You are on page 1of 25

ndice

Aritmtica de punto flotante..

Aproximacin numrica 4 1.2 Errores: truncamiento, redondeo y su repercusin en los procesos 4 1.2.1 Error por truncamiento. ... 4 1.2.2 Error por redondeo 4 1.2.3 Clculo de error.. 5 1.3 Incertidumbre e importancia del error humano.. 5 1.4 Errores de redondeo y aritmtica de punto flotante 5 1.5 Exactitud y precisin: error absoluto y error relativo.. 6 1.5.1 Error absoluto... 6
1.1 1.5.2 Error relativo....

6
2

Solucin de ecuaciones no lineales en una variable.7


Mtodo de Newton Raphson.7

2.1

2.2

Mtodo de la secante..8

Sistemas de lineales.9

ecuaciones

Mtodo de solucin: eliminacin Gaussiana (GaussJordan)..10 3.2 Mtodo iterativo de Jacobi. ..11 3.2 Mtodo recursivo de Gauss-Seidel. 13
3.1

4 Regresin e Interpolacin14
4.1 Regresin lineal mediante el modelo de mnimos cuadrados14 4.2 Mtodo de interpolacin de Lagrange.16 5 Derivacin e numrica.16

integracin

5.1 Derivacin numrica....17

6 Solucin numrica de ecuaciones diferenciales ordinarias...18


6.1 Mtodo de

Euler..18 6.2 Mtodos de Kutta..20

Runge-

Introduccin
Los mtodos numricos constituyen procedimientos alternativos provechosos para resolver problemas matemticos para los cuales se dificulta la utilizacin de mtodos analticos tradicionales y, ocasionalmente, son la nica opcin posible de solucin.

Aritmtica de punto flotante


1.1 Aproximacin numrica
Son tcnicas mediante las cuales un modelo matemtico es resuelto usando solamente operaciones aritmticas (tediosos clculos aritmticos), tcnicas sistemticas cuyos resultados son aproximaciones del verdadero valor que asume la variable de inters;

la repeticin consistente de la tcnica, a lo cual se le denomina iteraciones, es lo que permite acercarse cada vez ms al valor buscado Se entiende por aproximacin numrica X* una cifra que representa a un nmero cuyo valor exacto es X. En la medida en que la cifra X* se acerca ms al valor exacto X, ser una mejor aproximacin de ese nmero Ejemplos: 3.1416 es una aproximacin numrica de , 1.4142 es una aproximacin numrica de 2, y 0.333333 es una aproximacin numrica de 1/3.

1.2 Errores: truncamiento, redondeo y su repercusin en los procesos.


En el anlisis numrico, al error que existe entre el valor real y el obtenido, se le llama error de aproximacin. Existen varios tipos de error, pero los ms comunes son: 1.2.1 Error por truncamiento. Suponiendo que queremos calcular 24/7, sabemos que el resultado de este quebrado es 3.428571... Si truncamos a dos decimales, es decir 3.42 solamente, su expresin como quebrado sera 171/50, y esto, como se puede observar, est generando un error, que ms adelante lo calcularemos. 1.2.2 Error por redondeo. Tomando el ejemplo anterior, si redondeamos a dos decimales, es decir 3.43 solamente, su expresin como quebrado sera 343/100, y esto nos genera un error, que al igual que en el caso anterior, ms adelante calcularemos.

1.2.3 Clculo de error Cuando obtenemos un valor por aproximacin, independientemente del mtodo utilizado, podemos calcular el error de dos formas:

Error absoluto (EA).- Es la diferencia que existe entre el valor real (R V) y el valor aproximado (V A). Es decir: EA = | VR - VA | Error relativo.- Es la diferencia porcentual que existe entre el valor absoluto y el valor real. Y se calcula como: (EA/VR)* 100 = ((|VR VA |)/VR)* 100 = % Error EA = | VR VA |

1.3 Incertidumbre e importancia del error humano.


Algunos autores mencionan dentro de la clasificacin de errores inherentes, los yerros humanos, que se cometen al hacer la lectura de una medida, al transmitirla o al transcribirla; pero, en virtud de que estos errores de lectura, transmisin o transcripcin pueden constituirse en pifias garrafales que quedan fuera de todo control, no es posible estimarlos en forma sistematizada. Por ejemplo, si al transcribir en un documento la densidad de un producto, se anota 1.381 en vez de 1.831, que es la medida leda, la pifia es imposible de manejar y predecir.

