Академический Документы
Профессиональный Документы
Культура Документы
2017
Métodos numéricos
14
Métodos numéricos Mayo de 2017
CONTENIDO
o Introducción………………………………………………………………2
o Objetivos………………………………………………………………….3
CAPITULO I
o Teoría de errores…………………………………………………………4
o Polinomio de Taylor……………………………………………………...17
CAPITULO II
o Solución de ecuaciones lineales……………………………………….24
Bisección…………………………………………………………26
Regla falsa……………………………………………………….31
Newton-Raphson………………………………………………..34
Secante…………………………………………………………..37
CAPÍTULO III
o Sistemas de ecuaciones no lineales…………………………………..43
o Sistemas de ecuaciones lineales………………………………………46
CAPÍTULO IV
o Interpolación
Por mínimos cuadrados…………………………………………51
Lagrange………………………………………………………….62
CAPÍTULO V
o Derivación numérica…………………………………………………….65
o Integración numérica……………………………………………………68
o Ecuaciones diferenciales……………………………………………….75
o Conclusiones y bibliografía…………………………………………….78
Métodos numéricos Mayo de 2017
INTRODUCCIÓN
OBJETIVOS
OBJETIVO GENERAL
Solucionar cualquier tipo de problema analítico, por medio de diversos métodos,
buscando la mayor exactitud y rapidez.
OBJETIVOS ESPECÍFICOS
Manejar los conceptos de error, exactitud, precisión, redondeo y la forma
de aproximar una función al polinomio de Taylor.
CAPÍTULO I
TEORÍA DE ERRORES
Calibración: 6,42 cm
T. Microm: 6,418 cm
Tipos de errores:
Sistemáticos: Debido a condiciones externas que afectan el instrumento
de medición, en general el fabricante debe brindar la magnitud y el signo
con que se afecta la medida.
Ejemplo: Una barra de hierro se mide tanto en Bogotá como en Girardot, pero
se debe tener en cuenta la temperatura de ambos sitios, ya que afectará la
medición:
Bogotá – 10°C
̅̅̅̅= 10 metros
𝐴𝐵
Girardot – 26°C
𝐴𝐵 = ̅̅̅̅̅
̅̅̅̅ 𝐴𝐵´ − Δx
Δx = Error sistemático
Accidentales: Se generan debido a las limitaciones del observador ( ser
humano o máquina) se comportan de forma aleatoria y se pueden modelar
bajo la teoría de la probabilidad.
Métodos numéricos Mayo de 2017
Depuración de datos
Distribución normal
Parametrización
̅
𝑿𝒊− 𝒙
𝒁𝒊 =
𝒔
𝒁𝒊
= 𝑁𝑜. 𝑑𝑒 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 𝑞𝑢𝑒 𝑒𝑠𝑡á ¨𝑋𝑖¨ 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖ó𝑛, 𝑐𝑜𝑛 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑜 𝑎 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎.
𝑿𝒊 = 𝐷𝑎𝑡𝑜 𝑢 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖ó𝑛.
∑𝑛𝑖=1 𝑋𝑖
̅=
𝑿 𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜.
𝑛
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)
𝑺= √ 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙.
𝑛−1
Ejemplo:
Métodos numéricos Mayo de 2017
𝛼 𝑠
𝑥̅ + 𝑡 2
∗ Límite superior
√𝑛
Valor real
𝛼 𝑠
𝑥̅ − 𝑡 2
∗ Límite inferior
√𝑛
Donde :
𝑥̅ : 𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑑𝑒𝑝𝑢𝑟𝑎𝑑𝑜𝑠 ′′𝐸𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝑝𝑢𝑛𝑡𝑢𝑎𝑙′′.
𝛼
𝑡
2
∶ 𝑉𝑎𝑙𝑜𝑟 𝑐𝑟í𝑡𝑖𝑐𝑜 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 ′′𝑡 ′′ 𝑑𝑒 𝑆𝑡𝑢𝑑𝑒𝑛𝑡, 𝑒𝑛 𝑢𝑛 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 ′′1
− 𝛼 ′′ , 𝑐𝑜𝑛 𝑣 = 𝑛 − 1 𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑.
