Professional Documents
Culture Documents
Ao 2011
1
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
2
Introduccin
Equivalencia en
Nombre Abreviatura
julios
Frigora Fg 4.185.5
Termia Th 4.185.500
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.
6
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.
9
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
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
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
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
5
ptimo es sinnimo de excelente, perfecto, inmejorable, superior, relevante, destacado, favorable, etc.
16
6
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
7
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
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
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
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 )
1. 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.
2. 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
x x(t )
III. 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 g : VW
x y=f(x) u v=g(u)
Supongamos definidas operaciones + y * tanto en X como en Y:
1. Si x+h X, entonces se define el valor de f para una traslacin en x como
y=f(x+h).
2. Si h*x X, entonces se define el valor de f para una ampliacin en x como
y=f(h*x).
3. Si y+k Y, entonces se define el valor de f para una traslacin en y como y=f(x)
+k.
4. Si k*y Y, entonces se define el valor de f para una ampliacin en y como
y=k*f(x).
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. Si f(x)+g(x) Y, entonces se define la funcin suma y=f(x)+g(x).
7. Si f(x)*g(x) Y, entonces se define la funcin producto y=f(x)*g(x).
32
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
de X\ x f ( x ) 0 en Y.
f ( x)
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:
Si (x,y) f entonces (y,x) f-1 .
Si (y,x) f-1 entonces (x,y) f
Entonces f-1 y f. son inversas.
En general se acostumbra a
llamar a una de ellas
funcin directa (casi
siempre a f) y a la otra
funcin inversa (casi
siempre a f-1).
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
i
n
ym 0.
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 )
tamao de la poblacin, es decir kP (t ) donde k es una constante de
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:
1 x 0.5
1 2 0.1
f ( x)
(0.1) 2
e
d. Se midi la temperatura a diferentes alturas de una chimenea de 10 m de altura y se
obtuvieron los siguientes valores (en grados):
Altura 0 2 6 7 10
Temperatura 89 73 61 48 36
e. 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
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:
A = ( x , y ) R x [ a , b ] y y [ c, d ]
2
1.
B = ( x, y ) R x y x 1 ; x [2 , 5]
2
2.
Son recintos abiertos los conjuntos:
C = ( x , y ) R x [ a , b ] y y [c , d )
2
1.
D = ( x, y ) R x y x 1 ; x [2 , 5]
2
2.
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
lim f ( x) L
xa
0 0 tal que si a xad entonces f ( x) L
lim f ( x) L
x a
0 0 tal que si ad x a entonces f ( x) L
1
curva y=x; en este caso el resultado obtenido al sustituir y por x en el lmite es . Si
2
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.
2. Existe L lim
xa
f ( x) .
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.
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.
f ( x) f ( x) 0
La Regla de LHopital plantea que si lim o lim y existe
xa g ( x) x a g ( x) 0
f ' ( x) f ( x)
L lim entonces L= lim . Recuerde que esta regla se puede aplicar
x a g ' ( x) x a g ( x)
consecutivamente varias veces.
Si existen los lmites que intervienen en las expresiones que siguen, entonces:
lim f ( x)
g ( x) 0 , entonces lim f ( x )
4. Si g(x) no es idnticamente nulo y lim
xa
x a .
xa g ( x) lim g ( x)
xa
y 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)):
x
Sen(x) Cos(x) Cosh(x) Senh(x)
Cos(x) -Sen(x) Tanh(x) Sech2(x)
Tan(x) Sec2(x) Coth(x) -Csch(x)
Cotan(x) -Csc2(x) Arcsen(x) 1
x2 1
Sec(x) Tan(x) Sec(x) Arccos(x) 1
x2 1
Csc(x) -Cot(x) Csc(x) Arctan(x) 1
1 x2
43
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:
5. g ( f ( x) l =
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).
1
El planteamiento de su derivada es y =ln(u) * sen(x), entonces y = cos(x) =
u
1
cos( x ) = tan(x).
sen( x)
dy d 2 y d 3 y
6. Sea una expresin H(x,y, , , ).
dx dx 2 dx 3
dy 1 dy
dx f ' (t ) dt
d2y 1 d2y dy
3
f ' (t ) f ' ' (t )
dx 2
f ' (t ) dt 2
dt
44
d3y
dy
3
1 d2y
f ' (t ) 2 d y
3 f ' (t ) f ' ' (t ) 3 f ' ' (t ) f ' (t ) f ' ' ' (t )
2
dx 3
f ' (t ) 5 dt 3 dt 2
dt
dy du
g ' (u )
dx dx
2
d2y d 2u du
2
g ' (u ) 2
g ' ' (u )
dx dx dx
3
d3y d 3u du d 2 u du
3
g ' (u ) 3
3 g ' ' (u ) 2
g ' ' ' (u )
dx dx dx dx dx
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).
Z(a,b) = lim
(a h) (b k) (a) (b) ?
2 2 2 2
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.
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
Sea una funcin y=f(x) de X en Y que expresa la relacin causal que existe entre la
dy
variable independiente x y la variable dependiente y, la derivada expresa la razn
dx
de cambio entre las dos variables en cada punto (x,y).
dT (t )
1. 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
dP (t )
2. 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.
dV (t )
3. La Ley de Torricelli establece que la razn de cambio 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.
f (1)(x) f ( x h) f ( x h)
2h
f (2)(x) f ( x h) 2 f ( x ) f ( x h)
h2
f (4)(x) f ( x 2 h ) 4 f ( x h ) 6 f ( x ) 4 f ( x h) f ( x 2 h )
h4
x x(t ) dy
dy dt
y'
Sea la funcin , se tiene que y adems:
y y(t )
dx dx x'
dt
d2y x ' y ' ' y ' x ' '
dx 2
x ' 3
dy F ( x, y )
B. Forma implcita F(x,y)=0, se tiene que X y adems:
dx FY ( x, y )
d 2 y 2 FX FY FXY FY FXX FX FYY
2 2
dx 2 FY 3
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 g 1 u g 2 u g n
= ...
u j x1 u j x 2 u j x n u j
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.
f f f
Para FVVR se definen los diferenciales totales dy = dx1 + dx 2 ++ dx n .
x1 x 2 x n
f f
Por ejemplo para z=f(x,y) definida de R2 en R se tiene que: dz = dx + dy
x y
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).
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
funciones es que el jacobiano J 0 donde se define:
x1 , x 2 ,..., x n
f 1 f 1 f1
...
x1 x1 x n
f 2 f 2 f 2
f 1 , f 2 ,..., f n ...
J = x x 2 x n
x1 , x 2 ,..., x n 1
... ... ... ...
f n f n f n
...
x1 x 2 x n
B. Wronskiano
Sean n funciones fi(x) de R en R. Se define el Wronskiano como:
f1 f2 ... fn
df1 df 2 df n
...
dx dx dx
W(x) = ... ... ... ...
d ( n 1 f 1 d ( n 1 f 2 d ( n 1 f n
...
dx ( n 1) dx ( n 1) dx ( n 1)
Derivadas y Vectores
Definamos un operador sobre funciones y=f(x 1,,xn) de Rn en R llamado Operador Nabla
= , ,..., . El resultado de aplicar sobre f es un campo vectorial
x 1 x 2 xn
f f f
llamado Gradiente de f: f = , ,..., .
x1 x 2 x n
51
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
x
Ai
a. Existen y son continuas las derivadas parciales para i=1,2,n; j=1,2,,n.
x j
Ai A j
b. = para i=1,2,n; j=1,2,,n.
x j xi
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 ) .
x y
Puesto que
f
=B(x,y) entonces B(x,y) =
A( x, y )dx C ( y )
=
A( x, y ) dx) dC ( y )
.
y y y dy
A( x, y ) dx dy
Despejando C(y) se tiene que C(y) = B( x, y) y
y finalmente se tienen
que:
53
dy
A( x, y ) dx
f(x,y) = A( x, y)dx + B( x, y) 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.
n
Ntese que la diferencia entre el valor real de A y su aproximacin f ( )x
i 1
i i 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 n
Definimos la integral definida f ( x)dx = lim
N 0
f ( i )xi . Ntese que cuando N0
i 1
a
b
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
x
3. Teorema de Leibniz- Newton: d
a
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
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:
h m m
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:
ba n
A Ai f ( xi ) ,
2 i 1
donde xi =
ab ba
2
2
ti .
E. 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
0 f ( xi ) f ( xi 1 )
las reas en cada subintervalo se denotan Ti = (xi xi-1) para i=1,
2
,n.
El lazo puede parar tambin cuando el valor absoluto de la mayor diferencia entre
cada par de valores Ti1k 1 y 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 Ti 0 Ti1 Ti 2 Ti 3 Ti 4
0 xo yo
1 x1 y1 T10
2 x2 y2 T20 T21
k 0 1 2 3
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. Si A ( A1 A2 ) entonces R=A1 + A2 es la solucin.
