Professional Documents
Culture Documents
Mtodos Numricos
UMSNH
Mtodos Numricos
FIE
Introduccin
A continuacin se presenta una recopilacin de las notas de la materia de Mtodos Numricos que se
ofrece dentro de la currcula de las carreras de Ingeniera Elctrica, Electrnica y en Computacin en la
Facultad de Ingeniera Elctrica. Estas notas no pretenden reemplazar a los textos que sobre la materia
han sido escritos, sin embargo si pretenden ser un material de apoyo para los estudiantes de esta
materia. En estas notas el lector encontrar el material completo que corresponde al curso de Mtodos
Numricos. El material contenido en estas notas est organizado en 8 Unidades
El contenido de estas notas se ha formado por medio de la recopilacin de materiales de varios autores,
los cuales son citados en la Bibliografa de este texto, adems de mi aportacin de problemas
relacionados con las reas de Ingeniera Elctrica y Electrnica.
Este texto no pretende sustituir a los textos de mtodos numricos que existen actualmente, sus
objetivos de este texto son
Objetivos
Que el estudiante tenga un documento en el cual pueda encontrar todos los temas y
subtemas que contiene el programa vigente de la materia de Mtodos Numricos en la
Facultad de Ingeniera Elctrica de la Universidad Michoacana de San Nicols de Hidalgo.
Que el estudiante cuente con un material de apoyo en dnde pueda ver y analizar una gran
cantidad de problemas resueltos y propuestos, los cuales le permitan afianzar los
conceptos tericos analizados en clase.
Que el lector de estas notas vea que los mtodos numricos son una herramienta muy
poderosa en el anlisis, diseo y planeacin de los sistemas que son utilizados en las reas
de Ingeniera, en particular en las ingenieras: elctrica, electrnica y en computacin.
ii
UMSNH
Mtodos Numricos
Contenido
iii
FIE
UMSNH
Mtodos Numricos
FIE
Unidad I
Introduccin a la programacin en Matlab
Introduccin
La computadora es un elemento que da con da es usada ms y ms en diversos mbitos de nuestra
sociedad. El uso de la computadora en el entorno acadmico y cientfico nos permite aprovechar sus
caractersticas de precisin y rapidez con el objeto de poder resolver problemas de mayor grado de
dificultad.
Matlab es un programa de cmputo que nos permite realizar operaciones tales como sumas, restas,
multiplicaciones y divisiones as como utilizar una amplia gama de funciones.
Todo nmero que es utilizado en Matlab es representado conceptualmente por el programa como una
matriz, por ejemplo, la suma,
22
sera representada en Matlab como:
2 2
Operadores matemticos
Matlab utiliza los siguientes operadores aritmticos:
+
/
\
*
^
()
Suma
Resta
Divisin a la derecha
Divisin a la izquierda
Multiplicacin
Potenciacin
Agrupacin
2 1
se representara en matlab como 2/3 + 1/3
3 3
El uso de los parntesis es de suma importancia, debido a que permiten agrupar operaciones, por
ejemplo, la operacin:
1 3 4
3
se representa en matlab como:
1 3 4 / 3
El smbolo ^ es muy til para el clculo de cualquier tipo de raz, por ejemplo
mediante el uso de una potencia como:
81 puede calcularse
UMSNH
Mtodos Numricos
FIE
81^(1/4)
Recordar que:
xm / n n xm
1 2 3
A 4 5 6
7 8 9
Su representacin en matlab es:
A = [1 2 3;4 5 6;7 8 9]
La matriz se introduce a matlab por medio del uso de corchetes cuadrados. La introduccin de los
elementos es por rengln. El smbolo ; representa el final de los elementos del rengln.
Considrese la matriz
1 2 4 6
B
8 7 4 3
Su representacin en matlab es:
B = [1 2 4 6;8 7 4 3]
Ejemplo: considrense las matrices:
3 6 2
A 1 0 4
2 7 5
8 5 3
B 4 6 7
1 4 3
la representacin de estas matrices en matlab se realiza por medio las siguientes instrucciones,
introducidas desde la lnea de comandos:
A = [-3 6 2; -1 0 4; 2 7 5]
B = [8 5 -3;4 -6 7;-1 4 3]
Consideremos ahora la realizacin de algunas operaciones entre las matrices A y B, tales como: A+B, AT
-1
-1
-1
-1
B, AB, BA, A , A , B , AA y BB
Las operaciones se realizaran de la siguiente forma,
A B
A+B
ans =
5 11 -1
3 -6 11
1 11 8
UMSNH
Mtodos Numricos
A B
AB
BA
A'
A1
AA1
FIE
A-B
ans =
-11 1 5
-5 6 -3
3 3 2
>> A*B
ans =
-2 -43
-12 11
39 -12
>> B*A
ans =
-35 27
8 73
5 15
57
15
58
21
19
29
>> A'
ans =
-3 -1 2
6 0 7
2 4 5
>> inv(A)
ans =
-0.1892 -0.1081
0.0878 -0.1284
-0.0473 0.2230
>> A*inv(A)
ans =
1.0000 0.0000
-0.0000 1.0000
0.0000 -0.0000
0.1622
0.0676
0.0405
-0.0000
-0.0000
1.0000
x1 x2 1
x1 x2 7
La representacin matricial del sistema de ecuaciones anterior es:
1 1 x1 1
1 1 x 7
2
en forma compacta se tiene:
AX B
resolviendo para
X A1B
de aqu se puede apreciar que la solucin est dada por el producto de la inversa de la matriz
matriz B .
A con la
Utilizando matlab la solucin del sistema de ecuaciones se puede obtener por medio de la siguiente
secuencia de instrucciones:
UMSNH
Mtodos Numricos
FIE
>> A = [1 -1;1 1]
A=
1 -1
1 1
>> B = [1;7]
B=
1
7
>> X = inv(A)*B
X=
4
3
X se tiene que:
x1 4
x 3
2
Otra alternativa para la solucin del sistema de ecuaciones anterior puede ser utilizando la divisin
izquierda definida en Matlab. Esta divisin realiza implcitamente la inversa de una matriz y la multiplica
por un vector de trminos.
>> A = [1 -1;1 1]
A=
1 -1
1 1
>> B = [1;7]
B=
1
7
>> A \ B
ans =
4
3
A 4
7
2 3
5 6
8 9
Los elementos que estn dentro del recuadro pueden ser representados como otra matriz, de la
siguiente manera:
B = A(2:3,2:3), aqu se dice que la matriz B est formada por las filas 2 a 3 y las columnas 2 a 3 de la
matriz A, por lo que entonces, la matriz B tendr los elementos:
UMSNH
Mtodos Numricos
FIE
5 6
B
8 9
Consideremos ahora la matriz,
1 2 3 4 5
A
6 7 8 9 10
Los elementos contenidos en el recuadro pueden formar otra matriz, la cual se puede definir como:
B = A(1:1,2:5)
La instruccin anterior especifica que la matriz B est formada por el rengln 1 de la matriz B y de las
columnas 2 a 5, por lo que entonces la matriz B es,
B 2 3 4 5
X(:,2) = []
ones
A = zeros(3)
0 0 0
A 0 0 0
0 0 0
A = zeros(3,4)
0 0 0 0
A 0 0 0 0
0 0 0 0
A = ones(3)
1 1 1
A 1 1 1
1 1 1
A = ones(3,4)
1 1 1 1
A 1 1 1 1
1 1 1 1
Si quisiramos tener una matriz de orden 3x4 con todos sus elementos iguales a 4, podemos hacer lo
siguiente.
A = ones(3,4)*4
UMSNH
Mtodos Numricos
FIE
4 4 4 4
A 4 4 4 4
4 4 4 4
Lo que hace la instruccin es generar una matriz de 3x4 y multiplicar cada uno de sus elementos por 4.
eye
genera una matriz identidad del orden que se especifica por el parmetro,
1
0
A
0
A = eye(4)
0 0 0
1 0 0
0 1 0
0 0 1
Si queremos tener una matriz diagonal de orden 4 cuyos elementos sean iguales a 5, podemos hacer lo
siguiente,
5
0
A
0
A = eye(4)*5
0 0 0
5 0 0
0 5 0
0 0 5
El comando magic(n) genera un cuadrado mgico de n n (un cuadrado mgico es una matriz de
n n en dnde los elementos de todas sus filas, columnas y diagonales suman una misma cantidad).
8 1 6
A 3 5 7
4 9 2
A = magic(3)
x e y.
UMSNH
Mtodos Numricos
FIE
>> Y = 3*X+2
Y=
-7 -4 -1
8 11
x e y de la siguiente
>> plot(X,Y)
-2
-1
title:
xlabel
ylabel
grid
ylabel
4
2
0
-2
-4
-6
-8
-3
xlabel
-2
-1
0
x
y x 2 x 6 son:
UMSNH
Mtodos Numricos
FIE
x = -4:3;
y = x.^2+x-6;
plot(x,y)
-2
-4
-6
-4
-3
-2
-1
El resultado obtenido es una parbola, sin embargo se aprecia que debido a los pocos puntos que la
definen, se pierde un poco la caracterstica curva de la parbola. Realicemos la grfica con un mayor
nmero de puntos, utilizando ahora un incremento de 0,1 entre los elementos que definen el rango, de
la siguiente manera;
6
x = -4:0.1:3;
y = x.^2+x-6;
plot(x,y)
-2
-4
-6
-8
-4
-3
-2
-1
grid on
xlabel(x)
ylabel(y)
title(y = 3x+2)
-2
-4
-6
-8
-4
-3
-2
-1
y x 1
y
y x2 x 6
La secuencia de instrucciones utilizadas para la realizacin de las grficas de las funciones son:
UMSNH
Mtodos Numricos
FIE
6
y = x+1
y = x*x-x-6
x = -3:0.01:4;
y1 = x+1;
y2 = x.^2-x-6;
plot(x,y1,x,y2,'--');
grid on
legend('y = x+1','y = x*x-x-6');
xlabel('x');
ylabel('y');
-2
-4
-6
-8
-3
-2
-1
y sen x , y cos x
f(x) = seno(x)
1
x = 0:0.01:2*pi;
y1 = sin(x);
y2 = cos(x);
subplot(2,1,1);
plot(x,y1);
title('f(x) = seno(x)');
grid on
subplot(2,1,2);
plot(x,y2);
title('f(x) = coseno(x)');
grid on
0.5
0
-0.5
-1
f(x) = coseno(x)
1
0.5
0
-0.5
-1
Solucin
x = 0:0.01:20;
y1 = 200*exp(-0.05*x).*sin(x);
y2 = 0.8*exp(-0.5*x).*sin(10*x);
plotyy(x,y1,x,y2,'plot');
200
0.8
150
0.6
100
0.4
50
0.2
0
-50
-0.2
-100
-0.4
-150
-0.6
-200
10
12
14
16
18
-0.8
20
UMSNH
Mtodos Numricos
FIE
Formato numrico
format: define el formato numrico de salida de matlab.
FORMAT SHORT
formato con 5 dgitos.
FORMAT LONG
formato con 15 dgitos.
FORMAT SHORT E
formato de punto flotante con 5 dgitos.
FORMAT LONG E
formato de punto flotante con 15 dgitos.
FORMAT HEX
formato hexadecimal
FORMAT RAT
Hace una aproximacin racional de las cantidades
FORMAT +
Los smbolos +, - y espacio en blanco son representan elementos positivos,
negativos y cero. Las partes imaginarias se desprecian.
Ejemplo: considrese que se desea encontrar una representacin fraccionaria de la raz cuadrada del
nmero 3.
>> format rat
>> sqrt(3)
ans = 1351/780
>>
ax2 bx c 0
Ejemplo, si quisiramos resolver la ecuacin,
x2 3x 10 0
podramos seguir la siguiente secuencia de instrucciones en matlab,
10
UMSNH
Mtodos Numricos
FIE
x4 16 0
y 3x 4 7 x 3 2 x 2 x 1
c = [3 -7 2 1 1]
c=
3 -7
xi = 2.5
xi = 2.5000
yi = polyval(c,xi)
11
UMSNH
Mtodos Numricos
yi = 23.8125
Multiplicacin de polinomios
deconv:
divisin de polinomios
poly:
polyder:
Derivada de un polinomio
polyval:
Evaluacin de un polinomio
residue:
roots:
Races de un polinomio
f x x 3 3x 2 8 x 2
y
g x 3x3 8x 2 2 x 10
f x g x
b)
f ' x
c)
f 3
d)
f 2 g 2
Solucin
Considere la siguiente secuencia de instrucciones
>> f = [1 3 8 2];
>> g = [-3 8 -2 10];
>> h = conv(f,g)
h = -3 -1 -2 62 30 76 20
>> derivada_f = polyder(f)
derivada_f =
12
FIE
UMSNH
Mtodos Numricos
FIE
>>
t 2 .
Solucin
Considere la siguiente secuencia de instrucciones.
1
Seno(t)
Coseno(t)
0.8
0.6
0.4
t = 0:0.01:2*pi;
y1 = sin(t);
y2 = cos(t);
plot(t,y1,t,y2,'--')
legend('Seno(t)','Coseno(t)')
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
Ejemplo: utilizar las funciones trigonomtricas para determinar el valor de los lados a y b para el
tringulo rectngulo siguiente.
30
Solucin
Se tiene que,
a 5tan 30
13
UMSNH
Mtodos Numricos
FIE
5
cos 30
realiza la operacin
realiza la operacin
e x donde x es el argumento
log x
donde x es el argumento y log es el logaritmo
natural
log10
realiza la operacin
log x
donde x es el argumento y log es el logaritmo en
base 10.
14
UMSNH
Mtodos Numricos
FIE
cumprod:
cumsum:
factor:
factorial:
factor(15)
ans =
ans =
24
calcula el factorial
Ejemplo:
factorial(4)
gcd:
isprime:
isprime(4)
lcn:
ans =
length:
Ejemplo:
max:
ans =
Ejemplo:
[elemento posicion] = max(A)
elemento =
mean:
23.2000
posicion =
Ejemplo:
mean(A)
ans =
10.2500
15
UMSNH
Mtodos Numricos
median:
FIE
Ejemplo:
median(A)
ans =
8.3000
min:
Ejemplo:
[elemento posicion] = min(A)
elemento =
1.2000 posicion =
prod:
Ejemplo:
prod(A)
ans =
1.4725e+003
rand:
Ejemplo:
rand()
ans =
0.8147
rats:
Ejemplo:
rats(1.2)
ans =
6/5
size:
Ejemplo:
[filas columnas] = size(A)
std:
filas =
Ejemplo:
std(A)
columnas =
ans =
9.8185
16
UMSNH
Mtodos Numricos
sum:
FIE
Ejemplo:
sum(A)
ans =
41
var:
Ejemplo:
var(A)
ans =
96.4033
Ejemplo: utilizando las funciones de nmeros complejos definidas por Matlab, encontrar la impedancia
equivalente en las terminales a-b para el circuito de la figura siguiente.
1 2 j
2 3 j
4 2 j
b
Solucin
z1 = 1+2j;
z2 = 2+3j;
z3 = 4+2j;
zequi = z1+z2+z3
zequi = 7.0000 + 7.0000i
Ejemplo: utilizando las funciones de nmeros complejos definidas por Matlab, encontrar la suma de los
4 vectores que se muestran en la tabla siguiente.
F3 10 90N
F2 8 45N
F1 10 0N
Solucin
suma_componentes_x = 10*cosd(0)+8*cosd(45)+10*cosd(90)
suma_componentes_y = 10*sind(0)+8*sind(45)+10*sind(90)
magnitud_resultante = sqrt(suma_componentes_x^2+suma_componentes_y^2)
magnitud_resultante =
22.1421
angulo_resultante = atand(suma_componentes_y/suma_componentes_x)
angulo_resultante = 45
17
UMSNH
Mtodos Numricos
Funciones Numricas
fix
ejemplo:
fix(0.6) = 0
fix(-0.6) = 0
fix(1.6) = 1
floor
ejemplo:
floor(2.1) = 2
floor(-2.9) = -3
ceil
ejemplo:
ceil(2.3) = 3
ceil(2.99) = 3
round
ejemplo:
rem
round(2.3)
=2
round(4.5)
=5
rem(2,2) = 0
rem(3,2) = 1
sign
sign(-1) = -1
sign(3) = 1
sign(0) = 0
18
FIE
UMSNH
Mtodos Numricos
1 5
2
>> f = rho^2-rho-1
f=
(1/2+1/2*5^(1/2))^2-3/2-1/2*5^(1/2)
>> simplify(f)
ans =0
>>
Solucin de ecuaciones
>> syms a b c x
>> s = a*x^2+b*x+c
s = a*x^2+b*x+c
>> solve(s)
ans =
1/2/a*(-b+(b^2-4*a*c)^(1/2))
1/2/a*(-b-(b^2-4*a*c)^(1/2))
19
FIE
UMSNH
Mtodos Numricos
>> df = diff(f,a)
df = cos(a*x)*x
>>
Limites
Consideremos el siguiente lmite
cos x h cos x
h 0
h
lim
>> syms h x
>> dc = limit((cos(x+h)-cos(x))/h,h,0)
dc =
-sin(x)
>>
Resumen sobre lmites
Operacin Matemtica
Comando de Matlab
limit(f)
lim f x
x 0
lim f x
limit(f,x,a)
limit(f,a)
limit(f,x,a,left)
x a
lim f x
x a
lim f x
limit(f,x,a,right)
x a
Integracin
>> syms x
>> f = x^2+3*x+5
f = x^2+3*x+5
>> int(f)
20
FIE
UMSNH
Mtodos Numricos
ans = 1/3*x^3+3/2*x^2+5*x
>>
x
/2
n 1
Comando de Matlab
int(x^2)
int(x^2,x)
sin 2 x dx 1
int(sin(2*x),0,pi/2)
int(sin(2*x),x,0,pi/2)
x
n 1
g cos at b
g t dt
sin at b
a
g = cos(a*t+b)
int(g)
int(g,t)
21
FIE
UMSNH
Mtodos Numricos
FIE
Programacin en Matlab
Existen dos clases de archivos M
Archivos de instrucciones
Archivos de funciones
Caractersticas:
Archivos de Instrucciones
Archivos de funciones
Control de flujo
Comando if, and elseif
Este comando se utiliza cuando el flujo de un programa o una funcin dependen de una condicin que
puede ser falsa o verdadera.
if expresin_logica
Instrucciones
end
Ejemplo: considere una funcin que devuelva el valor absoluto de una cantidad x.
22
UMSNH
Mtodos Numricos
FIE
Operadores de relacin
Estos operadores generalmente acompaan a las estructuras de seleccin y de repeticin para
especificar condiciones de relacin entre dos o ms elementos.