1.4 Errores de redondeo y aritmtica de punto flotante.


Los errores de redondeo se producen al realizar operaciones aritmticas en las que el resultado produce una mantisa cuyo nmero de dgitos difiere significativamente del nmero de dgitos de la mantisa de alguno de los valores numricos involucrados en la operacin. Al manejar un determinado nmero de cifras significativas en los clculos, el resultado tiene que ser redondeado de alguna manera, sobrestimando o subestimando el valor resultante verdadero. Sea X el resultado de una operacin aritmtica, el cual puede ser expresado mediante notacin matemtica, en forma normalizada: F x 10n, donde F est formada por m cifras obtenidas en el resultado, de las cuales, n son enteras. Este valor se puede descomponer en dos sumandos, igualmente normalizados: el primero formado por t cifras significativas, las t primeras cifras del resultado despus del punto decimal: f x 10n, y el segundo formado por las (m-t) cifras no

significativas del resultado, g x 10n-t: X = F x 10n = f x 10n + g x 10n-t En virtud de que F, f y g son nmeros normalizados, su valor absoluto puede tomar algn valor dentro del intervalo semiabierto [0.1, 1). F est formado por m dgitos, f est formada por t dgitos y g est formada por (m-t) dgitos. 0.1 |F| < 1; [0.1, 0.999...99] m dgitos 0.1 |f| < 1; [0.1, 0.999...99] t dgitos 0 |g| < 1; [0, 0.999...] (m-t) dgitos

1.5 Exactitud y precisin: error absoluto y error relativo.


1.5.1 Error absoluto Los errores numricos se generan con el uso de aproximaciones para representar las operaciones y cantidades matemticas. La relacin entre un resultado exacto o verdadero X y el valor aproximado X* est dado por: X = X* + error (1.1) El que un error tenga signo positivo o negativo, generalmente no tiene importancia, de manera que el error absoluto se define como el valor absoluto de la diferencia entre el valor verdadero y el valor aproximado: E = |X X*| (1.2) El error absoluto se expresa en las mismas unidades que X y no toma en cuenta el orden de magnitud de la cantidad que se est midiendo. El error relativo normaliza el error absoluto respecto al valor verdadero de la cantidad medida: e = |E/X| = |(X - X*)/X| (1.3) 1.5.2 Error relativo El error relativo es adimensional y puede quedar expresado as, en forma fraccional, o se puede multiplicar por 100 para expresarlo en trminos porcentuales:

e (%) = |E/X| x 100 (1.4) Las ecuaciones (1.1), (1.2), (1.3) y (1.4) suponen que se conoce el valor verdadero de X, lo que hace que los errores absoluto y relativo: E y e sean tambin verdaderos. Pero normalmente X no se conoce; no tendra sentido considerar una aproximacin, si se conociese el valor verdadero. La mejor estimacin posible del verdadero valor de X es su aproximacin X* y se define entonces una estimacin del error relativo como: e* = |E/X*| Pero el problema est en cmo estimar E, en ausencia de conocimiento del verdadero valor de X. Algunos mtodos numricos usan un esquema iterativo en los que se hace una aproximacin con base en la aproximacin previa y esto se hace varias veces, para obtener cada vez mejores aproximaciones: e* = | (valor actual - valor anterior)/valor actual | Los clculos se repiten hasta que: e* < e0, donde e0 es un valor prefijado previamente. Los errores numricos se clasifican, por su origen, en tres tipos: errores inherentes, errores de redondeo y errores por truncamiento, cada uno de los cuales merece un tratamiento por separado.

Solucin de ecuaciones no lineales en una variable


2.1 Mtodo de Newton Raphson.
El Mtodo de Newton-Raphson asume que la funcin f(x) es derivable sobre un intervalo cerrado [a,b]. Entonces f(x) tiene una pendiente definida y una nica lnea tangente en cada punto dentro del intervalo [a,b]. La tangente en (x0, f (x0)) es una aproximacin a la curva de f(x) cerca del punto (x0, f(x0)) .En consecuencia, el cero de la lnea tangente es una aproximacin del cero de f(x) o denominada raz de f(x).

f(x)

x2 x1 x0 Modelo general del mtodo Newton Raphson. Formula de Newton Raphson: xi+1 = xi ((f(xi))/(f(xi)))