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 = a
xi
i bi ( x xi ) ci ( x xi ) 2 d i ( x xi ) 3 dx =
( x xi ) 2 ( x xi ) 3 ( x xi ) 4 xi 1
ai x bi ci di xi
2 3 4
n 1
Y por tanto A = A
i 1
i
[a,b]) alrededor del eje OX: V= f ( x) dx . Es fcil deducir una frmula para
2
Trabajo realizado por una fuerza f(x) que mueve una partcula desde x=a
b
Principio de Duhamel
La modelacin de muchos problemas puede desarrollarse mediante un enfoque que
conduce a la definicin de intgrales definidas.
Sea P = {x0, x1, , xn} una particin del intervalo cerrado [a,b] R. y a cada subintervalo
[xi-1,xi] asociemos un nmero real Wi (i=1,,n) al que llamaremos peso de manera que se
puede definir el par (P,W) como una Particin Pesada.
59
n
Ahora sobre (P,W) se define la suma con pesos como W x
i 1
i i , 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)<
entonces max f ( i ) Wi
i 1,...n
Entonces N lim
( p ) 0
Wi xi =
i 1
f ( x)dx .
a
f ( x)dx .
a
Veamos un ejemplo:
La longitud L del arco de una curva (dada por y=f(x)), para el intervalo [x,x+ x] puede
aproximarse por la longitud ds de la recta tangente a la curva en el punto (x,f(x)) tal como
se puede observar en la prxima figura.
60
Por el Teorema de Pitgoras el elemento del arco se puede expresar que ds=
dx 2 dy 2 = dx 2 f ' ( x)dx 2 = 1 f ' ( x) 2 dx y la aproximacin entre L y ds
mejora en la medida que dx sea menor. Si dividimos al arco en n pequeos arcos disjuntos
n
mediante una particin P de [a,b], entonces L 1 f ' ( xi ) dxi y asumiendo que se
2
i 1
b b
a a
h 0
f ( x)dx = lim
1. El intervalo es [a,b): f ( x)dx . Con h>0
a a
b b
h 0
f ( x)dx = lim
2. El intervalo es (a,b]: f ( x)dx . Con h>0
a ah
b c b
f ( x)dx .
c
e
st
converja: F(S) = f (t ) dt . Se denota L[f(t)]=F(s).
0
e
st
f(t) F(s)= f (t ) dt
0
f ( x) g (t x)dx
0
F(s) G(s)
t f(t) -F(s)
tn f(t) (-1)n F(n)(s)
f (t )
t F ( y )dy
s
p
1
e
st
f(t), es peridica con perodo p f (t )dt
1 e ps 0
1 1
s
62
k
sen(kt) s k2
2
s
cosh(kt) s k2
2
k
senh(kt) s k2
2
sa
eat cos(kt) (s a) 2 k 2
k
eat sen(kt) (s a) 2 k 2
1 1
sen(kt ) kt cos(kt )
2k 3 s 2
k2 2
1 s
sen( kt )
2k s 2
k2 2
1 s2
sen(kt ) kt cos(kt )
2k 3 s 2
k2 2
e as
U-1(t-a) s
Uo(t)= a (t ) Funcin Impulso Unitario 1
(t a) e-as
Donde:
0 si ta
U-1(t-a) = es la llamada Funcin Escaln o Funcin Paso Unitario.
1 si ta
si ta
a(t) = es la tambin llamada Funcin Delta de Dirac.
0 si ta
63
Funcin Gamma:
e t
t x 1
0
(x) = x 1
.
lim n! n
para x 0 y x no es entero
n x ( x 1)( x 2)...( x n 1)
Se cumplen las siguientes propiedades:
1. Para x=n entero y positivo (x) = (n-1)!
2. (x+1) = x (x)
3. (x) (x-1) =
sen(x )
4. (x) (x+) = 2 x 1
(2 x)
2
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:
n
... f ( x , x
V
1 2 ,..., x n )dV = lim
N (V ) 0
f (1 ,..., n )Vi .donde el lmite existe y no depende del
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
anloga si se puede expresar A= ( x, y ) R g ( y ) x h( y ) ; a y b entonces
2
b h( y )
f ( x, y )dA =
f ( x, y)dx dy .
A a gy )
64
u v
b h( x)
q
(v )
X ,Y
se tiene que: f ( x, y)dy dx = f (u , v) J
u, v
du dv . El ejemplo
a g ( x) p (v)
ms conocido de cambios de coordenadas en integrales dobles es el de cartesianas a polares
X cos( ), Y sen( )
que tiene J = . Veamos un ejemplo:
,
Sea ( x
A
2
y 2 ) dA , donde A= ( x, y ) R 2 x 2 y 2 4 . Si representamos grficamente
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:
2
2
y 2 )dA = ( 2 ) d d =
2 2 2 2
( x
4
d = 4
2
A
0 0
0 4 d = 4
= 8
0 0
0
XY: z dxdy .
P
Zu Zv Zw
X ,Y , Z
= f (u, v, w)dA uvw donde dAuvw j dAxyz .
Auvw
u , v , w
Los cambios de variables que ms a menudo se realizan son:
X ,Y , Z
1. De coordenadas cartesianas a cilndricas donde J =, lo cual quiere
, , z
decir que en la prctica se sustituye el diferencial dx dy dz por el diferencial d d
dz.
66
X ,Y , Z
2. De coordenadas cartesianas a esfricas donde J = r2 sen(), lo cual
r , ,
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
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
f ( xi )
i
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
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
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
2 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.
13
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.
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 * 2
d
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 5 6 7 8 9 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
n 5 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
max si2
i 1,...,k
G
las otras. Se determina el estadgrafo c k donde si2 es la varianza muestral
s
i=1
2
i
las muestras por si2 . Se calcula la varianza ponderada a partir de la expresin definida por
k
n 1 s
i
2
i
y adems se calcula M ( N K ) ln( s p ) ni 1 ln( si ) .
2 2
k
s 2p i 1
i 1
N k
Ahora se determinan:
1 k
1 1
A
2(k 1)
i 1 ni 1
N k
; v1 = k-1
v2
k 1 b v2 M
v2 2 ; 2 ; Fc
A 1 A v1 (b M )
v2
A continuacin se busca en una tabla de la distribucin F de Fisher el valor de Ft Fv ,v 1 2 ,
N
N
X Xm
2
2 i
Desviacin estndar de la poblacin: = i 1
N
N
N 1
n
Total de la muestra xS = x
i 1
i
n
n
x xm
2
2 i
Cuasi- desviacin estndar de la muestra: s = i 1
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
2
S
Z1 / 2
d
2
1 S
1 Z 1 / 2
N d
Para estimar a XS la muestra n debe ser:
2
S
Z 1 / 2
d
2
1 1 S
Z 1 / 2
N2 N d
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
Nh
80
Nh
Nh
Nh
Nh 1
n
Total de la muestra del estrato h: xSh = x
i 1
hi
nh
nh
nh
x xmh
2
hi
Cuasi- desviacin estndar de la muestra del estrato h: s2h = i 1
nh 1
L
Nh
Wh =
N
y Xmest = W
h 1
h Xmh .
Wh S h
Ch
entonces deben tomarse las muestras en cada estrato con los tamaos: nh n L .
Wi S i
i 1 Ci
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
y se conoce 0 Var ( Xmest ) sin que se conozcan los costos,
2
Si denotamos wi =
n
2 2
L
Wi S i
i 1 wi
entonces n .
1 L
0 Wi S i
2 2
N i 1
En el mismo caso pero la asignacin de nh en cada estrato h, es proporcional (respecto a n)
L
W i S i2
a partir de la relacin entre Nh y N, se tiene que: n
i 1
1 L
02
N i 1
Wi S i2
i 1 n i 1
MAE
2
( Xmest )
Un hecho interesante es que la eficiencia EF= es independiente del tamao
(X )
2
de la muestra n.
Para datos cualitativos dicotmicos, el tamao de la muestra, cuando se quiere estimar la
L
Wi 2 Pi (1 Pi )
i 1 wi
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 i
Las frmulas para calcular Xm =
n i 1 i
X ij donde i es Mi si se trata de un
j 1
MAC Monoetpico o i es mi si se trata de un MAC Bietpico. De manera semejante se
i
1 i
Xm X ij
2
Xm X
n
2
ij
i 1 j 1
s2 . La seleccin del tamao de cada muestra puede hacerse
n
i 1
i 1
aplicando en cada etapa las frmulas del Muestreo Simple Aleatorio.
MUESTREO SISTEMTICO
N
En este caso se divide la poblacin U (de tamao N) en K grupos donde K= 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.
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
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 X X1 : Y11 Y12 Y13 ... Y1 n1
Para X X2 : Y21 Y22 Y23 ... Y1 n 2
Para X X3 : Y31 Y32 Y33 ... Y3 n3
... ... ... ... ... ...
