Métodos Numéricos

CURSO DE MÉTODOS NUMÉRICOS
Por: Ramiro Puch Terán

INTRODUCCIÓN
 Métodos numéricos  Resolución Probl. Matemát.  Oper. Aritm.
 MODELO MATEMÁTICO SIMPLE
 Formulación / ecuación  características esenciales  sistema físico / proceso  términos matemáticos
 Variable dependiente = f (variables independientes, parámetros, funciones de fuerza)
 Proceso de solución de problemas en ingeniería
Definición
del problema
TEORIA
Modelo DATOS
matemático
Herramientas para resolver problemas: computadoras,
estadística, métodos numéricos, gráficas, etcétera.
Resultados
numéricos
o gráficos
Optimización, comunicación, interacción
Instauración
2
MÉTODOS NUMÉRICOS
INTRODUCCIÓN
EL ALGORITMO
 El Algoritmo  Representación simbólica  diagramas de flujo / seudocódigo
 Diagrama de flujo  Representación visual / gráfica  cajas o bloques y flechas
 Seudocódigo  Expresiones semejantes a las del código
 Representación lógica
 Secuencia  código debe realizarse instrucción por instrucción
 Instrucción1
 Instrucción2
 Instrucción3
 Instrucción4
 Selección  proceso para dividir el flujo del programa en ramas
IF/THEN/ELSE CASE (Selecciona o Desvía)
Alternativa doble SELECT CASE Expresión de

prueba
Alternativa simple CASE Valor1
IF condición THEN Bloque1
IF condición THEN Bloque verdadero CASE Valor2
Bloque verdadero ELSE Bloque2
CASE Valor3
ENDIF Bloque falso Bloque3
ENDIF CASE ELSE
Bloque4
END SELECT
3
MÉTODOS NUMÉRICOS
INTRODUCCIÓN
EL ALGORITMO  Representación lógica
 Repetición  instrucciones repetidamente  loops o ciclos
 L oop de interrupción  realiza repeticiones hasta que una condición lógica resulte verdadera
DOEXIT DOFOR
DO
Bloque1 DOFOR i = inicio, fin,incremento
IF condición EXIT Bloque1
Bloque2 ENDDO
ENDDO
4
MÉTODOS NUMÉRICOS
INTRODUCCIÓN
EJEMPLO 1  Algoritmo para las raíces de la ecuación cuadrática
 Planteamiento del problema. Las raíces de una ecuación cuadrática
ax2 + bx + c = 0
 se determinan mediante la fórmula cuadrática,
 Desarrolle un algoritmo que haga lo siguiente:

 Paso 1: Pida al usuario los coeficientes a, b y c.
 Paso 2: Realice las operaciones de la fórmula cuadrática previendo todas las eventualidades
(como, por ejemplo, evitar la división entre cero y permitir raíces complejas).
 Paso 3: Dé la solución, es decir, los valores de x.
 Paso 4: Dé al usuario la opción de volver al paso 1 y repetir el proceso.
 Solución
DO
INPUT a, b, c
r1 = (-b + SQRT (b2 - 4ac))/(2a)
r2 = (-b - SQRT (b2 - 4ac))/(2a)
DISPLAY r1, r2
DISPLAY „¿Repetir? Conteste sí o no‟
INPUT respuesta
IF respuesta = „no‟ EXIT
ENDDO
5
MÉTODOS NUMÉRICOS
INTRODUCCIÓN
EJEMPLO 1 Algoritmo para las raíces de la ecuación cuadrática
 Solución completa
DO
INPUT a, b, c
r1 = 0: r2 = 0: i1 = 0: i2 = 0
IF a = 0 THEN
IF b ≠ 0 THEN
r1 = –c/b
ELSE
DISPLAY “Solución trivial”
ENDIF
ELSE
discr = b2 – 4 * a * c
IF discr ≥ 0 THEN
r1 = (–b + Sqrt(discr))/(2 * a)
r2 = (–b – Sqrt(discr))/(2 * a)
ELSE
r1 = –b/(2 * a)
r2 = r1
i1 = Sqrt(Abs(discr))/(2 * a)
i2 = –r1
ENDIF
ENDIF
DISPLAY r1, r2, i1, i2
DISPLAY „¿Repetir? Conteste sí o no‟
INPUT respuesta
IF respuesta = „no‟ EXIT
ENDDO
6
MÉTODOS NUMÉRICOS
INTRODUCCIÓN
LA PRESENCIA DE ERROR
 Definiciones de error 
 Error verdadero  Et = valor verdadero – valor aproximado
 Error relativo porcentual verdadero  εt = valor verdadero – valor aproximado *100%

valor verdadero
 Error relativo porcentual aproximado  εa = aproximación presente – aproximación anterior *100%

aproximación presente
 Criterio de paro  Terminar los cálculos cuando

|εa | < εs
donde εs es el error relativo porcentual deseado
Porcentaje de error deseado  número de cifras significativas