==
>
<
>=
<=
~=
igual
Mayor que
Menor que
Mayor o igual que
Menor o igual que
Diferente que
Operadores lgicos
Estos operadores generalmente acompaan a las estructuras de seleccin y de repeticin para
especificar condiciones lgicas entre dos o ms elementos.
and y
or o
&
|
23
UMSNH
Mtodos Numricos
FIE
Inicio
n=4
Si
Nmero
negativo
n<0
No
Si
rem(n,2) == 0
Nmero
positivo par
No
Nmero
positivo
negativo
Fin
Comando switch
El comando switch se utiliza para realizar una secuencia de instrucciones en base a una seleccin de
varias alternativas.
La sintaxis de la instruccin switch
switch expresin
case valor_1
instrucciones
case valor_2
instrucciones
case valor_n
instrucciones
otherwise
instrucciones
end
Ejemplo: consideremos un programa que reciba una calificacin de 5 a 10 y muestre en pantalla una
palabra asociada con la calificacin,
10
8
6
=>
=>
=>
Excelente,
Bien,
Suficiente,
9
7
5
=>
=>
=>
calificacion = 6;
switch calificacion
case 5
disp('Muy mal');
case 6
disp('Suficiente');
case 7
disp('Regular');
case 8
disp('Bien');
case 9
disp('Muy Bien');
case 10
disp('Excelente');
otherwise
disp('Valor fuera de rango');
End
24
Muy bien
Regular
Muy mal
UMSNH
Mtodos Numricos
FIE
Estructuras de repeticin
for
La estructura de repeticin for repite una secuencia de instrucciones un nmero predeterminado de
veces. Su sintaxis es,
for indice=inicio:incremento:fin
instrucciones
end
while
La estructura de repeticin while repite una secuencia de instrucciones en tanto una expresin es
verdadera.
La sintaxis de la estructura de repeticin while es,
while expresin
instrucciones
end
Ejemplo: ahora utilicemos la instruccin while para llenar el arreglo x con los elementos del 1 al 10.
i = 1;
while i<=10
x(i) = i;
i = i +1;
end
break
La instruccin break termina la ejecucin de un ciclo for o while.
Consideremos un juego, en el cual el usuario intentar adivinar un numero entre 1 y 100.
intentos = 10;
numero = round(rand()*100+1);
for i=1:intentos
valor = input('Dame la aproximacin:');
if valor == numero
disp 'Felicidades'
disp 'Atinaste en '
i
break
else
25
UMSNH
Mtodos Numricos
FIE
return
La instruccin return termina la ejecucin de una secuencia de comandos y regresa el control a la
funcin que invoc a la secuencia de comandos o a la lnea de comandos.
Partes de un archivo de funciones
function y = promedio(x)
Argumento de entrada
Nombre de la funcin
Argumento de salida
Palabra reservada
Si la funcin tiene varios valores de salida, stos deben ser especificados entre corchetes cuadrados, por
ejemplo, consideremos una funcin que recibe como argumento dos nmeros a y b y da como resultado
su suma, su producto, su diferencia y su cociente,
Ejemplo: realizar una funcin que convierta grados Fahrenheit en grados Celsius
Solucin
Se sabe que:
TC
5
TF 32
9
% funcion que convierte una temperatura expresada en grados Fahrenheit en grados centigrados
function celsius = far_en_cel(fahrenheit)
celsius = 5/9*(fahrenheit-32);
26
UMSNH
Mtodos Numricos
FIE
Ejemplo de utilizacin
>> a = far_en_cel(78)
a = 25.5556
Ejemplo: realizar un programa que contenga una funcin que sea capaz de determinar la magnitud y
direccin de un vector expresado en forma rectangular.
Solucin
Se sabe que la magnitud de un vector expresado en forma rectangular es:
M Cx2 C y2
tan 1
Cy
Cx
Ejemplo de aplicacin
>> [magnitud direccion] = mag_dir(1,1)
magnitud = 1.4142
direccion = 45
Ejemplo: realizar una funcin que realice la grfica de una funcin polinomial de orden n en el rango
especificado. La funcin deber de recibir como parmetros un vector P que contenga los coeficientes
del polinomio as como el dominio de la funcin.
Se propone el siguiente cdigo,
% funcion que grafica una funcion polinomial
function grafica_polinomio(p,xmin,xmax)
[filas columnas] = size(p);
puntos = 1000;
y = zeros(puntos,1);
paso = (xmax-xmin)/puntos;
x = xmin:paso:xmax-paso;
for i=1:puntos
for j=1:columnas-1
y(i) = y(i) + p(j)*x(i)^(columnas-j);
end
y(i) = y(i) + p(columnas);
end
plot(x,y)
grid on
xlabel('x');
ylabel('y');
27
UMSNH
Mtodos Numricos
FIE
Ejemplo de aplicacin.
Considrese la grfica de la funcin
f x x2 x 6
>> p = [1 -1 -6]
p=
1 -1 -6
>> grafica_polinomio(p,-3,4)
-2
-4
-6
-8
-3
-2
-1
Ejemplo: realizar una funcin que muestre el comportamiento de un objeto que es lanzado con una
velocidad inicial v0 . La funcin debe de recibir como parmetros: v0 y theta.
Solucin
Se sabe que el tiempo de vuelo est dada por:
tvuelo
2vosen
g
La posicin en
x t vo cos t
La posicin en
1
y t vosen t gt 2
2
28
UMSNH
Mtodos Numricos
FIE
Ejemplo de aplicacin
grafica_tiro_parabolico(15,60);
5
4
3
2
1
0
10
x
12
14
16
18
20
Ejemplo: realizar una funcin que calcule la traza de una matriz de nxn. La traza de una matriz cuadrada
A es la suma de los elementos de su diagonal.
Solucin
Se propone la siguiente funcin
% funcion que calcula la traza de una matriz
function tr = traza(A)
[filas columnas] = size(A);
if (filas == columnas)
tr = A(1,1);
for i=2:columnas
tr = tr+A(i,i);
end
else
disp 'No es una matriz cuadrada'
end
Ejemplo de aplicacin
>> A = [1 0 0;0 2 0;0 0 3]
A=
1
0
0
0
2
0
0
0
3
>> traza(A)
ans =
29
UMSNH
Mtodos Numricos
FIE
2.
Hacer una funcin que determine la distancia entre dos puntos de coordenadas
x1 , y1 y
x2 , y2 .
3.
4.
Realizar una funcin que devuelva la suma de los elementos de una matriz.
5.
6.
7.
Realizar una funcin que determine el promedio de los elementos contenidos en un vector
8.
Realizar una funcin que determine la desviacin estndar de los elementos contenidos en un
vector
9.
Realizar una funcin que encuentre el valor ms pequeo dentro de los elementos contenidos
en un vector
10. Realizar una funcin que reciba una matriz cuadrada devuelva cero si la matriz es no singular y
uno si la matriz es singular.
30
UMSNH
Mtodos Numricos
FIE
Autoevaluacin unidad 1
1.
Realizar una funcin que determine la magnitud de un vector expresado en forma rectangular.
M x2 y 2
2.
9
TF C 32
5
3.
Hacer una funcin que determine la distancia entre dos puntos de coordenadas
x1 , y1 y
x2 , y2 .
x2 x1 y2 y1
a, b, c.
4.
5.
Realizar una funcin que devuelva la suma de los elementos de una matriz de
6.
Realizar una funcin que calcule el producto de dos matrices. La funcin recibir como
parmetro dos matrices y devolver el producto. No se deber utilizar directamente el
producto de dos matrices.
7.
Realizar una funcin que determine el promedio de los datos contenidos en una matriz.
Recordar que el promedio de un nmero n de elementos se calcula como
n m .
x
8.
x
i 1
Realizar una funcin que devuelva el valor ms pequeo y el valor ms grande de los elementos
contenidos en un vector
31
UMSNH
Mtodos Numricos
FIE
Unidad II
Modelos, computadoras y errores
Introduccin
El anlisis del error en un resultado numrico es fundamental para cualquier computacin inteligente,
sea hecha a mano o con una computadora. Los datos de entrada rara vez son exactos, ya que a menudo
se basan en experimentos o son estimados, y los procesos numricos a su vez introducen errores de
varios tipos.
Considrese el clculo de las races de la ecuacin
x2 0.4002 x 0.00008 0
utilizando la formula general para la solucin de ecuaciones de segundo grado con una incgnita, se
tiene un resultado de
x 0.000015
esta formula se presenta usualmente en cursos de lgebra sin ninguna discusin de su precisin, sin
embargo, la aritmtica de punto flotante de cuatro dgitos introduce errores que hacen el resultado
errneo en 25%; la raz real, determinada con aritmtica de ocho dgitos es -0.0002.
En este caso la culpa fue de la aritmtica de cuatro dgitos, sin embargo, no se piense que los nmeros
de punto flotante de ocho dgitos resolvern todos los problemas. Considrese la serie de Taylor para el
seno:
senx x
x3 x5 x 7
3! 5! 7!
Esta serie se describe usualmente como vlida para cualquier ngulo finito, y el error por truncamiento
cometido al suspender la suma despus de un nmero finito de trminos se dice que es menor en valor
absoluto que el primer trmino despreciado. Estos postulados seran verdaderos si hubiera alguna
forma de conservar un nmero finito de dgitos en cada resultado aritmtico. Considrese que tratamos
de valuar el seno de 1470 = 25.7 radianes, usando aritmtica de punto flotante de ocho dgitos y
calculando los trminos hasta encontrar uno que sea menor que 10-8 en valor absoluto. El resultado
calculado ser de 24.25401855, que aparentemente tiene gran precisin, pero que por supuesto, carece
de sentido. An as usamos aritmtica de punto flotante de 16 dgitos, el seno de 2550 resulta 29.5.
Cifras significativas
Las cifras significativas de un nmero son aquellas que pueden utilizarse en forma confiable. Se trata del
nmero de dgitos que se ofrecen con certeza, ms uno estimado.
Definicin de errores
Valor exacto del error
32
UMSNH
Mtodos Numricos
FIE
error verdadero
100%
valor verdadero
Ejemplo: se tiene que medir la longitud de una calle y la longitud de un clavo. Se obtienen las siguientes
mediciones:
Longitud de la calle
Longitud del clavo
9999 cms
9 cms
1cm
100% 0.01%
10000cm
b)
Et 10 cm 9 cm 1cm
1cm
100% 10.0%
10cm
error aproximado
aproximacin actual - aproximacin anterior
100%
100%
valor verdadero
aproximacin actual
A menudo, cuando se realizan clculos, no importa mucho el signo del error, sino ms bien que su error
absoluto porcentual sea menor que una tolerancia porcentual prefijada s , por lo que los clculos se
repiten hasta que,
a s
Si se cumple la relacin anterior, entonces se considera que el resultado obtenido est dentro del nivel
aceptable fijado s .
Es posible demostrar que si el siguiente criterio se cumple, se tendr la seguridad que el resultado es
correcto en al menos n cifras significativas.
33
UMSNH
Mtodos Numricos
FIE
s 0.5 102n %
Tipos de errores
Errores Inherentes
Errores por truncamiento
Errores por redondeo
Errores Inherentes
Los errores inherentes son errores que existen en los valores de los datos, causados por la
incertidumbre en las mediciones, por verdaderas equivocaciones, o por la naturaleza necesariamente
aproximada de la representacin, mediante un nmero finito de dgitos, de cantidades que no pueden
representarse exactamente con el nmero de dgitos permisibles.
Una medicin fsica, tal como una distancia, un voltaje, o un periodo de tiempo, no puede ser exacta. Si
la medicin se da con muchos dgitos, tal como un voltaje de 6.4837569, se puede estar seguro de que
al menos algunos de los dgitos de la extrema derecha no tienen ningn sentido, porque los voltajes no
pueden medirse con esta precisin. Si la medicin se da con unos cuantos dgitos, tal como el intervalo
de tiempo de 2.3 segundos, podemos estar bastantes seguros de que hay algn error inherente, porque
slo accidentalmente el intervalo de tiempo sera exactamente 2.3 segundos. En tales casos se pueden
conocer algunos lmites razonables del error inherente, por ejemplo, decir que el tiempo es de
2.3 0.1 segundos.
Reloj Analgico
Reloj Digital
Voltmetro
Termmetro
34
UMSNH
Mtodos Numricos
FIE
senx x
x3 x5 x 7
3! 5! 7!
La cual puede ser utilizada para calcular el seno de cualquier ngulo x expresado en radianes. Es un
hecho que no pueden ser utilizados todos los trminos de la serie para el clculo, debido a que la serie
7
es infinita. Si se utilizan hasta los trminos x o x , los trminos omitidos introducen un error, debido
a un truncamiento de un proceso matemtico infinito.
Errores por redondeo
Supngase que se dispone de una computadora en la cual cada nmero contiene cinco dgitos y que se
desea sumar 9.2654 y 7.1625, los que se suponen exactos. La suma es 16.4279, que contiene seis dgitos
y que por lo tanto no puede ser almacenada en la computadora hipottica. La computadora debe
entonces redondear el resultado de seis dgitos a 16.428 y al hacerlos introduce un error por redondeo.
Debido a que el trabajo de una computadora se efecta con cantidades que tienen algn nmero fijo de
dgitos, la necesidad de redondear ocurre con frecuencia.
Lista de algunas recomendaciones para lograr mayor precisin
1. Cuando se van a sumar y/o restar nmeros, trabajar siempre con los nmeros ms pequeos
primero.
2. De ser posible, evitar la sustraccin de dos nmeros aproximadamente iguales. Una expresin
que contenga dicha substraccin a menudo puede ser reescrita para evitarla.
ejecutar la resta antes que la multiplicacin. Esto evitar complicar el problema con errores de
redondeo adicionales
4. Cuando no se aplica ninguna de las reglas anteriores, minimizar el nmero de operaciones
aritmticas.
Series de Taylor
El desarrollo de Taylor, que es una serie infinita de potencias, representa de manera exacta a una
funcin dentro de un cierto radio alrededor de un punto dado. Por lo tanto, mediante la comparacin
del desarrollo polinomial de la solucin numrica con la serie de Taylor de la solucin exacta, es posible
evaluar el error, el cual se conoce como error de truncamiento.
Desarrollo de Taylor para funciones unidimensionales
D xa 0
Una condicin necesaria para que una funcin sea analtica es que todas sus derivadas sean continuas
tanto en x a como en alguna vecindad alrededor de ese punto.
35
UMSNH
Mtodos Numricos
FIE
Si
f x f a hf ' a
Donde
h2
h3
f '' a
f ''' a
2
6
h m m
f a
m!
h xa
Solucin
f x e x
e
f ' x e x
f '' x e x
h2e1 h3e1
e he
2!
3!
1
Donde
h x 1
Solucin
f x ex
e x e0 xe0
x 2 e 0 x 3e 0
2!
3!
Realizando operaciones
x 2 x3
e 1 x
2 6
x
36
UMSNH
Mtodos Numricos
FIE
senx
Solucin
f x sen x
f ' x cos x
f '' x sen x
f ''' x -cos x
f iv x sen x
Se tiene entonces que,
2!
3!
4!
5!
x3 x5 x 7
senx x
3! 5! 7!
Ejemplo: Evale
e x 1
x x 2 x3 x 4
1! 2! 3! 4!
e x
ex
1
x x
x3 x 4
1
1! 2! 3! 4!
2
-3
Y comprelo con el valor verdadero de 6.737947x10 . Utilice 20 trminos para evaluar cada serie y
calcule los errores relativos aproximado y verdadero como trminos se agreguen.
37
UMSNH
Mtodos Numricos
FIE
Mtodo 1
Aproximacin
Et
-4.000000E+00
4.006738E+00
5.946526E+04
1.000000E+02
8.500000E+00
-8.493262E+00
-1.260512E+05
1.470588E+02
-1.233333E+01
1.234007E+01
1.831429E+05
1.689189E+02
1.370833E+01
-1.370160E+01
-2.033497E+05
1.899696E+02
-1.233333E+01
1.234007E+01
1.831429E+05
2.111487E+02
9.368056E+00
-9.361319E+00
-1.389343E+05
2.316531E+02
17
6.267910E-03
4.700400E-04
6.975955E+00
-3.422148E+01
18
6.863740E-03
-1.257900E-04
-1.866876E+00
8.680772E+00
19
6.706940E-03
3.101000E-05
4.601845E-01
-2.337818E+00
20
6.746140E-03
-8.190000E-06
-1.215788E-01
5.810568E-01
38
UMSNH
Mtodos Numricos
FIE
Mtodo 2
Aproximacin
Et
1.666667E-01
-1.599287E-01
-2.373553E+03
1.000000E+02
5.405406E-02
-4.731611E-02
-7.022333E+02
-2.083333E+02
2.542373E-02
-1.868578E-02
-2.773216E+02
-1.126126E+02
1.529637E-02
-8.558420E-03
-1.270182E+02
-6.620763E+01
1.093892E-02
-4.200980E-03
-6.234804E+01
-3.983428E+01
8.840320E-03
-2.102380E-03
-3.120202E+01
-2.373898E+01
17
6.737980E-03
-4.000000E-08
-5.321500E-04
-1.451310E-03
18
6.737960E-03
-1.000000E-08
-1.313100E-04
-4.008400E-04
19
6.737950E-03
0.000000E+00
-2.764000E-05
-1.036700E-04
20
6.737950E-03
0.000000E+00
0.000000E+00
-2.764000E-05
y x3 7 x2 8x 0.75
En x 1.37 . Utilice aritmtica de 3 dgitos con corte. Evale el error relativo porcentual. Repita el
problema pero exprese y como:
y x 7 x 8 x 0.35
39
UMSNH
Mtodos Numricos
FIE
Autoevaluacin Unidad 2
1.
1199 cms
1.19 cms
Si los valores verdaderos son de 1200 cms y 1.2 cms, respectivamente. Determinar:
a) El error verdadero
b) El error relativo porcentual en cada caso.
x 2 n 1
1 x
alrededor de x 1 es 2
ln
1 x
n 1 2n 1
2.
3.
e x alrededor de x 1
4.
cos x alrededor de x 1
5.
1
1 x2
tan x
1
1 x
ln 1 x
40
UMSNH
Mtodos Numricos
FIE
v t Ri t L
di t
dt
1
i t dt
C
Este tipo de modelos no siempre son fciles de resolver a partir de mtodos analticos; en
algunos casos es de hecho imposible obtener una solucin, y en otros, sta implica procesos complejos
que para fines prcticos resultan inconvenientes.
Con los llamados mtodos numricos es posible obtener aproximaciones numricas tan
cercanas al valor exacto como se desee.
Se entender por aproximacin numrica el acercarse a la solucin con un cierto grado de
aproximacin.
La principal ventaja de los mtodos numricos es que se pueden programar en una
computadora digital, pues consisten en una serie de operaciones aritmticas y decisiones lgicas que la
computadora efecta con gran eficiencia.
Errores
Al obtener una aproximacin xa de la solucin x de un problema, es importante medir o estimar el
error que se comete al utilizar la aproximacin en lugar del valor exacto. Para ellos se definen el error
absoluto y el error relativo.
