Manual Matlab PDF

ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB LIBRO SABATICO 2006-2007
CONTENIDO.
CONTENIDO PRESENTACION PREFACIO Capitulo 1 GENERALIDADES DEL MATLAB
Generalidades y Caractersticas del MATLAB 1.1 GENERALIDADES.
Capitulo 2 TRABAJANDO CON MATLAB

2.1 NUMERACION Y OPERADORES.
2.2 COMANDOS DE PROGRAMACION.
2.3 PROGRAMAS DE EJEMPLOS VARIADOS.
Comandos MATEMATICOS BASICOS DEL MATLAB

2.4 VECTORES Y MATRICES. 2.5 OPERACIONES MATEMATICAS SIMPLES CON VECTORES Y MATRICES.
JOSE GARZON ARIAS
-1-
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB
2.6 COMANDOS MATEMATICOS PARA VECTORES. 2.6.1 Comando MIN. 2.6.2 Comando MAX. 2.6.3 Comando CROSS. 2.6.4 Comando LENGTH. 2.7 COMANDOS MATEMATICOS PARA MATRICES. 2.7.1 Comando NORM. 2.7.2 Comando MIN. 2.7.3 Comando MAX. 2.7.4 Comando SIZE. 2.7.5 Comando EIG. 2.7.6 Comando INV. 2.7.7 Comando DET.
BIBLIOGRAFIA
JOSE GARZON ARIAS
-2-
Capitulo 3 MOTIVACION DEL ESTUDIO DE LOS METODOS NUMERICOS

3.0 3.1 MODELOS FISICOS Y MATEMATICOS SOLUCION DE X2=2
a) Solucin Analtica. b) Solucin Numrica.
3.2 MODELOS MATEMATICOS Y ALGORITMOS

a) Aplicaciones de los Mtodos Numricos. b) Algoritmo de Euclides. c) Recursividad y Caractersticas de un algoritmo. d) Caractersticas de un Mtodo Numrico.
3.3 TIPOS DE ERRORES

a) Cifras significativas de un Nmero. b) Error de redondeo. c) Reglas de Redondeo. d) Errores de truncamiento. e) Error relativo. f) Error absoluto.
BIBLIOGRAFIA
JOSE GARZON ARIAS
-3-
Capitulo 4 SOLUCION NUMERICA DE ECUACIONES

4.0 4.1 DEFINICIONES BASICAS ANALISIS DE RAICES DE ECUACIONES POLINOMIALES
c) Solucin Analtica. d) Solucin Numrica.
4.2 SOLUCIONES DE ECUACIONES NO LINEALES

e) Aplicaciones de los Mtodos Numricos.
4.3 METODOS DE APROXIMACIONES SUCESIVAS

g) TEOLREMA DE CONVERGENCIA. h) PUNTOS FIJOS. i) ITERACION DE PUNTOS FIJOS. j) EL METODO DE APROXIMACION SUCESIVAS COMO ITERACION DE PUNTOS FIJOS .
4.4 METODO DE BISECCION.

a) TEOREMA DE VALOR INTERMEDIO. b) ALGORITMO DEL METODO DE BISECCION c) ANALISIS DE ERROR
4.5 METODO DE NEWTON RAHPSON
BIBLIOGRAFIA
JOSE GARZON ARIAS
-4-
Capitulo 5 SISTEMAS LINEALES DE ECUACIONES

5.0 SISTEMA LINEAL DE ECUACIONES
a) CLASIFICACION DE LOS SISTEMAS LINEALES.
5.1
NORMA DE UNA MATRIZ Y MATRICES CONVERGENTES . CONVERGENCIA DE MATRICES

a) TEOREMA DE CONVERGENCIA DE MATRICES.
5.2
5.3 METODOS ITERATIVOS PARA RESOLVER SISTEMAS LINEALES DE ECUACIONES

a) METODO DE JACOBI.
BIBLIOGRAFIA
Capitulo 6 INTERPOLACION Y APROXIMACION

6.0 6.1 DEFINICIONES BASICAS. INTERPOLACION DE NEWTON.
a) DIFERENCIAS DIVIDIDAS b) POLINOMIOS DE NEWTON
6.2 INTERPOLACION DE LAGRANGE

JOSE GARZON ARIAS -5-
6.2
INTERPOLACION DE SPLINES CUBICOS
6.3.1 INTERPOLACION POLINOMIAL A TROZOS. 6.3.2 SPLINES CUBICOS . BIBLIOGRAFIA
Capitulo 7 AJUSTE DE CURVAS

7.0 7.1 7.2 DEFINICION DE AJUSTE DE CURVAS. METODO DE MINIMOS CUADRADOS. ERROR ESTNDAR DE ESTIMACION.
a) COEFICIENTE DE DETERMINACION b) COEFICIENTE DE CORRELACION.
7.3
MODELO DE REGRESION LINEAL CON EL USO DE MATRICES. REGRESION LINEAL MULTIPLE

a) ESTIMACION DE LOS COEFICIENTES b) INFERENCIAS EN LA REGRESIN LINEAL MLTIPLE
7.4
7.5 7.6
PREDICCION. CORRELACION.
BIBLIOGRAFIA
-6-
JOSE GARZON ARIAS
Capitulo 8 INTEGRACION NUMERICA

8.0 DEFINICIONES BASICAS.
a) DEFINICION DE INTEGRACION b) INTEGRACION NUMERICA.
8.1
METODOS DE INTEGRACION CERRADA.
8.1.1 REGLA DEL TRAPECIO. 8.1.2 REGLA DE SIMPSON.
8.2
METODOS DE INTEGRACION ABIERTA
8.2.1 METODO DE CUADRATURA DE GAUSS. 8.2.2 METODO DE INTEGRACION DE ROMBERG. BIBLIOGRAFIA
JOSE GARZON ARIAS
-7-
PRESENTACION
La enseanza de los mtodos Numricos, actualmente se encuentra ntimamente ligada a la construccin de sistemas matemticos de alta precisin y exactitud. De aqu que esta haya evolucionado , y este evolucionando continuamente, sobre todo para satisfacer las necesidades y requerimientos de los instrumentos de control numrico ,diseo de ingeniera, y en muchos otros de los campos cientficos. La mayor parte de los ingenieros dependen de herramientas de tipo robtico, que requieren de aproximaciones cada vez mas exactas y precisas. Es por tanto deseable que a la par de la enseanza Terica de los Mtodos Numricos, vaya apareado , la enseanza de un lenguaje de programacin de alto nivel, que permita escribir directamente todos los algoritmos matemticos que se van desarrollando durante el curso. En el caso del presente libro se utiliza, el Matlab, por ser un sistema Matemtico, muy flexible y relativamente sencillo de utilizar . Este libro surge de la experiencia de haber enseado la asignatura de Mtodos Numricos durante seis semestres consecutivos , que se imparte en el cuarto semestre de la carrera de Ingeniera en Informtica y la Licenciatura JOSE GARZON ARIAS -8-
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB de Ciencias de la Informtica ,de la UPIICSA del INSTITUTO POLITECNICO NACIONAL.; durante el cual he utilizado el mtodo de participacin iterativa , y de trabajo en equipo simultaneo, que permite al alumno , tener un doble canal de interaccin con el docente y retroalimentacin con sus compaeros.
JOSE GARZON ARIAS
-9-
PREFACIO
Muchos de los problemas en matemticas continuas no tienen una solucin exacta , por ejemplo encontrar los valores de la funcin de error
exp x , y resolver una ecuacin general polinomial de grado cinco o mayor
2
(Teorema de Abel-Ruffini). En estas situaciones , se escoge cualquiera de las dos opciones : 1.- Se trata de encontrar una solucin aproximada usando anlisis asinttico. 2.- Se busca una solucin Numrica . Esto se hace por medio del anlisis numrico.
HISTORIA.
EL campo de los mtodos Numricos , es anterior a la invencin de las computadoras modernas. La interpolacin lineal fue usada hace mas de 2000 aos . Muchos de los grandes Matemticos, del pasado se preocuparon por el anlisis numrico.
JOSE GARZON ARIAS
- 10 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Lo cual se observa en los nombres de algoritmos importantes, tales como El mtodo de Newton , Interpolacin polinomial de Lagrange , eliminacin Gausiana , o el mtodo de Euler. Para facilitar los clculos a mano se elaboraron enciclopedias con formulas y tablas , de datos como puntos de interpolacin y coeficientes . Usando esas tablas , frecuentemente se calculaba hasta 16 lugares decimales o mas para algunas funciones . Las estimaciones que se obtenan eran bastante precisas. El trabajo cannico en el campo , es la publicacin editada por
Abramowitz and Stegun. Un libro de mas de 100 paginas que contiene un gran numero de expresiones matemticas y funciones comnmente usadas , as como sus valores en diferentes puntos . Los valores de las funciones no son muy tiles cuando se tiene una computadora , sin embargo la gran lista de expresiones matemticas suele ser muy til. La calculadora mecnica se desarrollo como una herramienta para los clculos manuales en 1940 encontrndose que las calculadoras fueron tiles para clculos administrativos. Sin embargo la invencin de la computadora y los lenguajes de alto nivel , influenciaron el campo del anlisis numrico, ya que estas permiten que se desarrollen clculos mas grandes y mas complicados . JOSE GARZON ARIAS - 11 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB El uso del software especializado, permiten implementar los algoritmos en computadora . Hay ya muchos paquetes matemticos , que contienen libreras especificas de los mtodos, mas usuales , es decir algoritmos clsicos que pueden ser manejados por ingenieros, en diversos campos de aplicacin o a nivel administrativo , aun cuando sean operados por no especialistas; tal es el caso de GNU librera cientfica o bien las libreras, IMSL y NAG . Otro lenguaje popular para clculos numricos es el Matlab , que ser el que se utilizara en el presente texto.
JOSE GARZON ARIAS
- 12 -
JOSE GARZON ARIAS
- 13 -
INTRODUCCION AL MATLAB ORIGEN INICIACIN AL MATLAB CARACTERSTICAS DEL ENTORNO

SALIDAS O PRESENTACIONES FUNCIONES DE MATLAB
LIBRERIAS
VENTANAS
OPERACIONES CON VECTORES Y MATRICES
GRAFICAS
FUNCIONES ESPECIALES
JOSE GARZON ARIAS
- 14 -
INTRODUCCIN AL MATLAB.
MATLAB es un entorno de computacin y desarrollo de aplicaciones totalmente integrado orientado para llevar a cabo proyectos en donde se encuentren implicados elevados clculos matemticos y la visualizacin grfica de los mismos. MATLAB integra anlisis numrico, clculo matricial, proceso de seal y visualizacin grfica en un entorno completo donde los problemas y sus soluciones son expresados del mismo modo en que se escribiran racionalmente, sin necesidad de hacer uso de la programacin tradicional. MATLAB dispone tambin en la actualidad de un amplio abanico de programas de apoyo especializados, denominados Toolboxes, que extienden significativamente el nmero de funciones incorporadas en el programa principal. Estos Toolboxes cubren en la actualidad
prcticamente casi todas las reas principales en el mundo de la ingeniera y la simulacin, destacando entre ellos el 'toolbox' de proceso
JOSE GARZON ARIAS
- 15 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB de imgenes, seal, control robusto, estadstica, anlisis financiero, matemticas simblicas, redes neuronales, lgica difusa, identificacin de sistemas, simulacin de sistemas dinmicos, etc. Es un entorno de clculo tcnico, que se ha convertido en estndar de la industria, con capacidades no superadas en computacin y visualizacin numrica. De forma coherente y sin ningn tipo de fisuras, integra los requisitos claves de un sistema de computacin tcnico: clculo numrico, grficos, herramientas para aplicaciones especificas y capacidad de ejecucin en mltiples plataformas. Esta familia de productos proporciona al estudiante un medio de carcter nico, para resolver los problemas ms complejos y difciles.
ORIGEN
MATLAB nace como una solucin a la necesidad de mejores y mas poderosas herramientas de calculo para resolver problemas de calculo complejos en los que es necesario aprovechas las amplias capacidades de proceso de datos de grandes computadores.
JOSE GARZON ARIAS
- 16 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB El nombre MATLAB viene de "matrix laboratory" (laboratorio matricial). MATLAB fue originalmente escrito para proveer acceso fcil al software matricial desarrollado por los proyectos LINPACK y EISPACK, que juntos representan el estado del arte y software para computacin matricial. Hoy MATLAB es usado en una variedad de reas de aplicacin incluyendo procesamiento de seales e imgenes, diseo de sistemas de control, ingeniera financiera e investigacin mdica. La arquitectura abierta facilita usar MATLAB y los productos que lo acompaan para explorar datos y crear herramientas personalizadas que proveen visiones profundas tempranas y ventajas competitivas.
INICIACIN AL MATLAB
El Lenguaje de Computacin Tcnica MATLAB es un ambiente de computacin tcnica integrada que combina computacin numrica, grficos y visualizacin avanzada y un lenguaje de programacin de alto nivel. Sea cual fuere el objetivo, un algoritmo, anlisis, grficos, informes o simulacin, MATLAB lo lleva all. El lenguaje flexible e interactivo de MATLAB permite a ingenieros y cientficos expresar sus ideas tcnicas con simplicidad. Los poderosos y amplios mtodos de JOSE GARZON ARIAS - 17 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB cmputo numrico y graficacin permiten la prueba y exploracin de ideas alternativas con facilidad, mientras que el ambiente de desarrollo integrado facilita producir resultados prcticos fcilmente. MATLAB es la fundacin numrica y grfica para todos los productos de The MathWorks. MATLAB combina computacin
numrica, grficos 2D y 3D y capacidades de lenguaje en un nico ambiente fcil de usar. Con su amplio rango de herramientas para modelar sistemas de control, anlisis, simulacin y procesamiento de prototipos, MATLAB es el sistema ideal para desarrollar sistemas avanzados de control. Cualquiera puede crear y modelar un sistema de control, usando las cajas de herramientas para el diseo de controles avanzados de MATLAB - Control System, Robust Control, -Analysis and Synthesis, Model Predictive Control, QTF Control Design y LMI control. Posteriores anlisis y refinamientos pueden ser efectuados estableciendo una simulacin interactiva en Simulink, y luego sintonizar automticamente los parmetros usando el Nonlinear Control Design Blockset.
Finalmente, usted puede generar cdigo C para correr en controladores incrustados con Real Time Workshop.
JOSE GARZON ARIAS
- 18 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Combinando MATLAB con Signal Processing Toolbox, Wavelet Toolbox y un conjunto de herramientas complementarias, tales como Image Processing, Neural Network, Fuzzy Logic, Statistics y otras se puede crear un ambiente de anlisis personalizado de seales y desarrollo de algoritmos DSP. Para simulacin y desarrollo de prototipos usted puede agregar Simulink y el DSP Blockset para modelar y simular sus sistemas DSP, y luego usar Real-Time Workshop para generar cdigo C para su hardware designado.
CARACTERSTICAS DEL ENTORNO

Caractersticas de MATLAB : Clculos numrico. Grficos y visualizacin avanzada. intensivos desde un punto de vista
o Lenguaje de alto nivel basado en vectores, arrays y matrices.
Coleccin muy til de funciones de aplicacin.

