ApuntesMN2016 2
ApuntesMN2016 2
ApuntesMN2016 2
10 de enero de 2017
Índice general
1. Conceptos básicos 2
1.1. Uso de los métodos numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Errores numéricos y propagación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.1. Errores inherentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2. Errores de truncamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.3. Errores de redondeo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.4. Cifras significativas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Exactitud y precisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1. Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2. Recursividad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.3. Series y sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.4. Criterio de convergencia y divergencia . . . . . . . . . . . . . . . . . . . . . 6
1.4. Modelos matemáticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.1. Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.2. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.3. Serie de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.4. Serie binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.5. Serie de McLaurin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
i
Dra. Dora-Luz Flores Métodos Numéricos
ii
Dra. Dora-Luz Flores Métodos Numéricos
5. Integración numérica 55
5.1. Método analı́tico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2. Método de la Regla del Trapecio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2.1. Ejemplo del método de la regla del trapecio . . . . . . . . . . . . . . . . . . 57
5.2.2. Aplicación múltiple de la regla trapezoidal . . . . . . . . . . . . . . . . . . . 58
5.2.3. Ejemplo de la aplicación múltiple de la regla del trapecio . . . . . . . . . . . 60
5.3. Método Simpson 1/3 y 3/8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.3.1. Regla de Simpson 1/3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.3.2. Ejemplo del método Simpson 1/3 . . . . . . . . . . . . . . . . . . . . . . . . 62
5.3.3. Regla de Simpson 3/8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.3.4. Ejemplo del método Simpson 3/8 . . . . . . . . . . . . . . . . . . . . . . . . 63
5.4. Método de diferenciación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.4.1. Diferenciación hacia adelante, hacia atrás y centrada . . . . . . . . . . . . . 64
5.4.2. Ejemplo de diferenciación numérica . . . . . . . . . . . . . . . . . . . . . . . 66
1
Unidad 1
Conceptos básicos
2
Dra. Dora-Luz Flores Métodos Numéricos
Errores inherentes.
Errores de truncamiento.
Errores de redondeo.
3
Dra. Dora-Luz Flores Métodos Numéricos
Error
El error se define como la diferencia entre el valor real (Vr ) y una aproximación a este valor Va :
e = Vr − Va
Error relativo
El error relativo se define como el cociente del error entre el valor real Vr (si Vr 6= 0):
e Vr − Va
er = =
Vr Vr
En ciertos métodos numéricos se utilizan esquemas iterativos para calcular resultados. En tales
esquemas, se hace una aproximación en base a la aproximación anterior. Este proceso se repite
varias veces, o de forma iterativa, para calcular sucesivamente más y mejores aproximaciones.
En tales casos, el error a menudo se calcula como la diferencia entre aproximación previa y la
actual por lo tanto, el error relativo porcentual o error porcentual esta dado por el error porcentual.
Error porcentual
El error porcentual es simplemente el error relativo expresado en por ciento ( %).
Vr − Va
ep = ∗ 100 %
Vr
En 1966 Scarberough demostró que si el siguiente criterio se cumple puede tenerse la seguridad
de que el resultado es correcto en al menos n cifras significativas.
Es = 0.5 × 102−n
4
Dra. Dora-Luz Flores Métodos Numéricos
1.3.1. Convergencia
Velocidad de convergencia (rapidez o razón de convergencia): Es el número de iteraciones que
requiere un cálculo o algoritmo para converger o aproximarse a un valor. Es decir, la convergencia
se refiere al hecho de que los métodos numéricos obtienen n términos de una sucesión de valores.
Comenzamos con un valor inicial que sea una aproximación de la solución de un problema x0 .
Aplicando un método numérico se obtiene otra aproximación x1 . Se repite el procedimiento para
obtener x2 y ası́ sucesivamente, es decir, se generar la sucesión x0 , x1 , · · · , xn (todos los términos
son aproximaciones a la solución del problema). Sı́ la sucesión obtenida al cabo de n iteraciones
tiende a un lı́mite se dice que el método es convergente o divergente en caso contrario.
1.3.2. Recursividad
Fórmula recursiva: Relaciona términos sucesivos de una sucesión particular de números, fun-
ciones o polinomios, para proporcionar medios para calcular cantidades sucesivas en términos de
las anteriores.
Sucesión aritmética
a + (a + d) + (a + 2d) + · · · + (a + (N − 1)d) = n(a + l) donde:
l = (N − 1)d y representa el último término de la sucesión.
Sucesión geométrica
a(1 − xN )
a + ax + ax2 + ax3 + · · · + axN −1 =
1−x
Se dice que una sucesión es creciente si:
an−1 ≤ an ∀n
y es decreciente si:
5
Dra. Dora-Luz Flores Métodos Numéricos
an−1 ≥ an ∀n
1. Pedir datos
5. Imprimir el prom.
1.4.2. Estabilidad
Algoritmos estables: Son aquellos en los que los cambios pequeños en los datos de entrada
generan cambios pequeños al final o a la salida. Algoritmos inestables: Son aquellos en los que los
cambios pequeños en la entrada producen grandes cambios en la salida.
Por ejemplo si en es un error en alguna etapa de un proceso y k es una constante independiente
de n el número de etapa, entonces si el error después de n operaciones se puede representar por
f (n) = knε , se dice que el crecimiento del error es lineal. Sı́ en cambio el error se representa por
f (n) = k n ε para k > 1, el crecimiento del error se dice que es exponencial.
El crecimiento del error lineal es por lo general inevitable, y cuando k y n son pequeños, los
resultados son aceptables. El crecimiento del error exponencial debe ser evitado, ya que el término
k n será grande, aun para valores relativamente pequeños de n. Por lo tanto si el crecimiento del
error es lineal el método es estable y sı́ es exponencial es inestable.
6
Dra. Dora-Luz Flores Métodos Numéricos
f n−1 (ξ)hn+1
(n + 1)!
Algunas series tı́picas de Taylor son las siguientes:
x2 x3 x4 xn
1. ln(1 + x) = x − + − + ··· + para −1 ≤ x ≤ 1
2 3 4 n
2 3 n
x−1 1 x−1 1 x−1 1 x−1
2. ln(x) = + + + ··· + para x ≥ 1/2
x 2 x 3 x n x
x3 x5 x7
3. sin(x) = x − + − + · · · para −∞ < x < ∞
3! 5! 7!
x2 x4 x6
4. cos(x) = 1 − + − + · · · para −∞ < x < ∞
2! 4! 6!