εs = (0.5 × 102–n)%
donde n = número de cifras significativas
7
MÉTODOS NUMÉRICOS
INTRODUCCIÓN
LA PRESENCIA DE ERROR
 EJEMPLO 2  Cálculo de la función exponencial con tres cifras significativas
Función exponencial
 Criterio de error  n = 3  εs = (0.5 × 102–3)%  εs = 0.05%

 Estimar el valor de e0.5
Valor real  e0.5 = 1.648721…
 SOLUCIÓN:
 Primera aproximación  e0.5 = 1 + 0.5 = 1.5
error relativo porcentual verdadero 
estimación aproximada del error 
 Puesto que no cumple  |εa | < εs  Se van agregando términos de la serie

TABLA DE APROXIMACIONES
Términos Resultado εt (%) εa (%)
1 1 39.3
2 1.5 9.02 33.3
3 1.625 1.44 7.69
4 1.645833333 0.175 1.27
5 1.648437500 0.0172 0.158
6 1.648697917 0.00142 0.0158
8
MÉTODOS NUMÉRICOS
RESOLUCIÓN DE ECUACIONES NO LINEALES
MÉTODO DE PUNTO FIJO
 MÉTODO DE PUNTO FIJO  fórmula para predecir la raíz  iteración simple de
punto fijo
Resolución de ecuaciones f(x) = 0  Arreglo que permita replantear  x = g(x)
 fórmula para predecir un nuevo valor de x  fórmula iterativa xi+1 = g(xi)
 error aproximado de esta ecuación 
EJEMPLO 3 Hallar la raíz de f(x) = e–x – x

SOLUCIÓN La función se puede separar directamente  xi+1 = e–xi
Empezando con un valor inicial x0 = 0  cálculo iterativo 
i xi ea (%) et (%)
0 0 100.0
1 1.000000 100.0 76.3
2 0.367879 171.8 35.1
3 0.692201 46.9 22.1
9 0.571143 1.93 0.705

10 0.564879 1.11 0.399
Convergencia  lenta
9
MÉTODOS NUMÉRICOS
MÉTODO DE PUNTO FIJO
EJEMPLO 4 Encuentre una aproximación a una raíz real de la ecuación: cos x – 3x = 0
Es decir: f(x) = cos x – 3x
SOLUCIÓN Dos posibilidades de g(x) = x son 
(a) xi+1 = cos xi – 2xi (b) xi+1 = = cos xi /3
Empezando en (b) con un valor inicial x0 = π/8  cálculo iterativo 
i xi g(xi ) f(xi )
0 π/8 0.30796 0.25422
1 0.30796 0.31765 0.02907
2 0.31765 0.31666 0.00298
3 0.31666 0.31676 0.00031
4 0.31676 0.31675 0.00003
Convergencia  rápida
10
MÉTODOS NUMÉRICOS
MÉTODO DE NEWTON-RAPHSON
MÉTODO DE NEWTON-RAPHSON  Aproximación trazando tangentes a la función f(x) a partir
de un punto inicial [x0 , f(x0)]
NEWTON-RAPHSON  A partir de interpretación geométrica
La primera derivada en x 
Se reduce a 
EJEMPLO 4 Utilice el método de Newton-Raphson para calcular la raíz de f(x) = e–x – x

valor inicial x0 = 0
SOLUCIÓN. La primera derivada de la función  ƒ′(x) = –e–x – 1
Sustituyendo en la ecuación 
Empezando con un valor inicial x0 = 0 

i xi et (%)
0 0 100
1 0.500000000 11.8
2 0.566311003 0.147
3 0.567143165 0.0000220
4 0.567143290 < 10–8
11
MÉTODOS NUMÉRICOS
RESOLUCIÓN DE ECUACIONES LINEALES
DEFINICIONES
SISTEMAS DE ECUACIONES LINEALES  determinación de los valores x1, x2, …, xn que
satisfacen el sistema:
f1 (x1, x2, …, xn) = 0
f2 (x1, x2, …, xn) = 0
··············
fn (x1, x2, …, xn) = 0
GENERALIZACIÓN  ecuaciones algebraicas lineales  forma general

