Академический Документы
Профессиональный Документы
Культура Документы
MTODOS NUMRICOS
ii
Obtencin de Eigenvalores y Eigenvectores (Vectores y Valores propios). ................ xxix
Ejemplo 1. ................................................................................................................ xxix
Ejemplo 2. ................................................................................................................ xxxi
Ejemplo 3. ............................................................................................................... xxxii
Mtodo de Diferencias Finitas ................................................................................... xxxiv
Mtodo mnimo cuadrado.......................................................................................... xxxvi
Ejemplo 1............................................................................................................... xxxvi
Ejemplo 2.............................................................................................................. xxxvii
Ejemplo 3.............................................................................................................. xxxvii
Aplicaciones .............................................................................................................. xxxix
Conclusin ..................................................................................................................... xli
Bibliografa ................................................................................................................. xlii
iii
Introduccin
Esta ocasin pondremos en prctica un poco de los conocimientos que nos fueron
brindados, puesto que en la materia de mtodos numricos podremos visualizar esas
problemticas. Comprendiendo lo simple de un algoritmo, hasta la complejidad de un
simple redondeo o en el peor de los casos de no poder conseguir una solucin, acudir a
la solucin por los tipos de errores que se pueden propiciar. Principalmente si se torda
complicado en las misas frmulas que algunos mtodos nos dan acceso.
Antes de adentrarnos en lo que presentamos en este ensayo, es importante
recalcar que un mtodo es un procedimiento mediante el cual se obtiene, casi siempre
de manera aproximada, la solucin de ciertos problemas realizando clculos puramente
aritmticos y lgicos, operaciones elementales, funciones, entre otras opciones.
Se tratar desde los mtodos cerrados, a los mtodos abiertos los cuales se
relacionan unos a otros de una u otra forma. Comprenderemos y analizaremos
detalladamente dichos procesos que nos propician los mtodos para poder comprender
las aplicaciones que se les pueden dar a nuestra vida y nuestro futuro como ingeniero
mecatrnico, eso es lo que principalmente se busca que se logre compartir.
De los cuales resaltaremos lo ms esenciales ante la ingeniera como lo es el
mtodo de Gauss Jordan y sus derivados, como el de Krylov entre otros mtodos de
suma importancia como las anteriores ya mencionados.
iv
Mtodo de Eliminacin Gaussiana
v
Sumamos la primera fila a la segunda
Esta ltima matriz es la forma escalonada reducida y tiene una fila nula, lo que quiere
decir que las filas del sistema inicial son linealmente dependientes (cualquiera de ellas
se puede obtener de la otra multiplicndola por un escalar no nulo).
Calculamos los rangos
Ejemplo 2
5 + 2 = 3
3 + 3 = 15
La matriz ampliada del sistema es
vi
Sumamos a la primera fila la segunda fila multiplicada por -2/5
Esta ltima matriz equivalente ya tiene forma escalonada reducida y nos permite ver
rpidamente los rangos de la matriz de coeficientes y de la ampliada.
Calculamos los rangos de la matriz coeficientes y de la matriz ampliada
Ejemplo 3
5x + 2y = 0
2 + = 0
2 + 3 = 3
La matriz ampliada del sistema es
vii
Sumamos a la segunda fila la tercera multiplicada por -1
Esta ltima matriz es la forma escalonada reducida (lo sabemos porque tenemos la
matriz identidad). Al tener la matriz identidad, sabemos que se trata de un sistema
compatible determinado y podemos obtener de ella la nica solucin del sistema.
