INTRODUCCIÓN

INTRODUCCIN
El siguiente curso ha sido diseado teniendo siempre en mente las diferentes posibilidades que tendr el estudiante de la
Universidad de Antioquia ante los retos del futuro en su vida profesional. Aunque se intentar presentar un curso gil, moderno,
interactivo, en ningn momento se pretende suplir la actividad de investigacin y estudio en libros impresos, es ms, se espera que
este curso sirva como un primer acercamiento a los temas a profundizar con los libros impresos encontrados en libreras,
bibliotecas o incluso con los libros virtuales.
La mayora de los problemas a los que se enfrenta el ingeniero son de naturaleza continua. En la bsqueda de su solucin no es
fcil disponer de mtodos analticos o exactos, que permitan el anlisis, validacin y verificacin de los modelos, tanto
matemticos como computacionales, que los representan. Adems, casi todos estos modelos involucran temas como derivacin,
integracin, sistemas de ecuaciones no lineales, sistemas de ecuaciones diferenciales, etc, cuya solucin implica la utilizacin de
procesos iterativos que generalmente no se pueden resolver en un nmero finito de pasos.
Los mtodos numricos son una opcin importante que ayuda a enfrentar y resolver los problemas del mundo real. Estos
mtodos son tcnicas que permiten resolver problemas utilizando simples operaciones aritmticas (+, -, * y /) por medio de su
principal herramienta: el computador digital. Se caracterizan por la cantidad de clculos repetitivos que deben realizarse para
finalmente converger a una solucin lo suficientemente aproximada "o cercana" del problema; por esta razn, es fundamental
conocer las ventajas y limitaciones, de los diferentes mtodos, en relacin a temas como error, exactitud, precisin, estabilidad,
a fin de utilizar el mtodo ms apropiado en cada situacin particular.
El desarrollo que ha tenido en los ltimos aos el computador digital, ha influido de manera significativa no solo en la evolucin y
perfeccionamiento de estos mtodos, sino adems, en la elaboracin y solucin de modelos cada vez ms complejos, los cuales
permiten responder satisfactoriamente a preguntas relacionadas con temas como seguridad, salud, medio ambiente, desarrollo y
crecimiento social entre otros.
En el Captulo 1, se presenta una introduccin al manejo de las operaciones en la computadora y su forma de representar los
nmeros. Conceptos de errores producidos por clculos numricos as como tambin un breve glosario de trminos que ayudarn
en la comprensin de los conceptos encontrados durante el curso.
En el Captulo 2, se presenta el estudio de la solucin de Sistemas de Ecuaciones Lineales mediante mtodos directos
(Eliminacin gaussiana, Gauss-Jordan, Factorizacin LU, Cholesky, thomas, etc.) e indirectos o iterativos (Jacobi, Gauss-Seidel y
SOR). Tambin se exponen conceptos importantes en la determinacin del error mediante el estudio de las normas matriciales y
vectoriales y el nmero de condicin.
En el Captulo 3, se exponen los mtodos para la solucin de ecuaciones no-lineales, tales como: Bisecccin, Regula Falsi, Punto
Fijo, Newton, Secante y se presenta por ltimo el mtodo de Mller para encontrar races de funciones polinomiales.
En el Captulo 4, se estudian los mtodos de interpolacin lineal de funciones tipo Newton, Lagrange y Spline cbico.
En el Captulo 5, se presentan las tcnicas de integracin de Simpson y Cuadratura Gaussiana, y de diferenciacin numrica
obtenidas por diferencias finitas.
En el Captulo 6, se estudia la solucin numrica de Ecuaciones Diferenciales Ordinarias por los mtodos de Euler, Heun, RungeKutta de diferentes ordenes y el mtodo de las Diferencias Finitas, o Diferencias Divididas.
OBJETIVOS
Conocer los conceptos ms importantes sobre estimacin de error en cmputos numricos, reduciendo su presencia y
causas.
Aplicar los mtodos numricos de manera eficiente en la solucin de problemas que involucran modelos matemticos,
procurando que la solucin obtenida mediante la aplicacin de los diferentes algoritmos sea ptima, precisa y exacta.
Mostrar los diferentes mtodos numricos y su aplicacin en las diferentes ramas de la ciencia aplicada.
Aprender a programar los diferentes algoritmos ahorrando tiempo de computacin, posiciones de memoria y minimizando el error.
CONTENIDO DEL CURSO
1. Teora de errores
o Proceso de solucin de problemas de ingeniera.
o Ejemplo modelo de cada libre.
o Definiciones de error.
o Representacin de nmeros en el computador.
o Series de Taylor y errores de truncamiento.
2. Solucin de sistemas de ecuaciones lineales
o Introduccin.
o Tipos de matrices.
o Mtodos de eliminacin.
o Descomposicin LU.
o Mtodos indirectos.
o Mtodo de Jacobi.
o Mtodo de Gauss-Seidel.
o Mtodo SOR.
3. Solucin de ecuaciones no lineales de una variable
o Introduccin.
o Solucin de ecuaciones no lineales.
o Tasas de convergencia y mtodos iterativos.
o Mtodo de la biseccin.
o Mtodo de la regla falsa.
o Mtodo de iteracin de punto fijo.
o Mtodo de Newton-Raphson.
o Mtodo de la secante.
o Races de polinomios.
o Clculo con polinomios.
o Mtodo de Muller.
4. Interpolacin numrica
o Introduccin.
o Interpolacin lineal.
Interpolacin cuadrtica.
Diferencias divididas.
Polinomios de Lagrange.
5. Integracin y diferenciacin numrica
o Frmulas de integracin de Newton-Cotes.
o Regla del trapecio.
o Reglas de Simpson.
o Cuadratura de Gauss.
o Diferenciacin numrica.
6. Solucin numrica de ecuaciones diferenciales
o Introduccin.
o Mtodo de Euler.
o Mtodo de Heun.
o Mtodos de Runge-Kutta.
o Problemas de valores en la frontera.
o
o
o
Mtodo de diferencias finitas.

METODOLOGA
La metodologa del curso corresponde a utilizar las lecturas que esta tiene como complemento de lo que se reciba en el curso, o
como repaso para quienes deseen observar el contenido de ste.
Pero principalmente se usar como objeto de evaluacin y participacin para los estudiantes matriculados en el curso. Aqu,
propondrn temas de discusin en los foros, podrn hacer complementos en parte del contenido y entregarn trabajos que se
propongan en el curso y que sean montadas en la plataforma.
Bibliografa
BURDEN, Richard & Faires, Douglas; Anlisis Numrico 6 Edicin. Editorial Iberoamericana. 1998
CHAPRA, Steven & Canale, Raymond; Mtodos Numricos para Ingenieros. 4a Ed. McGraw Hill, 2002
ASMAR Ch., Ivn F; Mtodos Numricos, un primer curso. Departamento de Matemticas, Universidad Nacional de
Colombia, Medelln. http://www.unalmed.edu.co/~ifasmar/
KINCAID, D; Cheney, W; Anlisis Numrico, Addison-Wesley. 1994
SMITH, W. Allen; Anlisis Numrico. Prentice-Hall, 1988.
HEATH, Michael; Scientific Computing: An introductory survey. McGraw Hill. 1997.
http://www.cse.uiuc.edu/heath/scicomp/
COMO VISUALIZAR LOS CONTENIDOS
Cuando se desee abrir un recurso ya sea una pgina, una tarea, un archivo, etc., este se abrir en una pgina auxiliar. para que
una vez se cierre este recurso, la pgina principal no se cerrar, y estar disponible ms fcilmente para cuando se desee ver otro
recurso.
Si se tiene un bloqueador de ventanas emergentes (o pop-up's), asgnele al explorador la opcin de permitir abrir ventanas
emergentes para la pgina del curso, as se podrn visualizar los contenidos del curso.
PROCESO DE SOLUCIN DE PROBLEMAS DE INGENIERA
Diego Lpez
Monitor Anlisis Numrico
Carlos lvarez
Docente UdeA
La meta de la simulacin computacional es hacer predicciones de eventos fsicos usando modelos computacionales
implementados con cdigos apropiados.
Referencias:
Este mdulo fue desarrollado por el profesor Carlos lvarez y contiene el esquema general del desarrollo numrico.
EJEMPLO MODELO DE CADA LIBRE
Diego Lpez
Carlos lvarez
Docente UdeA
Se tiene el tpico ejemplo del paracaidista en caida libre. La idea es determinar las relaciones
existentes entre cada una de las variables fsicas (reales) implicadas en la caida libre.
Enunciado: Un paracaidista con masa, m = 68.1 kg salta de un globo fijo. Calcular la velocidad antes
de abrir el paracadas. El coeficiente de resistencia es de aproximadamente c = 12.5 kg/s. Aceleracin
debida a la gravedad g = 9.8 m/s2.
Primero se procede a determinar una expresin matemtica (frmula) que contenga la mayor
cantidad de variables y parmetros posible, con el fin de describir el fenmeno a estudiar de la mejor
manera intentando asemejar la realidad.
Por la Segunda Ley de Newton:
Esta frmula relaciona las fuerzas (F) involucradas en el fenmeno con la masa (m) del cuerpo y la
aceleracin (a) del cuerpo en cada libre.
Despejando el trmino de la aceleracin, a, y representndolo como la razn de cambio de la
velocidad respecto al tiempo, tambin determinando las fuerzas externas a las que est sometido el
cuerpo, FD: Fuerza debida a la gravedad, y FU: Fuerzas debido a la resistencia del aire; y
reemplazando:
Simplificando:
sta es una Ecuacin Diferencial Ordinaria (EDO) que relaciona la aceleracin de un cuerpo que cae,
con las fuerzas que actan sobre l. Si el cuerpo est inicialmente en reposo (v = 0, t = 0). La EDO se
puede resolver por los mtodos clsicos (solucin analtica) o recurrir a aproximaciones numricas
para encontrar un valor cercano a la respuesta verdadera.
Solucin analtica (terica): Este problema en particular posee solucin analtica, que entrega
resultados "exactos".
Sustituyendo los datos de entrada del enunciado en la ecuacin anterior:
Solucin numrica (aproximada): Aproximando la razn de cambio de la velocidad respecto

al tiempo:
El cul resulta del clculo:
Esta ecuacin se denomina diferencia finita dividida, y es una aproximacin de la derivada en el tiempo
i, ti.
Sustituyendo en la ecuacin aproximada:
Reordenando:
El significado de la anterior ecuacin puede resumirse as:

Nuevo valor = viejo valor + pendiente x tamao de paso
Al principio de los clculos (t = 0), la velocidad del paracaidista es igual a cero (0). Con esta informacin
y los valores de los parmetros dados, se puede usar la ltima ecuacin para calcular la velocidad en
cada uno de los tiempos siguientes. Empleando un tamao de paso (ti+1 - ti) igual a 2s.
Comparacin de la solucin exacta y la aproximada:
Referencias:
Este mdulo fue desarrollado a partir de apuntes del curso tomados por Diego Lpez, y explica con un ejemplo sencillo como
infuye en un resultado la aplicacin de mtodos numricos, ya que algunos mtodos algebraicos que normalmente conocemos no
pueden implementarse en un computador.
Problema retomado de:
CHAPRA, Steven & Canale, Raymond; Mtodos Numricos para Ingenieros. 4a Ed. McGraw Hill, 2002. Captulo 1. Pgina 12.
DEFINICIONES DE ERROR
Diego Lpez
Carlos lvarez
Docente Udea
Los errores numricos se generan con el uso de aproximaciones para representar las operaciones y cantidades matemticas. La
relacin entre el resultado exacto o verdadero y el aproximado est dada por:
Valor verdadero = aproximacin + error
De lo anterior se concluye que el error numrico resulta de la diferencia entre el valor verdadero y la aproximacin,
Ev = valor verdadero aproximacin
Ev : Valor exacto o verdadero del error.
No siempre se cuenta con el valor verdadero, por lo que se debe emplear una estimacin aproximada del error. Esta definicin no
toma en cuenta la magnitud de la medicin.
Ej.: Un error de 1 cm. es mucho ms significativo si se est midiendo una hoja tamao carta, que un puente.
Una manera de tener en cuenta la magnitud es normalizar el error respecto a un valor de referencia, a esta nueva forma de
redefinir el error se le llama Error Relativo:
Referencias:
Este mdulo fue desarrollado por el profesor Carlos lvarez, tambin ver del libro: HEATH, Michael; Scientific Computing: An
introductory survey. McGraw Hill. 1997. Captulo 1. Pginas 3 a 6.
En resumen presenta el concepto bsico de error y como se calcula ste.
REPRESENTACIN DE NMEROS EN EL COMPUTADOR
Diego Lpez
Carlos lvarez
Docente UdeA
Cada nmero del computador se representa mediante un nmero finito de dgitos. Este conjunto, que slo contiene nmeros
racionales, es llamado conjunto de nmeros de punto flotante.
Un nmero del computador o de punto flotante, distinto de cero, se describe matemticamente en la forma:
: Signo del nmero (+1 -1).