a11x1 + a12x2 + ··· + a1nxn = b1
a21x1 + a22x2 + ··· + a2nxn = b2
··············
an1x1 + an2x2 + ··· + annxn = bn
12
MÉTODOS NUMÉRICOS
NOTACIÓN MATRICIAL
NOTACIÓN MATRICIAL  arreglo rectangular de elementos  aij designa un elemento individual
de la matriz
Definiciones: - al conjunto horizontal de elementos se llama un renglón (o fila)
- a uno vertical, columna
- primer subíndice i  número del renglón
- segundo subíndice j  número de la columna
Matriz  n renglones y m columnas
Dimensión (o tamaño)  n × m  n = Nº de renglones, m = Nº de columnas
Representación:
a11 a12 a13 …….. a1m
a21 a22 a23 a2m
[A] = :::::
:::::
an1 an2 an3 anm
Reglas matriciales:
 [A] = [B] si aij = bij para todo i y j.
 la suma y la resta sólo pueden realizarse entre matrices que tengan las mismas dimensiones
 La suma es conmutativa  [A] + [B] = [B] + [A]
 La suma es asociativa  ([A] + [B]) + [C] = [A] + ([B] + [C])
13
MÉTODOS NUMÉRICOS
NOTACIÓN MATRICIAL (continuación 1)
 El producto de dos matrices se representa como  [C] = [A][B]
 Condición para el producto  la primera matriz debe tener tantas columnas como el número de
renglones tiene la segunda
 Resultado  elementos de la matriz [C] 
donde n = la dimensión columnas de [A] = la dimensión renglones de [B]

Ejemplo: si [A]nm y [B]mp  [C]np
Particularidades:
 Con dimensiones adecuadas  producto de matrices asociativa  ([A][B])[C] = [A]([B][C])
 Producto de matrices distributiva  [A]([B] + [C]) = [A][B] + [A][C]
 Generalmente NO conmutativa  [A][B] ≠ [B][A]
 Si una matriz [A] es cuadrada y no singular, existe otra matriz [A]–1, llamada la inversa de [A],
para la cual
[A][A]–1 = [A]–1[A] = [I]
Donde [I] es la Matriz Identidad  Ej:
1 0 0
[I] = 0 1 0
0 0 1
14
MÉTODOS NUMÉRICOS
NOTACIÓN MATRICIAL (continuación 2)
 Inversa de una matriz cuadrada bidimensional
a11 a12 a22 -a12
[A] = [A]-1 =
a21 a22 -a21 a11
 Representación de ecuaciones algebraicas lineales en forma matricial  Dado el