𝑆 = 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟.
∝
= 𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎
𝑛 = 𝑁𝑜. 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠 𝑑𝑒𝑝𝑢𝑟𝑎𝑑𝑜𝑠.
𝛼 𝑠
𝑡 ∗ = 𝐸𝑟𝑟𝑜𝑟 𝑑𝑒 𝑒𝑠𝑡𝑖𝑚𝑎𝑐𝑖ó𝑛
2 √𝑛
Métodos numéricos Mayo de 2017
Representación gráfica
Ejemplo en Excel:
Métodos numéricos Mayo de 2017
EJERCICIOS:
En una clínica se midieron 10 veces la estatura de un paciente en m remitido a
urgencias, hallar el error de estimación. Se tuvo en cuenta un intervalo de
confianza de 0,95.
PROPAGACIÓN DE ERRORES
El modelo:
∑ 𝐹(𝑥)2 = 𝐺 𝑥 2 𝐺 𝑇
C 35.74 0.6215T 35.75v 0.16 0.4275Tv 0.16 Donde "v" es la velocidad del
viento en millas por hora y "T" es la temperatura en grados Fahrenheit. La
velocidad del viento y la temperatura se midieron en cierto lugar
obteniéndose los siguientes resultados:
Determinar el valor más probable de la frialdad con un intervalo de
confianza del 95% para las estimaciones de v y T.
Métodos numéricos Mayo de 2017
v T
24,8 5
24 3,4
24,9 1,9
23,4 2
25,6 2,9
22 4,8
22,8 3
21,1 2,5
25 2,1
25,1 3,1
21 5
23,6 2,7
21,7 2,9
22 1,6
22,7 3,1
21,5 1,1
22,1 1,3
26 1,3
25,2 2,7
24 3,3
24,7 1,6
22 1,2
24,5 3,8
25,1 4,7
24,2 3,8
22,7 2,2
24,4
23,2
21,6
24,6
23,8
𝑋𝑖 − 𝑥̅
𝑍𝑖 =
𝑠
Los Zi, que están subrayado de color rojo , son considerados equivocaciones.
Para hallar la desviación estándar, se utilizó:
√∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝑆=
𝑛−1
̅ )𝟐
Razón por la cual se agregó la columna de (𝑿𝒊 − 𝑿
a) Se deben eliminar los datos que al calcular Zi, son considerados equivocaciones
para continuar con el ejercicio.
14
Métodos numéricos Mayo de 2017
El valor más probable de V es 23.79 con un error de estimación de 0.44, y límite superior
= 24.23 y límite inferior = 23.35.
Métodos numéricos Mayo de 2017
El valor más probable de T es 2.84 con un error de estimación de 0.31, y límite superior
=3,15 y límite inferior = 2,52.
Para determinar el valor de la frialdad que cumpla la función utilizamos la propagación de
errores. C 35.74 0.6215T 35.75v 0.16 0.4275Tv 0.16
𝜕𝑐
𝜕𝑇
= 0,6215 + 0,4275 ∗ 𝑉 0,16
𝝏𝒄
= 𝟎, 𝟔𝟐𝟏𝟓 + 𝟎, 𝟒𝟐𝟕𝟓 ∗ 𝟐𝟑, 𝟕𝟗𝟎,𝟏𝟔
𝝏𝑻
𝜕𝑐 −143 171
𝜕𝑉
= ( 25
)∗ 𝑉 (−21/25) + (2500) ∗ (𝑇) ∗ (𝑉 (−21/25 )
𝝏𝒄 −𝟏𝟒𝟑 𝟐𝟏
(− ) 𝟏𝟕𝟏 −𝟐𝟏
= ( ) ∗ 𝟐𝟑, 𝟕𝟗 𝟐𝟓 + ( ) ∗ (𝟐, 𝟖𝟒) ∗ 𝟐𝟑, 𝟕𝟗( 𝟐𝟓 )
𝝏𝑽 𝟐𝟓 𝟐𝟓𝟎𝟎
∑ 𝐹(𝑥)2 = 𝐺 𝑥 2 𝐺 𝑇
Se concluye que el valor más probable de la frialdad es -19.85, con un límite inferior de -
19.89 y uno superior de -19.81.