: entero que denota la base del sistema numrico usado.
= 2: Sistema binario.
= 8: Sistema octal.
= 10: Sistema decimal.
= 16: Sistema hexagecimal.
ai , i = 1, 2, ..., t : entero con 0 ai 1.
Los enteros 0, 1,..., -1 son llamados dgitos en la base .
El trmino (.a1a2...at) denota la suma:
y es llamada mantisa.
t: indica el nmero de dgitos en la base , llamado precisin.
t = 6 t = 7 : Precisin simple para = 10 .
t = 14 t = 15 : precisin doble o extendida para = 10.
e: entero llamado exponente, tal que, L e U. L(menor exponente) y U(mayor exponente) tambin son enteros y dependen de la
mquina utilizada.
La precisin de un computador quedar caracterizada por:
La base, .
El mximo largo de la palabra, t.

El rango del exponente, dado por U y L.
Todo nmero cuya representacin de punto flotante requiera de un exponente mayor que U, ser considerado infinito () y el
programa avisar que no es un nmero (NaN).
Todo nmero cuya representacin de punto flotante requiera de un exponente menor que L, ser considerado cero (0). Al trabajar
con un dispositivo de calculo, como lo es una computadora, estamos trabajando con un conjunto de nmeros, el cual NO es el de
los nmeros reales.
El conjunto de los nmeros reales, tal como lo conocemos tiene las siguientes caractersticas:
Es infinito en ambos extremos (positivos y negativos).

Es continuo.
Cada numero puede tener una cantidad ilimitada de cifras.
Los nmeros pueden ser tan pequeos como se desee.
El conjunto de los nmeros que se manejan en una computadora:
Es finito en ambos extremos.

No es continuo.
Cada numero tiene una cierta cantidad mxima de cifras.
Los nmeros no pueden ser tan pequeos como se desee.
Un computador almacena los nmeros en sistema binario, usando un nmero determinado de bytes (dependiendo del tipo de dato
del que se trate y de la computadora que se emplee).
Al realizar operaciones es prcticamente inevitable que se tengan errores de redondeo.
Otros aspectos importantes...
Divisin entre nmeros cercanos a 0.

Multiplicacin por nmeros grandes.
Suma de cantidades de distinto orden de magnitud.
Resta de nmeros casi iguales.
Ejemplo: Supngase que el valor de = 3.141592658..., es guardado en un sistema de numeracin de base 10 que lleva 7 cifras
significativas.
Cortando: = 3.141592 , el error asociado es:
Et = 0.00000065...
Utilizando el corte se introduce un sesgo porque todos los errores son positivos.
La deficiencia del corte es atribuida al hecho que los altos trminos en la representacin decimal completa no tiene impacto
en la versin corta.
Redondeando: = 3.141593 , el error relativo es:

Et = -0.00000035.
No se produce sesgo. Algunos errores son positivos y otros negativos.

El redondeo produce un error bajo absoluto de corte.
Aumenta cantidad de tiempo en el procesamiento.
Algunas mquinas utilizan el corte debido al hecho de que la cantidad de cifras significativas es alta.
Sea x un nmero no representable por su largo excesivo y fl(x) su representacin de punto flotante de largo adecuado, entonces, el
error cometido por fl(x) ser:
Por redondeo:
Por truncamiento:
A la cantidad 1-t, se le denomina psilon de la mquina.

Referencias:
Este mdulo fue desarrollado tomando resmenes de clase hechos por Diego Lpez.
Esta lectura provee definiciones cortas acerca de los principales conceptos que se deben tener en cuenta para la representacin
de los nmeros por parte del computador y que hacen parte de la aritmtica de punto flotante que sta desarrolla para representar
los resultados de las operaciones.
SERIES DE TAYLOR Y ERRORES DE TRUNCAMIENTO
Diego Lpez
Carlos lvarez
Yony Ceballos
Docentes UdeA
La serie de Taylor provee un medio para predecir el valor de una funcin en un punto en trminos del valor de la funcin y sus
derivadas en otro punto.
Teorema de Taylor: Si la funcin f y sus primeras n+1 derivadas son continuas en un intervalo que contiene a a y a x, entonces el
valor de la funcin en un punto x est dado por:
La expansin en series de Taylor de n-simo orden debe ser exacta para un polinomio de n-simo orden.
Para otras funciones continuas diferenciables, como las exponenciales o sinusoidales, no se obtiene una estimacin exacta
mediante un nmero finito de trminos.
El valor prctico de las series de Taylor radica en el uso de un nmero finito de trminos que darn una aproximacin lo
suficientemente cercana a la solucin verdadera para propsitos prcticos.
Cuntos trminos se requieren para obtener una aproximacin razonable?
La ecuacin para el trmino residual se puede expresar como:
Significa que el error de truncamiento es de orden hn+1. El error es proporcional al tamao del paso h elevado a la (n+1)-sima
potencia.
Ejemplo: Si el error es O(h) y se reduce a la mitad del paso, entonces el error se reduce a la mitad. Si el error es O(h2) el error se
reducir a la cuarta parte.
Error de Propagacin:
Supngase que se tiene una funcin f(u). Considere que es una aproximacin de u ( = u+h, con h tamao de paso). Por lo tanto,
se podra evaluar el efecto de la discrepancia entre u y en el valor de la funcin.
Si u es cercana a y f(u) es continua y diferenciable:
Estabilidad y Condicin:
La condicin de un problema matemtico relaciona a su sensibilidad los cambios en los datos de entrada.
Un clculo es numricamente inestable si la incertidumbre de los valores de entrada aumentan considerablemente por el mtodo
numrico.
Usando la serie de Taylor de primer orden:
Estimando el error relativo de f(x) como en:
El error relativo de x est dado por:
Un nmero condicionado puede definirse como la razn de estos errores relativos:

Nmero Condicionado:
El nmero condicionado proporciona una medida de hasta qu punto la incertidumbre de x es aumentada por f(x):
Un valor de 1 nos indica que el error relativo de la funcin es idntico al valor relativo de x.
Un valor mayor que 1 nos indica que el error relativo es amplificado.
Un valor menor que 1 nos indica que el error relativo est disminuyendo.
Funciones con valores muy grandes nos dicen que estn mal condicionados.
El error numrico total es la suma de los errores numricos de truncamiento y redondeo. Un camino para minimizar los errores de
redondeo es incrementar el nmero de cifras significativas de la computadora.
El error de truncamiento puede reducirse con un tamao de paso ms pequeo. Los errores de truncamiento pueden ser
disminuidos cuando los de redondeo aumentan.
No hay forma sistemtica y general para evaluar el error numrico para todos los problemas.La estimacin se basa en la
experiencia y buen juicio del ingeniero.
Evitar la resta de dos nmeros casi iguales reordenando o reformulando el problema.
Aritmtica de precisin extendida.
Clasificarlos y trabajar primero con los nmeros ms pequeos.
Para predecir el error numrico un buen camino es emplear la Serie de Taylor.
Por ltimo, se deben repetir los experimentos numricos modificando el tamao de paso y comparando los resultados.
Referencias:
Este mdulo fue desarrollado por Diego Lpez.
En resumen, la serie de Taylor nos proporciona una buena forma de aproximar el resultado de una ecuacin algebraica cualquiera,
por supuesto, para hacer esta aproximacin slo se pueden tomar unas cuantas expresiones de esta serie, por lo que el resto
resulta en un error conocido como el trmino residual, es a apreciacin de quien desarrolla este mtodo escoger cuantos trminos
deber incluir en la aproximacin.
Es tambin a apreciacin del desarrollador escojer la mejor aproximacin para resolver una expresin algebraica, ya que se
pueden incurrir en errores cada vez que se desarrolla de forma repetida el procedimiento, incurriendo en errores en el resultado.
INTRODUCCIN
Diego Lpez
Monitor
El objetivo de la unidad es estudiar algunos mtodos numricos para hallar races de una ecuacin no-lineal de una variable.
Considerando, inicialmente, el problema de encontrar una raz de una funcin no-lineal con dominio y valores reales, es decir,
resolver la ecuacin:
Suponiendo que f es continua, con una sola raz [a, b], y que sta es simple (f cambia de signo en ese lugar).
Referencias:
Este mdulo fue desarrollado por Diego Lpez, usando apuntes de clase.
SOLUCIN DE ECUACIONES NO LINEALES
Diego Lpez
Monitor
Un sistema de ecuaciones lineales tiene solucin nica si la matriz de coeficientes es no singular.
La existencia y unicidad de soluciones de ecuaciones no-lineales es mucho ms complicado, difcil de determinar y con una mayor
variedad de comportamientos.
Para un sistema de ecuaciones lineales existen tres posibilidades: nica, infinitas o ninguna solucin.
Una ecuacin no-lineal puede tener cualquier nmero de posibles soluciones.
Una ecuacin no-lineal puede tener mltiples races, donde tanto la funcin como su derivada son iguales a cero.
Esta propiedad significa que la curva tiene una tangente horizontal en el eje x.
Si f(x) = 0 y f(x) 0, entonces se dice que se tiene una raz simple.
Referencias:
Este mdulo fue desarrollado por Diego Lpez usando apuntes de clase.
El objetivo de esta unidad es hallar la solucn de una ecuacin no lineal de la forma como se presenta ms arriba. Aunque no hay
certeza de que haya slo una solucin, nos dedicaremos a buscar aquella que se encuentre ms cercana a unos puntos definidos
ya sea por el problema o la aplicacin.
TASAS DE CONVERGENCIA Y MTODOS ITERATIVOS
Diego Lpez
Monitor
Para verificar y comparar la efectividad de un mtodo iterativo es necesario caracterizarlo, para esto se usa la tasa de covergencia.
Hay ciertos aspectos que se deben tener en cuenta al respecto, por ejemplo que muchas ecuaciones no-lineales no pueden
resolverse an con un nmero muy grande de iteraciones.
El costo total de resolver un problema no-lineal depende del costo por iteracin y del nmero de iteraciones requeridas para la
convergencia.
El error en la iteracin k est dado por:
Donde: xk es la solucin aproximada en la iteracin k y x* es la solucin verdadera.