Ejemplo: usar el mtodo de Newton Raphson para aproximar la raz de f(x)= e-x ln x comenzando con x0 = 1 y hasta que e (%)<1% En este caso tenemos que: f(x) = -e-x (1/x) Aqu tenemos que: xi+1 = xi ((e-xi ln(xi))/(-e-xi (1/xi))) = xi + ((e-xi ln(xi))/(e-xi + (1/xi))) Comenzamos con x0 = 1 y obtenemos: x1 = x0 + ((e-x0 ln(x0))/(e-x0 + (1/x0))) = 1.268941421 En este caso, el error aproximado es: e (%) = |((1.268941421 1)/( 1.268941421))*100%| = 21.19% Continuamos con el proceso hasta reducir el error aproximado hasta que el e (%) < 1% Resumimos los resultados en la siguiente tabla: Aprox. a la raz 1 1.268941421 1.309108403 1.3097999389 Error aprox. 100% 21.19 % 3.06 % 0.52

Se observa que cuando el mtodo de Newton Raphson converge a la raz, lo hace de una forma muy rpida y de hecho el error aproximado disminuye a pasos agigantados en cada paso del proceso. 2.2

Mtodo de la secante

El principal inconveniente del mtodo de Newton estriba en que requiere conocer el valor de la primera derivada de la funcin en el punto. Sin embargo la forma funcional de f(x) dificulta en ocasiones el clculo de la derivada. En este caso en ms til emplear el mtodo de la secante. El mtodo de la secante parte de dos puntos y no solo de uno como el mtodo anterior y estima la tangente es decir, la pendiente de la recta, por una aproximacin de acuerdo con la expresin: f(x0) = ((f(x1) f(x0))/(x1 x0)) Sustituyendo esta expresin en la ecuacin del mtodo de Newton, obtenemos la expresin del mtodo de la secante que nos proporciona el siguiente punto de iteracin: x2 = x0 ((x1 x0)/(f(x1) f(x0))) * f(x0) Ejemplo: usar el mtodo de la secante para aproximar la raz de fx = e-x2 x, comenzando con x0 = 0, x1 = 1 hasta que el e(%) <1%. Primera iteracin para la fx = e-x2 x con x0 = 0, x1 = 1 xn = x n-1 - |((xn-1 xn-2)/f(xn-1) - f(xn-2))|f(xn-1) = 0.612699837 Con un error aproximado de: e(%) = |((x2 x1)/x2) * 100%|= 63.2% como todava no se logra el objetivo, continuamos con el proceso. Resumimos los resultados en la siguiente tabla: Aprox. a la raz 0 0.612699837 0.653442133 0.652917265 Error aprox. 100 % 63.2 % 6.23 % 0.08 %

De lo cual se concluye que la aproximacin a la raz es x4 =

10

0.652917265

Sistemas de ecuaciones lineales


Un sistema de ecuaciones lineales de mxn es una expresin de la forma: a11x1+a12x2+ + a1nxn = b1 a21x1+a22x2+ + a2nxn = b2
.. ..

am1x1+am2x2+ + amnxn = bm y su soluciones un conjunto de valores:k1, k2, kn tales que: a11k1+a12k2+ + a1nkn = b1 a21k1+a22k2+ + a2nkn = b2
.. ..

am1x1+am2k2+ + amnkn = bm

3.1 Mtodo de solucin: eliminacin Gaussiana (GaussJordan).


El mtodo de Gauss-Jordan consiste en la eliminacin consecutiva de las incgnitas con el propsito de llegar a un sistema escalonado. Para llevar a cabo dicha transformacin se recurre a las transformaciones elementales, considerndolas sobre una matriz que represente al sistema de ecuaciones nicamente a travs de sus coeficientes. Esta matriz se conoce como Matriz del Sistema; si adems esta contiene los trminos independientes se le da el nombre de Matriz Aumentada del sistema. T(s)=T(s)=T(s) a11x1 a12x2 a1nkn b1 x1 0x1 0xn c1 a21x1 a22x2 a2nkn b2 0x1 x2 0xn c2 ............. ..