Para X Xk : Yk1 Yk 2 Yk 3 ... Yk nk
Para cada fila se pueden calcular medias y varianzas referidas a cada valor del factor X, es
Y Ymi
ni ni
decir:
Yij
j 1 y j 1
ij
2 k
. En general, si se nombra: n= ni , se
Ymi si2 i 1
ni ni 1
Y Ymi
k ni k ni
Y
2
ij ij
definen i 1 j 1 y i 1 j 1 . Ahora se tratar de probar que las
Ym s2
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 Grados de Suma de Media cuadrada F
variacin libertad cuadrados
86
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:
Y1 Y2 Yb Medias de X
X1 Z11 Z12 Zib Zm1-
X2 Z21 Z22 Z2b Zm2-
Xa Za1 Za2 Zab Zma-
Medias de Y Zm-1 Zm-2 Zm-b
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 Grados de Suma de Media cuadrada F
variacin libertad cuadrados
X g1=a-1 SSTR SSTR MSTR
MSTR= FT=
a 1 MSE
87
b
a b
Tio = Z ij (Suma de la fila i). SST= Z C .-
2
ij
j 1 i 1 j 1
a
b
T 2
i0
T 2
0j
SSTR= C j 1
C
i 1
SSBL=
b a
SSE=SST-SSTR-SSBL
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 B1 B2 Bb Sumas
A1 Y111Y11r Y121Y12r Y1b1Y1br Y1B
A2 Y211Y21r Y221Y22r Y2b1Y2br Y2B
Aa Ya11Ya1r Ya21Ya2r Yab1Yabr YaB
Sumas YA1 YA2 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 B1 B2 Bb Sumas
A1 YS11 YS12 YS1b Y1B
A2 YS21 YS22 YS2b Y2B
Aa YSa1 YSa2 YSab YaB
Sumas YA1 YA2 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
a b a b r
Supongamos adems que i j ij ij k 0 .
i 1 j 1 i 1 j 1 k 1
r i 1 j 1
configuracin Ai y Bj.
1 r
SSR= 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.
Ahora se puede calcular: SSE=SST-SSTR-SSR
Pero an se tiene que calcular:
1 a
1 b
SSA =
br
YiB2 C
SSB =
ar
Y 2
Aj
C
SSAB=SSTR-SSA-SSB.
i 1 j 1
La tabla de anlisis de varianza es la siguiente:
Fuente de Grados de Suma de Media cuadrada F
variacin libertad cuadrados
Repeticiones r-1 SSR SSR MSSR
MSSR= F1=
r 1 MSE
A a-1 SSA SSA MSSA
MSSA= F2=
a 1 MSE
B b-1 SSB SSB MSSB
MSSB= F3=
b 1 MSE
AB (a-1)(b-1) SSAB SSAB MSSAB
MSSAB= F4=
(a 1)(b 1) MSE
Error (ab-1)(r-1) SSE SSE
MSE=
(ab 1)(r 1)
Total N-1 SST
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 Niveles
A A1 A2 Aa
B B1 B2 Bb
C C1 C2 Cc
Error (abc-1)(r-1) SE SE
MSE=
( abc 1)(r 1)
Total N=abcr ST
Donde:
a b c r 2 a b c r
T= Yijkl . Adems C= T ST= Y 2
ijk
C
i 1 j 1 k 1 l 1 N i 1 j 1 k 1 l 1
r 1 a b c
YSijk = Yijkl . Entonces STR= YSijk2 C
l 1 r i 1 j 1 k 1
a b c
1 r
YSRl = Yijkl . Entonces SR= YSR l
2
C
i 1 j 1 k 1 abc l 1
SE = ST STR SR.
Ahora se define:
b c r a c r a b r
YSAi = Y
j 1 k 1 l 1
ijkl ; YSBj = Yijkl ; YSCi = Y
a 1 j 1 l 1
ijkl
i 1 k 1 l 1
c r b r a r
YSABij = Yijkl ; YSACik = Yijkl ; YSBCjk = Y ijkl ;
k 1 l 1 j 1 l 1 i 1 l 1
1 a 2
1 b 1 c
SA= YSAi C ; SB=
YSB 2
j
C ; SC= YSCk2 C
bcr i 1 acr j 1 abr k 1
1 a b 1 a c
SAB= YSABij2 C -SA-SB; SAC= YSACik2 C -SA-SC SBC=
cr i 1 j 1 br i 1 k 1
1 b c
ar YSBC 2
jk
C -SB-SC
j 1 k 1
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
donde a= 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
93
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) Efectos
Totales
1 1 1 1 1 1 1 1 [1]
-1 1 -1 1 -1 1 -1 1 [A]
-1 -1 1 1 -1 -1 1 1 [B]
1 -1 -1 1 1 -1 -1 1 [AB]
-1 -1 -1 -1 1 1 1 1 [C]
1 -1 1 -1 -1 1 -1 1 [AC]
1 1 -1 -1 -1 -1 1 1 [BC]
-1 1 1 -1 1 -1 -1 1 [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
2 2 2 r 1 r 2 2 2
2
[ I ]2
ST= Y C ; Y
C= 3 ; 2
SR= 3 C
2 r
ijk
2 ijkl
i 1 j 1 k 1 l 1 l 1 i 1 j 1 k 1
[ A] 2 [ B] 2 [ ABC ] 2
SA= ; SB= ; SABC= ; SE=ST-SA--SABC-SR
23 r 23 r 23 r
En todos los casos los grados de libertad tienen valor 1 excepto para SE donde tiene valor
23-1.
Ya se pueden definir los valores de F que en este caso se toman segn la influencia que
SR
1
trata de probarse. Por ejemplo, para las repeticiones se calcula FR = ; para el caso
SE
3
2 1
SAB
1
de la prueba de la influencia de la interaccin de A y B se calcula F AB = y de
SE
3
2 1
manera semejante para todas las influencias que se quieren probar. La prueba consiste en
buscar en la tabla de la distribucin F de Fisher el valor F1 ( 23 1) (1 ) y compararlo con la
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
f [ x p ] f [ xq ]
cualquier diferencia de primer orden como f[xp,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:
f [ x1 , x 2 ] f [ x0 , x1 ]
3. f[x0,x1,x2]=
x 2 x0
f [ x3 , x 4 ] f [ x 2 , x3 ]
4. f[x2,x3,x4]=
x4 x2
En la prctica numrica las diferencias divididas se hallan mediante un diagrama que
ilustraremos con el siguiente ejemplo:
Sean los puntos:
i 0 1 2 3 4
x -4 -1 0 2 5
F(x) 1245 33 5 9 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 x f(x)
xi-xi-2 -4 1245 f[xi-1,xi]
- f[xi-2,xi-
xi-xi-3 3 1212 -404 1,xi]
xi-xi-4 4 -1 33 376 94
15
Aunque probablemente f es una funcin desconocida.
96
a0 a1 x0 ... a k x0k y 0
a0 a1 x1 ... a k x1 y1
k
a0 a1 x2 ... a k x2 y 2
k
...
a0 a1 xk ... a k xkk y k
La solucin de este sistema conduce a la Frmula de Lagrange:
k
j 0
(x x j )
P(x) = .
k
j i
yi k
i 0
j 0
( xi x j )
j i
k 1
(x x ) i
P0 ( x ) y 0 Pk ( x) Pk 1 ( x) [ y k Pk 1 ( xk )] i 0
k 1
(x
i 0
k xi )
(b a ) c i (b a )
L. Chebyshev (1821-1894) demostr que si xi = 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)
que ci = cos y por tanto
2n 2
(2i 1)
[(b a ) cos b a] 16
xi = 2n 2 donde i=0,...,n-1.
2
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
(1 k )a (1 k )b 2 x k cos
n donde 2n 2
(1 l )a (1 l )b 2 x
0 (2n 1) pi
l cos
2n 2
[(b a ) cos((2i 1) pi / (2n 2) b a ]
3. Hallar para i=0,...,n, los valores tn-i =
2
4. Aproximar la funcin t=W(x).
t t
W(x) = t t i 1 i ( x x ) para x [ x , x ] para i=0,...,n-1.
i x x i i i 1
i 1 i
n Q ( x)
5. Hallar Yt(x) = y i donde
i
i 0 Qi (ti )
P( x )
Q ( x) y P ( x ) ( x t )...( x t )
i (x t ) 0 n
i
6. Si queremos interpolar el valor yc a partir de xc [x ,x ] entonces calculamos
0 n
n Q (t )
tc=W(xc) y despus calculamos yc= y i c .
i
i 0 Qi (ti )
ck = y"
k
y" y"
k 1 k
dk = x x
k 1 k
" "
Donde las incgnitas
y k 1
y
y k
se evalan usando la ecuacin para los nodos
interiores:
100
........
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 si y n 2 1 y y n2
.
.
.
Columna i=n1:
z a n11 bn11 ( y y1 ) cn11 ( y y1 ) 2 d n11 ( y y1 ) 3 si y1 y y 2
.
17
Esta generalizacin est diseada para superficies.
101
..