Se dice de un mtodo, que ste converge con tasa de convergencia r si:
Y se dice de esta tasa de convergencia que, para una constante C 0:

Si r=1 y C<1, la tasa de convergencia es lineal.
Si r>1, la tasa de convergencia es sper lineal.
Si r=2, la tasa de convergencia es cuadrtica.
Referencias:
Este mdulo fue desarrollado por Diego Lpez usando notas del libro:
HEATH, Michael; Scientific Computing: An introductory survey. McGraw Hill. 1997. Paginas 153-154.
En resumen, para saber si una ecuacin no lienal converge podemos llevarla a una prueba realizada por una expresin, los
parmetros que ya se explicaron determina la convergencia de la ecuacin.
MTODO DE BISECCIN
Diego Lpez
Monitor
Carlos lvarez
Docente UdeA
Sea f una funcin continua en un intervalo [a, b], y f(a) x f(b) < 0. Por teorema del valor intermedio para funciones continuas, existe
al menos un (a, b), tal que f() = 0.
Este mtodo consiste en dividir sucesivamente el intervalo [a, b], por la mitad, hasta que la longitud del subintervalo que contiene a
la raz sea menor que alguna tolerancia especificada .
WHILE ((b - a) > tol) DO
m = a + (b - a)/2
IF sign(f(a)) * sign(f(b)) > 0 THEN
a = m
ELSE
b = m
END
END
Ventajas:
Siempre converge.
til como aproximacin inicial de otros mtodos.
Desventajas:
No tiene en cuenta la magnitud de los valores de la funcin en las aproximaciones calculadas xn, solo tiene en cuenta el signo de
f(x), lo que hace que una aproximacin intermedia, mejor que la respuesta final, pase desapercibida.
Convergencia lenta.
Mtodo linealmente convergente, r = 1, C = 0.5.
Referencias:
Este mdulo fue desarrollao por Diego Lpez usando notas del libro:
HEATH, Michael; Scientific Computing: An introductory survey. McGraw Hill. 1997. Pginas 154-155.
El mtodo ms sencillo para encontrar races de ecuaciones no lineales es el mtodo de la biseccin.
Aunque es "certero" en encontrar una raz, es la que lleva ms tiempo, ya que no posee memoria, ya que no es suficiente si este
est muy cerca de la raiz, slo se detendr hasta que llegue a una tolerancia.
MTODO DE LA REGLA FALSA
Diego Lpez
Monitor
Carlos lvarez
Docente UdeA
Este mtodo es similar al mtodo de Biseccin en el sentido de que se generan subintervalos [an,bn], que encierran a la raz a, pero
esta vez xn no es el punto medio de [an,bn], sino el punto de interseccin de la recta que pasa por los puntos (an,f(an)), (bn,f(bn)), con
el eje x.
Referencias:
Este mdulo fue desarrollado por Carlos lvarez usando apuntes de:
CONTE, de BOOR. Elementary Numerical Analysis, An Algorithmic Approach. Third Edition. McGraw Hill Book Company. 1980.
Captulo tres. Pginas 76 a 78.
El mtodo de la regla falsa proporciona una solucin ms rpida que el mtodo de biseccin ya que usando una recta que pasa por
los dos puntos dados, encuentra un valor que corresponde al punto de corte de esta recta con el eje x, este nuevo punto
reemplazar a uno de los dos iniciales. Seguir este proceso hasta llegar a una tolerancia.
MTODO DE ITERACIN DE PUNTO FIJO
Diego Lpez
Monitor
Carlos lvarez
Docente UdeA
Dada una ecuacin f(x) = 0, podemos transformarla, de alguna manera, en otra equivalente del tipo x = g(x) para alguna funcin g.
En este caso se tiene que: a es raz de f(x) = 0 f(a) = 0 a = g(a) a es raz de x = g(x).
Definicin:
Un nmero a tal que a = g(a) se dice un punto fijo de la funcin g.
Cundo una funcin g tiene un punto fijo, y si lo tiene, cmo encontrarlo?
Teorema de punto fijo:
Si g es una funcin continua en [a, b] y g(x) [a, b] para todo x [a, b], entonces g tiene por lo menos un punto fijo en [a, b]. Si
adems, g(x) existe para todo x [a, b], y |g(x)| K < 1 para todo x [a, b], K constante, entonces g tiene un nico punto fijo x [a, b].
La sucesin {xn}, con n definida, se encuentra mediante la frmula de iteracin:
El comportamiento de los esquemas de punto fijo puede variar ampliamente desde la divergencia, lenta convergencia, a la rpida
convergencia.
La va ms simple (aunque no ms general) de caracterizar el comportamiento de la iteracin de punto fijo es considerar la
derivada de g en la solucin x*.
Si x* = g(x*) y |g(x*)| < 1, entonces el esquema es localmente convergente. Es decir, existe un intervalo conteniendo x* tal que el
correspondiente esquema iterativo es convergente si comienza dentro del intervalo.
Referencias:
Este mdulo fue desarrollado por Diego Lpez, usando notas del libro:
HEATH, Michael; Scientific Computing: An introductory survey. McGraw Hill. 1997. Captulo 5. Pginas 155 a 158.
El mtodo de punto fijo proporciona una base para otros tipos de mtodos que utilizan ecuaciones aproximadas para buscar la raz
de una ecuacin no lineal.
Como se ver en los prximos mdulos de esta unidad, se usarn expresiones como derivadas y polinomios hechos en base a
esta regla para encontrar las soluciones.
MTODO DE NEWTON - RAPHSON
Diego Lpez
Monitor
De acuerdo con la serie truncada de Taylor:
Reemplazamos la funcin no-lineal f con esta funcin lineal, cuyo cero es fcilmente determinado, para hacer h = f(x) / f(x),
asumiendo que f(x) 0. Como lo de las dos funciones no se repite en general, entonces se vuelve a hacer el proceso. Esto motiva
al siguiente esquema iterativo:
El mtodo de NewtonRaphson puede interpretarse como la aproximacin de la funcin cerca de xk por la recta tangente f(xk).
Desventajas del Mtodo de Newton-Rhapson:
- Lenta convergencia debida a la naturaleza de una funcin en particular.
- Cuando un punto de inflexin, f(x) = 0, ocurre en la vecindad de una raz.
- No existe un criterio general de convergencia.
Tener un valor suficientemente cercano a la raz.
Apoyarse de herramientas grficas.
Conocimiento del problema fsico.
- Evaluacin de la derivada.
Referencias:
Este mdulo fue desarrollado por Diego Lpez, usando apuntes del curso.
El mtodo de Newton-Raphson utiliza una aproximacin de la pendiente la cual consiste en encontrar la derivada de la funcin y as
aplicarla en la ecuacin que se encuentra ms arriba. El principal problema radica en que encontrar esa derivada para una funcin
f(x) es muy difcil, sin contar que esta a veces puede ser cero.
MTODO DE LA SECANTE
Diego Lpez
Monitor
Un problema potencial en el mtodo NewtonRaphson es la evaluacin de la derivada. Esta se puede aproximar mediante una
diferencia dividida finita regresiva.
Caractersticas del Mtodo de la Secante:

Requiere de dos puntos iniciales de x.
Idntico al mtodo de la Regula Falsi.
No se requiere que f(x) cambie de signo.
La diferencia est en la forma en que uno de los valores iniciales es reemplazado por la nueva aproximacin.
Referencias:
HEATH, Michael; Scientific Computing: An introductory survey. McGraw Hill. 1997. Capitulo 5. Pginas 160-161.
El mtodo de la secante propone una variable del mtodo de Newton-Raphson, ya que en vez de una derivada explcita, la reemplaza po
una aproximacin de sta, lo cual implica obviamente un mayor error en el resultado.
RACES DE POLINOMIOS
Carlos lvarez
Docente UdeA
En esta seccin se vern mtodos para encontrar las races de ecuaciones de la forma general:
Donde n es el orden del polinomio, y los ai son los coeficientes constantes.
Las races de tales polinomios tienen las siguientes reglas:

Para la ecuacin de orden n, hay n races reales o complejas, no necesariamente distintas.
Si n es impar, hay al menos una raz real.
Si existen races complejas, existe un par conjugado, esto es, a + bi y a - bi, donde:
Polinomios en Ciencias e Ingeniera:

Aplicaciones de polinomios en Ciencias e Ingeniera:
Ajuste de curvas.
Sistemas dinmicos.
Sistemas lineales
Sea un sistema de segundo orden definido por la siguiente EDO:
Donde y y t son variables dependientes e independientes, respectivamente, las ai son coeficientes constantes, y F(t) es la funcin
de "fuerza", que representa los efectos del mundo externo sobre el sistema. La ecuacin anterior se puede expresar
alternativamente como un par de EDO de primer orden mediante:
La solucin general u homognea, trata el caso cuando la funcin fuerza es cero (F(t) = 0). La homognea dir algunos aspectos
fundamentales acerca de los sistemas que est estimulando. Cmo responden los sistemas ante la ausencia de un estmulo
externo.
La solucin general de todos los sistemas sin fuerza es de la forma: y = ert. Derivando esta solucin y sustituyndola en la
homognea se tiene:
Y cancelando trminos exponenciales:
Este resultado es un polinomio llamado la ecuacin caracterstica, las races de la ecuacin caracterstica son los valores de r que
satisfacen esta ecuacin. Las r se conocen como los valores caractersticos, o eigenvalores del sistema. Al evaluar estas races con
la frmula cuadrtica:
Se obtienen dos races, y se presentan los siguientes casos:

- Si el discriminante (a12 4a2a0) > 0, las races son reales y la solucin general se puede representar como:
Las c son constantes y pueden determinarse con las condiciones iniciales. Este caso es llamado sobreamortiguado.
- Si el discriminante es cero, resulta una sola raz real y la solucin general es:
Este caso es llamado amortiguamiento crtico.
- Si el discriminante es negativo (< 0), las races son nmeros complejos conjugados:
La solucin general puede formularse como:
El comportamiento fsico de esta solucin puede ser aclarado mediante la frmula de Euler:
Reformulando la solucin general como:
Este caso es llamado subamortiguado.

Estas ecuaciones representan las posibles soluciones de un sistema dinmico lineal. El trmino exponencial significa que la
solucin puede decaer (parte real negativa) o crecer (parte real positiva). El trmino sinusoidal (parte imaginaria) significa que la
solucin puede oscilar. Si el eigenvalor tiene tanto parte real como imaginaria, las formas exponencial y sinusoidal son
combinadas. Tal conocimiento es esencial para entender, disear y controlar el comportamiento de sistemas fsicos.
Por todo lo anterior, los polinomios caractersticos son importantes en ingeniera y en diferentes ramas de las ciencias.
Referencias:
Este mdulo fue desarrollado por el profesor Carlos lvarez, usando notas de su curso.
La base de este mdulo es mostrar la importancia que tienen los polinomios como principales expresiones para solucionar otras
ecuaciones, y como estas se implementan para dar una solucin ptima.
En esta unidad, por ejemplo, para encontrar la raiz de una ecuacin no lineal, se utilizan lneas rectas, o sea, polinomios de
segundo grado.
En las prximas unidades tambin se ver la implementacin de polinomios.
CLCULO CON POLINOMIOS

Diego Lpez
Monitor
Carlos lvarez
Docente UdeA
La forma de la ecuacin diferencial es la ms comn para definir un sistema de segundo orden, aunque proporciona una medida
pobre para determinar el valor de un polinomio para un valor particular de x.
Al evaluar el polinomio de tercer orden como:
Implica seis multiplicaciones y tres sumas.

En general, para un polinomio de n-simo orden, la aproximacin requiere de n(n+1)/2 multiplicaciones y n sumas.En contraste, el
formato anidado:
Implica tres multiplicaciones y tres sumas.

Para el polinomio de n-simo orden, esta aproximacin requiere nmultiplicaciones y n sumas.
La forma anidada minimiza el nmero de operaciones y tambin tiende a minimizar los errores de redondeo.
El orden del anidamiento tambin puede ser invertido segn la preferencia.
Referencias:
Este mdulo fue desarrollado por el profesor Carlos lvarez usando sus notas de clase, tambin usando el libro:
HEATH, Michael; Scientific Computing: An introductory survey. McGraw Hill. 1997. Captulo 7. Pgina 224
El clculo con polinomios puede ser muy variado, dependiendo del orden como este est expresado, cuando se desea hacer
operaciones con polinomios el mtodo ms efectivo es aquel que de alguna manera implique menos operaciones, de este modo,
ser ms rpida su implementacin.
CLCULO CON POLINOMIOS
Diego Lpez
Monitor
Carlos lvarez
Docente UdeA
La forma de la ecuacin diferencial es la ms comn para definir un sistema de segundo orden, aunque proporciona una medida
pobre para determinar el valor de un polinomio para un valor particular de x.
Al evaluar el polinomio de tercer orden como:
Implica seis multiplicaciones y tres sumas.