sistema:
a11x1 + a12x2 + ··· + a1nxn = b1
a21x1 + a22x2 + ··· + a2nxn = b2
··············
 La forma matricial se representa como  [A]{X} = {B}
 {B} es el vector columna n x 1 de las constantes  {B}T = { b1 b2 ··· bn}
 {X} es el vector columna n x 1 de las incógnitas  {X}T = { x1 x2 ··· xn
 Por tanto: a11 a12 a13 …….. a1n
a21 a22 a23 a2n
:::::
:::::  SOLUCIÓN [A]–1[A]{X} = [A]–1{B}
an1 an2 an3 ann  {X} = [A]–1{B}
15
MÉTODOS NUMÉRICOS
MÉTODO DE ELIMINACIÓN
 MÉTODO DE ELIMINACIÓN
 Eliminación de incógnitas  combinación de ecuaciones
a11x1 + a12x2 = b1
a21x1 + a22x2 = b2
 Solución  multiplicar las ecuaciones por constantes
a11 a21x1 + a12 a21x2 = b1a21
a21 a11 x1 + a22 a11 x2 = b2 a11
 Realizar una resta de ecuaciones  a11 a22 x2 - a12 a21x2 = b2 a11 - b1a21
 Despejando x2
 Sustituyendo y despejando x1
 Resultado que se obtiene también por la Regla de Cramer
16
MÉTODOS NUMÉRICOS
MÉTODO DE ELIMINACIÓN (continuación 1)
 EJEMPLO 4 Resolución por eliminación
3x1 + 2x2 = 18 (1)
–x1 + 2x2 = 2 (2)
Solución:
Planteamiento del Algoritmo  Práctica
17
MÉTODOS NUMÉRICOS
MÉTODO DE ELIMINACIÓN DE GAUSS
 MÉTODO DE ELIMINACIÓN DE GAUSS  algoritmo para eliminar incógnitas y
sustituir hacia atrás
Dado el sistema:
a11x1 + a12x2 + ··· + a1nxn = b1 (G.1)
a21x1 + a22x2 + ··· + a2nxn = b2 (G.2)
··············
an1x1 + an2x2 + ··· + annxn = bn (G.n)
Procedimiento Reducir el conjunto de ecuaciones a un sistema triangular superior
 Paso 1  eliminar la primera incógnita, x1  a partir de la ecuación (G.2)
 multiplicar la ecuación (G.1) por a21/a11
 restar la ecuación (G.2) de la G.1
 obtener un nuevo grupo de coeficientes a’ij en la ecuación (G.2)
a′22 x2 + .......... + a′ 2n x2 = b′2  nótese que el término a21x1 se elimina
 Paso 2  realizar el mismo procedimiento con las siguientes ecuaciones
 Paso 3  obtener un nuevo sistema modificado
 a11x1 + a12x2 + a13x3 + ··· + a1nxn = b1
a′22x2 + a′23x3 + ··· + a′2nxn = b′2
a′32x2 + a′33x3 + ··· + a′3nxn = b′3
 ··
a′n2x2 + a′n3x3 + · · · + a′nnxn = b′n
18
MÉTODOS NUMÉRICOS
MÉTODO DE ELIMINACIÓN DE GAUSS (continuación 1)
 Paso 4  el procedimiento continúa hasta eliminar el término xn-1 en la modificación n-1
 a11x1 + a12x2 + a13x3 + ··· + a1nxn = b1
a′22x2 + a′23x3 + ··· + a′2nxn = b′2
a”33x3 + ··· + a”3nxn = b”3
 ··
 + a(n-1)nnxn = b(n-1)n
 Paso 5  Sustitución hacia atrás  despejar xn de la última ecuación
 Paso 6  continuar las sustituciones y despejes de los términos xi hasta llegar a x1
19
MÉTODOS NUMÉRICOS
MÉTODO DE ELIMINACIÓN DE GAUSS (continuación 2)
 Algoritmo  Seudocódigo
 variable temporal sum para acumular la sumatoria
Eliminación hacia adelante
 a) DOFOR k = 1, n — 1
DOFOR i = k + 1, n
factor = ai,k / ak,k
DOFOR j = k + 1 to n
ai,j = ai,j — factor · ak,j
END DO
bi = bi — factor · bk
END DO
 END DO
Sustitución hacia atrás
 b) xn = bn / an,n
DOFOR i = n — 1, 1, —1
sum = bi
DOFOR j = i + 1, n
sum = sum – ai,j · xj
END DO
xi = sum / ai,i
END DO
20
MÉTODOS NUMÉRICOS
MÉTODO DE ELIMINACIÓN DE GAUSS - JORDAN
 MÉTODO DE ELIMINACIÓN DE GAUSS - JORDAN  algoritmo para eliminar incógnitas y
normalizar los coeficientes de la diagonal principal
 Todos los renglones se normalizan al dividirlos entre su elemento pivote
 Eliminación hasta obtener la matriz identidad
Dado el sistema:
a11x1 + a12x2 + ··· + a1nxn = b1 (G.1)
a21x1 + a22x2 + ··· + a2nxn = b2 (G.2)
··············
an1x1 + an2x2 + ··· + annxn = bn (G.n)
Procedimiento  Operar sobre la matriz aumentada  Reducir la matriz a una matriz identidad
a 1 1 a 12 a13 …….. a1n 1 0 0 …….. 0 b’1

a 2 1 a 22 a23 a2n 0 1 0 0 b’2
::::: ::::: ::::
::::: :::::
a n 1 a n2 an3 ann 0 0 0 1 b’n
Las constantes bi  n transformaciones hasta convertirse en b’i  solución del sistema

 x1 = b’1 , x2 = b’2 ……., xn = b’n
21
MÉTODOS NUMÉRICOS
MÉTODO DE ELIMINACIÓN DE GAUSS – JORDAN (Continuación)
 EJEMPLO 5 Resolución por eliminación  sistema a resolver:
3x1 - 0.1x2 - 0.2x3 = 7.85 (1)
0.1x1 + 7x2 - 0.3x3 = - 19.3 (2)
0.3x1 - 0.2x2 + 10x3 = 71.4 (3)
Solución: expresar la matriz aumentada como se muestra:
3 - 0.1 - 0.2 7.85
0.1 7 - 0.3 - 19.3
0.3 - 0.2 10 71.4
 Normalizar primer renglón: Eliminar x1 del 2do y 3er renglones:
1 - 0.0333333 - 0.066667 2.61667 1 - 0.033333 - 0.066667 2.61667
0.1 7 - 0.3 - 19.3 0 7.00333 - 0.29333 - 19.5617
0.3 - 0.2 10 71.4 0 - 0.19000 10.0200 70.6150
Normalizar 2do renglón: Reducir x2 de los renglones 1ro y 3er:

