea la ED y x x y 0 . Encontremos la solucin del

1.
dx

dy

y2

x2

y2

x2

C 0 . Entonces se asume que z(x,y)=

C.
sistema y x que es
2
2
2
2
Puede comprobarse fcilmente que esta funcin satisface a la ED.
u

Sea la ED x y x z 0 . Resolvamos el sistema

2.

dx dy dz

1
1
x

dx dy

que es equivalente a
dz cuyas soluciones son
dx x

solucin buscada es la funcin u(x;y;z) = y + x +

z

y xC 0

, la
x2
zD0
2

x2
- z + A.
2

Sea la ED x y x . Como es no homognea entonces

3.

resolvamos el sistema

dx dy dz

equivalente a
1
1
x

dx dy

dz
dy

que tiene la solucin

y xC 0

x
z

, entonces z(x,y)=

x2
+ y - x + A.
2

Estas son ED relativamente sencillas pero cmo resolver, por ejemplo la ED x y z

?

158

Mtodo de Separacin de Variables para EDP.

El mtodo de separacin de variables para EDP ha sido uno de los ms productivos en la
solucin de problemas donde intervienen estas ecuaciones. La idea del mtodo es suponer
que la solucin de una EDP U(x1,x2,,xn) se puede escribir como una suma o un producto
de funciones donde cada funcin depende de una sola variable independiente. Al sustituir
en la EDP esta puede ser transformada en varias ED de menor orden y posiblemente
ordinarias. Veamos el siguiente:
Ejemplo:
z

Sea la ED x y z y supongamos que la solucin se puede escribir en la forma

z(x,y)=X(x)Y(y). Sustituyendo en la ED se obtiene:
X ( x)Y ( y ) X ( x)Y ( y )

X ( x)Y ( y )
x
y

Que es equivalente a:
X ' ( x)Y ( y ) X ( x )Y ' ( y ) X ( x)Y ( y )

Separando las funciones segn sus variables se tiene:

X ' ( x) Y ( y ) Y ' ( y )

X ( x)
Y ( y)

Ahora debemos usar uno de esos racionamientos que superan cualquier expectativa:

Las variables x e y son independientes.

La relacin

X ' ( x)
Y ( y) Y ' ( y)
es igual a la relacin
para todos los valores de
X ( x)
Y ( y)

x y de y que como ya dijimos son independientes.

Conclusin: esto solo es posible si

X ' ( x)
Y ( y) Y ' ( y)
=k=
, donde k R.
X ( x)
Y ( y)

Ahora tenemos dos problemas:

1.

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)

Por tanto z(x,y)=X(x)Y(y) = Aekx+(1-k)y.

ED Parciales Lineales de Segundo Orden
Esta es uno de los tipos de ED ms importante por sus aplicaciones. La forma general de las
EDP de segundo orden es:

159

A Zxx. + 2B Zxy + C Zyy +a Zx +b Zy + c Z = f

Donde la funcin incgnita Z y los coeficientes A, B, C, a, b y c, as como el trmino
independiente f, son funcione de x e y.
Estas ED se clasifican en diferentes regiones del plano R 2 atendiendo al signo que tome la
funcin (x,y)=A(x,y)C(x,y) - B2(x,y) en cada punto (x,y):

<0 clasifica a la ED como Hiperblica

=0 clasifica a la ED como Parablica

>0 clasifica a la ED como Elptica

Nota: El signo de es invariante ante traslaciones, rotaciones o cambio de variables

independientes.
Mediante ciertas transformaciones de coordenadas: u=p(x,y) y v=q(x,y) es posible pasar de
la forma general de la EDP Lineal de Segundo Orden a una de las formas:

Hiperblica: ZUV = F(u,v,Z,ZU,ZV) o ZUU - ZVV = F(u,v,Z,ZU,ZV). Se relacionan

generalmente con los problemas oscilatorios.

Parablica: ZUU = F(u,v,Z,ZU,ZV)

o
ZVV = F(u,v,Z,ZU,ZV). Se relacionan
generalmente con los problemas de conduccin del calor y difusin.

Elptica: ZUU + ZVV = F(u,v,Z,ZU,ZV). Se relacionan generalmente con los problemas

estacionarios de la fsica como oscilaciones, difusin, etc.

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.

Sea la ecuacin de la oscilacin de una cuerda Z xx Zyy = 0. Si se propone la

solucin Z(x,y)=X(x)Y(y) y se sustituye en la EDP, se obtienen las dos EDO:

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.

Sea la ecuacin de Laplace para modelar la temperatura estacionaria de una placa

Zxx + Zyy = 0. Si se propone la solucin Z(x,y)=X(x)Y(y) y se sustituye en la EDP, se

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:

Mtodo de Riemanm para resolver la Ecuacin de los Telegrafistas: a Ztt +2b

Zt + c Z = Zxx. (puede verse Bronshtein y Semendiaev, pgina 558)

Mtodo de Green para el Problema de Dirichlet de la Ecuacin de Laplace

en el espacio Zxx + Zyy + Zzz = 0 si la regin donde se trabaja es una esfera de radio R.
(puede verse Bronshtein y Semendiaev, pgina 560)

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

Si adems la derivada y es continua en ese rectngulo, entonces la solucin es nica en

algn intervalo I J que contiene a x=x0.
Ejemplos:

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 '

. Ntese que h(x,y)=-

x

( x0 , y 0 ) (0,1)

Sea el problema

es discontinua para x=0

por lo cual no se puede garantizar la existencia de la solucin de ese problema

3.

Sea el problema

y' 2 y

( x0 ; y0 ) (0;0)

. Ntese que h(x,y)= 2

es continua para

(x;y)=(0;0) por lo cual se puede garantizar la existencia de la solucin de ese problema.

h

La derivada y = y no es continua en (x;y)=(0;0), entonces no se puede garantizar

la unicidad de la solucin del problema. En este caso, la solucin particular y=x 2 y la
solucin singular y=0 satisfacen la ED y la condicin inicial.
Nota: Es evidente que tendremos la necesidad de tener muchos teoremas para los variados
PCIC o tal vez disponer de unos pocos para cada clase de problemas. En cualquier caso, la
situacin es compleja y en los cursos bsicos se muestra el teorema anterior, se ensea
como funciona y nada ms. En los cursos superiores y especializados as como en las
investigaciones se trabaja casusticamente con el anlisis de la existencia y unicidad de la
solucin del problema que resolvemos.
Los mtodos cuantitativos para resolver Problemas con Condiciones Iniciales y de Frontera
pueden ser de tres tipos:
a.

Obtener la solucin general de la ED o del SED mediante un mtodo analtico y

luego determinar los valores especficos de las constantes y funciones arbitrarias y por
tanto obtener la expresin analtica de la solucin particular. Por ejemplo:

y
Obtener, si existe y es nica, la solucin del problema
x
( x0 ; y 0 ) (1;2)
y' 1

ED puede escribirse como y '

. 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=

Obtener la solucin de y+3y+2y=0 con las condiciones y(0)=1 y y(0)=0.

La solucin general de la ecuacin es y(x) = C 1e-x + C2e-2x y su derivada es y(x) =
-C1e-x - 2 C2e-2x. Evaluando las condiciones iniciales se obtiene el SEL:

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.

Obtener la solucin de y+ y =x con las condiciones y(/3)= /3; y(/4)= 0.

La solucin general de la ED es: y(x) = A cos(x) + B sen(x) + x. Evaluando las
condiciones iniciales se obtiene el sistema:

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

solucin particular buscada.

Obtenga la solucin de x y z si sabemos que zx(0;0)=1 y zy(0;0)=2.

Aplicando el Mtodo de Separacin de Variables se obtiene que la solucin general
es z(x,y)=Aekx+(1-k)y.
Determinamos las derivadas parciales de la solucin general: z x(x,y)=kAekx+(1-k)y y
zy(x,y)=(1-k)Aekx+(1-k)y. y las evaluamos para las condiciones dadas para obtener:

A3

kA 1

,
cuya
solucin
es
1.

k
(1 k ) A 2

La solucin particular es z(x;y) = 3 e x/3 + 2y/3.

19

Resuelta por el Derive, versin 6.0 del 2003.

163

Sea la EDP Z t a Z xx donde a es una constante y sean las condiciones

Z(0;t)=0; Z(L;t)=0 y Z(x;0)=f(x). Proponiendo la solucin Z(x,y)=X(x)T(t) y

X' ' (x) kX(x) 0

donde k es

T' (t) akT(t) 0

sustituyendo en la EDP, se obtienen las dos EDO:

una constante real.

La solucin de la segunda EDO es siempre de la forma T(t)=Me akt donde M R,

pero en la primer EDO la forma de la solucin vara en dependencia del valor de k.
Es conveniente analizar tres casos:

k>0. En este caso la solucin queda z(x,y)=Meakt Ce De

la cual solo cumple con las dos primeras condiciones iniciales si z(x;y)=0.
kx

kx

k=0. Ahora se puede escribir directamente que z(x;y)=M que de

ninguna manera cumple con las condiciones del problema.

K<0. En esta ocasin la solucin se puede escribir como z(x;y)=

e
Acos(hx) Bsen(hx) , donde k = - h2. Aunque no es evidente, esta
forma de solucin puede cumplir con las condiciones prefijadas.
ah 2 t

Si
e

evaluamos

ah 2 t

la

condicin de frontera Z(0;t)=0 en

z(x,y)=
Acos(hx) Bsen(hx) , se tiene que A=0, por lo que la solucin se escribe
2

ahora z(x,y)= Be ah t sen(hx) ,

2

Si evaluamos la condicin de frontera Z(L;t)=0 en z(x;y)= Be ah t sen(hx) , se

tiene que al no poder anularse la expresin Be ah t entonces sen(hx)=0 de donde
n
hx n y por tanto h=
. Ahora la solucin se reescribe en la forma: z n(x;y) =
2

Bn e

n
a

n x que tambin depende del valor de n.

sen

Aplicando el siguiente el Principio de Superposicin Generalizado se escribe la

solucin como z(x;y)=

B e
i 1

n x .

sen

Evaluando la tercera condicin z(x;0)=f(x) se tiene que z(x;0)=

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

es su desarrollo en Serie de Fourier y por tanto b n =

2
n x
f ( x ) sen
dx

L0
L
L

an = 0.

Ahora la solucin se escribe:

2L
a
n x

z(x;y)=
f(x) sen L dx e
i 1 L 0

Veamos el problema formado por la EDP:

n x
.
L

sen

Uxx + Uyy = 0, con las

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):

X(x) h2 X(x) = 0 con las condiciones X(0) = X(a) = 0.