En general, para un polinomio de n-simo orden, la aproximacin requiere de n(n+1)/2 multiplicaciones y n sumas.En contraste, el
formato anidado:
Implica tres multiplicaciones y tres sumas.

Para el polinomio de n-simo orden, esta aproximacin requiere nmultiplicaciones y n sumas.
La forma anidada minimiza el nmero de operaciones y tambin tiende a minimizar los errores de redondeo.
El orden del anidamiento tambin puede ser invertido segn la preferencia.
Referencias:
Este mdulo fue desarrollado por el profesor Carlos lvarez usando sus notas de clase, tambin usando el libro:
El clculo con polinomios puede ser muy variado, dependiendo del orden como este est expresado, cuando se desea hacer
operaciones con polinomios el mtodo ms efectivo es aquel que de alguna manera implique menos operaciones, de este modo,
ser ms rpida su implementacin.
MTODO DE MLLER
Recurdese que el mtodo de la secante obtiene races estimando una proyeccin de una lnea recta en el eje de las x a travs de
dos valores de la funcin.
El mtodo de Mller toma un punto de vista similar, pero proyecta una parbola a travs de tres puntos.
El mtodo consiste en obtener los coeficientes de tres puntos de la parbola. Estos coeficientes pueden ser sustituidos en la
frmula cuadrtica para obtener el punto donde la parbola intercepta el eje x; es decir, la raz estimada.
La aproximacin es fcil de escribir en forma conveniente como la ecuacin de una parbola:
Se busca esta parbola para intersectar los tres puntos [x0, f(x0)], [x1, f(x1)], [x2, f(x2)]. Los coeficientes de la ecuacin pueden
evaluarse al sustituir cada uno de esos tres puntos para dar:
Se tiene un sistema de tres ecuaciones con tres incgnitas (a, b y c).

De la ecuacin se saca que: c = f(x2).
Sustituyendo este resultado:
Utilizando manipulaciones algebraicas para encontrar a y b:
Sustituyendo y resolviendo:
El uso de la frmula cuadrtica provee tanto las races reales como las complejas.
Un problema de la ecuacin anterior, es que produce dos races.
En el mtodo de Mller, el signo cambia de acuerdo al signo de b.
Este cambio da como resultado un denominador grande, y por lo tanto, da la raz estimada ms cercana a x2.
INTRODUCCIN
Diego Lpez
Monitor
Carlos lvarez
Docente UdeA
Sistemas de Ecuaciones Lineales aparecen en muchos aspectos de las matemticas aplicadas y la computcin cientfica. Dichos
sistemas de ecuaciones lineales son de la forma:
a11x1+a12x2+a13x3+...+a1nxn=b1
a21x1+a22x2+a23x3+...+a2nxn=b2
:
an1x1+an2x2+an3x3+...+annxn=bn
En notacin matriz-vector, un sistema de ecuaciones algebraicas lineales tiene la forma:
A: Matriz.
b: Vector.
x: Es el vector de incgnitas a ser determinado.
Lo siguiente conduce a la pregunta: Puede el vector b ser expresado como una combinacin lineal de las columnas de la matriz A?
1. Los coeficientes de esta combinacin lineal estn dados por los componentes del vector solucin x.
2. Puede o no tener solucin.
3. Puede no ser nica.
Referencias:
Este mdulo fue desarrollado basabo en resmenes de clase hechos por Diego Lpez.
En resumen, el desarrollo para la solucin de sistemas de ecuaciones lineales est condicionado a si la matriz de coeficientes del
sistema proveen una solucin al sistema o si ste tiene infinitas soluciones o no tener solucin, este ser el principal tema de estudio de
esta unidad, como tambin lo ser las diferentes herramientas que ayudan a la solucin.
TIPOS DE MATRICES
Diego Lpez
Monitor
Nos centraremos en Sistemas Cuadrados, es decir, aquellos que pueden ser representados por una matriz cuadrada: A[m,n], donde:
m = n.
Tipos especiales de matrices cuadradas:
Matriz Identidad
Matriz Simtrica
Matriz Diagonal
Matriz Bandeada
Matriz Triangular Superior
Matriz Triangular Inferior
Singularidad y No Singularidad:
Una matriz se dice que es singular si presenta una de las siguientes propiedades:
A no tiene inversa, es decir, no existe una matriz M tal que:

A x M = M x A = I (matriz identidad).
det(A) = 0
Rango(A) < n : El rango de una matriz es el mximo nmero de filas o columnas linealmente independientes.
vi _|_ vj (i j), para cualquier vector v.
La solubilidad de un sistema de ecuaciones lineales est determinado si la matriz es o no Singular. Si sta es no Singular, el
sistema tiene solucin nica, de lo contrario, es decir, si la matriz caracterstica del sistema es Singular, el sistema puede tener
infinitas soluciones, o ninguna en absoluto.
Referencias:
Este mdulo fue desarrollado por Diego Lpez, con base en apuntes tomados de un curso llamado Geometra Vectorial y del libro:
Algebra Lineal con Aplicaciones. Stanley-Grossman. 5ta Edicin. Edit. Mc Graw Hill.
En resumen, muestra las principales caractersticas de una matriz para que sta pueda tener solucin. Adems, muestra unos
tipos de matrices con caractersticas especiales y que se vern mucho alrededor de la unidad.
MTODOS DE ELIMINACIN
Diego Lpez
Monitor
Carlos lvarez
Docente UdeA
Eliminacin Gaussiana Simple:
El mtodo de Eliminacin Gaussiana simple consta de dos pasos:
1. Eliminacin hacia adelante:
Se emplea para reducir el nmero de incgnitas de un conjunto de n ecuaciones con n incgnitas eliminando la primera incgnita de
xi, desde la i-sima ecuacin hasta la n-sima ecuacin.
Para esto, se multiplica la ecuacin anterior por el elemento pivote aij/ajj. Se sigue este procedimiento para cada una de las ecuaciones
y cada una de los elementos, hasta obtener un sistema triangular superior de la siguiente forma:
en donde los superndices indican la cantidad de veces que se tuvo que modificar cada ecuacin.
Pseudocdigo:
DO
=
DO
1,
=
k+1,
factor
=
j
=
k+1,
=
aij-factor
*
DO
aij
bi
bi-factor
n-1
n
aik/akk
n
akj
ENDO
bk
ENDO
ENDO
Sustitucin hacia atrs (back -substitution):
Consiste en reducir la matriz caracterstica del sistema en una matriz triangular superior, para despus sustituir una por una las
variables as despejadas.
Pseudocdigo:
xn
DO
n-1,
Sum
DO
j
Sum
=
=
1,
=
i+1,
sum+aij
bn/ann
-1
0
n
xj
xi
(bi
ENDDO
sum)/aij
ENDDO
Operacin de Conteo:
Para esta operacin el tiempo de ejecucin depende de la cantidad de operaciones de punto flotante (flop) involucradas en el
algoritmo. Adicionalmente, el tiempo consumido al ejecutar multiplicaciones y divisiones es casi el mismo y es mayor en sumas y
restas.
Para este caso O(mn) significa "trminos de orden mn y menores".

Desventajas de los Mtodos de Eliminacin:
Entre los varios problemas que se presentan al resolver un Sistema de Ecuaciones Lineales con estos Mtodos de Eliminacin se
pueden contar la divisin entre cero, cuando alguno de los elementos de la matriz es cero, errores de redondeo que se van
propagando a medida que se van reemplazando las variables en las ecuaciones superiores, sistemas singulares donde pueden
existir infinitas soluciones, o sistemas mal condicionados, donde una ecuacin es equivalente a otra ecuacin del mismo sistema.
Tcnicas para mejorar la solucin:

Ms cifras significativas:
Precisin doble o extendida.
Pivoteo:
Determinar el coeficiente ms grande disponible en la columna que est por debajo del elemento pivote. Intercambiar
renglones de manera tal que el elemento ms grande sea el pivote.
o
Evita divisin entre cero.
Minimiza error de redondeo.
Escalamiento:
Minimiza errores de redondeo.
Estandarizacin del valor determinante.
Referencias:
Este mdulo fue desarrollado por Diego Lpez, y con base en:
HUERTA, Sarrate-Ramos, Rodrguez-Ferrn. Metodos Numericos, Introduccion Aplicaciones y Propagacion. Edicions UPC. Primera
Edicin. 1998. Pginas 126 a 130.
Este mdulo presenta un mtodo para solucionar sistemas de ecuaciones lineales llamado Eliminacin Gaussiana. Es el mtodo
algebraico ms simple, cuya desventaja raica en una gran cantidad de operaciones pero cuya solucin es de las ms acertadas.
DESCOMPOSICIN LU
Diego Lpez
Monitor
El paso de la eliminacin que consume tiempo se puede reformular de tal manera que involucre slo operaciones sobre los
coeficientes de [A].
Conveniente para situaciones donde se tienen que evaluar varias veces el vector [b], para un mismo valor de [A].
El mtodo de eliminacin de Gauss se puede implementar como una descomposicin LU.
LU proporciona un medio eficiente para calcular la matriz inversa.
Revisin de descomposicin LU:
La anterior es una estrategia de dos pasos:
Descomposicin LU: La matriz a se factoriza o "descompone" en matrices triangular inferior (L), y superior (U).
Sustitucin: L y U se usan para determinar una solucin x para un lado derecho b. Este a su vez se divide en dos:
Ld = b, se usa para generar un vector intermedio d por sustitucin hacia delante.
El resultado es sustituido en Ux d = 0, que se resuelve por sustitucin hacia atrs.
Complejidad de resolver Sistemas Lineales usando el mtodo LU:
La eliminacin Gaussiana para realizar la descomposicin LU presenta un costo computacional del orden de m3/3.
Se puede resolver un sistema lineal explcitamente invirtiendo la matriz, entonces la solucin es dada por:
x = A-1b.
Calcular A-1 es tan costoso como resolver el sistema mismo.
La inversin explcita es 3 veces ms costosa como la descomposicin LU.
Produce prdida de precisin en la respuesta.
Referencias:
Este mdulo fue desarrollado por Diego Lpez, en base a apuntes tomados en clase.
Otro mtodo algebraico para solucionar sistemas de ecuaciones lineales, una caracterstica que lo diferencia de Eliminacin
Gaussiana es que tiene ms operaciones, lo que lo hace ms largo, pero la solucin es ms cercana a la real.
MTODOS INDIRECTOS
Diego Lpez
Monitor
Carlos lvarez
Docente UdeA
Un mtodo indirecto para solucines de un Sistema de Ecuaciones, aprovecha las estructuras particulares de ciertas matrices para
desarrollar esquemas de solucin eficientes. Ya se vi que los mtodos de descomposicin tienen una deficiencia en cuanto a
propagacin de error a medida que se despejan las ecuaciones. En el mtodo de Gauss Seidel se ver que ste puede ser
controlado por el nmero de iteraciones, llegando con cada una a un mejor nivel de aproximacin a la solucin real.
Matrices Especiales:
Matriz Banda: Matriz cuadrada en la que todos sus elementos son cero, con excepcin de una banda centrada sobre la diagonal
principal. Los sistemas de ecuaciones caracterizados por este tipo de matrices ocurren tpicamente en la solucin de sistemas de
ecuaciones diferenciales.
Dimensiones de un sistema de banda:
Ancho de banda (BW, Band Width) y el ancho de banda media (HBW, Half Band Width).
Tipicamente, un sistema de banda es aquel para el cual se cumple:
Sistemas Tridiagonales:
Una de las ventajas que tiene caracterizar un problema con un sistema tridiagonal, es que su aplicacin evita guardar grandes
nmeros de ceros que no se utilizan en la matriz cuadrada de A, y por lo tanto ste requiere menos memoria de cmputo.
Solucin por Algoritmo de Thomas:
- Descomposicin:
DO k=2, n
ek=ek/fk-1
fk=fk-ek*gk-1
END DO
- Sustitucin hacia Adelante:
DO k=2, n
rk=rk-ek*rk-1
END DO
- Sustitucin hacia Atrs
xn=rn/fn
DO k=n-1,1,-1
xk=(rk-gk*rk-1)/fk
END DO
Descomposicin de Cholesky:
Si se tienen dos matrices simtricas (definidas positivas), los elementos de stas se pueden descomponer de la siguiente manera,
dado que [A] = [L][LT], cada elemento de stas matrices se puede despejar como:
Referencias:
Este mdulo fue desarrollado por Diego Lpez, usando apuntes de clase, y notas del libro:
Edicin. 1998. Pginas 143-144.
A partir de unas particularidades que tienen algunas matrices, pueden desarrollarse algoritmos para solucionar estas matrices de
una manera ms simple y efectiva, es el caso del Algoritmo de Cholesky, que permite resolver matrices simtricas definidas
positivas, y el algoritmo de Thomas, que sirve para solucionar matrices tribanda.
MTODO DE JACOBI
Diego Lpez
Monitor
Yony Ceballos
Docente UdeA
Hasta ahora los mtodos directos e indirectos han tenido problemas con los redondeos y aproximaciones a la solucin real. Los
mtodos iterativos representan una alternativa potente para solucionar esta dificultad, puesto que stos se acercan ms a la
solucin real esperada a medida que se itera, de manera que la calidad de la aproximacin obtenida depender de la cantidad de
iteraciones que se ste dispuesto a efectuar. El planteamiento consiste en suponer un valor inicial y luego usar un mtodo
sistemtico para obtener una estimacin refinada de la solucin.
El Mtodo de Jacobi es uno de los mtodos iterativos ms conocidos.
Supngase que se tiene un sistema 3 x 3. Si los elementos de la diagonal no son todos cero, la primera ecuacin se puede
resolver para x1, la segunda para x2 y la tercera para x3, para obtener:
En general, para un sistema de ecuaciones lineales de n ecuaciones con n incgnitas, el Mtodo de Jacobi para encontrar un valor
k de una variable x es el siguiente:
El procedimiento consiste en asignar unos valores iniciales a las variables, usualmente se escoge "0" por simplicidad, de manera
que para generar la siguiente iteracin se sustituyen los valores obtenidos en la ecuacin siguiente, con lo que se obtiene:
En la siguiente seccin se ilustra cmo la convergencia de ste mtodo est dada por:
Convergencia del mtodo:

Para determinar si el mtodo de Jacobi converge hacia una solucin. Se evalan las siguientes condiciones de convergencia
(Nota: las siguientes van en un rden de modo que si se cumple una de las condiciones, comenzando por la primera por supuesto,
la evaluacin de las siguientes no es necesario realizarlas):
1. La matriz sea estrictamente dominante diagonalmente por filas (E.D.D. por filas), es decir, para todo i desde 1 hasta n que
es el tamao de la matriz A:
Es decir, el elemento de la diagonal correspondiente a la fila i debe ser mayor a la suma de los elementos de esa fila i.
2. A partir de la siguiente identidad:
Donde D corresponde a la matriz formada por los elementos de la diagonal de A (D=diag(a11, a22, ..., ann)), -L corresponde a
la matriz triangular inferior obtenida de la parte triangular estrictamente inferior de A, y -U corresponde a la matriz triangular
superior obtenida de la parte triangular estrictamente superior de A, se puede deducir la frmula vectorial de este mtodo:
, k = 1, 2, ...
De donde BJ (conocida como la matriz de iteracin de Jacobi) es D-1(L+U). Para que el mtodo de Jacobi converja hacia
una solucin,
, para una norma matricial inducida.
3. (BJ), que corresponde al mximo de los valores absolutos de las races de la ecuacin caracterstica de la matriz BJ (det(BJ
- I)) es menor que 1.
Referencias:
Este mdulo fue desarrollado por Diego Lpez usando notas de clase.
El mtodo de Jacobi es el mtodo iterativo ms elemental; mtodo iterativo ya que el proceso se repite tantas veces hasta llegara
una tolerancia, a partir de un vecotr inicial (el vector de ceros la mayora de las veces).
MTODO DE GAUSS - SEIDEL
Diego Lpez
Monitor
Al igual que el Mtodo de Jacobi, El Mtodo de Gauss-Seidel consiste en hacer iteraciones, a partir de un vector inicial, para encontrar
los valores de las incgnitas hasta llegar a una tolerancia deseada, la diferencia radica en que cada vez que se desee encontrar un
nuevo valor de una xi, adems de usar los valores anteriores de las x, tambin utiliza valores actuales de las x encontradas antes
(desde x0 hasta xi-1).
La ecuacin es la siguiente:
Este proceso de usar valores actuales para hallar un valor de x puede facilitar la convergencia del mismo.
Convergencia del mtodo:
Para determinar si el mtodo de Gauss-Seidel converge hacia una solucin. Se evalan las siguientes condiciones de
convergencia (Nota: las siguientes van en un rden de modo que si se cumple una de las condiciones, comenzando por la primera
por supuesto, la evaluacin de las siguientes no es necesario realizarlas):
1. La matriz sea estrictamente dominante diagonalmente por filas (E.D.D. por filas), es decir, para todo i desde 1 hasta n que
es el tamao de la matriz A:
Es decir, el elemento de la diagonal correspondiente a la fila i debe ser mayor a la suma de los elementos de esa fila i.
2. A partir de la siguiente identidad:
Donde D corresponde a la matriz formada por los elementos de la diagonal de A (D=diag(a11, a22, ..., ann)), -L corresponde a
la matriz triangular inferior obtenida de la parte triangular estrictamente inferior de A, y -U corresponde a la matriz triangular
superior obtenida de la parte triangular estrictamente superior de A, se puede deducir la frmula vectorial de este mtodo:
, k = 1, 2, ...
De donde BG (conocida como la matriz de iteracin de Gauss-Seidel) es (D-L)-1U. Para que el mtodo de Jacobi converja
hacia una solucin,
, para una norma matricial inducida.
3. (BG), que corresponde al mximo de los valores absolutos de las races de la ecuacin caracterstica de la matriz BG
(det(BG - I)) es menor que 1.
Referencias:
Este mdulo fue desarrollado por Diego Lpez usando apuntes de clase.
El mtodo de Gauss-Seidel proporciona una solucin ms rpida que Jacobi ya que usa valores recin calculados en la solucin de
las incgnitas a calcular.
MTODO SOR
Diego Lpez
Monitor
Despus de calcular un nuevo valor de x por la ecuacin de Gauss Seidel, ese valor se modifica por un promedio ponderado de los
resultados de las iteraciones gs (hecha con Gauss-Seidel) y anterior, esto se conoce como tcnica SOR(sucessive over-relaxation) o de
relajacin. El esquema es el siguiente:
Donde es un factor de convergencia, el cual va dsde 0 hasta 2.

Referencias:
Este mdulo fue hecho por Diego Lpez.
En resumen, el mtodo SOR proporciona una solucin ms rpida si este converge por Gauss Seidel o lo ayuda a converger en caso
de no ser as. Todo depende del parmetro lambda.
INTRODUCCIN
Diego Lpez
Monitor
El objetivo de la unidad es estimar valores intermedios entre datos precisos (usando mtodos numricos).
Los datos a menudo son dados para valores discretos a lo largo de un rango continuo.
Existen dos procedimientos generales:
Regresin por mnimos cuadrados (Estadstica).
Interpolacin.
En esta unidad nos referiremos al mtodo de interpolacin.
Recuerdese que la frmula general de un polinomio de n-simo orden es:
Para n+1 puntos, existe uno y slo un polinomio de n-simo orden o menor que pasa a travs de todos los puntos. Por ejemplo,
hay slo una lnea recta (es decir, un polinomio de primer orden) que conecta dos puntos.
El polinomio de interpolacin consiste en determinar el nico polinomio de n-simo orden que se ajusta a los n+1 puntos dados.
Este polinomio proporciona una frmula para calcular los valores intermedios.
Referencias:
Este mdulo fue desarrollado por Diego Lpez, usando notas de clase.
La interpolacin es el mtodo el cual, a partir de un nmero determinado de puntos en un plano, encontrar el polinomio que pase
sobre estos puntos; esto nos sirve, una vez se tiene este polinomio, para estimar el valor que se encuentre en un punto intermedio.
Esta tcnica es muy usada por ejemplo en la estadstica para estimar datos por ejemplo, en un tiempo determinado, dado unas
observaciones en tiempos previos o posteriores.
INTERPOLACIN LINEAL
Diego Lpez
Monitor
El mtodo ms simple de interpolacin es conectar dos puntos mediante una lnea recta.
La notacin f1(x) designa que es una interpolacin de polinomios de primer orden.

Cuanto menor sea el intervalo entre las x, mejor ser la aproximacin.
Referencias:
El mtodo ms simple de interpolacin es aquel donde se usan dos puntos, y por stos se traza una linea recta; luego, para
estimar un valor intermedio, slo basta calcular el punto ubicado en esa recta que pasa por el valor que se desea estimar.
INTERPOLACIN CUADRTICA
Diego Lpez
Monitor
Carlos lvarez
Docente UdeA
El error en la interpolacin lineal resulta de aproximar una curva con una lnea recta.
Estrategias:
Disminuir el tamao del intervalo.
Introducir alguna curvatura en la lnea que conecta los puntos.
Si tres puntos de los datos estn disponibles, esto puede realizarse con un polinomio de segundo grado (parbola).
Puede utilizarse un procedimiento simple para determinar los valores de los coeficientes.
Sustituyendo las ecuaciones anteriores, y evaluando en x = x1:
Sustituyendo nuevamente, y ahora evaluando en x = x2:
Referencias:
Para optimizar la interpolacin lineal vista en el mdulo anterior, se puede utilizar otro punto de referencia ms, teniendo ahora
tres, y de este modo pasar de el desarrollo de una recta, a una parbola que pasa por los tres puntos, y as tener una mayor
precisin en la estimacin de un punto intermedio.
Este mtodo de usar puntos varios para luego descifrar un polinomio que pasa por ellos se generalizar usando dos mtodos que
se vern en los prximos mdulos.
DIFERENCIAS DIVIDIDAS
Diego Lpez
Monitor
Carlos lvarez
Docente UdeA
Los resultados del apartado anterior pueden ser generalizados para ajustar un polinomio de n-simo orden a n+1 datos:
De igual manera que para las interpolaciones lineal y cuadrtica, se llega a:
Conocido como Polinomio de interpolacin por diferencias divididas de Newton.

Las evaluaciones de las funciones puestas entre corchetes (f[x1, x0], por ejemplo) son diferencias divididas finitas.
La primera diferencia dividida finita se representa como:
La segunda diferencia dividida finita, la cual representa la diferencia de las dos primeras diferencias divididas, se expresa como:
La nsima diferencia dividida finita es:
Error al interpolar Polinomios de Newton:

La ecuacin del Polinomio de Interpolacin por Diferencias Divididas de Newton es similar a la serie de expansin de Taylor. Se
agregan trminos en forma secuencial para capturar el comportamiento de alto orden de la funcin a analizar.
Estos trminos son diferencias divididas finitas y, as, representan aproximaciones de derivadas de orden mayor.
Error de truncamiento:
Para una interpolacin de n-simo orden, una relacin anloga para el error es:
Para esta frmula la funcin debe conocerse.
Una formulacin alternativa es el uso de la diferencia dividida para aproximar la derivada (n+1)sima y que no requiere el
conocimiento previo de la funcin.
Debido a que esta ecuacin contiene el trmino f(x), no puede resolverse para el error. Si se dispone de un dato adicional la
ecuacin puede usarse para estimar el error.
Algoritmo de interpolacin de Newton:

La ecuacin obtenida de ajustar el polinomio puede desarrollarse en forma secuencial para versiones de orden mayor con la
adicin de un solo trmino a la siguiente ecuacin de orden inferior. Al agregarse nuevos trminos en forma secuencial se puede
determinar cuando se alcanza un punto de disminucin de regreso, es decir, cuando la adicin de trminos de orden superior ya no
mejora de manera significativa la estimacin, o en otras situaciones la aleja.
Las diferencias divididas finitas que constituyen los coeficientes del polinomio se pueden calcular de manera eficaz. Se usa
diferencias del orden inferior para calcular las de alto orden.
El error estimado es simple de incorporar en un algoritmo de cmputo.
Referencias:
Este mdulo fue desarrolado por Diego Lpez usando notas del libro:
HEATH, Michael; Scientific Computing: An introductory survey. McGraw Hill. 1997. Captulo 7. Pgina 228.
Generalizando, para n puntos, existe un polinomio de n-1 grado que pasa por estos puntos, un mtoo para expresar este polinomio
es a travs del polinomio de Newton o diferencias divididas, el cual como se puede ver, es un mtodo recursivo.
POLINOMIOS DE LAGRANGE
Diego Lpez
Monitor
Carlos lvarez
Docente UdeA
Reformulacin del polinomio de Newton que evita el clculo por diferencias divididas:
Donde designa el producto de.

