TEMAS ANLISIS NUMERICO 1. INTERPOLACIN 2. METODO BISECRIZ 3. METODO DEL PUNTO FIJO 4. METODO NEWTON RAPHSON 5.

FUNCION CUADRATICA 6. NEWTON HACIA ADELANTE 7. NEWTON HACIA ATRS 8. METODO LAGRANGE 9. METODO MONTANTE 10.MTODO DE ELIMINACION GAUSSIANA 11.METODO GAUSS-JORDAN 12.NEWTON CON DIFERENCIAS DIVIDIDAS 13.METODO GRAFICO 14.METODO LA SECANTE 15.METODO DE FALSA POSICION 16.METODO DE GAUSS-SEIDEL 17.METODO DE JACOBI 18.METODOS DE MINIMOS CUADRADOS 19. REGLA TRAPEZOIDAL 20.LA REGLA DE SIMPSON 1/3 21.LA REGLA DE SIMPSON 3/8 22.NEWTON COTES CERRADAS 23.NEWTON-COTES ABIERTAS 24.MTODO DE RUNGE KUTTA 25. MTODOS DE RUNGE-KUTTA DE SEGUNDO ORDEN 26. MTODOS DE RUNGE-KUTTA DE TERCER ORDEN

27.METODO DE RUNGE-KUTTA DE 4TO ORDEN

INTERPOLACIN
La interpolacin lineal es un caso particular de la Interpolacin general de Newton. Con el polinomio de interpolacin de Newton se logra aproximar un valor de la funcin f(x) en un valor desconocido de x. El caso particular, para que una interpolacin sea lineal es en el que se utiliza un polinomio de interpolacin de grado 1, y se denota de la siguiente manera: Formula General de la interpolacin lineal : G (x) = f(a) + f(b)-f(a) (x-a) b-a Ejemplo: F(x)= 3x2 x=1.5 a=1 b=2 0 1 2 3 x y 1 4 13 28

G (x) = f(a) + f(b)-f(a) (x-a) b-a

G (x) = f(4) +_3-4 _(1.5-1) (2-1) G(x) = 8.5

METODO BISECRIZ
El mtodo de la bisectriz es un mtodo numrico sencillo, muy verstil para encontrar una raz real en un intervalo en el que existe una raz. Su singular ventaja consiste en que funciona incluso con funciones no analticas; sin embargo, slo se debe utilizar el mtodo despus de un anlisis grfico. Supongse que hay una raz de f(x) = 0 en un intervalo entre; x = a y x = c, denotado por [a, c] o, de forma equivalente, por c x a. El mtodo de la bisectriz se basa en el hecho de que, cuando un intervalo [a, c] tiene una raz, el signo de y(x) en los extremos es distinto, o sea, f(a) f(c) < 0. 1 PASO . Elija valores Iniciales para a y b de forma tal que lea funcin cambie de signo sobre el intervalo. Esto se puede verificar asegurandose de que : f(a)*f(b) < 0 2 PASO La primera aproximacin a la raz se determina con la formula: xn = (a + b) / 2 3 PASO Realizar las siguientes evaluaciones para determinar en que subintervalo se encuentra la raz: f(a)*f(xn ) < 0 Entonces b = xn f(a)*f(xn) > 0 Entonces a = xn f(a)*f(xn) = 0 Entonces xn Es la Raz

4 PASO . Calcule la nueva aproximacin xn+1 = (a + b) / 2 5 PASO Evaluar la aproximacin relativa | (xn+1 - xn ) / xn+1 | < Tolerancia No. (Falso) Repetir el paso 3, 4 y 5 Si . (Verdadero) Entonces xn+1 Es la Raz

METODO DEL PUNTO FIJO

Ejemplo: La funcin g(x) = (1+sen x)1/2 tiene un nico punto fijo en el intervalo [0,2].

Interpretacin grfica de la iteracin de punto fijo. La tcnica de iteracin de punto fijo puede ilustrarse grficamente teniendo en cuenta que P ser solucin del problema de punto fijo x=g(x) si la curva y=g(x) y la recta y=x se cortan en el punto (P, P). La funcin g tiene un nico punto fijo El siguiente teorema proporciona condiciones suficientes para la existencia y unicidad de un punto fijo. Teorema 1: Si se cumple que Entonces g tiene un punto fijo en [a, b]. Supngase, adems, que g'(x) existe en (a, b) y que existe una constante positiva k<1, tal que, Entonces el punto fijo en [a, b] es nico. Vamos a comprobar la funcin g(x) = (1+sen x)1/2 que cumple las condiciones del teorema anterior:

Teorema 2: En las condiciones del teorema 1, si p0 es cualquier nmero en [a, b], entonces la sucesin definida por pn=g(pn-1), n1 converge al nico punto fijo p en [a, b]. Esta tcnica se llama iteracin de punto fijo. Adems, una cota del error absoluto que se comete al aproximar el punto fijo p por pn, viene dada por: |p-pn| kn mx{p0-a,b-p0} Ejemplo: Aproximamos el punto fijo de la funcin g(x)=(1+sen x)1/2 el intervalo [0,2] mediante la iteracin de punto fijo tomando como dato inicial p0=1. p0 = 1.0000 p1 = g(p0) = (1+sen p0)1/2 = 1.3570 p2 = g(p1) = (1+sen p1)1/2 = 1.4061 p3 = g(p2) = (1+sen p2)1/2 = 1.4094 p4 = g(p3) = (1+sen p3)1/2 = 1.4096