Y(y) h2 Y(y) = 0 con las condicin Y(b) = 0.

La solucin de la primera ED es X(x)=C sen(hx) + D cos(hx). De manera anloga a

como se analiz en el ejemplo anterior, la condicin X(0)== conduce a que D=0 y
por tanto X(x)=C Sen(hx); la segunda condicin X(a)=0 conduce a determinar que
n
n x
.
h=
y ahora se escribe Xn(x)=Cn sen

La solucin de la segunda ED se puede escribir 20 como Y(y) = A cosh(hy) + B

senh(hy). Pero sustituyendo el valor conocido de h, entonces se escribe:
n y
n y
+ Bn senh
.
a
a

Yn(y)=An cosh

n b

Evaluando la condicin Y(b)=0, se tiene 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

Y por la propiedad de seno hiperblico de la sustraccin de dos nmeros (en este

caso: b e y), se tiene que:
An
An
n (b y )
senh

a
n b
Yn(y) =

y si se toma Hn = senh n b , entonces

senh

a
a
n (b y )
.
Yn(y) = H n senh
a

Aplicando el Principio Generalizado de Superposicin se puede afirmar que:

n x
n (b y )
H n senh
y asumiendo que Gn = Cn + Hn,
a
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

Evaluando la ltima condicin U(x;0)=f(x), se obtiene la igualdad:

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

aplicando el mismo razonamiento del ejemplo anterior basado en considerar que

f(x) es una funcin impar definida en el intervalo [-a;a], peridica con T=2,
a
2
n x
f ( x) sen
dx
a

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

Finalmente la solucin del PCIC es:

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

Transformar todo el PCI o PCF mediante la Transformada de Laplace.

166

Solucin de PCI con ED lineales de orden superior mediante Transformada de

Laplace.
n

La solucin de EDO lineales con coeficientes constantes

a
k 0

y (n) (t) b(t) ,

aplicando la Transformada de Laplace se realiza siguiendo los siguientes pasos:

y (n) (t) L b(t) ,

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

1. Se halla la transformada directa de la ED, es decir: L

2. Se resuelve dicha ecuacin algebraica obtenindose Y(s) =

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.

Sea la EDO: y(t) + 4y(t) = 2e-3t, con la condicin y(0)=1, con

Hallemos L y' (t) 4y(t) = Le -3t que aplicando se escribe:

L y' (t) +4 L y(t) = SY(s)-y(0) + 4 Y(s) =

(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

Aqu se nos presenta el segundo requerimiento del mtodo: Conocer mtodos

eficaces para hallar la transformada inversa.

167

2
1

( s 3)( s 4) s 4

Se puede descomponer21

2
2
1

( s 3) ( s 4) s 4

2
1

que son expresiones cuyas transformadas inversas son obvias.

( s 3) ( s 4)

Ahora, tenemos que: y(t) = 2e-3t e-4t.

Sea la EDO y(t) + 2 y(t) + 5 y(t) =0 con las condiciones

y(0)=2 y y(0)=-4, con t 0.
Hallando la TLD de toda la ED, se plantea:
L y' ' (t) + 2 L y' (t) + 5 L y(t) = 0.

Y(s) sy(0) y' (0) + 2 sY(s) y(0) + 5 Y(s) = 0

(s2 + 2s +5) Y(s) -2s = 0

(s2 + 2s +5) Y(s) =2s
Y(s) =

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

(t) y (n) (t) b(t) excepto en el caso en que a k (t ) t m , ya

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:

que la propiedad de que L t m f(t) (1) m

21
22

Descompuesto usando el Derive, versin 6.0 del 2003.

Para ms detalles, ver texto de Cspedes Hinojosa, pgina 211.

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

L t y' (t) (1)1

d sY(s) - y(0)
sY' (s) Y(s)
ds

L t 2 y' (t) (1) 2

L t y' ' (t) s 2 Y' ' (s) 2sY(s) y(0)

L t 2 y' ' (t) s 2 Y' ' (s) 4sY(s) 2Y(s)

d 2 sY(s) - y(0)
sY' ' (s) 2Y' (s)
ds 2

Veamos el siguiente ejemplo:

Sea la EDO: y(t) + a t y(t) + 2 a y(t) = 1, con las

condiciones y(0)=y(0)=0 y t 0.
Hallando la TLD de la ED se tienen que la misma puede ser transformada en la
s 2 3a
1
Y ( s )
, donde debemos hallar Y(s)

as
as

EDO de primero orden: Y ' ( s )

sabiendo que P(s)=

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

x' (t) 2x(t) 3y(t)

, con las condiciones x(0)=8, y(0)=3, t 0.

y' (t) y(t) 2x(t)

169

Aplicando TLD al SED se obtiene:

escribir:

sX(s) x(0) 2X(s) 4Y(s)

,

sY(s) y(0) Y(s) 2X(s)

(s 2)X(s) 3Y(s) 8
. Resolviendo formalmente

2X(s) (1)Y(s) 3

23

que se puede

el sistema se tiene que:

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

Aplicando la TLI, se obtiene la solucin en t:

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)

L t y t (x; t) = sY(x;s) y(x;0)

Usando el Derive, versin 6.0 del 2003.

170

L t y tt (x; t) = s2 Y(x;s) - s y(x;0) -

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

Al aplicar a la EDP la TL mediante estas expresiones, se obtiene una ED ordinaria en x

donde s es un parmetro. Veamos el siguiente:
Ejemplo:
Sea la EDP yt y xx donde 0<x< y t>0. Adems se cumplen las condiciones y(0,t) =
0; y(,t) = (t); y(x,0) = 4 sen(3x).
Aplicando a la EDP la TL respecto a t, se tiene Lt yt Lt y xx

que equivale

Y(x, s)
, que es una EDO
x2
2

(aplicando las relaciones anteriores) a: sY(x;s) - y(x;0) =

de segundo orden respecto a x (s es un parmetro) y se puede expresar como:

d 2 Y(x; s)
s Y(x; s) 4 Sen(3x)
d x2

La solucin de esta ED tendr sus constantes arbitrarias en funcin de s y es:

Y(x; s) A(s)e x s B(s)e x s

4
sen(3x)
s9

Puesto que y(0;t)=0 entonces Y(0;s)=0. Sustituyendo en la expresin anterior:

Y(0, s) A(s)e 0 s B(s)e 0 s

4
sen(3 0) 0 , de donde se deduce que B(s)=s9

A(s). La solucin de la ED se escribe ahora:

Y(x; s) A(s)e x s A(s)e x s

4
4
sen(3x) 2A(s) senh x s
sen(3x) ,
s9
s9

pero como A(s) es arbitraria, se puede escribir:

Y(x; s) A(s) senh x s

4
sen(3x)
s9

Dada la condicin y(;t) = (t), hallando la TL en ambos trminos de la igualdad e tiene

que Y(;s)=1. Sustituyendo en la expresin anterior:

Y( ; s) A(s) senh s

obtiene que A(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

La solucin se halla mediante la TLI de cada trmino de la igualdad:

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)

La Transformada de Laplace es un mtodo que no puede obviarse entre las herramientas

con que cuenta el ingeniero para resolver los problemas con condiciones iniciales y de
frontera a pesar de que su mayor efectividad est cuando las condiciones se dan para
t=0 (aunque mediante traslaciones pueden reescribirse favorablemente algunos casos
donde esto no sucede). Pero esto no basta porque la aplicacin de la transformada
inversa de Laplace es un clculo extremadamente complejo y generalmente se necesita
de mucho entrenamiento y en la mayora de las ocasiones de algn software para un
final exitoso.
c.

Utilizar un mtodo numrico aproximado para obtener una tabla de puntos de la

solucin particular de la ED o del SED con las condiciones iniciales y de contorno.
Los mtodos numricos estn entre los preferidos por muchos matemticos (son
mtodos hermosos e interesantes que se relacionan con las ms potentes teoras
matemticas y facilitan la experimentacin numrica) y por muchos ingenieros (se
implementan fcilmente en computadoras y conducen rpidamente a las soluciones).
Para entender los elementos bsicos de estos mtodos nos referiremos primero al
Problema de Cauchy

y' h( x; y)

( x0 , y0 f ( x0 ))

y luego veremos su extensin a los problemas

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

Frmula 185, pgina 479 del texto de Cspedes Hinojosa.

172

aproximacin sera grosera en dependencia de quien sea la funcin f(x,y), y de los

valores de x0, y0, xf. Sin embargo, se conoce que en la medida en que la distancia entre
x0 y xf sea menor la aproximacin mejora por lo que el sentido comn aconseja que se
tomen en el intervalo [x0;xf] varios puntos intermedios y que se calcule el valor de y en
cada uno de ellos a partir de los ya conocidos hasta que finalmente se calcule yf en xf.
Ejemplo.
Supongamos que queremos resolver para x=5 la ED y=sen(x)-y con la condicin y=-1
para x=-3. Si dividimos el intervalo [-3;5] en 16 subintervalos (incluyendo a los
extremos se tienen 17 puntos), entonces podemos intentar obtener el valor de y 1 para
x1=-0.5, luego el valor de y2 para x2=0 usando el punto (x1;y1), etc. Grficamente se
tiene:

Si se asume esta estrategia, entonces de lo que se trata es de encontrar frmulas

matemticas para encontrar nuevos puntos a partir de los anteriores.
Frmula de Euler: Esta es una de las frmulas ms simples que se conoce pero al
mismo tiempo es poco efectiva por su precisin. Su expresin algortmica est dada
por:
yi+1 = yi +h f(xi;yi) para xi+1
Donde generalmente se toma xi+1 = xi + h donde h es un valor fijo llamado paso.
Hay cuatro aspectos a considerar en el error que se comete en cada paso:
1.

El error cometido por la frmula en el paso.

2.

El error del paso anterior que se propaga al paso actual.

3.

La distancia h entre xi y xi+1.

4.

El comportamiento local de f(x;y).

La expresin analtica de este error es:

173

f
Ei+1 = 1 h y

( xi ; )

h d f ( x; y ( x ))

( ; y ( ))
dx
2

E i

Donde xi<<xi+1; yi<<yi+1.

Es necesario conocer sobre el mtodo un aspecto ms: es estable ante pequeos
cambios numricos de las condiciones iniciales y de los coeficientes de f(x,y)?
Este mtodo es estable condicionalmente en dependencia del tamao de la distancia h, o
sea, para algn valor suficientemente pequeo de h el mtodo es estable (un
razonamiento al respecto puede verse en Alvarez Blanco et. al., pgina 393).
Formula de Runge-Kutta de Segundo Orden (Euler Mejorado)
Su expresin algortmica est dada por:
yi+1 = yi +

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)

La expresin analtica del error en el paso i+1 es:

Ei+1 =

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

El error en este caso es del orden de h4.