1 2 17 7
5. tan(x) = x + x3 + X 5 + x + · · · para x < π/2
3 15 315
1 x3 1 × 3 x5 1 × 3 × 5 x7
6. sin−1 (x) = x + + + + · · · para x < 1
2 3 2×4 5 2×4×6 7
3 5 7
π −1 π 1 x 1 × 3 x 1 × 3 × 5 x
7. cos−1 (x) = − sin (x) = − x + + + + · · · para x < 1
2 2 2 3 2×4 5 2×4×6 7
x3 x5 x7
8. sinh(x) = x + + + + · · · para −∞ < x < ∞
3! 5! 7!
x2 x4 x6
9. cosh(x) = 1 + + + + · · · para −∞ < x < ∞
2! 4! 6!
7
Dra. Dora-Luz Flores Métodos Numéricos
x 2 x3 xn
ex = 1 + x + + + ··· +
2! 3! n!
que es conocida como expansión de serie de McLaurin, que es una modificación de la serie de
Taylor para cuando xi = 0.
8
Unidad 2
Las soluciones de una ecuación f (x) = 0, se llaman ceros o raı́ces de f (x). En algunos casos
las raı́ces pueden ser obtenidas con métodos directos, por ejemplo, para una ecuación cuadrática
se utiliza la fórmula general. Aunque existen ecuaciones que no se pueden resolver directamente,
por ejemplo una función tan simple como f (x) = e−x − x. Para estos casos, la única alternativa es
una técnica de solución numérica.
En este caso se reescribe la función de tal manera que sea igualada a cero, lo cual queda:
−c
gm t
f (c) = 1−em −v (2.2)
c
9
Dra. Dora-Luz Flores Métodos Numéricos
10
Dra. Dora-Luz Flores Métodos Numéricos
35
30
25
20
xi + xu
15 xr =
2
10
0
4 6 8 10 12 14 16 18 20 22
-5
xi xr xu
xi xr xu
-10
xi xu
-15
11
Dra. Dora-Luz Flores Métodos Numéricos
es lógico pensar que la raı́z se encuentra más cerca de xi que de xu . El método de falsa posición
aprovecha la visualización gráfica de unir f (xi ) y f (xu ) con una recta, donde la intersección de
esta recta con el eje x representa una mejor estimación a la raı́z, como se muestra en la gráfica 2.3.
f (xi ) f (xu )
= (2.3)
x r − xi xr − xu
de la ecuación anterior se despeja xr y se obtiene:
f (xu )(xi − xu )
xr = xu − (2.4)
f (xi ) − f (xu )
12
Dra. Dora-Luz Flores Métodos Numéricos
El algoritmo es igual al del método de bisección, lo único que cambia es la ecuación para xr .
13
Dra. Dora-Luz Flores Métodos Numéricos
f (xi )
xi+1 = xi − (2.6)
f 0 (xi )
f (xi )f 0 (xi )
xi+1 = xi − (2.7)
[f 0 (xi )]2 − f (xi )f 00 (xi )
La manera en que se realizan las iteraciones es de la misma forma que el del método de Newton-
Raphson.
14
Dra. Dora-Luz Flores Métodos Numéricos
f (x)
Raíz Simple
Raíz Doble
1 2 3 x
f (x)
Raíz Simple
Raíz Triple
1 2 3 x
Figura 2.6: Raı́ces múltiples, f (x) = x4 − 6x3 + 12x2 − 10x + 3 = (x − 3)(x − 1)3
15
Dra. Dora-Luz Flores Métodos Numéricos
x0 = 0
f (x0 ) = x3 − 5x2 + 7x − 3 = −3
f 00 (x0 ) = 6x − 10 = −10
(−3)(7)
x1 = 0 − = 1.1052
[7]2 − (−3)(−10)
Segunda iteración
x1 = 1.1052
f 00 (x1 ) = 6x − 10 = −3.3684
(−0.0209)(−0.3878)
x2 = 1.1052 − = 1.0030
[−0.3878]2 − (−0.0209)(−3.3684)
1.0030 − 1.1052
er = ∗ 100 = 10.1867
1.0030
Tercera iteración
x2 = 1.0030
f 00 (x2 ) = 6x − 10 = −3.9815
(−0.000019)(−0.01229)
x3 = 1.0030 − = 1.0000024
[−0.01229]2 − (−0.000019)(−3.9815)
1.0000024 − 1.0030817
er = ∗ 100 = 0.3079275
1.0000024
16
Dra. Dora-Luz Flores Métodos Numéricos
Tabla 2.4: Valores generados de la ecuación f (x) = x3 − 5x2 + 7x − 3 usando el método de Newton-
Raphson para raı́ces múltiples
i xi f (xi ) f 0 (xi ) f 00 (xi ) xi+1 |er |
0 0.0000000 -3.0000000 7.0000000 -10.0000000 1.1052632 -
1 1.1052632 -0.0209943 -0.3878116 -3.3684211 1.0030817 10.1867572
2 1.0030817 -0.0000190 -0.0122982 -3.9815100 1.0000024 0.3079275
3 1.0000024 0.0000000 -0.0000095 -3.9999857 1.0000000 0.0002381
4 1.0000000 0.0000000 0.0000000 -4.0000000 1.0000000 0.0000000
f (xi )
xi+1 = xi − (2.8)
f 0 (x0 )
17
Dra. Dora-Luz Flores Métodos Numéricos
Primera iteración
i=0
x0 = 1
f (x0 ) 0.36787944
x1 = x0 − 0
=1− = 1.26894142
f (x0 ) −1.36787944
Segunda iteración
i=1
x1 = 1.26894142
f (x1 ) 0.04294604
x2 = x1 − 0 = 1.26894142 − = 1.30033749
f (x0 ) −1.36787944
1.30033749 − 1.26894142
|er | = ∗ 100 = 2.41445529
1.30033749
Tabla 2.5: Iteraciones para evaluar la función f (x) = e−x − ln(x) con el método de von Mises
i xi f (xi ) xi+1 |er |
0 1 0.36787944 1.26894142 -
1 1.26894142 0.042946035 1.30033749 2.4144554
2 1.30033749 0.00981599 1.307513555 0.54883309
18
Dra. Dora-Luz Flores Métodos Numéricos
2.6.2. Ejercicio
Utilizar el método de von Mises para calcular la raı́z de la función f (x) = cos x − x con un
valor inicial de x0 = 1. Realizar al menos 6 iteraciones.
bk = ak + bk−1 x0 , (2.12)
para k = 2, 3, . . . , n + 1.
x0 a1 a2 a3 ... an an+1
b1 x 0 b2 x 0 b2 x 0 ... bn−1 x0 bn x 0
b 1 = a1 b 2 = a2 + b 1 x 0 b 3 = a3 + b 2 x 0 ... bn = an + bn−1 x0 bn+1 = an+1 + bn x0
El polinomio P (x),
a = [a1 a2 . . . an an+1 ]
b = [b1 b2 . . . bn ].