Calculamos los rangos
Ejemplo 4
viii
Realizamos operaciones elementales fila para obtener la matriz en forma
escalonada reducida
Multiplicamos las filas primera y segunda por 1/3 y por 1/6 respectivamente
Esta ltima matriz ya tiene forma escalonada reducida, por lo que podemos
calcular fcilmente los rangos:
Calculamos el rango
ix
x
Mtodo de Gauss-Jordan
Ejemplos
%** Metodo de Gauss Jordan **
%**********************************************************
clear;
clc;
format short %Muestra pocas cifras significativas(pocos
decimales)
fprintf('Ingrese la matriz aumentada\n\n');
%***********************************************************
%***********************************************************
xi
for k = 1:c
for j = 1:f
fprintf('fila : %x\n',j)
fprintf('columna : %x\n',k)
a(j,k) = r;
j = j+1;
end
k = k+1;
end
pause
%*********************************************************
%*********************************************************
for k = 1:c-1
a(k,:) = a(k,:)/a(k,k);
for j = k+1:f
a(j,:) = a(j,:)-a(k,:)*a(j,k);
j = j+1;
xii
end
k = k+1;
end
%******************************************************
%******************************************************
for k = f:-1:2
for j = k-1:-1:1
j = j-1;
end
k = k-1;
end
clc
fprintf('resultado\n');
pause
disp(a);
pause
xiii
Ejemplo 1:
3 0.1 0.2 7.85
0.1 7 0.3 = 19.3
0.3 0.2 10 71.4
Resultado
X=3
Y=-2.5
Z=7
Ejemplo 2:
2 6 1 38
3 1 7 = 34
8 1 2 20
Resultado
X=4
Y=8
Z=-2
Ejemplo 3:
2 1 1 1
5 2 2 = 4
3 1 1 5
Resultado
X=14
Y=-32
Z=-5
Ejemplo 4:
1 1 1 3
6 2 2 = 2
3 4 1 1
Resultado
X=-0.25
Y=-0.5
Z=2.25
xiv
Ejemplo 5:
8 2 2 2
10 2 4 = 4
12 2 2 6
Resultado
X=1.5
Y=-6.5
Z=0.5
xv
Estrategias de pivoteo
| |.
Si la fila p es la que tiene el elemento ms grande entonces se intercambia la fila p
con la fila j y se utiliza esa fila como fila pivote. (Chapra & Canale, 2007)
Ejemplo.
Resolver el sistema usando eliminacin gaussiana con pivoteo parcial y aritmtica de
redondeo a tres dgitos.
0,031 + 58,92 = 59,2
5,311 6,102 = 47,0
Solucin:
{|11 |, |21 |} = {|0,03|, |5,31|} = 5,31
En este caso
Se efecta la operacin E2 <-> E1 para obtener el sistema
5,311 6,12 = 47,0
0,031 + 58,92 = 59,2
El multiplicador es
21 0,03
21 = = = 0,00565
11 5,31
xvi
Para motivar el estudio de varias tcnicas de pivoteo consideremos dos ejemplos
cuando la eliminacin con pivotes diagonales no procede. Luego veremos un ejemplo
cuando la eliminacin con pivotes diagonales funciona mal por cuestiones de redondeo.
1. Ejemplo cuando la eliminacin con pivotes diagonales no procede. Consideremos
al sistema de ecuaciones lineales dado por la siguiente matriz aumentada:
1 2 1
2 4 3
1 3 4
xvii
Mtodo de descomposicin LU
Ejemplo 1:
function [L,U]=slu(A)
[n,n] = size(A);
for k = 1:n
if abs(A(k, k)) < sqrt(eps)
disp(['Pivote muy pequeo encontrado en columna' int2str(k) '.'])
end
L(k,k) = 1;
for i = k+1:n
L(i,k) = A(i,k) / A(k,k);
for j = k+1:n
A(i,j) = A(i,j) - L(i,k)*A(k,j);
end
end
for j = k:n
U(k,j) = A(k,j);
end
end
1 0 0
L= 0.033 1 0
0.1 0.0271 1
3 0.1 0.2
U= 0 7.0033 0.2933
0 0 10.012
xviii
3
X= 2.5
7
Ejemplo 2:
function [L,U]=slu(A)
[n,n] = size(A);
for k = 1:n
if abs(A(k, k)) < sqrt(eps)
disp(['Pivote muy pequeo encontrado en columna' int2str(k) '.'])