II. Cuarto Orden
Su expresin algortmica est dada por:
yi+1 = yi +

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

El error en este caso es del orden de h5.

Nota: A medida que se aumentan los rdenes, los mtodos de Runge-Kutta son ms
precisos.
Ejemplo:
Veamos un ejemplo que nos permitir entender mejor que es en la prctica la precisin
y la estabilidad de un mtodo. Sea la ED y '

2( x 3 x)
con la condicin y(0)=1 y
y

queremos hallar la solucin para xf=0,4.

La solucin exacta, obtenida mediante mtodos analticos, es y f=1,16. Veamos una tabla
de los resultados que se obtienen para diferentes valores de h aplicando tres Mtodos de
Runge Kutta.
h
RK-2
RK-3
RK-4

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

Hay dos aspectos que pueden observarse:

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 disminuye h disminuye la diferencia con el valor exacto.

Segn aumenta el orden del mtodo, obtenemos mejor solucin para una misma
h.

Otros mtodos se basan en una estrategia correctiva de las soluciones:

Mtodo Predictor-Corrector de Adam-Moulton
La estrategia de este mtodo es obtener un valor inicial yi+1 para xi+1 (prediccin) y
luego refinarlo (correccin). Las frmulas son las siguientes:
Frmula Predictora:
y i01 y i

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

932 K 1 7200 K 2 7296 K 3

12h

;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

3544 K 3 1859 K 4 11K 5

8K1
h

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

b. Tomar R= 360 4275

75240
50
55
h

c. Tomar = 0.84

d. Si R entonces

La aproximacin es aceptada

y la solucin par el paso es

t th

25K1 1408K 3 2197 K 4 K 5

w

216 2565 4104 5

Si R> entonces

Si 0.1 entonces tomar h=

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.)

Mtodos numricos para el Problema de Cauchy con un SED de primer orden.

Muchos de los mtodos que resuelven los Problemas de Cauchy con ED de primer
orden pueden ser generalizados para SED de primer orden si nos percatamos de que los
SED son una generalizacin de estas ED. En otras palabras un SED con k=n ED se

177

Y ' h( x;Y )
puede describir tambin como
( x0 , Y0 )

pero en este caso Y(x)=(y1(x);;yn(x)) y

la condicin inicial puede escribirse como (x0;(y01;;y0n)).

El Mtodo de Runge-Kutta de Orden 2, por ejemplo, se generaliza para k=1,2,n
como:
y(i+1)k = y(i)k +

1
K1k K 2 k para xi+1
2

Donde:

xi+1 = xi + h.

K1k = h f(xi ; yi1; yi2;; yin)

K2k = h f(xi+h ; yi1+K11; yi2+K12;; yin+K1n)

Ejemplo:

Sea el SED

X ' Y t

Y ' t X

con las condiciones

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

Grficamente en un plano XY la solucin se muestra de la siguiente forma:

178

Uno de los problemas ms interesante que se investigan en los SED es la estabilidad

ante cambios de las condiciones iniciales. Para este SED si variamos al mismo tiempo
los valores de Xo y Yo desde -2 hasta 5 se obtiene el siguiente grfico que indica por si
mismo cuanta estabilidad se tienen en las soluciones para estas variaciones:

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 )
,

z' (t ) 1 t 3z(t ) 2ty(t )

y (0 ) 1
con las condiciones
.
z (0 ) 0

Aplicando, por ejemplo, el mtodo RK-2 se obtiene al mismo tiempo el valor de y y de

y para tf.
Nota:

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.

Mtodos numricos para Problemas de Contorno.

El Problema de Cauchy se caracteriza porque todas sus condiciones (llamadas iniciales)
estn dadas sobre un mismo punto. En los Problemas de Contorno o de Frontera las
condiciones se dan en dos o ms puntos
Ejemplo:
Sea la EDO F(x,y,y,y)=0 con una de los siguientes sistemas de condiciones:
a. y(a)=A ; y(b)=B
b. y(a)=A ; y(b)=B
c. y(a)=A ; y(b)=B
d. y(a)=A ; y(b)=B
e. y(0)=A ; y(+)=B

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 -1 = x0-h; x -2 = x0-2h; ; x -k = x0-kh

x n+1 = x0+(n+1)h; x n+2 = x0+(n+2)h; ; x n+k = x0 +(n+k)h

Y los puntos interiores no enteros se definen, por ejemplo, como:

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

Se define el operador diferenciales de orden 2 para tres nodos:

D 2h [y(x i )]

yi 1 2 yi yi 1
h2

Asimismo se definen los operadores diferenciales de orden 3 y 4 con cinco nodos:

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

En forma matricial este sistema es:

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.

Este problema se puede convertir en el SEL tridiagonal:

b0
a
1
0

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

Donde para i=0,1,,n-1:

1
i
2

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 )

Adems para i=0,1,,n-2:

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:

y + p(x) y(x) + q(x) y(x) = f(x).

a<x<b

1 y ( a ) 1 y ' (b) g1

2 y (a ) 2 y ' (b) g 2

184

Tomando xi = x0 + i h; i=0,1,,n; x0 = a; xn = b, se obtiene el SEL tridiagonal de orden

n+1:

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

... ... ...

0 ... a n -1

...

...
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:

Fi 2f(x i )h 2 , para i=0,1,,n.

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.

Y para i=0,1,,n se tiene que:

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

Modelacin usando las Ecuaciones Diferenciales.

Ecuaciones Diferenciales Ordinarias
Modelos para la Geometra.
Problema Inverso de la Tangente:
A.

La pendiente de la grfica de una curva y=f(x) en cada punto es la suma de x ms y.

Esto se escribe como:

B.

dy
x y
dx

La recta tangente a la grfica de y=g(x) en el punto (x,y) intercepta al eje OX en el

x
;0
2

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

Sea Y=AX+B la recta tangente y se cumple que A=

Sustituyendo Y=y, as como las expresiones de A y B en Y=AX+B, se obtiene

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.

La grfica de y=g(x) es perpendicular a todas las curvas de la forma Y=k+X 2 en su

interseccin (k es constante).
En este caso primero buscamos la derivada de Y=k+X2 y se obtiene Y=2X.
Sabemos que g(x) es perpendicular en su interseccin a Y=k+X 2 lo cual quiere decir
que el producto de las pendientes de las respectivas rectas tangentes es -1 en el punto
comn, o sea g(x) 2x = -1 o mejor: g(x)=

1
.
2x

La lnea tangente a la grfica de y=h(x) en el punto (x;y) pasa por el punto (-y;x).

186

La tangente a la curva en cada punto (x;y) es Y=AX+B donde A=h(x). Si adems

yx

sabemos que x = A (-y) + B entonces B = x + g(x) y; por tanto g(x)= y x .

Problemas de Trayectorias:
A.

Sea la familia de curvas G(x;y;A)=0 donde A R y constante. La familia de curvas

F(x;y;B)=0 donde B R y constante, tal que es constante el ngulo de interseccin de
las rectas tangentes a cada curva de una familia con las curvas de la otra familia. Si =

entonces se dice que ambas familias son ortogonales.

2

Para hallar la familia de curvas ortogonales a una familia de curvas

G(x,y,A)=0 debe encontrarse una ED que no contenga a A y cuya solucin sea
G(x,y,A)=0, la cual se puede expresar como H(x,y,y)=0. Ahora sustituimos y por

1
y al resolver la nueva ED se obtiene la familia de curvas ortogonal
y

F(x;y;B)=0.

Si la familia de curvas viene dadas en coordenadas polares G(;;A)=0,

entonces se realiza el mismo procedimiento pero se sustituye por

2
que

proporciona la nueva ED que permite obtener la familia ortogonal F(;;B)=0.

Si denotamos a k=tan() entonces la familia isogonal a G(x,y,A)=0 con un

y k

ngulo se obtiene con el mismo procedimiento pero sustituyendo y por 1 k y .

Modelos para la Mecnica
Si la trayectoria del desplazamiento de un cuerpo se describe mediante la funcin s(t)
entonces la velocidad de un cuerpo se describe como v(t)=

ds
. Cuando se conoce la
dt

expresin analtica de la velocidad o alguna relacin conocida de la misma, es posible

conocer la expresin de la trayectoria. Por ejemplo, si se sabe que la velocidad de un cuerpo
es proporcional al tiempo que lleva en movimiento entonces para t [0,tn] se tiene que
ds
kt y es posible determinar s(t).
dt

Tambin es bien conocida la relacin entre la aceleracin a y la velocidad: a=

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.

Sea un vehculo espacial que est cayendo libremente en la superficie de la Luna a

una velocidad de 1000 km/h. Cuando se encienden los cohetes de frenado se produce
una desaceleracin de 20000 km/h2, A qu altura deben encenderse estos motores para
garantizar que al tocar el suelo la velocidad sea nula?
En este caso denotaremos por x(t) la altura del vehculo espacial y v(t)=20000 t - 1000
su velocidad instantnea. Como v(t)=
La velocidad se anula para t=

dx
, entonces x(t) = 10000 t2 1000t + C.
dt

1000
=0,05 horas y si sustituimos este valor y x=0 en la
20000

ecuacin de la trayectoria, se obtiene C=25.

La respuesta es que los motores de frenado deben activarse a los 25 km de altura y la
nave se posar suavemente 3 minutos despus.
C.

Un cuerpo B de masa m que va cayendo (por ejemplo un hombre en paracadas)

encuentra una resistencia proporcional a su velocidad instantnea v(t). En este caso, por
la Segunda Ley de Newton: m a = m g k v, o sea:

dv k
v g o tambin
dt m

d 2 y k dy

g.
dx 2 m dx

D.

Cuando la masa de un objeto es variable, la Segunda Ley de Newton se escribe F=

d m(t )v (t )
. Sea un cohete lanzado al espacio con una masa m(t) que disminuye a
dt
medida que consume el combustible; si v(t) es la velocidad instantnea del cohete y V
es la velocidad constante de escape de los gases, se puede demostrar que
mg m

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.

El desplazamiento vertical x(t) de un cuerpo de masa m sujeto a un resorte se

modela utilizando dos leyes. Una de ellas ya la conocemos F=ma y la otra, llamada Ley
de Hooke plantea que la fuerza de restitucin de un resorte estirado es proporcional a su
alargamiento x(t). En ausencia de fuerzas de amortiguamiento u otras fuerzas entonces
d2x
k
la posicin del cuerpo puede ser descrito por
x(t ) donde k>0 es la
2
m
dt
constante del resorte.
Si se considera una fuerza de amortiguamiento que depende de la velocidad del cuerpo
mediante una constante B (constante de amortiguamiento) y se supone una fuerza
externa f(t) que fuerza el movimiento entonces se obtiene la ED:
d 2 x B dx k

x f (t ) .
dt 2 m dt m

G.