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
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 qa ji ( x x i ) ra ji ( x x i ) 2 sa ji ( x x i ) 3
pb ji
qb ji ( x x i ) rb ji ( x x i ) 2 sb ji ( x x i ) 3 ( y y j )
pc ji
qc ji ( x x i ) rc ji ( x x i ) 2 sc ji ( x x i ) 3 ( y y j ) 2
pd ji qd ji ( x x i ) rd ji
( x x i ) 2 sd ji ( x x i ) 3 ( y y j ) 3
102
... .
n 1
.
0
Xn 1 ... Xn n 1 1
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.
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
n
Zi
d
i 1
p
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
(x i x x )( y i y a )
.
S XY i 1
n
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. Carece de unidades de medida (adimensional).
2. Es invariante para transformaciones lineales (cambio de origen y escala) de las
variables.
3. Solo toma valores comprendidos entre -1 y 1
4. 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
Variacin Explicada Ve = (Yt i YM ) . Donde, reitero, Yt i es el resultado
2
i 1
de evaluar en el modelo a los valores medidos Xi.
n
Variacin Residual Vr = (Yt i Yi ) .
2
i 1
n
Variacin total Vt= (Yi YM ) .
2
i 1
Ve
Se puede calcular el coeficiente de correlacin r =
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:
n
n
d a 2 xi (axi b y i ) x (ax b yi ) 0
'
i i
i 1 i 1
n e igualando a cero las derivadas n
d b' 2 (axi b y i ) (ax b yi ) 0
i 1 i 1
i
n
n
n
x
i 1
2
i a
x
i 1
i b
x y
i 1
i i
.
n
n
x a n b y
i 1
i
i 1
i
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:
k
Yt = a 0 a1 f1 ( X ) a 2 f 2 ( X ) ... a k f k ( X ) = a 0 a j 1
j 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
2
n k
d ( a 0 , a1 ,..., a k ) a 0 a j f j ( X i ) y i tome un valor mnimo.
i 1 j 1
En la prctica, si asumimos la notacin f0(X)=1, esto se reduce a resolver el sistema SLG:
n n n
n n
[ 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
i 1
k i 1 i i 1
[MS] = n n
[ f 0 ( X i ) f 2 ( X i )] ... [ f k ( X i ) f 2 ( X i )]
i 1 i 1
... ... ...
n n
[ f 0 ( X i ) f k ( X i )] ... [ f k ( X i ) f k ( X i )]
i 1 i 1
n
[ f 0 ( X i )Yi ]
a0 i 1
n
(I) = 1 i i
a1 [ f ( X )Y ]
(A) =
... i 1
...
a n
k
[ f ( X )Y ]
k i i
i 1
108
n
Si se calculan con las frmulas conocidas la Variacin Explicada Ve = (Yt i YM ) , la
2
i 1
n n
Variacin Residual Vr = (Yt i Yi ) y la Variacin Total Vt= (Yi YM ) , entonces se
2 2
i 1 i 1
Ve
puede calcular el coeficiente de correlacin r = .
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.
Vr
Error estndar de estimacin eS =
N K 1
Vr
Error probable de una estimacin eP = 0.6745
N K
Coeficiente de correlacin r
109
I I1 ... Ik
I c11 ... cik
MCP =
1
C= F11
A= ( 1) F1
i
i 1
i i
D = ( 1) Fi 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. 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.
d. 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:
Calcular: x =
N N
x Vr
m i 1
i
; SXY =
N K
; SCX = xi2 ; SCDX =
i 1
x
i 1
i xm
2
S CX S CX
Para a, el intervalo es: a t S XY ; a t S XY
N S CDX N S CDX
1 1
Para b, el intervalo es: b t S XY ; b t S XY
S CDX 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
1 ( x xm ) 2
rango de los datos xi) debe calcularse: xh = t S XY . Los valores de las ramas
N S CDX
111
Es obvio que estos clculos tan complejos deben ser hechos con el auxilio de un software.
En lo que sigue mostraremos varios modelos mnimos cuadrados entre los cuales podemos
elegir el que sea ms conveniente.
Nombre del Ecuacin Error estndar Coeficiente de
Modelo Correlacin
Polinomio de y=a+bx+cx2+dx3+ex4. 0.0091206 0.9938177
Orden 4 a= 2.2502494
b= -0.00051985366
c= 0.0019032887
d= -8.9005761e-005
e= 1.1292961e-006
Sinusoide y=a+b*cos(cx+d) 0.0106496 0.9914313
a= 2.3453106
b= 0.13717219
c= 0.0993666
d= -2.4709109
Modelo de y=a/(1+exp(b-cx)^(1/d)) 0.0125865 0.9880102
Richards a= 2.4658765
b= 27.240856
c= 1.5006358
d= 271.58509
Funcin y=(a+bx)/(1+cx+dx^2) 0.0127668 0.9876621
Racional a= 2.221318
b= -0.024440382
c= -0.017962254
d= 0.00015767556
Bent y=a+b*x-sqrt((c+b*x)^2+d^2) 0.0128214 0.9875558
Hiperblico a= 2.3476081
b= 0.0064249007
c= -0.11811613
d= -0.0037141928
Cuadrtica y=1/(a+bx+cx^2) 0.0139154 0.9851011
Recproca a= 0.45226387
b= -0.0037553054
c= 7.3370479e-005
Gausssiano y=a*exp((-(b-x)^2)/(2*c^2)) 0.0145622 0.9836721
a= 2.4727333
b= 25.812505
c= 54.407537
Cuadrtico y=a+bx+cx^2 0.0152432 0.9820948
a= 2.207551
b= 0.020307567
c= -0.00039036435
Modelo MMF y=(a*b+c*x^d)/(b+x^d) 0.0166760 0.9788559
a= 2.2640689
b= 5809.4771
c= 2.4730707
114
d= 3.6933966
b= 1.0028139
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:
1 3 1 4
1 3 2 5
1 3 3 6
1 3 4 7
2 1 1 8
2 1 2 9
2 1 3 4
2 1 4 3
2 2 1 2
2 2 2 3
2 2 3 4
2 2 4 5
2 3 1 6
2 3 2 7
2 3 3 4
2 3 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.
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 X2 X3 X4 Y
1 1 1 1 3
1 1 1 2 3.2
1 1 1 1 3.1
1 1 1 2 3.04
1 1 2 1 2.89
1 1 2 2 2.9
1 1 2 1 2.88
1 1 2 2 2.93
1 2 1 1 3.01
1 2 1 2 3.12
1 2 1 1 3.01
1 2 1 2 2.96
1 2 2 1 2.87
1 2 2 2 2.94
1 2 2 1 2.96
1 2 2 2 3
2 1 1 1 2.92
2 1 1 2 3.02
2 1 1 1 3.07
2 1 1 2 3.17
2 1 2 1 2.99
2 1 2 2 2.91
2 1 2 1 3.04
2 1 2 2 3.13
2 2 1 1 3.2
2 2 1 2 3.12
2 2 1 1 3.17
2 2 1 2 3.3
2 2 2 1 3.35
2 2 2 2 3.45
2 2 2 1 3.2
2 2 2 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
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
X Y
-1 -0.86466472
-0.5 -0.43309856
0 0.30685282
0.5 0.86773468
1 0.90138771
1.5 0.71960358
2 0.74904092
2.5 1.01944035
3 1.39304084
3.5 1.79541037
4 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.
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:
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.
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:
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
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:
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:
El grfico es:
133
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
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.
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:
x
1. La solucin general de la ED y2+x2y=0 es la familia de funciones y= ,
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
2 3 3/ 2
adems tiene la solucin singular y= x .
3
Al igual que se definen sistemas de ecuaciones numricas, tambin se definen sistemas de
ED, los cuales tienen la forma general:
143
....
F ( x, y , y ' ,..., y ( n ) , y , y ' ,..., y ( n ) ,..., y , y ' ,..., y ( n ) ) 0
p 1 1 1 2 2 2 m m m
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.
0,15 k (0) 4 / 3 B
de ecuaciones en k y B: cuya solucin es B=0,15 y k=0,1. La
0,25 k (1) B
4/3
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:
ED de Variables Separables:
Este mtodo se utiliza generalmente para resolver ED de primer orden que se puedan
P( x) dy P ( x)
escribir en la forma y= equivalente a y que se transforma en
Q( y ) dx Q ( y )
Q ( y ) dy P ( x ) dx . Ahora se integran ambos miembros y se obtiene la solucin.
Ejemplo:
dy
Sea y-x=1+y+xy. Esta ED se puede escribir = (1+x)(1+y), de manera que separando
dx
dy dy
las variables 1 y (1 x) dx en integrando 1 y (1 x)dx C , el resultado es
x2
ln(1 y ) x C . Cuando es posible, la solucin puede ser escrita en forma explcita
2
x2
x C
ye 2 .