METODO NEWTON RAPHSON

Este mtodo, el cual es un mtodo iterativo, es uno de los ms usados y efectivos. A diferencia de los mtodos anteriores, el mtodo de Newton-Raphson no trabaja sobre un intervalo sino que basa su frmula en un proceso iterativo. En la funcin

t es el tiempo, y el intervalo de inters es t > 0. La funcin seno es oscilatoria, afectada de la funcin exponencial. Tiende a cero cuando t tiene valores superiores a 1; se lleva tanto sus factores como la funcin F(t) a dicho valor, con lo cual la grfica de F(t) se confunde con el eje t para . Estas funciones son conocidas como oscilatorias amortiguadas. Si el exponente de e es positivo, al tender t a infinito, la funcin es creciente y tiende rpidamente a infinito; esta funcin de conoce como funcin oscilatoria no amortiguada. Ahora se dan algunos valores a t en la funcin: t f(t)

0 0,2 0,4 0,6 0,8 1

-1,00106744 0,1048814 0,04373517 -0,0227016 0,00477763 -4,2281E-05

As con estos valores graficamos para observar: Estos valores sealan la presencia de races reales en los intervalos (0,0.2), (0.4,0.6), (0.6,0.8) y (0.8,1.0). Luego pues, aplicamos el mtodo de Newton-Raphson para encontrar las races en cada uno de los intervalos. Utilizando la primera derivada de la funcin que es: Utilizando la frmula:

Intervalo (0,0.2) t 0,1 F(t) -0,45195045 F'(t) 7,84918551 5,2485353 4,52093195 4,46220075 4,46181423 4,46181422 4,46181422 4,46181422 0,0575792 0,3653988 8 0,0124300 0,0731137 1 0,0009974 0,0058330 9 2 6,5643E06 2,8432E10 2,7756E17 0 3,8385E05 1,6626E09 1,623E-16 0 36,5398801 7,31137024 0,58330153 0,0038385 1,6626E-07 1,623E-14 0 ea er Ep

0,1575792 -0,06523934 8 0,1700092 -0,00450956 9 0,1710067 -2,9291E-05 7 0,1710133 -1,2686E-09 4 0,1710133 4 1,2584E-16

0,1710133 -4,7963E-17 4 0,1710133 -4,7963E-17 4

FUNCION CUADRATICA
Una funcin cuadrtica es aquella que puede escribirse de la forma: f(x) = ax2 + b x + c | Donde a, b y c son nmeros reales cualesquiera y a distinto de cero. Si representamos "todos" los puntos (x, f(x)) de una funcin cuadrtica, obtenemos siempre una curva llamada parbola. Como ejemplo, ah tienes la representacin grfica de dos funciones cuadrticas muy sencillas: * f(x) = x2 * f(x) = -x2 Grfica de La funcin x | -3 f(x) = x2 las funciones cuadrticas cuadrtica ms sencilla es f(x) = x2 cuya grfica es: | -2 | -1 | -0'5 | 0 | 0'5 | 1 |2 |3 | |9 |4 |1 | 0'25 | 0 | 0'25 | 1 |4 |9 |

Esta curva simtrica se llama parbola. Funciones cuadrticas ms complejas se dibujan de la misma forma. Dibujemos la grfica de f(x) = x2 -2 x - 3. x | -1 | 0 |1 |2 |3 |4 | f(x) | 0 | -3 | -4 | -3 | 0 |5 | Completando la grfica obtengo: La funcin exponencial es del tipo: Sea a un nmero real positivo. La funcin que a cada nmero real x le hace corresponder la potencia ax se llama funcin exponencial de base a y exponente x. x -3 -2 -1 0 1 2 3 x -3 -2 -1 0 1 2 3 | | | | | | | | | | | | | | | | y= 1/8 1/4 1/2 1 2 4 8 y= 8 4 2 1 1/2 1/4 1/8 2x | | | | | | | 2x | | | | | | | |

NEWTON HACIA ADELANTE

Como los denominadores de las diferencias divididas siempre van a ser redefinir las diferentes diferencias divididas: , podemos

Entonces el polinomio queda

Esto tambin se puede escribir as:

Donde

NEWTON HACIA ATRS

Hacemos algo parecido al caso anterior, pero ahora resulta que:

El polinomio queda:

Con.

Ntese que el caso hacia adelante usa fuertemente los datos de la primera fila de la tabla, y aqu los del ltimo. Esto puede convenir para reordenarlos si se sabe donde estn los menos confiables.