Las poderosas capacidades de clculo tcnico de MATLAB se ponen a la disposicin de los estudiantes, aunque limita el tamao de las matrices a 8192 elementos, la edicin de estudiante mantiene toda
JOSE GARZON ARIAS
- 19 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB la potencia de la versin profesional de MATLAB 7.0, en una forma diseada para que los estudiantes puedan ejecutarlo en sus propios ordenadores personales bajo Windows.
Toolbox especiales :
Se incluyen el Toolbox de seales y Sistemas ( un conjunto de herramientas para el procesamiento de seal y para el anlisis de sistemas de cuadro ) y el Toolbox Symbolyc Math ( herramienta de clculo simblico basada en Maple V ).
SALIDAS O PRESENTACIONES
MATLAB provee acceso inmediato a las caractersticas grficas especializadas requeridas en ingeniera y ciencias. Potente graficacin orientada a objetos grficos le permite graficar los resultados de su anlisis, incorporar grficos en sus modelos de sistemas, rpidamente presentar complejos 3-D objetos, y crear resultados de presentacin, entre lo cual se destaca:
JOSE GARZON ARIAS
- 20 -
Representaciones 2-D y 3-D, incluyendo datos triangulados y reticulados
Representaciones 3-D quiver, ribbon, y stem
Control de fuentes, letras Griegas, smbolos, subndices y superndices
Seleccin expandida de smbolos marcadores de curvas Grficos de torta, de barras 3-D y grficos de barras
horizontales
Grficos 3-D y slido modelado Representacin de imgenes y archivos I/O Grficos comentados Leer/Escribir archivos de datos Hierarchical Data Format (HDF) Presentacin de OpenGL software y hardware Animacin Display de buffer x rpido y exacto Soporte de colores verdaderos (24-bit RGB) Fuentes mltiples de luz para superficies coloreadas
JOSE GARZON ARIAS
- 21 -

Vista basada en cmara y control de perspectiva Iluminacin Plana, Gouraud y Phong Soporte eficiente de imagen de datos de 8-bit Control de eje y cmara Propiedades de superficie y patch Modelos de iluminacin Control grfico de objetos Impresin y representacin de copias Formatos grficos exportables Soporte de publicacin de escritorio
FUNCIONES DE MATLAB
Manipulacin y Reduccin de Datos MATLAB tiene un rango completo de funciones para preprocesar datos para anlisis Numerosas operaciones para manipular arreglos
multidimensionales, incluyendo reticulacin e interpolacin de datos, estn tambin disponibles.
JOSE GARZON ARIAS
- 22 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Descriptivos Grficos Para Explorar y Presentar los Datos Grficos de propsitos generales y de aplicacin especfica le permiten visualizar al instante seales, superficies paramtricas, imgenes y ms. Todos los atributos de los grficos de MATLAB son
personalizables, desde los rtulos de ejes al ngulo de la fuente de luz en las superficies 3-D . Los grficos estn integrados con las capacidades de anlisis, de modo que se puede mostrar grficamente cualquier conjunto de datos sin editar, ecuacin o resultado funcional. I/O Directo de Datos Se puede ingresar y sacar datos de f MATLAB rpidamente. Las funciones estn disponibles para leer y escribir archivos de datos formateados en MATLAB, llamados archivos MAT. Funciones adicionales ejecutan programas ASCII e I/O binario de bajo nivel desde los archivos de programas M, C, y Fortran, permitindole trabajar con todos los formatos de datos. MATLAB tambin incluye soporte incorporado para formatos populares de archivos estndar. Computacin Simblica Integrada Integrando el motor simblico Maple V con MATLAB, los Symbolic Math Toolboxes le permiten mezclar libremente computacin simblica y numrica una sintaxis simple e intuitiva. - 23 -
JOSE GARZON ARIAS
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Anlisis de Datos Confiable, Rpido y Exacto Los mtodos usados comnmente para anlisis de datos multidimensional
generalizados 1-D, 2-D estn incorporados en MATLAB. Interfaces grficas fciles de usar, especficas para aplicaciones, la lnea de comando interactiva y herramientas de programacin estructuradas le permiten elegir el mejor camino para sus tareas de anlisis. Anlisis herramientas de para Datos para la DSP MATLAB ofrece muchas en
realizar
funcionalidad
indispensable
procesamiento de seales, tales como Transformadas Rpidas Fourier y Transformadas Rpidas Inversas de Fourier. La visualizacin de datos de procesamiento de seales est soportada por funciones tales como grficos stem y periodogramas. El lenguaje de MATLAB,
inherentemente orientado a matrices hace que la expresin de coeficientes de filtros y demoras de buffers sean muy simples de expresar y comprender. Anlisis de Datos en Aplicaciones de Imgenes MATLAB y la Image Processing Toolbox ofrece un amplio conjunto de herramientas que le permite fcilmente manipular, procesar y analizar datos de imgenes, interactivamente mostrar pantallas de imgenes 2-D o 3-D, visualizar datos temporales cuando es necesario, y comentar sus - 24 -
JOSE GARZON ARIAS
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB resultados para publicaciones tcnicas. La orientacin basada en matrices del lenguaje de MATLAB le permite expresar en forma compacta operaciones matemticas de forma similar a cmo las expresara sobre papel. Como resultado, es fcil e intuitivo efectuar procesamiento de imgenes y operaciones de anlisis tales como FFTs, filtrado 2-D, morfologa binaria, manipulacin geomtrica, conversin de espacios de colores, compresin, anlisis de
componentes conectados y ms. Algorithm Development (Desarrollo de Algoritmos) Sea que se est usando los algoritmos del sistema o est inventando los suyos propios, MATLAB le provee un ambiente en el que se puede experimentar. A diferencia de C y C++, MATLAB permite desarrollar algoritmos desde cero o trabajar con interfaces complicadas a bibliotecas externas. Las poderosa fundacin de computacin, el lenguaje tcnico, y cientos de funciones en cajas de herramientas (toolboxes) convierten a MATLAB en lo ms adecuado para aplicaciones matemticamente intensivas que requieran anlisis de datos, procesamiento de seales e imgenes, modelado de sistemas o tcnicas numricas avanzadas.
JOSE GARZON ARIAS
- 25 -
LIBRERIAS
Librera de Aplicaciones de MATLAB Signal Processing Toolbox MATLAB tiene una gran coleccin de funciones para el procesamiento de seal en el Signal Processing Toolbox. Este incluye funciones para:
Anlisis de filtros digitales incluyendo respuesta en frecuencia,
retardo de grupo, retardo de fase.

Implementacin de filtros, tanto directo como usando tcnicas
en el dominio de la frecuencia basadas en la FFT.

Diseo de filtros IIR, incluyendo Butterworth, Chebyschev tipo I,
Chebyshebv tipo II y elptico.

Diseo de filtros FIR mediante el algoritmo ptimo de Parks-
McClellan.
Procesamiento de la transformada rpida de Fourier FFT,
incluyendo la transformacin para potencias de dos y su inversa, y transformada para no potencias de dos. JOSE GARZON ARIAS - 26 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB The MATLAB C Math Library La MATLAB C Math Library proporciona al usuario la capacidad computacional de MATLAB en una librera en formato objeto enlazable. El objetivo principal de la C Math Library es soportar el desarrollo de aplicaciones 'stand alone' utilizando MATLAB y su compilador. Puede ser utilizada independientemente de MATLAB por programadores avezados en lenguaje C que necesiten prestaciones computacionales robustas y de alto rendimiento. Junto con el compilador de MATLAB , la C Math Library permitir a los programadores de aplicaciones utilizar MATLAB para la creacin de aplicaciones 'stand alone'. Para los usuarios clsicos de MATLAB , se elimina as cualquier necesidad de volver a rescribir algoritmos en lenguaje C para ser utilizada por programas externos. Para aquellos usuarios que sean nuevos en la tecnologa MATLAB , esta tecnologa ofrece una nueva va para la reduccin del tiempo de desarrollo y puesta a punto de aplicaciones. La MATLAB C Math Library proporciona una amplia gama de funciones clsicas del programa MATLAB , proporcionadas como libreras objeto, incluyendo bsicamente las siguientes categoras de funciones presentes en MATLAB y archivos M compilados: JOSE GARZON ARIAS - 27 -

lgebra lineal. Funciones matemticas elementales y especializadas. Operadores lgicos y aritmticos. Matrices elementales y manipulacin de vectores. Matrices especiales. Estadstica bsica y anlisis de datos. Polinomios e interpolacin. Gestin de cadenas de caracteres. Entradas y Salidas. Gestin de memoria y errores.
(Nota: Las funciones del tipo Handle Graphics no estn incluidas en la C Math Library).
JOSE GARZON ARIAS
- 28 -
JOSE GARZON ARIAS
- 29 -
TRABAJANDO CON MATLAB
Exhibicin de Nmeros
Operaciones Aritmticas
Operadores Relacinales
Operadores Lgicos
Combinaciones
Caracteres Especiales
Ejemplos Elementales
APRENDIENDO A TRABAJAR CON MATRICES
Uso bsico de MATLAB

COMANDOS BASICOS
JOSE GARZON ARIAS
- 30 -
TRABAJANDO CON MATLAB
Para iniciar MATLAB, seleccionamos el programa MATLAB de un men del sistema.
HACER DOBLE CLIC AQU
y aparece la siguiente ventana de MATLAB, que nos dice que MATLAB est esperando que introduzcamos un comando.
JOSE GARZON ARIAS
- 31 -
La >> es el prompt del MATLAB, que esta esperando que se introduzca un comando, funcin, variable o numero. Seguidamente se presentan comandos ms usados. o Para salir de MATLAB, use quit o exit. o El comando clc despeja la ventana de comandos, y el comando clf borra la figura actual y por tanto despeja la ventana de grficos. o El comando clear no afecta a las ventanas, pero si borra todas las variables de la memoria
JOSE GARZON ARIAS
- 32 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB o Para ver algunas de las capacidades de MATLAB, usar el comando demo, que inicia el MATLAB EXPO, un entorno grfico de demostracin que ilustra algunos tipos de operaciones que se pueden realizar con MATLAB. o Para abortar un comando en MATLAB, mantener presionada la tecla de control y oprima c (Ctrl. + c). Esto ocasiona un interrupcin local dentro del MATLAB. o Para acceder al men de ayuda se debe usar el comando help. o El smbolo denota el prompt de MATLAB y no se escribe al entrar instrucciones. o El ; al final de la instruccin omite el eco o salida a la pantalla.
Exhibicin de Nmeros:
Comando MATLAB format short format short e format long format long e format bank format hex Exhibicin Por omisin 4 decimales 14 decimales 15 decimales 2 decimales exp. Ejemplo 2.3333 2.3333e+000 2.33333333333333 2.333333333333334e+000 2.33 4002aaaaaaaaaaab - 33 -
JOSE GARZON ARIAS
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB format + hexadecimal +, -, espacio +
Operaciones Aritmticas:
ESCALAR + * / \ ^ MATRIZ + * / \ VECTOR + .* ./ \. . DESCRIPCIN Adicin Sustraccin Multiplicacin Divisin hacia la derecha Divisin hacia la izquierda Transposicin
JOSE GARZON ARIAS
- 34 -
Operadores Relacinales
OPERADOR < <= > >= == ~= DESCRIPCIN
menor que menor o igual que mayor que mayor o igual que Igual no igual
Operadores Lgicos
OPERADOR & | ~
DESCRIPCIN
Y (and) O (or) NO (not)
JOSE GARZON ARIAS
- 35 -
Combinaciones:
P falso Falso Verdader o Verdader o verdadero Falso verdadero verdadero Q Falso verdadero Falso ~P Verdadero Verdadero Falso P |Q Falso Verdadero Verdadero P&Q falso falso falso
JOSE GARZON ARIAS
- 36 -
Caracteres Especiales:
CARACTERES
[] ()
DESCRIPCIN
Se utilizan para formar vectores y matrices Define precedencia en expresiones aritmticas. Encierra
argumentos de funciones en forma usual , Separador de elementos de una matriz, argumentos de funciones y declaraciones en lneas con declaraciones mltiples ; Separador de declaraciones, termina renglones de una matriz
A continuacin se presentan un conjunto de ejemplos elementales que permiten ver a un alumno principiante , como se utiliza el Math Lab, de forma interactiva . Todo se efecta directamente en la pantalla de trabajo. En esta el prompt es >> , donde se introducen los comandos seguidos de un enter . Conviene siempre comenzar, limpiando la ventana y las variables de trabajo, con clear, clf y clc.
JOSE GARZON ARIAS
- 37 -
1.1.Ejemplos Elementales
>> 13/3 ans = 4.3333 >> 3\13 ans 4.3333 >> 4^11 ans 4194304 >> 2*pi^3 ans 62.01255336059963 a = [0 1 2 3 4 5 6 7 8 9 10] a= 0 1 2 3 4 5 6 7 8 9 10 b= a + 3 b= 3 4 5 6 7 8 9 10 11 12 13 t = 0:2:20 t= 0 2 4 6 8 10 12 14 16 18 20 c= a+b c= 3 5 7 9 11 13 15 17 19 21 23
JOSE GARZON ARIAS
- 36 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB d = [1; 3; 5] d= 1 3 5 d ans = 1 3 5
f = [4; 6; 9] f= 4 6 9 >> d*f ??? Error using ===> * Inner matrix dimensions must agree. >> d.*f ans = 4 18 45 >> d * f ans = 4 12 20 6 18 30 9 27 45
JOSE GARZON ARIAS
- 37 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB >>d.*f ??? Error using ==> .* Matrix dimensions must agree. >> d*4 ans = 4 12 20 >>f.*4 ans = 16 24 36 >>a/7 ans = 0.1429 0.4286 0.7143 >> a./7 ans = 0.1429 0.4286 0.7143 >> d^f ??? Error using ==> ^ Matrix dimensions must agree.
JOSE GARZON ARIAS
- 38 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB >> d.^f ans = 1 729 1953125 >> d ^2 ??? Error using ==> ^ Matrix must be square. >> d.^2 ans = 1 9 25
>> 3d ??? Error using ==> ^ Matrix must be square. >>3.^d ans = 3 17 243
JOSE GARZON ARIAS
- 39 -
APRENDIENDO A TRABAJAR CON MATRICES

Para entrar la matriz 0 3 2 4
y lo guardamos en una variable a, >> a = [1 2; 3 4] Para redisplay la matriz, simplemente teclee su nombre: >> a Primero elevemos al cuadrado la matriz a: >> a*a Ahora se har algo un poco ms complicado. Primero definiendo una
matriz b: >> b = [1 2; 0 1] Entonces calculando el producto a*b: >> a*b Finalmente, se efecta el producto en el otro orden: >> b*a - 40 -
JOSE GARZON ARIAS
Se sabe que los dos productos son diferentes: porque la multiplicacin de matrices es no conmutativa. Por supuesto, tambin se puede sumar matrices: >> a + b Ahora guardando el resultado de esta suma para que se pueda usarlo despus: >> s = a + b Las matrices a veces se pueden invertirse: >> inv(s) Para verificar que esto es correcto, se calcula el producto de s y su inverso: >> s * inv(s) El resultado es la unidad, o matriz de identidad. Tambin se puede escribir el cmputo como >> s/s tambin se puede escribir >> s\s qu es igual que >>inv(s) * s JOSE GARZON ARIAS - 41 -
Para ver que estas operaciones son correctas y/o diferentes, se hace lo siguiente: >> a/b >> a\b No todas las matrices pueden invertirse, o puede usarse como el denominador en la divisin de matrices: >> c = [1 1; 1 1] >> inv( c ); Una matriz puede invertirse si y slo si su determinante es diferente de cero: >> det(a) >> det (c)
JOSE GARZON ARIAS
- 42 -
Uso bsico de MATLAB
Normalmente se requiere de modelos computacionales con el fin de resolver problemas de ingeniera. Muchas veces puede ser til hacer un programa que utilice matrices, complejos, y otras estructuras matemticas, pero fcil de escribir y revisar. MATLAB es ideal para esto. Ya que es una herramienta tan til y poderosa, se dar una idea general sobre su manejo, con el fin de facilitar su uso. Esta presentacin est organizada de la siguiente forma:
Generalidades. Comandos de programacin. Comandos matemticos.