ED Exacta:
En esta ocasin la ED se puede transformar a 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= P ( x, y )dx + Q ( x, y )
y
dy +C
Ejemplo
P ( x, y ) x y
y
Sea la ED: (x+y)dx + (x+e )dy = 0. Si asumimos que , es fcil comprobar
Q ( x, y ) x e
y
P Q
que y x 1 , por lo que se puede afirmar que la ED es exacta. La solucin es y=
146
( x y)dx dy
( x y ) dx + ( x e y
)
y
+C=
x2
2
xy x e y x dy C =
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
1. Si x y es una expresin que solo depende de y (llammosla g(y))
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
2. Si y x es una expresin que solo depende de x (llammosla f(x))
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.
Q X PY 3
Podemos percatarnos de que = y y al depender solo de y entonces F(x,y)=
P
3
y dy = y3 es el factor integrante.
e
Ahora la ED [y5cos(x)] dx + [4y3+5y4 sen(x)] dy =0 es exacta y su solucin es y 5sen(x)
+y4=C.
Ejemplo:
y 1
Sea la ED y ' 1 . Ntese que P(x)= y Q(x)=1, por tanto sustituyendo en la frmula
x x
1
1 x2 x C
se obtiene: y= e x 1 e dx C =
dx 1
C =
dx
x
.
x 2 2 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:
3y 2x 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
dy dy dv 1 1 / 2
donde y=v1/2 y se tiene que v v' . Sustituyendo en a ED original:
dx dv dx 2
1 3 1/ 2 1 3
1/ 2
v' v 2x 1/ 2 y multiplicando toda la ED por 2v1/2, se obtiene v+
2v 2x v x
v=4x que es una ED lineal de primero orden.
dy y
Tienen la forma (o pueden reducirse a la forma) F y haciendo las sustituciones
dx x
y dy dv
v= ; y=vx; vx , puede convertirse en la ED de variables separables x
x dx dx
dv
F (v ) v .
dx
dy
Nota: La ED 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
dy dy 4 x 2 3 y 2
Sea la ED 2 xy 4 x 2 3 y 2 que se transforma en y que se puede
dx dx 2 xy
dy 1 3 y
2 dy dv dv 2 3v
escribir dx y 2 x . Si tomamos y=vx; vx , entonces v x
dx dx dx v 2
x
2v dx
y separando variables: dv . Integrando ambos trminos se obtiene
v 4 2
x
ln(v2+4)=ln(x)+D y asumiendo D=ln(C) se puede transformar a v2+4=C x .
148
Reescribiendo esta solucin segn la variable original y, se tiene que y2+4x2 = Cx3.
xuh
orden tomando la sustitucin que anulen a c y f.
y vk
Ejemplo:
dy 2x 3y 1 xuh
Sea la ED dx x 4 y . Si sustituimos en el miembro derecho de la
y vk
2(u h) 3(v k ) 1 2u 3v (2h 3k 1)
ecuacin se tiene = ahora necesitamos
(u h) 4(v k ) u 4v ( h 4 k )
2h 3k 1 0
conocer para que valores de h y k se tiene que . Resolviendo el sistema se
h 4k 0
4 1
tiene que h= y k= .
11 11
4
x u
dv 2u 3v 11
Ahora se resuelve la ED donde .
du u 4v 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
k 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
k h n =0 o sea anhn++a1h+a0 = 0.
n
Una ED de este tipo tiene la forma a
k 0
k 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
k y ( n ) ( x) =0.
n
b. Se busca una solucin particular yp de la ED a
k 0
k y ( n ) ( x) =f(x)
Ejemplo:
Sea la ED y+3y+2y=x2+ex+cos(x).
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) U 2 ( x) ... U n ( x)
' '
U ( x)
1 U ( x)
2 ... U n' ( x )
W(x)= .
... ... ... ...
U 1( n 1) ( x ) U 2( n 1) ( x ) ... U n( n 1) ( x )
151
n
Wi ( x )
La solucin particular se obtiene como yp(x)= U i ( x) dx .
i 1 W ( x )
Nota:
U 2 ( x ) f ( x) U ( x) f ( x)
Para n=2 se tiene que yp(x) = U 1 ( 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:
...
a Y ' b Y a Y ' b Y ... a Y ' b Y f ( x)
1n 1 1n 1 2n 2 2n 2 nn n nn n n
(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 1n 1 2n 2n 2 nn nn n n
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
'
2D 1 y1 x
matricial este sistema se plantea como: que en sntesis es:
1 3D 1 y2 0
2D 1 x
1 3D 1 0
.
La segunda fila es una ED que solo depende de la funcin y 2. Esta ED se escribe como:
1
X 5x 5x
6y2-2y2+y2=x y su solucin es: y2(x) = e 6 C1 cos C 2 sen
+x+2.
6 6
d2 y 1 d2y dy
e t et
dx 2
et
3
dt 2
dt
d2y dy
Y sustituyendo en la ED: x2y-5xy +8y = x2, esta se transforma en 2
6 8 y e 2t ,
dt dt
cuya solucin y(t) deber escribirse sustituyendo t=ln(x).
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.
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
n
n 0
desarrolla en na
n 1
n x n -3 na n x n 1 +2 a n x n =0.
n 1 n 0
Puesto que:
(n 1)a
n 0
n 1 xn
Ahora la ED se escribe na
n 0
n 3(n 1)a n 1 2a n x n 0 y se deduce que
na n 3(n 1)a n 1 2a n 0 .
n2
Agrupando y despejando se obtiene que an+1 = an .
3(n 1)
n an+1
0 2
a1 = ao
3
1 3 32 3
a2 = a1 a 0 2 a0
6 63 3
2 4
a3 = 3 a 0
3
k-1 k 1
ak = k a 0
3
n 1 n
Ahora es posible afirmar que y(x)=ao x donde ao es la constante arbitraria.
k 0 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
en la ED conduce a la frmula recurrente c m+2=
m 0
( 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:
( 2)( 4)...( 2m 2)( 1)( 3)...( 2m 1)
= 1
m
c2m c0 =
(2m)!
( 1) m a 2 m c 0
155
= c1 (1) a 2 m 1 x
m 2 m 1
y la solucin general es: y(x)= y1(x) + y2(x).
m 0
c
m0
m x m r = x r c m x m . Se siguen los siguientes pasos:
m 0
e
p ( x )dx
y2(x)= y1 ( x ) dx .
y1 ( x) 2
Se puede demostrar que:
Si r1 = r2 entonces:
y1(x) = x
r 1
a n xn , con a0 0.
n 0
y2(x) = y1 ( x) ln( x) x
r 2 1
b
n 0
n xn
Si r1 - r2 =N entero, entonces:
y1(x) = x
r 1
a n xn , con a0 0.
n 0
1 x2 x4 x6
y2(x) = Bx 1 ...
2 40 2160
x2 x4 x6 x2 x4 x6
Ahora y(x)= Ax 1 ... + Bx 1 1 ... .
1/ 2
m 0
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
dx dy y xC 0
dx dy dz
1
que es equivalente a dz cuyas soluciones son x2 , la
dx x
1 x
zD0
2
x2
solucin buscada es la funcin u(x;y;z) = y + x + - z + A.
2
z z
3. Sea la ED x y x . Como es no homognea entonces
dx dy
dx dy dz
resolvamos el sistema equivalente a dz que tiene la solucin
1 1 x
dy
x
y xC 0
x2
x2 , entonces z(x,y)= + y - x + A.
z D 2
2
z z
Estas son ED relativamente sencillas pero cmo resolver, por ejemplo la ED x y z
?
158
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:
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.
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.
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 .
0
y 0 f ( x0 )
h
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
y' y h
1. Sea el problema . Ntese que h(x,y)=-y; y
=-1 son continuas en
( x0 , y0 ) (0,1)
todo R2 por tanto podemos asegurar que el problema tiene solucin nica.
y
2
y ' y
2
y' 2 y
3. Sea el problema . Ntese que h(x,y)= 2 y es continua para
( x0 ; y0 ) (0;0)
(x;y)=(0;0) por lo cual se puede garantizar la existencia de la solucin de ese problema.
h 1
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
y' 1
Obtener, si existe y es nica, la solucin del problema x . La
( x0 ; y 0 ) (1;2)
y
ED puede escribirse como y ' 1 que es una ED lineal de primer orden cuya
x
162
x C
solucin es y= . 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
C1 C2 1 C1 2
. La solucin es y por tanto la solucin particular buscada
C1 2C2 0 C2 1
es y(x)= 2e-x - e-2x.
1 3 3 2 6
A B0 A
2 2 8 8
. Cuya solucin19 es y permite escribir la
2 A 2 B 6 2
2 2 4 B 8 8
solucin particular buscada.
z z
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.
(1 k ) A 2 k
3
La solucin particular es z(x;y) = 3 e x/3 + 2y/3.
19
Resuelta por el Derive, versin 6.0 del 2003.
163
n x
Evaluando la tercera condicin z(x;0)=f(x) se tiene que z(x;0)= B
i 1
n sen
L
= 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
n x
B
i 1
n sen
L
es su desarrollo en Serie de Fourier y por tanto b n =
n x
L
2
L0 f ( x ) sen
L
dx y an = 0.
a
n
2L
n x t
n x
z(x;y)= f(x) sen L dx e
L
sen .
i 1 L 0 L
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.