19
Dra. Dora-Luz Flores Métodos Numéricos
Dado que
P 0 (x0 ) = Q(x0 ),
es decir, que P (x0 ) puede evaluarse obteniendo el residuo de la división de Q(x) por (x − x0 )
y evaluando Q(x0 ).
El método Birge-Vieta aplica Newton-Raphson para encontrar una raı́z del polinomio P (x).
Dado un punto xk , evalúa P (xk ) y P 0 (xk ) mediante división sintética. Cuando encuentra una raı́z
pi , elimina el factor (x − pi ) mediante división sintética y continúa trabajando sobre el polinomio
resultante. El proceso se repite hasta encontrar todas las raı́ces del polinomio.
Primera iteración
0.8333 1 −2 −5 6
0.8333 −0.9722 −4.9769
1 −1.1667 −5.9722 1.0231
1.0231
x = 0.8333 − = 0.9970
−6.2500
20
Dra. Dora-Luz Flores Métodos Numéricos
0.9970 1 −2 −5 6
0.9970 −1.0000 −5.9822
1 −1.0030 −6.0000 0.0178
0.0178
x = 0.9970 − =1
−6.0059
x = 1 es la primera raı́z.
1 1 −2 −5 6
1 −1 −6
1 −1 −6 0
Segunda iteración
−0.1667 1 −1 −6
−0.1667 0.1944
1 −1.1667 −5.8056
−0.1667 1 −1.1667
−0.1667
1 −1.3333
−5.8056
x = −0.1667 − = −4.5208
−1.3333
21
Dra. Dora-Luz Flores Métodos Numéricos
−4.5208 1 −1 −6
−4.5208 24.9588
1 −5.5208 18.9588
−4.5208 1 −5.5208
−4.5208
1 −10.0417
18.9588
x = −4.5208 − = −2.6328
−10.0417
−2.6328 1 −1 −6
−2.6328 9.5646
1 −3.6328 3.5646
−2.6328 1 −3.6328
−2.6328
1 −6.2656
3.5646
x = −2.6328 − = −2.0639
−6.2656
−2.0639 1 −1 −6
−2.0639 6.3237
1 −3.0639 0.3237
−2.0639 1 −3.0639
−2.0639
1 −5.1278
0.3237
x = −2.0639 − = −2.0008
−5.1278
−2.0008 1 −1 −6
−2.0008 6.0040
1 −3.0008 0.0040
−2.0008 1 −3.0008
−2.0008
1 −5.0016
22
Dra. Dora-Luz Flores Métodos Numéricos
0.0040
x = −2.0008 − = −2
−5.0016
x = −2 es la segunda raı́z.
−2 1 −1 −6
−2 6
1 −3 0
23
Unidad 3
24
Dra. Dora-Luz Flores Métodos Numéricos
Matriz diagonal
Es una matriz donde todos los elementos fuera de la diagonal principal son cero.
a11 0 0
A = 0 a22 0
0 0 a33
Matriz identidad
Es aquella matriz cuyos elementos de la diagonal principal son 1 y los demás 0.
1 0 0
A= 0 1 0
0 0 1
25
Dra. Dora-Luz Flores Métodos Numéricos
a11 a12 0 0
a21 a22 a23 0
A=
0 a32 a33 a34
0 0 a43 a44
Suma de matrices
C =A+B
(
i = 1, 2, 3, · · · , n
cij = aij + bij para
j = 1, 2, 3, · · · , m
Resta de matrices
C =A−B
(
i = 1, 2, 3, · · · , n
cij = aij − bij para
j = 1, 2, 3, · · · , m
La suma y la resta de matrices son conmutativas y asociativas.
C = gA
donde g es el escalar.
C = AB
Xn
cij = aik bkj
k=1
26
Dra. Dora-Luz Flores Métodos Numéricos
AA−1 = I.
Matriz transpuesta
Si los renglones y las columnas de una matriz A se intercambian, entonces la matriz resultante
de n × m se conoce como la transpuesta de A y se denota por AT .
aij = aji
La traza de una matriz es la suma de los elementos de su diagonal principal.
n
X
tr[A] = aii
i=1
Figura 3.1: Circuito eléctrico que puede ser descrito por un sistema de ecuaciones lineales
Las ecuaciones de malla que describen a este circuito son las siguientes:
27
Dra. Dora-Luz Flores Métodos Numéricos
15i1 − 5i2 = 20
−5i1 + 15i2 − 5i3 = 0
− 5i2 + 20i3 = 0
A partir de las ecuaciones de malla se pueden obtener todas las corrientes, voltajes y potencial
de los elementos del circuito.
Utilizando la notación de matrices se puede obtener una matriz aumentada con este ejemplo.
Se define R, i y v:
15 −5 0
R = −5 15 −5
0 −5 20
i1
i = i2
i3
20
v=0
0
Se puede expresar el juego de ecuaciones como:
15 −5 0 i1 20
Ri = v = −5 15 −5 i2 = 0
0 −5 20 i3 0
Y que a su vez puede representarse por la matriz aumentada:
15 −5 0 20
Rb = −5 15 −5 0
0 −5 20 0
Ax = b (3.3)
La idea del método es llevar el sistema a la forma triangular superior y de allı́ despejar una
variable a la vez partiendo de la última. Él último paso se conoce como sustitución en reversa. Para
lograr llevar el sistema a la forma triangular superior, se emplean las operaciones elementales de
matrices como son el intercambio de renglones, división entre un escalar a cada renglón, ası́ como
suma y resta entre renglones.
28
Dra. Dora-Luz Flores Métodos Numéricos
29
Dra. Dora-Luz Flores Métodos Numéricos
12 % Regresa x , l a s o l u c i ó n d e l s i s t e m a Ax=b .