1 - 0.033333 - 0.066667 2.61667 1 0 - 0.068062 2.52356
0 1 - 0.041884 - 2.79320 0 1 - 0.041884 - 2.79320
0 - 0.19000 10.0200 70.6150 0 0 10.01200 70.0843
22
MÉTODOS NUMÉRICOS
MÉTODO DE ELIMINACIÓN DE GAUSS – JORDAN (Continuación)
 EJEMPLO 5 (continuación)  sistema reducido:
Normalizar 3er renglón para x3 : x3 se elimina en los renglones 1ro y 2do:
1 0 - 0.068062 2.52356 1 0 0 3.00000
0 1 - 0.041884 - 2.79320 0 1 0 - 2.50001
0 0 1 7.00003 0 0 1 7.00003
Por tanto  x1 = 3.00000 x2 = - 2.50001 x3 = 7.00003
23
MÉTODOS NUMÉRICOS
MÉTODO DE DESCOMPOSICIÓN LU
 MÉTODO DE DESCOMPOSICIÓN LU  algoritmo basado en la descomposición
de la matriz de coeficientes [A]  [U] y [L]
Dado el sistema:
a11x1 + a12x2 + ··· + a1nxn = b1 (LU.1)
a21x1 + a22x2 + ··· + a2nxn = b2
··············
Representación  [A] {X} = {B}  solución  {X} = [A]-1{B}
Podemos re-escribir la anterior ecuación  [A] {X} - {B} = 0 (LU.2)
Supongamos que puede realizarse la transformación  similar a la reducción de Gauss, que sea
igual a (LU.2) o sea:
(LU.3)
=
Esta expresión matricial puede reordenarse de la forma  [U] {X} – {D} = 0 (LU.4)
24
MÉTODOS NUMÉRICOS
MÉTODO DE DESCOMPOSICIÓN LU (Continuación 1)
Supongamos que existe una matriz diagonal inferior [L] :
 que tiene la propiedad de que cuando se premultiplica por (LU.4) da como

resultado [A]{X} – {B}
Es decir  [L] {[U]{X} – {D}} = [A]{X} – {B}
Si esta ecuación es cierta  [L][U] = [A] y [L]{D} = {B}
Aplicando la eliminación de Gauss en el sistema (LU.1) 
[U] =
la matriz [L] se produce durante este proceso
 Gauss 1er paso   elimina en el 2do renglón
 Gauss 2do paso   elimina en el 3er renglón

25
MÉTODOS NUMÉRICOS
 Gauss 3er paso   elimina en el 3er renglón (matriz con 1ª modificación
 luego de la eliminación podemos reescribir la matriz [A] 
almacenamiento eficiente de la descomposición LU  [A] → [L][U]
Donde:
[U] = [L] =
Seudocódigo  subrutina fase de descomposición:

 SUB Decompose (a, n)
DOFOR k = 1, n – 1
DOFOR i = k + 1, n
factor = ai,k /ak,k
ai,k = factor
DOFOR j = k + 1, n
ai,j = ai,j - factor * ak,j
END DO
END DO
END DO
END Decompose
26 MÉTODOS NUMÉRICOS
Conclusión  luego de la descomposición [A] → [L][U]  solución para un vector particular {B}
 [L]{D} = {B}  sustitución hacia adelante obteniendo di sin alterar los bi
 finalmente la sustitución hacia atrás utilizando los coeficientes di  xn = dn/ann
EJEMPLO 6 Resolución del sistema anterior:
3x1 - 0.1x2 - 0.2x3 = 7.85 (1)
0.1x1 + 7x2 - 0.3x3 = - 19.3 (2)
0.3x1 - 0.2x2 + 10x3 = 71.4 (3)
Empezamos por obtener [U] (del ejemplo 5)
3 - 0.1 - 0.2 3 - 0.1 - 0.2 x1 7.85
[U] = 0 7.00333 0.293333  0 7.00333 0.293333 x2 = -19.5617
0 0 10.0120 0 0 10.0120 x3 70.0843
Para la sustitución hacia adelante:
1 0 0 1 0 0 d1 7.85
[L] = 0.0333333 1 0  0.0333333 1 0 d2 = -19.3
0.100000 -0.027130 1 0.100000 -0.027130 1 d3 71.4
Resolviendo para di igualando,
d1 = 7.85
0.0333333d1 + d2 = –19.3
0.1d1 – 0.02713d2 + d3 = 71.4
Obtenemos entonces [D] y reemplazamos en (LU.3)
De donde:
3 -0.1 -0.2 x1 7.85
=  0 7.0333 -0.29333 x2 = -19.5617
0 0 10.0120 x3 70.0843
Resultando finalmente:
3
[X] = -2.5
7.00003
Seudocódigo de una subrutina para implementar ambas fases de sustitución
 SUB Substitute (a, n, b, x)
‘sustitución hacia adelante
DOFOR i = 2, n
sum = bi
DOFOR j = 1, i – 1
sum = sum – ai,j * bj
END DO
bi = sum
END DO
 ‘sustitución hacia atrás
xn = bn /an,n
DOFOR i = n – 1, 1, –1
sum = 0
DOFOR j = i + 1, n
sum = sum + ai,j * xj
END DO
xi = (bi – sum)/ai,i
END D0
END Substitute
MÉTODO DE GAUSS-SEIDEL
 MÉTODO DE GAUSS-SEIDEL  métodos iterativos  suponer un valor (valor inicial)  iterar 
aproximación de la raiz
Sea un sistema  [A]{X} = {B}
Partiendo de un sistema de 3 ecuaciones  diagonal ≠ 0  existen los coeficientes aii
La primera ecuación puede resolver para x1, la segunda para x2 y la tercera para x3
Suposición inicial  x2 = 0 y x3 = 0  sustituir en x1  este valor sustituir en x2 con x3 = 0  los