11

............. an1x1 an2x2 annkn bn

... 0x1 0x2 xn cn

Para ilustrar la idea central del mtodo, consideremos el problema de resolver el siguiente sistema de ecuaciones: 3x1 + 3x2 + 6x3 = 9 3x1 + 4x2 + 1x3 = -1 -2x1 - 4x2 - 1x3 = 0 El cual est representado por el siguiente arreglo matricial: 3 3 -2 3 4 -4 6 1 -1 9 -1 0

Primer paso ser obtener un regln pivote, cuyo primer elemento sea 1,normalizado un regln, en este caso el segundo, antes de comenzar el escalonamiento, intercambiaremos los reglones 1 y 2. Ahora para comenzar a escalonar, multiplicaremos el primer regln por -3 1/3(R2) 3 4 1 -1 3 4 1 -1 3 3 6 9 1 1 2 3 -2 -4 -1 0 -2 -4 -1 0 R1 = R 2 -3(R1) 1 1 2 3 -3 -3 -6 -9 3 4 1 -1 3 4 1 -1 -2 -4 -1 0 -2 -4 -1 0 Ahora sumaremos el primer regln al segundo y sustituiremos este ltimo con el resultado. Despus, volveremos a normalizar el regln 1. Justo como antes, multiplicaremos el primer regln, por el primer elemento del tercer rengln, cambiado de signo, en este caso por 2. Una vez ms sumaremos renglones, ahora el primer y el tercero, sustituyendo este ltimo con el nuevo resultado y despus normalizamos de nuevo el pivote R1+R2 -3 -3 -6 -9 1 1 2 3 3 4 1 -1 -1/3(R2) 01 -5 -10 -2 -4 -1 0 -2 -4 -1 0

12

2(R1) 2 0 1 -2 2 4 6

R1+R3 -5 -10 1/2(R1) -4 -1 0 1 0 0 1 1 -2 2 -5 3 6 3 -10

Una vez que la primera columna se ha llenado de ceros, cambiamos de pivote al regln inmediato hacia abajo y llenamos de ceros la segunda columna, hacia abajo. Este algoritmo se repite hasta convertir la matriz en una matriz diagonal superior, con solo ceros por debajo de su diagonal principal. Esta primera parte del mtodo se conoce como eliminacin Gaussiana. Como se aprecia el sistema ha sido transformado en uno equivalente cuyas ecuaciones son de 1, 2 y 3 variables. A partir de aqu, con la eliminacin Gaussiana se obtiene los valores de las incgnitas a travs de una sustitucin hacia atrs, como se muestra: x3 = -14 / -7 = 2 x2 = -10 + 5 (x3) = -10 + 5 (2) = 0 x1 = 3 2 (x3) x2 = 3 2 (2) 0 = -1

3.2 Mtodo iterativo de Jacobi


El mtodo Jacobi es el mtodo iterativo para resolver sistemas de ecuaciones lineales ms simple y se aplica slo a sistemas cuadrados, es decir a sistemas con tantas incgnitas como ecuaciones. Primero se determina la ecuacin de recurrencia. Para ello se ordenan las ecuaciones y las incgnitas. De la ecuacin i se despeja la incgnita i. En notacin matricial se escribirse como: x=c+Bx Donde x es el vector de incgnitas. Despus se toma una aproximacin para las soluciones y a sta se le designa por x0. Luego se itera en el ciclo que cambia la aproximacin xi + 1 = c + B xi Ejemplo: Partiendo de ( x = 1, y = 2 ) aplique dos iteraciones del mtodo de Jacobi para resolver el sistema: 5x + 2y = 1 x - 4y = 0

13

Debemos primeramente despejar de la ecuacin la incgnita correspondiente. x = 0.20 + 0.00x - 0.40y y = 0.00 + 0.25x +0.00y Escrito en la notacin vectorial quedara: x 0.20 0.00 -0.40 x = + y 0.00 0.25 0.00 y Aplicamos la primera iteracin partiendo de x0 = 1.00 y y0 = 2.00 x1 = 0.20 + 0.00(1.00) - 0.40(2.00) = -0.60 y1 = 0.00 + 0.25(1.00) + 0.00(2.00) = 0.25 Aplicamos la segunda iteracin partiendo de x1 = 0.60 y y1 = 0.25: x2 = 0.20 + 0.00 (0.60) 0.40 (0.25) = 0.10 y2 = 0.00 + 0.25 (0.60) + 0.00 (0.25) = 0.15 Aplicamos la siguiente iteracin partiendo de x2 = 0.10 y y1 = 0.15: x3 = 0.20 + 0.00 (0.10) 0.40 (0.15) = 0.26 y3 = 0.00 + 0.25 (0.10) + 0.00 (0.15) = 0.025 Aplicamos la siguiente iteracin partiendo de x3 = 0.26 y y3 = 0.025: x4 = 0.20 + 0.00 (0.26) 0.40 (0.025) = 0.190 y4 = 0.00 + 0.25 (0.26) + 0.00 (0.025) = 0.065 Aplicamos la siguiente iteracin partiendo de x4 = 0.190 y y4 = 0.065: x5 = 0.20 + 0.00 (0.19) 0.40 (0.065) = 0.174 y5 = 0.00 + 0.25 (0.19) + 0.00 (0.065) = 0.0475 Aplicamos la siguiente iteracin partiendo de x5 = 0.174 y y5 = 0.0475: x6 = 0.20 + 0.00 (0.174) 0.40 (0.0475) = 0.181 y6 = 0.00 + 0.25 (0.174) + 0.00 (0.0475) = 0.0435 Dnde: Di = mx (|xi - xi+1|,|yi - yi+1|)