Métodos numéricos Mayo de 2017
Polinomio de Taylor
Es la aproximación de una función mediante un polinomio de grado ‘n’ en torno a
un valor del dominio de la función dada.
La serie de Taylor:
′ (𝑿𝒐)(𝑿
𝑭′′(𝑿𝒐)(𝑿 − 𝑿𝒐)𝟐 𝑭𝒏 (𝑿𝒐)(𝑿 − 𝑿𝒐)𝒏
𝑷𝒏(𝒙) = 𝑭(𝑿𝒐) + 𝑭 − 𝑿𝒐) + + + 𝑹𝒏(𝒙)
𝟐! 𝒏!
Donde:
𝑛: Grado del polinomio que desea generar.
𝑋𝑜: Punto del entorno.
𝑅𝑛(𝑥): Error entre la función dada y el polinomio.
Tipos de errores que se generan en las aproximaciones de un modelo
analítico a uno numérico:
Error absoluto:
𝑬𝒂 = |𝑉𝑅 − 𝑉𝑎𝑝𝑟𝑜𝑥|
Error relativo:
𝑉𝑅 − 𝑉𝑎𝑝𝑟𝑜𝑥
𝑬𝒓 = | | ∗ 100
𝑉𝑅
1
Ejemplo: 𝑦 = 𝑔𝑡 2
2
Si g = 9.8 y t=2.548 segundos, el valor de Y será 31.8122896 m (VALOR REAL).
Redondeando el tiempo a un (1) solo decimal, es decir, t=2.5 seg, Y será 30.625
(VALOR APROXIMADO).
Error de truncamiento:
1
Ejemplo: 𝑦 = 𝑔𝑡 2
2
Si g = 9.8 y t=2.548 segundos
Truncando el segundo decimal t= 2.54 seg, Y será 31.61284 m.
Nota: Si Xo= 0, el polinomio que se genera es el polinomio de Madavient.
Ejemplo:
Métodos numéricos Mayo de 2017
CAPÍTULO II
SOLUCIÓN DE ECUACIONES NO LINEALES
Si se tiene:
𝑥2 = 1
𝑥 = ±1
Expresamos las raíces como función:
MÉTODO GRÁFICO:
𝒙
𝒇(𝒙) = 𝒙−𝒙 − 𝒍𝒏(𝒙𝟐 + 𝟏) − 𝒆𝒙𝟐 +𝟐 + 𝟑. 𝟐𝟑𝟖
Como no tiene solución analítica, igualamos a cero y se busca el valor de x, hasta
llegar a una tolerancia <= 1*10-6.
En Excel:
Ejemplo:
Métodos numéricos Mayo de 2017
MÉTODO DE BISECCIÓN
Es un algoritmo que busca raíces dividiendo en dos un intervalo que previamente
ya sea gráficamente o tabulando se ha establecido que existe una raíz.
Para una mejor comprensión del algoritmo supongamos que f(x) es una función
continua definida en un intervalo [a,b] con f(a) y f(b) de signos diferentes entonces
podemos ubicar la raíz así:
Siempre
converge
(Agudelo)
Primera iteración:
𝑎+𝑏
𝑃1 =
2
f(0)*f(Pi) < 0 , quiere decir que el límite superior se trasladó.
Segunda iteración:
𝑎 + 𝑃2
𝑃2 =
2
Las imágenes F(0)*F(P2) > 0, quiere decir que se trasladó el límite inferior.
Tercera iteración:
𝑃2 + 𝑃1
𝑃3 =
2
Las imágenes F(P2)*F(P3) < 0, quiere decir que se trasladó el límite superior.