20
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
Yn(y) = n b a a a a
senh
a
Y por la propiedad de seno hiperblico de la sustraccin de dos nmeros (en este
caso: b e y), se tiene que:
An n (b y ) An
senh
Yn(y) =
senh
n b a y si se toma Hn = senh n b , entonces
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 )
U(x;y) = C
i 1
n sen
a
H n senh
a
y asumiendo que Gn = Cn + Hn,
n x n (b y )
se tiene U(x;y) = G n sen senh .
i 1 a a
Evaluando la ltima condicin U(x;0)=f(x), se obtiene la igualdad:
n x n (b)
G
i 1
n sen
a
senh
a
=f(x)
n (b)
n x
Escribiendo bn = Gn senh
a
, se tiene que f(x)= b
i 1
n sen
a
y
A(s) B(s)
3. Hallando la transformada inversa L1 Y ( s ) = L
1
P(s) = y(t).
Veamos algunos:
Ejemplos:
Sea la EDO: y(t) + 4y(t) = 2e-3t, con la condicin y(0)=1, con
t 0.
Hallemos L y' (t) 4y(t) = Le -3t que aplicando se escribe:
2
L y' (t) +4 L y(t) = SY(s)-y(0) + 4 Y(s) = . Agrupando Y(s) se tiene:
s3
2 2
(s+4) Y(s) = + 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
1 2
1
Despejando, Y(s) = s 3 = .
( s 3)( s 4) s 4
s4
2 1
Para hallar la solucin se plantea: L1 Y ( s ) y(t) = L
1
.
( s 3)( s 4) s 4
Aqu se nos presenta el segundo requerimiento del mtodo: Conocer mtodos
eficaces para hallar la transformada inversa.
167
2 1 2 2 1
Se puede descomponer21 = =
( s 3)( s 4) s 4 ( s 3) ( s 4) s 4
2 1
que son expresiones cuyas transformadas inversas son obvias.
( s 3) ( s 4)
s 2
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
2s
Y(s) = . En este caso no es tan sencillo hallar la TLI.
s 2s 5
2
2s
Para descomponer realicemos primero un completamiento de cuadrado:
s 2s 5
2
2s 2s 2( s 1) 2 2( s 1) 2
= 2 = 2 = 2 -
s 2s 1 4
2 ( s 1) 2
2
( s 1) 2
2
( s 1) 2 ( s 1) 2 2 2
2
(s 1) 2
y(t) 2L1 2 - L1 2 y aplicando las frmulas
(s 1) 2 (s 1) 2
2 2
correspondientes, se tiene:
Y(t) = 2 e-t cos(2t) e-t sen(2t)
d m F(s)
que la propiedad de que L t m f(t) (1) m
ds m
, si existe F(s)=L f(t) , puede
ser aplicada al caso donde f(t) sea una derivada obtenindose frmulas como las
siguientes:
21
Descompuesto usando el Derive, versin 6.0 del 2003.
22
Para ms detalles, ver texto de Cspedes Hinojosa, pgina 211.
168
d Y(s)
. L t y(t) (1) Y' (s)
1
ds
d 2 Y(s)
L t 2 y(t) (1) 2
ds 2
Y ' ' ( s)
d sY(s) - y(0)
L t y' (t) (1)1 sY' (s) Y(s)
ds
d 2 sY(s) - y(0)
L t 2 y' (t) (1) 2
ds 2
sY' ' (s) 2Y' (s)
L t 2 y' ' (t) s 2 Y' ' (s) 4sY(s) 2Y(s)
s 2 3a 1
sabiendo que P(s)= 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.
Ejemplo:
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.
23
Usando el Derive, versin 6.0 del 2003.
170
Y(x; t)
L t y tt (x; t) = s2 Y(x;s) - s y(x;0) - t 0
t
Y(x; s)
L t y x (x; t) =
x
2 Y(x; s)
L t y xx (x; t) =
x2
L t y x t (x; t) = s
Y ( x; s )
x
d y ( x;0)
dx
.
Y( ; s) A(s) senh s 4
s9
sen(3 ) A(s) senh s 1 y despejando se
1
obtiene que A(s)=
senh s
por lo que la solucin se escribe:
171
Y(x; s)
senh x s
4
senh s
sen(3x)
s9
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
y(x;t) =
n 1
(1) n n e n t sen(nx)
4 e 9t sen(3x)
y' h( x; y)
Problema de Cauchy y luego veremos su extensin a los problemas
( x0 , y0 f ( x0 ))
con condiciones iniciales y de contorno relacionados con los SED, con las EDO de
orden superior y con las EDP.
Mtodos numricos para el Problema de Cauchy con una EDO de primer orden
Sea la ED y=f(x;y) con la condicin inicial (x0;y0) y la pregunta es qu valor toma
y=yf cuando x=xf?
La solucin a este problema no se da en un solo paso porque aunque es posible
encontrar frmulas que calculen directamente una aproximacin de y f, esta
24
Frmula 185, pgina 479 del texto de Cspedes Hinojosa.
172
f h d f ( x; y ( x ))
Ei+1 = 1 h y ( xi ; )
E i ( ; y ( ))
2 dx
Donde yi<<yi+1.
Este mtodo tambin es estable condicionalmente en dependencia del tamao de la
distancia h.
K3 = h f x i h ; y i 2 K 2 K 1
174
h K2
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
2( x 3 x)
y la estabilidad de un mtodo. Sea la ED y ' 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 0,4 0,2 0,1333 0,1 0,08 0,06667 0,05714 0,05
RK-2 1,1856 1,16429 1,16166 1,16087 1,16053 1,16036 1,16026 1,16019
RK-3 1,1856 1,15959 1,15987 1,15995 1,15997 1,15998 1,15998 1,15999
RK-4 1,1603 1,16002 1,160003 1,16000 1,16000 1,16000 1,16000 1,16000
y ik1 y i
h
24
9 f ( xi 1 ; y ik11 ) 19 f ( xi ; y i ) 5 f ( xi 1 ; y i 1 ) f ( xi 2 ; y i 2 )
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.
h
2. Repetir los siguientes pasos mientras t x f :
2
a. Hallar
K1 = h f(t ; w)
h K1
K2 = h f t ; w
4 4
3h 3K 1 9 K 2
K3 = h f t ; w
8 32 32
176
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 4
R
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 w
216 2565 4104 5
Si R> entonces
h
Si 0.1 entonces tomar 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.)
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 pero en este caso Y(x)=(y1(x);;yn(x)) y
( x0 , Y0 )
la condicin inicial puede escribirse como (x0;(y01;;y0n)).
1
y(i+1)k = y(i)k + K1k K 2 k para xi+1
2
Donde:
xi+1 = xi + h.
Ejemplo:
X ' Y t X (2) 2
Sea el SED con las condiciones . Vamos a resolver este
Y ' t X Y (2) 2
problema aplicando el mtodo descrito para t=10 con un paso h=0,1. La solucin
X 12,4550794633871
encontrada es siendo
Y -14,0156602820085
Grficamente en un plano XY la solucin se muestra de la siguiente forma:
178
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.
y' (t ) z(t ) y (0 ) 1
como , con las condiciones .
z' (t ) 1 t 3z(t ) 2ty(t ) 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.
Ejemplo:
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:
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:
y i 1 y i
D1h [y(x i )]
h
y i y i 1
D1h - [y(x i )]
h
y i 1 y i 1
D1h [y(x i )]
2h
181
Estos son tres casos particulares del Operador General Diferencial de Primer Orden
y yi y y i 1
para tres nodos: D1h C [y(x i )] C i 1 (1 C ) i , donde C [0;1] .
h h
dy ( x )
Nota: D h C [y(x)]
1
dx
Se define el operador diferenciales de orden 2 para tres nodos:
yi 1 2 yi yi 1
D 2h [y(x i )]
h2
Asimismo se definen los operadores diferenciales de orden 3 y 4 con cinco nodos:
y i 2 2 y i 1 2 y i 1 y i 2
D 3h [y(x i )]
2h 3
y i 2 4 y i 1 6 y i 4 y i 1 y i 2
D 4h [y(x i )]
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.
y ' ' ( x) f ( x)
0 x 1
Su enunciado es el siguiente .
y ( 0 ) g 1
y(1) g 2
Si sustituimos:
1
x por xi = ih donde h= .
n
yi 1 2 yi yi 1
y(xi) D 2h [y(xi )] = para i=1,2,,n-1
h2
f(xi)=fi.
y0 = g1.
yn = g2.