Programas de ejemplo variados.
Cada uno de los vnculos de estas secciones, contiene una explicacin breve y ejemplos pequeos de cada comando. La seccin de ejemplos, contiene algunos programas completos, donde se utilizan los comandos tratados.
JOSE GARZON ARIAS
- 43 -
NOTA: En todos los programas de ejemplo se utiliza el comando de MATLAB: % el cual se utiliza para aadir un comentario en el programa. Estos comentarios son importantes para que otros puedan entender el contenido con mayor facilidad.
2. Generalidades
Esta es una breve introduccin al manejo de variables (escrita para las personas que nunca han usado MATLAB), expresiones y archivos con extensin .m (programas ejecutables por MATLAB), con respecto a su creacin y uso. La idea es tratar de manera general, como es el uso de variables, expresiones y comandos en MATLAB, as como sus caractersticas. Adicionalmente dar una introduccin al uso de los archivos con extensin .m (programas ejecutables por MATLAB) y como trabajar con ellos.
2.1.
Manejo de variables:
En MATLAB como en cualquier otro lenguaje de programacin, y/o asistente matemtico se utilizan variables. Las variables deben tener un nombre segn ciertas reglas.
JOSE GARZON ARIAS
- 44 -
Estas reglas son: NO pueden comenzar con un nmero, aunque si pueden tener nmeros (variable1 es un nombre vlido). Las maysculas y minsculas se diferencian en los nombres de variables. (A y a son dos variables diferentes) Los nombres de variables no pueden contener operadores ni puntos. (No es vlido usar /, *, -, +, ...) Si se trabaja con complejos slo puede utilizarse un de los nombres i y/o j para variables. Ver complejos. No es necesario definir el tipo de variable o tamao (si se usa un vector y despus se expande, no hay problema)
2.2.
Manejo de expresiones:
Una expresin en MATLAB, puede ser: Una variable o un nmero. (ej: variable1, x, 3, 22.3) Un comando aplicado. (ej: norm(A), sin(2*pi) ) Una expresin matemtica. (ej: 2+3*variab1^ 4.5)
JOSE GARZON ARIAS
- 45 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Si cualquiera de las anteriores se escribe en la lnea de comandos (>> ) del MATLAB, l devolver el nombre de la variable y su valor (en caso de que la expresin tenga nombre, de no tenerlo, MATLAB devolver ans = resultado). Un punto importante que se debe resaltar es que esto ocurre siempre y cuando la expresin no termine con punto y coma. Al aadir un punto y coma al final de la expresin MATLAB no imprime su valor en la pantalla, aunque si realiza el clculo. (a=3+2; deja en a el valor de 5, pero no lo muestra).
2.3.
Manejo de comandos:
Cada comando en MATLAB es un archivo con extensin .m, por lo tanto es necesario tener las libreras en que se encuentran los comandos que se desean utilizar. Aunque la gran mayora de los comandos utilizados siempre vienen incluidos en las libreras. MATLAB NO distingue entre maysculas y minsculas en los comandos (a menos que se trabaje en Unix) . El resto de esta presentacin trata cada comando en detalle (los ms usados).
JOSE GARZON ARIAS
- 46 -
2.4.
Manejo de archivos con extensin .m:
Todos los comandos a que se refiere esta presentacin pueden utilizarse directamente desde la lnea de comandos del MATLAB (>> ). Sin embargo la idea es hacer un archivo (con extensin .m) que contenga el programa (para poder modificarlo, revisarlo, correrlo otra vez ....) ya que es ms ventajoso as. Los programas no requieren indentacin como en los ejemplos que he puesto aqu, sin embargo es recomendable hacerlo por claridad al intentar modificar el programa o revisarlo. Para trabajar estos archivos, es necesario saber: Que es: Es un archivo de texto como cualquier otro donde se encuentra el listado del programa. (slo que su extensin no es txt sino m) Como crear uno: Las formas ms fciles son: Desde Unix: con el comando !pico archivo.m donde archivo es el nombre del programa. Desde Windows: con el NOTEPAD, teniendo la precaucin de cambiar el tipo de archivo a Todos los archivos (*.*) antes de grabarlo. (de lo contrario el archivo quedar con nombre archivo.m.txt y el MATLAB no podr correrlo, la solucin es quitar el .txt.).
JOSE GARZON ARIAS
- 47 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Como correrlo para obtener los resultados: Desde la lnea de comandos de MATLAB se escribe el nombre del archivo (sin el .m) NOTAS: El archivo debe quedar grabado en el mismo directorio que MATLAB para poder correrlo. Y si el archivo fue escrito en Unix la extensin tiene que ser escrita en minscula (m), y debe escribirse el nombre exactamente igual para correrlo (Unix diferencia entre maysculas y minsculas)
2.5
Comandos bsicos de programacin
Para la estructura de programacin en MATLAB se requiere conocer por lo menos los siguientes comandos:
2.5. 1
Comando END
Determina hasta cual orden llega el efecto de if, for, y while. (Para ejemplos de su uso ver if, while y for)
2.5.2.
Comando IF
Verifica si se cumple cierta condicin, y de acuerdo a si se cumple o no realiza la accin que se desee. La sintaxis de la orden es: if (condicin), (ordenes 1) [else, (ordenes 2)] end; JOSE GARZON ARIAS - 48 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Donde las ordenes entre [ ] son opcionales. (ordenes 1) son las ordenes que se realizarn si (condicin) se cumple. (ordenes 2) son las ordenes que se realizarn si (condicin) NO se cumple. (condicin) Puede ser: a == b (verifica si a es igual a b) a<b a>b (verifica si a es menor que b) (verifica si a es mayor que b)
a <= b (verifica si a es menor o igual que b) a >= b (verifica si a es menor o igual que b) a ~= b (verifica que a y b sean diferentes) El siguiente ejemplo ilustra el uso de if: %Ejemplo de uso de if. n=0; if n==0, n escribe % su resultado en pantalla. else, n=1 end; n = 2; if n == 0, n % al escribir una expresin sin punto y coma final, MATLAB
JOSE GARZON ARIAS
- 49 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB else, n =1 end; La salida que se obtiene con el programa anterior es la siguiente: n= 0 n= 1 Donde el 0 (cero) proviene de entrar al primer if, y el 1 (uno), de entrar al else del segundo if.
2.5. 3
Comando WHILE
Realiza una parte del programa mientras se cumpla alguna condicin. La sintaxis de la orden es: while (condicin), (ordenes) end; (ordenes) son las ordenes que se realizarn mientras (condicin) se cumpla. (condicin) Puede ser: a == b (verifica si a es igual a b) a < b (verifica que si a es menor que b) a > b (verifica que si a es mayor que b) JOSE GARZON ARIAS - 50 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB a <= b (verifica si a es menor o igual que b) a >= b (verifica que si a es mayor o igual que b) a ~= b (verifica que a y b sean diferentes) El siguiente ejemplo ilustra el uso de while: %Ejemplo de uso de while. n=0; while n<=5, n %Al escribir el nombre de la variable (sin punto y coma) MATLAB % imprime su valor. n = n + 1; %El punto y coma evita que MATLAB imprima el nuevo valor de n. end; La salida que se obtiene al correr el programa anterior es: n= 0 n= 1 n= 2 n= 3 n= 4 JOSE GARZON ARIAS - 51 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB n= 5
2.5.4.Comando FOR
Muy parecido al While, pero utiliza un contador, es til si se quiere repetir una parte del programa un nmero. determinado de veces. La sintaxis de la orden es:
for (contador), (ordenes) end;
(ordenes) son las ordenes que se realizarn (contador) llega a su valor final. (contador) Es de la forma: variable = a [ , b ] : c Donde:
variable es el contador en s. a es el valor inicial del contador (variable). b es el segundo valor del contador (opcional, si se omite, b=a+1), su
funcin es determinar el incremento del contador.
c es el valor final del contador (variable).
JOSE GARZON ARIAS
- 52 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB El siguiente ejemplo ilustra el uso de for: % Ejemplo de uso de for. for i=0,0.5:2.5, i %al escribir el nombre de una variable (sin punto y coma) %MATLAB muestra su valor. end;
La salida del programa anterior es la siguiente: i= 0 i= 0.5 i= 1 i= 1.5 i= 2 i= 2.5
JOSE GARZON ARIAS
- 53 -
2.5. 5
Comando PLOT
Sirve para obtener resultados grficos en 2D. La sintaxis de la orden es:
plot(x, y);
x es el vector que contiene los valores de x. y es el vector que contiene los valores de y, tal que el valor de y en la posicin uno del vector corresponde al primer valor del vector x. La grfica se realiza uniendo una serie de rectas entre los puntos incluidos en los vectores X y Y. Si las curvas quedan muy mal hechas, (se notan las rectas) puede ser necesario disminuir el paso de los vectores y aumentar el nmero de puntos. Para claridad, puede ser necesario leer la parte correspondiente a vectores a la orden FOR. El siguiente ejemplo ilustra el uso de plot: % Ejemplo de uso de plot. for i =1:101, x(i) = (i-1) /100;
JOSE GARZON ARIAS
- 54 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB y(i)=x(i) 3 - 1; % Organiza en vectores la funcin y=x^3 - 1 end; plot(x, y); pause; %pausa el computador hasta que se presione una tecla ,esta orden es necesaria cuando se hace ms de una grfica, para poder ver
cada una por separado. Ya que MATLAB las dibuja en la misma ventana siempre. (a menos que se use el comando FIGURE). Al correr el programa se obtiene la grfica de la curva y=x3 -1 (para 0<=x<=1). La grfica aparecer en una ventana aparte llamada Figure 1, y la recta se ver as:
JOSE GARZON ARIAS
- 55 -
Otro ejemplo, para la grfica de y = sin(t) en el intervalo t = 0 a t = 10; donde debemos hacer lo siguiente: >> t = 0:.3:10; >> y = sin(t); >> plot( t , y) Aqu el resultado grfico:
JOSE GARZON ARIAS
- 56 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB El comando t = 0: .3 :10; define el vector entre los componentes desde 0 a 10 incrementados de 0.3. La expresin y = sin(t); va a definir los valores de los componentes que son: sin(0), sin(0.3), sin(0.6), etc. Finalmente, plot(t,y) usa el vector de t y los valores de y para la construccin del grfico.
2.6 Funciones de dos variables

Vamos a elaborar la grfica de la funcin z(x,y) = x exp( - x^2 - y^2): >> [x,y] = meshgrid(-2:.2:2, -2:.2:2); >> z = x .* exp(-x.^2 - y.^2); >> mesh(z)
JOSE GARZON ARIAS
- 57 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB El primer comando crea una matriz para hacer la entrada de los puntos en el espacio cuadrado de -2 <= x <= 2, -2 <= y <= 2. Los cuadrados pequeos que constituyen la reja son de 0.2 unidades ancho y 0.2 unidades de alto. La segunda orden crea una matriz cuyas entradas son los valores de la funcin z(x,y) a los puntos de la reja. La tercera orden usa esta informacin para construir el grfico.
2.6. 1
Comando DISP
Sirve para escribir texto de salida o vectores. de resultados. La sintaxis de la orden es:
disp(X);
X Puede ser:
Un vector. Una matriz. Una cadena de texto.
El siguiente ejemplo ilustra el uso de disp: %Ejemplo de uso de disp.
JOSE GARZON ARIAS
- 58 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB a = [1, 2, 3, 4, 9 11]; % Un vector disp(a); a = [1, 2 , 7 ; 6, 3, 4]; % Una matriz disp(a); a = Texto se puede escribir as ; % Cadena de texto disp(a); disp( Tambin se puede escribir as. );
La salida del programa anterior ser: 1 2 3 4 9 11
1 6
2 3
7 4
Texto se puede escribir as Tambin se puede escribir as.
JOSE GARZON ARIAS
- 59 -
2.6.2
Comando INPUT
Se utiliza para que el programa pida valores de variables mientras se ejecuta. La sintaxis de la orden es:
variable = input ( texto );
variable es un nombre vlido de variable, en la que se quiere almacenar el

valor que se pregunta.
texto puede ser:
Una variable o, Una cadena.
El siguiente ejemplo ilustra el uso de input: %Ejemplo de uso de input. a = 0; % hace vlido el nombre de variable a. a = input( Teclee el valor de a: ); tex = Cual es el nuevo valor de a? ;
JOSE GARZON ARIAS
- 60 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB a final) % MATLAB muestra su valor. a = input(tex); a La salida de este programa ser: Teclee el valor de a: (espera) a= xxx % aqu se imprime el valor asignado para a. % Al escribir el nombre de una variable (sin punto y coma al
Cual es el nuevo valor de a? (espera) a= yyy Donde xxx y yyy son valores introducidos por el usuario en el momento de correr el programa.
JOSE GARZON ARIAS
- 61 -
Comandos bsicos matemticos

Lo que hace verdaderamente poderoso al MATLAB es la facilidad para realizar operaciones matemticas con elementos como: (en cada vnculo se encuentra las ordenes y sintaxis para cada tipo de elemento).
2.7 Vectores y Matrices

Los vectores y matrices en MATLAB se trabajan igual en cuanto a asignacin, por eso se explican juntos. Pero las operaciones posibles, si son diferentes, y estn separadas bajo los encabezados correspondientes.
Asignacin:
La asignacin de variables en MATLAB es sencilla, y los vectores y matrices no son la excepcin. Cuando se desea dar el valor a toda una matriz se puede realizar directamente de la siguiente forma: A = [1 2 3 4 ; 5 6 7 8; 9 0 1 2]; A = [1, 2, 3, 4;5, 6, 7, 8;9, 0, 1, 2];
JOSE GARZON ARIAS
- 62 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB donde la matriz escrita arriba es: 1 5 9 2 6 0 3 7 1 4 8 2
Las filas se separan por punto y coma y las columnas por espacios o comas. De lo anterior se ve fcilmente que un vector fila se asigna as: v = [1 2 3]; v = [1, 2, 3]; y un vector columna se asigna as: v = [1; 2; 3];
JOSE GARZON ARIAS
- 63 -
Manejo de subndices:
Otra forma de asignar valores a una matriz (o un vector) es por medio de los subndices. El menor subndice utilizado por MATLAB es 1. Y va aadiendo valores a medida que se requieran. Los subndices se escriben entre parntesis. Por ejemplo: A(2, 3) =1; Asigna al elemento en la fila 2, columna 3 el valor de 1.
Si se desea cambiar todo el valor de una fila o una columna, es muy sencillo hacerlo con el operador : as: A(1 , :) = [4 5 6];
Asigna a la fila 1 el vector [4, 5, 6] (cambia la fila 1 por 4, 5, 6). As si A era una matriz de 3 x 3 de ceros, ahora queda: 4 0 0 5 0 0 6 0 0
Igualmente a veces se requiere trabajar con vectores que son una columna o una fila de una matriz. JOSE GARZON ARIAS - 64 -
Esto se realiza fcilmente guardando este vector en un vector , as: v = A(:,1); Asigna al vector v la primera columna (completa) de la matriz A.
. Operaciones matemticas simples con matrices y vectores:

Esto es algo en lo que MATLAB hace las cosas verdaderamente simples, si se tienen dos matrices (o vector y matriz, o dos vectores), y se quieren: sumar, multiplicar restar slo es necesario anotar esta operacin normalmente (como se hara con nmeros). Por ejemplo: Si se quieren multiplicar dos matrices A y B y almacenar el resultado en C: C = A * B; (Si se hace entre dos vectores (uno fila y el otro columna) el resultado es el producto punto entre los dos) Si se quieren sumar restar y almacenar el resultado en C: C = A + B; C = A - B; (Sin importar que sean matrices o vectores.)
JOSE GARZON ARIAS
- 65 -
2.8. Comandos matemticos para vectores:

Los comandos matemticos ms empleados con vectores son:
2.8.1. Comando NORM

Calcula la norma de un vector o matriz. La sintaxis de la orden es:
Norma = norm( Matriz [, Tipo]);
Los signos [ ] son para decir que Tipo es opcional. Matriz es la matriz o vector al que se desea calcular la norma. Tipo es el tipo de norma que se desea calcular. Tipo puede ser una de las siguientes: Si se omite: calcula la norma 2 en un vector es la magnitud del vector 2: inf: calcula la norma 2 calcula la norma infinito: en un vector es el mximo valor absoluto, en una matriz es la JOSE GARZON ARIAS - 66 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB suma ms grande de las filas. En Norma se almacena el valor de la norma calculada. El siguiente ejemplo ilustra el uso de norm: (ver orden de programacin DISP) %Ejemplo de uso de norm. A = [1 2; 3 4] v = [1 2 3 4] disp( Para la matriz: ); n2 = norm(A) ni = norm(A, inf) disp( Para el vector: ); n2 =norm(v) ni = norm(v, inf) % Al escribir una expresin sin punto y coma al final % MATLAB muestra su valor en pantalla. Al correr el programa se obtienen como salida los siguientes resultados:
JOSE GARZON ARIAS
- 67 -
A=
1 3
2 4
v=
Para la matriz:
n2 = 5.4650 ni = 7 Para el vector: n2 = 5.4772 ni = 4
2.8.2. Comando MIN

Retorna el (los) menor (es) componente (s) de un vector o matriz. Para el caso de los vectores: retorna el menor valor contenido en sus componentes.
JOSE GARZON ARIAS
- 68 -
En el caso de una matriz MIN retorna un vector (fila) que contiene el mnimo elemento que se encontr en cada una de las columnas (la primera componente del vector tiene el menor elemento en la primera columna de la matriz, y as sucesivamente). La sintaxis de la orden es:
Mnimo = min( matriz x );
Matriz es la matriz o vector al que se desea encontrar la (s) mnima (s) componente (s). En Mnimo se retorna (n) el (los) mnimo (s) valor (es) encontrado (s) en la matriz o vector. El siguiente ejemplo ilustra el uso de min: %Ejemplo de uso de min. A=[1 2; 3 4] v=[1 2 3 4] M=min(A) m=min(v) % MATLAB diferencia entre maysculas y minsculas.
JOSE GARZON ARIAS
- 69 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB % Al escribir una expresin sin punto y coma al final % MATLAB muestra su valor en pantalla. Al correr el programa anterior se obtiene como salida lo siguiente: A= 1 3 v= 1 2 4 2 3 4
M= 1 m= 1 2
2.8.3. Comando MAX