Métodos numéricos Mayo de 2017
EJEMPLOS
Tolerancia:
= |𝑃𝑛 − 𝑃𝑛−1 |
m0
v u ln gt
m0 qt
Donde v=velocidad del cohete hacia arriba, u= velocidad con la que el combustible
sale del cohete, m0 = masa inicial del cohete en el t=0 , q=consumo de
combustible y g=9.8m/s2 . S i u=2.200m/s, m0 =160.000 kg, y q=2680kg/s,
calcule el tiempo en que v=1.000m/s .Con una tolerancia de 1*10-6 .
160000
1000 = 2200𝑙𝑛 ( )
160000 − 2680𝑡
− 9.8𝑡
Expresada como función:
160000
𝐹(𝑥) = 2200𝑙𝑛 ( ) − 9.8𝑡 − 1000
160000 − 2680𝑡
Métodos numéricos Mayo de 2017
Se realiza la tabla:
El valor de t = 25.942393
Métodos numéricos Mayo de 2017
Comprobación:
Cos e x 2 e x 2 CAMBIAR
Reemplazando x = 1,00762 en la ecuación:
-1,9999=-2 CAMBIAR
MÉTODO DE NEWTON-RAPHSON
Es uno de los métodos más poderosos y su convergencia es extremadamente
rápida, sin embargo en algunas ocasiones su convergencia es deficiente o no se
logra. La representación gráfica del método es:
(Agudelo)
La demostración geométrica es:
Despejando ‘Xn’
𝑓(𝑋𝑖)
𝑋𝑖 − 𝑋𝑛 =
𝑓′(𝑋𝑖)
𝑓(𝑋𝑖)
−𝑋𝑛 = − 𝑋𝑖
𝑓 ′ (𝑋𝑖)
Métodos numéricos Mayo de 2017
𝒇(𝑿𝒊)
𝑿𝒏 = 𝑿𝒊 −
𝒇′ (𝑿𝒊)
EJEMPLOS
Se realiza la tabla:
Métodos numéricos Mayo de 2017
Comprobación:
Comprobación:
MÉTODO DE LA SECANTE
El algoritmo
𝑚 ≅ 𝑓′(𝑋𝑖)
Reemplazando
𝑓(𝑋𝑖) − 𝑓(𝑋𝑖 − 1)
𝑓 ′ (𝑋𝑖) =
𝑋𝑖 − 𝑋𝑖−1
Recordemos Newton R:
𝒇(𝑿𝒊)
𝑿𝒏 = 𝑿𝒊 −
𝒇′ (𝑿𝒊)
Sustituyendo la aproximación de la recta tangente con la recta secante:
𝒇(𝑿𝒊)(𝑿𝒊 − 𝑿𝒊−𝟏 )
𝑿𝒏 = 𝑿𝒊 −
𝒇(𝑿𝒊 ) − 𝒇(𝑿𝒊−𝟏 )
EJEMPLO
Converge si |𝑔,(𝑥)|<1
Métodos numéricos Mayo de 2017
No converge
EJEMPLO
Métodos numéricos Mayo de 2017
CAPITULO III
SISTEMAS DE ECUACIONES NO LINEALES
El algoritmo
Donde
X 1K
K
X2
X K
3 Iteracion K esima del sistema
.
.
X K
N
X 1( K 1)
( K 1)
X2
X ( K 1)
3 Iteracion anterior a la K esima del sistema
.
.
X ( K 1)
N
También
, , ,..........
X 1 X 2 X 3 X N
EJEMPLO
MÉTODO DE JACOBI
𝟓≥𝟓
En F2 |−6| ≥ |2| + |1|
𝟔≥𝟑
En F3 |5| ≥ |1| + |1|
𝟓≥𝟐
Métodos numéricos Mayo de 2017
Se concluye:
X=1.419463
Y=0.395973
Z=0.036913
Asegurando 6 decimales.