14

Resumimos los resultados en la siguiente tabla: i 0 1 2 3 4 5 6 xi 1.00 0.60 0 0.10 0 0.26 0 0.19 0 0.17 4 0.18 1 yi 2.00 0.250 -0.150 0.025 0.065 0.047 0.043 xi+1 yi+1 -0.600 0.250 0.100 -0.150 0.260 0.190 0.174 0.181 0.182 0.025 0.065 0.047 0.043 0.045 Di 1.750 0.700 0.170 0.070 0.017 0.007 0.001

Este Di es utilizado como criterio de paro en las iteraciones: Cuando Di es menos que cierto valor dado (digamos 0.001) uno ya no realiza la siguiente iteracin. Si se grafica las aproximaciones obtenidas en el plano x y se obtendr algo como:

Sucesin de Soluciones

15

3.3

Mtodo recursivo de Gauss-Seidel

El mtodo de Gauss-Seidel es muy semejante al mtodo de Jacobi. Mientras que en el de Jacobi se utiliza el valor de las incgnitas para determinar una nueva aproximacin, en el de Gauss-Seidel se va utilizando los valores de las incgnitas recin calculados en la misma iteracin, y no en la siguiente. Por ejemplo, en el mtodo de Jacobi se obtiene en el primer clculo xi+1, pero este valor de x no se utiliza sino hasta la siguiente iteracin. En el mtodo de Gauss-Seidel en lugar de eso se utiliza de xi+1 en lugar de xi en forma inmediata para calcular el valor de yi+1 de igual manera procede con las siguientes variables; siempre se utilizan las variables recin calculadas. Ejemplo: Partiendo de (x = 1, y = 2) aplique dos iteraciones del mtodo de Gauss-Seidel para resolver el sistema: 5x+2y=1 x4y=0 Debemos primeramente despejar de la ecuacin la incgnita correspondiente. x = 0.20 + 0.00 x 0.40 y y = 0.00 + 0.25 x + 0.00 y Aplicamos la primera iteracin partiendo de x0 = 1.00 y y0 = 2.00: x1 = 0.20 + 0.00 (+1.000) 0.40 (2.00) = 0.600 y1 = 0.00 + 0.25 (0.600) + 0.00 (2.00) = 0.15 Aplicamos la segunda iteracin partiendo de x1 = 0.600 y y1 = 0.15: x2 = 0.20 + 0.00 (0.600) 0.40 (0.15) = 0.26 y2 = 0.00 + 0.25 (0.26) + 0.00 (0.15) = 0.065 Aplicamos la tercera iteracin partiendo de x2 = 0.26 y y2 = 0.065: x2 = 0.20 + 0.00 (0.26) 0.40 (0.065) = 0.174 y2 = 0.00 + 0.25 (0.174) + 0.00 (0.174) = 0.0435

Regresin e Interpolacin
4.1 Regresin lineal mediante el modelo de mnimos

16

cuadrados.