13
14 MAXPIVOTE = 1 ;
15
16 % Se c r e a l a m a t r i z aumentada
17 [ n ,m] = s i z e (A ) ;
18 i f length ( v a r a r g i n )>=1
19 b = varargin {1};
20 A = [A b ] ;
21 e l s e i f n==m
22 A = [A eye ( n ) ] ;
23 end
24 [ n ,m] = s i z e (A ) ;
25
26 i f n>m
27 error ( ’ n>m en l a m a t r i z aumentada ’ ) ;
28 end
29
30 for i =1:n
31 i f MAXPIVOTE
32 % Encontrar r e n g l o n de maximo p i v o t e
33 k = find ( abs (A( : , i ))==max( abs (A( i : n , i ) ) ) , 1 , ’ l a s t ’ ) ;
34
35 i f k˜= i
36 % Intercambiar renglones
37 r P i v o t e = A( k , : ) ;
38 A( k , : ) = A( i , : ) ;
39 A( i , : ) = r P i v o t e ;
40 end
41 end
42
43 % S a l i r s i determinante es cero
44 i f abs (A( i , i ) ) == 0
45 error ( ’ Determinante e s i g u a l a c e r o ’ )
46 end
47
48 % Hacer c e r o s en l a columna i d e b a j o de l a f i l a i
49 for j=i +1:n
50 A( j , : ) = A( j , : ) − A( i , : ) ∗ A( j , i ) /A( i , i ) ;
51 end
52 end
53
54 for i=n : −1:1
30
Dra. Dora-Luz Flores Métodos Numéricos
55 % Hacer uno e l e l e m e n t o i , i
56 A( i , : ) = A( i , : ) / A( i , i ) ;
57
58 % Hacer c e r o s en l a columna i a r r i b a de l a f i l a i
59 for j=i −1: −1:1
60 A( j , : ) = A( j , : ) − A( i , : ) ∗ A( j , i ) ;
61 end
62 end
63
64 r e s = A( : , n+1:m) ;
2. Si el primer elemento de la columna es cero, intercambiarlo por un renglón que no tenga cero.
Multiplicando apropiadamente el renglón igual a 1. Este primer 1 será llamado pivote.
3. Obtener ceros arriba y abajo del pivote sumando múltiplos adecuados a los renglones debajo
de renglón pivote en la matriz completa.
En el paso 3, los elementos que se hacen cero no solo son los inferiores al pivote (Eliminación
Gaussiana) sino también los superiores.
31
Dra. Dora-Luz Flores Métodos Numéricos
32
Dra. Dora-Luz Flores Métodos Numéricos
1. Se coloca la matriz A junto a una matriz identidad I del mismo tamaño, es decir,
a11 a12 · · · a1n 1 0 0 · · · 0
a21 a22 · · · a2n 0 1 0 · · · 0
a31 a32 · · · a3n 0 0 1 · · · 0
.. .. ... .. .. .. .. . . ..
. . . . . . . .
an1 an2 · · · ann 0 0 0 · · · 1
33
Dra. Dora-Luz Flores Métodos Numéricos
4 − 32 0
1 0 7
0 1 −1 −1 1 0
2
0 −14 15 −5 0 1
4 − 23 0
1 0 7
0 1 −1 −1 1
2
0
0 0 1 −19 7 1
1 0 7 4 − 23 0
0 1 0 −20 15 1
2
0 0 1 −19 7 1
1 0 0 137 − 101
2
−7
0 1 0 −20 15 1
2
0 0 1 −19 7 1
Por lo tanto, la matriz inversa es
137 − 101
2
−7
−20 15 1
2
−19 7 1
34
Dra. Dora-Luz Flores Métodos Numéricos
35
Dra. Dora-Luz Flores Métodos Numéricos
X
|aii | > |aij | (3.6)
En la figura 3.4 se presenta un algoritmo para este método iterativo.
36
Dra. Dora-Luz Flores Métodos Numéricos
6x1 − x2 − x3 + 4x4 = 17
x1 − 10x2 + 2x3 − x4 = −17
3x1 − 2x2 + 8x3 − x4 = 19
x1 + x2 + x3 − 5x4 = −14
Al despejar las incógnitas correspondientes se tiene:
17 − (−x2 − x3 + 4x4 )
x1 =
6
−17 − (x1 + 2x3 − x4 )
x2 =
−10 (3.7)
19 − (3x1 − 2x2 − x4 )
x3 =
8
−14 − (x1 + x2 + x3 )
x4 =
−5
Y finalmente se llena la tabla 3.4.2 con los valores calculados.
lı́m xk = x∗
k→∞
37
Dra. Dora-Luz Flores Métodos Numéricos
38
Dra. Dora-Luz Flores Métodos Numéricos
a11 a12 · · · a1m = b1
a21 a22 · · · a2m = b2
A = .. (3.8)
.. ... .. ..
. . . = .
an1 an2 · · · anm = bn
39
Dra. Dora-Luz Flores Métodos Numéricos
1. x2 = 0
x3 = 0
2. x1 = 2.616667
x3 = 0
3. x1 = 2.616667
x2 = −2.794524
Segunda iteración.
1. x2 = −2.794524
x3 = 7.005610
40
Dra. Dora-Luz Flores Métodos Numéricos
2. x1 = 2.990557
x3 = 7.005610
−19.3 − 0.1x1 + 0.3x3
x2 = = −2.499625
7
−2.499625 − (−2.794524)
|erx2 | =
∗ 100 = 11.797729 %
−2.499625
3. x1 = 2.990557
x2 = −2.499625
71.4 − 0.3x1 + 0.2x2
x3 = = 7.000291
10
7.000291 − (7.005610)
|erx3 | = ∗ 100 = 0.0759826 %
7.000291
41
Unidad 4
En la práctica es frecuente tratar funciones que no son del tipo de las elementales, además de
funciones definidas de manera tabular o gráfica, de las que se desconoce su expresión analı́tica y
de las que se necesita conocer valores de la variable que no están tabulados.
Existen casos de funciones expresadas en forma tabular en los que se requiere una alta aproxima-
ción y para ello existen métodos numéricos que por lo general utilizan funciones racionales enteras
(polinomios), de manera que la curva descrita por los mismos toque todos los puntos definidos.
Si no se requiere gran aproximación se deriva una curva simple que represente el comportamiento
general de los datos.
42
Dra. Dora-Luz Flores Métodos Numéricos
a0 = y1 − y0
a1 = y2 − y1
a2 = y3 − y2 (4.1)
···
an−1 = yn − yn−1
Las diferencias de las primeras diferencias se llaman segundas diferencias hacia adelante, ∆2 yi :
b0 = a1 − a0
b1 = a2 − a1
b2 = a3 − a2 (4.2)
···
bn−2 = an−1 − an−2
Las diferencias de las segundas diferencias se llaman terceras diferencias hacia adelante, ∆3 yi .
c0 = b 1 − b0
c1 = b 2 − b1
c2 = b 3 − b2 (4.3)
···
cn−3 = an−2 − an−3
Siguiendo este proceso se definen las cuartas, quintas, etc., diferencias hacia adelante. Todas las
diferencias pueden arreglarse en una tabla de diferencias (ver tabla 4.2), en donde cada diferencia
se indica entre los dos elementos que la producen.