Sea un proyectil disparado con una velocidad inicial V0 y con un ngulo de

inclinacin . Suponiendo que la nica fuerza que acta sobre el proyectil es la de la
gravedad (despreciamos la fuerza del viento y la resistencia del aire), entonces el

proyectil se mueve segn el modelo:

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.

Supongamos un cuerpo C de masa m1 que cuelga de un resorte A (con masa

despreciable y fijado en el techo) de constante k 1 y sea D otro cuerpo de masa m 2 que
cuelga del cuerpo C mediante un resorte B (con masa despreciable) de constante k2. Si
denotamos como X1(t) al desplazamiento de C y como X2(t) al desplazamiento del
cuerpo D con respecto a sus respectivas posiciones de equilibrio, entonces este

fenmeno se modela mediante el SED

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

I. Se puede demostrar que la ED que rige el movimiento de torsin de un cuerpo

d 2 c d k
suspendido del extremo de una barra elstica es

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.

Sea un ro de ancho W=2a que fluye hacia el norte y la velocidad

del agua es mayor en el centro del ro y es nula en las orillas lo cual se puede expresar

como V=V0 1

x2
a2

donde V0 es la velocidad mxima del ro. Si un nadador parte del

punto (-a,0) para dirigirse al punto (a,0), sufrir una desviacin hacia el norte; si su
V
VS

velocidad es VS entonces el ngulo que se desva es arctan

tan( )

V
.
VS

Como adems:

tan( )

dy
V

dx VS

y por tanto

entonces, despejando V y

sustituyendo en la primera expresin de este ejemplo, se obtiene: VS

K.

x2
dy
=V0 1 2
a
dx

Un cable telefnico est tendido entre dos postes, si se conoce que

W es el peso del cable por unidad de longitud y que T es la tensin en el punto ms bajo
del cable, entonces la forma del cable est determinada por la solucin de la EDO:
d2y W

T
dx 2

dy

dx

190

L.

Sea una viga horizontal uniforme en su material y en su seccin

transversal que est sostenida en sus extremos por lo que su propio peso distorsiona el
eje longitudinal OX de simetra. Para investigar la curva de deflexin que se origina es
d4y
la solucin de la ED: EI
F ( x) , donde E es el Mdulo de Young del material de
dx 4
la viga, I es el momento de inercia de la seccin transversal y F(x) es la fuerza
descendente que acta verticalmente sobre la viga en el punto x. Las condiciones de este
problema dependen de la forma en que la viga se sostiene en sus extremos (para soporte
simple o articulado se tiene que: y=y=0 en ambos extremos; para soporte
interconstruido se tiene: y=y=0 en ambos extremos; para una viga voladiza: y=y=0
en el extremo libre).

M.

Para una viga ligeramente combada por una fuerza axial de

d2y
compresin P aplicada en ambos extremos se tiene el modelo EI 2 P y 0 , con
dx
y(0) = y(L) = 0.

N.

Sea una columna vertical uniforme fija en su base y tomemos x=0

en su extremo superior y x=L en su extremo a nivel del suelo. La desviacin angular de
la columna respecto a la vertical (pandeo de la columna) cumple con la ED:
d 2
EI
g x 0 , donde es la densidad de la columna y g es la aceleracin
dx 2
d

gravitacional. Las condiciones de frontera son (L)=0 y dx

P.

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

La Matriz de Rigidez es:

K=
k2
0
0
0
0
0
( k1 k 2 )

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 )

El vector de desplazamiento es:

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

Ahora el modelo se escribe: X=AX + Ew2 cos(wt) b. Los problemas ms graves se

producen cuando se producen fenmenos de resonancia (coincide w con las frecuencias de
oscilaciones de los edificios).
Modelos para la Electricidad
A.

En un circuito simple conectado en serie que consta de un inductor (de

inductancia igual a L), un resistor (de resistencia igual a R) y un capacitor (de
capacitancia igual a C), se cumple la segunda Ley de Kirchoff que dice que la suma de
las cadas de voltaje a travs de cada uno de los componentes del circuito es igual a la

192

tensin E(t) de la fuente. Si llamamos q(t) a la carga, la corriente I(t)=

dI (t )
q (t )
RI (t )
E (t )
dt
C
d q (t ) q (t )
d 2 q (t )
L
R

E (t ) .
2
dt
C
dt

cumple

B.

que:

que

se

puede

escribir

Una red elctrica con ms de un circuito elctrico da origen a un SED. Veamos

el siguiente ejemplo:

Por la Primera Ley de Kirchoff: I1 = I2 + I3.

Por la Segunda Ley de Kirchoff, en el circuito formado por los nodos

dI 2
A1B1B2A2A1 se tiene que E(t) = I1 R1 + L1
+ I2 R2.
dt

Por la Segunda Ley de Kirchoff, en el circuito formado por los nodos

dI 3
A1B1C1C2B2A2A1 se tiene que E(t) = I1 R1 + L2
dt

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

Las ecuaciones diferenciales de un transformador son:

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

electromotriz del primario, R1 es la resistencia y L1 es la inductancia del primario as

como R2 es la resistencia y L2 es la inductancia del secundario.
C.

Las lneas equipotenciales de un dipolo magntico se describen por la expresin

analtica x2 + y2 =Cx. Encuentre la expresin analtica de las lneas de fuerza del dipolo.

Modelos para temperaturas

A.

La ley de enfriamiento de Newton plantea que la tasa de cambio de la temperatura

T(t) de un cuerpo con respecto al tiempo t, es proporcional a la diferencia entre T(t) y la
temperatura A del medio ambiente cercano, o sea:

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

material, A es el rea en cm2 de la pared perpendicular al flujo y T(x) es la temperatura

a una distancia de x cm de esa superficie.
C.

Un problema tpico es el siguiente: Sea la pared de un frigorfico de 125 cm de

espesor, k=0.0025 y queremos hallar la la cantidad Q de caloras por hora que pasa por
un rea A=1 cm2 si adems se conoce que la temperatura en la superficie interior es de
00 y en la superficie exterior es de 400.

Modelos para Volmenes y Mezclas

A.

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

atendiendo a la relacin que se pueda establecer entre las variables V y h.

B.

Se disuelven B kg de sal comn en un gran tanque que contiene L litros de de agua.

Se bombea salmuera (C kg de sal por litro de agua) al tanque a razn de K litros por
minuto y luego de un mezclado adecuado se bombean a otro recipiente K litros por
minutos de la solucin, determine la cantidad de sal que hay en el tanque en cualquier
instante.

194

Sea A(t) la cantidad instantnea de sal en el tanque, en estos casos

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

N son respectivamente las partes de A y B que forman a C.

Por ejemplo, supongamos que para cada gramo de A se usan 4 gramos de B y al

principio hay a=50 gramos de A y b=32 gramos de B.
Para formar 1 gramo de X se necesitan
decir que

dX
x
4X

k 50 32
dt
5
5

1
4
gramos de A y
gramos de B, esto quiere
5
5

Modelos para Poblaciones

A.

Modelo del Crecimiento Natural de una Poblacin: La tasa de cambio en el tiempo

de una poblacin P(t) con ndices constantes de natalidad y mortalidad es en muchos
casos proporcional al tamao de la poblacin, es decir:

B.

dP
kP(t ) , donde k R.
dt

Cuando se conocen el ndice B(t) de natalidad y D(t) de mortalidad la ED se escribe

dP
B (t ) D (t ) P (t )
dt

Por ejemplo, si el ndice de nacimiento B es una funcin lineal decreciente de la

poblacin P, o sea: B(t) = a b P(t) donde a>0 y b>0. Si llamamos D al ndice constante
dP
a bP(t ) D P(t ) que se puede
dt
dP
aD
kP(t ) M P (t ) donde k=b y M=
escribir
. Ntese que con este modelo la
dt
b

de mortalidad entonces se tiene el modelo

poblacin est limitada en el tiempo ya que la solucin de la ED (conociendo la

MP0
poblacin inicial P0 es: P(t )
P0 ( M P0 ) e k M t

195

Una situacin algo diferente se da cuando el ndice de nacimientos B es constante y el

ndice de mortalidad es D(t) = a - b t. Este modelo podra servir para estudiar el
comportamiento de una poblacin canbal.
C.

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

Si el ndice de mortalidad es constante igual a D, entonces el modelo de la poblacin es:

dP
kP 2 (t ) DP (t ) kP(t ) P (t ) A , donde A>0.
dt

La solucin de este modelo depende del valor de la poblacin inicial P0:

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).

Si P0 < a entonces se produce una situacin de Extincin.

Modelo de la Desintegracin Radiactiva: Sea una muestra de una sustancia que

contiene en cada instante de tiempo t, un total de N(t) tomos de un istopo radiactivo.
Se conoce que durante cada unidad de tiempo, se desintegra espontneamente una
fraccin constante de N(t) transformndose en tomos de otro elemento o de otro
istopo del mismo elemento. El modelo que se tiene para estos casos es
dN (t )
kN (t ) donde el valor de k>0 depende del istopo radiactivo particular que
dt
se estudia.
Fechado mediante Radio Carbono
Este mtodo se basa en que una proporcin constante de cualquier organismo viviente
est formado por el istopo radiactivo C14 debido a que est proporcin es casi
constante en la atmsfera terrestre. Para el C14 el valor de k=0.0001216 (en aos) y si se
mide la cantidad de carbono en un material orgnico antiguo (muerto) se puede
determinar aproximadamente el nmero de aos que lleva muerto. Aunque este mtodo
no es exacto debido a las fluctuaciones de los rayos csmicos y a la contaminacin de
las muestras, es un mtodo que se acepta para obtener las primeras aproximaciones de
la edad de un fsil.

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

Modelos para la Economa

A.

Sea C(q) el costo total de la produccin de un producto y q la cantidad de producto

dC

obtenido. La variacin de C con respecto a q es una funcin de q, o sea: dq g (q) . A

dC
se le llama Coste Marginal.
dq
C

B.

Si definimos el coste medio como D= q entonces si se conoce la variacin del

dD

1 dC

f (q) .
costo medio como una funcin de q, o sea: dq f (q) , entonces:
q dq q

C.