nuevos valores sustituir en x3 (primera iteración)
Los nuevos valores de x2 y x3 se reemplazan en x1  se inicia otro proceso iterativo  converger
hacia las raices del sistema
 Verificación de la convergencia  error relativo porcentual
MÉTODO DE GAUSS-SEIDEL (Continuación 1)
EJEMPLO 7 Resolución del sistema del ejemplo 5:
3x1 - 0.1x2 - 0.2x3 = 7.85 (1)
0.1x1 + 7x2 - 0.3x3 = - 19.3 (2)
0.3x1 - 0.2x2 + 10x3 = 71.4 (3)
Recordando que la solución es: x1 = 3, x2 = –2.5 y x3 = 7
Representando las ecuaciones solución para x1, x2 y x3
Suponiendo x2 y x3 iguales a 0 
Aplicando este resultado y x3 = 0 
Luego sustituyendo x1, y x2 en x3 
EJEMPLO 7 (continuación):
En la segunda iteración se repite el proceso  dando el siguiente resultado:
|ɛt| = 0.31%
|ɛt| = 0.015%
|ɛt| = 0.0042%
Método  convergente, sin embargo la convergencia debe evaluarse utilizando:
Para x1 
Para x2 y x3, los errores estimados son |ɛa,2| = 11.8% y |ɛa,3| = 0.076%.
Algoritmo para el método de Gauss-Seidel  dos características:
1. Existe un conjunto inicial de ciclos anidados para dividir cada ecuación por su elemento diagonal
2. La verificación del error se designa por una variable llamada centinela (sentinel)
SUBROUTINE Gseid (a, b, n, x, imax, es, lambda) DOFOR
DOFOR i = 1,n centinela = 1
dummy = ai,i DOFOR i = 1,n
DOFOR j = 1,n old = xi
ai,j = ai,j/dummy sum = bi
END DO DOFOR j = 1,n
bi = bi/dummy IF i≠j THEN sum = sum – ai,j*xj
END DO END DO
DOFOR i = 1, n xi = lambda*sum +(1.–lambda)*old
sum = bi IF centinela = 1 AND xi ≠ 0. THEN
DOFOR j = 1, n ea = ABS((xi – old)/xi)*100.
IF i≠j THEN sum = sum – ai,j*xj IF ea > es THEN centinela = 0
END DO END lF
xi=sum END DO
END DO iter = iter + 1
iter=1 IF centinela = 1 OR (iter ≥ imax) EXIT
END DO
END Gseid
DIFERENCIAS FINITAS
DIFERENCIAS FINITAS
 Definiciones Dada la función  y = f(x) que puede discretizarse a la forma yi = f(xi)
se definen tres tipos de diferencias finitas  siendo h = constante
1. Diferencia progresiva  ∆f(x) = f(x+h) - f(x)  ∆y
2. Diferencia regresiva  ▼f(x)= f(x) - f(x-h)  ▼y
3. Diferencia central  ◊(f)(x) = f(x+ ½h) - f(x - ½ h)  ◊y
 Para la forma discreta tenemos
a) Diferencia progresiva  ∆yk = f(xk + h) - f(xk) = f(xk+1) - f(xk) = yk+1 - yk = ∆1yk  1er orden
Órdenes superiores  ∆2yk = ∆(∆(yk)) = ∆(yk+1 - yk) = ∆yk+1 - ∆yk  2do orden
o sea: ∆2yk = ∆(yk+1 - yk ) = ∆yk+1 - ∆yk = yk+2 – yk+1 - (yk+1 – yk) =
= yk+2 – 2yk+1 + yk
b) Diferencia regresiva  ▼yk = f(xk) - f(xk – h) = f(xk) - f(xk-1) = yk – yk-1 = ▼1yk  1er orden
Órdenes superiores  ▼2yk = ▼(▼(yk)) = ▼(yk – yk-1) = ▼yk - ▼yk-1  2do orden
o sea: ▼2yk = ▼(yk – yk-1 ) = ▼yk - ∆yk-1 = yk – yk-1 - (yk-1 – yk-2) =
= yk – 2yk-1 + yk-2
si obtenemos ▼2yk+2  ▼2yk+2 = yk+2 – 2yk+1 + yk  se comprueba:
∆2yk = ▼2yk+2
en general se cumple  ∆myk = ▼myk+m
DIFERENCIAS FINITAS
DIFERENCIAS FINITAS (continuación 1)
 Particularidades:
Términos base  ∆0yk = yk , ▼0yk = yk
Términos mésimos  ∆myk = ∆ (∆m-1yk ), ▼myk = ▼(▼m-1yk )
Equivalencia  ∆myk = ▼myk+m
Expresión del término nésimo 
Tabla de diferencias finitas (Diferencias progresivas)