end
L(k,k) = 1;
for i = k+1:n
L(i,k) = A(i,k) / A(k,k);
for j = k+1:n
A(i,j) = A(i,j) - L(i,k)*A(k,j);
end
end
for j = k:n
U(k,j) = A(k,j);
end
end
3 4 6 43
A= 23 12 32 = 65
5 6 8 79
1 0 0
L= 7.67 1 0
1.67 0.0357 1
3 4 6
U= 0 18.67 14
0 0 15
6.619
X= 22.5714
11.1905
Ejemplo 3:
function [L,U]=slu(A)
[n,n] = size(A);
for k = 1:n
if abs(A(k, k)) < sqrt(eps)
disp(['Pivote muy pequeo encontrado en columna' int2str(k) '.'])
end
xix
L(k,k) = 1;
for i = k+1:n
L(i,k) = A(i,k) / A(k,k);
for j = k+1:n
A(i,j) = A(i,j) - L(i,k)*A(k,j);
end
end
for j = k:n
U(k,j) = A(k,j);
end
end
90 76 43 34
A= 24 54 32 = 23
12 64 75 65
1 0 0
L= 0.267 1 0
0.133 1.5968 1
90 76 43
U= 0 33.73 20.533
0 0 36. .4783
0.0669
X= 0.2247
1.0477
Ejemplo 4:
function [L,U]=slu(A)
[n,n] = size(A);
for k = 1:n
if abs(A(k, k)) < sqrt(eps)
disp(['Pivote muy pequeo encontrado en columna' int2str(k) '.'])
end
L(k,k) = 1;
for i = k+1:n
L(i,k) = A(i,k) / A(k,k);
for j = k+1:n
A(i,j) = A(i,j) - L(i,k)*A(k,j);
end
end
for j = k:n
U(k,j) = A(k,j);
end
end
xx
23 9 4 43
A= 12 6 45 = 123
32 9 8 18
1 0 0
L= 0.5217 1 0
1.3913 2.7 1
23 9 4
U= 0 1.3043 42.913
0 0 118.3
3.6407
X= 13.2189
1.9417
Ejemplo 5:
function [L,U]=slu(A)
[n,n] = size(A);
for k = 1:n
if abs(A(k, k)) < sqrt(eps)
disp(['Pivote muy pequeo encontrado en columna' int2str(k) '.'])
end
L(k,k) = 1;
for i = k+1:n
L(i,k) = A(i,k) / A(k,k);
for j = k+1:n
A(i,j) = A(i,j) - L(i,k)*A(k,j);
end
end
for j = k:n
U(k,j) = A(k,j);
end
end
31 21 9 21
A= 23 21 43 = 43
12 43 24 90
1 0 0
L= 0.7419 1 0
0.3871 6.4345 1
xxi
31 21 9
U= 0 5.4194 36.3226
0 0 213.2024
0.865
X= 2.0869
0.4435
Es difcil definir el margen mnimo por el que ese coeficiente debe dominar a los
otros para asegurar la convergencia y es an ms difcil predecir la velocidad de la
convergencia para alguna combinacin de valores de los coeficientes cuando esa
convergencia existe.
No obstante, cuando el valor absoluto del coeficiente dominante para una
incgnita diferente para cada ecuacin es mayor que la suma de los valores absolutos
de los otros coeficientes de esa ecuacin, la convergencia est asegurada. Ese conjunto
de ecuaciones simultneas lineales se conoce como sistema diagonal.
xxii
Un sistema diagonal es condicin suficiente para asegurar la convergencia, pero
no es condicin necesaria. Afortunadamente, las ecuaciones simultneas lineales que
se derivan de muchos problemas de ingeniera, son del tipo en el cual existen siempre
coeficientes dominantes.