182
y 2 2 y1 y0
f1
h2
y3 2 y 2 y1 f
2
Se tiene el sistema: h2
....
y n 2 y n 1 y n 2
f n 1
h2
2 y1 y 2 h 2 f1 g1
yi 1 2 yi yi 1 h f i ( para i 2,..., n 2)
2
Que se escribe:
y n 2 2 y n 1 h 2
f n1 g 2
En forma matricial este sistema es:
2 1 0 0 0 ... 0 0 0 y1 h 2 f 1 g 1
1 2 1 0 0 ... 0 0 0 y 2
2 h f 2
0 1 2 1 0 ... 0 0 0 y3 h f3
2
0 0 1 2 1 ... 0 0 0 y4 h 2f 4
... ... ... ... ... ... ... ... ... ... ...
0 0 0 0 0 ... 1 2 1 2
y n 2 h f n 2
0 0 0 0 0 ... 0 1 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.
y(0)=0
y(1)=g2.
Este problema se puede convertir en el SEL tridiagonal:
b0 a 0 c0 0 0 0 ... 0 0 0 y0 d0
a b1 c1 0 0 ... 0 0 0 y d
1 1 1
0 a2 b2 c2 0 ... 0 0 0 y2 d2
0 0 a3 b3 c3 ... 0 0 0 y3 d3
... ... ... ... ... ... ... ... ... ... ...
0 0 0 0 0 ... a n -2 b n -2 c n -2 y n 2 d n -2
0 0 0 0 0 ... 0 a n -1 bn 1 y d
n 1 n -1
Donde para i=0,1,,n-1:
h
ai K 1 K x i
i
2 2
h
ci K 1 K x i
i
2 2
b i a i c i q i h 2 a i c i q(x i )h 2
Fi h 2 f ( xi )
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 i Fi , para i=1,2,,n-1.
a i 2 p i h 2 p(x i )h
bi (4 2h 2 q i ) 2h 2 q ( xi ) 4
ci 2 pi h 2 p( xi )h
Nota:
Este mtodo de diferencias finitas puede ser extendido a la solucin de Problemas de
Contorno donde intervienen ecuaciones diferenciales parciales de segundo orden. Son
problemas complejos y representan fenmenos muy especficos atendiendo al tipo de
EDP (hiperblica, elptica o parablica) y atendiendo a las caractersticas de las
condiciones de frontera. Una introduccin muy breve pero ilustrativa puede verse en el
texto de McCracken y Dorn y un desarrollo profundo y exhaustivo puede verse en el
texto de Berezin y Zhidkov, volumen II.
185
dy
C. Sea Y=AX+B la recta tangente y se cumple que A= , por tanto se tiene que Y=
dx
dy x dy x
X+B. Puesto para X= se tiene Y=0 entonces 0= +B y finalmente se
dx 2 dx 2
dy x
obtiene B= .
dx 2
dy 2 y
Sustituyendo Y=y, as como las expresiones de A y B en Y=AX+B, se obtiene
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
y 1
la ecuacin de la recta se tiene A= y por tanto:
x
x
y(x) = 1 y .
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,
2
entonces se realiza el mismo procedimiento pero se sustituye por 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 .
A. Un objeto de masa m en cada libre cercanos a la Tierra tienen una aceleracin constante
d 2s g
g por tanto 2
. Si se conoce s(0)=s0 y v(0)=v0 entonces se tiene un problema
dt m
con condiciones iniciales.
E. 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
p
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
P. 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 0 0 0
0 m2 0 0 0 0 0
0 0 m3 0 0 0 0
M= 0 0 0 m4 0 0 0
0 0 0 0 m5 0 0
0 0 0 0 0 m6 0
0 0 0 0 0 0 m7
191
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).
dq
tensin E(t) de la fuente. Si llamamos q(t) a la carga, la corriente I(t)= , entonces se
dt
dI (t ) q (t )
cumple que: L RI (t ) E (t ) que se puede escribir
dt C
d 2 q (t ) d q (t ) q (t )
L 2
R E (t ) .
dt dt C
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.
B. Segn una Ley de Newton la cantidad constante de calor Q que pasa a travs de una
dT
pared y bajo ciertas condiciones es Q kA , 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.
dA
Sea A(t) la cantidad instantnea de sal en el tanque, en estos casos 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).
dA K
Ahora se escribe KC A(t ) .
dt L
C. 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
dX M N
describe mediante la ED: 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.
C. Veamos el caso de una poblacin P(t) con la misma cantidad de machos y hembras
P
y donde la reproduccin depende del los encuentros fortuitos entre los machos con
2
P
las hembras. Eso quiere decir que la tasa de nacimiento es proporcional al cuadrado
2
dP
de la poblacin, o sea: kP 2 .
dt
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:
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.
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 )
que todava no lo han odo, o sea: k P N (t ) .
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
C
B. Si definimos el coste medio como D= q entonces si se conoce la variacin del
dD 1 dC C
costo medio como una funcin de q, o sea: dq f (q) , entonces: f (q) .
q dq q
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
t
m
m
1
Como , entonces P(t)= P0 mlim .
e lim 1 m
m
m
t
m
Simplificando se escribe P(t) = P0 lim 1 y si consideramos a m como una
m
m
t
j
m
constante entonces P(t) = P0 1 donde es conveniente nombrar j= por ser
m
ahora una Constante llmada de Inters Nominal.
Si se hace una sola capitalizacin con inters i=j entonces: P(t) = P0 1 i .
t
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.
dI 1
F. El Modelo de Expansin del Capital de Domar tiene la EDO: I (t ) P (t ) ,
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
dD . Donde B1>0 y B2>0.
CD (t ) B2 P(t ) D(t )
dt
Especies en Competencia
198
dt
todos los coeficientes son positivos. Si tomamos en cuenta las interacciones X(t)Y(t) se
dX
dt a1 X b1 X c1 XY
2
Otros Modelos
A. Se conoce experimentalmente que la intensidad I de la luz a una profundidad de x
dI
metros en el agua satisface la ED 1,4 I .
dt
B. 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( )
velocidad W, se tiene que: dt que se escribe pasando todo a
dy
V0 sen( ) W
dt
dx V0 x
dt 2
x y2
coordenadas cartesianas y dividiendo ambas expresiones y
dy V0 y
W
dt x2 y2
0, 5
W dy y y
2
denominando k= se tiene: k 1 .
V0 dx x x
d2X
m F cos( )
dt 2
en cada componente se obtiene: 2 , o sea
m d Y
F sen( )
dt 2
d2X Mm
m k cos( )
dt 2 r2
2 y pasando a coordenadas cartesianas:
m d Y M m
k 2 sen( )
dt 2 r
d2X x
m 2 kM 2
dt x y2
3/ 2
2U U
k , con k>0; 0 < x < L; t > 0.
x 2 t
U U
0; 0; para t > 0
x X 0 x X L
Samarsky (1980):
T m Tyy f y , (1)
T y ,0 y
T 0, 1 (2)
T l , 2
En caso del secado natural de las menas laterticas se cumplen las condiciones siguientes:
f y, 0 (3)
y To (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:
y
U y, 1 2 1 To y Ts To (8)
l l
v m v yy f y, U m u yy 0
y dTs
y dTs
m 0
l d
(9)
l d
y
v y ,0 y U y ,0 y To Ts 0 To
l
v 0, 0 (10)
v l , 0
Se resuelve el problema anterior suponiendo que la solucin tiene la forma de una serie de
Fourier:
n
v y, v n sen y (11)
n 1 l
Siendo:
l l
2 n 2 dTs n cos(n ) dTs
g n f y, sen
l
y dy y sen y dy 2 (13)
l l 2 d l n d
0 0
n n n
v n sen
l
y
m v n sen
l
y
g n sen
l
y
n 1 n 1 yy n 1
2
n n n n
vn sen
l
y m v n
l
sen
l
y g n sen
l
y
(14)
n 1 n 1 n 1
n n
2
sen y m vn vn g n 0 (15)
n 1 l l
2
n
vn m vn g n (16)
l
Recordando que:
y
v y ,0 To Ts 0
l
Se sustituye en la ecuacin 11 y se obtiene:
n y
v n 0 sen y To Ts 0 (17)
n 1 l l
v n 0 2
Ts 0 To l 2 cos( n )
2
Ts 0 To cos(n )
(18)
l2 n n
Y su solucin es:
M d M d
vn e N e d C
2
n N g n
M m y
l
2 m n 2
l2 dTs ( )
2 m n 2
e
d
d Ts (0) To (19)
vn 2 e l2 cos n 0
n
Finalmente se sustituye la expesin 19 en 11 y se obtiene:
2 m n 2
l2 dTs ( )
2 m n 2
e
d
d Ts (0) To
(20)
l2 n
v y , 2 e cos n 0 sen y
n 1 n l
Despejando T y, en la ecuacin 7 y sustituyendo v y , y U y , por sus
respectivas expresiones 20 y 8, se obtiene:
2 m n 2
l2 dTs ( )
2 m n 2
e
d
d Ts (0) To
l2 n
T y , 2e cos n 0 sen y
n 1 n l
y
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:
2Y 2Y
a2 2 , con 0 < x < L; t > 0.
x 2 t
Donde a es una constante que depende de las caractersticas de la cuerda.