Sea p el precio y q la cantidad de un producto, el ingreso se define como I=pq. Si se

conoce la elasticidad N(p,q) de la demanda entonces se cumple la relacin

D.

p dq
N ( p; q ) .
q dp
dI

entonces
E.

p dq

El ingreso marginal se define como dq y puesto que I=pq y q dp N ( p; q ) ,

dI
1
.
p 1
dq
N ( p; q )

La tasa de crecimiento en el tiempo del capital P (con un tipo de inters I) se define

como

dP
dP
P (t ) , donde es
. Si se conoce el valor inicial de P(0)=P0, entonces
dt
dt

la Constante Instantnea de Capitalizacin. La solucin de este Problema de Cauchy es

t
P(t) = P0 e .
Es usual buscar un tratamiento discreto de este proceso considerando que se capitalice
en m momentos de un ao. Para ello podemos hacer lo siguiente consideracin:

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

Simplificando se escribe P(t) =

constante entonces P(t) =

1
P(t)= P0 mlim

m

P0 lim 1
m
m

j
P0 1
m

y si consideramos a m como una

donde es conveniente nombrar j= por ser

ahora una Constante llmada de Inters Nominal.

t
Si se hace una sola capitalizacin con inters i=j entonces: P(t) = P0 1 i .

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.

El Modelo de Expansin del Capital de Domar tiene la EDO: I (t ) P (t )

dI 1
,
dt C (t )

donde I(t) es la inversin que se realiza, P(t) es la productividad de la inversin y C(t)

es la propensin marginal al consumo.
Modelos de la Ecologa
Presas y Depredadores
Supngase dos especias: los depredadores D y las presas P (que consumen otro alimento
que abunda). Se dan las siguientes situaciones:

En ausencia de la especie D, la poblacin P crecera mediante el modelo

dP
AP (t ) , donde A>0.
dt

En ausencia de la especie P, la poblacin D decrecera mediante el modelo:

dD
CD (t ) , donde C>0.
dt

Cuando coexisten ambas especies, se presentan interacciones que dependen de los

encuentros entre miembros de cada especie lo cual depende de la cantidad actual de
miembros de cada especie. Esto se expresa por D(t)P(t) e influye de manera decreciente
en las presas y de manera creciente en los depredadores, es decir:

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

Ahora tenemos a dos especies X e Y compitiendo por los alimentos disponibles y

supongamos que en ausencia de la otra especie, la poblacin de cada especie tendr una
dX
2
dt a1 X b1 X
poblacin limitada que se describe por las EDO independientes:
donde
dY
2

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.

Se conoce experimentalmente que la intensidad I de la luz a una profundidad de x

metros en el agua satisface la ED

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

La Ley de Gravitacin Universal de Newton asegura que dos objetos de masas M y

M m
m, separados por una distancia r se atraen mutuamente por una fuerza F= k 2
r
donde k es la Constante de Gravitacin.
Si se considera el origen de coordenadas en el Sol y que el plano del movimiento de la
Tierra alrededor del Sol es XY, entonces aplicando la Segunda Ley de Newton F = m a

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:

El flujo de calor se produce solamente en la direccin x.

No se pierde calor a travs de la superficie lateral de la varilla.

No se genera calor en la varilla.

La varilla es homognea, o sea su densidad por unidad de longitud es constante.

Su calor especfico y su conductividad trmica es constante.

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

0 < x < L; t > 0.

U(0,t) = U(L,t) = 0 para t > 0.

U(x,0) = f(x), para 0 < x < L
B.

Si aislamos los extremos de una varilla horizontal de longitud L y su

temperatura inicial longitudinal es f(x), entonces el problema se plantea como:

200

2U U
, con k>0;

t
x 2

U
x

X 0

0;

U
x

X L

0 < x < L; t > 0.

0;

para t > 0

U(x,0) = f(x), para 0 < x < L

C.

Si se intercambia calor con el medio exterior a travs de la superficie lateral de

2U
U
la varilla, entonces la EDP toma la forma: k 2 hU
, donde h es una
t
x
constante.

D.

Se ha observado que si la varilla est aislada lateralmente con una temperatura

inicial U(x,0)=f(x) y que tiene temperaturas fijas en los extremos U(0,t)=A y U(L,t)=B,
entonces cuando t , la funcin U(x,t) tiende a una temperatura estacionaria UE(x).

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;

0 < x < L; t > 0.

para t > 0

U(x,0) = f(x)-UE(x) , para 0 < x < L

E.

Si en la varilla lateralmente aislada del inciso A, se genera calor segn la

ecuacin Q(x,t) caloras por segundo por cm 2, la ED se escribe:
2U Q( x; t ) U
donde C es una constante positiva. Si en vez de generarse, el
k

C
t
x 2
calor se pierde entonces C es negativa.

F.

Problema de Dirichlet: Tenemos una placa rectangular metlica de ancho a y

alto b. Sea U(x,y) la temperatura en cada uno de sus puntos (no vara en el tiempo) y
supongamos que la placa tiene definida en cada punto de una regin cerrada R una
temperatura. El modelo de este problema es:
2U
2U

, con k>0;
2
x
y 2

(x,y) R.

201

U(x,0) = f1(x);

U(x,b) = f2(x), para 0 < x < a.

U(0,y) = g1(y);

U(a,y) = g2(y), para 0 < y < b.

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.

Se tiene una placa rectangular metlica de ancho a y alto b. Sea U(x,y) la

temperatura en cada uno de sus puntos (no vara en el tiempo) y supongamos que la
placa est aislada en sus lados laterales y la temperatura en su frontera inferior es 0 y en
su frontera superior es f(x). El modelo de este problema es:
2U
2U

, con k>0;
x 2
y 2

0 < x < a; 0 < y < b.

U
x

0;

X 0

0;

U
x

X a

para 0 < y < b

U(x,0) = 0; U(x,b) = f(x), para 0 < x < a

H.

Modelo de la distribucin de temperatura en una pila de mineral

Para encontrar la ecuacin que caracteriza la distribucin de temperatura T (y,) de las

menas laterticas se aplica el primer problema general de contorno a la conduccin del
calor en estado transitorio, segn las recomendaciones realizadas por Tijonov y
Samarsky (1980):
T m Tyy f y ,

(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)

Ahora se introduce una nueva funcin incgnita v y, , segn la ecuacin:

202

v y, T y, U y,

(7)

Donde:
U y, 1

y
2 1 To y Ts To
l
l

(8)

Luego el problema se convierte en:

y dTs
y dTs

m 0
l
d

l d

v m v yy f y, U m u yy 0

(9)

Con las condiciones:

v y ,0 y U y ,0 y To
v 0, 0

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)

Se designa la funcin g y, a travs de la ecuacin:

g y,

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

Sustituyendo 11 y 12 en la ecuacin diferencial resulta:

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

Luego se obtiene que:

vn

n 1

n
n
sen
y m v n

l
n 1

n
n
sen
y g n sen
y
l

n 1

Simplificando la ecuacin anterior resulta:

(14)

(13)

203

n n
y
l
l

m vn vn g n 0

n 1

sen

(15)

Esta condicin se satisface si para todo n 1,2,..., se cumple que:

n

vn m

vn g n

(16)

Ntese que se trata de encontrar vn como solucin de la ecuacin diferencial 16.

Recordando que:
v y ,0

y
To Ts 0
l

Se sustituye en la ecuacin 11 y se obtiene:

v n 0

n 1

y
n
y To Ts 0
l
l

sen

(17)

Y por tanto por el concepto de Serie de Fourier:

v n 0

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)

Ahora se resuelve la ecuacin diferencial 16 con la condicin 18. Dicha ecuacin

diferencial es lineal de primer orden cuya forma general es:
vn M vn N

Y su solucin es:
M d
vn e

N e

M d

d C

Siendo en este caso:

n

M m

N g n

La solucin de la ecuacin 16 con la condicin 18 es:

204

vn 2 e

2 m n 2

l2

2 m n 2

l2

cos n 0

dTs ( )
d Ts (0) To
d

(19)

Finalmente se sustituye la expesin 19 en 11 y se obtiene:

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)

Despejando T y, en la ecuacin 7 y sustituyendo v y , y U y , por sus

respectivas expresiones 20 y 8, se obtiene:

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:

La cuerda es perfectamente flexible.

La cuerda es homognea, o sea, su masa por unidad de longitud es constante.

Los desplazamientote de Y son pequeos comparados con L.

La tensin de la cuerda es constante y es grande en comparacin con la

gravedad.
. No actan otras fuerzas sobre la cuerda.

Entonces si la configuracin inicial de la cuerda es f(x) y la velocidad inicial de la

cuerda es g(x), se tiene el siguiente modelo:
a2

2Y 2Y
2 ,
x 2
t

con

0 < x < L;

t > 0.

Donde a es una constante que depende de las caractersticas de la cuerda.

Y(0;t) = 0;
Y(x;0) =f(x);

Y(L;t) = 0,
Y
t

para t 0.

g ( x)
t 0

para 0 < x < L

205

B.

Si en el caso anterior las vibraciones se producen en un medio que opone una

resistencia proporcional a la velocidad instantnea entonces la EDP toma la forma:
a2

C.

2 Y 2Y
Y
2 b2
2
t
x
t

Si en el movimiento de la cuerda se tiene en cuenta la fuerza de la gravedad

2
2Y
2 Y
entonces la EDP se escribe: a
g 2 .
x 2
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

2 es la energa total de un electrn en reposo.

La probabilidad de encontrar al electrn en un pequeo volumen V alrededor del
punto (x;y;z) es aproximadamente igual a ( x; y; z ) 2 V
B.

La funcin potencial de velocidad U(r,) para el flujo estacionario de un fluido

ideal alrededor de un cilindro de radio r=a satisface el problema con valores en la
frontera:
r 2U rr rU r U 0

Ur(a,) = 0;

C.

para r>a.

U(r,) = U(r,-);

limU (r ; ) U 0 r cos( ) 0
r

Una barra tiene longitud L, densidad , rea de la seccin transversal A, Mdulo

de Young igual a E y masa M=AL. Su extremo x=0 est fijo mientras un cuerpo P de
masa m est sujeto al final de la barra.
La barra es estirada linealmente en direccin positiva de x, movindose el cuerpo P a
una distancia d=bL y en el instante t=0 se suelta.
Para determinar las subsecuentes vibraciones de la barra se plantea el modelo:

206

a 2U xx U tt , para 0 < x < L; t>0.