METODO LAGRANGE
En los problemas de optimizacin, los multiplicadores de Lagrange, nombrados as en honor a Joseph Louis Lagrange, son un mtodo para trabajar con funciones de varias variables que nos interesa maximizar o minimizar, y est sujeta a ciertas restricciones. Este mtodo reduce el problema restringido en n variables en uno sin restricciones de n + 1 variables cuyas ecuaciones pueden ser resueltas. Optimizar la funcin f (x, y) = x3 xy +y2 +3 sujeta a la condicin que los puntos (x, y) satisfagan la ecuacin de la elipse x2 + 2y2 = 1. Asi la condicin g(x, y) = 0 esta dada por la ecuacin g(x, y) = x2 + 2y2 1 = 0 Este problema esta representado en la figura 2. En la figura 2 la condicin g(x, y) = 0 esta presentada por la elipse color violeta en el plano xy.

METODO MONTANTE
El Mtodo Montante, llamado as debido a su descubridor, Ren Mario Montante Pardo, es un algoritmo del lgebra lineal para determinar las soluciones de un sistema de ecuaciones lineales, encontrar matrices inversas, matrices de adjuntos y determinantes. Aplique el algoritmo de Montante a la matriz: 3 2 -2 6 4 -3 -9 -8 4 3 0 -1

Solucion Debemos multiplicar el renglon 2 y 3 por el elemento (1; 1): 3 2 -2 6 4 -3 -9 -8 4 3 0 -1 3 R2 3R2 R3 3R3 6 6 -6-9 12 -9 3 -24 12 0 -3

Ahora la cancelacion procede utilizando el renglon 1 con los elementos (2; 1) y (3; 1) anteriores a la multiplicacion: 3 6 -6 6 12 -9 -9 -24 12 3 0 -3 3 6 R2 R2 (2)R1 0 R3 R3 (2)R1 0 -9 0 0 3 -6 -6 -6 -6

Ahora deberemos intercambiar los renglones 2 y 3 para tener un pivote en (2; 2): 3 0 0 6 0 3 -9 -6 -6 3 -6 3 3 R2$R3 0 6 0 0 -9 3 -6 3 -6 -6 3

Para eliminar el elemento arriba del pivote (2; 2) el algoritmo procede multiplicando el rengl_on 1 por el pivote (2; 2): 3 0 0 6 3 0 -9 -6 -6 3 3 -6 9 R1 3R1 0 18 0 0 -27 3 -6 9 -6 -6 3

La cancelacion arriba del pivote (2; 2) procede restando al renglon 1 el renglon pivote por el contenido previo del elemento (1; 2): 9 0 0 18 3 0 -27 -6 -6 9 3 -6 9 R1 R1 (6)R2 0 0 0 0 9 3 -6 -9 -6 -6 3

Ahora el pivote es el elemento (3; 3) y debemos hacer cero arriba de _el. Para ello el algoritmo procede multiplicando los renglones donde se hara la cancelacion por el elemento pivote: 9 0 0 0 3 0 9 -6 -6 -9 3 -6 R1 6R1 R2 6R2 -54 0 0 0 -54 -18 0 54 36 -6 -18 -6

La cancelacion procede restando los multiplos del renglon anteriores a la multiplicacion: -54 0 -54 54 -54 0 0 0 -18 36 -18 R1 R1 (9)R3 0 -18 0 0 -6 -6 R2 R2 (6)R3 0 0 Las unicas divisiones proceden al final:

3 usando los elementos 108 0 -54 -6 -6

-54 0 0

0 -18 0

0 0 -6

108 R1 1=(-54)R1 -54 R2 1=(-18)R2 -6 R3 1=(-6)R3

1 0 0

0 1 0

0 0 1

-2 3 1

MTODO DE ELIMINACION GAUSSIANA

En matemticas, la eliminacin Gaussiana, eliminacin de Gauss o eliminacin de Gauss-Jordan, llamadas as debido a Carl Friedrich Gauss y Wilhelm Jordan, son algoritmos del lgebra lineal para determinar las soluciones de un sistema de ecuaciones lineales, encontrar matrices e inversas. Un sistema de ecuaciones se resuelve por el mtodo de Gauss cuando se obtienen sus soluciones mediante la reduccin del sistema dado a otro equivalente en el que cada ecuacin tiene una incgnita menos que la anterior. Cuando se aplica este proceso, la matriz resultante se conoce como: "forma escalonada". EJEMPLO 10x1 4x2 + 3x3 = 5 7x1 + 20x2 6x3 = 8 -2x1 10x2 + 20x3 = 4

10 4 3 5 7 20 6 8 R3 -2 10 20 4 R1 = 1/10 R1, R2 = R2 7R1, R3 = R3 + 2R1

R1 R2

2/5

3/10

1/2

0 0

114/5-81/10 -54/5 103/5

9/2 5

R2 = 5/114 R2 R3 = R3 + 54/5 R2 1 0 0 1 0 0 2/5 1 0 2/5 1 0 3/10 R3 = 38/637 R3 -27/76 15/76 637/38 271/38 3/10 x1 + 2/5x2 + 3/10x3 = 1/2 -27/76 15/76 x2 27/76x3 = 15/76 1 271/637 x3 = 271/637 X2 = 22/637 X1 = 326/637