MÉTODO DE GAUSS SEIDEL
Es un método muy semejante al anterior, ya que manejan la misma tabla, pero los
valores de x,y,z en la segunda iteración, serán los nuevos de la misma. Es decir:
EJEMPLO:
1) Una compañía produce tres tipos de camisas: A,B,C, las cuales se procesan en
tres departamentos a saber : Corte , Confección y Empacado. El tiempo en horas
requerido para el procesamiento de cada camisa está dado por:
A B C
Corte 3 2 0.5
Confección 2 4 1
Empacado 0.8 1 2
El departamento de corte está disponible 1350 horas, el de Confección 1500 horas y el de
empacado 640 horas ¿Cuántas camisas de cada tipo pueden fabricarse para mantener
operando todo el tiempo disponible los departamentos?
𝟐𝑨 + 𝟒𝑩 + 𝑪 = 𝟏𝟓𝟎𝟎
𝟎. 𝟖𝑨 + 𝑩 + 𝟐𝑪 = 𝟔𝟒𝟎
Despejando A, B, C:
1350 − 2𝐵 − 5𝐶
𝑨=
3
1500 − 2𝐴 − 𝐶
𝑩=
4
640 − 0.8𝐴 − 𝐵
𝑪=
2
La tabla:
Se concluye:
A= 300.
B=199.999999.
C=100.
Métodos numéricos Mayo de 2017
Asegurando 6 decimales.
2) Un ingeniero dispone de 5.000 horas –hombre, de mano de obra para tres
proyectos. Los costos por hora –hombre de los tres proyectos son de: U$
16, U$ 20, U$ 24, respectivamente , y el costo total es de es de U$ 106.000
. Si el número de horas –hombre para el tercer proyecto es igual a la suma
de las horas hombre requeridas por los dos primeros proyectos, calcule el
número de horas-hombre que puede disponerse en cada proyecto.
Las ecuaciones:
Despejando:
Se concluye:
X=1000.
Y=1500.
Z=2500.
Métodos numéricos Mayo de 2017
UNIDAD IV
INTERPOLACIÓN
Estimar sobre un modelo generado a partir de datos experimentales.
INTERPOLACION POLINOMIAL:
- CASO I: Polinomio pase por todas las observaciones.
El polinomio
Dónde: 𝐴0, 𝐴1, 𝐴2: Coeficientes del polinomio, El grado del polinomio será “n-1”
datos. Los coeficientes.
Dónde:
EJEMPLOS:
CASO I
Precio Demanda-
ventas
x Y
50 80
56 70
62 61
74 50
80 45
87 30
El polinomio será:
𝑃(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3 + 𝑎4 𝑥 4 +𝑎5 𝑥 5
Métodos numéricos Mayo de 2017
1. Realizamos la matriz X:
2. Determinamos XT
En excel :
Métodos numéricos Mayo de 2017
Calculamos:
(𝒙𝑻 ∗ 𝒙)−𝟏
(𝒙𝑻 ∗ 𝒚)
Teniendo los datos de a0, a1, a2, a3, a4, a5 se reemplazan en:
𝑃(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3 + 𝑎4 𝑥 4 +𝑎5 𝑥 5
Se puede evidenciar que los valores de P(x) son muy semejantes a los de la
columna de Y.
Polinomio de ajuste
90
80
70
60
Demanda
50
40 Polinomio de ajuste
30
Y
20
10
0
0 50 100
Precios
Métodos numéricos Mayo de 2017
CASO II:
𝑃(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3
Graficamos los datos y de acuerdo al comportamiento, es un polinomio impar
elegimos grado 3.
Matriz X: Así como en el caso I, la matriz X, será cada uno de los datos de la
columna x, elevados desde 0 hasta 3 en este caso y se replica.
a0 598,383516
a1 -22,180418
a2 0,31279424
a3 -0,00152746
Demanda-
Precio ventas
x Y P(x)
50 80 80,4152334
56 70 68,9557514
62 61 61,5412519
74 50 50,9288276
80 45 43,7717164
87 30 30,3872193
Se puede observar que los datos arrojados por el polinomio son muy cercanos a la
demanda, pero se concluye que entre mayor sea el grado de este, mayor será su
exactitud.
Graficamos el polinomio Vs la demanda para verificar que pasa por todos los
puntos.