El error absoluto, representado por ea , se obtiene como el valor absoluto de la diferencia entre
el valor exacto x y la aproximacin a este valor xa , esto es,
ea x xa
La diferencia se toma en valor absoluto, debido a que no interesa si la aproximacin es mayor o
menor que el valor exacto.
El error relativo er se define como el valor absoluto del cociente de la diferencia x xa entre el
valor exacto x , esto es,
er
x xa
x
En la mayora de los casos es suficiente calcular el error absoluto para determinar si el mtodo
que proporciona el valor aproximado xa es apropiado para estimar a x ; sin embargo, como este error
tiene las mismas unidades que x , no es comparable con el error absoluto de dos aproximaciones que
corresponden a problemas y unidades diferentes.
Por otra parte, el error relativo es adimensional y presenta al error absoluto como una razn
del valor correcto, esto es,
er
ea
x
41
UMSNH
Mtodos Numricos
FIE
Por tanto, er , si se puede usar para comparar mtodos numricos que se hayan aplicado a
diferentes problemas.
En general, al efectuar una serie de operaciones aritmticas para resolver un problema, se
presentan algunos errores que pueden clasificarse, de acuerdo con su origen, en los siguientes tipos:
Errores inherentes
Errores por truncamiento
Errores por redondeo
Errores inherentes
Los errores inherentes o errores propios de los datos son aquellos que se producen al leer en algn
dispositivo de medicin una magnitud, al transmitirla o al reproducirla; son debidos a la imprecisin de
los instrumentos o a errores humanos.
Errores por truncamiento
Los errores por truncamiento son aquellos que se presentan al aproximar funciones analticas por medio
de algunos trminos de una serie infinita; esto se hace frecuentemente en los mtodos numricos
cuando es difcil realizar operaciones con alguna funcin complicada y se toman en su lugar los primeros
trminos de una serie que se aproxima a dicha funcin, truncando los dems. Tambin se presentan
cuando se utilizan nmeros irracionales, tales como 2 , e , , etc., ya que para trabajar con ellos se
toma un nmero determinado de cifras significativas y se truncan las dems.
Errores por redondeo
Por ltimo los errores de redondeo se presentan como una consecuencia directa de redondear a un
determinado nmero de cifras decimales las cantidades que se operan en un proceso de solucin.
Se puede verificar fcilmente que el error por redondeo es menor o igual que el de truncamiento. Por
esta razn, en las computadoras digitales los nmeros que tienen ms cifras decimales que las que la
mquina puede manejar se redondean al mximo nmero posible.
Ejemplo: el nmero e , con cinco cifras decimales, es igual a 2.71828; calcular el error absoluto y el
error relativo en el que se incurre en cada caso, al tomar hasta el primero, segundo, tercero y cuarto
trminos de la serie:
1
k 0 k !
42
UMSNH
Mtodos Numricos
FIE
Ejemplo: en el ejemplo anterior se calcularon los valores del nmero e , tomando los primeros
trminos de la serie:
1
k 0 k !
ek ek 1
1
k!
Donde ek es la k-sima aproximacin del nmero e. Ntese que ek est en funcin del valor anterior
ek-1 y, en consecuencia, se requiere de un valor inicial e0, en este caso es igual a la unidad, para
generar la sucesin e1, e2, e3, , en.
x xn
Para determinar la convergencia de un mtodo de aproximaciones sucesivas, cuyos resultados son los
nmeros x1 , x2 , x3 , , xn no es posible aplicar la definicin anterior, debido a que no se conoce de
antemano el valor de x ; sin embargo, se puede demostrar que si el mtodo converge, la diferencia en
valor absoluto de las dos ltimas aproximaciones es menor que la diferencia en valor absoluto entre la
penltima y la antepenltima aproximaciones, es decir,
xn xn 1 xn 1 xn 2
El criterio anterior es vlido nicamente en el intervalo de xn 2 a xn ; sin embargo, al cumplirse en los
primeros valores de n, puede esperarse que la convergencia contine. Tambin se puede demostrar que
si un mtodo es convergente, la diferencia en valor absoluto entre las ltimas dos aproximaciones es
mayor o igual que el error absoluto, es decir, que esta diferencia es una cota del error absoluto, con lo
cual se puede escribir,
43
UMSNH
Mtodos Numricos
FIE
xn xn 1 ea
Entonces, si se tiene un mtodo de aproximaciones sucesivas que produzca una sucesin x1 , x2 , x3 , , xn
convergente a la respuesta buscada, se podr obtener una aproximacin a x con un error menor que
una tolerancia dada, determinando adecuadamente el valor de n .
Ejemplo: a fin de mostrar las caractersticas anteriores, en la siguiente tabla comparativa se resumen
los resultados del primer ejemplo.
Nmero de trminos n
1
2
3
4
Aproximacin
nmero e
en
1.00000
2.00000
2.50000
2.66667
del
Error absoluto
ea
Diferencias
en en 1
1.71828
0.71828
0.21828
0.01898
1.00000
0.50000
0.16667
sucesivas
Como se observa en la tabla, los valores de la ltima columna disminuyen a medida que n aumenta, y
en todos los casos en en 1 ea lo cual ilustra los criterios establecidos.
Estabilidad
Cuando en un sistema cualquiera existen variaciones pequeas en la salida que corresponden a
pequeas variaciones en la entrada se dice que el sistema es estable.
Sea E n la funcin de error, que representa el error absoluto en la salida del algoritmo, despus de n
iteraciones. En el caso de un mtodo iterativo y en especial en los mtodos de paso a paso, si E n se
incrementa en forma lineal o aproximadamente lineal, conforme n aumenta, entonces se dice que el
mtodo es estable.
En caso de que E n aumente en forma exponencial o aproximadamente exponencial, se considera
que el mtodo es inestable.
44
UMSNH
Mtodos Numricos
FIE
ejecucin. En este caso un mtodo se considera ms eficiente que otro si en general requiere de menos
instrucciones para programarse o utiliza menos cantidad de memoria.
Puede concluirse que la eficiencia de un mtodo ser relativa a las condiciones especficas bajo las
cuales se utilice.
Problemas
45
UMSNH
Mtodos Numricos
FIE
Unidad III
Solucin de Ecuaciones No Lineales
Introduccin
Uno de los problemas ms comunes en el trabajo cientfico es hallar las races de una ecuacin de la
forma,
f x 0
donde
(1)
x o, similarmente, los valores del vector x que satisfagan la Ecuacin (1). Estos valores son
conocidos como las races de la ecuacin (1) o ceros de f x . Generalmente no es fcil ni justificable
valor de
resolver la Ecuacin (1) en forma exacta. Es ms adecuado resolverla en forma aproximada, a un grado
de precisin pre-establecido. Esta forma de solucin requiere, por necesidad, de la aplicacin de
mtodos iterativos. Estos mtodos requieren de una solucin inicial estimada de la raz o races de la
Ecuacin (1).
x3 2 x2 10 x 20 0 y obtuvo un valor
Conocimiento del rango aproximado en que se encuentra el valor de la raz, o de cada raz
buscada.
f x .
x
f x senx
2
-0.1
f(x)
-0.2
-0.3
-0.4
-0.5
-0.6
0.2
0.4
0.6
0.8
1
x
1.2
Figura 3.1
46
1.4
1.6
1.8
f x .
UMSNH
Mtodos Numricos
FIE
f x es cercana a 1.9.
f x .
f x
1.000000
-0.591471
1.100000
-0.588707
1.200000
-0.572039
1.300000
-0.541058
1.400000
-0.495450
1.500000
-0.434995
1.600000
-0.359574
1.700000
-0.269165
1.800000
-0.163848
1.900000
-0.043800
2.000000
0.090703
Solucin.
Realizando la grfica para
-2
Figura 3.2
de la grfica se aprecia que una raz es cercana a x 1.4 en tanto que la segunda raz es cercana a
x 6.4 .
Mtodos de solucin
Los mtodos de solucin puede clasificarse en: mtodos cerrados y mtodos abiertos
Mtodos cerrados
Son los mtodos que aprovechan el hecho de que una funcin cambia de signo en la vecindad de una
raz. Estos mtodos necesitan de dos valores iniciales
47
UMSNH
Mtodos Numricos
FIE
Mtodo de biseccin
Mtodo de la falsa posicin
Mtodo de la falsa posicin modificada
Mtodos abiertos
Son mtodos que se basan en formulas que requieren solamente de un valor inicial
x0 o que empiecen
Mtodo de Biseccin
El mtodo de biseccin, conocido tambin como de corte binario, de particin de intervalos o de
Bolzano, es un tipo de bsqueda incremental en el que el intervalo se divide siempre a la mitad. Si la
funcin cambia de signo sobre un intervalo, se evala el valor de la funcin en el punto medio. La
posicin de la raz se determina situndola en el punto medio del subintervalo, dentro del cual ocurre el
cambio del signo.
a1
a0
b1
b0
m
Figura 3.3
En la Figura 3.3 anterior se muestra una primera iteracin del mtodo de biseccin, en dnde se aprecia
que se hace una primera aproximacin a la raz en base a m . Puede apreciarse que el producto de
valor.
Algoritmo del mtodo de biseccin
Until convergence, Do
2.
Calcular
3.
if
f an
an1 an , bn1 m
4.
5.
6.
7.
8.
an bn
2
f m 0 then
else
an1 m , bn1 bn
endif
EndDo
48
UMSNH
Donde
Mtodos Numricos
FIE
Un criterio de convergencia es que cuando la diferencia absoluta entre dos valores consecutivos de
sea menor que la tolerancia especificada, se tendr una buena aproximacin de la raz.
Ejemplo: encontrar la raz de
f x e x x entre 0 y 2.
Solucin
Se propone el siguiente cdigo en Matlab.
function [m ite] = biseccion(a,b,tol)
% Mtodo de biseccin
% La raz se encuentra en el rango de a a b
% se especifica un criterio de convergencia de tol
% m representa la aproximacin de la raiz
% ite es el nmero de iteraciones necesarias para obtener la
solucin
error = 1.0;
m = (a+b)/2;
ite = 1;
while (error > tol)
if (funcion_x(a)*funcion_x(m) <= 0)
b = m;
else
a = m;
end
m_nueva = (a+b)/2;
error = abs(m-m_nueva);
[ite error m]
m = m_nueva;
ite = ite + 1;
end
Iteracin
Error
Raz
5.000000E-01
1.000000E+00
2.500000E-01
5.000000E-01
1.250000E-01
7.500000E-01
6.250000E-02
6.250000E-01
3.125000E-02
5.625000E-01
33
1.164200E-10
5.671433E-01
34
5.821000E-11
5.671433E-01
xl a xu en mitades iguales, no
f xl y f xu con una
lnea recta, la interseccin de esta lnea con el eje x representa una mejor aproximacin de la raz. El
hecho de que se reemplace la curva por una lnea recta da una falsa posicin de la raz; de aqu el
nombre del mtodo de la falsa posicin o en latn regula falsi.
49
UMSNH
Mtodos Numricos
FIE
f x
b, f b
w, 0
a, f a
En base a la ecuacin de la recta que pasa por dos puntos:
f b f a
0 f a
w a
ba
Despejando
w
w
f b a f a b
f b f a
Until convergence, Do
2.
Calcular
3.
if
f bn an f an bn
f bn f an
f an f w 0
then
an1 an , bn1 w
4.
5.
else
an1 w , bn1 bn
6.
7.
8.
endif
EndDo
Solucin
Se propone el siguiente cdigo en Matlab.
50
UMSNH
Mtodos Numricos
FIE
Iteracin
Error
Raz
6.981620E-01
0.69816198
1.166817E-01
0.58148033
1.274546E-02
0.56873488
1.414628E-03
0.56732025
1.572803E-04
0.56716297
1.748997E-05
0.56714548
1.944971E-06
0.56714353
2.162908E-07
0.56714332
2.405266E-08
0.56714329
10
2.674780E-09
0.56714329
11
2.974500E-10
0.56714329
12
3.308000E-11
0.56714329
[w ite] = regula_falsi(0,2,1e-10)
w = 0.56714329041392
ite = 12
se obtiene una recta que intersecta el eje de las abscisas muy alejado de la posicin donde
f x intersecta este mismo eje. Sin embargo a partir de la segunda iteracin la recta intersecta el eje
f x .
0.12
0.1
0.08
0.06
Iteracin 1
Iteracin 4
0.04
Iteracin 3
Iteracin 2
0.02
f(x)
0
0.55
0.56
0.57
0.58
51
0.59
0.6
0.61
UMSNH
Mtodos Numricos
FIE
1.
Tomar
2.
Until convergence, Do
3.
Calcular
4.
if
Gan Fbn
GF
f wn1 0 then
wn 1
f an
5.
6.
if
7.
8.
9.
f wn f wn1 0 then
F F /2
endif
else
10.
11.
if
12.
13.
14.
15. EndDo
f wn f wn1 0 then
G G/2
end if
end if
modificado.
Solucin
Se propone el siguiente cdigo en Matlab.
52
UMSNH
Mtodos Numricos
FIE
Iteracin
Error
Raz
6.981620E-01
0.69816198
1.166817E-01
0.58148033
2.494416E-02
0.55653617
1.063462E-02
0.56717079
2.744922E-05
0.56714334
1.055380E-07
0.56714324
5.266708E-08
0.56714329
0.000000E+00
0.56714329
[w,ite] = regula_falsi_mod(0,2,1e-10)
w = 0.56714329040978
ite =
f x 0
de tal modo que
x g x
esta transformacin se realiza mediante operaciones algebraicas o simplemente sumando
de la ecuacin original.
x2 2 x 3 0
x2 3
2
53
x a cada lado
UMSNH
Mtodos Numricos
FIE
x senx x
Until convergence, Do
Calcular
2.
3.
g x y un punto de partida x0
xn1 g xn
EndDo
x0 0
Solucin
g x e x x x e x
Se propone el siguiente cdigo en Matlab.
54
Iteracin
Error
Raz
1.000000E+00
0.36787944
6.321206E-01
0.69220063
3.243212E-01
0.5004735
1.917271E-01
0.60624354
1.057700E-01
0.54539579
6.084775E-02
0.57961234
3.421655E-02
0.56011546
1.949687E-02
0.57114312
39
4.504900E-10
0.56714329
40
2.554900E-10
0.56714329
41
1.449000E-10
0.56714329
UMSNH
Mtodos Numricos
FIE
Ejemplo: utilice la iteracin simple de punto fijo para localizar la raz de:
Haga una eleccin inicial de
x0 0.5 .
Ejemplo: utilice la iteracin simple de punto fijo para localizar la raz de:
una eleccin inicial de
Ejemplo:
utilice
f x x 0.2senx 0.5 .
f x 2sen x x . Haga
x0 0.5 .
la
iteracin
simple
de
punto
fijo
para
Ejemplo: utilice la iteracin simple de punto fijo para localizar la raz de:
Haga una eleccin inicial de
x0 5.0 .
Mtodo Newton-Raphson
Considere la siguiente figura
f x
m f ' xi
f xi
xi 1
m
Despejando
f xi 0
f ' xi
xi xi 1
xi 1
xi 1 xi
f xi
f ' xi
3.
f x y un punto x0 .
Until convergence, Do
Calcular
2.
localizar
la
raz
de:
xn 1 xn
f xn
f ' xn
EndDo
55
xi
f x x 2 1.8x 2.5 .
UMSNH
Mtodos Numricos
FIE
f x e x x
utilice
x0 0
Solucin
df x
e x 1
dx
Se sabe que
Iteracin
Error
Raiz
5.000000E-01
0.500000
6.631100E-02
0.566311
8.321618E-04
0.567143
1.253749E-07
0.567143
0.000000E+00
0.567143
Mtodo de secante
La derivada de una funcin se puede aproximar como:
f ' xn
f xn 1 f xn
xn 1 xn
xn 1 xn
f xn xn 1 f xn 1 xn
f xn f xn1
56
UMSNH
Mtodos Numricos
FIE
f x y dos puntos xn 1 , xn .
Until convergence, Do
Calcular
2.
3.
xn 1 xn
f xn xn 1 f xn 1 xn
f xn f xn1
EndDo
f x e x x
utilice
x0 0 y x1 1
Solucin
Se propone el siguiente cdigo en Matlab
function [x2 ite] = secante(x0,x1,tol)
% Mtodo de la secante
% La raz se encuentra cercana a x0 y x1
% se especifica un criterio de convergencia de tol
% xn representa la aproximacin de la raiz
% ite es el nmero de iteraciones necesarias para obtener la
solucin
ite = 0;
error = 1.0;
while (error > tol)
x2 = x1 - funcion_x3(x1)*(x1-x0)/(funcion_x3(x1)funcion_x3(x0));
error = max(abs(x2-x1));
ite = ite + 1;
x0 = x1;
x1 = x2;
end
Iteracin
Error
Raz
3.873002E-01
0.612700
4.886145E-02
0.563838
3.331969E-03
0.567170
2.705181E-05
0.567143
1.619526E-08
0.567143
8.000000E-14
0.567143
[x ite] = secante(0,1,1e-10)
x = 0.56714329040978
ite =
a)
x0 1.0 , x1 3.0 .
b)
x0 1.5 , x1 2.5 .
c)
x0 1.5 , x1 2.25 .
57
UMSNH
Mtodos Numricos
FIE
x0 2.5 , x1 3.5 .
x1 0.3 .
Evaluacin de polinomios
Considrese un polinomio de segundo grado de la forma
f x a2 x 2 a1 x a0
expresado en forma anidada es
f x a2 x a1 x a0
Considrese ahora un polinomio de tercer grado de la forma
f x a3 x3 a2 x 2 a1 x a0
expresado en forma anidada es
f x a3 x a2 x a1 x a0
Finalmente considrese un polinomio de cuarto grado
f x a4 x 4 a3 x3 a2 x 2 a1 x a0
expresado en forma anidada es
f x
a x a x a x a x a
4
fn x
a x a
n
n 1
x an2 x
xa
f x x3 2 x 2 5 6
Solucin
f x x 2 x 5 x 6
58
UMSNH
Mtodos Numricos
FIE
f3 x a3 x3 a2 x 2 a1 x a0
f3 x a3 x a2 x a1 x a0
f x x 2 x 5 x 6 en x 3
f3 x a3 x a2 x a1 x a0
p0
p 0 3 1 1
p 1 3 2 1
p 1 3 5 2
p 2 3 6 0
f x
Haciendo
x 8 x 4 3 2
p0
p 0 2 1 1
p 1 2 8 6
p 6 2 4 8
p 8 2 3 13
p 13 2 2 28
59
UMSNH
Mtodos Numricos
FIE
f x 6 x 4 3x3 8x 2 6 x 9 en x 1 .