METODO GAUSS-JORDAN
Como hemos visto, el mtodo de Gauss transforma la matriz de coeficientes en una matriz triangular superior. El mtodo de Gauss-Jordan contina el proceso de transformacin hasta obtener una matriz diagonal unitaria (aij=0 para cualquier i=j) Hacer ceros los de arriba, comenzamos multiplicando 9 por (R3) ms (R2) colocndolo en (R3) obtenemos: 1 1/2 0 0 -1/2 1/2 1 0 0 1 -32 -5

8.- Siguiente paso multiplicar 1/2 por (R3) sumarle (R1) y colocarlo en (R1) para obtener: 1 1/2 0 0 0 1 0 2 0 1 -32 -5

9.- Solo nos queda un elemento para convertirlo en cero, el cual lo obtenemos multiplicando -1/2 por (R2) sumarle (R1) para colocarlo en (R1) obteniendo entonces la matriz final: 1 0 0 0 0 1 0 14 0 1 -32 -5

Obteniendo finalmente la solucin de ecuaciones: X1 = 14 X2 = -32 X3 = -5

NEWTON CON DIFERENCIAS DIVIDIDAS

Sea una variable discreta de n-elementos y sea xotra variable discreta de elementos los cuales corresponden, por parejas, a la imagen u ordenada y abcisa de los datos que se quieran interpolar, respectivamente, tales que G (x) = D0+ D1 (x-x2)+ D2 (x-x)(x-x2)+ D3 (x-x2)(x-x2)(x-x3) Ejemplos : X= 4.2 X2 3.8 4.0 4.4 4.7 Y2 2.25 2.34 2.43 2.47 D1 .45 .225 .133 D2 D3 -.375 .2706 -.1314

G (x) = 2.25+.45(4.2-3.8)+ (-.375(4.2-3.8)(4.2-4.0)) +.2706(4.2-3.28)(4.2-4.0) (4.2-4.4)(4.2-4.7) G (x) =2.3956

METODO GRAFICO
METODO GRAFICO PARA LA RESOLUCION DE ECUACIONES LINEALES. El proceso de resolucin de un sistema de ecuaciones mediante el mtodo grfico se resume en las siguientes fases: Se despeja la incgnita y en ambas ecuaciones. Se construye, para cada una de las dos funciones de primer grado obtenidas, la tabla de valores correspondientes. Se representan grficamente ambas rectas en los ejes coordenados. En este ltimo paso hay tres posibilidades: a. Si ambas rectas se cortan, las coordenadas del punto de corte son los nicos valores de las incgnitas x e y. Sistema compatible determinado. b. Si ambas rectas son coincidentes, el sistema tiene infinitas soluciones que son las respectivas coordenadas de todos los puntos de esa recta en la que coinciden ambas. Sistema compatible indeterminado. c. Si ambas rectas son paralelas, el sistema no tiene solucin. Sistema incompatible. d.

Veamos, por ltima vez, el ejemplo visto en los mtodos analticos para resolverlo grficamente y comprobar que tiene, se use el mtodo que se use, la misma solucin. recordemos de nuevo el enunciado: Entre Ana y Sergio tienen 600 euros, pero Sergio tiene el doble de euros que Ana. Cunto dinero tiene cada uno?. Llamemos x al nmero de euros de Ana e y al de Sergio. Vamos a expresar las condiciones del problema mediante ecuaciones: Si los dos tienen 600 euros, esto nos proporciona la ecuacin x + y = 600. Si Sergio tiene el doble de euros que Ana, tendremos que y = 2x. Ambas ecuaciones juntas forman el siguiente sistema: x + y = 600 2x - y = 0 Para resolver el sistema por el mtodo grfico despejamos la incgnita y en ambas ecuaciones y tendremos: y = -x + 600 y = 2x Vamos ahora, para poder representar ambas rectas, a calcular sus tablas de valores: y = -x + 600 | y = 2x | x |y |x |y | 200 | 400 | 100 | 200 | 600 | 0 | 200 | 400 | Con estas tablas de valores para las dos rectas y eligiendo las escalas apropiadas en los ejes OX y OY, podemos ya representar grficamente: | Si observamos la grfica, vemos claramente que las dos rectas se cortan en el punto (200, 400), luego la solucin del sistema es x = 200 e y = 400. Por tanto, la respuesta al problema planteado es que Ana tiene 200 euros y Sergio tiene 400 euros, es decir, el mismo resultado, evidentemente, que habamos obtenido con los tres mtodos analticos.

METODO LA SECANTE

Este mtodo se basa en la frmula de Newton-Raphson, pero evita el clculo de la derivada usando la siguiente aproximacin: F` (x) = f(Xi-1)-f(xj) Xi-1- xj Sustituyendo en la frmula de Newton-Raphson, obtenemos: Xi+1 = Xi-1- f (Xi)= Xif (Xi) f `(Xi) f (Xi-1)- f (Xi)

Que es la frmula del mtodo de la secante. Ntese que para poder calcular el valor de , necesitamos conocer los dos valores anteriores Xi- y Xi-1.