Y
90
80
70
60
Demanda
50 Y
40
30
20 Polinomio de
10 ajuste
0
0 50 100
Precios
Métodos numéricos Mayo de 2017
COEFICIENTE DE DETERMINACIÓN
𝟎 ≤ 𝑹𝟐 ≤ 𝟏
𝑋𝑖 𝑌𝑖 : 𝐷𝑎𝑡𝑜 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜.
̂ : 𝐸𝑠𝑡𝑖𝑚𝑎𝑐𝑖ó𝑛 𝑠𝑜𝑏𝑟𝑒 𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜.
𝑌𝑖
𝑒𝑖 : (𝑌𝑖 − 𝑌̂𝑖 )
𝑛
∑ 𝑒𝑖 = 0
𝑖=1
Métodos numéricos Mayo de 2017
∑𝒏
𝒊=𝟏 𝒀𝒊
̅=
𝒚 Media.
𝒏
∑𝒏𝒊=𝟏 𝒆𝑻 = 𝟎 ̂𝒊) = 𝟎
∑𝒏𝒊=𝟏(𝒀𝒊 − 𝒀
EJEMPLO
Precipitación Flujo
88,9 114,7
94 161,4
99,1 130
101,6 172
104,1 152,9
116,8 175,8
121,9 239
132,1 206,4
139,7 269
a0 -1367,280205
a1 37,53605475
a2 -0,318675594
a3 0,00095493
𝑆𝑆𝐸 3637.491
𝑹𝟐 = 1 − = 1− = 𝟎. 𝟖𝟏𝟖𝟑𝟓𝟏𝟔
𝑆𝑆𝑇 20024.9
Se realiza la gráfica:
300
250
Flujo (m3/seg)
200
150
Polinomiode ajusto
100 Flujo
50
0
80 100 120 140 160
Precipitación (cm)
200
150
Flujo
100
50 Poly. (Flujo)
0
0 50 100 150
Precipitacion (cm)
Métodos numéricos Mayo de 2017
POLINOMIO DE LAGRANGE
Dónde:
EJEMPLO
Si tenemos:
El polinomio:
Coeficientes:
(𝑥 − 3)(𝑥 − 8) 𝑥 2 − 8𝑥 − 3𝑥 + 24 𝟏 𝟐 𝟏𝟏 𝟏𝟐
𝐿𝑛0 = = = 𝒙 − 𝒙+
(−2 − 3)(−2 − 5) 50 𝟓𝟎 𝟓𝟎 𝟐𝟓
(𝑥 + 2)(𝑥 − 8) 𝑥 2 − 8𝑥 + 2𝑥 − 16 𝟏 𝟐 𝟔 𝟏𝟔
𝐿𝑛1 = = = 𝒙 + 𝒙+
(3 + 2)(3 − 8) −25 𝟐𝟓 𝟐𝟓 𝟐𝟓
Métodos numéricos Mayo de 2017
(𝑥 + 2)(𝑥 − 3) 𝑥 2 − 3𝑥 + 2𝑥 − 6 𝟏 𝟐 𝟏 𝟑
𝐿𝑛2 = = = 𝒙 − 𝒙−
(8 + 2)(8 − 3) 50 𝟓𝟎 𝟓𝟎 𝟐𝟓
1 11 12 1 6 16 1 1 3
𝑃(𝑥) = 5 ( 𝑥 2 − 𝑥 + ) − ( 𝑥 2 + 𝑥 + ) + 2 ( 𝑥 2 − 𝑥 − )
50 50 25 25 25 25 50 50 25
𝟗 𝟐 𝟔𝟗
𝑷(𝒙) = 𝒙 − 𝒙+𝟐
𝟓𝟎 𝟓𝟎
𝑷(𝒙) = 𝒂𝟐 𝒙𝟐 + 𝒂𝟏 𝒙 + 𝒂𝟎
EJEMPLO EXCEL
Lnn: Se digita el despeje de cada uno de los Ln n y se reemplazan los
valores para X.