x y ∆y ∆𝟐 y ∆𝟑 y ∆𝟒 y ∆𝟓 y ∆𝟔 y
x0 y0
∆y0
x1 y1 ∆2 y0
∆y1 ∆3 y0
x2 y2 ∆2 y1 ∆4 y0
∆y2 ∆3 y1 ∆5 y0
2 4
x3 y3 ∆ y2 ∆ y1 ∆6 y0
∆y3 ∆3 y2 ∆5 y1
2 4
x4 y4 ∆ y3 ∆ y2
3
∆y4 ∆ y3
2
x5 y5 ∆ y4
∆y5
x6 Y6
DIFERENCIAS FINITAS
 Fórmula de NEWTON en diferencias finitas progresivas:
Partimos de las siguientes definiciones:
 xi+1 – xi = h  h = constante para todo i  xi+1 = xi + h, en consecuencia
  xi = x0 + i*h, con i = 0, 1, 2, ……, n
 Forma general de los polinomios de interpolación de Newton
 fn(x) = b0 + b1(x – x0) + · · · + bn(x – x0)(x – x1)· · ·(x – xn–1)  para n+1 puntos
 Es decir [x0, f(x0)], [x1, f(x1)],..., [xn, f(xn)]
 Usamos las siguientes ecuaciones para hallar los coeficientes bi
 b0 = f(x0)
 b1 = f[x1, x0]
 b2 = f[x2, x1, x0]
 ·
 ·
 ·
 bn = f[xn, xn–1, · · ·, x1, x0]
 Las funciones entre corchetes representan diferencias divididas 
DIFERENCIAS FINITAS
 Polinomio de interpolación en diferencias divididas:
pn(x) = f[x0] + f[x0 , x1](x - x0) + f[x0 , x1 , x2] (x - x0) (x – x1) +…. + f[x0 , x1 , x2 …, xn] (x - x0) (x – x1) ..(x – xn-1)
Aplicando las diferencias finitas:
Reordenando la ecuación  introduciendo el cambio:
Obtenemos:
Sintetizando:
INTERPOLACIÓN POLINÓMICA
OPERADORES DE DIFERENCIA
 OPERADORES DE DIFERENCIA  Dada una función de variable independiente discreta f(xk)
xk f(xk)
x0 f(x0)
x1 f(x1)
x2 f(x2)
x3 f(x3)
……
xn f(xn)
Definimos las Diferencias Divididas de f(xk)  D1f(xk…), D2f(xk…), D3f(xk…),……, Dnf(xk…)
1er orden 
2do orden 
nmo orden 
Estas diferencias sirven para evaluar los coeficientes bi en la ecuación polinomial:

fn(x) = b0 + b1(x – x0) + · · · + bn(x – x0)(x – x1)· · ·(x – xn–1)
OPERADORES DE DIFERENCIA (Continuación 1)
 TABLA DE DIFERENCIAS DIVIDIDAS
 xk f(xk) D D2 D3
 x0 f(x0)
 f(x0, x1)
 x1 f(x1) f(x0, x1, x2)
 f(x1, x2) f(x0, x1, x2, x3)
 x2 f(x2) f(x1, x2, x3)
 f(x2, x3)
 x3 f(x3)
 EJEMPLO 8 Dada la función generatriz f(x) = x3, y la serie de valores de entrada x (con intervalos de
muestreo: x = 0, 1, 3, 4, 7, 9  Realizar una tabla de valores hasta la 4ta diferencia:
 SOLUCIÓN  Aplicando la fórmula de obtención de la iésima diferencia finita, o sea:
 EJEMPLO 8 (continuación) Realizando las operaciones:
 xk f(xk) D D2 D3 D4
 x0 = 0 f(x0)= 0
 1
 x1= 1 f(x1)= 1 4
 13 1
 x2= 3 f(x2)= 9 8 0
 37 1
 x3= 4 f(x3)= 64 14 0
 93 1
 x4= 7 f(x3)= 343 20
 193
 X5= 9 f(x3)= 729
 Definiciones del Operador Δ  f(xi)
1. Δf(xk) = f(xk+1) - f(xk)  Δfk == fk+1 - fk (Primera Diferencia)
2. Δ [Δ f(xk)] = Δ [f(xk+1) - f(xk)] = Δf(xk+1) - Δf(xk)  Δ2fk == Δ fk+1 - Δ fk (Segunda Diferencia)
3. Enésimas Diferencias de f  Δnfk = Δ[Δn-1fk] = Δn-1fk+1 - Δn-1fk
Propiedades del Operador Δ
 a) Δ(fk ± gk) = Δ(fk) ± Δ(gk)
 b) Δ(C.fk) = C.Δ(fk)
 c) Δm(Δn fk) = Δm+n fk  n,m enteros
 Operador Incremental E:
 E(f k) = E f(x k) = f(xk+h) = f(xk+1) = fk+1  h = xk+1 - xk
 E [E f(x k)] = E2 f(x k) = fk+2 = f(xk+2h)
 Equivalencias entre los Operadores Δ y E:
 Dos operadores operacionalmente equivalentes  misma función  mismo resultado.
 Δ f k = fk+1 - f k
 E f(x k) = f(x k+h) = fk+1, con h=1
 Δ f k = E f k - f k = (E-1) f k => Δ = (E-1)

Métodos Numéricos

Загружено:

Сведения о документе

Исходное описание:

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Métodos Numéricos

Загружено:

Авторское право:

Доступные форматы

CURSO DE MÉTODOS NUMÉRICOS

Por: Ramiro Puch Terán

Optimización, comunicación, interacción

Alternativa doble SELECT CASE Expresión de

 Desarrolle un algoritmo que haga lo siguiente:

 Error relativo porcentual verdadero  εt = valor verdadero – valor aproximado *100%

 Error relativo porcentual aproximado  εa = aproximación presente – aproximación anterior *100%

 Criterio de paro  Terminar los cálculos cuando

Porcentaje de error deseado  número de cifras significativas

 Criterio de error  n = 3  εs = (0.5 × 102–3)%  εs = 0.05%

estimación aproximada del error 

 Puesto que no cumple  |εa | < εs  Se van agregando términos de la serie

EJEMPLO 3 Hallar la raíz de f(x) = e–x – x

9 0.571143 1.93 0.705

EJEMPLO 4 Utilice el método de Newton-Raphson para calcular la raíz de f(x) = e–x – x

Empezando con un valor inicial x0 = 0 

GENERALIZACIÓN  ecuaciones algebraicas lineales  forma general

donde n = la dimensión columnas de [A] = la dimensión renglones de [B]

 Representación de ecuaciones algebraicas lineales en forma matricial  Dado el

 Resultado que se obtiene también por la Regla de Cramer

Planteamiento del Algoritmo  Práctica

 Paso 6  continuar las sustituciones y despejes de los términos xi hasta llegar a x1

a 1 1 a 12 a13 …….. a1n 1 0 0 …….. 0 b’1

Las constantes bi  n transformaciones hasta convertirse en b’i  solución del sistema

Normalizar 2do renglón: Reducir x2 de los renglones 1ro y 3er:

Por tanto  x1 = 3.00000 x2 = - 2.50001 x3 = 7.00003

 que tiene la propiedad de que cuando se premultiplica por (LU.4) da como

la matriz [L] se produce durante este proceso

 Gauss 1er paso   elimina en el 2do renglón

 Gauss 2do paso   elimina en el 3er renglón

almacenamiento eficiente de la descomposición LU  [A] → [L][U]

Seudocódigo  subrutina fase de descomposición:

Suposición inicial  x2 = 0 y x3 = 0  sustituir en x1  este valor sustituir en x2 con x3 = 0  los

Aplicando este resultado y x3 = 0 

Luego sustituyendo x1, y x2 en x3 

Método  convergente, sin embargo la convergencia debe evaluarse utilizando:

Tabla de diferencias finitas (Diferencias progresivas)

Reordenando la ecuación  introduciendo el cambio:

Estas diferencias sirven para evaluar los coeficientes bi en la ecuación polinomial:

 SOLUCIÓN  Aplicando la fórmula de obtención de la iésima diferencia finita, o sea:

Вам также может понравиться