43
Dra. Dora-Luz Flores Métodos Numéricos
Los coeficientes ai pueden determinarse fácilmente si se utilizan las diferencias divididas de los
valores tabulados. La diferencia dividida de orden cero se define como f [xr ] = f (xr ), esta diferencia
se puede denotar también como yr o bien fr .
La diferencia de primer orden o diferencia de orden uno es igual a:
f (xs ) − f (xr )
f [xr , xs ] = (4.5)
xs − xr
b0 = f (x0 )
b1 = f (x1 , x0 )
b2 = f (x2 , x1 , x0 )
b3 = f (x3 , x2 , x1 , x0 ) (4.7)
..
.
bn = f (xn , xn−1 , · · · , x1 , x0 )
Donde las evaluaciones puestas entre paréntesis son diferencias divididas finitas, es decir:
f (xi ) − f (xj )
f (xi , xj ) = (4.8)
xi − xj
La segunda diferencia dividida es:
44
Dra. Dora-Luz Flores Métodos Numéricos
f (xi , xj ) − f (xj , xk )
f (xi , xj , xk ) = (4.9)
xi − xk
La n-ésima diferencia dividida es:
Tabla 4.3: Tabla que muestra las diferencias divididas del polinomio de Newton de orden 4
i xi f (xi ) Primero Segundo Tercero Cuarto
0 x0 f (x0 ) f (x1 , x0 ) f (x2 , x1 , x0 ) f (x3 , x2 , x1 , x0 ) f (x4 , x3 , x2 , x1 , x0 )
1 x1 f (x1 ) f (x2 , x1 ) f (x3 , x2 , x1 ) f (x4 , x3 , x2 , x1 )
2 x2 f (x2 ) f (x3 , x2 ) f (x4 , x3 , x2 )
3 x3 f (x3 ) f (x4 , x3 )
4 x4 f (x4 )
Tabla 4.4: Datos de las diferencias divididas obtenidas para estimar el valor de ln(2)
i xi f (xi ) f (xi , xi−1 ) f (xi , xi−1 , xi−2 ) f (xi , xi−1 , xi−2 , xi−3 )
0 1 0 0.46209812 −0.05187311 0.00786553
1 4 1.38629436 0.20273255 −0.02041100
2 6 1.79175947 0.18232156
3 5 1.60943791
b0 = f (x0 ) = 0
b1 = f (x1 , x0 ) = 0.46209812
45
Dra. Dora-Luz Flores Métodos Numéricos
b2 = f (x2 , x1 , x0 ) = −0.05187311
b3 = f (x3 , x2 , x1 , x0 ) = 0.00786553
f3 (2) = 0.62876858
4.2.2. Ejercicios
Usando los valores de la tabla siguiente, calcular el polinomio usando solo los 4 primeros puntos
y después calcular otro polinomio usando todos los puntos.
f (x1 ) − f (x0 )
f (x1 , x0 ) = (4.12)
x1 − x0
La cual es referida como:
f (x0 ) f (x1 )
f (x1 , x0 ) = + (4.13)
x0 − x1 x1 − x0
46
Dra. Dora-Luz Flores Métodos Numéricos
Por último, al agrupar términos similares y simplificar se tiene la forma del polinomio de
Lagrange:
x − x1 x − x0
f (x) = f (x0 ) + f (x1 ) (4.14)
x0 − x1 x1 − x 0
La interpolación de polinomios de Lagrange es simplemente una reformulación del polinomio de
Newton que evita el cálculo por diferencias divididas. Se puede expresar de manera concisa como:
n
X
f (x) = Li (x)f (xi ) (4.15)
i=0
donde:
n
Y x − xj
Li (x) = (4.16)
x − xj
j=0 i
j6=i
Q
Donde designa el producto de, por ejemplo, cuando n = 1 es
x − x1 x − x0
f (x) = f (x0 ) + f (x1 ) (4.17)
x0 − x1 x1 − x 0
Cuando n = 2 es
y ası́ sucesivamente.
Para los casos en donde el orden del polinomio se desconozca, el método de Newton tiene
ventajas debido a que profundiza en el comportamiento de las diferentes fórmulas de orden superior.
En general puede integrarse fácilmente en los cálculos de Newton ya que la aproximación usa una
diferencia dividida. De esta forma, desde el punto de vista de cálculo, a menudo, se prefiere el
método de Newton.
x0 = 1 f (x0 ) = 0
x1 = 4 f (x1 ) = 1.386294
x2 = 6 f (x2 ) = 1.791759
Para n = 1 sustituyendo en la ecuación 4.17 los punto se tiene:
47
Dra. Dora-Luz Flores Métodos Numéricos
x − x1 x − x0
f (x) = f (x0 ) + f (x1 )
x0 − x1 x1 − x 0
x−4 x−1
f (x) = (0) + (1.386294)
1−4 4−1
para x = 2
2−4 2−1
f (2) = (0) + (1.386294) = 0.462098
1−4 4−1
Donde el error verdadero es:
Vv − Va 0.693147 − 0.462098
|Ev | = = × 100 = 33.333333 %
Vv 0.693147
f (2) = 0.565844
Donde el error verdadero es |Ev | = 18.3659 %.
48
Dra. Dora-Luz Flores Métodos Numéricos
y = a0 + a1 x + e (4.19)
en donde a0 y a1 son coeficientes que representan la intersección con el eje y y la pendiente,
respectivamente, e es el error o diferencia entre el modelo y las observaciones. Reordenando, se
puede calcular el error como:
e = y − a0 − a1 x (4.20)
es decir, es la diferencia entre el valor real de y y el valor aproximado, a0 + a1 x que predice la
ecuación lineal.
Una forma de obtener un mejor ajuste es minimizar la suma de cuadrados de los residuos, Sr ,
de la siguiente manera:
n
X n
X
Sr = e2i = (yi − a0 − a1 xi )2 (4.21)
i=1 i=1
Para encontrar los valores de a0 y a1 que minimicen la ecuación 4.21 se debe derivar esta
ecuación con respecto a los coeficientes indicados, es decir:
n
∂Sr X
= −2 (yi − a0 − a1 xi ) (4.22)
∂a0 i=1
n
∂Sr X
= −2 [(yi − a0 − a1 xi )xi ] (4.23)
∂a1 i=1
Para generar un mı́nimo, se igualan estas derivadas a cero y se expresan como un conjunto de
dos ecuaciones lineales con dos incógnitas a0 y a1 .