Solucin.
a = [6 -3 8 -6 9];
n = 5;
p = 0;
x = 1;
for i=n:-1:1
p = p*x+a(i);
end
Deflacin polinomial
Sea un polinomio de n-simo grado de la forma,
f x an x n an1 x n1 an2 x n2
a2 x 2 a1x a0
x t es
r = a(n)
a(n) = 0
for i=n-1,0,-1
s = a(i)
a(i) = r
r = s+r*t
end
x2 2 x 24 entre x 4
Solucin
n2
r a2 1
Para i 1
s a1 2
Para
a1 r 1
r s rt 2 1 4 6
a0 r 6
r s rt 24 6 4 0
i0
s a0 24
a1 x a0 x 6
es decir
x 2 2 x 24
x6
x4
60
UMSNH
Mtodos Numricos
FIE
x2 2 x 24 entre x 4
Races mltiples
Una alternativa consiste en definir una nueva funcin
entre su derivada
u x
f x
f ' x
Se puede demostrar que esta funcin tiene races en las mismas posiciones que la funcin original. Por
lo tanto. Sustituyendo la ecuacin anterior en la ecuacin del mtodo de Newton-Raphson, se desarrolla
una forma alternativa del mtodo de Newton-Raphson,
xi 1
f xi f ' xi
f ' xi f xi f '' xi
2
Ejemplo: Con los dos mtodos estndar y el modificado, de Newton-Raphson evale la raz mltiple de
la ecuacin
x3 5 x 2 7 x 3
use un valor inicial
x0 0 .
Solucin
Utilizando el mtodo de Newton-Raphson estndar
xi 1 xi
xi3 5 xi2 7 xi 3
3xi2 10 xi 7
xi 1
3
i
3x
2
i
5 xi2 7 xi 3 3xi2 10 xi 7
10 xi 7 xi3 5 xi2 7 xi 3 6 xi 10
2
f n x a0 a1 x a2 x 2
dividiendo entre el factor
f n1 x b1 b2 x b3 x3
con un residuo
an x n
bn x n1
R b0 ,
61
UMSNH
Mtodos Numricos
FIE
bn an
bi ai bi 1t para i n 1 a 0
ntese que si t es una raz del polinomio original, el residuo
b0 0 .
Para permitir la evaluacin de las races complejas, el mtodo de Bairstow divide el polinomio entre un
factor cuadrtico
x2 rx s
Dividiendo
f n x a0 a1 x a2 x 2
f n2 x b2 b3 x
an x n entre x2 rx s , se obtiene,
bn1 x n3 bn x n2
con el residuo
R b1 x r b0
se utiliza ahora una relacin de recurrencia simple para realizar la divisin entre el factor cuadrtico
bn an
bn1 an1 rbn
bi ai rbi 1 sbi 2
Dado que
para i n 2 a 0
b1 r r , s s b1
b1
b
r 1 s
r
s
b0 r r , s s b0
b0
b
r 0 s
r
s
Los incrementos r y s necesarios para mejorar los valores iniciales, se estiman igualando a cero las
ecuaciones anteriores para dar,
b1
b
r 1 s b1
r
s
b0
b
r 0 s b0
r
s
si las derivadas parciales de las b , pueden determinarse, hay un sistema de dos ecuaciones que se
resuelven simultneamente para las dos incgnitas r y s . Bairstow demostr que las derivadas
parciales se obtienen por divisin sinttica de las b en forma similar a como las b mismas fueron
obtenidas:
62
UMSNH
Mtodos Numricos
FIE
cn bn
cn1 bn1 rcn
ci bi rci 1 sci 2
para
i n2 a 1
donde
b0
c1
r
b0 b1
c2
s
r
b1
c3
s
as las derivadas parciales se obtienen por la divisin sinttica de las
parciales se sustituyen en las ecuaciones
b1
b
r 1 s b1
r
s
b0
b
r 0 s b0
r
s
junto con las
b para dar,
c2 r c3s b1
c1r c2 s b0
estas ecuaciones se resuelven para r y s , las cuales, a su vez, se emplean para mejorar los valores
iniciales de r y s . En cada paso, se estima un error aproximado en r y s :
a ,r
r
100%
r
a,s
s
100%
s
cuando ambos errores especificados caen por debajo de un criterio especificado de terminacin
valores de las races se determinan mediante:
r r 2 4s
2
63
s , los
UMSNH
Mtodos Numricos
FIE
2.
3.
r r 2 4s
2
s
r
Ejemplo: utilizar el mtodo de Bairstow para determinar las races del polinomio
f x x3 2 x 2 5 x 6
Solucin
Tomando como condicin inicial:
a3 1
a2 2
a1 5
a0 6
b3 1
b2 1.5
b1 5.25
b0 2.625
c3 1
c2 1
c1 5.25
c0 0.5
r 0.42
s 4.83
r r r 0.08
s s s 5.33
Ajustando
a3 1
a2 2
a1 5
a0 6
b3 1
b2 1.92
b1 0.1764
b0 4.2195
c3 1
c2 1.84
c1 5.3592
c0 13.5980
Resolviendo
64
UMSNH
Mtodos Numricos
r 1.9735
FIE
s 3.4549
Ajustando
r r r 2.0535
s s s 8.7849
La Tabla siguiente muestra los valores obtenidos para r y s en 7 iteraciones, en donde se converge con
-6
un error mximo de 9.82x10 .
Iteracin
Error
0.08000000
5.33000000
4.83000000
2.05350000
8.78490000
3.45490000
1.55520000
5.94000000
2.84490000
1.03620000
6.26810000
0.51900000
1.00313600
6.00108300
0.26701700
1.00000277
6.00000982
0.00313323
1.00000000
6.00000000
0.00000982
x2 rx s es x2 x 6
x2 x 6 se tiene que:
x 1
x x 6 x 2 x 5x 6
2
Por lo que,
x3 2 x 2 5x 6 x 2 x 6 x 1
factorizando el trinomio,
x 6 x 1 x 3 x 2 x 1 0
x3
x 2
x 1
Ejemplo: utilizar el mtodo de Bairstow para determinar las races del polinomio
s 1% .
Solucin
Iteracin 1
a0 1.25
a1 3.875
a2 2.125
a3 2.75
65
a4 3.5
a5 1
UMSNH
Mtodos Numricos
b5 a5 1
c5 b5 1
c1r c2 s b0
c2 r c3s b1
Sustituyendo valores
r 0.3558
s 1.1381
corrigiendo los valores de
r ys
r r r 0.3558 1 0.6442
s s s 1.1381 1 0.1381
66
FIE
UMSNH
Mtodos Numricos
FIE
r 0.5
s 0.5
x3 4 x2 5.25x 2.5
Aplicando nuevamente el mtodo de Bairstow para este polinomio y tomando como valores iniciales
para r y s los obtenidos previamente se tiene que despus de cinco iteraciones:
r2
s 1.249
x2
Por lo que las races se pueden obtener al resolver:
x2 0.5x 0.5 0
x2 2 x 1.249 0
x2 0
Las cuales son:
x1 1
x2 0.5
x3 1 0.5i
67
x4 1 0.5i
x5 2
UMSNH
Mtodos Numricos
FIE
x3.5 80
1.
2.
gm
c/m t
1 e
c
donde
g 9.81m/s2
v 35m/s .
velocidad sea
3.
La funcin
1
106
n 1
2
Solucin
4.
f x e x / 4 2 x 1
5.
Encontrar
positiva
6.
Encontrar
la
raz
f x cos x cosh x 1.
las
3
pequea
races
encuentre debajo de
posible
positivas
(diferente
de
de
la
cero)
de:
funcin:
8.
ms
7.
106 ?
s 10% .
de la falsa posicin.
9.
f x
0.8 0.3x
utilizando el mtodo de la falsa posicin con
x
valores iniciales de 1 a 3.
11. Determine la raz real de
iniciales de 2.0 a 5.0.
12. Resolver
x3 x 1 0 , tomando a0 1 y b0 2
68
UMSNH
Mtodos Numricos
FIE
f x 2sen
x x
x0 0.5
x3 2 x 5 0
x3 9 x2 18x 6 0
x4 16 x3 72x2 96x 24 0
x 4 3x 1 0
x2 3x 4sen 2 x 0
15. Demostrar
que
la
aplicacin
del
mtodo
de
Newton-Raphson
la
ecuacin
1
f x 1 produce la formula recursiva zk 1 zk 2 azk
ax
16. Determine la raz real ms grande de
f x 2 x3 11.7 x 2 17.7 x 5
x0 3.0
x0 4.52
f x 1 5.5x 4 x2 0.5x3
18. Localice la primera raz positiva de
f x senx cos 1 x 2 1
x est en radianes. Para localizar la raz use cuatro iteraciones del mtodo de la secante con
valores iniciales de: xi 1 1.0 y xi 3.0
donde
f x 8sen x e x
20. Divida el polinomio
xi 0.3
x 2 una raz?
21. Divida el polinomio
f x x5 5x 4 x3 6 x 2 7 x 10 entre el monomio x 2 . es
x 2 una raz?
22. Utilice el mtodo de Bairstow para determinar las races de:
a)
f x 2 6.2 x 4 x 2 0.7 x3
b)
c)
f x x 4 3x3 5x 2 x 10
69
UMSNH
Mtodos Numricos
FIE
Autoevaluacin Unidad 3
1. Utilice la iteracin simple de punto fijo para localizar la raz de:
una eleccin inicial de
f x 2sen x x . Haga
x0 0.5 .
2. Localizar la raz
biseccin.
3. Localizar raz de
posicin.
4. Utilice
el
mtodo
de
Newton-Raphson
x 4 x x 6 0 cercana a cero
3
70
para
determinar
la
raz
de
UMSNH
Mtodos Numricos
FIE
Unidad IV
Solucin de Sistemas de Ecuaciones Lineales y No lineales
Introduccin
Un sistema de ecuaciones lineales es aquel que tiene la forma,
a11 x1 a12 x2
a1n xn b1
a21 x1 a22 x2
a2 n xn b2
an1 x1 an 2 x2
ann xn bn
donde las
a son los coeficientes constantes y las b son los trminos independientes constantes.
Los mtodos para la solucin de sistemas de ecuaciones lineales se clasifican en: mtodos directos y
mtodos iterativos.
Algunos mtodos directos son,
Eliminacin guaussiana
Eliminacin de Gauss-Jordan
Iteracin de Jacobi
Iteracin de Gauss-Seidel
Iteracin de punto fijo
A continuacin se describen los mtodos directos para la solucin de sistemas de ecuaciones lineales.
Eliminacin guaussiana
Consideremos un sistema de
incgnitas
a11 x1 a12 x2
a1n xn b1
a21 x1 a22 x2
a2 n xn b2
am1 x1 am 2 x2
amn xn bm
bi son constantes.
Se dice que dos sistemas de ecuaciones lineales con las mismas incgnitas son equivalentes si tienen el
mismo conjunto solucin. Una forma de producir un sistema que sea equivalente a una dado, con
ecuaciones lineales L1 , L2 , L3 , , Lm es efectuar una sucesin de las siguientes operaciones,
llamadas operaciones elementales,
71
UMSNH
Mtodos Numricos
FIE
k : kLi Li , k 0
3) Sustituir la ecuacin i-sima por ella misma ms k veces la j-sima: kL j Li Li
2) Multiplicar la ecuacin i-sima por un escalar no nulo
se obtiene otro
mediante una
a11 x1 a12 x2
a1n xn b1
a21 x1 a22 x2
a2 n xn b2
am1 x1 am 2 x2
amn xn bm
a11 x1 a12 x2
a1n xn b1
a22 ' x2
a2 n ' xn b2 '
ann ' xn bn '
2) Usar la sustitucin hacia atrs para hallar la solucin del sistema ms simple.
bi
xi
a x
j i 1
ij
aii
para
i n, n 1,
,1
El algoritmo anterior de dos pasos para resolver un sistema de ecuaciones lineales se denomina
eliminacin gaussiana. Si se realizan operaciones entre renglones de tal forma que se obtenga una
matriz diagonal, el algoritmo se denomina eliminacin de gauss-jordan.
x 2 y 4 z 4
5 x 11y 21z 22
3x 2 y 3z 11
Eliminacin de las xs de las filas 2 y 3
x 2 y 4 z 4
y z 2
8 y 15 z 23
72
UMSNH
Mtodos Numricos
FIE
Eliminando la y de la fila 3
x 2 y 4 z 4
y z 2
7z 7
Realizando un proceso de sustitucin hacia atrs,
ordenada
Ejemplo: hacer una rutina en Matlab que lleve a una forma escalonada el siguiente sistema de
ecuaciones lineales con tres incgnitas.
x 2 y 4 z 4
5 x 11y 21z 22
3x 2 y 3z 11
Solucin
% Rutina que genera la forma escalonada de un sistema
aumentado AB
function A = elimi_gauss(A)
[filas columnas] = size(A);
pivote = A(1,1);
for i=1:filas
A(i,:) = A(i,:)/A(i,i);
for j=i+1:filas
A(j,:) = A(j,:)-A(j,i)*A(i,:);
end
end
2 -4 -4
1 -1 -2
0 1 1
Una funcin que resuelve un sistema de ecuaciones expresado en forma de una matriz aumentada.
function x = resuelve_elimi_gauss(A)
x 2y z 7
2 x y 4 z 17
3x 2 y 2 z 14
>> A = [1 -2 1 7;2 -1 4 17;3 -2 2 14]
for i=filas:-1:1
suma = 0.0;
for j=i+1:filas;
suma = suma + A(i,j)*x(j);
end
x(i) = (A(i,columnas) - suma)/A(i,i);
end
A=
1 7
4 17
2 14
>> x = resuelve_elimi_gauss(A)
x=
1 -2
2 -1
3 -2
73
2 -1
UMSNH
Mtodos Numricos
FIE
Uso de cifras significativas: el remedio ms simple para el mal condicionamiento consiste en emplear
ms cifras significativas en los clculos. Si la computadora tiene la capacidad para usar ms cifras, esta
caracterstica reducir enormemente el problema. Sin embargo, el precio que hay que pagar en clculo y
memoria se eleva con el uso de la precisin extendida.
Pivoteo: Antes de normalizar cada rengln, resulta conveniente determinar el coeficiente ms grande
disponible en la columna debajo del elemento pivote. Los renglones se pueden intercambiar de manera
que el elemento ms grande sea el elemento pivote; esto se conoce como pivoteo parcial. Al
procedimiento, donde tanto en las columnas como en los renglones se busca el elemento ms grande y
luego se intercambian se conoce como pivoteo completo, el cual se usa en muy raras ocasiones debido a
que al intercambiar columnas se cambia el orden las x y en consecuencia, se agrega complejidad
significativa y usualmente injustificada al programa de computadora.
Escalamiento: el escalamiento es til para la estandarizacin del tamao determinante. Adems, tiene
utilidad en la minimizacin de los errores de redondeo, en aquellos casos en los que algunas de las
ecuaciones de un sistema tienen coeficientes mucho ms grandes que otros. Tales situaciones se
encuentran con frecuencia en la prctica de la ingeniera, al usar unidades muy diferentes en el
desarrollo de ecuaciones simultneas.
Gauss-Jordan
El mtodo de Gauss-Jordan es una variacin de la eliminacin de Gauss. La principal diferencia consiste
en que cuando una incgnita se elimina en el mtodo de Gauss-Jordan, sta es eliminada de todas las
otras ecuaciones, no slo de las subsecuentes. Adems todos los renglones se normalizan al dividirlos
entre su elemento pivote. De esta forma, el paso de eliminacin genera una matriz identidad en vez de
una triangular. En consecuencia, no es necesario usar la sustitucin hacia atrs para obtener la solucin.
2 x 4 y 6 z 18
4 x 5 y 6 z 24
3x y 2 z 4
Solucin
74
UMSNH
Mtodos Numricos
3
9
2 4 6 18
1 2 3 9 R R 4 R 1 2
R1 12 R1
R32 R32 3 R11
4 5 6 24
0 3 6 12
4 5 6 24
3 1 2 4
3 1 2 4
0 5 11 23
3
9 R R 2 R 1 0 1 1
1 2
0 1
2
4
0 1 2 4
0 5 11 23
0 0 1 3
R2 13 R2
1 0 1 1 R R R
1 0 0 4
0 1 2 4
0 1 0 2
0 0 1 3
0 0 1 3
R3 R3
Obtenindose
u 4, 2,3
Mtodos iterativos
A continuacin se analizan los mtodos iterativos para la solucin de sistemas de ecuaciones
Mtodo de Jacobi
xin 1
1
aii
n
n
bi aij x j aij x j
j i
j i
Ejemplo: resolver el siguiente sistema de ecuaciones lineales por medio del mtodo de Jacobi
7 x1 2 x2 x3 2 x4 3
2 x1 8 x2 3x3 x4 2
x1 5 x3 2 x4 5
2 x2 x3 4 x4 4
Solucin
Se propone el siguiente cdigo en matlab
75
FIE
UMSNH
Mtodos Numricos
for i=1:tam
suma = 0.0;
for j=1:tam
if (i~=j)
suma = suma + A(i,j)*x0(j)
end
end
xn(i) = (B(i)-suma)/A(i,i);
end
error = max(abs(x0-xn));
x0 = xn;
ite = ite + 1;
end
xn =
-0.1752 -0.5338 0.4166 1.3710
ite =
44
Mtodo de Gauss-Seidel
xin 1
1
n 1
n 1
bi aij x j aij x j
aii
j i
j i
Ejemplo: resolver el siguiente sistema de ecuaciones lineales por medio del mtodo de Gauss-Seidel
7 x1 2 x2 x3 2 x4 3
2 x1 8 x2 3x3 x4 2
x1 5 x3 2 x4 5
2 x2 x3 4 x4 4
Solucin
Se propone el siguiente cdigo en matlab
function [x0 ite] = gauss_seidel(A,B,x0,tol)
error = 1.0;
ite = 0;
tam = length(B);
xant = x0;
while (error > tol)
for i=1:tam
suma = 0.0;
for j=1:tam
if (i~=j)
suma = suma + A(i,j)*x0(j)
end
end
x0(i) = (B(i)-suma)/A(i,i);
end
error = max(abs(xant-x0));
xant = x0;
ite = ite + 1;
end
ite =
23
76
FIE
UMSNH
Mtodos Numricos
FIE
Ejemplo: Utilizando los mtodos iterativos de Jacobi y Gauss-Seidel, determinar las corrientes de malla
indicadas en el circuito de la Figura siguiente. Utilizar como vector de condiciones iniciales
x0 0 0 0
1
10V
i1
i2
i3
1
Solucin
Por inspeccin se forma el sistema de ecuaciones
3 1 1 i1 10
1 4 1 i 0
2
1 1 3 i3 0
Utilizando las funciones desarrolladas.
Gauss-Seidel
>> [xn ite] = gauss_seidel(A,B,x0,tol)
ite = 48
ite = 26
y x 2 x 0.75
(1)
y 5xy x 2
(2)
x y 1.2 .