Retorna el (los) mayor (es) componente (s) de un vector o matriz. Para el caso de los vectores: retorna el mayor valor contenido en sus componentes. En el caso de una matriz MAX retorna un vector (fila) que contiene el mximo elemento que se encontr en cada una de las columnas (la primera componente del vector tiene el mayor elemento en la primera columna de la matriz, y as sucesivamente). La sintaxis de la orden es: Mximo = max(Matriz);
JOSE GARZON ARIAS
- 70 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Matriz es la matriz o vector al que se desea encontrar la (s) mxima (s) componente (s). En Mximo se retorna (n) el (los) mximo (s) valor (es) encontrado (s) en la matriz o vector. El siguiente ejemplo ilustra el uso de max: %Ejemplo de uso de max. A = [1 2; 3 4] v = [1 2 3 4] M = max(A) m = max(v) % MATLAB diferencia entre maysculas y minsculas. Al correr el programa anterior se obtiene como salida lo siguiente: A= 1 3 v= 1 M= 3 m= 4 4 2 3 4 2 4
JOSE GARZON ARIAS
- 71 -
2.8.4. Comando CROSS

Calcula el producto cruz entre dos vectores. La sintaxis de la orden es: Vector1 = cross( Vector2, Vector 3 );
Vector2 y Vector3 son los vectores a los que se les quiere aplicar el producto cruz. Tanto Vector2 como Vector3 deben ser vectores tridimensionales. Vector1 es el vector (tridimensional) resultante del producto cruz de Vector2 y Vector3. El siguiente ejemplo ilustra el uso de cross: %Ejemplo de uso de cross. x = [1 0 0] y = [0 1 0] z = cross(x, y) Al correr el programa se obtiene la siguiente salida:
JOSE GARZON ARIAS
- 72 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB x= 1 y= 0 z= 0 0 1 1 0 0 0
2.8.5. Comando LENGTH

Determina el nmero de componentes de un vector. La sintaxis de la orden es: Longitud = length (Vector);
Vector es el vector que se quiere medir (nmero de componentes). Longitud es el nmero de componentes de Vector. El siguiente ejemplo ilustra el uso de lenght: %Ejemplo de uso de length. x = [1 2 3 4 5 6 7 ] l = length(x) Al correr el programa se obtiene la siguiente salida:
JOSE GARZON ARIAS
- 73 -
x= l=
1 7
2.9. Comandos matemticos para matrices:

Los comandos matemticos ms empleados con matrices son:
2.9.1. Comando NORM

Calcula la norma de un vector o matriz.
2.9.2. Comando MIN

Retorna el (los) menor (es) componente (s) de un vector o matriz.
2.9.3. Comando MAX

Retorna el (los) mayor (es) componente (s) de un vector o matriz.
2.9.4. Comando SIZE

Devuelve el tamao de la matriz (dimensiones). La sintaxis de la orden es: [Filas, Columnas] = size(Matriz);
JOSE GARZON ARIAS
- 74 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB (Los smbolos [ ] se escriben.)
tambin: Tamao = size(Matriz);
Matriz es la matriz a la que se le desea determinar el tamao (dimensiones). En Filas se almacena el nmero de filas. En Columnas se almacena el nmero de columnas. Tamao es un vector (fila) en cuyas componentes se almacenan el nmero de filas y de columnas, siempre en ese orden. El siguiente ejemplo ilustra el uso de size: %Ejemplo de uso de size. A= [1 2 3; 4 5 6] y = size(A) [f, c] = size(A); f % Al escribir una expresin sin punto y coma final MATLAB c % muestra el valor por pantalla Al correr el programa se obtiene la siguiente salida:
JOSE GARZON ARIAS
- 75 -
A=
1 4
2 5 3
3 6
y= f=
2 2
c=
2.9.6. Comando EIG

Calcula los valores y vectores propios (ortovalores y ortovectores) de la matriz. La sintaxis de la orden es:
[ Vectores, Diagonal ] = eig( Matriz ); (Los smbolos [ ] se escriben.) tambin: Valores = eig( Matriz );
JOSE GARZON ARIAS
- 76 -
DEFINICIONES DE MATRICES
Matriz es la matriz (cuadrada) a la que se le desea calcular los valores o
vectores propios.
Diagonal es una matriz diagonal que contiene los valores propios de Matriz. Vectores es una matriz en la que se devuelven los vectores propios
(unitarios) donde cada columna de la matriz Vector es un vector propio de matriz; tal que el primer vector corresponde al primer valor propio y as sucesivamente.
Valores es un vector columna que contiene los valores propios de Matriz.

El siguiente ejemplo ilustra el uso de eig: %Ejemplo de uso de eig. A = [1 2; 3 4] y = eig(A) [V, D] = eig(A); V %Al escribir una expresin sin punto y coma final MATLAB % muestra el valor por pantalla D Al correr el programa se obtiene la siguiente salida:
JOSE GARZON ARIAS
- 77 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB A= 1 3 y= 2 4
-0.3723 5.3723
V=
-0.8246 0.5658
-0.4160 -0.9094 0 5.3723
D=
-0.3723 0
2.9.7. Comando INV

Sirve para invertir una matriz. La sintaxis de la orden es:
matriz1 = inv(matriz2);
matriz2 es la matriz que se desea invertir En matriz1 se almacena la matriz inversa de matriz 2. El siguiente ejemplo ilustra el uso de inv: %Ejemplo de uso de inv.
JOSE GARZON ARIAS
- 78 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB A = [1 2; 3 4] I = inv(A); I % Al escribir una expresin sin punto y coma al final % MATLAB muestra su valor en pantalla. Al correr el programa se obtiene como salida la matriz que se desea invertir (A), y su inversa ( I ). La salida se ve as: A= 1 3 I= -2.0000 1.5000 1.0000 -0.5000 2 4
2.9.7. Comando DET

Sirve para calcular el determinante de una matriz. La sintaxis de la orden es: Valor = det (Matriz) Matriz es la matriz (cuadrada) a la que se le desea calcular el determinante. Valor es donde se almacena el valor del determinante. El siguiente ejemplo ilustra el uso de det: % Ejemplo de uso de det JOSE GARZON ARIAS - 79 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB A = [1 2 7; 4 5 8; 6 -7 10] d = det(A)
Al correr el programa se obtiene la siguiente salida: A= 1 4 6 d= -284 2 5 -7 7 8 10
JOSE GARZON ARIAS
- 80 -
JOSE GARZON ARIAS
- 81 -
INTRODUCCION A LOS MTODOS NUMRICOS
MODELOS FISICOS Y MATEMATICOS IMPORTANCIA DE LOS MTODOS NUMRICOS
SOLUCION DE LA ECUACION X2= 2
DEFINICION DE ALGORITMO
El algoritmo de EUCLIDES
MEDICION Y CIFRAS SIGNIFICATIVAS
CIFRAS SIGNIFICATIVAS.
CONCEPTO DE PRECISION Y EXACTITUD
JOSE GARZON ARIAS
- 82 -
INTRODUCCION A LOS MTODOS NUMRICOS

3.0 MODELOS FISICOS Y MATEMATICOS
Problemas matemticos y sus soluciones.
DEFINICION Un modelo matemtico puede definirse como una representacin simblica , o simplificada de un fenmeno, en una o varias ecuaciones que expresan las caractersticas esenciales de un sistema fsico ,o proceso en trminos matemticos.
Vd = f (vi, p , f )
(1)
Vd = variable dependiente que refleja el comportamiento o estado del sistema. Vi = variables independientes como tiempo o espacio a travs de las cuales el comportamiento del sistema ser determinado. P = parmetros , son reflejos de las propiedades o la composicin del sistema. f = funciones de fuerza, son influencias externas sobre el sistema. JOSE GARZON ARIAS - 83 -
EJEMPLO: De la segunda Ley de Newton:
F = ma ; reordenando
a=
F M
__
(2)
Caractersticas de este modelo matemtico.
1.- Describe un proceso o sistema natural en trminos matemticos. 2.- Representa una simplificacin de la realidad. 3.- Conduce a resultados predecibles. Otros modelos matemticos de fenmenos fsicos pueden ser mucho ms complejos. De nuevo si usamos la segunda Ley de Newton para determinar la velocidad final o terminal de un cuerpo, tenemos un expresin de aceleracin como la razn de cambio de la velocidad con respecto al tiempo:
dv F = dt m
(3)
JOSE GARZON ARIAS
- 84 -
Para un cuerpo que cae, la fuerza total es:
F = FD + Fu
(4)
FD = La atraccin hacia abajo debido a la fuerza de la gravedad. Fu = Fuerza hacia arriba debida a la resistencia del aire, En donde:
FD = mg Fu = -cu c = coeficiente de resistencia o arrastre Como la fuerza total , es la diferencia entre las fuerzas hacia abajo y las fuerzas hacia arriba, tenemos:
dv = mg - cu dt m
(7)
dv = g c/m (v) dt
(8)
Esta ecuacin es un modelo matemtico que relaciona la aceleracin de un cuerpo que cae con las fuerzas que actan sobre l. Se trata de una ecuacin diferencial o ecuaciones diferenciales. JOSE GARZON ARIAS - 85 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Si las ecuaciones son ms complejas, se requiere de tcnicas avanzadas para obtener una solucin analtica exacta o aproximada.
Si el objeto est en reposo, v = o y t = 0 clculo, obtenemos: v(t) = gm/c ( 1 e-(c/m)t ) Que es la solucin analtica o exacta, v(t) = variable dependiente t = es la variable independiente c,m = parmetros g = funcin de la fuerza
, y usando las teoras de
(9)
Ej. 1 Un paracaidista , con una masa de 68.1 kgs salta de un globo aerosttico fijo. Con la ayuda de la ecuacin ( 9 ), calcule la velocidad antes de abrir el paracadas, coeficiente de resistencia = 12 kg/seg.
Datos:
m = 68.1 c = 12.5 g = 9.8 m/s v(t) = gm/c ( 1 e-(c/m)t ) substituyendo valores se tiene
v(t)=53.39
1 e (0.1835)t - 86 -
JOSE GARZON ARIAS
60 50 40 v, m/s 30 20 10 0 0 5 t,s 10 Serie1
t,s 0 2 4 6 8 10 12
v, m/s 0 16.42 27.76 35.63 41.05 44.87 47.48 53.39
Cuando los mtodos numricos modelos matemticos no pueden resolverse con exactitud, se requiere de una solucin numrica que se aproxima a la solucin exacta.
Los mtodos numricos son aquellos en los que se formula el problema matemtico para que se pueda resolver mediante operaciones aritmticas.
Para la segunda Ley de Newton, al aproximar a la razn del cambio de la velocidad con respecto al tiempo , tenemos:
dv = v = v ( ti + 1 ) v ( ti ) t ti + 1 ti dt
( 10 )
JOSE GARZON ARIAS
- 87 -
Diferencias finitas divididas
v ( ti )
= es la velocidad en el tiempo inicial ti
v ( ti + 1 ) = es la velocidad despus de un tiempo mas tarde: ti + 1
sustituyendo la ec. ( 10 ) en la ec. ( 8 ):
v ( ti + 1 ) v ( ti ) ti + 1 ti Reordenando :
= g c/m v ( ti )
V ( ti + 1 ) = v ( ti ) +
g c/m v( ti )
( ti + 1 ti )
( 11 ) - 88 -
JOSE GARZON ARIAS
A cualquier tiempo
Nuevo valor = viejo valor + pendiente x tamao del paso.
Ejemplo .2 Resolver el ejemplo anterior mediante una solucin numrica para calcular la velocidad. Emplear un tamao del paso de 2 segundos. Datos: m = 68.1 kg c = 12.5 kg/s g = 9.8 m/s Substituyendo los valores en la ecuacin 11 e iterando para diferentes tiempos se tiene g c/m v( ti )
V ( ti + 1 ) = v ( ti ) +
( ti + 1 ti )
V 1 = V0 +
g c/m V0
( ti + 1 ti ) (2-0)
; t1 = 2 seg = 19.6 m/s
V1 = 0 + 9.8 12.5/68.1 (0)
JOSE GARZON ARIAS
- 89 -
t2 = 4s, v2 = ? V2 = 19.6 + 9.8 12.5/68.1 (19.6) (4-2) = 32 m/s
Sustituyendo:
V3 = V2 + g c/m V2
(t3 t2)
V3= 32 +
9 .8 12.5/68.1 (32)
(2)
= 39.85 m/s
Entonces V3= 39.85 m/s
Sustituyendo: V4 = 39.85 + 9 .8 12.5/68.1 (39.85) (2) = 44.82 m/s
V5 = 44.82 +
9 .8 12.5/68.1 (44.82)
(2)
= 47.96 m/s
V6 = 47.96 +
9 .8 12.5/68.1 (47.96)
(2)
= 49.95 m/s
JOSE GARZON ARIAS
- 90 -
Los resultados numricos para la solucin exacta y la solucin numrica se dan en la siguiente tabla En la tabla t,s es el tiempo en segundos, SN corresponde a la solucin analtica y SA a la solucin Numrica
TABLA DE RESULTADOS t,s 0 2 4 6 8 10 12 SN 0 19.6 32 39.85 44.82 48.01 49.05 53.39 SA 0 16.42 27.76 35.63 41.05 44.87 47.48 53.39
Comparativo entre solucin numrica y solucin analtica

60 50 40 V, m/s 30 20 10 0 0 2 4 6 t,s Solucin Numrica Solucin Analtica 8 10 12 a
JOSE GARZON ARIAS
- 91 -
Como se vera la solucin numrica tiende a la solucin analtica. Y los resultados de la primera son bastante aceptables.
IMPORTANCIA DE LOS MTODOS NUMRICOS
Los mtodos numricos son tcnicas mediante las cuales es posible formular problemas matemticos de tal forma que puedan resolverse usando operaciones aritmticas. El anlisis numrico trata de disear mtodos para aproximar de una manera eficiente las soluciones de problemas expresados matemticamente. El objetivo principal del anlisis numrico es encontrar soluciones aproximadas a problemas complejos utilizando slo las operaciones ms simples de la aritmtica. Se requiere de una secuencia de operaciones algebraicas y lgicas que producen la aproximacin al problema matemtico. Los mtodos numricos pueden ser aplicados para resolver procedimientos matemticos en: Clculo de derivadas Integrales Ecuaciones diferenciales Operaciones con matrices Interpolaciones Ajuste de curvas Polinomios
JOSE GARZON ARIAS
- 92 -
Los mtodos numricos se aplican en reas como: Ingeniera Industrial, Ingeniera Qumica, Ingeniera Civil, Ingeniera
Mecnica, Ingeniera elctrica, etc...
3.1 SOLUCION DE LA ECUACION X2= 2 a) Solucin Analtica.

La solucin analtica de la ecuacin X2= 2 es un problema muy antiguo que prcticamente da lugar a los nmeros irracionales , pues no existe una representacin racional exacta de x = 2 , que es la solucin de la ecuacin
b) Solucin Numrica.
La solucin Numrica se puede obtener con cierto numero de cifras significativas, y con un cierto tipo de error de aproximacin, por medio de un algoritmo simple , aplicando la siguiente formula de recursin :
X N +1 =
1 2 (X N + ) 2 XN
3.1
Donde Xn+1 son los valores de aproximacin que se van obteniendo a partir de los valores anteriores Xn .. El error cometido en cada iteracin es de aproximadamente 10-3 % . Esto hace ver que los Mtodos Numricos , son aproximaciones que siempre contienen un a cierta cantidad de error. A continuacin se presenta una tabla de iteraciones con este algoritmo , que es una tabla clsica en Mtodos Numricos. JOSE GARZON ARIAS - 93 0.5 x
Iteracin (n)
Xn+1(valor nuevo)
Xn (valor anterior) 0 1 1.5 1.4116 1.4142156
Error (r)
0 1 2 3 4
1 1.5 1.4116 1.4142156 1.414213563
33.3% 5.88% 0.1733% 0.00158948%
Como se vera no existe un valor exacto, pero se obtienen aproximaciones bastante buenas , Esto se demuestra por el error obtenido.
3.2
DEFINICION DE ALGORITMO
Un algoritmo es una secuencia lgica de pasos necesarios para ejecutar una tarea especifica , tal como la solucin de un problema .
Caractersticas de Un Algoritmo: 1. Finitud. Todo algoritmo debe terminar en un nmero finito de

pasos.
2. Definido. Las acciones de un algoritmo deben ser claras sin

ambigedades.
3. Entrada. Todo algoritmo debe tener una o ms entradas. 4. Salida. Todo algoritmo debe tener una o ms salidas. 5. Efectividad. Todas las operaciones involucradas deben
reportar al menos un resultado. JOSE GARZON ARIAS
- 94 -
3.3
El algoritmo de EUCLIDES.
El mximo comn divisor de dos enteros m y n (ambos diferentes de cero) es el mximo entero positivo que divide a m y n. As el mximo comn divisor de 4 y 6 es 2. Sean a, b y q enteros, con b diferente de cero, y satisfacen que a=b*q, decimos que b divide a a. q es el cociente y b es un divisor de a. Sean m y n enteros tales que son diferentes de cero. Un divisor comn de m y n es un entero que divide a m y a n y se escribe en la siguiente forma: mcd(m,n), y se interpreta como el mayor comn divisor de m y n. Ejemplo 1: Los divisores positivos de 30 son: 1,2 3, 5, 6, 10, 15,30 Y los divisores positivos de 105 son: 1, 3, 5, 7, 15, 21, 35,105; As, los divisores positivos comunes de 30 y 105 son: 1, 3, 5, 15. Esto implica que el mximo comn divisor de 30 y 105, mcd(30, 105) es igual a 15.
JOSE GARZON ARIAS
- 95 -
3.4 MEDICION Y CIFRAS SIGNIFICATIVAS.