Ejemplo 1
2 5 3 = 1 0 = 0
3 9 = 9 Con 0 = 0
8 4 3 = 14 0 = 0
xxiii
Despajamos y de la segunda fila:
= (1 2 3)/(5)
Despajamos z de la primera fila:
= (9 + 3 )/(9)
Sustituimos los valores iniciales de 0 y 0 en x
= (14 + 4 0 + 3 0)/(8)
1 = 1.75
Sustituimos los valores iniciales de 1 y 0 en y
= (1 2 1.75 3 0)/(5)
1 = 0.9
Sustituimos los valores iniciales de 1 y 1 en z
= (9 + 3(1.75) 0.9)/(9)
1 = (89)/(60)
Ahora sustituimos en cualquier fila a comprobar
31 + 1 91 = 9
89
3(1.75) + 0.9 + 9( 60) = 9
Ejemplo 2
4 = 10 0 = 0
Con
2 4 = 14 0 = 0
xxiv
1 = 2.25
Volvemos a sustituir 1 en 1
1 = (10 + 2.25)/(4)
2 = 3.06
Volvemos a sustituir 2 en 1
1 = (14 2(3.06))/(4)
2 = 1.97
Tomamos el valor que se aproxima de y
=3 =2
3 = 10
3(3) 2 = 10
Ejemplo 3
10 0 =9 0 = 0
10 2 = 7 Con 0 = 0
0 4 10 =6 0 = 0
xxv
= (6 + 4(0.79)/(10)
1 = 0.916
Ahora sustituimos en cualquier fila a comprobar
=1 =1 =1
10 + 0 = 9
10(1) 1 = 9
Ejemplo 4
3 =1 0 = 0
3 = 3 Con 0 = 0
2 4 = 7 0 = 0
xxvi
= (1 + 10/9 47/36)/(3)
2 = 29/108
Sustituimos los valores iniciales de 2 y 1 en y
= (3 + 29/108 47/36)/(3)
2 = 53/81
Sustituimos los valores iniciales de 2 y 2 en z
= (7 2(29/108) 53/81)/(4)
1 = 941/648
Ahora sustituimos en cualquier fila a comprobar con un valor aproximado
=1 =1 =1
2 + + 4 = 7
2(1) + 1 + 4(1) = 7
Ejemplo 5
3 0.1 0.2 = 7.85 0 = 0
0.1 7 0.3 = 19.3 Con 0 = 0
0.3 0.2 10 = 71.4 0 = 0
xxvii
= (71.4 0.3(2.990557) + 0.2(2.499625))/(10) = 7.00021
Ahora, sustituimos los valores finales en una de la fila para comprobar:
= 3 = 2.5 = 7
3 0.1 0.2 = 7.85
3(3) 0.1(2.5) 0.2(7) = 7.85
Mtodo de Krylov
xxvii
i
+ 1 1 + 2 2 + . . . + 1 + = 0
Finalmente, el sistema de ecuaciones puede ser resuelto por el mtodo de preferencia.
Ejemplo 1.
4 1
Sea una matriz = [ ] determinar sus valores y vectores propios.
6 3
La matriz identidad multiplicada por para matrices 2x2 queda
0
I = [ ]
0
La diferencia
(I A) = [ 4 1
]
6 +3
xxix
Cuya determinante se puede escribir
(I A) = | 4 1
| = ( 4)( + 3) (6)(1) = 2 12 + 6 = 2 6
6 +3
(1)2 (4)(1)(6) 1 5
= (1) = 1 = 3, 2 = 2
(2)(1) 2
Para encontrar los vectores propios o eigenvectores de la matriz se utiliza (I A) =
0 donde es el vector propio:
(I A) = [ 4 1 ] [] = [0]
6 +3 0
Sustituyendo 1 se tiene
34 1 1 1 0
[ ] [] = [ ][ ] = [ ]
6 3+3 6 6 0
Que representa el siguiente sistema homogneo de ecuaciones lineales:
= 0
6 + 6 = 0
Cuya solucin evidente es:
=
Y es variable libre. De modo que el vector propio que corresponde a 1 es:
1
1 = [ ] = [ ]
1
Si = 1
1
1 = [ ]
1
A manera de comprobacin se puede verificar que
1 = 1 .