U(0,t) = 0;
U(x,0) = b x;
D.

mUtt(L,t) = - A E Ux(L,t)
Ut(x,0)=0

Una barra elstica uniforme en la que el movimiento de cada punto no es

longitudinal sino perpendicular al eje OX, Si E es el Mdulo de Young, es la densidad
lineal de la barra e I es el momento de inercia, entonces si la barra se pone en
movimiento a partir de una posicin inicial dada f(x), se tiene el modelo:
a 2Yxxxx Ytt 0 , donde a4 =

EI

, 0 < x < L, t>0

Y(0,t) = Yxx(0,t) = Y(L,t) = Yxx(L,t) = 0

Y(x,0) = f(x); Yt(x,0) = 0.
E.

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

donde es la velocidad del agua.

2
t
x
x

G.

La temperatura instantnea en una placa rectangular de rea a b se describe por

U(x,y,t) en la EDP: U t k U xx U yy donde:

H.

U(0;y;t) = U(a;y;t) = U(x;0;t) = U(x;b;t) = 0

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

concentracin inicial C(r;z;0)=C0, la concentracin superficial es C(2;z;t)=C(r;10;t)=C S

y, como la base est aislada, se tiene que: C(r;0;t)=0.

208

Captulo 4: Modelacin de Sistemas

Conceptos Bsicos
Veamos la definicin de Sistema segn las propuestas por varios autores:
1. Segn Ferdinand de Saussure (1931):
"Sistema es una totalidad organizada, hecha de elementos solidarios que no pueden ser
definidos ms que los unos con relacin a los otros en funcin de su lugar en esa
totalidad."
2. Segn L. von Bertalanffy (1968):
"Un sistema es un conjunto de unidades en interrelacin."
3. Mario Bunge (1979):
Sistema es una terna ordenada [C(), E(), S()] en la que:

C() (composicin de ) representa el conjunto de partes de .

E() (entorno o medio ambiente de es el conjunto de aquellos elementos que, sin

pertenecer a C(), actan sobre sus componentes o estn sometidos a su influencia.

S() (estructura de ) es el conjunto de relaciones y vnculos de los elementos de

C() entre s o bien con los miembros del entorno E().
4. Segn IEEE Standard Dictionary of Electrical and Electronic Terms:
"Sistema es un todo integrado, aunque compuesto de estructuras diversas, interactuantes
y especializadas. Cualquier sistema tiene un nmero de objetivos, y los pesos asignados
a cada uno de ellos pueden variar ampliamente de un sistema a otro. Un sistema ejecuta
una funcin imposible de realizar por una cualquiera de las partes individuales. La
complejidad de la combinacin est implcita."
5. Segn Estndar X3.12-1970 (ANSI), Estndar 2382/V, VI (ISO) Vocabulary for
Information Processing:
"Sistema es una coleccin organizada de hombres, mquinas y mtodos necesaria para
cumplir un objetivo especfico."
De las definiciones se pueden extraer aspectos fundamentales de los Sistemas:
A. Se crea con un objetivo preciso. Este objetivo condiciona al sistema, as como a su
actividad y a su conformacin interna
B. Tiene una estructura interna (ordenamiento, interconexiones e interrelaciones,
fenmenos y procesos). Esta estructura es lo que integra y une las partes.
C. Los elementos que lo forman estn ordenados en el espacio y el tiempo
D. En el sistema ocurren relaciones entre los distintos elementos estructurados los cuales
aportan formas de flujos materiales, energticos, financieros o informticos

209

E. Adems de las visiones espaciales y temporales de las relaciones que se establecen

entre los elementos de un sistema, existen otros enfoques de estas relaciones:

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

Esenciales y no esenciales: Las primeras son imprescindibles para mantener el

funcionamiento, las segundas son prescindibles aunque pueden influir en el sistema

Necesarias y casuales

Armnicas y contradictorias.

F. La complejidad de la estructura depende del objetivo del sistema

G. Los sistemas interactan con el medio y adems son influidos por este. Atendiendo a su
comunicacin con el medio, pueden ser cerrados, relativamente cerrados, relativamente
abiertos y abiertos
H. Todos los sistemas cibernticos se clasifican como sistemas autogobernados o de
direccin
I. Los sistemas cibernticos poseen caractersticas homeostticas, es decir, son capaces de
conservar la estabilidad de sus parmetros fundamentales pese a los cambios del medio
J. Los sistemas pueden ser descrito por un conjunto de variables que reflejan
determinadas propiedades de los elementos del mismo
K. Entre el sistema y el medio y a la vez entre los diferentes subsistemas existen canales a
travs de los cuales se transmite informacin
L. La organizacin o acoplamiento de los subsistemas de un sistema se realiza a partir de
tres tipos de flujos fundamentales: secuenciales, en paralelo y retroalimentacin.
El Anlisis de Sistemas trata bsicamente de determinar los objetivos y lmites del sistema
objeto de anlisis, caracterizar su estructura y funcionamiento, marcar las directrices que
permitan alcanzar los objetivos propuestos y evaluar sus consecuencias. Dependiendo de
los objetivos del anlisis se pueden encontrar dos problemticas distintas:

Anlisis de un sistema existente para comprender, mejorar, ajustar y predecir su

comportamiento.
Anlisis como paso previo al diseo de un nuevo sistema-producto.

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.

Anlisis funcional: Describe acciones y transformaciones que tienen lugar en el

sistema, las cuales se describen como funciones que reciben entradas y producen
salidas.

210

Anlisis de condiciones (o constricciones): Debe reflejar todas las limitaciones

impuestas al sistema que restringen el margen de las soluciones posibles. Estas se
derivan a veces de los propios objetivos del sistema:
o
o

Operativas: restricciones fsicas, ambientales, de mantenimiento, de

personal, etc.
De calidad: fiabilidad, mantenibilidad, seguridad, convivencialidad, etc.

En ciertos casos se presentan limitaciones en los recursos utilizables:

o

Econmicos, reflejados en un presupuesto.

Temporales, que suponen unos plazos a cumplir.

Humanos.

Metodolgicos, que conllevan la utilizacin de tcnicas determinadas.

Materiales, como espacio, herramientas disponibles, etc.

Construccin de modelos: Una forma habitual y conveniente de analizar un

sistema consiste en construir un prototipo (un modelo material o conceptual) del
mismo.

Validacin del anlisis: A fin de comprobar que el anlisis efectuado es correcto y

evitar la posible propagacin de errores, en la fase de diseo es imprescindible
proceder a la validacin del mismo. Para ello se verifica que:
o
o

El anlisis debe ser consistente y completo.

Si el anlisis se plantea como un paso previo para realizar un diseo, habr
que comprobar adems que los objetivos propuestos son correctos y realizables.

Modelacin de Sistemas en Ingeniera

Un sistema en cualquier ingeniera es un conjunto complejo de estructuras tecnolgicas
diversas, interactuantes y especializadas, integradas en un todo que tiene ciertos objetivos
generalmente relacionados con tareas de optimizacin de diseo y explotacin.
La modelacin de estos sistemas generalmente se realiza mediante prototipos o mediante
modelos matemticos. Son estos ltimos los que interesan en esta exposicin.
En primer lugar son de inters los sistemas fsicos lineales que pueden ser representados
mediante ecuaciones diferenciales lineales. En estos casos es posible representar las
caractersticas dinmicas del sistema mediante una funcin que se obtiene usando la
Transformada de Laplace y que permite representar la respuesta del sistema cuando se
produce una entrada a travs de las variables independientes. A esta funcin Y(s) se le
conoce como Funcin de Transferencia.
Todos los sistemas con funciones de transferencia semejantes tendrn semejantes respuestas
ante las excitaciones.
Las caractersticas dinmicas de un sistema tambin pueden estudiarse mediante la
Transformada de Fourier o sea en el dominio de las frecuencias.

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.

Por ejemplo, sea la ecuacin diferencial

dy
y a x que representa indistintamente un
dt

sistema mecnico o un sistema elctrico.

Suponiendo condiciones iniciales nulas y aplicando la Transformada de Laplace a la
ecuacin diferencial, se obtiene:
s Y ( s) Y ( s) a x( s)

Que se puede escribir:

Y (s)

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

El trmino G ( s ) 1 s se denomina Funcin de Transferencia. En el dominio de

Laplace se tiene que:

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

Es obvio que este sistema es semejante al anterior. Ahora

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

Sistemas de Cero Orden

Son aquellos en los que la salida es proporcional a la entrada, es decir y = a x. Desde el
punto de vista dinmico son los ms simples ya que sale un valor proporcional a lo que
entra. Para estos sistemas G(s) es una constante.
Un ejemplo puede ser el anterior si se considera que I es pequeo.
Sistemas de Primer Orden
Son descritos por ecuaciones diferenciales lineales de primer orden y tambin se les
denomina sistemas de una constante de tiempo. Su ecuacin bsica es:

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

Sistemas de Segundo Orden

La ecuacin diferencial en este caso tiene la forma:
d2y
dy
d 2x
dx
2

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

La funcin de transferencia (asumiendo condiciones iniciales nulas) es:

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.

Si >1, ambas constantes son reales. (Sistema sobreamortiguado)

Si =1, ambas constantes son reales e iguales. (Sistema crticamente amortiguado)

Si <1, ambas constantes son complejas. (Sistema subamortiguado)

Sistemas de Orden Superior

La forma general es:
kn

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

La funcin de transferencia se obtiene de manera semejante aplicando la Transformada de

Laplace asumiendo condiciones iniciales nulas.
Respuestas de los Sistemas Lineales en el Dominio del Tiempo
En nuestro anlisis trabajaremos con el caso donde a 2=0 en la ecuacin diferencial

dy
dx
y a1 x a2
.
dt
dt

O sea:

dy
y a1 x
dt

Respuesta de un Sistema de Primer Orden a un Impulso

Un impulso es un concepto matemtico que representa excitaciones de muy pequea
duracin. Su definicin se basa en la funcin impulso unitario uo(t).

214

Un sistema es estable si su salida es limitada en el tiempo cuando la entrada es limitada en

el tiempo. El modo mas sencillo de verificar si un sistema es estable es someterlo a un
impulso x(t)=Iuo (donde uo es el impulso e I es la magnitud del impulso).
En este caso:
a1 I

Y(s) = G(s) X(s) = 1 s .