Antes de empezar con la definicin de errores , que es un concepto inherente de los mtodos numricos, se presentaran los conceptos de medicin y cifras significativas.
DEFINICION.
Una medicin es un procedimiento, por medio del cual se obtienen uno o mas conjuntos de datos , que representan un proceso, de cualquier clase Las mediciones en fsica se efectan por medio de un instrumento de medicin. La exactitud de una medicin, depende del tipo de medicin y del instrumento de medicin. As si se desea medir una partcula de polvo, se requiere de un microscopio graduado en Micras. En cambio si se desea medir el ancho de una estrella , se requiere de un telescopio con graduacin que permita medir aos luz. Todas las medidas que realiza un instrumento , se reportan con cierto grado de incertidumbre, por ejemplo las medidas de una hoja de papel tamao carta se reportan con un error de .5mm , lo cual quiere decir que las dimensiones de la hoja (21.6,27.9cm) solo los tres primeros dgitos son significativos.
CIFRAS SIGNIFICATIVAS. DEFINICION.

Una cifra significativa es cada uno de los dgitos que resultan de hacer una medicin, cuando la mxima incertidumbre no es mayor que la mitad de la mnima unidad que puede ser medida con el instrumento de medicin utilizado
JOSE GARZON ARIAS
- 96 -
Los ceros no siempre son cifras significativas, , ya que pueden usarse solo para ubicar el punto decimal. As los nmeros 0.00002458 y 0.0002458 tienen cuatro cifras significativas. La importancia de las cifras significativas es : I .- Es un criterio para especificar que tan confiable es un calculo , o procedimiento numrico. Es comn especificar por tanto la confiabilidad de un resultado a un numero de cifras significativas dado. Por ejemplo en el caso de la hoja de papel tamao carta , podramos decir que la superficie de la hoja de papel tiene una confiabilidad de 4 cifras significativas, es decir que aun cuando se obtiene como resultado 602.64 , la confiabilidad de la medicin solo asegura la exactitud de los cuatro primeros dgitos, es decir que la superficie de la hoja se reporta como 602.6 0.5mm . II.- Existen ciertos nmeros tales como , l ,
7 que representan
cantidades especificas que no se pueden expresar con un numero finito de dgitos y solo se manejan aproximaciones como es el caso de
3.14159265 , a la eliminacin que se hace del resto de cifras

significativas se le conoce como error de redondeo.
3.5 CONCEPTO DE PRECISION Y EXACTITUD.

Cuando se efectan varias mediciones con un mismo instrumento y a un mismo objeto, se distinguen dos cosas en los resultados obtenidos: 1.- La repeticin de las mediciones dentro de un rango de valores 2.- La cercana de las mediciones a un valor , que de alguna forma sabemos o consideramos como real.
JOSE GARZON ARIAS
- 97 -
DEFINICION DE PRECISION
A la repeticin de valores obtenidos de una medicin se le conoce como la precisin de la medida.
DEFINICION DE EXACTITUD
A la cercana de las mediciones a un valor que consideramos como el valor real se le conoce como exactitud.
Por ejemplo si la medicin de la superficie de un circulo de radio unitario la realizamos cinco veces , obtenindose los valores siguientes: 3.141592653, 3.141592654,3.141592657,3.141592651,3.141592650, todas las medidas tendran la misma precisin a 10 cifras significativas, sin embargo las medidas de mayor exactitud serian la primera y la segunda.
ERRORES.
En la vida real , no siempre se conocen las soluciones exactas de los problemas que se presentan, ya sea en un proceso econmico, administrativo, o cualquier calculo cientfico que se tenga que realizar. Por este motivo, la mayor parte de los resultados que se reportan en la practica son aproximaciones de las cantidades reales. En el rea de la computacin, sucede lo mismo, ya que ninguna computadora puede almacenar un numero irracional.
DEFINICION
La diferencia que existe entre una cantidad real y su aproximacin se conoce de manera general como error. Existen muchos tipos de errores(el tratamiento exhaustivo, y estadstico de estos queda fuera del alcance del presente texto), dentro de los mas importantes para el anlisis numrico, se encuentran : JOSE GARZON ARIAS
- 98 -
El error de redondeo El error de truncamiento El error relativo El error absoluto. A continuacin describiremos cada uno de ellos.
ERROR DE REDONDEO
DEFINICION
El error de redondeo es el que resulta al suprimir o desechar un conjunto de dgitos , que no se consideran como significativos, siguiendo las reglas , establecidas para este caso: a) Si el decimal n+1 es menor que 5, simplemente se suprime. b) Si el decimal n+1 es mayor o igual a 5 , se incrementa en una unidad la ultima cifra conservada.
Ejemplo :
Expresio n 1/7 LN 2
REPRESENTACION
APROXIMACION
ERROR
0.142857
0.142857 0.693147
1/7000000 0.000000180 559
0.693147180559945 30941
JOSE GARZON ARIAS
- 99 -

3
1.259921049894873 164
1.25992
0.000001049 849
2.718281828459045 235
2.71828182845904 5
0.000000000 00000023536
ERROR DE TRUNCAMIENTO Definicin:

El error de truncamiento es el error que aparece cuando un procedimiento infinito, se hace finito.
El ejemplo clsico del error de truncamiento, es cuando se corta la expansin de una funcin , en series de potencias. La expansin de una funcin en series de potencias de Taylor esta dada por:
f ( x) =
k =0
f k ( x0 ) ( x x0 ) k ..3.2 k!
Como se ve esta expansin, es infinita lo cual no es practico, para calcular un valor de la funcin, de ah que la serie se trunca , lo cual produce automticamente un error ,el cual es precisamente el llamado error de truncamiento. pngase como ejemplo, el calculo del valor de e1.5
ex =
1+ x +
x2 x3 x4 + + + ........ 3.3 2 6 24
Aqu se tendrn diferentes errores, dependiendo del numero de trminos usados para calcular la exponencial, lo cual se muestra en la siguiente tabla:
JOSE GARZON ARIAS
- 100 -
Valor Real e1.5 4.481688927
Numero de trminos de la expansin 1 2 3 4 5 6
Resultado aproximado
Error relativo obtenido
1 2.5 3.625 4.1875 4.39843 4.46171
0.776869 0.442173 0.191151 0.0656405 0.0185756 0.00445591
El error de aproximacin para cada expansin, esta dado por la expresin:
R n
n +1
(t )( x a ) n +1 .3.5 (n + 1)!
Donde Rn es el residuo que queda despus del n esimo termino, fn+1(t) es la n+1 derivada paramtrica de la funcin. Que para este caso el mayor numero de trminos es 6 as que:
et x 7 et x 7 e t 1.5 7 R6 = = = 0.0151932.3.6 7! 7! 7!
Como se vera el error esperado es precisamente mayor que para el 6 termino.
JOSE GARZON ARIAS
- 101 -
ERROR ABSOLUTO.
DEFINICION: El error absoluto es el valor absoluto de la diferencia entre el valor real y el valor aproximado. Es decir: abs= Vr Vo .. 3.7 donde Vr es el valor real , y Vo es el valor obtenido, o aproximado. Como rara ves se conoce el valor real Vr , puede corresponder a cualquiera de dos valores: El valor esperado o bien el valor obtenido por la iteracin anterior. Ejemplo: ln(3.5)= 1.25276 la aproximacin usando una expansin de Taylor con 6 trminos es 14.3489, por tanto el error absoluto es:
1.25276 - 14.3489 = 13.0961
ERROR RELATIVO.
DEFINICION. El error relativo es el cociente entre el error absoluto y el valor real. Es decir que : r=
V r Vo .3.8 Vr
donde como en la definicin anterior Vr es el valor real , y Vo es el valor obtenido o aproximado . Como ya se menciono, no siempre se conoce el valor real , por tanto se usa el valor esperado o bien el valor calculado anteriormente en una iteracin.
JOSE GARZON ARIAS
- 102 -
Ejemplo : Se calculara el error relativo cometido al calcular el coseno de 60 , respecto al calculado por medio de 6 trminos de una expansin en series de Mc Claurin. Cos(6)= 0.960170, la expansin con 6 trminos proporciona el valor -0.733121 As r =
0.960170 + 0.733121 = 1.76353 0.960170
Muchas veces es til trabajar con el porcentaje de error relativo, lo cual se obtiene multiplicando por 100. En ambos errores estos se reportan de acuerdo con la exactitud que se esta manejando. Hay que recordar que el error de redondeo en los clculos esta dado por la expresin Eror de redondeo = 5 X 10-n-1 donde n es el numero de decimales que se estn considerando. Como ejemplo al redondear el error relativo del calculo anterior del coseno se tiene lo siguiente. Cantidad Redondeado a decimales 1.76353 4 3 2 Cantidad redondeada 1.7635 1.763 1.76 5X10-5 5X10-4 5X10-3 Error cometido
A continuacin se presentan una serie de ejercicios , que permiten al estudiante reafirmar lo visto hasta ahora.
JOSE GARZON ARIAS
- 103 -
Ejercicios: Errores de redondeo.

1.- Dadas las siguientes cantidades 3.462335, 76.76549362, 5847.9. Redonde a 4 decimales , y proporcione el error de redondeo. 2.- Bajo las operaciones de suma, producto y cociente de las cantidades: 549.3587, 97.3454, cual es el resultado, si estas se redondean a 3 decimales. 3.- Dada la funcin e x senx , cual es el error de redondeo, que se comete al calcular el valor de la funcin en x = 6.33 y redondear a 5 decimales. 4.- Cual es el error mximo que se comete cuando se redondea un numero a 7 decimales.
Errores de truncamiento
5.- Dada la funcin e 6 senx , determine el error de truncamiento , cuando esta se evala en el punto 3.24, con los 6 primeros trminos de la serie de Mc Claurin . 6.- Cual es el error Mximo permisible cuando la funcin cos(6x^2) , se expande en una serie de Mc. Claurin. 7.- Sea 1+x+0.63x^2+0.534x^3+0.768x^4+589x^5 , la expansin al 50 termino de una funcin f(x) , cual seria el mximo error cometido con esta expansin.
Errores Absolutos y Relativos

8.- Cual es el error absoluto , que se comete en el problema 5 9.- Cual es el error relativo que se comete en el problema 5 10 Cual es el error relativo que se comete en el problema 7 si el valor de la funcin es 4.18x10 4 , en el punto 2.3456 JOSE GARZON ARIAS
- 104 -
HACIENDO USO DEL MATLAB

11.- Elabore un programa en MATLAB para cada uno de los problemas anteriores y compruebe sus resultados. 12 .- Grafique en el Matlab , las funciones presentadas en los problemas anteriores y sus expansiones en series de potencias , y compare las curvas, y los valores obtenidos para la funcin.
BIBLIOGRAFIA.
ATKINSON, K.E. , An Introduction to Numerical Analysis, Wiley , Nueva York ,1987 Booth, G.W. y T.L. Peterson , Non Linear Estimation , I.B.M.Share Program Pa. Num 687 Steven C. Chapra, Raymond P. Canale . Mtodos Numricos para Ingenieros , Mc Graw Hill Interamericana,2003. Mathews H, John , Fink D. Kurtis . Mtodos Numricos con MATLAB . Pearson Educacin , S.A. Espaa ,2000 Kunz, Kaiser S. (1957). Numerical Anlisis , Mc Graw Hill, Nueva Cork.
JOSE GARZON ARIAS
- 105 -
JOSE GARZON ARIAS
- 106 -
INTRODUCCION A LA TEORIA DE ECUACIONES
DEFINICIONES BASICAS ECUACIONES POLINOMIALES
ACOTACION DE RAICES REALES
METODOS DE SOLUCION NUMERICA DE ECUACIONES
JOSE GARZON ARIAS
- 107 -
SOLUCION NUMERICA DE ECUACIONES

4.0 DEFINICIONES BASICAS
Definicin de una ecuacin
DEFINICION Una ecuacin es una expresin Matemtica, que contiene trminos algebraicos , funciones trigonometricas, funciones
2
exponenciales,
logartmicas, etc, nmeros y un signo de igual Ejemplo: 3x +6x-2=1 Existen diferentes tipos de ecuaciones , dependiendo de los trminos, las hay lineales como por ejemplo 45y+26=73. En general se puede hablar de ecuaciones polinomiales de la forma: anxn+an-1xn-1+an-2xn-2+an-3xn-3+=b(4.1) Ecuaciones trigonometricas, las que tienen funciones trigonometricas, ejemplo sen(2x)+5x=2. Ecuaciones logartmicas, las que tienen logaritmos, como por ejemplo 5log(3x)+10=1 etc. En general se distinguen dos tipos de ecuaciones , las lineales y las no lineales.
RAICES DE ECUACIONES
DEFINICION Una raz de una ecuacin es un numero que satisface le ecuacin, es decir que si esta igualada a cero, una raz ser el numero real o complejo que la hace cero Ejemplo la raz de la ecuacin 5x-1=0 ser
1 5
JOSE GARZON ARIAS
- 108 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Una ecuacin lineal siempre tendr como raz un solo numero real. Las ecuaciones no lineales pueden tener normalmente mas de una raz . Las races de las ecuaciones no lineales pueden ser reales o complejas. En este momento es importante mencionar que una de las partes importantes de los mtodos numricos es el calculo aproximado de las races de ecuaciones que no se pueden obtener por mtodos algebraicos , los mtodos mas conocidos son : El mtodo de bisecciones, el mtodo de punto fijo, el mtodo de interpolacin, el mtodo de Newton Rhapson, que sern descritos posteriormente. Todos los mtodos mencionados anteriormente, tienen la caracterstica de que bajo ciertas condiciones , se aproximan a las races de las ecuaciones , con un cierto error de aproximacin , hay tambin que considerar que hay ciertos mtodos que tienen algunas restricciones que dificultan su uso.
4.1
ANALISIS
DE
RAICES
DE
ECUACIONES
POLINOMIALES.
En el caso del anlisis de races de ecuaciones polinomiales, es muy importante el estudio de el Teorema fundamental del lgebra, el
Teorema del residuo y el Teorema del factor que vamos a enunciar a
continuacin.
Teorema fundamental del lgebra

Toda ecuacin polinomial de grado mayor o igual a uno tiene al menos una raz. Es decir que el teorema fundamental del lgebra o TFA asegura la existencia de al menos una raz para cualquier ecuacin polinomial de grado mayor o igual a uno.
JOSE GARZON ARIAS
- 109 -
Teorema del residuo

El residuo
n n-1
de
n-2
dividir
el
polinomio
Pn(x) = anx +an-1x +an-2x ++a0 de grado n 1 , entre x-b donde b es cualquier constante , es igual a Pn(b) .
Teorema del factor

Si el residuo de dividir el polinomio Pn(x) ( de grado mayor o igual a uno) , entre x-b es cero, entonces x-b es un factor de Pn(x) , entonces el residuo de dividir Pn(x) entre x-b es cero. Ejemplos : El polinomio 4x5-2x3+1 , tiene una raz real , a saber : -0.9112547456 Al dividir 4x5-2x3+1 el residuo es 145 Como se obtuvo este resultado?, el resultado se obtuvo por medio de divisin sinttica, el cual consiste en lo siguiente:

x=
Se ordena el polinomio en orden decreciente. Se separan los coeficientes poniendo ceros donde no hay termino correspondiente. Se cambia de signo el termino independiente que es el divisor. El primer termino del cociente es el primer coeficiente del termino de mayor grado. A partir de ese momento se multiplican los cocientes por el divisor hasta el ultimo termino del dividendo. El numero final que queda es el residuo.
JOSE GARZON ARIAS
- 110 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Ejemplo : Tomando el polinomio anterior 4x5-2x3+1, se tiene : 4 0 2 0 0 1 2
_______8___ 16___36___72__144________ 4 8 18 36 72 145 Este es el residuo
De acuerdo con el teorema del factor el Polinomio P3(x)= x3-3x+18 tiene como factor x+3, esto se comprueba, por que al efectuar la divisin de x3-3x+18 entre x+3 el residuo es cero.
SOLUCION DE UNA ECUACION

DEFINICION La solucin de una ecuacin es el numero, o conjunto de nmeros reales o complejos que , que al substituirlo en lugar de la variable satisface la igualdad Ejemplo la solucin de la ecuacin 3x3+6x2+7x=0 tiene como solucin
2 3i 2 3i , 1 + ,0 3 3
Como se podr observar a partir de este momento, por cada raz compleja , que es solucin de la ecuacin, se tiene su conjugado. Hay que observar que el numero de total de races que tiene un polinomio, por el TFA corresponde al grado del termino mayor del polinomio. En el ejemplo, el grado del polinomio es tres, y tiene 3 races. La pregunta es, del numero total de races que tiene un polinomio, cuantas se pueden esperar que sean Reales y cuantas complejas, adems de las reales cuantas podran ser positivas y cuantas sern negativas?. Esta pregunta se puede contestar con la regla de los signos de Descartes.
JOSE GARZON ARIAS
- 111 -
REGLA DE LOS SIGNOS DE DESCARTES.