1
El segundo vector propio se obtiene de la misma manera, sustituyendo 2 queda
2 4 1 6 1 0
[ ] [ ] = [ ][ ] = [ ]
6 2 + 3 6 1 0
De donde el vector
2 es
xxx
1 1
2 = [ 6 ] = [ 6]
1
Si = 6
1
2 = [ ]
6
Se puede verificar que
2 = 2 .
2
Ejemplo 2.
1 2
Sea una matriz = [ ] determinar sus valores y vectores propios con ayuda de
2 1
Matlab.
Ingresamos nuestra matriz de 2x2 en Matlab
() = 2 2 3
Ahora resolvemos la ecuacin cuadrtica anterior y obtenemos nuestros valores propios
o eigenvalores.
1 = 3, 2 = 1
Otra forma de poderlos obtener sera con el comando ().
xxxi
Por ultimo para obtener los eigenvectores usamos el comando [, ] = (), la cual
nos devuelve una matriz x y una matriz diagonal d, con la condicin de que = .
Ejemplo 3.
2 1 0
Sea una matriz = 1 2 1 determinar sus valores y vectores propios.
0 1 2
Ingresamos nuestra matriz en Matlab
xxxii
1 = 0.5858, 2 = 2, 3 = 3.4142
Por ultimo para obtener los eigenvectores usamos el comando [, ] = (), la cual
nos devuelve una matriz x y una matriz diagonal d, con la condicin de que = .
0.5
0.7071
2 = 0
0.7071
0.5
3 = 0.7071
0.5
xxxii
i
Mtodo de Diferencias Finitas
xxxi
v
Los mtodos resultantes reciben el nombre de mtodos de diferencias finitas. Las
aplicaciones habituales de los mtodos de diferencias finitas son en los campos de la
computacin y reas de la ingeniera como ingeniera trmica o mecnica de fluidos.
xxxv
Mtodo mnimo cuadrado
Se usa para buscar valores desconocidos usando como referencia otras muestras del
mismo evento. El mtodo consiste en acercar una lnea o una curva, segn se escoja, lo
ms posible a los puntos determinados por la coordenada [x, f(x)], que normalmente
corresponden a muestras de algn experimento.
El ejemplo ms simple de una aproximacin por mnimos cuadrados es adjuntar
una lnea recta a un conjunto de observaciones definidas por puntos : (x1, y1), (x2, y2), ,
(xn, yn). La expresin matemtica para la lnea recta es = 0 + 1 + . Donde a0 y
a1 son coeficientes que representan la interseccin con el eje y y la pendiente,
respectivamente, e es el error, o diferencia, entre el modelo y las observaciones, el cual
se representa al reordenar la ecuacin como: = 0 1 as el error residuo es la
discrepancia entre el valor verdadero de y y el valor aproximado de 0 + 1 , que redijo
la ecuacin lineal.
Ejemplo 1
//Algoritmo para regresin lineal
Sumx = 0: sumxy = 0: st = 0
Sumy = 0: sumx2 = 0: sr = 0
DOFOR I = |, n
Sumx = sumx + xi
Sumy = sumy + yi
END DO
xm = sumx/n
ym = sumy/n
a0 = ym a1*xm
DOFOR I = 1, n
St = st + (yi ym)2
END DO
xxxv
i
R2 = (st sr)/st
END Regress
Ejemplo 2
//Algoritmo para encontrar los elementos de las ecuaciones normales ne la
regresin polinomial.
DOFOR i = 1, order + 1
DOFOR j = 1, i
K = I + j -2
Sum = 0
DOFOR e = 1, n
END DO
Ai,j = sum
Aj,I = sum
END DO
Sum = 0
DOFOR e = 1, n
END DO
END DO
Ejemplo 3
// ALgoritmo para establecer los elementos de la ecuaciones normales en la
regresin mltiple.