Se grafica Xi vs P(x):
5
4.5
4
3.5
Corriente
3
2.5
Polinomio P(X)
2
1.5 Y(Corriente)
1
0.5
0
-1 0 1 2 3
Voltaje
Métodos numéricos Mayo de 2017
CAPÍTULO V
DERIVACIÓN NUMÉRICA
𝑚 ≅ 𝐹′(𝑋𝑖)
𝐹(𝑋𝑖 + ℎ) − 𝐹(𝑋𝑖)
𝑭′(𝑿𝒊) =
(Agudelo) ℎ
Este método aproxima mejor la derivada, puesto que se emplean dos pasos
gráficamente:
∆𝑦 𝐹(𝑋𝑖 + ℎ) − 𝐹(𝑋𝑖 − ℎ)
𝑚= =
∆𝑥 2ℎ
Si h 0 entonces, 𝑚 ≅ 𝐹′(𝑋𝑖)
𝑭(𝑿𝒊 + 𝒉) − 𝑭(𝑿𝒊 − 𝒉)
𝑭′(𝑿𝒊) =
𝟐𝒉
Métodos numéricos Mayo de 2017
EJEMPLO
Métodos numéricos Mayo de 2017
INTEGRACIÓN NUMÉRICA
𝑏
𝐴 = ∫ 𝑓(𝑥)𝑑𝑥 = 𝑓(𝑏) − 𝑓(𝑎)
𝑎
𝑏
∫𝑎 √1 + 𝑐𝑜𝑠 2 𝑥𝑑𝑥
No tienen primitiva por lo tanto no
hay un valor analítico.
𝑏
∫ 𝑥𝑡𝑎𝑛𝑥 𝑑𝑥
𝑎
𝑏 −1 𝑥−𝜇 2
1 ( )
∫ 𝑒 2 𝜎 𝑑𝑥
𝑎 √2𝜋
Recordemos…
3
𝐴 = ∫ 𝑥 2 𝑑𝑥
1
1 3
𝐴= (3 − 13 )
3
26
𝐴= ≅ 8. 6̅
3
ℎ ′
𝐴= (𝑏 + 𝑏)
2
𝑿𝟏
𝒉
∫ 𝒇(𝒙)𝒅𝒙 ≈ (𝒇(𝑿𝟎 ) + 𝒇(𝑿𝒊 )
𝑿𝟎 𝟐
En este caso:
3 (3 − 1)
∫ 𝑥 2 𝑑𝑥 ≅ ∗ (12 + 32 )
1 2
= 𝟏𝟎
Integración compuesta:
3 2 3
∫ 𝑥 𝑑𝑥 = ∫ 𝑥 𝑑𝑥 + ∫ 𝑥 2 𝑑𝑥
2 2
1 1 2
3
(2 − 1) 𝟓
∫ 𝑥 2 𝑑𝑥 ≅ ∗ (12 + 22 ) =
1 2 𝟐
Métodos numéricos Mayo de 2017
3
(3 − 2) 𝟏𝟑
∫ 𝑥 2 𝑑𝑥 ≅ ∗ (22 + 32 ) =
1 2 𝟐
5 13
+ =9
2 2
26
−9
𝐸𝑟𝑟𝑜𝑟 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜 = | 3 | ∗ 100 = 3.85%
26
3
MÉTODO SIMPSON
CASO I: n=2
Algoritmo:
Métodos numéricos Mayo de 2017
ECUACIONES DIFERENCIALES
𝑑𝑦
Sea = 𝑦 + 𝑡 3 + 1 con 𝑦(0) = 1
𝑑𝑡
La solución analítica
𝑑𝑦
− 𝑦 = 𝑡3 + 1
𝑑𝑡
El factor integrante
𝑒 −1 ∫ 𝑑𝑡 = 𝑒 −𝑡
𝑑𝑦
∫ 𝑒 −𝑡 ( − 𝑦) = ∫ 𝑒 −𝑡 (𝑡 3 + 1)𝑑𝑡
𝑑𝑡