La ecuacin
n n-1
polinomial
n-2
de
grado
Pn(x) = anx +an-1x +an-2x ++a0 con an0 , en donde todos sus coeficientes son nmeros reales y a0 0 , es decir que el cero no es una raz de la ecuacin, entonces: 1.- El numero de races positivas de Pn (x) =0 , contadas cada una tantas veces como indique su multiplicidad este numero disminuido en una cantidad par . 2.- El numero de races negativas , de Pn(x)=0, contadas cada una tantas veces como indique su multiplicidad , es igual al numero de variaciones de signo de los coeficientes del polinomio evaluado en --x , es decir de Pn(-x) , o es menor que este numero disminuido en una cantidad par. Ejemplo: Sea P5(x) = 13x5+81x3+12x2+5x+27 , no tiene ninguna cambio de signo , por lo tanto no se espera ninguna raz real positiva. Haciendo P5(-x)=-13x5-81x3+12x2-5x+27 vemos que tiene 3 cambios de signo , por lo tanto esperamos 3 races reales negativas o 1 raz real negativa. Races reales positivas 0 0 Races reales negativas 3 1 Races Complejas 2 4 es igual al numero de variaciones de signo de los coeficientes del polinomio , o es menor que
Resolviendo para 13x5+81x3+12x2+5x+27=0

Se tiene : { 0.2995457166 - 0.6279304552i , 0.2995457166 +
0.6279304552i , 0.04804288559 - 2.483977456i , 0.04804288559 + 2.483977456i , -0.6951772044}, la solucin presentada cumple
claramente con la regla de los signos de descartes, pues tiene 1 raz real negativa y 4 races reales complejas.
- 112 -
JOSE GARZON ARIAS
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Ntese como se dijo , cuando hay una raz compleja, esta viene por pares, es decir que para cada raz compleja se tiene su conjugado.
4.2 SOLUCION DE ECUACIONES NO LINEALES.

Sea que f(x) es una funcin continua, dgase que f: . Se desea calcular las soluciones de la ecuacin f(x)=0 (4.1). Mas aun , se puede considerar el caso f:nn , donde n1. Problemas de este tipo aparecen en la optimizacin de funciones y en la solucin numrica de sistemas no lineales.
4.3 MTODO DE APROXIMACIONES SUCESIVAS

El mtodo de aproximaciones sucesivas consiste en generar funciones convergentes, bajo un esquema iterativo, partiendo de la funcin original, lo cual se soporta en el siguiente teorema :
TEOREMA DE CONVERGENCIA.
La raz, de cualquier sub. funcin extrada de una funcin f(x) obtenida por una iteracin convergente , es tambin una raz de f(x). Ejemplo de aplicacin del teorema Sea f(x)=5senx-3x, la sub funcin sen(x) tiene como raz x=0, la cual resulta ser tambin raz de la funcin f(x) DEFINICION Un esquema iterativo en Mtodos Numricos , es una tcnica fundamental que consiste en repetir un proceso aritmtico o algebraico , hasta que se obtiene un resultado. Esta definicin se aplica el proceso de iteracin que consiste en sustituir repetidamente previamente obtenido. en una expresin (o formula) el valor ,
JOSE GARZON ARIAS
- 113 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB En este mtodo se requiere de una regla, formula o sub funcin g(x), con la que se calculan los trminos sucesivos , junto con un valor de partida p0, esto produce una sucesin de valores {pk} obtenida mediante el proceso iterativo pk+1=g(pk). La sucesin se ajusta al siguiente patrn: P0 P1=g(P0) P2=g(P1) P3=g(P2) P4=g(P3) P5=g(P4) P6=g(P5) En una sucesin interminable de nmeros , se dice que el esquema iterativo converge , si los nmeros tienden a un limite, Ejemplo : sea f(x) = -x/20 - 0.9534461720 y p0 = 1 se tiene que
{0.04655382800, -0.002216747499, 0.0001056833004,
5.03819948510-6
, 2.40100349910-7
, - 1.14997317210-8
5.00185606810 -9 , - 9.97418760210-10 , 0} Es decir que la raz exacta se obtiene hasta el 9 valor.
JOSE GARZON ARIAS
- 114 -
PUNTOS FIJOS.
DEFINICION Un Punto fijo de una funcin g(x) es un numero real que P , tal que P=g(P) .
Ejemplo: un punto fijo de la funcin g(x)=7sen(2x)-4x es cero porque 0=7sen(0)-4(0). Geomtricamente hablando, los puntos fijos de una funcin g(x) son los puntos de interseccin de la curva y = g(x) con la recta y=x
ITERACION DE PUNTOS FIJOS

DEFINICION Una iteracin de punto fijo es un esquema iterativo de la forma pn+1=g(pn) para n=0,1,. Ejemplo: sea la interaccin convergente P0=0.5 y Pk+1 =-pk para k=0,1,2,
Calculando los diez primeros trminos:
. P1=-0.500000=0.606531 . P2=-0.606531=0.545239 P3=-0.545239.=0.579703 .
JOSE GARZON ARIAS
- 115 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB P9=-0.579703=0.567560 P10=-0.567560=0.566907
La sucesin converge lo cual da :

lim Pn n = 0.567143...... .
Lo que se ha obtenido es una aproximacin de punto fijo de la funcin f(x)= -x
EL MTODO DE APROXIMACIONES SUCESIVAS COMO ITERACIN DE UN PUNTO FIJO

DEFINICION El mtodo de aproximaciones sucesivas, es el procedimiento que permite obtener una aproximacin a la solucin de mediante la iteracin de un punto fijo. una ecuacin,
A continuacin se presenta un programa que calcula la raz de una ecuacin , por el mtodo de aproximaciones sucesivas.
function [k,p,err,P]=fixpt(g,p0,tol,max1) P(1)=p0 for k=2:max1 P(k)=feval(g,P(k-1)); err=abs(P(k)-P(k-1)); relerr=err/(abs(P(k))+eps); p=P(k); if(err<tol) | (relerr<tol),break;end end if k == max1 disp(se han excedido el numero mximo de iteraciones) end P=P;
JOSE GARZON ARIAS
- 116 -
Para poder usar este programa es un requisito introducir la funcin g(x) como un archivo.
Ejercicios: Obtenga la solucin , por el mtodo de aproximaciones sucesivas de las siguientes ecuaciones: 1.- x5-3x3-2x2+2=0 2.- cos(sen(x))=2 3.- x2=sen(x+0.25)
4.4 METODO DE BISECCION :

El mtodo de de Biseccin tiene como base el Teorema de valor Intermedio, el cual a la letra dice:
TEOREMA DE VALOR INTERMEDIO
Sea f(x) una funcin continua en [a,b] y sea p un valor entre (f(a),f(b)) , entonces existe un valor x* entre (a,b), tal que f(x*) = p
COROLARIO
Sea f(x) una funcin continua en [a,b] y sean f(a) y f(b) de signos contrarios, entonces existe un valor x* entre (a.b) , tal que f(x*) = 0 El mtodo de biseccin consiste en : Sea f(x) una funcin continua , y a, b dados tales que f(a)f(b)0 , se define c=(a+b)/2. Si f(c) = 0 entonces el algoritmo termina.
JOSE GARZON ARIAS
- 117 -
ALGORITMO DEL METODO DE BISECCION.
1. .- Sean a1=a, b1=b , n=1 2. .- Defina cn=(an+bn)/2 3. .- Si bn-cn , entonces se acepta que cn es una raiz aproximada y se detiene el proceso. 4. Si signo(f(bn)) signo(f(cn)).<0 , entonces an+1=cn. De lo contrario bn+1=cn 5. Hgase n=n+1 , y regrese a 2 Ejemplo: Considere la funcin f(x)= x2+x-1 .Note como f(0)=-1 f(1)=1, se tiene que existe una raz de la ecuacin f(x)=0 en el intervalo Aproximando esta raz con el mtodo de Biseccin. Los resultados son: N 1 2 0 0 an bn 1 0.5 cn 0.5 0.25 f(an) -1 -1 f(bn) 1 0.25 f(cn) 0.25 0.69 3 0.25 0.5 0.375 0.69 4 0.375 0.5 0.4375 0.48 5 0.4375 0.5 0.46875 0.25 0.25 0.25 0.48 0.37 (0,1).
JOSE GARZON ARIAS
- 118 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB 0.37 0.31
La solucin correcta a seis cifras significativas es 0.618034. Se puede ver que el mtodo de biseccin es un poco lento. A continuacin se presenta un anlisis del error.
ANALISIS DE ERROR .
Como f(a)f(b)0 , se sabe que existe un numero [a,b] tal que f()=0 Mediante Induccin Matemtica se puede probar que bn+1-an+1=1/2(bn- an). (4.2) Esto es asi , ya que el intervalo se divide a la mitad , cada ves que se pase por el paso 2 del algoritmo. Nuevamente usando induccin matemtica , se obtiene que (bn- an)= Obsrvese que
1 2 n 1
(b a ) , n1 ..(4.3) [an,cn]
o
como
[cn,bn]
se
tiene
que
c n c n a n = bn c n =
1 (bn a n ) .(4.4) 2
Combinando (4.3) y (4.4) se tiene que c n
1 (b a), 2n
n 1 (4.5)
Lo cual implica que cn segn n . La convergencia en (4.5) es lo que se conoce como convergencia lineal con razn de convergencia . De la desigualdad (4.5) se puede estimar el numero de iteraciones necesarias para obtener c n . En particular si se requiere que n log 2 (
ba ) .(4.6)
1 (b a ) , 2n
JOSE GARZON ARIAS
- 119 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Basndose en este anlisis de convergencia se puede hacer las siguientes observaciones.
El mtodo tiene convergencia segura! . Esto es dada la condicin inicial f(a)f(b)0 , el mtodo converge a una raz en
[a,b] . Esta
propiedad conocida como convergencia global , es una de las caractersticas fuertes del mtodo de Biseccin y la mayora de los mtodos no la poseen.
El error en las aproximaciones generadas por el mtodo se reduce a la mitad en cada paso.
La convergencia lineal , se caracteriza por la ecuacin (4.5) , es lenta (es decir se requiere, un gran numero de iteraciones para llegar a un resultado correcto) comparada con otros mtodos . Esto es as ya que el mtodo solo usa evaluaciones de la funcin y sus comparaciones.
CONCLUYENDO.
El mtodo de biseccin tiene limitaciones sobre otros mtodos numricos, para obtener races de ecuaciones no lineales , sin embargo da resultados aproximados para la simplicidad del algoritmo.
4.5 METODO DE NEWTON RAHPSON.

El mtodo de Newton , como es conocido usualmente, requiere tener una funcin diferenciable y de clase C1 . La recta tangente a f en el punto (x0,f(x0)), esta dada por la ecuacin y = f ( x0 ) + f ' ( x0 )( x x0 ) . Aproximando a f con la recta, y definiendo x1 como la intercepcin en x de la recta, es decir que x1=x0f ( x0 ) , con f(x) 0 .(4.7) ' f ( x0 )
,
f (x ) x n +1 = x n ' n El esquema recursivo para esta expresin es : f ( xn ) x 0
f (xn)
0 , n0 (4.8)
JOSE GARZON ARIAS
- 120 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Este mtodo es una aplicacin de una iteracin de punto fijo. El algoritmo en pseudo cdigo para este mtodo es
Para encontrar una raz real de la ecuacin f(x) = 0, proporcionar la funcin F(X) y su derivada DF(X) y los DATOS: Valor inicial X0, criterio de convergencia EPS, criterio de exactitud EPS1 y nmero mximo de iteraciones MAXIT. La raz aproximada X o un mensaje de falla. PASO 1.-Hacer I = 1 PASO 2.-Mientras I < MAXIT repetir los pasos 3 a 7. PASO 3.-Hacer X = X0 - F(X0) / DF(X0) 'calcula xi PASO 4.-Si ABS(X - X0) < EPS entonces IMPRIMIR X y TERMINAR. De otro modo CONTINUAR. PASO 5.-Si ABS(F(X)) < EPS1 entonces IMPRIMIR X y TERMINAR. De otro modo CONTINUAR. PASO 6.-Hacer I = I + 1 PASO 7.Hacer X0 = X 'actualiza X0 PASO 8.-IMPRIMIR mensaje de falla "EL MTODO NO CONVERGE A UNA RAZ" y TERMINAR
El algoritmo en MATLAB es :
%METODO DE NEWTON RAPSON PARA EL CALCULO DE UNA RAIZ REAL DE f(x)
Format long X0=a for I=1:n f= anx0n+1 +an-1x0na0; df= an(n+1)x0n+an-1(n)x0n-1..a1; x=x0-f/df; dist = abs(x-x0); dg=abs(1-(df2-f(xn)*(f/ df2); disp([x,dist,dg]) x0=x; end. Aplicando este algoritmo al polinomio x5+4x4-3x-24 se encuentra que:
APROXIMACIONES ERROR --------2.2222 1.2222
JOSE GARZON ARIAS
- 121 -

1.8111 1.5842 1.5145 1.5086 1.5085 0.4111 0.2269 0.0697 0.0060 0.0000
Grafica de la funcion x5+4x4-3x-24
La raz es 1.5085, la cual se alcanza a la 6 iteracin

Ejercicios.
Calcule las races 1. x3+2x2+10x-20 2. 2x4-51x2+12x 3. 13x3+5x2-8 .
JOSE GARZON ARIAS
- 122 -
JOSE GARZON ARIAS
- 123 -
INTRODUCCION A LOS SISTEMAS LINEALES DE ECUACIONES
DEFINICIONES BASICAS CARACTERISTICAS DE LOS SISTEMAS LINEALES
CLASIFICACION DE LOS SISTEMAS LINEALES
NORMA DE UNA MATRIZ
MATRICES CONVERGENTES
METODOS ITERATIVOS PARA LA SOLUCION DE SISTEMAS LINEALES
JOSE GARZON ARIAS
- 124 -
5.0 SISTEMA LINEAL DE ECUACIONES.