DOFOR i = 1, order + 1
DOFOR j = 1, i
Sum = 0
DOFOR e = 1, n
END DO
Ai,j = sum
Aj,I = sum
END DO
Sum = 0
xxxv
ii
DOFOR e = 1, n
END DO
Ai,order+2 = sum
END DO
xxxv
iii
Aplicaciones
Los mtodos numricos tambin pueden ser utilizados para estudiar el comportamiento
de estructuras que son fabricadas en serie. Un ejemplo tpico de esta aplicacin es el
modelado numrico de casas habitacin de inters social. En este caso es muy
importante hacer el modelado integral de la estructura, para ver su comportamiento como
un todo y poder tomar acciones tanto de diseo como posibles reparaciones cuando
sufre dao en condiciones de servicio.
Tambin es posible hacer la simulacin numrica entre dos slidos, cada uno de
ellos con un comportamiento diferente. Un ejemplo tpico es la interaccin entre una
cimentacin y el suelo sobre el que se apoya. El objetivo es determinar la mxima
capacidad de carga que puede soportar el suelo en condiciones de servicio.
En ocasiones es muy importante hacer el anlisis de estructuras que fueron
construidas hace muchos aos. Estas estructuras pueden tener ya daos estructurales
y es muy importante poder predecir si la estructura es estable o bien si requiere algn
tipo de reparacin.
xxxix
La integracin de todos estos modelos computacionales, que estn fuertemente
ligados a la aplicacin de los mtodos numricos, estn permitiendo concebir la
denominada fabrica virtual, que permitir optimizar todo el ciclo productivo.
xl
Conclusin
Como se pudo observar, dadas a las diferentes metodologas que se fueron mostrando
pudimos lograr comprender los casos en los cuales podemos aplicar dichos mtodos sin
tener que ests complicndose las situaciones que se presenten.
Por otra parte, tras esto llegamos a un desenlace impresionante de cierta manera,
puesto que comprendamos las adversidades y algunas aplicaciones de algunos
mtodos, pero principalmente lo que conllev a la exaltacin fueron las aplicaciones que
actan en el rea que nos estamos desarrollando. Un ingeniero mecatrnico debe tener
presente esto y ms para poder llevar a cabo distintas labores como lo es en el caso de
la mecnica de fluidos. Pudiera ser desde lo ms simple a lo ms complicado.
Como conclusin podemos decir que tras traer estos temas a nuestras manos pudimos
comprender lo que realmente conlleva un pequeo mtodo, del cual puede ser
completamente complejo, pero a su vez fcil de aplicar, puesto que uno conlleva otro y
si uno no puede ser resuelto o atrae un erro, podemos usar otro para solucionar el error
y sacar adelante lo que se trata de analizar.
xli
Bibliografa
Arias Milton, C. G. (Agosto de 30 de 2017). Numerictron. Obtenido de
https://sites.google.com/site/numerictron/
Arias Puon Milton Mauro, C. H. (30 de Agosto de 2017). Numerictron. Obtenido de
https://sites.google.com/site/numerictron/
Arias Puon Milton Mauro, C. H. (Desconocido).
https://sites.google.com/site/numerictron/. (Instituto Tecnologico de Tuxtla
Gutierrez) Recuperado el 30 de 2017
Chapra, S. C., & Canale, R. P. (2007). Mtodos nmericos para ingeniera. Ciudad de
Mxico: McGraw-Hill Interamericana.
Chapra, S., & Canale, R. (2007). Mtodos nmericos para ingenieros. D.F.: McGraw-Hill
Interamericana.
Ed. J.H Mathews, K.D. Fink. (s.f.). Mtodos numricos con MATLAB 3 Ed.
Nordeste, U. N. (Agosto de 30 de 2017). Facultad de Ingeniera. Obtenido de
http://ing.unne.edu.ar/pub/informatica/Alg_diag.pdf
Witenberg, P. (1976). Mtodos y Modelos de Investigacin de operaciones.
xlii