Lineal (n = 1):
Segundo orden (n = 2):
Referencias:
HEATH, Michael; Scientific Computing: An introductory survey. McGraw Hill. 1997. Captulo 7. Pginas 225-226.
Para evitar el clculo de las diferencias finitas que se hace en el polinomio de Newton, el mtodo de Lagrange propone una frmula
ms sencilla, pero que por supuesto, por ser una aproximacin puede tener un ligero margen mayor de error. An as, es un
mtodo muy prctico.
El error cuadrtico medio

MTODO DE MNIMOS CUADRADOS
Diego Lpez
Fernando Ceballos
Profesor
Hasta ahora se ha estudiado el problema de aproximar una funcin y = f(x), a travs de una funcin interpolante dados unos
valores ((x1, f(x1)), (x2, f(x2)),...,(xn,f(xn))).
Ahora estudiaremos el siguiente problema:
Supongamos que existe una relacin funcional y = f(x) entre dos valores x y y, con f desconocida y se conocen valores yk que
aproximan a f(xk), o sea:
, k = 0, 1,..., n
Con
desconocido.
Se trata de recuperar la funcin f a partir de los datos yk, k = 0, 1,..., n.

Este problema se conoce como ajuste de datos (caso discreto). Trabajaremos en el caso en el que f es una funcin polinmica.
Si f es polinmica (f(x) = pm(x)), entonces el problema se transforma en:
Dados n+1 puntos (x0, y0), (x1, y1),..., (xn, yn) con x0, x1,..., xn numeros reales diferentes, se trata de encontrar un polinomio
, con m < n
que mejor se ajuste a los datos. En otras palabras:
Sea mnimo.
El grado m del polinomio pm(x) se puede escoger libremente, por ejemplo, para una aplicacin que se pretenda dar al polinomio. En
muchos casos, el grado ser uno y el polinomio obtenido se llamar la recta que mejor se ajusta o la recta de mnimos cuadrados
para los datos.
Una condicin necesaria para la existencia de un mnimo relativo de la funcin S es que las derivadas de la funcin con respecto a
las aj, sean cero.
De esto resultan las siguientes m+1 ecuaciones con incgnitas a0, a1,..., am:
Si en las ecuaciones anteriores cancelamos el dos, obtenemos:
ste es un sistema de m+1 ecuaciones con m+1 incgnitas a0, a1,..., am, que se llama sistema de ecuaciones normales.
Este sistema de ecuaciones tiene solucin nica (puede demostrarse), por esta razn, se garantiza la existencia de un nico
polinomio de ajuste segn mnimos cuadrados, en el caso de que x1, x2,..., xn son todos distintos.
Para el caspo de m = 1, p1(x) = a0 + a1x es la recta de mnimos cuadrados, a0 y a1 se obtienen resolviendo el sistema:
Una forma de medir el error para este mtodo puede ser a travs de:
1. El error
,o
El error cuadrtico medio

MTODO DE MNIMOS CUADRADOS
Diego Lpez
Fernando Ceballos
Profesor
Hasta ahora se ha estudiado el problema de aproximar una funcin y = f(x), a travs de una funcin interpolante dados unos
valores ((x1, f(x1)), (x2, f(x2)),...,(xn,f(xn))).
Ahora estudiaremos el siguiente problema:
Supongamos que existe una relacin funcional y = f(x) entre dos valores x y y, con f desconocida y se conocen valores yk que
aproximan a f(xk), o sea:
, k = 0, 1,..., n
Con
desconocido.
Se trata de recuperar la funcin f a partir de los datos yk, k = 0, 1,..., n.

Este problema se conoce como ajuste de datos (caso discreto). Trabajaremos en el caso en el que f es una funcin polinmica.
Si f es polinmica (f(x) = pm(x)), entonces el problema se transforma en:
Dados n+1 puntos (x0, y0), (x1, y1),..., (xn, yn) con x0, x1,..., xn numeros reales diferentes, se trata de encontrar un polinomio
, con m < n
que mejor se ajuste a los datos. En otras palabras:
Sea mnimo.
El grado m del polinomio pm(x) se puede escoger libremente, por ejemplo, para una aplicacin que se pretenda dar al polinomio. En
muchos casos, el grado ser uno y el polinomio obtenido se llamar la recta que mejor se ajusta o la recta de mnimos cuadrados
para los datos.
Una condicin necesaria para la existencia de un mnimo relativo de la funcin S es que las derivadas de la funcin con respecto a
las aj, sean cero.
De esto resultan las siguientes m+1 ecuaciones con incgnitas a0, a1,..., am:
Si en las ecuaciones anteriores cancelamos el dos, obtenemos:
ste es un sistema de m+1 ecuaciones con m+1 incgnitas a0, a1,..., am, que se llama sistema de ecuaciones normales.
Este sistema de ecuaciones tiene solucin nica (puede demostrarse), por esta razn, se garantiza la existencia de un nico
polinomio de ajuste segn mnimos cuadrados, en el caso de que x1, x2,..., xn son todos distintos.
Para el caspo de m = 1, p1(x) = a0 + a1x es la recta de mnimos cuadrados, a0 y a1 se obtienen resolviendo el sistema:
Una forma de medir el error para este mtodo puede ser a travs de:
1. El error
,o
2. El error cuadrtico medio

TRAZADORES CUBICOS
Diego Lpez
Monitor
Fernando Ceballos
Profesor Anlisis Numrico
Dados n+1 puntos (x0, y0), (x1, y1),..., (xn, yn) con x0, x1,..., xn numeros reales diferentes, y f alguna funcin de valor real definida en un
intervalo [a, b], que contiene a x0, x1,..., xn, se pretende aproximar la funcin f por segmentos o trazas. De antemano vamos a suponer
que:
La idea es aproximar la funcin f en cada subintervalo [xk, xk+1], k = 0, 1,..., n-1, usando un polinomio de grado menor o igual a tres,
el cual supondremos de la forma:
, k = 0, 1,..., n-1
Para que los pk interpolen los puntos, se deben verificar las siguientes condiciones:
1.
,
Esta condicin supone n+1 condiciones.
2.
k
=
Esta condicin supone n-1 ecuaciones.
0,
0,
1,...,
1,...,
n-1
n-1
(condicin
(condicin
3.
k
=
Esta condicin sugiere n-1 condiciones.
0,
1,...,
n-1
(condicin
4.
k
=
Esta condicin sugiere n-1 condiciones.
0,
1,...,
n-1
(condicin
5.
bsica
de
de
de
de
interpolacin)
continuidad)
primera
derivada)
segunda
derivada)
(condiciones de frontera)
Al verificar las condiciones 1., 2., 3. y 4., se asegura que los pk tienen sus primeras y segundas derivadas en los puntos x0, x1,..., xn,
en este caso se dice que los pk son trazadores cbicos que aproximan la funcin f. Ahora, si se cumple la condicin 5.a., el
trazador cbico se llama natural, y si cumple la condicin 5.b., el trazador cbico se llama de frontera sujeta (no son mutuamente
excluyentes).
Una forma de construir un trazador cbico para una funcin f en [x1, xn] es la siguiente:
Efectuando la condicin 1.
, k = 0, 1,..., n-1 y
y luego, aplicando la condicin 2., para k = 0, 1,..., n-2
Si notamos hk = xk - xk+1, k = 0, 1,..., n-1, usamos que ak = f(xk), y definimos an = f(xn), entonces
, k = 0, 1,..., n-2 (1)
(ya
que
Por otra parte, p'(xk) = bk para k = 0, 1,..., n-1, si aplicamos la condicin 3., obtendremos
, k = 0, 1,..., n-2
Si definimos bn = p'n-1(xn), entonces
, k = 0, 1,..., n-1 (2)
(ya
Ahora
que
, k = 0, 1,..., n-1
entonces
, k = 0, 1,..., n-1
y si aplicamos la condicin 4., obtendremos
, k = 0, 1,..., n-2
Si definimos
, entonces
, k = 0, 1,..., n-1 (3)
(ya
que
sea
Despejando dk de la ecuacin (3), obtenemos

, k = 0, 1,..., n-1 (ecuacin para encontrar dk)
y sustituyendo en la ecuacin (1) y (2), obtenemos
, k = 0, 1,..., n-1 (4)
, k = 0, 1,..., n-1 (5)

Despejando bk en (4), obtenemos
, k = 0, 1,..., n-1 (ecuacin para poder encontrar bk)
y aumentando el ndice en uno en la anterior ecuacin, se tiene que
y sustituyendo en (5), se tiene que
lo que nos lleva finalmente a que
para
0,
1,...,
n-2
En este sistema final las incgnitas son ck, k = 0, 1,..., n, ya que ak = f(xk), k = 0, 1,..., n, y hk = xk+1 - xk, k = 0, 1,..., n, son conocidos.
Este sistema es de n1 ecuaciones con n+1 incgnitas, pero si usamos las condiciones de frontera se introducen dos nuevas
ecuaciones, con lo cual obtenemos un sistema de n+1 ecuaciones con n+1 incgnitas.
Esta matriz a es una matriz tridiagonal estrictamente dominante diagonalmente por filas, popr lo tanto, el sistema dado tiene solucin
nica para c0, c1, ..., cn.
Conocidos los valores c0, c1, ..., cn, podemos obtener los valores b0, b1, ..., bn-1 y d0, d1, ..., dn, usando las ecuaciones sealadas para tal
propsito.
La solucin a este sistema de ecuaciones se usa para para encontrar un trazador cbico natural, el siguiente resultado permitir
buscar un trazador cbico que no es natural:
Si f est definida en el intervalo [a, b], entonces f tiene un nico trazador cbico T en [a, b], que satisface T'(a) = f '(a) y T'(b) = f '(b).
En este caso, los valores de c0, c1, ..., cn estarn definidos por el siguiente sistema de ecuaciones lineales.
Que tiene, como en el sistema anterior, matriz de coeficientes estrictamente dominante diagonalmente por fila.
Conocidos los puntos (x0, f(x0)), (x1, f(x1)), ..., (xn, f(xn)), para encontrar un trazador cbico de f en [x0, xn], se empieza por hacer ak =
f(xk), para k = 0, 1, ..., n, luego, se calcula hk = xk+1 - xk, k = 0, 1, ..., n-1, se resuelve AX = b correspondiente y finalmente se
obtienen bk, ck y dk, k = 0, 1, ..., n-1.
Para cada k = 0, 1, ..., n-1,
es el polinomio interpolante mediante trazadores cbicos para f en [xk, xk+1]

FRMULAS DE INTEGRACIN DE NEWTON - COTES
Diego Lpez
Montor
Son los esquemas de integracin numrica ms comunes.
Formas cerradas: los datos al inicio y final son conocidos.
Se basan en la estrategia de reemplazar una funcin conocida o datos tabulados con una funcin aproximada que sea fcil
integrar:
Donde fn(x) es un polinomio de orden n.
Las frmulas de integracin que se van a obtener son de la forma:
Referencias:
Este mdulo fue desarrollado por Diego Lpez usando notas del libro:
En muchos casos, la integracin de una funcin f(x) es dificil o hasta imposible de encontrar, para ello debemos usar una funcin
que se aproxime a la funcin original y que sea de ms fcil solucin, la ms comn es el polinomio de n trminos.
El otro tema a tomar en cuenta es cuando se desarrolla la integracin. Numricamente debemos usar sumatorias para
desarrollarla; entre ms puntos que se encuentran en los lmites de la integral se tenga ser ms aproximada la solucin, pero esto
implica que el algoritmo sea a veces ms complicado.
REGLA DEL TRAPECIO
Diego Lpez
Monitor
Carlos lvarez
Docente UdeA
Es la primera de las frmulas de integracin cerrada de NewtonCotes. Corresponde al caso donde el polinomio en la ecuacin de
integracin es de primer orden:
Geomtricamente, es equivalente a aproximar el rea del trapezoide bajo la lnea recta que conecta f(a) y f(b).
La integral se representa como:
I ancho x altura promedio
Error de la regla trapezoidal:

Una estimacin para el error de truncamiento local de una sola aplicacin de la regla trapezoidal es:
donde est en algn lugar en el intervalo de a a b.