La forma ms simple de interpolacin es la de conectar dos puntos con una lnea recta. Este mtodo, llamado interpolacin lineal. Usando tringulos semejantes, se tiene ((f1 (x) - f (x0))/ (x - x0)) = ((f (x1) - f (x0))/ (x1 - x0)) Que se puede ordenar como: f1 (x) = f (x0) + ((f (x1) - f (x0))/ (x1 - x0)) *( x - x0)

Esquema grfico de la interpolacin lineal. Las reas sombreadas muestran tringulos semejantes usados en la derivacin de la frmula de interpolacin lineal. La cual es una frmula de interpolacin lineal. La notacin f1(x) indica que se trata de un polinomio de interpolacin de primer orden. Ntese que adems de representar la pendiente de la lnea que conecta los dos puntos, el trmino (f(x1) - f (x0)) / (x1 - x0) es una aproximacin de diferencias divididas finitas a la primera derivada. En general, entre ms pequeo sea el intervalo entre los puntos, ms exacta ser la aproximacin. Esta caracterstica se demuestra en el ejemplo siguiente. Ejemplo: calclese el logaritmo natural de 2 (ln 2) usando interpolacin lineal. Primero, llvense a cabo los clculos interpolando entre ln 1 = 0 y In 6 = 1.791 759 5. Despus reptanse el procedimiento, pero usando un intervalo ms pequeo desde ln 1 a In 4 (1.386 294 4). Ntese que el valor real

17

de In 2 = 0.693 147 18 f1 (2) = 0 + (1.791 759 5 - 0)/(6 - 1)*(2 - 1) = 0.35835190 La cual representa un error relativo de = 48.3%. Usando el intervalo ms pequeo desde x = 1 a x = 4 da: f1 (2) = 0 + (1.3862944 - 0)/(4 - 1)*(2 - 1) = 0.46209813 Por lo tanto, usando el intervalo ms pequeo reduce el error relativo de = 33.3%.

4.2 Mtodo de interpolacin de Lagrange.


A continuacin expondr como se obtiene el polinomio de interpolacin mediante el mtodo de Lagrange. Bsicamente el problema consiste en que se cuenta con un conjunto de pares ordenados que representan puntos en un par de ejes cartesianos y se quiere buscar una funcin que pase por todos esos puntos. El mtodo de Lagrange obtiene el polinomio de interpolacin correspondiente a los puntos (x0,y0), (x1,y1), , (xn,yn), a partir de las n + 1 funciones siguientes: f0(x) = ((x x1)*(x x2)*(x x3), ,(x xn) ) /((x0 x1)*(x0 x2)*(x0 x3), ,(x0 xn) ) f1(x) = ((x x0)*(x x2)*(x x3), ,(x xn) ) /((x1 x0)*(x1 x2)*(x1 x3), ,(x1 xn) ) fn(x) =((x x0)*(x x1)*(x x2), ,(x xn-1) ) /((xn x0)*(xn x1)*(xn x2), ,(xn xn-1) ) Todos son polinomios de grado n que cumplen fi (xi) = 1; fi (xj) = 0 (si i = j), por lo que: Pn (x) = y0 f0 (x) + y1 f1 (x) + y2 f2 (x) + + yn fn (x) Ser un polinomio de grado menor o igual que n que, adems, cumplir: Pn (x0) = y0 , Pn (x1) =y1 ,,Pn (xn) = yn Ejemplo: para hallar por el mtodo de lagrange el valor interpolado para x = 4 correspondiente a los puntos (1 , 1), (3 ,

18

4) y (6 , 8)procederemos as: P (x) = 1* (((x -3)*(x-6))/10) +4* (((x -1)*(x-6))/-6)+ 8*(((x -1)*(x3))/15)=P(4)=22/5= 44

Derivacin e integracin numrica


Sea la funcin: y= f(x) Se desea calcular la derivada de la funcin f(x), para lo cual lo expresamos Grficamente as:

tg = ( y0)/h d/dx f(x) = 1/h[ y0] dnde: y0 = y1 y0 El problema de la derivada consiste en obtener el valor de las derivadas en una funcin tabulada en algunos puntos: x = x0, x1, x2, x3, , xn Si: yk = f(xk) yk = y0 + (k 1) y0 +(k 2) 2 y0 + (k 3) 3 y0 + + (k j) j y0 La primera derivada es: d/dx f(x) = d/dx[y0 + (k 1) y0 +(k 2) 2 y0 + (k 3) 3 y0 + + (k j) j y0] Considerando que : k = ((x x0)/h) (k 1) = ((k(k - 1))/(k - 1)) = k (k 2) = ((k(k-1)(k-2))/((k-2)2!))) = ((k(k -1))/2) (k 3) =((k(k -1)(k-2))/6) Remplazando en k, dk/dx, (k 1), (k 2), (k 3) en d/dx f(x), y derivando, tenemos: y dk/dx = 1/h

19

d/dx f(x) = 1/h d/dk [y0 + (k ) y0 +((k(k -1))/2)2 y0 + ((k(k -1)(k-2))/6) 3 y0 +.] d/dx f(x) = 1/h [ y0 +((2k - 1)/2)2 y0 + ((3k2 -6k +2)/6) 3 y0 +.]