𝑒 −𝑡 𝑦 = ∫ 𝑒 −𝑡 𝑡 3 𝑑𝑡 + ∫ 𝑒 −𝑡 𝑑𝑡
Derivamos Integramos
𝑡3 𝑒 −𝑡
3𝑡 2 −𝑒 −𝑡
6𝑡 𝑒 −𝑡
6 −𝑒 −𝑡
0 𝑒 −𝑡
𝑒 −𝑡 𝑦 = −𝑡 3 𝑒 −𝑡 + 3𝑡 2 𝑒 −𝑡 − 6𝑡𝑒 −𝑡 − 6𝑒 −𝑡 + (−𝑒 −𝑡 + 𝐶
Métodos numéricos Mayo de 2017
𝑦 = −𝑡 3 + 3𝑡 2 − 6𝑡 − 7 + 𝐶𝑒 𝑡
La solución particular
𝑡=0 , 𝑦=1
1 = −7 + 𝐶
𝐶=8
𝟐
𝒚 = −𝒕𝟑 + 𝟑𝒕 − 𝟔𝒕 − 𝟕 + 𝟖𝒆𝒕
El algoritmo general
1
𝑊𝑖 + 1 = 𝑊𝑖 + (𝐾1 + 2𝐾2 + 3𝐾3 + 𝐾4 )
6
Donde
𝐾1 = ℎ𝑓(𝑊𝑖, 𝑡𝑖 )
𝐾1 ℎ
𝐾2 = ℎ𝑓(𝑊𝑖 + , 𝑡𝑖 + )
2 2
𝐾2 ℎ
𝐾3 = ℎ𝑓(𝑊𝑖 + , 𝑡𝑖 + )
2 2
𝐾4 = ℎ𝑓(𝑊𝑖 + 𝐾3 , 𝑡𝑖 + ℎ)
N: Número de divisiones.
1. Condiciones iniciales.
𝑊0 = 1 , 𝑡0 = 0
2. Determinamos ‘’h’’
1−0
ℎ= = 0.2
5
El paso se escoge cualquiera, pero entre más pequeño más exacto.
𝑓(𝑊𝑖; 𝑡𝑖 ) = 𝑊𝑖 + 𝑡 3 + 1
Para ‘’K1’’
𝐾1 = 0.2(𝑊0 + 𝑡0 3 + 1)
𝐾1 = 0.2(1 + 03 + 1)
𝑲𝟏 = 𝟎. 𝟒
Para ‘’K2’’
𝐾1 ℎ 3
𝐾2 = (0.2 (𝑊0 + ) + (𝑡0 + ) + 1)
2 2
0.4 0.2 3
𝐾2 = (0.2 (1 + ) + (0 + ) + 1)
2 2
𝑲𝟐 = 𝟎. 𝟒𝟒𝟎𝟏
Para ‘’K3’’
𝐾2 ℎ 3
𝐾3 = (0.2 (𝑊0 + ) + (𝑡0 + ) + 1)
2 2
0.4402 0.2 3
𝐾3 = (0.2 (1 + ) + (0 + ) + 1)
2 2
𝑲𝟑 = 𝟎. 𝟒𝟒𝟒𝟐𝟐
Para ‘’K4’’
𝑲𝟒 = 𝟎. 𝟒𝟗𝟎𝟒𝟗𝟒
El algoritmo general
1
𝑊1 = 𝑊0 + (𝐾1 + 2𝐾2 + 3𝐾3 + 𝐾4 )
6
1
𝑊1 = 1 + (0.4 + 2 ∗ 0.4402 + 3 ∗ 0.44422 + 0.490494)
6
Error relativo
Métodos numéricos Mayo de 2017
𝑦 = 1.443222065
1.443222063 − 1.443214
𝐸𝑟 = | | ∗ 100 = 𝟓. 𝟓 ∗ 𝟏𝟎−𝟒
1.443222065
Este método nos arroja un error bastante bajo, de lo cual podemos decir que es
muy preciso y exacto.
CONCLUSIONES
BIBLIOGRAFÍA
Métodos numéricos Mayo de 2017