Un sistema lineal de n ecuaciones , con n incgnitas , se puede escribir de la forma :
a1| x1 + a12 x 2 + a13 x3 + .......... + a1n x n = b1 a x + a x + a x + .......... + a x = b 22 2 23 3 2n n 2 21 1 a x + a x + a x + .......... + a x = b n2 2 n3 3 nn n n n1 1
(5.1)
donde ai, bi son dados y x1, x2,..xn son desconocidos . Definiendo las matrices y vectores:
a11 a 21 = a n1 a12 a 22 an2
x1 .......... ..... a1n x ........... a2n 2 X = : .... : : ...... ........ a nn nxn xn
b1 b 2 b= : : : bn
(5.2)
Entonces se puede escribir el sistema (5.1) en forma MATRICIAL como

AX=b
(5.3).
La matriz A, se conoce como la matriz de coeficientes del sistema. El vector X , se conoce como el vector de incgnitas o variables. El vector b se conoce como el vector de trminos independientes.
JOSE GARZON ARIAS
- 125 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Lo que se pretende hacer en este capitulo es desarrollar mtodos numricos y sus algoritmos , que permitan resolver los sistemas lineales que se sabe tienen solucin, lo cual ha sido establecido , por un anlisis con las herramientas del lgebra lineal. Haciendo un resumen de los sistemas lineales y las caractersticas, para que estos tengan solucin, se puede enunciar:
Sea Ax=b un sistema lineal de ecuaciones Cuando un sistema tiene al menos una solucin se dice que , el sistema es consistente, en caso contrario es inconsistente. Se dice que el sistema es homogneo cuando b = 0, es decir el vector b es el vector nulo. Estos sistemas siempre tienen solucin, por lo tanto estos sistemas son consistentes. Las solucin trivial de estos sistemas es tambin X = 0 Si b 0 se dice que el sistema es no homogneo. Un sistema no homogneo es consistente (tiene al menos una solucin ) si rango(A) = rango(A|b) Los sistemas no homogneos son consistentes con una solucin si rango(A)=n Es consistente con mas de una solucin si: rango(A) = rango(Ab)= r<n Si b=0 , el sistema siempre es consistente , ya que X=0 (Solucin trivial) es siempre una solucin y esta ser nica si .rango(A)=n Si b=0 , el sistema tendr solucin no trivial si : rango(A) =r<n . En cuyo caso un numero infinito de soluciones existen. Si b0, el sistema es inconsistente ( no existe solucin) si: rango(Ab)>rango(A) De forma grafica se puede clasificar los sistemas lineales en
Sistemas de JOSE GARZON ARIAS Ecuaciones
- 126 -
Inconsistentes
Consistentes
Ejemplos: 1.- Sistema con soluciones infinitas: x1+4x3+x5=-3 x2-2x3-x5=1 x4=2 La matriz aumentada es
1 0 4 0 1 : 3 0 1 2 0 1 : 1 0 0 0 1 0 : 2
Resolviendo el sistema por eliminacin Gaussiana se obtienen las soluciones:
X1= -4s-r-3 X2= 2s+r+1 X3= s X4= 2 X5= r
2.- Sistema con solucin nica.
JOSE GARZON ARIAS
- 127 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB -x+z = -2 2x-y+z = 1 -3x+2y-2z = -1 x-2y+3z =-2 5x + 2y +6z = -1 La matriz aumentada
1 1 0 1 1 2 X= 1 3 2 2 2 3 1 Y= 5 20 6 Z = -1 : 2 : 1 : 1 : 2 : 1 :
es:
y la solucin del sistema eliminacin gaussiana se tiene :
por
el
mtodo
de
x1+2x3-2x4 = 1 -x1+x2+x4 =-2 X2+2x3-x4 =1 3.- Sistema inconsistente :
JOSE GARZON ARIAS
- 128 -
La matriz aumentada es :
1 0 2 2 : 1 1 1 0 1 : 2 0 1 2 1 : 1 :
por medio del procedimiento de eliminacin gaussiana se tiene:
1 0 2 2 : 1 0 1 2 1 : 1 0 0 0 0 : 2 :
Como la ultima fila contiene ceros del lado izquierdo y
un numero
diferente de cero del lado derecho . El sistema es inconsistente. A continuacin se presenta un algoritmo escrito, para Matlab, que permite calcular el rango de una matriz:
clear all clc %Este programa calcula el rango de una matriz R=1; A=[ ]mxn Fprntf(El rango de la matriz A es %.f,R); R=rank(A); end Tambin se presenta un algoritmo para el mtodo de eliminacin de Gauss Jordan. Mtodo rpido. clear all clc %El metdodo de eliminacin de Gauss Jordan A= [ ]mxn JOSE GARZON ARIAS
- 129 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB B = [ ]nxr X=A/B; disp(El valor de la matriz es igual a:); disp([x]);
Se presenta el algoritmo del mtodo de eliminacin de Gauss Jordn largo :
clear all clc %El mtodo de eliminacin largo de Gauss Jordn A= [ ]mxn B = [ ]nxr for m=1:m for n=1:n clc fprint(Introduce el valor de m,n,,m,n); A(m,n)=input( ); end end %no se intercambia la fila for i=2:3 A(i,:)=A(i,:)*A(i,1)/A(1,1); End A %Se intercambia la fila 2 con la fila 3 copia=A(3,:);A(3,:)=A(2,:);A(2,:)=copia; for i=1:3 if i~=2 A(i;:)=A(i,:)-A(2,:)*A(i,2)/A(2,2); end end %Esto debe hacerse con cada elemento de la diagonal A for i=1:3 X(i)=A(i,1)/A(i,i), end x disp(El valor de la matriz es igual A:); disp([x]); end
JOSE GARZON ARIAS
- 130 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB aplique el algoritmo descrito para resolver el sistema
5.1
NORMA
DE
UNA
MATRIZ
MATRICES
CONVERGENTES NORMA DE UNA MATRIZ

La norma de una matriz es un numero real positivo ||A|| que cumple con las siguientes caractersticas. Sean A y B matrices, para las cuales estn definidas las operaciones de Suma, y producto, entonces: a) ||A|| 0
||A|| = 0 si A = 0
b) ||A|| = || ||A|| (con un escalar) c) ||A+B|| ||A||+||B|| d) ||AB|| ||A||||B||
||-A|| =||A||
e) ||Ap|| ||A||p Si Amxn y p es un numero natural f) Si A =(aij) entonces |aij|||A|| g) De |A||B se sigue 3x2-6x3-4x4-3x5=-5 -x1+3x2-10x3-4x4-4x5=-2 2x1-6x2+20x3+2x4+8x5=-8 normas de A =(aij) arbitrario. Se normas (dada la norma se pueden JOSE GARZON ARIAS que
||A||||B||
Defnase algunas de definen definicin orden tres de
- 131 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB definir muchas mas). 1. ||A||m=
max aij i j max j
2. ||A||m =
a
i
ij
3. ||A||k =
a
i, j
2
ij
Ejemplos: Se calcularan las tres normas para la siguiente matriz:
1 2 3 1 2 1 A3x3 = 4 3 2 0 2 5
a)
||A||m
max aij i j
1 1 max(1+ 2 + 3 ,4+3+ , 2 2
0+2+5)=
max(
15 15 9 + 2 , ,7) = 2 2 2
b) ||A||m =
max j
a
i
ij
= max (1+4+0,
1 1 2 +3+2, 3 + + 5 ) = 2 2
max(5,5+ 2 ,9) = 9 c) ||A||k =
a
i, j
ij
(1 + 2 +
49 1 578 + 16 + 9 + + 4 + 25) = 4 4 4
Como se vera la norma mas grande es la ||A||k
JOSE GARZON ARIAS
- 132 -

5.2 CONVERGENCIA DE MATRICES.
El concepto de convergencia de matrices, permite decidir si una matriz es o no apta , para que se le pueda aplicar un mtodo numrico. Para asegurar que una matriz se puede usar en un proceso iterativo, se requiere que :
lim A n n =0
Donde 0 es la matriz nula de orden igual a A . Cualquier matriz que satisface esta condicin, se dice que es una matriz convergente .
TEOREMA DE CONVERGENCIA DE MATRICES:
La matriz Amxn es convergente , es decir
lim A n n
= 0 si y solo si , todos
los valores propios de A en valor absoluto , son menores que uno. (Esta condicin se da como (A)<1, donde (A) es el radio espectral de la matriz y esta, definido como: (A) = valores propios de A ) .
COROLARIO La matriz A es convergente si para alguna norma se
max i
i , donde i son los
tiene que A 1 . Ejemplo de matriz convergente.:
JOSE GARZON ARIAS
- 133 -
1 27 1 A = 9 1 81
1 27 1 3 2 81
1 81 1 ; se puede 4 81
observar que esta matriz tiene una
1 1 , ya que <1 , lo cual proviene norma de 81 81
3 3 1 1 9 27 81 81 1 2 4
Fcilmente se puede comprobar que
lim
An = 0
5.3 METODOS ITERATIVOS PARA RESOLVER SISTEMAS LINEALES DE ECUACIONES , CUYA MATRIZ DE
COEFICIENTES TENGA UNA NORMA MENORA A UNO
METODO DE JACOBI:
El mtodo de Jacobi o mtodo de desplazamientos simultneos, es un mtodo que busca una solucin para el sistema lineal de ecuaciones de la forma: AX-b = 0.. (5.31) , el cual es satisfecho por la ecuacin vectorial : X = BX+c, (5.32) ,es decir que la expresin sea tambin una solucin de la ecuacin vectorial anterior. El esquema iterativo para esta ecuacin es : X(k+1) = BXk+c con k =1,2,3..(5.33) JOSE GARZON ARIAS
- 134 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Donde

Xk=[x1k,x2k,x3k,.]t (5.34) es el vector de
soluciones. Este mtodo, parte de un vector inicial X(0), como primera aproximacin al vector solucin X . Para que el vector X k converja a la solucin X. se requiere que xjm , con 1jn se aproximen tanto a xj , 1jn que todas las diferencias
xj
m
xj
sean menores que un valor previo, y que se conserven
menores para todos los vectores siguientes de la iteracin. Es decir que
lim m
Sea entonces:
xj = xj
m
1jn
(5.35)
a11 x1 + a12 x 2 + a13 a 21 x1 + a 22 x 2 + a 23 a31 x1 + a 32 x 2 + a 33
= b1 = b2 = b3
despejando x1 de la primera ecuacin, x2 de la segunda ecuacin y x3 de la tercera se tiene:
x1 =
x1 x= x2 = x3
a12 x 2 a13 x3 b1 + a11 a11 a11 a 21 x1 a 22 a 23 x3 b2 + a 22 a 22 + b3 a33
x2 = x3 =
a31 x1 a32 x 2 a33 a33
Lo cual queda en notacin matricial:
x1 x 2 x3
0 a = 21 a a22 31 a33
a12 a11 0
a32 a33
b1 a13 a11 x a11 1 a 23 b2 * x2 + a 22 a 22 x3 b3 0 a33
(5.36)
JOSE GARZON ARIAS
- 135 -
Una vez que se tiene la expresin 5.36 se propone un vector inicial X0 que puede ser el vector 0, o algn otro. Se comienzan pues las iteraciones: En la primera iteracin teniendo como X0 = 0
b1 x a11 b Xk= x = 2 a22 x b 3 a33

1 1 1 2 1 3
(5.37)
El esquema iterativo general es :
1 k k (b1 a12 x 2 a13 x3 ) X k +1 a11 k +1 1 k k k+1 X = X = (b2 a 21 x1 a 23 x3 ) a X k +1 22 1 k k (b3 a31 x1 a32 x3 ) a33
(5.38)
Que tambin se puede escribir como:
Xi
k+1
n 1 k = bi + aij x j , para aii j =1 j i
1 i n
JOSE GARZON ARIAS
- 136 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Ejemplo : Resolver por el mtodo de jacobi:
3x1 x1 x2
x2 + 3x2 + 3 x3 x3
x3 x4 + 3x4
=1 =1 =1 =1
Se puede ver que este sistema se puede trabajar con un mtodo iterativo porque tiene una norma de
1 , lo que tambin se puede decir 3
j
que es diagonalmente dominante, es decir que aii aij .
Despejando x1 de la primera ecuacin, x2 de la segunda ecuacin y as sucesivamente se tiene :
x2 1 + 3 3 x x 1 x2 = 1 + 3 + 3 3 3 . x2 x4 1 x3 = + + 3 3 3 x 1 x4 = 3 + 3 3 x1 =
Aplicando el mtodo de jacobi con X0=0 para la primera iteracin se tiene:
1 3 1 1 3 X= 1 3 1 3
JOSE GARZON ARIAS
- 137 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Aplicando el esquema iterativo, se obtiene la siguiente tabla:
k X 1k X 2k X 3k X 4k
0 1 2 3 4 5 6 7 8 9 10
0.0000 0.33333
0.44443333 0.48147778 0.49382593
0.0000 0.33333
0.55553333 0.70368889 0.80245932 .80245926
0.0000 0.33333
0.55553333 0.70368889 0.80245932 .80245926
0.0000 0.33333
0.44443333 0.48147778 0.49382593
0.5144234 0.5324667 0.5534689 0.5725346 0.5938562 0.5997677
0.5144234 0.5324667 0.5534689 0.5725346 0.5938562 0.5997677
0.80245920 0.80214876 0.8019856 0.800987 0.800599
0.80245920 0.80214876 0.8019856 0.800987 0.800599
El algoritmo en Matlab para el mtodo de Jacobi es: %Mtodo de Jacobi clear A=[ ] b=[ ] X0=zeros(1,n) K=0;Norma=1; fprintf(K X(1) X(2) X(3)X(n) Norma\n) while Norma >0.0001 %Este representa la exactitud del mtodo K=K+1; fprintf(%2d,K) for i=1:n suma=0; for j=1:n JOSE GARZON ARIAS
- 138 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB if i~=j suma=auma+A(I,j)*X0(j); end end X(i)=(b(i)-suma/A(I,i); fprintf( %10.4f,X(i)) end Norma=norm(X0-X); fprintf(%10.4f\n,Norma) X0=X; If K>25 Disp(No se alcanzo la convergencia) break end end
BIBLIOGRAFIA:
1.-Nakos George and Joyner David Linear lgebra and Applications Brooks Cole Publishing Newark U.S.A. 1998 2.- Chapra C. Steven y Canale.P. Raymond. Mtodos Numricos para ingenieros. 4a Edicion. McGraw-Hill Interamericana Mexico 2002 JOSE GARZON ARIAS
- 139 -
JOSE GARZON ARIAS
- 140 -
INTERPOLACION
DEFINICIONES BASICAS INTERPOLACION DE NEWTON
JOSE GARZON ARIAS
- 141 -
INTERPOLACION DE LAGRANGE
INTERPOLACION POR SPLINES
APROXIMACION POR MINIMOS CUADRADOS
APLICACIONES DE LOS METODOS DE INTERPOLACION.
INTERPOLACION Y APROXIMACION
En la practica profesional, no siempre se tienen todos los datos , que nos interesa, o bien no siempre se tiene la forma analtica de las funciones que representa un proceso(ya sea administrativo, industrial, etc.), por tal motivo, es necesario, que con la informacin con la que se cuenta, se puedan obtener datos adicionales o valores intermedios aproximados, que permitan construir un modelo mas adecuado , para describir la situacin real.

JOSE GARZON ARIAS
- 142 -
Definicin de INTERPOLACION
DEFINICION La interpolacin se entiende como el procedimiento para obtener , valores intermedios de una lista o tabla de valores , que no los contiene. Existen diferentes tipos de interpolacin, a saber:(6.1) Interpolacin de Newton. Interpolacin de Lagrange. Interpolacin por Splines. Cada tipo de interpolacin requiere de cierta informacin particular , la cual depende del tipo de proceso que se analiza , las cuales sern descritas a continuacin.
6.1 Interpolacin de Newton.