77
UMSNH
Mtodos Numricos
FIE
Solucin
x2 y
x
5y
x 0.3647 , y 0.51
y 0.9816
A continuacin se propone un programa en matlab para realizar de manera automtica este proceso
iterativo.
function y = evalua_y(x,y)
y = -x^2+x+0.75;
function x = evalua_x(x,y)
x = (x^2-y)/(5*y);
clear all
x0 = 1.2;
y0 = 1.2;
error = 1.0;
tol = 1e-10;
while (error > tol)
y = evalua_y(x0,y0);
x = evalua_x(x0,y);
error = max([abs(x0-x) abs(y0-y)]);
x0 = x;
y0 = y;
[x y]
end
78
UMSNH
Mtodos Numricos
Iteracin
FIE
Error
3.647059E-01
5.100000E-01
8.352941E-01
-1.729019E-01
9.816955E-01
5.376078E-01
-1.890735E-01
5.472030E-01
4.344925E-01
-1.863860E-01
5.251777E-01
2.202531E-02
-1.868628E-01
5.288742E-01
3.696517E-03
-1.867791E-01
5.282196E-01
6.546738E-04
-1.867938E-01
5.283345E-01
1.149132E-04
-1.867912E-01
5.283143E-01
2.020245E-05
-1.867917E-01
5.283178E-01
3.550728E-06
10
-1.867916E-01
5.283172E-01
6.240967E-07
11
-1.867916E-01
5.283173E-01
1.096940E-07
12
-1.867916E-01
5.283173E-01
1.928032E-08
13
-1.867916E-01
5.283173E-01
3.388797E-09
14
-1.867916E-01
5.283173E-01
5.956304E-10
15
-1.867916E-01
5.283173E-01
1.046907E-10
16
-1.867916E-01
5.283173E-01
1.840095E-11
Ejemplo: determine las races de las siguientes ecuaciones no lineales simultneas por medio del
mtodo de la iteracin de punto fijo.
x 4 y 4
2
x 2 y 2 16
Utilice los valores iniciales de:
x y 1.2 .
Mtodo de Newton-Raphson
Ejemplo: utilizar el mtodo de Newton-Raphson para resolver el siguiente sistema de ecuaciones no
lineales.
x2 xy 10 0
y 3xy 2 57 0
Solucin
Se generan dos funciones, asociadas a cada una de las ecuaciones:
f x, y x 2 xy 10
g x, y y 3xy 2 57
Se calcula la matriz Jacobiana:
f
x
J
g
x
f
x
y 2 x y
2
g 3 y
1 6 xy
y
79
UMSNH
Mtodos Numricos
FIE
x 2 xy 10
F
2
y 3xy 57
Expresado en forma matricial el mtodo de Newton-Raphson es:
Vn1 Vn J 1 Vn F Vn
donde: Vn es el vector de condiciones iniciales.
1.5
Vn
3.5
Implementando el mtodo en Matlab.
function y = funcion_original(x)
y = [x(1)^2+x(1)*x(2)-10;x(2)+3*x(1)*x(2)^2-57];
function A = funcion_derivada(x)
A = [2*x(1)+x(2) x(1);3*x(2)^2 1+6*x(1)*x(2)];
Iteracin
% Mtodo de newton raphson para un sistema de dos
ecuaciones
% no lineales
error = 1.0;
x0 = [1.5;3.5];
tol = 1e-10;
while (error > tol)
xn = x0 - inv(funcion_derivada(x0))*funcion_original(x0);
error = max(abs(xn-x0));
error
x0 = xn;
end
Error
6.561249E-01
1.584135E-01
2.289150E-03
5.866112E-07
7.505108E-14
Ejemplo: determine las races de las ecuaciones no lineales simultneas que siguen:
x 4 x2 y 4
x 2 y 2 16
Use el mtodo grfico para obtener los valores iniciales.
Solucin.
Utilizando Maple V para obtener una aproximacin grfica hacia la solucin:
with(plots):
implicitplot({x^2+y^2=16,(x-4)*x^2+(y-4)^2=5},x=-5..5,y=-5..5);
80
UMSNH
Mtodos Numricos
Figura 4.1.
x 4 e y 2.
x3 4 x2 y 2 8 y 11
x 2 y 2 16
Considere las condiciones iniciales:
x y 1.0
Solucin
f x, y x3 4 x 2 y 2 8 y 11
g x, y x 2 y 2 16
Se tiene entonces que
f
x
J
g
x
f
y 3x 2 8 x 2 y 8
g 2 x
2y
y
x3 4 x 2 y 2 8 y 11
F
x 2 y 2 16
function y = funcion_original(x)
y = [x(1)^3-4*x(1)^2+x(2)^2-8*x(2)+11;x(1)^2+x(2)^2-16];
function A = funcion_derivada(x)
A = [3*x(1)^2-8*x(1) 2*x(2)-8;2*x(1) 2*x(2)];
81
FIE
UMSNH
Mtodos Numricos
Iteracin
x 3.81063593511742
FIE
Error
7.500000E-01
6.294594E-02
2.280351E-03
1.199920E-06
7.982504E-13
y 1.21616354574201
y x 2 x 0.75
y 5xy x 2
82
x y 1.2
UMSNH
Mtodos Numricos
FIE
2 x2 5 x3 9
2 x1 x2 x3 9
3x1 x2 10
0, 0, 0 '
2 x1 6 x2 x3 38
3x1 x2 7 x3 34
8 x1 x2 2 x3 20
0, 0, 0 '
3. Determine las races de las siguientes ecuaciones no lineales simultneas por medio del mtodo
de iteracin de punto fijo
x 2 xy 10
considere
y 3xy 2 57
4. Encontrar la expresin matricial recursiva para la solucin del siguiente sistema de ecuaciones
no lineales utilizando el mtodo de Newton-Raphson
x 4 y 4
2
x y 16
2
x
considere como condiciones iniciales 0
y0
83
UMSNH
Mtodos Numricos
FIE
Unidad V
Optimizacin
Introduccin
Optimizacin no restringida unidimensional
Bsqueda de la seccin dorada
Considrese que se desea encontrar el valor mximo de la funcin
xL
xU
Figura 5.1
El mtodo comienza con dos valores iniciales que contienen un extremo local de
eligen dos puntos interiores
f x . Despus, se
5 1
xu xl
2
x1 xl d
x2 xu d
la funcin se evala en estos dos puntos interiores. Dos casos pueden presentarse
1.
Si,
iteracin.
2.
Si,
iteracin.
f x
Mximo
f x2
f x1
Eliminar
xL
xU
x2 x1
f x2 f x1
Figura 5.2
84
UMSNH
Mtodos Numricos
FIE
x2
f x 2senx
10
xl 0 y xu 4 .
Solucin.
Se propone el siguiente cdigo en matlab
% busqueda dorada
xl = 2;
xu = 4;
tol = 1e-10;
error = 1;
while (error > tol)
d = (sqrt(5)-1)*(xu-xl)/2.0;
x1 = xl+d;
x2 = xu-d;
a = bd(x1);
b = bd(x2);
if (a > b)
xl = x2;
end
if (b > a)
xu = x1;
end
error = abs(xu-xl)
end
f x x 2 8x 12 , usando xU 5 y xL 0 .
Solucin.
Analticamente:
f ' x 2 x 8
Haciendo
f ' x 0
Se tiene que,
x4
Evaluando
f 4 4
Pmax 4, 4
A continuacin se muestran las cuatro primeras iteraciones del mtodo de la bsqueda de la seccin
dorada.
Iteracin
xL
xU
x1
x2
f x1
f x2
xU xL
3.090170
1.909830
5.000000
3.090170
1.909830
3.172209
-0.368810
3.090170
1.909830
3.090170
5.000000
3.819660
3.090170
3.967478
3.172209
1.909830
1.180340
3.090170
4.270510
4.270510
3.819660
3.926824
3.967478
1.180340
0.729490
3.541020
4.270510
3.819660
3.541020
3.967478
3.789337
0.729490
23
0.000078
3.999940
4.000018
4.000018
3.999988
4.000000
4.000000
0.000078
85
UMSNH
Mtodos Numricos
FIE
De los datos contenidos en la tabla se aprecia que para 23 iteraciones el rango de bsqueda tiende a 4,
en tanto que la funcin tiende a 4. Estos valores coinciden con lo calculado analticamente.
Interpolacin cuadrtica.
La interpolacin cuadrtica aprovecha la ventaja de que un polinomio de segundo grado con frecuencia
proporciona una buena aproximacin a la forma
f x
Mximo real
Aproximacin
cuadrtica del
mximo
Funcin cuadrtica
Funcin real
x0
x1
x3
x2
Figura 5.3
x3
Donde
2 f x0 x1 x2 2 f x1 x2 x0 2 f x2 x0 x1
x0 , x1 y x2 son los valores iniciales y x3 es el valor de x que corresponde al valor mximo del
f x 2senx
Con los valores iniciales de
x2
10
x0 0 , x1 1 y x2 4
Solucin.
86
UMSNH
Mtodos Numricos
FIE
function y = funcion_f_x(x)
y = 2*sin(x) -x^2/10;
Iteracin
x0
f x0
x1
f x1
x2
f x2
x3
f x3
0.0000
0.0000
1.0000
1.5829
4.0000
-3.1136
1.5055
1.7691
1.0000
1.5829
1.5055
1.7691
4.0000
-3.1136
1.4903
1.7714
1.0000
1.5829
1.4903
1.7714
1.5055
1.7691
1.4256
1.7757
1.0000
1.5829
1.4256
1.7757
1.4903
1.7714
1.4266
1.7757
1.4256
1.7757
1.4266
1.7757
1.4903
1.7714
1.4275
1.7757
Mtodo de Newton
El mtodo de Newton-Raphson es un mtodo abierto que permite encontrar la raz de
funcin de tal manera que
xi 1 xi
x de una
f xi
f ' xi
g x f ' x ,
As como el mismo valor ptimo
x*
87
UMSNH
Mtodos Numricos
f ' x * g x * 0
Se emplea lo siguiente
xi 1 xi
FIE
f ' xi
f '' xi
f x .
f x 2senx
Con un valor inicial de
x2
10
x0 2.5
Solucin.
f ' x 2cos x
x
5
f '' x 2senx
1
5
Iteracin
f ' x
f '' x
error
2.500000E+00
-2.102287E+00
-1.396944E+00
1.504918E+00
9.950816E-01
8.898527E-01
-1.877607E+00
4.739292E-01
1.469011E+00
-9.058233E-02
-2.189649E+00
4.136843E-02
1.427642E+00
-1.973395E-04
-2.179542E+00
9.054172E-05
1.427552E+00
-1.169790E-09
-2.179516E+00
5.367200E-10
1.427552E+00
0.000000E+00
-2.179516E+00
0.000000E+00
function y = derivada(x)
y = 2*cos(x) -x/5;
function y = segunda_derivada(x)
y = -2*sin(x) -1/5;
88
UMSNH
Mtodos Numricos
Programacin lineal:
gi x1 , x2 , x3 ,
donde:
FIE
f x1 , x2 , x3 ,
, xn y cada
f x1 , x2 , x3 ,
, xn c1 x1 c2 x2
gi x1 , x2 , x3 ,
, xn ai1 x1 ai 2 x2
c j y aij i 1, 2,3,
, m; j 1, 2,3,
cn xn
ain xn
Ejemplo: Un expendio de carnes de la ciudad acostumbra preparar la carne para albondign con una
combinacin de carne molida de res y carne molida de cerdo. La carne de res contiene 80 % de carne y
20 % de grasa, y le cuesta a la tienda 20 centavos por libra; la carne de cerdo contiene 68 % de carne y
32 % de grasa, y le cuesta 60 centavos por libra. Qu cantidad de cada tipo de carne debe emplear la
tienda en cada libra de albondign, si se desea minimizar el costo y mantener el contenido de grasa no
mayor del 25 %?
Solucin:
Sea
z 80 x1 60 x2
Este costo est sujeto a las siguientes restricciones:
0.2 x1 0.32 x2 0.25 dado que la cantidad total por libra de albondign no tiene que exceder el 25
% de contenido en grasa.
Adems:
x1 x2 1 dado que la suma de ambas cantidades de carnes tiene que ser igual a 1 libra.
Por lo tanto el problema lo podemos escribir como:
Minimizar:
z 80 x1 60 x2
Sujeto a:
Con:
x1 x2 1
x1 , x2 0
89
UMSNH
Mtodos Numricos
FIE
Ejemplo: Un fabricante de muebles tiene 6 unidades de madera y 28 horas disponibles, durante las
cuales fabricar biombos decorativos. Con anterioridad se han vendido bien dos modelos, de manera
que se limitar a producir estos dos modelos. Estima que el modelo I requiere 2 unidades de madera y
7 horas de tiempo disponible, en tanto que el modelo II requiere 1 unidad de madera y 8 horas. Los
precios de los modelos son $ 120 y $ 80 respectivamente. Cuntos biombos de cada modelo debe
fabricar si desea maximizar sus ingresos por ventas?
Solucin:
Sea:
z 120 x1 80 x2
La cual estar sujeta a las siguientes restricciones:
2 x1 x2 6
dado que para fabricar el modelo I se requieren 2 unidades de madera y para fabricar
7 x1 8x2 28
El problema lo podemos escribir de la siguiente manera:
Maximizar:
z 120 x1 80 x2
Sujeto a:
2 x1 x2 6
7 x1 8x2 28
Condiciones de no negatividad
Cualquier variable que no haya sido sujeta a restriccin de no negatividad, se reemplaza por la
diferencia entre dos nuevas variables que tengan esta restriccin.
90
UMSNH
Mtodos Numricos
FIE
Sujeto a:
Z 2 x1 x2
x1 x2 5
Con:
x1 0
Maximizar;
En este problema de programacin lineal aparecen dos variables x1 y x2. La variable x1 tiene la
condicin de no negatividad, sin embargo la variable x2 no tiene esta condicin. Lo que se puede hacer
es sustituir a x2 por la diferencia entre dos nuevas variables x3 y x4 las cuales sean no negativas, es
decir,
x2 x3 x4
entonces se tiene que:
Maximizar;
Z 2 x1 x3 x4
Sujeto a:
x1 x3 x4 5
Con:
x1 , x3 , x4 0
a x
ij
bj
se puede convertir en una ecuacin, agregando una nueva variable no negativa al lado izquierdo de la
desigualdad. Esta variable es numricamente igual a la diferencia entre el lado izquierdo y el derecho de
la desigualdad, y se conoce como variable de holgura. Representa el desperdicio involucrado en esta
fase del sistema, cuyo modelo est dado por la restriccin.
a x
ij
bj
puede convertirse en una ecuacin, restando una nueva variable no negativa del lado izquierdo de la
desigualdad. Esta variable es numricamente igual a la diferencia entre el lado izquierdo y derecho de la
91
UMSNH
Mtodos Numricos
FIE
desigualdad, y se conoce como variable superflua. Esta variable representa el exceso de entrada en esta
fase del sistema cuyo modelo est dado por la restriccin.
4 x1 6 x2 x3 54
El lado izquierdo de esta desigualdad representa la salida combinada de mineral de grado alto
proveniente de tres minas, mientras que el lado derecho es el tonelaje mnimo del material requerido
para cumplir con las obligaciones del contrato. Esta desigualdad se transforma en la ecuacin:
4 x1 6 x2 x3 x4 54
al restar la variable superflua
de mineral de grado alto extrada por encima de la cantidad necesaria para cumplir el contrato.
x1 2 x2 3
4 x1 5 x2 6
7 x1 8 x2 15
El sistema anterior se puede convertir en un sistema de ecuaciones de restricciones, sumando una
variable de holgura a la primera restriccin, restando una variable superflua y aadiendo una variable
artificial a la segunda desigualdad y aadiendo una variable artificial a la tercera ecuacin, con lo que se
tiene:
x1 2 x2 x3 3
4 x1 5 x2 x4 x5 6
7 x1 8 x2 x6 15
Ahora, cada una de las ecuaciones de restricciones contiene o una variable de holgura o una variable
artificial. Igualando las variables de holgura y las variables artificiales al lado derecho de las
desigualdades y haciendo las otras variables iguales a cero, se tiene:
92
UMSNH
Mtodos Numricos
FIE
x1 0
x 0
2
x3 3
x4 0
x5 6
x6 15
Costos de penalizacin
La introduccin de las variables de holgura y superfluas no altera la naturaleza de las restricciones ni al
objetivo. Por consiguiente, estas variables se incorporan a la funcin objetivo con coeficientes cero. Las
variables artificiales, sin embargo, cambian la naturaleza de las restricciones. Ya que se agregan solo a
un lado de la desigualdad, el nuevo sistema es equivalente al sistema anterior de restricciones solo si las
variables artificiales son cero. Para garantizar estas condiciones en la solucin ptima (en contraste con
la solucin inicial), las variables artificiales se incorporan en la funcin objetivo con coeficientes positivos
muy grandes si se trata de un problema de minimizacin o con coeficientes negativos muy grandes si se
trata de un problema de maximizacin. Estos coeficientes que se denotan M o M, donde M se
considera un nmero positivo muy grande, representan el severo costo de penalizacin en el que se ha
incurrido al hacer una asignacin unitaria a las variables artificiales.
z 80 x1 60 x2
0.20 x1 0.32 x2 0.25
Sujeto a:
x1 x2 1
Solucin:
Agregando una variable de holgura a la primera restriccin y una variable artificial a la segunda
restriccin. Se agrega en la funcin objetivo el costo de penalizacin asociado con la introduccin de x4,
es un valor negativo ya que es un problema de maximizacin.
Maximizar:
Sujeto a:
z 80 x1 60 x2 0 x3 Mx4
En forma matricial:
x1
x
z 0.20 0.32 0 M 2
x3
x4
Sujeto a:
93
UMSNH
Mtodos Numricos
FIE
x1
0.20 0.32 1 0 x2 0.25
1
1
0 1 x3 1
x4
x1
x
2 0
x3
x4
z 5x1 2 x2
6 x1 x2 6
4 x1 3x2 12
Sujeto a:
x1 2 x2 4
Solucin:
Se restan a cada una de las restricciones variables superfluas. A continuacin se aaden variables
artificiales. Tanto las variables superfluas como las variables artificiales se aaden a la funcin objetivo.
Las primeras con coeficientes cero y las segundas con coeficientes muy grandes negativos.
Maximizar:
6 x1 x2 x3 x6 6
Sujeto a:
4 x1 3x2 x4 x7 12
x1 2 x2 x5 x8 4
z 5 2 0 0 0 M
x1
x
2
x3
x
M 4
x5
x6
x
7
x8
Sujeto a:
94
UMSNH
Mtodos Numricos
FIE
x1
x
2
x3
6 1 1 0 0 1 0 0 6
4 3 0 1 0 0 1 0 x4 12
x
1 2 0 0 1 0 0 1 5 4
x6
x
7
x8
con:
x1
x2
x3
x4
x5
x6
x7
x8 ' 0
z CT
Sujeto a:
AX B
Con:
X 0
Donde: X es el vector columna de incgnitas, incluyendo todas las variables de holgura, superfluas y
artificiales.