5.1 Derivacin numrica.


Formula de derivacin de dos puntos:
d/dx f(x) = 1/h [ y0 .] +e donde: e es un error por truncamiento y y0 = y1 - y0 d/dx f(x) = 1/h [y1 - y0.] +e Esta frmula permite encontrar la funcin tabular x = x0 mediante un polinomio interpelante de primer grado, tenemos: d/dx f(x) |x = x0| y0 = 1/h [y1 - y0.] +e Si deseamos encontrar la derivada de la funcin tabular en x = x1 mediante un polinomio interpelante de primer grado, tenemos: d/dx f(x) |x x1 y0 = 1/h [-y1 + y2.] +e y as sucesivamente.

Solucin numrica de ecuaciones diferenciales ordinarias.


6.1 Mtodo de Euler.

Se llama mtodo de Euler al mtodo numrico consistente en ir incrementando paso a paso la variable independiente y hallando la siguiente imagen con la derivada. Calculemos la ecuacin de la recta tangente a la curva solucin de la ecuacin diferencial dad en el punto (x0, y0). De los cursos de Geometra analtica, sabemos que la ecuacin de la recta es: y = m(x x0) +y0 Donde m es la pendiente. En este caso, sabemos que la pendiente de

20

la recta tangente se calcula con la derivada: m = y(x0, y0) = f(x0 y0) Por lo tanto, la ecuacin de la recta tangente es: y = f(x0, y0)(x x0)+y0 Ahora suponemos que x1 es un punto cercano a x0, y por lo tanto estar dado como x1 = x0 + h. De esta forma, tenemos la siguiente aproximacin: y(x1)= y( x0 + h) f(x0, y0)( x0 + h - x0)+ y0 De aqu, tenemos nuestra frmula de aproximacin: y(x0 + h) y0 + h * f(x0, y0)
Esta aproximacin puede ser suficientemente buena, si el valor de h es realmente pequeo, digamos de una dcima o menos. Pero si el valor de h es ms grande, entonces podemos cometer mucho error al aplicar dicha frmula. Una forma de reducir el error y obtener de hecho un mtodo iterativo, es dividir la distancia k=|x1 x0| en n partes iguales (procurando que estas partes sean de longitud suficientemente pequea) y obtener entonces la aproximacin en n pasos, aplicando la frmula anterior n veces de un paso a otro, con la nueva h igual a | x1 x0|/n. En una grfica, tenemos lo siguiente: X0 x0 + h x0 +2h x1 | | | | y0 y1 y2 yn

Ahora bien, sabemos que:

y1 = y0 + hf(x0, y0)

Para obtener y2 nicamente hay que pensar que ahora el papel de (x0, y0) lo toma el punto (x1, y1), y por lo tanto, si sustituimos los datos adecuadamente, obtendremos que: y2 = y1 + hf(x1, y1)
Esta es la conocida frmula de Euler que se usa para aproximar el valor de y(x1) aplicndola sucesivamente desde x0 hasta x1 en pasos de longitud h. Ejemplo: y = 2xy y(0) = 1 Dada la siguiente ecuacin diferencial con la condicin inicial: aproximar y(0.5).

21

Primero observamos que esta ecuacin s puede resolverse por mtodos tradicionales de ecuaciones diferenciales. Por ejemplo, podemos aplicar el mtodo de separacin de variables. Veamos la solucin Numrica: Aplicamos el mtodo de Euler y para ello, observamos que la distancia entre x0 =0 y x1 = 0.5 no es lo suficientemente pequea. Si dividimos esta distancia entre cinco obtenemos un valor de k= 0.1 y por lo tanto, obtendremos la aproximacin deseada en cinco pasos. De esta forma, tenemos los siguientes datos: x0 = 0 y0 =1 k = 0.1 f(x, y) = 2xy Sustituyendo estos datos en la frmula de Euler, tenemos, en un primer paso: x1 = x0 + h = 0.1 y1 = y0 + hf(x0, y0) = 1 +0.1[2(0)(1)] =1 Aplicando nuevamente la frmula de Euler, tenemos, en un segundo paso: X2 = x1 + k = 0.2 y1 = y1 + hf(x1, y1) = 1 +0.1[2(0.1)(1)] =1.02 Y as sucesivamente hasta obtener y5. Resumimos los resultados en la siguiente tabla: n 0 1 2 3 4 5 xn 0 0.1 0.2 0.3 0.4 0.5 yy 1 1 1.02 1.0608 1.12445 1.2144

Concluimos que el valor aproximado, usando el mtodo de Euler es: y(0.5)1.2144.