Obsrvese tambien, el gran parecido con la frmula del mtodo de la regla falsa. La diferencia entre una y otra es que mientras el mtodo de la regla falsa trabaja sobre intervalos cerrados, el mtodo de la secante es un proceso iterativo y por lo mismo, encuentra la aproximacin casi con la misma rapidez que el mtodo de Newton-Raphson. Claro, corre el mismo riesgo de ste ltimo de no converger a la raz, mientras que el mtodo de la regla falsa va a la segura. Ejemplo 1 Usar el mtodo de la secante para aproximar la raz de comenzando con Solucin Tenemos que y : , que sustitumos en la frmula de la secante para calcular la aproximacin , y hasta que . ,

Con un error aproximado de:

Como todava no se logra el objetivo, continuamos con el proceso. Resumimos los resultados en la siguiente tabla: Aprox. a la raz 0 1 0.612699837 0.653442133 Error aprox. 100% 63.2% 6.23%

0.652917265

0.08%

De lo cual conclumos que la aproximacin a la raz es:

METODO DE FALSA POSICION

El mtodo de la falsa posicin pretende conjugar la seguridad del mtodo de la biseccin con la rapidez del mtodo de la secante. Xr= Xu-F(Xu )(X1-Xu) / F(X1)-F(Xu)

Esta es la formula de Falsa posicin. El Valor de xr calculando con la ecuacin reeplazara, despus, a cualquiera de los dos valores iniciales, X1 o Xu, y dar un valor ala funcin con el mismo signo de f(xr). De esta manera los valores X1 y Xu Siempre encierran la verdadera raz. El proceso se repite hasta que la aproximacin a la raz sea adecuada. 1 PASO Elija los valores iniciales X1 y su superior Xu que encierra la raz de tal forma que la funcin cambie el signo en el intervalo. Esto se verifica comprobando F(X1)F(Xu)

2 PASO Una aproximacin de la raz Xr se dermina mediante : Xr= Xu-F(Xu 3 PASO Realizar las siguientes evaluaciones para determinar en que subintervalo esta la raz a) Si F(X1) F(Xr )< 0 , Entonces la raz se encuentra dentro del subintervalo inferior o izquierdo. Por lo tanto haga Xu= Xr y vuelva al segundo paso b) Si F(X1) F(Xr )> 0, entonces la raz se encuentra dentro del subintervalo superior o derecho, por lo tanto haga X1= Xr y vuelva al segundo paso c) Si F(X1) F(Xr )=0, a raz al Xr, termina en calculo )(X1-Xu) / F(X1)-F(Xu)

METODO DE GAUSS-SEIDEL
En anlisis numrico el mtodo de Gauss-Seidel es un mtodo iterativo utilizado para resolver sistemas de ecuaciones lineales. El mtodo se llama as en honor a los matemticos alemanes Carl Friedrich Gauss y Philipp Ludwig von Seidel y es similar al mtodo de Jacobi. PROCEDIMIENTO Finalmente, nos queda la tarea de resolver el sistema de n ecuaciones con n incgnitas (n es el grado del polinomio). El procedimiento empleando es el de Seidel. Explicaremos este procedimiento mediante un ejemplo. Sea el sistema lineal de tres ecuaciones 10x0 + x1 + x2 = 12 2 x0 + 10 x1 + x2 = 13 2 x0 + 2 x1 + 10 x2 =14

.Se despeja x1 en la primera ecuacin, x2 en la segunda y x3 en la tercera. Reducindose el sistema a una forma conveniente para aplicar el procedimiento de iteracin o de aproximaciones sucesivas. x0= 1.2+0.0+ 0.1 x1-0.1x2 x1=1.3- 0.2x0+ 0.0 -0.1x2 x2=1.4- 0.2x0 0.121+ 0.0 Como podemos apreciar, las diagonales de la matriz de los coeficientes de las x son ceros. Tomemos como aproximacin inicial X00 = 1.2, X10 = 0.0, X
0 2

= 0.0

La primera aproximacin se escribe X01 = 1.2 + 0.0 + 0.1 X10- 0.1 X21 = 1.2 X11 = 1.3-0.2 X02 +0.0- 0.1 X21 = 1.06 X21 = 1.4 -0.2 X02 0.12 X12 + 0.0 =0.948 Se introduce la primera aproximacin de x0 en la segunda ecuacin. Se introduce la primera aproximacin de x0 y de x1 en la tercera ecuacin, y as sucesivamente. De este modo el mtodo de Seidel ofrece una mejor convergencia que la iteracin simple. La segunda aproximacin es X02 = 1.2 + 0.0 + 0.1 X10- 0.1 X21 = 0.9992 X12 = 1.3-0.2 X02 +0.0- 0.1 X21 = 1.00536 X12 = 1.4 -0.2 X02 0.12 X12 + 0.0 =0.999098

METODO DE JACOBI
En anlisis numrico el mtodo de Jacobi es un mtodo iterativo, usado para resolver sistemas de ecuaciones lineales del tipo Ax = b. El algoritmo toma su nombre del matemtico alemn Carl Gustav Jakob Jacobi. El mtodo de Jacobi consiste en usar frmulas como iteracin de punto fijo. Ejemplo con precision de 0.001000 Matriz de Coeficientes A 8.000000 4.000000 2.000000 1.000000 4.000000 3.000000