Ejemplo: pngase en la forma estndar el siguiente problema de programacin lineal:
Maximizar:
z 5x1 2 x2
Sujeto a:
6 x1 x2 6
4 x1 3x2 12
x1 2 x2 4
con:
x1 , x2 0
Solucin:
Restando las variables superfluas
z 5x1 2 x2 0 x3 0 x4 0 x5
Sujeto a:
6 x1 x2 x3 6
4 x1 3x2 x4 12
x1 2 x2 x5 4
95
UMSNH
Mtodos Numricos
FIE
x1 , x2 , x3 , x4 , x5 0
con:
x1
x
2
Z 5 2 0 0 0 x3
x4
x5
Maximizar:
Sujeto a:
x1
6 1 1 0 0 x2 6
4 3 0 1 0 x 12
3
1 2 0 0 1 x4 4
x5
con:
x1
x2
x3
x4
x5 0
T
Mtodos de solucin.
Para la solucin de un problema de programacin lineal existen diferentes tipos de mtodos. Entre los
ms utilizados se cuentan los siguientes:
Mtodo grfico
Mtodo algebraico
Mtodo Simplex.
Producto
A
B
Tabla 3.3
Tiempo de manufacturacin, horas
Departamento I
Departamento II
Departamento III
2
1
4
2
2
2
96
UMSNH
Mtodos Numricos
Departamento
I
II
III
FIE
Tabla 3.4
Horas-hombre disponibles
por semana
160
120
280
Solucin:
Sea
x la cantidad de produccin del producto A
y la cantidad de produccin del producto B
se puede definir como funcin objetivo la ganancia, la cual es:
z x 1.5 y
la cual est sujeta a las siguientes restricciones:
El tiempo de manufacturacin en el departamento I es:
2 x 2 y el cual tiene que ser menor al tiempo disponible de produccin en este departamento, el cual
es de 160 horas, por lo que:
2 x 2 y 160
El tiempo de manufacturacin en el departamento II es:
x 2 y el cual tiene que ser menor al tiempo disponible de produccin en este departamento, el cual
es de 120 horas, por lo que:
x 2 y 120
Finalmente, el tiempo de manufacturacin en el departamento III es:
4 x 2 y el cual tiene que ser menor al tiempo disponible de produccin en este departamento, el cual
es de 280 horas, por lo que:
4 x 2 y 280
Finalmente, podemos expresar el problema de la siguiente manera:
Maximizar:
z x 1.5 y
Sujeto a:
Con
2 x 2 y 160
(1)
x 2 y 120
(2)
4 x 2 y 280
(3)
x, y 0
A continuacin se procede a la solucin de este problema por medio del mtodo grfico. Primeramente
procedemos a realizar la grfica de la primera restriccin
97
UMSNH
Mtodos Numricos
FIE
2 x 2 y 160
Si hacemos
x 0 se tiene que:
2 0 2 y 160
por lo que,
2 y 160
por tanto,
160
80
2
0,80
y 0 se tiene que,
2 x 2 0 160
o bien,
2 x 160
por lo que,
160
80
2
80, 0
50
40
30
20
10
0
0
20
40
60
80
100
120
Procedemos ahora a realizar la grfica de la segunda restriccin sobre este mismo plano,
x 2 y 120
Si
x 0 , se tiene que:
98
UMSNH
Mtodos Numricos
FIE
0 2 y 120
por lo que:
2 y 120
es decir,
120
60
2
0, 60
Si
y 0 , se tiene que,
x 2 0 120
o bien,
x 120
ahora tenemos el punto,
120, 0
procedemos a realizar la grfica de la segunda restriccin,
90
80
70
60
Restriccin 1
40
Restriccin 2
50
30
20
10
0
0
50
100
x
4 x 2 y 280
Si x 0 , se tiene que,
4 0 2 y 280
o bien,
99
UMSNH
Mtodos Numricos
FIE
2 y 480
despejando
480
240
2
se tiene el punto, 0, 240
y
Si
y 0 , se tiene que,
4 x 2 0 280
por lo que,
4 x 480
despejando
480
120
4
120, 0
procedemos a realizar la grfica,
160
140
120
100
Restriccin 1
80
Restriccin 2
Restriccin 3
60
40
20
0
0
50
100
x
Puede observarse de la Figura anterior una regin en dnde se satisfacen las tres restricciones. En la
Figura siguiente se maximiza esa regin y se muestran las coordenadas de sus vrtices,
100
UMSNH
Mtodos Numricos
FIE
160
140
120
100
Restriccin 1
Restriccin 2
Restriccin 3
80
0, 60
60
40, 40
40
60, 20
20
0
0, 600
50
70, 0
100
A continuacin procedemos a evaluar la funcin objetivo en cada uno de los vrtices del polgono de
solucin. (Uno de los cules est asociado con la solucin ptima).
Vrtice
0, 0
z x 1.5 y
sustituyendo valores,
z 0 1.5 0 0
Vrtice
40, 40
z x 1.5 y
sustituyendo valores,
z 40 1.5 40 100
Vrtice
60, 20
z x 1.5 y
sustituyendo valores,
z 60 1.5 20 90
Vrtice
70, 0
z x 1.5 y
sustituyendo valores,
z 70 1.5 0 70
Puede apreciarse que el valor ms grande de la funcin objetivo es z 100 , el cual est asociado con
el vrtice
101
x 40 , y 40
UMSNH
Mtodos Numricos
FIE
Mtodo algebraico
Consideremos el siguiente problema de programacin lineal:
Maximizar:
z 3x1 2 x2
Sujeto a:
x1 x2 20
x1 15
x1 3x2 45
3x1 5x2 60
Convirtiendo las desigualdades en igualdades por medio de la adicin de variables de holgura se tiene:
x1 x2 x3 20
x1 x4 15
x1 3x2 x5 45
3x1 5x2 x6 60
Se puede apreciar que el problema de programacin lineal consiste en resolver un sistema de 4
ecuaciones con 6 incgnitas. Dado que esto no es posible, haremos de manera arbitraria dos variables
iguales a cero, esto har que el sistema se convierta en un sistema de ecuaciones de 4 ecuaciones con
cuatro incgnitas. A continuacin se muestran las combinaciones de las variables:
x1 x2
x1 x3
x1 x4
x2 x3
x2 x4
x3 x4
x1 x5
x1 x6
x2 x5
x2 x6
x3 x5
x3 x6
x4 x5
x4 x6
x5 x6
6
6!
6 5 4 3 2 1 30
15
2 2! 6 2 ! 2 1 4 3 2 1 2
Ahora haremos un anlisis de cada uno de los 15 casos, en donde evaluaremos la funcin objetivo. La
solucin ptima ser aquella que est asociada con el valor ms grande de Z .
Solucin:
x1 0
x3 20
Funcin objetivo:
z 3x1 2 x2 3 0 2 0 0
Caso 1: suponer:
x2 0
x4 15
102
x5 45
x6 60
UMSNH
Mtodos Numricos
Caso 2: suponer:
Solucin:
x1 0
x2 20
x3 0
x4 15
FIE
x5 15
x6 40
Caso 3: suponer:
x1 0
x4 0
x1 0
x5 0
x2 15
x3 5
No es factible
Caso 4: suponer:
Solucin:
x4 15
x6 16
x1 0
x6 0
Solucin:
x2 12
x3 8
Funcin objetivo:
z 3x1 2 x2 3 0 2 12 24
Caso 5: suponer:
Caso 6: suponer:
Solucin:
x2 0
x3 0
x1 20
x4 5
x4 15
x5 25
x5 9
x6 120
x2 0
x4 0
Solucin:
x1 15
x3 5
Funcin objetivo:
z 3x1 2 x2 3 15 2 0 45
Caso 7: suponer:
Caso 8: suponer:
Solucin:
x2 0
x5 0
x1 45
x3 25
x5 30
x4 30
103
x6 105
x6 195
UMSNH
Mtodos Numricos
Caso 9: suponer:
Solucin:
x2 0
x6 0
x1 20
x3 40
FIE
x4 35
x5 65
x3 0
x4 0
Solucin:
x1 15
x2 5 x5 15
Funcin objetivo:
z 3x1 2 x2 3 15 2 5 55
x6 80
Mximo valor
x3 0
x5 0
Solucin
x1 7.5
x2 12.5
Funcin objetivo :
x3 0
x6 0
Solucin:
x1 5
x2 15
x4 7.5
x4 10
x6 20
x5 5
x4 0
x5 0
x1 15
x2 10
x3 5
x6 55
x4 0
x6 0
x1 15
x2 21
x3 16
x5 33
x5 0
x6 0
Solucin:
x1 3 143
13
x2 13 14
Funcin objetivo:
13
z 3x1 2 x2 3 3 143 2 13 14
37.5
104
x3 2 12
14
11
x6 11 14
UMSNH
Mtodos Numricos
FIE
Mtodo Simplex
El mtodo simplex es un procedimiento matricial para resolver programas lineales, expresados en la
forma estndar:
Minimizar
z CT
Sujeto a:
AX B
Con:
X 0
A continuacin se resolver un problema de programacin lineal por medio del mtodo simplex, en
donde se detallarn cada uno de los pasos de este mtodo.
Ejemplo: Resolver el problema anterior utilizando el mtodo simplex:
Maximizar:
z 3x1 2 x2
Sujeto a:
x1 x2 20
x1 15
x1 3x2 45
3x1 5x2 60
Como primer paso llevaremos el problema de programacin lineal a su forma cannica, es decir, se
convertirn cada una de las desigualdades en igualdades, por medio de la adicin de variables de
holgura y variables superfluas en donde sea necesario. Adems se adicionar una variable artificial en
cada una de las ecuaciones de restriccin que no contengan variables de holgura. En base a esto, el
problema de programacin lineal se convierte en:
Minimizar:
z 3x1 2 x2
Sujeto a:
x1 x2 x3 20
x1 x4 15
x1 3x2 x5 45
3x1 5x2 x6 60
Como siguiente paso se har la representacin del problema de programacin lineal en base a un
Tableau, el cual se muestra a continuacin.
x1
x2
x3
x4
x5
x6
x3
20
x4
x5
x6
15
45
-3
60
-3
-2
105
UMSNH
Mtodos Numricos
FIE
encontrar la relacin ms pequea no negativa entre los elementos de la columna b, con los elementos
de la columna que contiene el elemento ms negativo de la funcin objetivo. Estas relaciones son:
20/1 = 20
15/1 = 15
45/1 = 45
60/-3 = -20
Se observa que la relacin ms pequea no negativa es 15/1 = 15. La interseccin entre la columna con
el elemento ms negativo de la funcin objetivo y la relacin ms pequea b/x es el elemento 1 (el cual
se muestra sombreado). Lo que haremos ahora ser seleccionar este elemento como un pivote y
haremos ceros los elementos por encima y por debajo de l por medio de operaciones entre renglones.
Haciendo ceros los elementos por encima y por debajo del pivote:
R1 R1 R2
1
1 1
0 0
20
1 0 0 1 0 0 15
0
1 1 1 0 0
R3 R3 R2
1
3 0
1 0
45
1 0 0 1 0 0 15
0
3 0 1 1 0
30
R4 R4 3R2
3 5 0 0 0 1
60
0 0 3 0 0
45
5 0 3 0 1 105
R5 R5 3R2
3 2 0 0 0 0
0 3 0 0 15
2 0 3 0 0 15
106
UMSNH
Mtodos Numricos
FIE
x1
x2
x3
x4
x5
x6
x3
x1
x5
x6
-1
15
-1
30
105
-2
15
Antes de continuar se hace un cambio en la variable asociada con la fila que contiene la relacin b/x, en
este caso x4, por la variable contenida en la columna con el elemento ms negativo x1.
Podemos observar que la fila asociada con la funcin objetivo contiene un elemento negativo, por lo
que el proceso se repite.
Seleccionando el elemento ms negativo de la funcin objetivo, el cual es -2,
5/1 = 5
30/3 = 10
105/5 = 21
Haciendo ceros los elementos por debajo del pivote:
R3 R3 3R1
0
1 1 0
30
0 3 3
0 0 15
1 0
15
R4 R4 5R1
0
3 0 1 105
0 5 5 5 0 0 25
0
5 8 0 1
80
R5 R5 2R1
0 2 0
0 0 15
2 2 0 0 10
0 0 25
107
UMSNH
Mtodos Numricos
FIE
x2
x1
x5
x6
x1
x2
x3
x4
x5
x6
-1
15
-3
15
-5
80
25
Dado que todos los coeficientes asociados con la funcin objetivo son positivos, se ha llegado al final del
proceso iterativo, siendo las variables bsicas: x2 , x1 , x5 y x6 , con los valores de:
x2 5
x1 15
x5 15
x6 80
Estos valores se obtienen simplemente igualando cada una de las variables de la primera columna con el
trmino de la columna b.
Ahora procedemos a evaluar la funcin objetivo, con lo que se tiene:
z 3x1 2 x2
z 3 15 2 5 55
Esto significa que la solucin ptima al problema de programacin lineal est asociada con
x2 5
x1 15
x5 15
x6 80
x3 0
x4 0
La cual maximiza a la funcin objetivo con un valor de 55 cumpliendo todas y cada una de las
restricciones asociadas con las funciones objetivo y la condicin de no negatividad de las variables.
Optimizacin multidimensional no restringida
Mtodos Directos
Bsqueda Aleatoria
Bsquedas univariadas y bsquedas patrn
Gradientes y hessianos
Mtodo de la mxima inclinacin
Mtodos avanzados del gradiente
108
UMSNH
Mtodos Numricos
FIE
2
f x 2senx 2sen2 x sen3x en 1,3
3
x 2.5
2. Determinar el mximo de la funcin f x
en 1.9,1.9
4 x2
1. Determinar el mximo de la funcin
ex
x2
0.5,3
f x
f x 4 x3 8x 2 11x 5 en 0, 2
en
5. Una refinera produce dos tipos de gasolinas sin plomo, regular y extra, las cuales vende a su
cadena de estaciones de servicio en $ 12 y $ 14 por barril respectivamente. Ambos tipos se
preparan del inventario de la refinera en base a petrleo nacional refinado y petrleo
importado refinado y deben de cumplir las especificaciones contenidas en la Tabla 2.1:
Tabla 2.1
Presin Mxima
Regular
Extra
23
23
Octanaje mnimo
88
93
Demanda mxima
en
barriles/semana
100,000
20,000
Entregas mnimas
en
barriles/semana
50,000
5,000
Las caractersticas del inventario de petrleo refinado son mostradas en la Tabla 2.2:
Tabla 2.2
Presin de vapor
Nacional
Importado
25
15
Octanaje
87
98
Inventarios,
barriles
40,000
60,000
Costo/Barril
8
15
Qu cantidad de los dos petrleos (tanto nacional como importado) deber mezclar la refinera en
ambas gasolinas, a fin de maximizar las ganancias por semana?
6. Dos productos A y B son hechos en un departamento de manufactura que tiene 120hrs
disponibles, 4hrs son necesarias para cada unidad A y 3 para cada unidad B, adems se
requieren 4lbs de un cierto ingrediente por unidad de A y 5 por unidad B. para poder
deshacernos de un exceso de existencias del material se desea que cuando menos se utilicen
200lbs.
109
UMSNH
Mtodos Numricos
FIE
Unidad VI
Ajuste de curvas
Introduccin
x1, y1 , x2 , y2 ,
y a0 a1 x e
(1)
donde
xn , yn
y
x4 , y4
x5 , y5
x2 , y2
x3 , y3
x1 , y1
x
Figura 6.1
Reacomodando (1),
e y a0 a1 x
(2)
y calculada y la y medida
Sr e yi ,medida yi ,calculada yi a0 a1 xi
i 1
2
i
i 1
(3)
i 1
a0 y a1 ,
n
Sr
2 yi a0 a1 xi
a0
i 1
(4a)
n
Sr
2 yi a0 a1 xi xi
a1
i 1
(4b)
110
UMSNH
Mtodos Numricos
FIE
igualando a cero
n
i 1
i 1
i 1
0 yi a0 a1 xi
n
i 1
i 1
i 1
(5a)
0 yi xi a0 xi a1 xi2
(5b)
a1
n xi yi xi yi
i 1
i 1
i 1
(6a)
n x xi
i 1
i 1
n
2
i
a0 y a1 x
(6.b)
Ejemplo: determine la recta por mnimos cuadrados para los datos representados por los puntos:
1, 0 , 2,1 , 3, 4 , 4, 7 , 5,9 .
Solucin. En la siguiente tabla se muestran los elementos necesarios para utilizar la expresin (6.a)
xy
x2
ycalculada
-0.6
1.8
12
4.2
28
16
6.6
45
25
15
21
87
55
a1 2.4
a0 3
Finalmente
y 3 2.4 x
10
8
6
Datos reales
Datos ajustados
2
0
-2
4
x
111
UMSNH
Mtodos Numricos
FIE
Ejemplo: La Tabla 1 muestra la tasa de natalidad en los EUA durante 1920-1980, en intervalos de 10
aos.
a. Hallar la recta de mnimos cuadrados que ajuste esos datos
b. Calcular los valores de tendencia y compararlos con los verdaderos
Tabla 1
Tasa de natalidad por
cada 1000 habitantes
27.7
21.3
19.4
24.1
23.7
18.4
15.9
Ao
1920
1930
1940
1950
1960
1970
1980
Regresin Polinomial
y a0 a1 x a2 x2 e
(7)
Sr yi a0 a1 xi a x
n
2
2 i
i 1
(8)
(9.a)
n
Sr
2 yi a0 a1 xi a2 xi2 xi
a1
i 1
(9.b)
n
Sr
2 yi a0 a1 xi a2 xi2 xi2
a2
i 1
(9.c)
i 1
i 1
i 1
na0 a1 xi a2 xi2 yi
(10.a)
i 1
i 1
i 1
i 1
i 1
i 1
i 1
i 1
a0 xi a1 xi2 a2 xi3 xi yi
112
(10.b)
(10.c)
UMSNH
Mtodos Numricos
FIE
Ejemplo: Ajustar una parbola de mnimos cuadrados, a los datos contenidos en la Tabla 2.