Aplicacin mltiple de la regla trapezoidal:
Una manera de mejorar la exactitud de la regla trapezoidal es dividir el intervalo de integracin de a a b en un nmero n de
segmentos y aplicar el mtodo a cada uno de ellos. Las ecuaciones resultantes son llamadas frmulas de integracin de mltiple
aplicacin o compuestas.
Hay n+1 puntos base igualmente espaciados (x0,x1,x2,...,xn). En consecuencia hay n segmentos de igual anchura: h = ( b a )/ n.
Si a y b son designados como x0 y xn respectivamente, la integral total se representar como:
Al sustituir la regla trapezoidal para cada integral:
Y mediante agrupacin de trminos:
Usando h = (b a)/n y expresndola en la forma general:
Un error para la regla trapezoidal de mltiple aplicacin se puede obtener al sumar los errores individuales de cada segmento,
para dar:
Donde f(i) es la segunda derivada en un punto i localizado en el segmento i. Este resultado se puede simplificar al estimar la
media o valor promedio de la segunda derivada para todo el intervalo:
Por tanto f(i) nf. Entonces la ecuacin del error trapezoidal puede escribirse como:
As, si el nmero de segmentos se duplica, el error de truncamiento disminuir a un cuarto.

Referencias:
Este mdulo fue desarrollado por Diego Lpez, usando notas de los libros:
Edicin. 1998. Captulo 8. Pginas 183 a 185.
Se puede usar un polinomio de primer orden para realizar una integracin numrica, este mtodo se conoce como mtodo de
trapecio; los puntos para trazar la linea recta seran los lmites de la integral.
Este proceso puede generalizarse usando n trapecios que sumados dan una solucin ms exacta de la integral.
REGLAS DE SIMPSON
Diego Lpez
Monitor
Regla de Simpson 1/3: Resulta cuando una interpolacin polinomial de segundo orden es sustituida en una ecuacin de
aproximacin con integral:
Despus de la integracin y manejo algebraico, resulta:
Donde h = (b a)/2
Regla de Simpson 3/8: Resulta cuando una interpolacin polinomial de tercer orden es sustituida en la ecuacin de aproximacin:
Para obtener:
Referencias:
Este mdulo fue desarrollado por Diego Lpez, usando notas del curso.
Un siguiente proceso para la integracin numrica es usando un polinomio de segundo y tercer orden que corresponden en
nuestro caso, a las reglas de Simpson (1/3 y 3/8 respectivamente).
Las ecuaciones para cada una de las reglas estn dadas en este mdulo ms arriba.
CUADRATURA DE GAUSS
Diego Lpez
Monitor
Newton Cotes: Estimacin de la integral, se basa sobre valores de la funcin uniformemente espaciados. La localizacin de
estos puntos fue fijo.
Regla Trapezoidal: Debe pasar a travs de los puntos extremos. Existen casos donde la frmula resulta en un error grande.
Supngase que la restriccin de los puntos fijos es eliminada y se tiene la libertad de evaluar el rea bajo una recta que conecta
dos puntos cualesquiera sobre la curva. Al ubicar estos puntos en forma inteligente, se puede definir una lnea recta que equilibre
los errores negativos y positivos. El objetivo de la cuadratura de Gauss es determinar los coeficientes de una ecuacin de la forma:
En la cual las c son coeficientes desconocidos. En contraste con la regla trapezoidal que usa los puntos extremos fijos a y b, los
argumentos de la funcin x0 y x1 no estn fijos en los puntos extremos.
Se tienen cuatro incgnitas que deben ser evaluadas y se requieren cuatro condiciones para determinarlas con exactitud. Se
pueden obtener dos de esas condiciones al suponer que la ecuacin ajusta la integral de una constante y de una funcin lineal con
exactitud. Para tener las otras dos condiciones, se extiende este razonamiento al suponer que tambin ajusta la integral de una
funcin parablica (y = x2) y de una cbica (y = x3). Las cuatro funciones a resolverse son:
Resolviendo simultneamente:
Sustituyendo en la ecuacin de coeficientes para obtener la ecuacin de GaussLegendre de dos puntos:
Se llega a un resultado interesante en el que la simple suma de los valores de la funcin en x = 1/3 y x = 1/3 dan una estimacin
de la integral que tiene una exactitud de tercer orden.
Obsrvese que los lmites de integracin de las ecuaciones son de -1 a 1. Esto se hizo para simplificar las matemticas y para
hacer la formulacin tan general como sea posible. Es posible usar un cambio de variable para trasladar cualquier lmite a esta
forma. Suponiendo que una nueva variable xd se relaciona con la variable original x en una forma lineal, como en:
Si el lmite inferior x = a, corresponde a xd = -1, estos valores podrn sustituirse en la ecuacin anterior para dar:
De manera similar, el lmite superior x = b, corresponde a xd = 1, para dar:
Resolviendo estas ecuaciones simultneamente:
Las cuales se pueden sustituir en la ecuacin de relacin para obtener:
Esta ecuacin puede diferenciarse para dar:
Las dos ecuaciones anteriores podrn sustituirse para x y dx, respectivamente, en la evaluacin que se habr de integrar. Esas
sustituciones transforman el intervalo de integracin sin cambiar el valor de la integral.
Frmula de punto superior:
La frmula anterior para la cuadratura de Gauss era de dos puntos.
Se pueden desarrollar versiones de punto superior en la forma general:
- con n: nmero de puntos.

Debido a que la cuadratura de Gauss requiere evaluaciones de la funcin en puntos espaciados uniformemente dentro del intervalo
de integracin, no es apropiada para casos donde se desconoce la funcin. Si se conoce la funcin, su ventaja es decisiva.
Referencias:
Este mdulo fue desarrollado por Diego Lpez usando notas de clase y tambien del libro:
HEATH, Michael; Scientific Computing: An introductory survey. McGraw Hill. 1997. Captulo 8. Pginas 251 a 254.
Cuando se expresa la funcin de la integral en un polinomio, se genera un error que corresponde al rea que no fue tomada por el
polinomio expresado, la cuadratura de Gauss proporciona la manera como ese polinomio, a travs de los llamados "puntos
inteligentes", nivela ese error.
El proceso se explica a lo largo del mdulo, al igual que el proceso de transformacin de la expresin polinmica dados los "puntos
inteligentes", en este caso, de una recta.
DIFERENCIACIN NUMRICA
Diego Lpez
Monitor
Se desarrollarn frmulas para aproximaciones de diferencias hacia delante, hacia atrs y centradas para la primera derivada
utilizando la serie truncada de Taylor.
En el mejor de los casos, estas estimaciones presentan errores de orden O(h2); es decir, sus errores fueron proporcionales al
cuadrado de su tamao de paso. Este nivel de exactitud se debe al nmero de trminos de la serie de Taylor.
Diferencias Divididas Finitas, 1 derivada:
Definiendo un tamao de paso h = xi+1 xi
- Hacia delante:
- Hacia atrs:
- Central:
Diferenciacin de frmulas de alta exactitud:

Se pueden generar frmulas de alta exactitud al incluir trminos adicionales en la expansin de la serie de Taylor. Teniendo en
cuenta el trmino de la segunda derivada:
Despejando para la primera derivada:
De la expansin de Taylor hacia delante para f(xi+2) en trminos de f(xi):
Despejando para f(xi):
Agrupando trminos y reordenando:
La inclusin del trmino de la segunda derivada mejor la exactitud en O(h2).