P P
P na0 + P x2i ai = P yi (4.24)
x i a0 + x i ai = xi yi
Si se resuelve este sistema se obtiene:
P P P
n xi y i − xi y i
a1 = (4.25)
n x2i − ( xi )2
P P
a0 = y − a1 x (4.26)
donde y y x son las medias aritméticas de y y x respectivamente.
El error estándar de aproximación Sy/x , que indica el error para los valores predichos de y
correspondientes a los valores particulares de x y permite cuantificar la dispersión alrededor de la
lı́nea de regresión, se calcula mediante la siguiente ecuación:
49
Dra. Dora-Luz Flores Métodos Numéricos
r
Sr
Sy/x = (4.27)
n−2
Para cuantificar la eficiencia del ajuste, que es particularmente útil en la comparación de varias
regresiones, se utilizan el coeficiente de determinación r2 y el de correlación r, que es la raı́z
cuadrada del coeficiente anterior.
El coeficiente de determinación se calcula como sigue:
St − Sr
r2 = (4.28)
St
donde: St = (yi − y)2 es la cantidad de dispersión en la variable dependiente que existe antes de
P
la regresión.
La diferencia entre las dos cantidades cuantifica la mejora en la reducción del error debido al
modelo de la lı́nea recta.
Para un ajuste perfecto Sr = 0 y r2 = 1, ası́ la lı́nea recta explica un 100 % de la variabilidad.
El algoritmo para regresión lineal es el que se muestra en la figura 4.5.1.
x 5 7 10 12 16 20 23 27 19 14 9 6
y 9 11 15 16 20 24 27 29 22 20 14 9
x y xy x2
5 9 45 25
7 11 77 49
10 15 150 100
12 16 192 144
16 20 320 256
20 24 480 400
23 27 621 529
27 29 783 729
17 22 374 289
14 20 280 196
9 14 126 81
6 9 54 36
Suma 166 216 3502 2834
Media 13.833 18
50
Dra. Dora-Luz Flores Métodos Numéricos
P P P
n xi yi − xi yi
a1 =
n x2i − ( xi )2
P P
(12)(3502) − (166)(216)
a1 =
(12)(2834) − (166)2
a1 = 0.9559826
Para obtener el valor de a0 , se realizan las siguientes operaciones:
a0 = y − a1 x
a0 = 18 − (0.9559826)(13.833)
51
Dra. Dora-Luz Flores Métodos Numéricos
a0 = 4.7755735
Para calcular el valor de R2 , primero se obtiene la tabla 4.5.2 con los valores de Sr y St .
e2i Sti
0.308565441 81
0.218511328 49
0.441693325 9
0.061189521 4
0.00508308 4
0.010977531 36
0.056086455 81
2.518901563 121
0.946187383 16
3.388064428 4
0.385122968 16
2.284539481 81
Sr = 10.6249225 St = 502
St − Sr
r2 =
St
502 − 10.6249225
r2 =
502
2
r = 0.9788348
Modelo exponencial
y = d1 eb1 x (4.29)
en donde d1 y b1 son constantes. Para linealizar este modelo se aplican logaritmos naturales, es
decir:
ln y = ln d1 + b1 ln e (4.30)
En una gráfica semilogarı́tmica de ln y con x se genera una lı́nea recta con pendiente b1 y
ordenada al origen: ln d1 .
52
Dra. Dora-Luz Flores Métodos Numéricos
y = d 2 xb 2 (4.31)
En donde d2 y b2 son coeficientes, puede linealizarse mediante logaritmos en base 10, o sea:
x
y = d3 (4.33)
b3 + x
Los coeficientes d3 y b3 son constantes y puede linealizarse si se invierte la ecuación 4.33, es
decir:
1 b3 1
= + (4.34)
y d3 x d3
1 1
Una gráfica de con será lineal, con pendiente b3 /d3 y ordenada al origen 1/d3 .
y x
y = a0 + a1 x + a2 x 2 + · · · + am x m (4.35)
En este caso la suma de cuadrados de los residuos es:
n
X
Sr = (yi − a0 − a1 xi − a2 x2i − · · · − am xm
i )
2
(4.36)
i=0
Siguiendo el procedimiento anterior, se deriva la ecuación con respecto a cada uno de los
coeficientes del polinomio, para obtener:
n
∂Sr X
= −2 (yi − a0 − a1 xi − a2 x2i − · · · − am xm
i ) (4.37)
∂a0 i=1
n
∂Sr X
= −2 (yi − a0 − a1 xi − a2 x2i − · · · − am xm
i )xi (4.38)
∂a1 i=1
···
53
Dra. Dora-Luz Flores Métodos Numéricos
n
∂Sr X
= −2 (yi − a0 − a1 xi − a2 x2i − · · · − am xm m
i )xi (4.39)
∂a1 i=1
+ a2 P x2i + am P x m
P P P P
Pna0 + a1 P x i + ··· i = P yi
a0 P x i + a1 P x2i + a2 P x3i + ··· + am P xm+1
i = P xi yi
a0 x2i + a1 x3i + a2 x4i + ··· + am xm+2i = x2i yi (4.40)
···
xm xm+1 xm+2 x2m xm
P P P P P
a0 i + a1 i + a2 i + ··· + am i = i yi
54
Unidad 5
Integración numérica
La integración de una función dentro del ámbito de la ingenierı́a tiene tantas aplicaciones
que es una herramienta indispensable. Una integral representa un área bajo la curva sobre el eje
horizontal, acotada por un intervalo. La función a integrarse, en general deberá tener una de las
tres formas siguientes.
1. Una función simple y continua tal como un polinomio, una función exponencial o una función
trigonométrica.
3. Una función tabulada en donde los valores de y se dan en un conjunto de puntos discretos,
como es el caso, a menudo, de datos experimentales.