3.000000 1.000000 6.000000 Matriz de Term. Indep. B -1.000000 6.000000 3.000000 Iteracion 1 -0.125000 1.500000 0.500000 Iteracion 2 -1.000000 1.156250 0.312500 Iteracion 3 -0.781250 1.515625 0.807292 Iteracion 4 -1.084635 1.089844 0.638021 Iteracion 5 -0.829427 1.292643 0.860677 Iteracion 6 -0.986491 1.061849 0.699273 Iteracion 7 -0.830743 1.222168 0.816271 Iteracion 8 -0.940152 1.095483 0.711677 Iteracion 9 -0.850661 1.201280 0.787495 Iteracion 10 -0.922514 1.122044 0.725117 Iteracion 11 -0.867301 1.186791 0.774250 Iteracion 12 -0.911958 1.136138 0.735852 Iteracion 13 -0.877032 1.176100 0.766623 Iteracion 14 -0.904706 1.144291 0.742499 Iteracion 15 -0.882770 1.169302 0.761638 Iteracion 16 -0.900060 1.149464 0.746501 Iteracion 17 -0.886358 1.165139 0.758453 Iteracion 18 -0.897183 1.152750 0.748989 Iteracion 19 -0.888622 1.162554 0.756466 Iteracion 20 -0.895394 1.154806 0.750552 Iteracion 21 -0.890041 1.160934 0.755229 Iteracion 22 -0.894274 1.156088 0.751531 Iteracion 23 -0.890927 1.159920 0.754456 Iteracion 24 -0.893574 1.156890 0.75214310 Iteracion 25 -0.891481 1.159286 0.753972 Iteracion 26 -0.893136 1.157391 0.752526 Iteracion 27 -0.891827 1.158889 0.753669 Iteracion 28 -0.892862 1.157705 0.752765 Iteracion 29 -0.892044 1.158642 0.753480 Precision 0.001000 Solucin x: -0.892044 1.158642 0.753480 Comprobacion:-0.994823 6.002963 3.003392 2.000000 20.000000 -2.000000 -2.000000 3.000000 10.000000 10.000000 2.000000 1.000000 Matriz de Term. Indep. B -44.000000 22.000000 9.000000 Iteracion 1 -22.000000 -7.333333 243.666667

Iteracion 2 295.000000 -608.222222 -1724.555556 Iteracion 3 4335.666667 8646.296296 -60640.2592511 No converge, debo condicionar bien la matriz Matriz de Coeficientes A 10.000000 2.000000 1.000000 2.000000 20.000000 -2.000000 -2.000000 3.000000 10.000000 Matriz de Term. Indep. B 9.000000 -44.000000 22.000000 Iteracion 1 0.900000 -2.290000 3.067000 Iteracion 2 1.051300 -1.998430 3.009789 Iteracion 3 0.998707 -1.998892 2.999409 Iteracion 4 0.999837 -2.000043 2.999980 Iteracion 5 1.000011 -2.000003 3.000003 Iteracion 6 1.000000 -2.000000 3.000000 Iteracion 7 1.000000 -2.000000 3.000000 Precision 0.000010 Solucin x: 1.0 -2.000000 3.000000 Comprobacion:8.999999 -44.000000 22.000000

METODOS DE MINIMOS CUADRADOS

El metodo consiste en encontrar la ecuacion de curva aunque no pase por todos los puntos pase lo mas cerca possible de todos ellos. Dado un conjunto de puntos en forma rectangular (x,y) determinar los coeficientes de la funcin f(x) = A0+A1X+A2X+A3X+A4X.+ AmX (donde m es el grado del polinomio). Cuya grafica representa uan curva suave que se acerca a la mayora de los puntos X Y X1 Y1 X2 Y2 X3 Y3

. . . . Xn Yn Xn

X1

X2 X3

X4 . . . . . . . . . . . .

SE LLAMA RESIDUO R A LA DIFERENCIA DE LAS CURVAS ORDENADAS PARA X = X1 MENOS LA DEL PUNTO (X1, Y1) Ri = f(Xi) Yi EN FORMA POLINOMICA QUEDA: F(X) = A0 + A1Xi + A2Xi + A3Xi + A4Xi + AmXi Yi DONDE i = 1,2,3,..m EL METODO DE LOS MINIMOS CUADRADOS CONSITE EN DETERMINAR LOS COEFICIENTES, A0,A1,A2,A3, ..An DE MANERA QUE HAGA MINIMA LA SUMA DE LOS CUADRADOS DE RESIDUOS. Ri = (A0 + A1Xi+A2Xi+A3Xi + + AmX CASOS PARTICULARES a) PARA m = 1 (EC. LINEALES) f(X) = A0+ A1X j = 0 nA0 + A1X1 = Y i j = 1 A0X! + A1 X = X1 INCOGNITAS A0 Y A1 b) PARA m = 2 (EC. CUADRATICAS) f(X) = A0 + A1 X + A2X j = 0 nA0 + A1Xi + A2Xi = Yi j = 1 A0Xi + A1Xi + A2Xi = XiYi j = 2 A0Xi + A1Xi + A2Xi = XiYi REGRESION EXPONENCIAL

|X |

|Y

|Y

|X

|XY

|28 218.04664 |30 240.52125 |33 272.8258156 |35 294.34405 |38 328.745562 |164 1354.483318

|2410 | |3033 | |3895 | |4491 | |5717 | | |

|7.78738 |8.0117375 |8.267448958 |8.40983 |8.651199 |41.13323296

|784 |900 |1089 |1225 |1444 |5442

| | | | | |

REGLA TRAPEZOIDAL
La regla del trapecio o regla trapezoidal es una de las frmulas cerradas de Newton-Cotes. La regla del trapecio o regla trapezoidal es la primera de las frmulas cerradas de Newton-Cotes.