Aplicando la antitransformada:

y(t) =
Ntese que si t tiende a infinito, y(t) tiende a

a1 I

a1 I

Respuesta de un Sistema de Primer Orden a un paso

Un paso es una seal que se puede aplicar experimentalmente porque representa una
demanda sbita y se espera que el sistema responda adecuadamente. El paso se representa
como x(t)=xou-1(t), donde xo es la amplitud del paso. En este caso:
xo

a1

Y(s) = G(s) X(s) = 1 s S

a I xo
s 1 s

Aplicando antitransformada de Laplace:

y(t) = xoa1 1 e t

Al valor 3 se le denomina tiempo de asentamiento o tiempo de respuesta. As, mientras

mayor se este parmetro, ms se demora el sistema en alcanzar su valor final xoa1.
Respuesta de un Sistema de Primer Orden a una rampa
Una excitacin en forma de rampa tiene la forma x(t)=mt, donde m representa la pendiente
de la rampa. En este caso:
Y(s) = G(s) X(s) =

ma1
s 1 s

Aplicando antitransformada de Laplace:

t

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

fciles de encontrar si se siguen los procedimientos descritos anteriormente.

215

A continuacin veremos las respuestas de los sistemas lineales de segundo orden a

impulsos, escalones y rampas. Para ello recordemos que en este caso:
G(s)

2
1
s a3 2 s 2

w
(1 1s )(1 2 s)

a1 a2

Respuesta de un Sistema de Segundo Orden a un Impulso

Puesto que x(t)= Iuo, entonces:
Y ( s)

2
1
s a3 2 s 2

w
I
(1 1s )(1 2 s)

a1 a2

Apliquemos antitransformada de Laplace diferenciado los casos:

1.

Caso Subamortiguado (<1)

y (t )

2.

Ia1
1

sen 1 2 t

Caso crticamente amortiguado (=1):

y (t ) Ia1 2 t e t

3.

Caso sobreamortiguado (>1):

y (t )

Ia1
2 1

2 t

e 1 t

Respuesta de un Sistema de Segundo Orden a un Paso

1.

Caso Subamortiguado (<1)

e t
y (t ) xo a1 1
sen 1 2 t
2
1

Donde arctan

2.

3.

1 2

Caso crticamente amortiguado (=1):

y (t ) xo a1 1 t e t e t

Caso sobreamortiguado (>1):

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)

En los sistemas elctricos se tienen las componentes: inductancias, resistencias y

capacitancias.

Respectivamente se tiene en cada caso que:

Tomando condiciones nulas se tiene para las tres componentes que:

217

Y se puede demostrar entonces que: Z R ( s) R ; Z L ( s) L s ; Z C ( s ) C s

Ley de la Impedancias Elctricas en Serie:
La impedancia equivalente a varias impedancias en serie se calcula sumndolas todas, o
sea:Z(s) = Z1(s) + Z2(s) + Z3(s) + + Zn(s)
Ley de la Impedancias Elctricas en Paralelo:
La impedancia equivalente a varias impedancias en paralelo se calcula:
Z ( s)

1
1
1
1

...
Z1 ( s ) Z 2 ( s )
Z n (s)

Veamos esto en un circuito elctrico simple.

Ejemplo A:
Sea un circuito elctrico con una fuente E(t), una resistencia de valor constante R y una
inductancia de valor constante L. Segn la Ley de Kirchov:
L

d i (t )
R i (t ) E (t )
dt

Que se puede escribir:

L d i (t )
1
i (t ) E (t )
R dt
R

Comparando con la ecuacin:

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

Z e ( s ) Z 1 ( s ) Z 2 ( s) R L s . Ntese que por esta va tambin se obtiene que:

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

Comparando con la ecuacin:

d2y
dy
d 2x
dx
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

La expresin de G(s) se obtiene sustituyendo los valores conocidos en la expresin:

219

G(s)

2
1
s a3 2 s 2

(1 1s )(1 2 s)

a1 a2

16

(1 0.5080666151 s )(1 31.49193338s )

16 s

16
32 s + 1

Si aplicamos el concepto de impedancia tendremos que:

1
Rs L s 2 . Ntese que por esta va se obtiene que:
C
1
1
1
16
G( s)

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)

Si antitransformamos, segn Laplace, se obtiene la expresin q(t) en funcin de E(t) .

Impedancia Mecnica y las Analogas Fuerza-Voltaje y Fuerza-Corriente

Se puede definir una impedancia mecnica Z ( s )

f (s)
, donde f(s) es la fuerza que pasa
v( s)

travs de cierto componente mecnico y es el anlogo mecnico de la fuente elctrica e(s).

Asimismo v(s) es la diferencia de velocidades entre sus extremos y es el anlogo mecnico
de la corriente elctrica i(s). Z(s) es una medida de la resistencia que ofrece un cuerpo a
moverse cuando se le aplica una fuerza.
En particular:
k
s
Z (s) c

Para un resorte de constante k, se tiene que: Z ( s)

Para un amortiguador viscoso de parmetro c:

Para una masa de parmetro m: Z ( s ) m s

220

Para las impedancias mecnicas se cumplen:

Ley de la Impedancias Mecnicas en Paralelo:
La impedancia equivalente a varias impedancias en paralelo se calcula sumndolas todas, o
sea:
Z(s) = Z1(s) + Z2(s) + Z3(s) + + Zn(s)
Ley de la Impedancias Mecnicas en Serie:
La impedancia equivalente a varias impedancias en serie se calcula:

Z ( s)

1
1
1
1

...
Z1 ( s ) Z 2 ( s )
Z n (s)

Veamos el siguiente ejemplo.

Se tienen dos resortes en serie k1 y k2 sometidos a la fuerza f. Las cantidades y1 y y2
representan los desplazamientos de los puntos B y C respectivamente. Tambin se presenta
un resorte equivalente ke sometido a la misma fuerza y donde y2 es el desplazamiento del
mismo

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

O sea, se cumple Ley de la Impedancias Mecnicas en Serie. En la prctica hubiera sido

fcil calcular ke si se conocen k1 y k2.
Ahora podemos decir que:
Z e ( s)

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

Se define a la Movilidad o Admitancia como el inverso de la impedancia que se interpreta

como la velocidad por unidad de fuerza y se da en m/(N s).
En particular:
s
k

Para un resorte de constante k, se tiene que: M ( s )

Para un amortiguador viscoso de parmetro c: M ( s )

Para una masa de parmetro m: M ( s ) m s

1
c

En este caso se cumplen las siguientes leyes:

Ley de la Admitancias Mecnicas en Serie:
La impedancia equivalente a varias admitancias en serie se calcula sumndolas todas, o sea:
M(s) = M1(s) + M2(s) + M3(s) + + Mn(s)
Ley de la Admitancias Mecnicas en Paralelo:
La admitancia equivalente a varias admitancias en paralelo se calcula:
M (s)

1
1
1
1

...
M 1 ( s) M 2 (s)
M n ( s)

El estudiante puede verificar que los siguientes sistemas son equivalentes:

223

La ecuacin diferencial del sistema mecnico es:

f (t ) ky 'cy my ' ' o tambin:

dv
cv k vdt f (t )
dt

Y la del sistema elctrico es:

i i1 i2 i3 o tambin:

de 1
1
e edt i (t )
dt
R
L

Sistemas Fluidos y la Analoga Presin-Voltaje

En un sistema fluido, la variable q(t), llamada flujo volumtrico, es equivalente a la
variable i(t) de un sistema elctrico. De manera semejante, la presin P(t) es equivalente a
la fuente elctrica e(t).

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

Donde A es el rea de la seccin transversal; l es la longitud del tubo y es la viscosidad

del medio.
La cada del potencial elctrico a travs de una inductancia es L
fluido es: L f

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

circular se tiene que L f A g , donde g es la aceleracin de la gravedad y es el peso

especfico.
Finalmente tenemos que la cada del potencial elctrico en una capacitancia es
1

1
C

i (t )dt .

Para un sistema fluido se tiene: pab C q (t )dt = C V (t ) , donde Cf representa la

f
f
capacidad fluida y V(t) es el volumen en cada instante de tiempo. Veamos el siguiente
ejemplo:

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

Dado que pab C V (t ) , entonces C f

.
pab
h
f

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

Conduccin trmica. Rt k A , donde l es la longitud de la trayectoria de

t
conduccin, A es el rea de la seccin transversal de la trayectoria de conduccin y k t
es el coeficiente de conductividad trmica.

Frontera entre un slido y un lquido y un gas. Rt U A , donde U es el coeficiente

de pelcula (coeficiente de traspaso de calor)

Para un sistema trmico, la cada de potencial a travs de un cpacitor trmico es

ab

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.

En esto caso se tiene que Z ( s )

Almacenadores y Disipadores de Energa

Las variables de los sistemas descritos se pueden clasificar en dos tipos llamados A
(variables de esfuerzo) y T (variables de flujo) que se representan en la siguiente tabla:

En cada sistema se pueden definir las Impedancias de la siguiente forma:

227

En los sistemas elctricos, fluidos y trmicos se cumple que:

Ley de la Impedancias en Serie (sistemas elctricos, fluidos y trmicos):
La impedancia equivalente a varias impedancias en serie se calcula sumndolas todas:
Z(s) = Z1(s) + Z2(s) + Z3(s) + + Zn(s)
Ley de la Impedancias en Paralelo (sistemas elctricos, fluidos y trmicos):
La impedancia equivalente a varias impedancias en paraleo se calcula:
Z ( s)

1
1
1
1

...
Z1 ( s ) Z 2 ( s )
Z n (s)

Mientras que en los sistemas mecnicos se cumple que:

Ley de la Impedancias Mecnicas en Paralelo:
La impedancia equivalente a varias impedancias en paralelo se calcula sumndolas todas:
Z(s) = Z1(s) + Z2(s) + Z3(s) + + Zn(s)
Ley de la Impedancias Mecnicas en Serie:
La impedancia equivalente a varias impedancias en serie es:

228

Z ( s)

1
1
1
1

...
Z1 ( s ) Z 2 ( s )
Z n (s)

En todos estos sistemas se define la Potencia P:

Sistems Elctricos: P i e . O sea: el producto de la corriente por el voltaje
(diferencia de potencial).
Sistems Mecnicos: P f v . O sea: el producto de la fuerza por la diferencia de
velocidades entre sus extremos.
Sistemas Fluidos: P q p . O sea: el producto del flujo volumtrico q por la cada de
presin p.
Sistemas Trmicos: P q . O sea: la potencia coincide con el flujo trmico.
Nota: Debemos notar que P=A T, excepto en los sistemas trmicos donde P=T.
Para todos estos sistemas el Trabajo se obtienen como la integral de la potencia:
W P (t )dt . Recordemos que la Energa (representado por E) es la capacidad para
realizar trabajo y son magnitudes que se dan en las mismas unidades.
En estos sistemas hay elementos que almacena energa (Almacenadores) y elementos que
disipan energa (Disipadores). Veamos una tabla con los elementos almacenadores:

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

Ahora se pueden obtener las impedancias siguientes:

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

Si resolvemos ese sistema se obtiene:

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

Y sustitutendo las correspondientyes expresiones de las impedancias se obtienen las

corrientes en funcin de s. Para obtener las corrientes en funcin de t se procede a obtener
las antitransformadas de Laplace.
Ahora puede obtenerse la potencia del sistema eltrico: P (i1 i1 i1 ) e y calcular la
energa del sistema: E P (t )dt
EJEMPLO 2:
Sea un mecanismo mecnico donde intevienen la fuerza f(t); las masas m 1 y m2; los
amortiguadores viscosos c1 y c2; y los resortes k1, k2 y k3, interactuando de la siguiente
forma (ntese que se producen los desplazamientos y1; y2; y3):

Con este fin puede usarse la analoga fuerza-voltaje y escribir el circuito elctrico
correspondiente. Primero podemos observar las analogas entres sus componentes:

232

Para describir el circuito correspondiente al sistema mecnico es conveniente recordar que

los elementos del sistema mecnico que estn en paralelo, deben ponerse en serie en el
circuito elctrico y viceversa. Por ello:

k1 y c1 que estn en paralelo, se colocarn en serie.

m2, k3 y c2 que estn en paralelo, se colocarn en serie.