55
Dra. Dora-Luz Flores Métodos Numéricos
56
Dra. Dora-Luz Flores Métodos Numéricos
a = 0, f (a) = 0.2
57
Dra. Dora-Luz Flores Métodos Numéricos
(b − a)2 b 00
Z
Ea = − f (x)dx (5.6)
12n2 a
58
Dra. Dora-Luz Flores Métodos Numéricos
59
Dra. Dora-Luz Flores Métodos Numéricos
60
Dra. Dora-Luz Flores Métodos Numéricos
Z b
0.2 + 2(1.432724 + 3.487177) + 0.232
I= f (x)dx ∼= (0.8 − 0) = 1.369574
a 2(3)
(0.8 − 0)2 R 0.8 00
Ea = − 0
f (x)dx = 0.284444
12(3)2
Z 0.8 Z 0.8
00
donde f (x)dx = (8000x3 − 10800x2 + 4050x − 400)dx = −48
0 0
61
Dra. Dora-Luz Flores Métodos Numéricos
Z b
f (x0 ) + 4f (x1 ) + f (x2 )
I= f (x)dx ∼
= (b − a) (5.7)
a 6
Para calcular la anchura de los nuevos intervalos se tiene:
b−a
h= (5.8)
2
Y el error aproximado está dado por:
b
(b − a)4
Z
Ea = − f IV (x)dx (5.9)
2280 a
desde a = 0 a b = 0.8.
Obteniendo la anchura:
b−a 0.8 − 0
h= = = 0.4
n 2
Por lo tanto:
x0 = 0, f (x0 ) = 0.2
62
Dra. Dora-Luz Flores Métodos Numéricos
desde a = 0 a b = 0.8.
Obteniendo la anchura:
b−a 0.8 − 0
h= = = 0.266667
n 3
Por lo tanto:
63
Dra. Dora-Luz Flores Métodos Numéricos
x0 = 0, f (x0 ) = 0.2
f (x + h) − f (x)
f 0 (x) = lı́m (5.13)
h→0 h
64
Dra. Dora-Luz Flores Métodos Numéricos
65
Dra. Dora-Luz Flores Métodos Numéricos
66
Unidad 6
Sea
dv c
=g− v (6.1)
dt m
una ecuación diferencial de primer orden, donde:
g, c y m son constantes,
La ecuación
d2 x dx
m 2
+ c + kx = 0 (6.2)
dt dt
es una ecuación diferencial de segundo orden, c y k son constantes. A estas ecuaciones se les conoce
como ecuación de segundo grado; en general a las ecuaciones de orden mayor a uno se les conoce
como ecuaciones de orden superior.
Las ecuaciones de orden superior se pueden reducir a un sistema de ecuaciones de primer orden
definiendo nuevas variables, si:
dx
y= (6.3)
dt
67
Dra. Dora-Luz Flores Métodos Numéricos
Entonces
dy d2 x
= 2 (6.4)
dt dt
Sustituyendo las ecuaciones anteriores se tiene que
dx
m + cy + kx (6.5)
dt
o
dy cy + kx
= (6.6)
dt m
La solución matemática de la EDO se puede obtener por separación de variables e integrando,
con lo que se obtiene:
c
dv = gdt −vdt (6.7)
m
Z h
c i
v= g − v dt (6.8)
m
Una EDO lineal es aquella que se ajusta a la forma general:
yi+1 = yi + φh (6.10)
Donde φ es la pendiente
φ = f (xi , yi ) (6.11)
Es decir, la función evaluada en los puntos (xi , yi ) rescribiendo la ecuación 6.11 se tiene que:
68
Dra. Dora-Luz Flores Métodos Numéricos
yi+1 = yi + f (xi , yi )h
69
Dra. Dora-Luz Flores Métodos Numéricos
Tabla 6.1: Valores obtenidos por el método de Euler para resolver una EDO.
i xi yi f (xi , yi ) vv |Ev |
0 0 1 8.50000 1.00000 0.00
1 0.5 5.25000 1.25000 3.21875 63.11
2 1.0 5.87500 -1.50000 3.00000 95.83
3 1.5 5.12500 -1.25000 2.21875 130.99
4 2.0 4.50000 0.50000 2.00000 125.00
5 2.5 4.75000 2.25000 2.71875 74.71
6 3.0 5.87500 2.50000 4.00000 46.88
7 3.5 7.12500 -0.25000 4.71875 50.99
8 4.0 7.00000 3.00000 133.33
Calculando y2 se tiene:
El error de redondeo es el resultado del número finito de cifras significativas que puede manejar
un procesador.
Se puede obtener información sobre la magnitud y propiedades del error de truncamiento al
derivar el método de Euler directamente de las series de Taylor:
70
Dra. Dora-Luz Flores Métodos Numéricos
y 0 = f (x, y)
donde:
dy
y0 =
dx
Si la solución tiene derivadas continuas, entonces se puede representar mediante una expansión
en series de Taylor respecto a xi , yi ) de la forma:
(n)
yi00 2 y
yi+1 = yi + yi0 h
+ h + · · · + i hn + Rn (6.13)
2! n!
Donde h = xi + 1 y Rn es un término remanente definido por:
71
Dra. Dora-Luz Flores Métodos Numéricos
f 0 (xi , yi ) 2
Ev = h + · · · + Ohn+1 (6.15)
2!
A lo cual se obtiene el error de truncamiento local verdadero. Si h es lo suficientemente pequeña,
los errores en la ecuación 6.15 disminuyen al elevar el orden de h y el resultado se presenta como:
f 0 (xi , yi ) 2
Ea = h
2!
o
Ea = Oh2
donde Ea es el error de truncamiento local aproximado.
72
Dra. Dora-Luz Flores Métodos Numéricos
0
yi+1 = yi + f (xi , yi )h (6.17)
En el método estándar de Euler se pararı́a en este punto. Sin embargo en el método de Heun, la
0
yi+1 no es la respuesta final si no una predicción intermedia. Esto se debe a que se ha distinguido
73
Dra. Dora-Luz Flores Métodos Numéricos
0
a esta con el superı́ndice 0. La ecuación de yi+1 se llama ecuación predictora. Proporciona una
aproximación de yi+1 que permite el cálculo de una pendiente aproximada al final del intervalo:
0 0
yi+1 = f (xi+1 , yi+1 ) (6.18)
Por lo tanto, se pueden combinar las dos pendientes y obtener una pendiente promedio sobre
el intervalo:
yi0 + yi+1
0 0
f (xi , yi ) + f (xi+1 , yi+1 )
y0 = = (6.19)
2 2
Esta pendiente promedio se usa para extrapolar linealmente de yi a yi+1 usando el método de
74
Dra. Dora-Luz Flores Métodos Numéricos
Euler:
0
f (xi , yi ) + f (xi+1 , yi+1 )
yi+1 = yi + h (6.20)
2
Que se llama una ecuación correctora.