Puesto que en este caso, conocemos el valor verdadero, podemos usarlo para calcular el error relativo porcentual que se cometi al aplicar la frmula de Euler. Tenemos que: e (%) = |((1.28402 1.2144)/1.28402)*100%| = 5.42%

6.2

Mtodos de Runge-Kutta.

22

Sin entrar en mucho detalle, mencionamos solamente que el mtodo de Runge-Kutta cambia la direccin en el sentido de que no sigue la misma lnea de los mtodos de Euler. De hecho est basado en una aplicacin de los polinomios de Taylor. Comentamos sin embargo, que el mtodo de RungeKutta si contiene como casos especiales los de Euler. Las formulas: yn-1 = yx + 1/6[k1 + 2k2 + 2k3 + k4] Dnde: k1 = k * f(xn * yn) k2 = k * f [xn + 1/2k, yn + 1/2 k1] k3 = k * f [xn + 1/2 k, yn + 1/2 k2] k4 = k* f [xn + k, yn + k3] Se conocen como las reglas o frmulas de Runge-Kutta de orden cuatro para la ecuacin diferencial: y = f (x, y) y (x0) = y0 Ejemplo: Usar el mtodo de Runge-Kutta para aproximar y(0.5) dada la siguiente ecuacin diferencial: y = 2xy y(0) = 1 Primero, identificamos el mismo ejemplo 1 de los dos mtodos anteriores. Segundo, procedemos con los mismos datos: x0 = 0 y0 =1 k = 0.1 f(x, y) = 2xy Para poder calcular el valor de y1, debemos calcular primeros los valores de k1, k2, k3 y k4. Tenemos entonces que: k1 = k*f(x0, y0) =0 k2 = k*f(x0 +1/2 k,y0 +1/2 k1) = 0.1[2(0.05)(1)] = 0.01 k3 = k*f(x0 +1/2 k,y0 +1/2 k2) = 0.1[2(0.05)(1.005)] = 0.01005 k4 = k*f(x0 +1/2 k,y0 +1/2 k3) = 0.1[2(0.1)(1.005)] = 0.020201 Por lo tanto: y1 = y0 + 1/6 [0+2(0.01)+2(001005)+0.020201] = 1.01005 Con el fin de un mayor entendimiento de las frmulas, veamos la siguiente iteracin: x2 = x1 + k =0.2 k1 = k *f(x1, y1) = 0.1 [2(0.1)(1.01005)] =0.020201 k2 = k *f(x1 +1/2 k,y1 +1/2 k1) =0.1[2(0.15)(1.02010)] = 0.0306

23

k3 = k *f(x1 +1/2 k,y1 +1/2 k2) =0.1[2(0.15)(1.02535)] = 0.03076 k4 = k *f(x1 + k,y1 + k3) =0.1[2(0.2)(1.04080)] = 0.04163 Por lo tanto: y2 = y1 + 1/6 [k1 + 2k2 + 2k3 + k4] = 1.04081 El proceso debe repetirse hasta obtener y5. Resumimos los resultados en la siguiente tabla: n 0 1 2 3 4 5 xn 0 0.1 0.2 0.3 0.4 0.5 yn 1 1.01005 1.04081 1.09417 1.17351 1.28403

Concluimos que el valor obtenido con el mtodo de Runge-Kutta es: y(0.5) 1.28403 Finalmente, calculamos el error relativo verdadero: e(%) = |((1.28402 1.284003)/1.28402)*100%| = 0.0007% Con lo cual vemos que efectivamente se ha reducido muchsimo el error relativo. De hecho observamos que tenemos 6 cifras significativas en la aproximacin!

24

Bibliografa
Prawda Witenberg, Mtodos y Modelos de Investigacin de Operaciones, Edit. Limusa, 1976 Nakamura, Mtodos numricos Carrasco Venegas, Luis, Editorial Amrica, Lima Per, 1era. Edic. 2002

Steven C. Chapra, Mtodos Numricos para Ingenieros,

25