Se pueden desarrollar frmulas similares para las frmulas centradas y hacia atrs.
Referencias:
Este mdulo fue desarrollado por Diego Lpez, usando notas de libro:
HEATH, Michael; Scientific Computing: An introductory survey. McGraw Hill. 1997. Capulo 8. Pgina 262.
Al igual que en la integral, a veces resulta muy complicado hayar la derivada de una funcin. Usando la serie truncada de Taylor,
se pueden desarrollar frmulas aproximadas iterativas para resolver las derivadas numricamente usando n puntos.
Usando hasta la expresin de Taylor de la segunda derivada se puede hayar mayor presicin para la derivada de la funcin.
INTRODUCCIN
Diego Lpez
Monitor
Se pretende encontrar una solucin para Ecuaciones Diferenciales de la forma:
En un captulo anterior se utiliz un esquema numrico para resolver la ecuacin del paracaidista de la forma:
Nuevo valor = valor anterior + pendiente X tamao de paso
Lo cual matemticamente se traduce en:
La pendiente estimada (o f en futuras referencias dentro de la unidad) se usa para extrapolar desde un valor anterior yi a un
nuevo valor yi+1 en una distancia h.
Esta frmula se puede aplicar paso a paso para calcular el valor en el futuro y, por tanto, trazar la trayectoria de la solucin.
Referencias:
MTODO DE EULER
Diego Lpez
Monitor
La primera derivada proporciona una estimacin directa de la pendiente en xi:
Donde f(xi,yi) es la ecuacin diferencial evaluada en xi y yi. Esta estimacin puede sustituirse en la ecuacin anterior.
Conocida como mtodo de Euler. Se predice un nuevo valor de y por medio de la pendiente, igual a la primera derivada en el valor
original de x, que habr de extrapolarse en forma lineal sobre el tamao de paso h.
Anlisis de error para el mtodo de Euler:
La solucin numrica de las EDOs involucra dos tipos de errores:
- Truncamiento: Causado por la naturaleza de las tcnicas empleadas para aproximar los valores de y.
Local: Aplicacin del mtodo en cuestin sobre un paso sencillo.
Propagado: Aproximaciones producidas durante los pasos previos.
La suma de los dos es el error de truncamiento global.
- Redondeo: Resultado del nmero lmite de cifras significativas que puede retener una computadora.
Se puede obtener cierto conocimiento acerca de la magnitud y propiedades del error de truncamiento al derivar el mtodo de Euler
directamente de la expansin en series de Taylor.
Referencias:
Este mdulo fue desarrollado por Dieo Lpez usando notas del libro:
Edicin. 1998. Captulo 9. Pginas 197 a 199.
El mtodo de Euler proporciona una solucin sencilla para una ecuacin diferencial, evaluando la funcin en un punto determinado y
usandola en la ecuacin de arriba como una estimacin de la pendiente en la ecuacin.
MTODO DE HEUN
Diego Lpez
Monitor
Un mtodo para mejorar la estimacin de la pendiente involucra la determinacin y promediado de dos derivadas para el intervalo
(una en el punto inicial y otra en el punto final).
En el mtodo de Euler, la pendiente al inicio del intervalo se usa para extrapolar linealmente a yi+1.
En el mtodo de Heun la pendiente calculada en la estimacin previa no es para la respuesta final, sino para una prediccin
intermedia. Esta ecuacin es llamada predictor. Mejora una estimacin de yi+1 que permite el clculo de una estimacin de la
pendiente al final del intervalo.
Aqu, y0i+1 es el predictor, y es la misma ecuacin de Euler para encontrar yi+1. sta nos sirve para calcular la pendiente y'i+1.
Las dos pendientes se promedian en el intervalo:
Esta pendiente promedio se utiliza para extrapolar linealmente desde yi hasta yi+1 usando el mtodo de Euler.
Esta ecuacin es conocida como ecuacin corrector. El mtodo de Heun es un procedimiento predictor corrector.
Se puede conseguir una mejor precisin en el resultado si hacemos varios procesos correctores, esto lo logramos tomando yi+1 y
reemplazndolo por y0i+1 en la ecuacin y as encontrar un nuevo yi+1, y se repite el proceso hasta donde se desee.
Referencias:
Edicin. 1998. Captulo 9. Pginas 201-202.
Como una optimizacin del mtodo de Euler, el mtodo de Heun, proporciona una variante al clculo de la pendiente, dejando sta
como un promedio entre la pendiente (o valor de la funcin) en un punto determinado y la del punto posterior.
MTODOS RUNGE - KUTTA
Diego Lpez
Monitor
Los mtodos de Runge-Kutta logran la exactitud del procedimiento de una serie de Taylor sin requerir el clculo de derivadas
superiores. Existen muchas variaciones, pero todas se pueden denotar en la forma generalizada de la ecuacin:
Donde (xi,yi,h) es conocida como funcin incremento, la cual puede interpretarse como una pendiente representativa sobre el
intervalo.
Donde las a son constantes y las k son:
Observe que las k son relaciones de recurrencia, esto es, k1 aparece en la ecuacin para k2, la cual aparece en la ecuacin para k3,
etc.
Como cada k es una evaluacin funcional, esta recurrencia hace que los mtodos Runge-Kutta sean eficientes para la
programacin. Existen varios tipos de mtodos Runge-Kutta al emplear diferentes nmeros de trminos en la funcin incremento
como la especificada por n.
n = 1, es el mtodo de Euler. Una vez se elige n, se evalan las a, p y q al igualar la funcin incremento a los trminos en la serie
de expansin de Taylor. La versin de segundo orden para la ecuacin en su forma generalizada es:
Donde:
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.
Desarrollando tres ecuaciones para evaluar las cuatro incgnitas:
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:
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:
a2 = 1 : Mtodo del punto medio.
a2 = 2/3: Mtodo de Ralston.
Siguiendo el mismo razonamiento para n = 3, o sea, Runge-Kutta de tercer orden, 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:
ste es el ms popular de los mtodos Runge-Kutta de cuarto orden:
Referencias:
Este mdulo fue desarrollado por Diego Lpez usando notas de clase y del libro:
HEATH, Michael; Scientific Computing: An introductory survey. McGraw Hill. 1997. Captulo 9. Pginas 292-293.
Un mtodo generalizado para la solucin de EDO's es el que proporciona el mtodo de Runge-Kutta, y como se ver tambin, este
mtodo ilustrar varios de los mtodos que ya hemos observado como el de Euler, Heun y otros.
PROBLEMAS DE VALORES EN LA FRONTERA
Diego Lpez
Monitor
Una EDO se acompaa de condiciones auxiliares que se usan para evaluar las constantes de integracin que resultan durante la
solucin de la ecuacin.
Para una ecuacin de n-simo orden, se requieren n condiciones. Si todas las condiciones se especifican en el mismo valor de la
variable independiente, se est tratando con un problema de valor inicial (PVI).
Hay otra aplicacin en la cual las condiciones no son conocidas en un solo punto, sino ms bien, son conocidas en diferentes
valores de la variable independiente. Estos valores se especifican a menudo en los puntos extremos o de frontera; estetipo de
problema se conoce como problema de valor en la frontera (PVF).
Una gran variedad de problemas prcticos en la ingeniera estn dentro de esta clase.
Referencias:
Este mdulo fue desarrollado por Diego Lpez, usando notas del curso.
MTODO DE DIFERENCIAS FINITAS

Diego Lpez
Monitor
Ejemplo:
Usando la ecuacin de conservacin de calor para realizar un balance de calor para una barra larga y delgada. Si la barra no est
aislada en toda su longitud y el sistema se encuentra en estado estable, la ecuacin resultante es:
k es un coeficiente de transferencia de calor (cm-2) que parametriza la razn de disipacin de calor con el aire circundante, y T a es
la temperatura del aire circundante (C).
Para obtener una solucin adecuada de la ecuacin anterior se deben tener las condiciones de frontera adecuadas. Un caso
simple es cuando los valores de la temperatura en los extremos se mantienen fijos:
T(0) = T1
T(L) = T2
Con estas condiciones, la ecuacin dada se puede resolver de manera analtica mediante el clculo.
Para una barra de 10 metros, Ta = 20, T1 = 40, T2 = 200 y k = 0.01, el resultado es:
Las diferencias divididas finitas se sustituyen por las derivadas en la ecuacin original.
Una ecuacin diferencial lineal se transforma en un conjunto de ecuaciones algebraicas simultneas.

Para este ejemplo, la aproximacin por diferencias divididas finitas para la segunda derivada es:
Sustituyendo esta ecuacin en la ecuacin inicial se obtiene:
Agrupando trminos:
Esta ecuacin es vlida para cada uno de los nodos interiores de la barra.
Los nodos Ti-1 y Ti+1 se especifican por las condiciones iniciales.
El conjunto resultante de ecuaciones algebraicas lineales ser tridiagonal el cual se puede resolver por alguno de los mtodos
vistos en el captulo 2 (Solucin de Sistemas de Ecuaciones Lineales).
Dividiendo la barra en segmentos de 2m = x . Tenemos el siguiente esquema (tenga en cuenta que: T1=40, T5=200):
Matricialmente se tiene:
Referencias:
Este mdulo fue desarrollado por Diego Lpez usando notas de clase.
Introduccion:
% ANALISIS NUMERICO 2008-2
% EJEMPLO DE CREACION DE VIDEOS
% Jorge Alberto Garcia Castrillon (monitor)
% numero de fotogramas que tiene el video

nroFotogramas = 200;
% creacion del componente grafico en el que se
% realizara la graficacion.
% El parametro de la funcion indica el identificador
% del componente, en caso de que no exista, se creara.
comp = figure(1);
% posicion y tamao del componente
% retorna un vector de 4 elementos donde los primeros
% dos indican la posicion de la esquina inferior izquierda del
% componente y los otros dos indican el tamao

tamagnio = get(comp, 'Position');
% se establece la posicion en el punto (0, 0)
tamagnio(1:2) = 0;
% se establece el ancho y el alto en 600
tamagnio(3:4) = 600;
% se pasa el nuevo tamao al componente grafico
set(comp, 'Position', tamagnio);
% se le dice al componente que reemplace el grafico anterior
% cada que uno nuevo valla a entrar
set(comp,'NextPlot','replacechildren')
% se crea la variable en la que se almacenaran los fotogramas
% de la pelicula
pelicula = moviein(nroFotogramas, comp, tamagnio);
% COMIENZO DE LAS ITERACIONES PARA GENERAR LOS FOTOGRAMAS
% para cada uno de los fotogramas

for t = 1 : nroFotogramas
% se crea una malla cuadrada que va desde -1 a 1 tanto en X como en Y
[x, y] = meshgrid([-1:0.05:1]);
% se calcula la altura de la malla
malla = 5*sin(x*t/20) - 2*cos(pi*y*t/100);
% se grafica la superficie
surf(x, y, malla);
% se establece la escala del grafico (si ya se conoce)
axis([-1 1 -1 1 -8 8]);
% se obtiene el contenido del componente grafico y se almacena en el

% fotograma t de la pelicula
pelicula(:, t) = getframe(comp, tamagnio);
end
% REPRODUCCION DE LA PELICULA
% se reproduce una sol vez a 24 foogramas por segundo
% sobre el mismo componente grafico creado4
movie(comp, pelicula, 1, 24, tamagnio);

INTRODUCCIÓN

Cargado por

INTRODUCCIÓN

Cargado por

INTRODUCCIN

Mtodo de diferencias finitas.

Sustituyendo los datos de entrada del enunciado en la ecuacin anterior:

Solucin numrica (aproximada): Aproximando la razn de cambio de la velocidad respecto

El cul resulta del clculo:

El significado de la anterior ecuacin puede resumirse as:

Comparacin de la solucin exacta y la aproximada:

: Signo del nmero (+1 -1).

El mximo largo de la palabra, t.

Es infinito en ambos extremos (positivos y negativos).

El conjunto de los nmeros que se manejan en una computadora:

Es finito en ambos extremos.

Divisin entre nmeros cercanos a 0.

Redondeando: = 3.141593 , el error relativo es:

No se produce sesgo. Algunos errores son positivos y otros negativos.

A la cantidad 1-t, se le denomina psilon de la mquina.

Si u es cercana a y f(u) es continua y diferenciable:

Estimando el error relativo de f(x) como en:

El error relativo de x est dado por:

Un nmero condicionado puede definirse como la razn de estos errores relativos:

Un valor mayor que 1 nos indica que el error relativo es amplificado.

Evitar la resta de dos nmeros casi iguales reordenando o reformulando el problema.

Aritmtica de precisin extendida.

Clasificarlos y trabajar primero con los nmeros ms pequeos.

Para predecir el error numrico un buen camino es emplear la Serie de Taylor.

Donde: xk es la solucin aproximada en la iteracin k y x* es la solucin verdadera.

Y se dice de esta tasa de convergencia que, para una constante C 0:

Caractersticas del Mtodo de la Secante:

Donde n es el orden del polinomio, y los ai son los coeficientes constantes.

Las races de tales polinomios tienen las siguientes reglas:

Polinomios en Ciencias e Ingeniera:

Y cancelando trminos exponenciales:

Se obtienen dos races, y se presentan los siguientes casos:

Este caso es llamado amortiguamiento crtico.

La solucin general puede formularse como:

Reformulando la solucin general como:

Este caso es llamado subamortiguado.

CLCULO CON POLINOMIOS

Implica seis multiplicaciones y tres sumas.

Implica tres multiplicaciones y tres sumas.

Al evaluar el polinomio de tercer orden como:

Implica seis multiplicaciones y tres sumas.

Implica tres multiplicaciones y tres sumas.

Se tiene un sistema de tres ecuaciones con tres incgnitas (a, b y c).

Utilizando manipulaciones algebraicas para encontrar a y b:

Matriz Triangular Superior

Matriz Triangular Inferior

A no tiene inversa, es decir, no existe una matriz M tal que:

vi _|_ vj (i j), para cualquier vector v.

Para este caso O(mn) significa "trminos de orden mn y menores".

Tcnicas para mejorar la solucin:

Precisin doble o extendida.

Evita divisin entre cero.

Minimiza error de redondeo.

Minimiza errores de redondeo.

Estandarizacin del valor determinante.

La anterior es una estrategia de dos pasos:

Tipicamente, un sistema de banda es aquel para el cual se cumple:

Convergencia del mtodo:

Donde es un factor de convergencia, el cual va dsde 0 hasta 2.

La notacin f1(x) designa que es una interpolacin de polinomios de primer orden.

Sustituyendo las ecuaciones anteriores, y evaluando en x = x1:

Sustituyendo nuevamente, y ahora evaluando en x = x2:

De igual manera que para las interpolaciones lineal y cuadrtica, se llega a:

Conocido como Polinomio de interpolacin por diferencias divididas de Newton.

La nsima diferencia dividida finita es:

Error al interpolar Polinomios de Newton:

Para esta frmula la funcin debe conocerse.

Algoritmo de interpolacin de Newton:

Donde designa el producto de.

Segundo orden (n = 2):

El error cuadrtico medio

Se trata de recuperar la funcin f a partir de los datos yk, k = 0, 1,..., n.

Si en las ecuaciones anteriores cancelamos el dos, obtenemos:

El error cuadrtico medio

Se trata de recuperar la funcin f a partir de los datos yk, k = 0, 1,..., n.