Corresponde al caso en donde el polinomio de aproximacin es de primer orden.

En donde f1(x) corresponde a una lnea recta que se representa como:

El rea bajo la lnea recta es una aproximacin de la integral de f(x) entre los lmites a y b:

El resultado de la integracin es:

LA REGLA DE SIMPSON 1/3

Las reglas de Simpson son parte de las formulas de integracin de Newton-Cotes, que se basan en el reemplazo de una funcin complicada o datos tabulados con una funcin aproximada que sea fcil de integrar:
b b

I a f(x)dx =

a fn(x)dx

Donde fn(x) es un polinomio de la forma: f(x) Ejemplo: Use la regla de Simpson 1/3 para integrar la siguiente funcin: f(x) = 0.2 +25x 200x2 + 675x3 900x4 + 400x5 Desde a = 0 hasta b = 0.8. La integral exacta es 1.640533. Por Simpson 1/3 x0 = 0 x2 = 0.8 x1 = (0 + 0.8)/2 = 0.4 f(x0) = f(0) = 0.2 f(x1) = f(0.4) = 2.456 f(x2) = f(0.8) = 0.232 Sustituimos los valores en la ecuacin:

I (b-a) f(x0) + 4f(x1) + f(x2). I 0.8 0.2 + 4(2.456) + 0.232. I 1.367467

LA REGLA DE SIMPSON 3/8

La derivacin de la Regla de los Tres Octavos de Simpson es similar a la regla de un tercio, excepto que se determina el rea bajo una parbola de tercer grado que conecta 4 puntos sobre una curva dada. La forma general de la parbola de tercer grado es:

Ejemplo: Use la regla de Simpson 3/8 para integrar la siguiente funcin:

f(x) = 0.2 +25x 200x2 + 675x3 900x4 + 400x5 Desde a = 0 hasta b = 0.8. La integral exacta es 1.640533. Cada separacin va a tener: x = (0 + 0.8)/3 = 0.2667 x0 x1 x2 x3 = = = = 0 (0 + 0.2667) = 0.2667 (0.2667 + 0.2667) = 0.5333 0.8 = = = = f(0) = 0.2 f(0.2667) = 1.432724 f(0.5333) = 3.487177 f(0.8) = 0.232

f(x0) f(x1) f(x2) f(x3)

Sustituimos los valores en la ecuacin: I (b-a) f(x0) + 3f(x1) + 3f(x2) + f(x3). I 0.8 0.2 + 3(1.432724) + 3(3.487177) + 0.232. I 1.519170

NEWTON COTES CERRADAS

FORMULAS CERRADAS DE NEWTON-COTES h = (b a)/n xi = a + ih, i = 0, 1, . . . , n

con p = 2 si n es par y p = 1 si n es impar, y donde _ 2 (a, b).

EJEMPLO : 10
15

(x2 + 2 ) dx

n= 5

h= 15-10 =1 5 a b I = 5/288 (1) [19 f(x=10)+ 75 f(x =11)+ 50 f(x =12)+ 50 f(x =13)+75 f(x =14)+19 f(x =15)] I = 5/288 (1) [1938+9225+7300+8550+14850+4313] I = 5/288 (1) [46176] I = 801.66667

NEWTON-COTES ABIERTAS
FORMULAS ABIERTAS DE NEWTON-COTES h = (b a)/(n + 2) xi = (a + h) + ih, i = 1, 0, 1, . . . , n, n + 1

con p = 2 si n es par y p = 1 si n es impar, y donde _ 2 (a, b).

EJEMPLO: 10 15 (x2 + 2 ) dx

n= 2

h= 15-10 = 1.25 5+1 I= 4/3 (1.25) [0 (x=10)+ 2 f(x=11.25)+(-1) f(x=12.5)+2 f(x=13.75) +0 f(x=15)] I= 4/3 (1.25) [0 (102)+ 2 (128.5625)+(-1) (158.25)+2 (191.0625) +0 (227)] I= 801.666667

MTODO DE RUNGE -KUTTA

El mtodo de Runge-Kutta es un refinamiento del mtodo de Euler La solucin de un problema de valores iniciales se obtiene generalmente paso a paso por mtodos de integracin hacia adelante, lo que permite valuar Yi+1 tan pronto se conozcan los valores Yi, Yi-1 de Y en uno o ms pivotes anteriores. El ms simple de estos mtodos, debido a Euler, es aplicable a ecuaciones de primer orden y no requiere conocer la solucin en los pivotes anteriores. Dado el problema de valores iniciales

se debe integrar la ecuacin diferencial en el intervalo y evaluar la integral aplicando la frmula de integracin numrica:

(4)

entonces

de donde se obtiene la siguiente expresin aproximada llamada frmula de Euler Yi+1 = Yi + h f(Xi, Yi) METODO DE RUNGE-KUTTA En la introduccin se estableci que el mtodo de Euler para resolver la ecuacin diferencial de primer orden Y' = f(X, (7) Y) con la condicin inicial Y(X0) = (8) Y0 consiste en aplicar repetidamente la frmula de recurrencia Yn+1 = Yn + h f(Xn, Yn) donde n = 1, 2, 3, ... para determinar la solucin de la ecuacin diferencial en X = X1, X2, X3, ... (9) (5)

MTODOS DE RUNGE-KUTTA DE SEGUNDO ORDEN

La versin de segundo orden de la ecuacin yi + 1 = yi + (xi,yi,h)h es
yi
+ 1

= yi + (a1k1 + a2k2)h

donde
k1 = f(xi,yi) k2 = f(xi + pih,yi + q11k1h)

Los valores de a1, a2, p1 y q11 son evaluados al igualar el trmino de segundo orden de la ecuacin dada con la expansin de la serie de Taylor. Se desarrollan tres ecuaciones para evaluar cuatro constantes desconocidas. Las tres ecuaciones son:
a1 + a2 = 1 a2p1 = 1 / 2 a2q11 = 1 / 2

Como se tienen tres ecuaciones con cuatro incgnitas se tiene que suponer el valor de una de ellas. Suponiendo que se especific un valor para a2, se puede resolver de manera simultnea el sistema de ecuaciones obtenido:

a1 = 1 a2 Como se puede elegir un nmero infinito de valores para a2, hay un nmero infinito de mtodos Runge-Kutta de segundo orden. Cada versin podra dar exactamente los mismos resultados si la solucin de la EDO fuera cuadrtica, lineal o una constante. a2 = 1 / 2: Mtodo de Heun con un solo corrector, donde:

donde k1 = f(xi,yi) k2 = f(xi + h,yi + k1h) a2 = 1 : Mtodo del punto medio. yi + 1 = yi + k2h donde k1 = f(xi,yi)

a2 = 2 / 3: Mtodo de Ralston.

donde k1 = f(xi,yi)

MTODOS DE RUNGE-KUTTA DE TERCER ORDEN

Para n = 3 el resultado son seis ecuaciones con ocho incgnitas, por lo tanto se deben suponer dos valores con antelacin para poder desarrollar el sistema de ecuaciones. Una versin ampliamente usada es:

donde k1 = f(xi,yi)

k3 = f(xi + h,yi k1h + 2k2h)

METODO DE RUNGE-KUTTA DE 4TO ORDEN

Para resolver ecuaciones diferenciales ordinarias de primer orden con error del orden de , de uso tan frecuente que en la literatura sobre mtodos numricos se le llama el Mtodo de Runge-Kutta de 4to orden, se dar a conocer sin demostrar y consiste en aplicar la ecuacin de recurrencia (12) en donde la funcin est dada por la expresin:
i +1)

*y i +1(x

= y i +{ h /6 *[K1 +(2 * K2) +(2 * K3) + K4] } (16)

en el cual: * K1 =f [x * K2 =f [x
i

, y i]
+(h /2) y i +(h *K1 /2)]

* K3 =f [x * K4 =f [x

+(h /2) y i +(h *K2 /2)] +h y i +(h *K3)]

La ecuacin (16) se obtiene haciendo un promedio de las cuatro pendientes, K1, K2, K3 y K4 a la curva integral, en forma semejante a como se procedi con las pendientes de las tangentes T1 y T2 que dieron lugar a (11).

EJEMPLO: Determine y (0.5) utilizando el mtodo de Runge-Kutta de cuarto orden, en el intervalo de inters [0, 0.5], en 5 intervalos. PVI { y =4e0.8x 0.5y ; y(0) =2 ; y(0.5) =? } h =0.5 0 / 5 h =0.1

por lo tanto x0 =0, x1 =0.1, x2 =0.3, x4 =0.4, x5 =0.5 ITERACIN I i =0 ; x0 =0 ; y0 =2

K1 =f [0, 2] =4e(0.8*0) (0.5 * 2) K1 =3 K2 =f [0 +0.1/2, 2 +(0.1 *3) /2] =f [0.05, 2.15] =4e(0.8*0.05) (0.5 * 2.15) K2 =3.088243 K3 =f [0 +0.1/2, 2 +(0.1 *3.088243) /2] =f [0.05, 2.154412] K3 =4e(0.8*0.05) (0.5 * 2.154412) K3 =3.086037 K4 =f [0 +0.1, 2 +(0.1 *3.086037)] =f [0.1, 2.308603] K4 =4e(0.8*0.1) (0.5 * 2.308603) K4 =3.178846 y1(0.1) =2 +{0.1 /6 [3 +(2 *3.088243) +(2 *3.086037) +3.178846]} y1(0.1) =2.308790