Tabla 2
X
0
1
2
3
4
5
6
Y
2.4
2.1
3.2
5.6
9.3
14.6
21.9
Solucin
x
0
y
2.4
x^2
x^3
x^4
xy
x^2y
ajustada
2.5095
2.1
2.1
2.1
2.0428
3.2
16
6.4
12.8
3.0427
5.6
27
81
16.8
50.4
5.5092
9.3
16
64
256
37.2
148.8
9.4423
14.6
25
125
625
73
365
14.842
21.9
36
216
1296
131.4
788.4
21.7083
21
59.1
91
441
2275
266.9
1367.5
a0 2.5095
a1 1.2
a2 0.7333
25
20
Datos reales
15
Datos
ajustados
10
5
0
0
113
UMSNH
Mtodos Numricos
FIE
Interpolacin
Generalmente los resultados de clculos numricos o experimentacin cientfica resultan en valores de
una funcin nicamente a valores discretos de la variable independiente, tal como se ilustra en la Figura
6.2.
f x5
f x4
f x3
f x2
f x1
x1
x2
x3
x4
x5
Los valores de
f x a0 a1 x a2 x 2
an x n
(11)
Para n 1 puntos, existe un polinomio de n-simo orden que pasa a travs de todos los puntos. Tal
como se ilustra en la Figura 6.3.
(a)
(b)
Figura 6.3 Ejemplos de interpolacin polinomial
(b)
114
(c)
UMSNH
Mtodos Numricos
FIE
Formula de Gregory-Newton
f x f 0 xf ' 0
x0 es:
x2
x3
f '' 0
f ''' 0
2!
3!
xn n
f 0
n!
(12)
f ' 0
f 0 h
f '' 0
h 2
(13)
f x f 0 x f 0
x x 1 2
x x 1 x 2 3
f0
f0
2!
3!
(14)
f x
f x1
f1 x
f x0
x0
x1
f1 x f x0 f x1 f x0
x x0
x1 x0
Tal que el valor buscado
(15)
115
UMSNH
Mtodos Numricos
f1 x f x0
f x1 f x0
x x0
x1 x0
FIE
(16)
Note que la ecuacin (16) es una formula de interpolacin lineal. Es ms precisa mientras menor es el
intervalo entre los puntos.
ln1 0
ln 4 1.3862944
Solucin
Se tiene que:
x0 1
f x0 0
x1 4
f x1 1.3862944
x2
f x ?
f x 0
1.3862944 0
2 1
4 1
Realizando operaciones
f x 0
1.3862944 0
2 1
4 1
f x 0.462098
Interpolacin cuadrtica
Requiere de tres datos para poder efectuar la interpolacin mediante un polinomio de segundo
orden (cuadrtico o parablico).
116
f x .
UMSNH
Mtodos Numricos
FIE
f x
Valor
verdadero
Valor
aproximado
x
Figura 6.5 Interpolacin cuadrtica para calcular f(x)
f 2 x b0 b1 x x0 b2 x x0 x x1
(17)
f 2 x a0 a1 x a2 x 2
(18)
a0 b0 b1 x0 b2 x0 x1
(19a)
a1 b1 b2 x0 b2 x1
(19b)
a2 b2
(19c)
donde:
Para calcular
b0 f x0
ii)
Para obtener
(20)
f x1 f x0 b1 x1 x0
b1
iii)
(21)
f x1 f x0
x1 x0
(22)
117
UMSNH
Mtodos Numricos
FIE
f x2 f x1 f x1 f x0
x2 x1
x1 x0
b2
x2 x0
(23)
x0 1
f x0 0
x1 4
f x1 1.3862944
x2 6
f x2 1.7917595
Solucin
Aplicando las ecuaciones (20), (22) y (23) se tiene:
b0 Ln 1 0
b1
1.3862944 0
0.49209813
4 1
1.7917595 1.3862944
0.49209813
64
b2
0.051873116
6 1
sustituyendo estos valores en la ecuacin (17) se obtiene:
f 2 x 0 0.42209813 x 1 0.051873116 x 1 x 4
Evaluando en
x 2 , se tiene que,
f 2 2 0.56584436
Forma general de interpolacin de Newton
Este mtodo general de interpolacin se basa en el ajuste obtenido por un polinomio de n-simo orden
y n 1 puntos. Su forma es la siguiente:
f n x b0 b1 x x0 b2 x x0 x x1
bn x x0 x x1
x xn1
(24)
b0 , b1 , b2 ,, bn asociadas con x0 , x1 , x2 ,, xn y f x0 ,
f x1 , f x2 ,, f xn .
Dr. Antonio Ramos Paz
118
UMSNH
Mtodos Numricos
Los coeficientes
FIE
b0 f x0
(25a)
b1 f x1 , x0
(25b)
b2 f x2 , x1 , x0
(25c)
bn f xn , xn1 ,
, x1 , x0
(25d)
Las funciones entre corchetes son diferencias divididas finitas. Por ejemplo, la forma general de las
funciones descritas en las ecuaciones (25b)-(25d) se representa generalmente como:
f xi , x j
f xi f x j
f xi , x j , xk
f xn , xn1 ,
(26a)
xi x j
f xi , x j f x j , xk
xi xk
, x1 , x0
f xn , xn1 ,
(26b)
, x1 f xn1 , xn2 ,
, x0
(26c)
xn x0
f n x f x0 x x0 f x1 , x0 x x0 x x1 f x2 , x1 , x0
x x0 x x1
x xn1 f xn , xn1,
, x0
(27)
No es necesario que los datos utilizados en la ecuacin (27) estn igualmente espaciados.
Ejemplo: utilice ahora la forma general de interpolacin de Newton para calcular
ln 2 . Emplee un polinomio de
x0 1
f x0 0
x1 4
f x1 1.3862944
x2 6
f x2 1.7917595
x3 5
f x3 1.6094370
Solucin
La ecuacin (24), toma la forma:
f3 x f x0 x x0 f x1 , x0 x x0 x x1 f x2 , x1 , x0 x x0 x x1 x x2 f x3 , x2 , x1 , x0
o
f3 x b0 b1 x x0 b2 x x0 x x1 b3 x x0 x x1 x x2
119
UMSNH
Mtodos Numricos
FIE
f x1 , x0
1.3862944 0
0.46209813
4 1
f x2 , x1
1.7917595 1.3862944
0.20273256
64
f x3 , x2
1.6094379 1.7917595
0.18232160
56
f x2 , x1 , x0
f x3 , x2 , x1
f x2 , x1 f x1 , x0
x2 x1
f x3 , x2 f x2 , x1
f x3 , x2 , x1 , x0
x3 x1
0.20273256 0.46209813
0.051873116
6 1
0.18232160 0.20273256
0.020410950
54
f x3 , x2 , x1 f x2 , x1 , x0
x3 x0
0.020410950 0.051873116
0.0078655415
5 1
f3 2 0.62876869
Note que la aproximacin obtenida es considerablemente mejor que la obtenida mediante la aplicacin de
interpolacin cuadrtica.
120
UMSNH
Mtodos Numricos
FIE
x
f x
3
2.5
4.5
1.0
7.0
2.5
9.0
0.5
f x 5
b)
f x 6.5
c)
f x 3.5
d)
f x 3.8
2.
Utilizar una parbola de regresin de mnimos cuadrados para resolver el ejercicio anterior.
3.
Una integral relacionada con la integral elptica completa est definida por:
K k
/2
dx
1/ 2
1 sen 2 ksen 2 x
A partir de una tabla de valores de estas integrales se han hallado que para varios valores de
medidos en grados,
K k
1
4
6
1.5709
1.5727
1.5751
K 4.5
b)
K 3.5
c)
K 2.5
d)
K 1.5
4.
Utilizar una parbola de regresin de mnimos cuadrados para resolver el ejercicio anterior.
5.
x0 1
f x0 0
x1 4
f x1 1.3862944
x2 6
f x2 1.7917595
121
UMSNH
6.
Mtodos Numricos
FIE
b0 , b1 ,
b2 y b3 del polinomio de tercer orden que ajuste los datos contenidos en la Tabla siguiente.
x
f x
Determine el valor de
x 1.5
0
0
1
0.569
2
0.791
3.8
0.224
f x para:
x 1.87
122
x 3.0
UMSNH
Mtodos Numricos
FIE
Unidad VII
Diferenciacin e integracin
Diferenciacin
La derivada de la funcin
f ' x0 lim
h 0
f en x0 es
f x0 h f x0
h
Aproximacin
h
xi
xi 1
f ' xi
f xi 1 f xi
O xi 1 xi
xi 1 xi
(7.1)
Aproximacin
h
xi 1
xi
Figura 7.2. Diferencia hacia atrs
f ' xi
f xi f xi 1 f1
h
h
(7.2)
123
UMSNH
Mtodos Numricos
FIE
Aproximacin
2h
xi 1
f ' xi
xi 1
Figura 7.3. Diferencia centrada
f xi 1 f xi 1
O h2
2h
(7.3)
f ' x0
1
h 4 5
f
f x0 2h 8 f x0 h 8 x0 h x0 2h
12h
30
f ' x0
1
25 f x0 48 f x0 h 36 x0 h x0 2h 16 f x0 3h 3 f x0 4h
12h
h 4 5
f
5
Aproximar
f x
1.8
1.9
2.0
2.1
2.2
10.889365
12.703199
14.778112
17.148957
19.855030
f ' 2.0
124
UMSNH
Mtodos Numricos
FIE
Ejemplo: use aproximaciones con diferencias finitas hacia delante y hacia atrs de
aproximacin de diferencia centrada de
O h y una
Solucin
xi 1 0.0
f xi 1 1.2
xi 0.5
f xi 0.925
xi 1 1.0
f xi 1 0.2
f ' xi
f xi 1 f xi 0.2 0.925
1.45
xi 1 xi
1.0 0.5
f ' xi
f xi f xi 1 0.925 1.2
0.55
h
0.5
f ' xi
f xi 1 f xi 1 0.2 1.2
1.0
2h
1
La siguiente tabla muestra los valores de la derivada utilizando diferencias divididas hacia delante, hacia
atrs y diferencia centrada, tomando valores de h desde 1 hasta 0.01. Los resultados se comparan
contra el valor exacto. Se muestra adems el error relativo.
xi
1.00000 0.5
xi-1
xi+1
f(xi)
f(xi-1)
f(xi+1)
Exacto
Adelante Error relativo Atrs
Error relativo Centrada Error relativo
-0.50000 1.50000 0.92500 1.21250 1.31250 -0.91250 -2.23750 1.45205E+00 -0.28750 6.84932E-01 -1.26250 -3.83562E-01
0.50000 0.5
-0.55000 3.97260E-01
-1.00000 -9.58904E-02
0.10000 0.5
-0.82840 9.21644E-02
-0.91600 -3.83562E-03
0.01000 0.5
-0.90378 9.55079E-03
-0.91253 -3.83562E-05
0.00100 0.5
-0.91163 9.58521E-04
-0.91250 -3.83562E-07
0.00010 0.5
-0.91241 9.58866E-05
-0.91250 -3.83545E-09
125
UMSNH
Mtodos Numricos
FIE
t 10s segundos.
10
12
14
16
0.7
1.8
3.4
5.1
6.3
7.3
8.0
8.4
Use aproximaciones con diferencias finitas hacia delante, hacia atrs y una aproximacin de diferencia
centrada.
Solucin
f ' 10
f ' 10
f 12 f 10 7.3 6.3
0.5
12 10
2
f 10 f 8 6.3 5.1
0.6
10 8
2
f ' 10
f 12 f 8 7.3 5.1
0.55
2 2
4
diferencias finitas hacia delante, hacia atrs y una aproximacin de diferencia centrada
f x
1.2
1.3
1.4
1.5
1.6
1.5095
1.6984
1.9043
2.1293
2.3756
Solucin
Con diferencias finitas hacia adelante:
f ' 1.4
2.25
1.5 1.4
0.1
f ' 1.4
2.059
1.4 1.3
0.1
f ' 1.4
2.1545
2 0.1
0.2
126
UMSNH
Mtodos Numricos
FIE
senx
senx
0.800
0.850
0.880
0.890
0.895
0.898
0.899
0.71736
0.75128
0.77074
0.77707
0.78021
0.78208
0.78270
0.901
0.902
0.905
0.910
0.920
0.950
1.000
0.78395
0.78457
0.78643
0.78950
0.79560
0.81342
0.84147
t L
di
Ri
dt
t
i
1.00
3.10
1.01
3.12
t para
1.02
3.14
1.03
3.18
1.04
3.24
R 0.142 y L 0.98H .
Integracin
El propsito principal de las tcnicas numricas de integracin es evaluar integrales que son muy
difciles de evaluar analticamente.
Es esencial en la evaluacin de integrales de funciones que se tienen disponibles nicamente en puntos
discretos. Tales funciones generalmente resultan de la solucin numrica de ecuaciones diferenciales o
de datos experimentales tomados a intervalos discretos.
Regla del trapecio
La regla del trapecio es la primera de las formulas cerradas de integracin de Newton-Cotes.
Corresponde al caso donde el polinomio de
I f x dx f1dx
b
(7.4)
f1 a0 a1 x f a
f b f a
x a
ba
I f a
x a dx
a
ba
127
(7.5)
UMSNH
Mtodos Numricos
FIE
el resultado de la integracin es
I b a
f a f b
2
(7.7)
x0
x1 x2 x3
x4 x5
x6 x7
x8 x9 x10 x11
Figura 7.4.
ba
n
(7.8)
haciendo
a x0
(7.9a)
b xn
(7.9b)
I h
f x0 f x1
f x1 f x2
h
2
2
f xn1 f xn
2
(7.10)
agrupando trminos
n 1
h
f
x
2
f xi f xn
2
i 1
(7.11)
128
UMSNH
Mtodos Numricos
/4
FIE
cos 2 x 1
dx .
cos 2 x 1
Solucin.
Se propone el siguiente cdigo en matlab donde ha sido implementada la regla trapezoidal de aplicacin
mltiple.
function integral = trapecio(a,b,n)
h = (b-a)/n;
suma = 0;
cont = a+h;
for i=1:n-1
suma = suma + evalua(cont);
cont = cont + h;
end
integral = (h/2.0)*(evalua(a)+evalua(b)+2*suma);
>> trapecio(0,pi/4,100)
ans = -0.214622397855635
>>
function y = evalua(x)
y = (cos(2*x)-1)/(cos(2*x)+1);
En la siguiente tabla se muestra la solucin del mismo problema utilizando valores de n desde 1 hasta
100000 en donde se observa que se obtiene un error de 2.065143E-11
n
10
2.051970E-03
100
2.056125E-05
1000
2.056167E-07
10000
2.056228E-09
100000
2.065143E-11
0.5
h
f 0.5 f 1 2 f 0.625 f 0.75 f 0.875
2
I 0.1982
Ejemplo: Aproxime la integral
1.6
2x
dx , utilizando la regla del trapecio. Considere n 4 .
x 4
2
Compare el resultado con el valor obtenido en base a la aplicacin de las reglas de integracin.
Solucin
129
UMSNH
Mtodos Numricos
FIE
h
f 1 f 1.6 2 f 1.15 f 1.3 f 1.45
2
I 0.7436
Integracin por el mtodo de la regla de Simpson 1/3
La formula de Simpson 1/3 resulta cuando un polinomio de interpolacin de segundo grado se sustituye
en
I f x dx f 2 dx
(7.12)
x0 a
(7.13a)
x2 b
(7.13b)
Sean
x 2 x x x x
x x0 x x2 f x x x0 x x1 f x dx
1
2
I
f x0
x0
x1 x0 x1 x2 1 x2 x0 x2 x1 2
x0 x1 x0 x2
(7.14)
integrando y realizando manipulaciones algebraicas se obtiene
h
f x0 4 f x1 f x2
3
(7.15)
o bien
I b a
f x0 4 f x1 f x2
6
(7.16)
Figura 7.5.
130
UMSNH
Mtodos Numricos
FIE
ba
n
(7.17)
I f x dx f x dx
x2
x4
x0
x2
f x dx
xn
xn2
(7.18)
I 2h
f x0 4 f x1 f x2
f x2 4 f x3 f x4
2h
6
6
2h
f xn2 4 f xn1 f xn
6
(7.19)
combinando trminos
I b a
f x0 4
n 1
i 1,3,5,
f xi 2
n2
j 2,4,6,
f x j f xn
(7.20)
3n
Puede observarse que, como se muestra en la Figura, se debe de utilizar un nmero par de segmentos
para implementar el mtodo.
Ejemplo: aproxime las siguientes integrales utilizando la regla del trapecio:
1
a)
c)
0.5
x 4 dx
1.6
2x
dx
x 4
2
2
dx
x4
0.5
b)
/4
d)
xsenxdx
1
metros/ao. Cunto crecer este rbol:
2.5
2
t 2
i.
ii.
iii.
en el primer ao
del primero al segundo ao
del segundo al tercer ao
131
t horas despus
UMSNH
Mtodos Numricos
FIE
3 4
s ' t 2
t t
en donde s se mide en unidades convenientes. Halle la intensidad total de la reaccin de la primera a la
octava hora.
Reglas de integracin
1.
2.
3.
4.
dx [ f ( x)]dx f ( x) C
5.
m
u dx
6.
du
ln | u | C
u
u
7.
8.
9.
10.
11.
12.
13.
14.
u m1
C
m 1
e du e C
senudu cos u C
cosudu senu C
tgudu ln | sec u | C
cot udu ln | senu | C
sec udu ln | sec u tgu | C
csc udu ln | csc u cot u | C
u
du
1 u
arctan u C
dx
1 ua
ln
2
a
2u u a
du
1
u
16. 2
arctan C
2
a u
a
a
du
1
au
17. 2
ln
C
2
a u
2a a u
du
18.
arcsen u C
1 u2
du
u
arcsen C
19.
a
a2 u 2
du
ln u u 2 a 2 C
20.
2
2
u a
15.
132
UMSNH
Mtodos Numricos
FIE
udv uv vdu
Integracin por el mtodo de la regla de Simpson 3/8
Considere
I f x dx f3dx
b
(7.4)
3h
f x0 3 f x1 3 f x2 f x3
8
ba
3
donde
esta ecuacin se conoce como regla de simpson 3/8 debido a que h se multiplica por 3/8. La regla de
simpson de 3/8 se expresa tambin de la forma,
I b a
f x0 3 f x1 3 f x2 f x3
8
Ejemplo: Integrar
a 0 hasta
b 0.8
f 0 0.2
f 0.2667 1.432724
f 0.5333 3.487177
f 0.8 0.232
I 0.8
133
UMSNH
0.8
Mtodos Numricos
FIE
25
x
200
x
675
x
900
x
400
x
dx
0.2
x
2
3
4
5
6
2
realizando operaciones
I 1.64053333333335
0.8
134
UMSNH
Mtodos Numricos
Ejercicios propuestos:
1.
Evale las siguientes integrales por medio de la regla trapezoidal con n = 2,4,8 y 16.
/4
i.
tan x dx
0
ii.
exp x dx
0
1
iii.
2 xdx
0
2.
Evale las siguientes integrales por medio de la regla de Simpson 1/3 con n = 2,4,8 y 16.
i.
dx
2 cos x
0
log 1 x
dx
x
1
2
ii.
/2
iii.
dx
1 sin x
2
3.
Evale las siguientes integrales por medio de la regla de Simpson 3/8 con n = 2,4,8 y 16.