Y(0;t) = 0; Y(L;t) = 0, para t 0.
Y
Y(x;0) =f(x); g ( x) para 0 < x < L
t t 0
205
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
La Ecuacin de Schordinger es ( 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
q2
de Planck; V 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
U(x,0) = b x; Ut(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.
t x 2
x
H. 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
Conceptos Bsicos
Veamos la definicin de Sistema segn las propuestas por varios autores:
Sea un sistema lineal SL y sea x(t) la excitacin que recibe (entrada) y Y(t) la respuesta del
sistema (salida) que depende de x(t) y de las propiedades de SL.
dy
Por ejemplo, sea la ecuacin diferencial 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:
a
Y (s) 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 )
de Cauchy de la forma y (t ) a x (t ) con la condicin incial y(to)=yo se puede
dt
dv(u )
escribir como v(u ) a w(u ) , con v(0)=0. Cuando sea resuelto este problema
du
entonces la solucin se debe expresar en las variables originales (t;y).
Ejemplo:
I dw 1
Hallemos la funcin de transferencia de w M (t ) .
c dt c
212
I 1
Es obvio que este sistema es semejante al anterior. Ahora 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. Si a2=0 entonces G ( s ) 1 s
1
a s
2. Si a1=0 entonces G ( s ) 1 s
2
a1 a2 s
3. Si a1 y a2 no se anulan, entonces G ( s ) 1 s
Aplicando la antitransformada:
t
a1 I
y(t) = e
a1 I
Ntese que si t tiende a infinito, y(t) tiende a .
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:
a1 xo a I xo
Y(s) = G(s) X(s) = 1 s S
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.
Nota:
Queda por encontrar las expresiones de Y(s) y y(t) para sistemas de primer orden
dy dx dy dx
y a2 (caso a1=0) y sistemas y a1 x a2 . Estas expresiones son
dt dt dt dt
fciles de encontrar si se siguen los procedimientos descritos anteriormente.
215
y (t )
Ia1
1 2
e t
sen 1 2 t
2. Caso crticamente amortiguado (=1):
y (t ) Ia1 2 t e t
3. Caso sobreamortiguado (>1):
y (t )
Ia1
e 2 t
e 1 t
2 1 2
1 2
Donde arctan
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.
1
Y se puede demostrar entonces que: Z R ( s) R ; Z L ( s) L s ; Z C ( s ) C 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:
d 2 q (t ) d q (t ) q (t )
L 2
R E (t ) . Ntese que q (t ) i (t ) dt
dt dt C
Que se escribe:
d 2 q (t ) R d q (t ) q (t )
E (t )
dt 2 L dt CL
Comparando con la ecuacin:
d2y dy d 2x dx
2
2 2
y a3 2
2a2 a1 2 x
dt dt dt dt
Se observa que:
1 1
x(t) = E(t) y(t) = q(t) a3 0 a2 0 2 a1 CL
CL 2
Y finalmente:
1 R R CL R C
2 2 , de donde: .
CL L 2L 2 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
1
2 1
0.5080666151
1
2
2 1
31.49193338
2 1
a1 a2 s a3 2 s 2
G(s) w
(1 1s )(1 2 s)
16
(1 0.5080666151 s )(1 31.49193338s )
16
16 s 2
32 s + 1
C 16
Si antitransformamos, segn Laplace, se obtiene la expresin q(t) en funcin de E(t) .
En particular:
k
Para un resorte de constante k, se tiene que: Z ( s)
s
Para un amortiguador viscoso de parmetro c: Z (s) c
Para una masa de parmetro m: Z ( s ) m s
220
1
Z ( s)
1 1 1
...
Z1 ( s ) Z 2 ( s ) Z n (s)
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.
k1k 2 1
ke
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:
1 ke 1
Z e ( s)
1 1 s 1 1
s
Z1 ( s ) Z 2 ( 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
En este caso:
P( s)
Z (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:
l
R f 0.78
A2
Donde A es el rea de la seccin transversal; l es la longitud del tubo y es la viscosidad
del medio.
d i (t )
La cada del potencial elctrico a travs de una inductancia es L . Para un sistema
dt
d q (t )
fluido es: L f , 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.
1
Finalmente tenemos que la cada del potencial elctrico en una capacitancia es
C i (t )dt .
1 1
Para un sistema fluido se tiene: pab C q (t )dt = C V (t ) , donde Cf representa la
f f
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
1 V (t ) Ah A
Dado que pab C V (t ) , entonces C f .
f pab h
Finalmente debe ser conocido que las impedancias en los sistemas fluidos cumplen las
mismas leyes de las impedancias elctricas.
(s)
En esto caso se tiene que Z ( s )
q(s)
Debe ser conocido que las impedancias en los sistemas trmicos cumplen las mismas leyes
de la impedancia elctricas.
1
Z ( s)
1 1 1
...
Z1 ( s ) Z 2 ( s ) Z n (s)
Nota: Debemos notar que P=A T, excepto en los sistemas trmicos donde P=T.
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
1 1 1
Z1 ( s ) L1s ; Z 2 (s) R1 ; Z 3 (s) ; Z 4 ( s ) L2 s R2
C1 s C2 s 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 Z 2 Z2 0 i1 e(s )
Z Z2 Z3 Z 3 i = 0
2 2
0 Z3 Z 3 Z 4 i3 0
231
e Z 2 Z 3 Z 4 Z 3 Z 4
i1 ( s)
Z1 Z 2 ( Z 3 Z 4 ) Z 3 Z 4 Z 2 Z 3 Z 4
e Z2 Z3 Z4
i2 ( s )
Z1 Z 2 ( Z 3 Z 4 ) Z 3 Z 4 Z 2 Z 3 Z 4
e Z2Z3
i3 ( s )
Z1 Z 2 ( Z 3 Z 4 ) Z 3 Z 4 Z 2 Z 3 Z 4
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
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).
El anlisis necesario para encontrar las impedancia mecnicas es ahora evidente y sus
resultados son:
Z1 ( s ) m1 s
k1
Z 2 (s) c1
s
k
Z 3 (s) 2
s
k
Z 4 ( s) m2 s 3 c2
s
Y por tanto la solucin para este caso es:
f Z2 Z3 Z 4 Z3Z 4
v1 ( s) s y1 ( s)
Z1 Z 2 ( Z 3 Z 4 ) Z 3 Z 4 Z 2 Z 3 Z 4
f Z 2 Z3 Z 4
v2 ( s ) s y 2 ( s )
Z1 Z 2 ( Z 3 Z 4 ) Z 3 Z 4 Z 2 Z 3 Z 4
f Z2Z3
v3 ( s) s y3 ( s)
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
A las vlvulas las denominaremos R1, R2, R3 y R4 mejor an: Rf1, Rf2, Rf3 y Rf4.
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:
Z1 Z 2 Z2 0 q1 p (s )
Z Z 2 Z3 Z 4 Z 4 q = 0
2 2
0 Z4 Z 4 Z 5 q3 0
p [ Z2 (Z4 + Z5)]
237
q2 =
p [ Z2 Z4]
q3 =
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
Supongamos que ahora queremos conocer la energa acumulada en los elementos del
sistema. Para ello nos auxiliaremos de la siguiente tabla:
1
Las resistencias no acumulan energa pero la capacitancia (tanque) acumula E C p y
2
1
la inertancia acumula E 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:
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:
d
Qc mCv
dt
Puesto que:
a = x + o
p = z + o
d d y
= y + o, de lo que se deduce que:
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:
dy dx mCv 1
y a1 x a2 , se tiene que: a2=0; a1=1 y .
dt dt A k U
1
G ( s)
Y en este caso la funcin de transferencia es: mCv 1
1 s
A k U
Ntese que en este ejemplo no hemos considerado el calor absorbido por las paredes y
techo que nos conducira a incluir otra capacitancia como mostraremos a continuacin.
Siguiendo el caso que estamos analizando veamos en la siguiente figura tres puntos
(estaciones) donde se tienen diferentes temperaturas.
240
Asumamos que al principio todas las temperaturas coinciden con las temperaturas del
medio ambiente a la cual consideraremos la tierra del sistema (equilibrio trmico). El
punto 1 indica la temperatura en el exterior, el punto 2 indica la temperatura en la superficie
externa del almacen y el punto 3, la temperatura interna del almacen.
Ahora podemos establecer el siguiente circuito:
Donde q1 y q2 representan los flujos de calor en cada parte del circuito. El diagrama de
impedancias es el siguiente:
241
Donde:
1 Z 3 (s)
1
Z1 ( s ) Z 2 (s)
UA KA mCv s
1
Z 4 (s)
m p Cv s , donde Cp es el calor especfico de la pared y mp es la masa de la pared y
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 Z4 q1 (s )
Z =
Z 2 Z 3 Z 4 q2 0
4
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
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
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:
Cada opcin del men principal que se muestra se despliega en submenes que permiten
ejecutar las principales tareas implementadas:
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:
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).