El método de Heun es un esquema predictor-corrector. Se puede expresar concisamente como:
0
Predictor yi+1 = yi + f (xi , yi )h
0
f (xi , yi ) + f (xi+1 , yi+1 )
Corrector yi+1 = yi + h
2
Nótese que debido a que la ecuación del corrector tiene yi+1 en ambos lados del signo igual, esta
puede aplicarse para “corregir” en un esquema iterativo. Esto es, se puede usar una aproximación
anterior varias veces para proporcionar una aproximación mejorada de yi+1 . Se debe entender que
este proceso no necesariamente converge a la respuesta correcta, sino converge a una aproximación
con un error de truncamiento finito.
El error aproximado esta dado por
Aproximacion actual − Aproximacion anterior
|Ea | =
× 100 %
Aproximacion actual
0
Estimando el predictor yi+1
0
yi+1 = yi + f (xi , yi )h = 2 + (3)(1) = 5
0
Estimando la pendiente f (xi+1 , yi+1 )
Obteniendo el corrector
75
Dra. Dora-Luz Flores Métodos Numéricos
0
f (xi , yi ) + f (xi+1 , yi+1 ) 3 + 6.40216
yi+1 = yi + h=2+ (1) = 6.70108
2 2
Obteniendo el error relativo porcentual:
6.19463 − 6.70108
|Ev | = × 100 = 8.18 %
6.19463
Este resultado proporciona un error relativo porcentual de 8.18 %, el cual comparado con el
método de Euler, es más pequeño aun cuando solo se usó un corrector. De la misma forma se
obtienen los valores mostrados en la tabla 6.2. En la figura 6.5 se observa una gráfica con el error
verdadero y la aproximación.
Tabla 6.2: Valores obtenidos por el método de Heun para resolver una EDO.
0 0
i xi yv yi f (xi , yi ) yi+1 f (xi+1 , yi+1 ) yi+1 |Ev |
0 0 2.00000 2.00000 3.00000 5.00000 6.40216 6.70108 0.00
1 1.0 6.19463 6.70108 5.55162 12.25270 13.68578 16.31978 8.18
2 2.0 14.84392 16.31978 11.65224 27.97202 30.10670 37.19925 9.94
3 3.0 33.67717 37.19925 25.49308 62.69233 66.78396 83.33777 10.46
4 4.0 75.33896 83.33777 10.62
76
Dra. Dora-Luz Flores Métodos Numéricos
forma:
φ = a1 k1 + a2 k2 + · · · + an kn (6.22)
Donde las a son constantes y las k son:
k1 = f (xi , yi )
k2 = f (xi + p1 h, yi + q11 k1 h)
···
k1 = f (xi , yi )
k2 = f (xi + p1 h, yi + q11 k1 h)
Los valores para a1 , a2 , p1 y q11 son evaluados al igualar el término de segundo orden de
yi+1 = yi + (a1 k1 + a2 k2 )h con la expansión de la serie de Taylor. Para desarrollar esto se obtienen
tres ecuaciones con cuatro constantes desconocidas. Dichas ecuaciones son:
1 1
a1 + a2 = 1 a2 p 1 = a2 q11 = (6.24)
2 2
Debido a que se tienen cuatro incógnitas y tres ecuaciones, se propone el valor de una de estas
incógnitas para determinar las demás. Por ejemplo, si se propone un valor para a2 , se obtiene:
77
Dra. Dora-Luz Flores Métodos Numéricos
1
a1 = 1 − a2 p1 = q11 =
2a2
Debido a que se puede elegir un número infinito de valores para a2 , existen también un número
infinito de métodos o ecuaciones de Runge-Kutta de segundo orden. Las variantes más comunes
son: método de Heun de un solo corrector (donde a2 = 1/2), método del punto medio (a2 = 1) y
método de Ralston(a2 = 2/3).
k1 = f (xi , yi )
1 1
k2 = f (xi + h, yi + k1 h)
2 2
k3 = f (xi + h, yi − k1 h + 2k2 h)
k1 = f (xi , yi )
1 1
k2 = f (xi + h, yi + k1 h)
2 2
1 1
k3 = f (xi + h, yi + k2 h)
2 2
78
Dra. Dora-Luz Flores Métodos Numéricos
k4 = f (xi + h, yi + k3 h)
La segunda se basa en la regla de Simpson 3/8 y se escribe ası́
1
yi+1 = yi + (k1 + 3k2 + 3k3 + k4 ) h (6.27)
8
Donde:
k1 = f (xi , yi )
1 1
k2 = f (xi + h, yi + k1 h)
3 3
1 1
k3 = f (xi + h, yi + k2 h)
3 3
k4 = f (xi + h, yi + k1 h − k2 h)
Se pueden disponer de fórmulas de Runge-Kutta de orden superior, tales como el método de
Butcher, pero en general, la ganancia obtenida en exactitud por métodos de orden superior al
cuarto orden se contrapone con la complejidad y esfuerzo de cálculo.
1 1
k2 = f (x0 + h, y0 + k1 h) = f (0.5, 3.5) = 4e(0.8)(0.5) − 0.5(3.5) = 4.21730
2 2
1 1
k3 = f (x0 + h, y0 + k2 h) = f (0.5, 4.10865) = 4e(0.8)(0.5) − 0.5(4.10865) = 3.91297
2 2
79
Dra. Dora-Luz Flores Métodos Numéricos
1
yi+1 = yi + (k1 + 2k2 + 2k3 + k4 ) h =
6
1
2 + (3 + 2(4.21730) + 2(3.91297) + 5.94568) (1) = 6.20104
6
Obteniendo le error verdadero
6.19463 − 6.20104
|Ev | =
× 100 = 0.10 %
6.19463
Y se obtienen los valores mostrados en la tabla 6.3.
Tabla 6.3: Valores obtenidos por el método de Runge-Kutta de cuarto orden para resolver una
EDO.
i xi yi Vv k1 k2 k3 k4 yi+1 |Ev |
0 0 2.00000 2.00000 3.00000 4.21730 3.91297 5.94568 6.20104 0.00
1 1.0 6.20104 6.19463 5.80165 8.72954 7.99756 12.71283 14.86248 0.10
2 2.0 14.86248 14.84392 12.38089 19.02976 17.36754 27.97769 33.72135 0.13
3 3.0 33.72135 33.67717 27.23203 42.10991 38.39044 62.07423 75.43917 0.13
4 4.0 75.43917 75.33896 0.13
80