/4
i.
tan x dx
0
log 1 x
dx
x
1
2
ii.
iii.
2 xdx
0
4.
Dada la funcin
xi
f xi
0.000000
0.0000000
0.050000
0.0499584
0.100000
0.0996687
0.150000
0.1488900
0.200000
0.1973960
0.250000
0.2449790
0.300000
0.2914570
0.350000
0.3366750
135
FIE
UMSNH
Mtodos Numricos
0.400000
0.3805060
0.450000
0.4228540
0.500000
0.4636480
0.550000
0.5028430
0.600000
0.5404200
0.650000
0.5763750
0.700000
0.6107260
0.750000
0.6435010
0.800000
0.6747410
0.850000
0.7044940
0.900000
0.7328150
0.950000
0.7597630
1.000000
0.7853980
FIE
Calcular la integral por la regla de los trapecios y mediante las reglas de simpson de 1/3 y 3/8.
5.
Una partcula se mueve sobre una recta paralela al eje OX y posee una velocidad variable en
funcin del tiempo, segn la expresin
v t
t
1 t2
calcular el espacio recorrido por dicha partcula desde el instante inicial t = 0, hasta t = 2.0
segundos.
136
UMSNH
Mtodos Numricos
FIE
Unidad VIII
Ecuaciones diferenciales ordinarias
Introduccin
El comportamiento de varios sistemas fsicos puede ser descrito mediante el uso de ecuaciones
diferenciales.
Generalmente, la solucin exacta (en forma analtica) de estas ecuaciones diferenciales no es fcil de
obtener, ni tampoco es prctico realizarla, por lo tanto, en la prctica se obtiene una solucin
aproximada haciendo uso de mtodos numricos.
En general estos mtodos numricos se basan en un proceso de paso a paso para determinar una
serie de valores para cada variable dependiente, correspondiente a un conjunto elegido de valores para
la variable independiente.
Usualmente los valores elegidos de la variable independiente son a intervalos incrementales fijos.
La precisin de la solucin obtenida depende del mtodo numrico y el tamao del intervalo fijo.
Mtodos de solucin
Mtodo de Euler
Es el mtodo ms simple para la solucin numrica de ecuaciones diferenciales. Se basa en el siguiente
proceso analtico:
Para un incremento especificado
yk yk 1 yk
Resolviendo (8.1) para
yk 1 yk
(8.1)
dy
x
dx k
(8.2)
definiendo:
h x
(8.3a)
dy
y ' xk f xk , y xk
dx k
(8.3b)
El mtodo de Euler puede tambin representarse mediante las siguientes ecuaciones recursivas:
yk 1 yk hy ' xk
(8.4a)
yk 1 yk hf xk , y xk
(8.4b)
137
UMSNH
Mtodos Numricos
FIE
y3
y2
y1
y0
x0
x1
x2
x3
Figura 8.1.
Ejemplo: encontrar
y 1.5 para
dy
2 xy con la condicin inicial y 1 1 .
dx
138
UMSNH
Mtodos Numricos
FIE
yaprox
0.1
0.01
0.001
0.0001
2.2874
3.3207
3.4831
3.4896
Tabla 8.1
Error relativo
yreal
porcentual
3.4903
34.4640862
3.4903
4.85918116
3.4903
0.20628599
3.4903
0.02005558
3.5
Tiempo
----0.0150
0.2500
3.5
Aproximada
Analtica
Aproximada
Analtica
2.5
2.5
1.5
1.5
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.1
1.2
1.3
1.4
1.5
1.6
1.7
h 0.1
h 0.01
3.5
Aproximada
Analtica
Aproximada
Analtica
3.5
2.5
2.5
2
2
1.5
1.5
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.1
1.2
1.3
1.4
1.5
1.6
h 0.001
h 0.0001
Figura 8.2
y ' x y 1
con:
139
1.7
UMSNH
Mtodos Numricos
FIE
dy
, evaluada al inicio de intervalo, se aplica durante todo
dx
el intervalo h.
Una versin mejorada del mtodo se obtiene haciendo uso del siguiente procedimiento:
a)
Se define:
xk 1 xk h
(8.5)
yk 01 yk 1
y se hace
dy
,
dx k 1
dy
y ' xk 01
dx k 1
c)
Un valor mejorado
dy
y
dx k 1
dy
mediante la ecuacin:
dx k 1
0
dy
dy
dx k dx k 1
1
yk 1 yk
h
Utilizando
1
dy
dy
dx k dx k 1
2
yk 1 yk
h
Mejores valores
140
UMSNH
Mtodos Numricos
FIE
yki1 ki11 y
(8.6)
yk 1 yk
i
h
i 1
y ' xk y ' xk 1
2
(8.7)
dx k 1 dy dy
dx
dx
k
k 1
yk 1
1
yk 1
0
dy
dx
y0
xk
xk 1
Figura 8.3
Si se utiliza una sola aproximacin para
yk 1 se tiene
h
yk 1 yk f xk , yk f xk 1 , yk 1
2
donde
yk 1 yk hf xk , y xk
141
(8.8)
UMSNH
Ejemplo: encontrar
Mtodos Numricos
y 1.5 para
FIE
dy
2 xy con la condicin inicial y 1 1 .
dx
function y = funcion_x(x0,y0)
y = 2*x0*y0;
0.01146 %, lo cual demuestra la ventaja de este mtodo con respecto al mtodo de Euler.
Tabla 8.2
yaprox
yreal
0.1
0.01
0.001
0.0001
3.4509
3.4899
3.4903
3.4903
3.4903
3.4903
3.4903
3.4903
Error relativo
porcentual
1.12884279
0.01146033
0
0
142
UMSNH
Mtodos Numricos
3.5
FIE
3.5
Aproximada
Analtica
Aproximada
Analtica
2.5
2.5
1.5
1.5
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.1
1.2
1.3
1.4
1.5
1.6
1.7
h 0.1
h 0.01
3.5
Aproximada
Analtica
Aproximada
Analtica
3.5
2.5
2.5
2
2
1.5
1.5
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.1
1.2
1.3
1.4
1.5
1.6
1.7
h 0.001
h 0.0001
Figura 8.4
y ' xk
y xk 1 y xk 1
2h
(8.9)
De aqu puede obtenerse la formula recursiva del mtodo del punto medio modificado, escrito en forma
concisa como:
yk 1 yk 1 2hy ' xk
(8.10)
yk 1 yk 1 2hf xk , yk
(8.11)
o bien
Observaciones
Requiere dos valores del pasado
yk 1 y yk para determinar yk 1 .
143
UMSNH
Mtodos Numricos
FIE
Mtodos de Runge-Kutta
En estos mtodos los cambios en las variables de la o las variables dependientes son calculados a partir
de un conjunto dado de formulas que estn expresadas en trminos de la (s) derivada (s) evaluada (s) en
puntos predeterminados.
Las formulas se derivan utilizando una aproximacin para reemplazar una expansin en una serie
truncada de Taylor.
Existen variantes del mtodo de Runge-Kutta, aunque todas ellas se pueden ajustar a la forma general
de la ecuacin:
yk 1 yk xk , yk , h h
(8.12)
donde:
xk , yk , h
h.
a1k1 a2 k2
en donde
a1 , a2 , a3 ,
an kn
(8.13)
k1 f xk , yk
(8.14a)
k2 f xk p1h, yk q11k1h
(8.14b)
(8.14c)
(8.14d)
Observaciones:
Las Ecuaciones (8.14) son relaciones recurrentes, es decir,
vez en la ecuacin de
k3 , etc. Esta caracterstica hace a los mtodos RK atractivos para su solucin por
medio de computadora.
El nmero
yk 1 yk a1k1 a2 k2 h
(8.15)
Donde:
144
UMSNH
Mtodos Numricos
FIE
k1 f xk , yk
(8.16a)
k2 f xk p1h, yk q11k1h
(8.16b)
yk 1 yk f xk , yk f ' xk , yk
donde:
a1 , a2 , p1 y q11 .
h2
2
(8.17)
f xk , yk f xk , yk dyk
xk
x y
dxk
(8.18)
f ' xk , yk
f f dy
x y dx
(8.19)
f f dy h 2
yk 1 yk f xk , yk h
x y dx 2
(8.20)
f
f
q11k1h
x
y
(8.21)
yk 1 yk a1hf xk , yk a2 hf xk , yk a2 p1h 2
f
f
(8.22)
a2 q11h 2 f xk , yk
x
y
f
f
yk 1 yk a1 a2 f xk , yk h a2 p1 a2 q11 f xk , yk h 2
x
y
(8.23)
Comparando trminos semejantes en las ecuaciones (8.21) y (8.23) se observa que para que las dos
ecuaciones sean equivalentes se debe cumplir con lo siguiente:
a1 a2 1
(8.24a)
145
UMSNH
Mtodos Numricos
FIE
a2 p1
1
2
(8.24b)
a2 q11
1
2
(8.24c)
Se tienen tres ecuaciones con cuatro incgnitas, por lo que se supone el valor de una de las incgnitas
para determinar las otras tres.
Suponga que se elige
1
,
2
resulta en la ecuacin:
1
yk 1 yk h k1 k2
2
(8.25a)
k1 f xk , yk
(8.25b)
k2 f xk h, yk hk1
(8.25c)
donde:
yk 1 yk a1k1 a2 k2 a3k3 h
(8.26)
Para obtener los parmetros requeridos en la Ecuacin (8.26) se procede en forma anloga a como se
hizo para el Runge-Kutta de segundo orden.
Una versin del mtodo, dentro del ilimitado nmero de posibles de ellas es la siguiente:
yk 1 yk
h
k1 4k2 k3
6
(8.27a)
Donde:
k1 f xk , yk
(8.28b)
1
1
k2 f xk h, yk hk1
2
2
(8.28c)
k3 f xk h, yk hk1 2hk2
(8.28d)
146
UMSNH
Mtodos Numricos
FIE
yk 1 yk
h
k1 2k2 2k3 k4
6
(8.29a)
donde:
k1 f xk , yk
(8.29b)
1
1
k2 f xk h, yk hk1
2
2
(8.29c)
1
1
k3 f xk h, yk hk2
2
2
(8.29d)
k4 f xk h, yk hk3
(8.29e)
yk 1 yk
h
7k1 32k3 12k4 32k5 7k6
90
(8.30a)
donde:
k1 f xk , yk
(8.30b)
1
1
k2 f xk h, yk hk1
4
4
(8.30c)
1
1
1
k3 f xk h, yk hk1 hk2
4
8
8
(8.30d)
1
1
k4 f xk h, yk hk2 hk3
2
2
(8.30e)
3
3
9
k5 f xk h, yk hk1 hk4
4
16
16
(8.30f)
3
2
12
12
8
(8.30g)
147
UMSNH
Mtodos Numricos
FIE
R
i t
Circuito RC serie
t 0
R
i t
Donde:
Mtodos implcitos
1
yk 1 yk h f xk , yk f xk 1 , yk 1
2
para
k 0,1, 2,3,
,n
(59)
,n
(60)
yk 1
i 1
1
i
hf xk 1 , yk 1 uk
2
para
i 0,1, 2,3,
donde
1
uk yk hf xk , yk
2
note que
(61)
148
UMSNH
Mtodos Numricos
yk 1 yk hf xk , yk
0
FIE
(62)
En este caso a la ecuacin (62) se le conoce como predictor y a la ecuacin (60) como corrector. El
proceso global es conocido como mtodo predictor-corrector. El proceso concluye una vez que se
satisface la condicin:
yki11 yki1 y
(63)
La ecuacin (70) es mayor que un criterio de error previamente especificado, por lo tanto, el
tamao de paso se reduce.
El tamao de paso se elige de modo que la convergencia del corrector se satisfaga en dos
iteraciones.
Por lo tanto,
Si la convergencia es obtenida en ms de dos iteraciones, el tamao de paso se reduce.
Si la convergencia es obtenida en menos de dos iteraciones, el tamao del paso se incrementa.
Para realizar alguna de las dos estrategias anteriores, generalmente se considera como un
procedimiento eficiente el siguiente:
Ejemplos de aplicacin
149
UMSNH
Mtodos Numricos
FIE
2.
Use el mtodo de Runge-Kutta para obtener una aproximacin del valor indicado. Use h 0.1 .
y ' 2x 3 y 1
y 1 5
y 1.5
y ' x2 y 2
y 0 1
y 0.5
y ' e y
y 0 0
y 0.5
y ' y y2
y 0 0.5
y 0.5
dy
yx 2 1.1y
dx
3.
donde
y 0 1
en el intervalo
x 0 a x 2.
Mtodo de Euler
c)
La regla trapezoidal
5.
Comparar los resultados obtenidos con ATP y hacer un anlisis de los resultados obtenidos.
150
UMSNH
Mtodos Numricos
FIE
Unidad IX
Ecuaciones Diferenciales Parciales
Introduccin
Las ecuaciones diferenciales parciales involucran ms de una variable independiente y por consiguiente
requieren de formulas de derivacin parcial en lugar de ordinarias.
Una gran variedad de problemas de ingeniera pueden representarse mediante ecuaciones diferenciales
parciales de segundo orden. Estos involucran dos variables independientes:
Sus formas y clasificaciones correspondientes son las siguientes:
a)
Parablica
2u
x 2
b) Elptica
2u 2u
x 2 y 2
c)
Hiperblica
2u 2u
x 2 y 2
donde:
x, y , u ,
u u
,
x y
Parablica:
2u u
x 2 y
donde
es constante
2u 2u
0
x 2 y 2
151
UMSNH
Mtodos Numricos
FIE
2u 2u
constante
x 2 y 2
La ecuacin (94a) se conoce como la ecuacin de Laplace y la ecuacin (94b) como ecuacin de Poisson.
c)
Hiperblica
2u
2u
2
x 2
y
donde
es constante.
2u u
2
x
y
Sujeto a las condiciones:
u a, y ua
u b, y ub
u x, 0 u0
se desea encontrar
La regin de inters est enmarcada por el eje x y las lneas x = a y x = b, extendindose al infinito en la
direccin + y.
Se asume que x y
diferentes unidades).
Si en la regin de inters se considera superimpuesta una red de diferencias finitas, en donde se toma
como referencia el punto
u j ,k 1 2u j ,k u j ,k 1
u j 1,k u j ,k
u j 1,k se obtiene:
y u 2u u
j ,k
j , k 1
2 j , k 1
x
O bien,
152
UMSNH
Mtodos Numricos
FIE
y
2 y
y
u j 1,k u j ,k
u
1
u
u
2 j , k 1
2 j ,k
2 j , k 1
x
x
x
para
k 1, 2,3,
,n
1
2
x
y
est
Para asegurar la estabilidad numrica de la ecuacin (97) el error de truncamiento debe ser
relativamente pequeo y esto generalmente implica utilizar un tamao de paso y pequeo.
Se requiere buscar otros algoritmos menos restrictivos en lo que al tamao de paso se refiere.
Un algoritmo posible es buscando una representacin implcita de la ecuacin (95). Esto se logra
tomando como referencia el punto (j+1,k) en vez de (j,k). La ecuacin de diferencias resultante es la
siguiente:
1 u j 1,k u j ,k
Si la ecuacin (100) se escribe para todos los puntos k = 1,2,3,,n, entonces se forma un conjunto de n
ecuaciones algebraicas lineales con n incgnitas u j 1, k .
La ecuacin (100) puede ser escrita como:
2
x 2
x
1 u j 1,k 1
u
u j ,k
1 u j 1,k 1 2
y j 1,k
De tal forma que el conjunto completo de ecuaciones pueden ser expresados en forma matricial como:
1
1
u j 1,1 u j ,1 ua
u
u
j ,2
j 1,2
u j 1,3 u j ,3
u j ,n 1
1 u j 1,n 1
u j 1,n u j ,n ub
153
UMSNH
Mtodos Numricos
FIE
donde:
x
2
2
y
2
x
2
y
2
Mtodo de Crack-Nicholson
Este es un mtodo implcito ampliamente utilizado. Se basa en la siguiente representacin de
diferencias de la ecuacin (93),
u j ,k 1 2u j ,k u j ,k 1 u j 1,k u j ,k
2
y
x
Note que el lado izquierdo de esta expresin es simplemente un promedio de las expresiones de
diferencia central para
x y y , la solucin
La forma matricial de la ecuacin (104) para el problema representado por las ecuaciones (93)-(94) es:
1
1
u j 1,1 1 ua
u
j 1,2 2
u j 1,3 3
1 u j 1,n 1 n 1
u j 1,n n ub
donde:
2 x
2
y
2 x 2
k 2
u u j ,k 1 u j ,k 1
y j ,k
154
UMSNH
Mtodos Numricos
FIE
2u 2u
0
x 2 y 2
es vlida sobre la regin R mostrada en la Figura 7 y que u est completamente especificada en los
lmites de R. Se quiere encontrar
a
n 1
x estar
y es:
b
m 1
centrales como:
u j ,k 1 2u j ,k u j ,k 1
u j 1,k 2u j ,k u j 1,k
x 2
x 2
x
u
u
u
0
1 u j ,k 1 1 u j ,k 1 2 2
2 j ,k
2 j 1, k
2 j 1, k
y
y
y
u j ,k es el mayor en magnitud.
u j ,k
2
2
u j ,k 1 u j ,k 1 x / y u j 1,k u j 1,k
2
2
2 2 x / y
Si se hace
155
u j ,k resulta en:
UMSNH
u j ,k
Mtodos Numricos
1
u j ,k 1 u j ,k 1 u j 1,k u j 1,k
4
si el valor de
se encuentra en 1 y 2.
1 1 2
1/ 2
donde
u j ,k u j ,k u j ,k
i 1
i 1
normalizando
i 1
i 1
como:
u j ,k
i 1
j 1 k 1
es calculada como:
FIE
u i 1
u
i
156
UMSNH
Mtodos Numricos
FIE
Bibliografa
Anlisis Numrico y Visualizacin grfica con Matlab, Shoichiro Nakamura. Prentice Hall, 1996.
The MathWorks, The Student Edition of Matlab, Version 4, Users Guide, Prentice Hall, 1995.
Kreyszig Erwin, Matemticas avanzadas para ingeniera, Vol. 1, (1982), Mxico. Limusa.
Parker T.S., Chua L.O., Practical Numerical Algorithms for Chaotic Systems, Springer-Verlag,
1989.
Mtodos Numricos aplicados con software. Nakamura S. Ed. Pearson Educacin. Mxico 1992.
Iterative Methods for Sparse Linear Systems. Saad Y. Ed. SIAM. Estados Unidos 2003.
Introduction to Numerical Analysis. Hildebrand. F.B. Ed. Dover. Estados Unidos 1987.
Numerical Methods for Scientists and Engineers. Hamming R.W. Ed. Dover. Estados Unidos
1986.
A first Course in Numerical Analysis. Ralston A. y Rabinowitz P. Ed. Dover. Estados Unidos 2001.
157