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:

Ahora tambin se pueden obtener las impedancias siguientes:

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)

Y por tanto la solucin para este caso es:

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

Aqu tambin puede obtenerse la potencia del sistema mecnico: P (v1 v2 v3 ) e y

calcular la energa del sistema: E P (t )dt
EJEMPLO 3:
Sea un sistema hidrulico compuesto por 4 vlvulas, un tanque y donde se toma en cuenta
la inertancia del fluido contenido en un tramo de la tubera.

234

La siguiente figura muestra nuestro sistema hidrulico:

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:

Donde 1, 2, 3 y 4 representan puntos de diferentes presiones. La presin en el punto 1

(presin del lquido que entra) la denominaremos p(t). Es nuestro inters caracterizar al
flujo q(t) en diferentes lugares del sistema hidrulico.

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:

A partir de este esquema podemos obtener un circuito elctrico equivalente donde se

mantiene la notacin del sistema hidrulico A modo de ejemplo consideraremos que en
este caso, de momento, no interesa conocer la presin en el punto 3.
Ntese entonces que lo que se busca son las expresiones de los flujos q1, q2, q3.

Que se puede escribir en funcin de las impedancias:

236

Entonces describamos las impedancias:

Z1 ( s ) R f 1
Z 2 (s) R f 4 L f s
Z 3 (s) R f 2
Z 4 (s) R f 3

Z 5 (s)

1
Cf s

Las ecuaciones del sistema hidrulico son:

(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

Si resolvemos ese sistema se obtiene:

p [ Z2 (Z4 + Z5) + Z3 (Z4 + Z5) + Z4 Z5]
q1 =

Z1 [ Z2 (Z4 + Z5) + Z3 (Z4 + Z5) + Z4 Z5] + Z2 [Z3 (Z4 + Z5) + Z4 Z5]

p [ Z2 (Z4 + Z5)]

237

q2 =

Z1 [ Z2 (Z4 + Z5) + Z3 (Z4 + Z5) + Z4 Z5] + Z2 [Z3 (Z4 + Z5) + Z4 Z5]

p [ Z2 Z4]
q3 =

Z1 [ Z2 (Z4 + Z5) + Z3 (Z4 + Z5) + Z4 Z5] + Z2 [Z3 (Z4 + Z5) + Z4 Z5]

Sustituyendo los correspondientes valores de Z1...Z5, se obtienen los valores de los flujos
q1(s), q2(s) y q3(s).
p( s)

El flujo para todo el sistema se obtiene como: q( s ) Z ( s) , donde Z eq (s ) se obtiene

eq
sumando en serie y en paralelos (segn corresponda) las impedancias Z1, , Z5.
Tambin podemos obtener la presin en cualquier punto:

En el punto 1 la presin es p1(s)=p(s)

En el punto 2 la presion es p2(s) = p(s) - q(s) Rf1.

En el punto 3 se tiene que p3(s) = p(s) - q(s)*[ Rf1+ Rf4]

Y en el punto 4 se tiene que p4(s) = p(s) - [q(s) - q1(s) - q1(s)].

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

La resistencia fluida Rf1 disipa la energa E R f 1q

238

EJEMPLO 4:
Se tiene un almacn de hormign completamente cerrado tal como se muestra en el
siguiente esquema:

Los datos del sistema trmico son los siguientes:

m : masa del aire dentro de local

Cv : Calor especfico a volumen constante del aire dentro del local

o : Temperatura inicial dentro del local

: Temperatura dentro del local en cualquier instante

a : Temperatura fuera del local.

p : Temperatura en la superficie exterior del local

A : rea de transferencia de calor

: Espesor de las paredes y techo

k : Coeficiente de conductividad trmica

U : Coeficiente de transferencia de calor por conveccin

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

Y finalmente este calor aumenta la temperatura dentro del local:

Qc mCv

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

Comparando con la ecuacin general de los Sistemas Lineales de Primer Orden:

mCv 1
dy
dx

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 es la fuente de temperatura; Rt1 representa la resistencia trmica de la pared a la

transferencia de calor por conveccin; Rt2 representa la resistencia trmica de la pared a la
conduccin; Cf1 es la capacitancia de la pared del local (que no est siendo considerada en
este ejemplo); y Cf2 es la capacitancia trmica del local
El diagrama elctrico resultante sera el siguiente:

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

Si resolvemos ese sistema se obtienen las expresiones de los flujos de calor.

(s)
Puesto que conocemos que para este caso se tienen que: Z ( s )
, si queremos
q(s)

calcular la temperatura en un punto entonces debemos utilizar la expresin:

( s ) Z ( s )q( s) .

242

Captulo 5: Modelacin y simulacin usando aplicaciones informticas

En la actualidad la modelacin, y simulacin que desarrollan los ingenieros tienen un
soporte terico imprescindible pero su implementacin y ejecucin prctica se realiza
usando aplicaciones informticas.
Se puede establecer que estas aplicaciones informticas pueden clasificarse en los
siguientes tipos:
D. Matemticas: Son aquella donde se definen modelos matemticos y se resuelven
problemas de esta ciencia (por ejemplo: resolver ecuaciones y sistemas de ecuaciones,
clculo de derivadas e integrales, resolver ecuaciones diferenciales, etc.).
Entre las aplicaciones matemticas puede encontrase algunas muy especficas (ms
adelante se presentaran dos desarolladas para simular Problemas de Cauchy y Sistemas
de Dos Ecuaciones Diferenciales) y otras de propsitos generales (tales como el
CurvExpert y el Derive que tambin presentaremos).
E. Ingenieriles: Estas aplicaciones resuelven problemas ingenieriles usando mtodos
matemticos. Su caracterstica ms notoria es que los datos de entrada y las soluciones
son los del problema ingenierial. Generalmente el procesamiento matemtico est dado
en segundo plano y es transparente para el usuario de la aplicacin.
En este texto presentaremos algunas aplicaciones de Modelacin y Simulacin que el
CEETAM del ISMM tiene en desarrollo:
a. Sistemas elctricos industriales (DYCSE).
b. Transportadores de banda
c. Secado solar natural de minerales
d. Diseo de parques elicos
F. Mixtas: Se trata de aplicaciones donde se presentan herramientas para la modelacin y
simulacin usando directamente los conceptos matemticos pero tambin se presentan
modelaciones y simuladores que trabajan en el lenguaje y con conceptos ingenieriles.
El software que presentaremos como ejemplo de aplicacin mixta es el MatLab.
ProblemaDeCauchy
Recordemos que el Problema de Cauchy se describe por una ecuacin diferencial de primer
orden, donde se resupone que y=f(x), y una condicin inicial:

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

Los datos de entrada son:

a. La ecuacin diferencial. Se escribe en Lenguaje Pascal
b. La condicin inicial
c. El mtodo seleccionado
d. El nmero de iteraciones (el resultado ser ms exacto en la medida que este nmero
crece pero tarda ms tiempo)
Adems del resultado y se muestra un grfico de la funcin.

Este programa informtico permite simular el comportamiento de cualquier fenmeno que

se modele como Problema de Cauchy.
Sist2EcuacDifOrd
En este caso se trata de una generalizacin del Problema de Cauchy: un sistema de dos
ecuaciones diferenciales de primer orden que relacionan dos funciones x=f(t) y y=g(t).
Ntese que las variables dependientes son x e y. La variable independiente es t.
Los parmetros generales son:
a.

Valor inicial de t, llamado to.

b.

Valor del paso de la variable t, llamado h.

c.

Valor inicial de x, llamado Xo

d.

Valor inicial de y, llamado Yo

244

e.

Seleccin de parmetros de simulacin, en este caso

es el selector RESOLVER. Si la seleccin es:
No variar Xo y Yo. Se obtiene una sola curva para las condiciones iniciales dadas.
Solo variar Xo. Se mantiene fijo Yo pero el valor de Xo vara desde su valor inicial
tantas veces como lo indique el Parmetro de Variacin CUANTAS VECES y el
paso de esta variacin es DELTA X.
Solo variar Yo. Se mantiene fijo Xo pero el valor de Yo vara desde su valor inicial
tantas veces como lo indique el Parmetro de Variacin CUANTAS VECES y el
paso de esta variacin es DELTA Y.
Variar Xo y Yo. Los valores Xo y Yo varan desde sus respectivos valores iniciales
tantas veces como lo indique el Parmetro de Variacin CUANTAS VECES y los
correspondientes pasos de variacin son DELTA X y DELTA Y.

El Sistema de ecuaciones diferenciales (use Lenguaje Pascal)

f.

La ecuacin diferencial X=h(t,X,Y)

g.

La ecuacin diferencial Y=g(t, X,Y)

Y finalmente:
h.

El valor final de t: tf.

Al usar el botn CALCULAR, mediante el Mtodo de Runge-Kutta 2 para sistemas, se

obtienen los valores de X e Y.

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:

Figura 1: Ventana y Men Principal del DYCSE

Cada opcin del men principal que se muestra se despliega en submenes que permiten
ejecutar las principales tareas implementadas:

Figura 2: Submen de Proyectos del DYCSE.

248

Figura 3: Submen de Grficos del DYCSE.

Figura 4: Submen de Revisiones del DYCSE.

Figura 5: Submen de Diseos del DYCSE.

249

Figura 6: Submen de Clculos del DYCSE.

Figura 7: Submen de Preferencias del DYCSE.

Figura 8: Submen de Ayuda del DYCSE.

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:

La opcin Solucin de Transportacin est en desarrollo.

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).