La interpolacin de Newton se aplica a procesos , cuyos intervalos de la variable independiente son simtricos, es decir la longitud del intervalo entre cada medicin es la misma. Este tipo de interpolacin es muy til, cuando el experimento es diseado y controlado por el experimentador. Como ejemplo se puede citar, el caso de un qumico que esta llevando a cabo una reaccin qumica, y determina la concentracin del producto cada 5 minutos hasta que la reaccin ha concluido. Aun cuando el qumico, toma las JOSE GARZON ARIAS
- 143 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB lecturas peridicamente cada 5 minutos, se puede requerir la concentracin del producto digamos a los 13 minutos, dato con el que no se cuenta, pues los valores mas cercanos sern los de 10 y 15 minutos. Aqu es donde se puede hacer uso de la interpolacin de Newton. Para poder efectuar una interpolacin de Newton se requiere , introducir algunas definiciones y conceptos adicionales. Diferencias hacia delante DEFINICION Las diferencias hacia adelante se obtienen al tomar la diferencia de los valores de la variable dependiente ,entre dos valores sucesivos de la variable independiente.
Ejemplo 6-1 : Calcule las diferencias hacia delante de la siguiente tabla que representa la concentracin de un reactivo, respecto del tiempo, en una reaccin qumica.
Tiempo en seg. Concentracin en moles/litro
0 234
5 212
10 203 TABLA 6-0
15 198
20 180
25 173
Las diferencias hacia delante son:

Observacin
t(tiempo) 0 5
C(concentracin) 234
C 1
212-234= -22
C2
C 3
C 4
1 2
212 203-212=-9
-9+22=13 4-13=-9
JOSE GARZON ARIAS
- 144 -

3 4 5 6 10 15 20 25 203 198-203=-5 198 180-198=-18 180 173-180=-7 173 -7+18=11 -18+5=-13 11+13=24 -5+9=4 -13-4=-17 41 -8
TABLA 6-1 Las cuales representan las diferencias hacia delante. Diferencias divididas
DEFINICION Las diferencias dividas de primer orden son la diferencia entre dos valores sucesivos de la variable independiente , divididos entre la longitud del intervalo de medicin..
Ejemplo: Se tiene una tabla de concentraciones de un reactivo en una reaccin qumica, cada 5 minutos en la forma:
0 234
5 212
10 203
15 198
20 180
25 173
Las diferencias divididas se obtienen en la forma :
c t
212 234 = 5
-4.4
203 212 = 5
-1.8
198 203 = 5
-1
180 198 = 5
-3.6
173 180 = 5
-1.4
JOSE GARZON ARIAS
- 145 -
2c t 2 3c t 3
4c t 4 5c t 5
1.8 + 4.4 = 10
0.26
1. + 1.8 = 10
0.08 0.52 0.16 = 15 0.0227 0.1920 0.1360 = 20 0.0013
3.6 + 1 = 10
-0.26 0.44 + 0.52 = 15 -0.0027
1.4 + 3.6 = 10
0.22
0.16 0.52 = 15 -0.012 0.1360 + 0.072 = 20 -0.0005 0.0112 + 0.0128 = 25

0.0001
Uniendo las dos tablas se tiene que:
0 234
5 212
10 203
15 198
20 180
25 173
c t
2c t 2 3c t 3 4c t 4 5c t 5
212 234 = 5
-4.4
203 212 = 5
-1.8
198 203 = 5
-1
180 198 = 5
-3.6
173 180 = 5
-1.4
1.8 + 4.4 = 10
0.26
1. + 1.8 = 10
0.08 0.26 0.08 = 15 0.0227 0.0027 0.0227 = 20 0.0013
3.6 + 1 = 10
-0.26 0.22 0.26 = 15 -0.0027
1.4 + 3.6 = 10
0.22
0.08 0.26 = 15 -0.012 0.0227 + 0.012 = 20 -0.0005 0.0013 + 0.0005 = 25
JOSE GARZON ARIAS
- 146 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB 0.0001 Ordenando la tabla de forma vertical se tiene: Ob 1 2 3 4 5 6 t 0 5 10 15 20 25 C 234 212 203 198 180 173 TABLA 6-2 Las cuales representan las diferencias divididas.
c t
2c t 2 3c t 3 4c t 4 5c t 5
-4.4 -1.8 -1 -3.6 -1.4
0.26 0.08 -0.26 0.22
-0.012 0.0227 -0.0027
-0.0005 0.0013
0.0001
POLINOMIOS DE NEWTON. DEFINICION Los polinomios de newton se obtienen a partir de la expresin y(x)=
k
k =0
y i , donde la expresin s=.
x xi pertenece al intervalo xi +1 xi
s ( s (k 1))! x(xi,xi+1).y = k! k
a) Haciendo uso de las diferencias hacia delante.
JOSE GARZON ARIAS
- 147 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Se puede determinar el polinomio de Newton que representa los datos experimentales de la tabla 6-0 : A saber:
C(t)=
((t t 3 ) / 5)! ((t t1 ) / 5)! ((t t 2 ) / 5)! ((t t 4 ) / 5)! C 3 + C1 + C 2 + C 4 1! 2! 3! 4!
b) Haciendo uso de las diferencias divididas. Con los valores de la tabla 6-2 se puede determinar el polinomio que representa la funcin de concentracin como: C4(t)= b0+b1(t-5)+b2(t-5)(t-10)+b3(t-5)(t-10)(t-15)+b4(t-5)(t-10)(t-15)(t-20) ; As tomando como b0 =203, t=13, b1=-1,b2=0.22, se tiene para C2(13)= 203-(13-5)-0.22(13-5)(13-10)=200.28 , lo cual tiene un error del 9.35% Lo cual resulta ser una aproximacin bastante buena.
A continuacin se presenta un programa en Matlab para calcular las diferencias divididas y el polinomio de aproximacin.
function [C,D]=newpoly(X,y) %Datos % - X es el vector de las abscisas % Y es el vector de las ordenadas % Resultados % C es el vector de coeficientes. % D es la tabla de diferencias divididas. n=lenght(X); D=zeros(n,n); D(:1,)=Y ;
JOSE GARZON ARIAS
- 148 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB % generador de la tabla de diferencias divididas. for j=2:n for k=j:n D(k,j)=(D(k,j-1)-D(k-1,j-1))/(X(k)-X(k-j+1)); end % Calculo del vector de coeficientes C=D(n,n); for k=(n-1):-1:1 C=conv(C,poly(X(k)); m= length(C); C(m)=C(m)+D(k,k); end
6.2 Interpolacin de Lagrange.

La interpolacin de Lagrange es una de las interpolaciones mas tiles, en integracin Numrica, esta consiste en una representacin de polinomios de la funcin, a considerar. Suponga que se dan N+1 puntos como: x0 x1 . xn
f(x0) f(x1) .. f(xN)
JOSE GARZON ARIAS
- 149 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Donde x0,x1.. son las abscisas de los puntos dados en orden creciente. Los espacios entre los puntos son arbitrarios . El polinomio de orden N que pasa a travs de los N+1 puntos se puede escribir como: y(x)= a0+a1x+a2x2+.+anxn ---(6.2.1) Es decir que la funcin y(x)=
a
j =0
( x) y j , se expresa como una
combinacin lineal de las observaciones independientes de un experimento. Los aj(x)I, son los coeficientes de Lagrange. Para encontrar los coeficientes , hay que establecer y resolver un sistema de n ecuaciones con n incgnitas, que resulta de cada observacin . Lo que finalmente da, para el polinomio de Lagrange de orden N: y(x)=
xx2)......... xx1)......... (xx1)( xx2)......... .(xxn) (xx0)( .(xxn) (xx0)( .(xxn1) + f0 + f1 +.... fn --(x0 x1)( x0 x2)......... .(x0 xn) (x1 x0)( x1 x2)......... .(x1 xn) (xn x0)( xn x1)......... .(xn xn1)
(6.2.2) La ecuacin anterior parece complicada, pero en realidad no es tan difcil, incluso la memorizacin. Apliquemos esta para resolver un problema qumico clsico. Las densidades del sodio para tres temperaturas, se dan en la tabla siguiente:
Observacin. i 0 1 2
Temperatura Ti oC 94 205 371
Densidad i Kg/m3 929 902 860
Escribir el polinomio de Lagrange que se ajusta a los datos experimentales y determinar la densidad para T= 2510 C.
Solucin:
JOSE GARZON ARIAS
- 150 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Y(T)=
(T 205)(T 371) (T 94)(T 371) (T 94)(T 205) (929) + (902) + (860) (94 205)(94 371) (205 94)(205 371) (371 94)(371 205) (6.2.3)
Graficando esta expresin.
Como se vera el ajuste del polinomio a los datos experimentales corresponde a una parbola, y se puede determinar ahora un valor de densidad para una temperatura no reportada. b) Calculase ahora el valor de la densidad para T=2510C substituyendo 251 en la expresin, se tiene entonces: Y(T)=
(251 205)(251 371) (251 94)(251 371) (251 94)(251 205) (929) + (902) + (860) (94 205)(94 371) (205 94)(205 371) (371 94)(371 205)
Lo cual da como resultado : y(251)= 890.5 kg/cm3. Esta aproximacin tiene un error de 5.53% , que es bastante chico.
JOSE GARZON ARIAS
- 151 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB A continuacin se presenta un pequeo programa en Matlab para la interpolacin de Lagrange. function [C,L] =lagran(X,Y) %Datos % X es el vector de las abscisas % Y es el vector de Las ordenadas % Resultados %C es la matriz de Coeficientes del polinomio interpolador % L es la matriz de los coeficientes de lagrange. w= lenght(X); n=w-1; L=zeros(w,w); %Formacin de los polinomios de coeficientes de Lagrange. for k=1: n+1 V=1; for j=1:n+1 if k=j V=conv(V,poly(X(j)))/(X(k)-X(j)); end end L(k,:)=V; end % Calculo de los coeficientes del polinomio C=Y*Y
6.3 Interpolacin de Splines cbicos.

DEFINICION JOSE GARZON ARIAS
- 152 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Los Splines son polinomios que se ajustan a la mnima cantidad de puntos sobre los datos experimentales. Con diferentes tipos de cotas La interpolacin de Splines cbicos, es una de las tcnicas de ajustes de curvas e interpolacin mas poderosas que existen. Esta permite modelar y ajustar datos experimentales que son heterogneos. En esta tcnica se requiere un mnimo de tres puntos para trabajar. Para poder entender esta tcnica , se requiere haber entendido los conceptos de interpolacin polinomial a trozos.
6.3.1 Interpolacin polinomial a trozos

DEFINICION La interpolacin polinomial a trozos, se obtiene al dividir los
intervalos del conjunto de datos en sub. intervalos, lo mas pequeo posible, y aplicar el mtodo de interpolacin de Lagrange
x0
x1
x2
FIG 6.3.1
INTERPOLACION POLINOMIAL A TROZOS
xk-1 xk - 153 -
JOSE GARZON ARIAS
La interpolacin lineal a trozos consiste en utilizar lneas rectas entre los puntos de la forma:
x x k +1 x xk yk + y k +1 x k x k +1 x k +1 x k
Sk(x)=
6.3.1
La cual tiene la forma de la lnea recta , lo cual es un Spline lineal: Sk(x)=yk+dk(x-xk). Siendo dk=
y k +1 y k x k +1 x k
6.3.2
Este Spline lineal se puede escribir para toda la curva en la forma :

y 0 + d 0 ( x x0 ) y + d (x x ) 1 1 1 ..6.3.3 S(x)= . . . y k + d k ( x xk )
Suponiendo que las abscisas se ordenan de manera creciente en la forma : X0<x1<x2<x3<<xN-1<XN y dado un valor de x , el intervalo [xk,xk+1] al que pertenece x se puede hallar calculando de manera sucesiva las diferencias : x-x1,..,x-xk, x-xk+1, hasta llegar a k+1 , que es el menor entero tal que x-xk+1<0. Una vez encontrado el valor de k tal que xkxxk+1, el valor de la funcin S(x) ser: S(x)= Sk(x)=yk+dk(x-xk)6.3.4
JOSE GARZON ARIAS
- 154 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Ejemplo : Escriba los splines lineales, para la funcin tabular : i 1 2 3 4 5 xi 0 0.25 0.5 0.75 1.0 f(xi) 0.9162 0.8109 0.6931 0.5596 0.4055
di
si 0.8109-0.4212(x-0.25) 0.6931-0.4712 (x-0.5) 0.5596-0.534 (x-0.75) 0.4055-0.6164 (x-1)
0.8109 0.9162 =-0.4212 0.25 0
0.6931 0.8109 =-0.4712 0.5 0.25 0.5596 0.6931 =-0.534 0.75 0.5 0.4055 0.5596 =-0.6164 1. 0.75
a continuacin se presenta la grafica de los splines lineales:
JOSE GARZON ARIAS
- 155 -
6.3.2 Splines cbicos.

DEFINICION Supngase que se tienen N+1 puntos de la forma {(xk,yk)}Nk=0 cuyas abscisas estn ordenadas de manera creciente a=x0<x1<..<xn =b. Se dice que la funcin S(x) es un Spline cbico si existen N polinomios cbicos Sk(x),que se pueden escribir en trminos de coeficientes sk,0, sk,1,sk,2,y sk,3 como : I.- S(x)=Sk(x)= sk,0+ sk,1(x-xk)+sk,2(x-xk)2+ sk,3(x-xk)3 para x[xk,xk+1] y k =0,1,.,N-1,que verifican las siguientes propiedades: II.- Sk(x)=yk para k =0,1,.,N III.- Sk(xk+1)=Sk+1(xk+1) para k = 0,1,.N-2 IV.- Sk(xk+1)=Sk+1(xk+1) para k = 0,1,.N-2 V.- Sk(xk+1)=Sk+1(xk+1) para k = 0,1,.N-2
JOSE GARZON ARIAS
- 156 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB En la interpolacin de Splines cbicos, se construye una funcin cbica Sk(x) en cada intervalo [xk,xk+1] de forma tal que la curva definida a tramos y=S(x) que resulta es dos veces derivable y la segunda derivada es continua en el intervalo completo [x0,xn] . La continuidad de la primera derivada S(x) significa que la curva de la ecuacin y=S(x) no tiene esquinas; la continuidad de S (x) significa que el radio de curvatura esta definida en cada punto. De forma Practica se parte de una funcin f(x) de valor real ,ya sea en forma tabular o analtica en el intervalo [a,b] , con a=x0<x1<x2<..<xn=b. Se construye una funcin g3( xi)=f(xi) con i=0,1,2,.,n de donde pi =f(xi) y pi(xi+1)=f(xi+1) para i=0,1,..,n-1 6.3.5 y esta ultima implica que : pi-1(xi)=pi(xi) i=1,2,..,n de modo que g3(x) es continua en [a,b] y tiene los puntos interiores x1, x2, x3, xn-1 como puntos de quiebre o donde g3( xi) no es diferenciable en general. Como ya se dijo se requiere que pi(xi)=f(xi) y pi(xi+1)=f(xi+1) i=0,1,,n-1 6.3.6. As que finalmente el spline cbico: pi(x)= c1,i+c2,i(x-xi)+ c3,i(x-xi)2+c4,i(x-xi)3..6.3.6 Ejemplo: Determinar los Splines cbicos con extremos fijos que pasa por los puntos (0,0.0),(1,0.5),(2,2.0),(3,1.5), y que verifica las condiciones sobre la primera derivada en la frontera dadas por S(0)=0.2,S(3)=-1. Con estos datos calculamos : h0=h1=h2=1 d0=(y1-y0)/h0=(0.5-0.0)/1=0.5 d1=(y2-y1)/h1=(2.0-0.5)/1=1.5 d2=(y3-y2)/h2=(1.5-2.0)/1=-0.5 u1=6(d1-d0)=6(1.5-0.5)=6.0 u2=6(d2-d1)=6(-0.5-1.5)=-12.0 Con lo cual se obtiene el sistema:
JOSE GARZON ARIAS
- 157 -

3 +2 2 m1 + m2 = 6.0 3(0.5 0.2) = 5.1
3 m1 + 2 + m2 = 12.0 3(1.0 (0.5)) = 10.5 2

Resolviendo m1=2.25 m2=-3.72, tomando los valores de las tablas para
los coeficientes m0=3(0.5-0.2)-
2.52 3.72 =-0.36, m3=3(-1.0+0.5)=0.36. 2 2

0x1
Con estos los splines cbicos son: S0(x)=0.48x3-0.18x2+0.2x S1(x) =-1.04(x-1)3+1.26(x-1)2+1.28(x-1)+0.5 1x2 S2(x)=0.68(x-2)3-1.86(x-2)2+0.68(x-2)+2.0 2x3 Graficando los splines se tiene:
A continuacin se presenta un programa que construye y determina el splin cbico ,con extremos fijos S(x), para N+1 datos {(xk,yk)}Nk=0 function S=csfit(X,Y,dx0,dxn) % Datos : %X es el vector de las abscisas JOSE GARZON ARIAS
- 158 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB %Y es un vector de las ordenadas % dx0 = S(x0) es la derivada en el primer extremo % dxn = S(xn) es la derivada en el segundo extremo. % Resultado %S es la matriz de coeficientes , en orden descendiente. N=lenght(X)-1; H=diff(X); D=diff(y)./H A=H(2:N-1); B=2*(H(1:N-1)+H(2:N)); C=H(2:N); U=6*diff(D); % Restricciones en los extremos. B(1)=B(1)-H(1)/2; U(1)=U(1)-3*(D(1)-dx0); B(N-1)=B(N-1)-H(N)/2; U(N-1)=U(N-1)-3*(dxn-D(N)); for k=2:N-1 temp=A(k-1)/B(k-1); B(k)=B(k)-temp*C(k-1); U(k)=U(k)-temp*U(k-1); end M(N)=U(N-1)/B(N-1); for k=N-2:-1:1 M(k+1)=((U(k)-C(k)*M(k+2))/B(k); end M(1)=3*(D(1)-dx0)/H(1)-M(2)/2; M(N+1)=3*(dxn-D(N)/H(N)-M(N)/2; for k=0:N-1 S(k+1,1)=(M(k+2)-M(k+1))/(6*H(k+1)); S(k+1,2)=M(k+1)/2; S(k+1,3)=D(k+1)-H(k+1)*(2*M(k+1)+M(k+2))/6;
JOSE GARZON ARIAS
- 159 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB S(k+1,4)=Y(k+1); end
Ejemplo de una corrida del programa anterior. Determinacin de los coeficientes de los splines cbicos, con extremos fijos que pasan por los puntos: (0,0.0),(1,0.5),(2,2.0),(3,1.5) Bajo las condiciones de la primera derivada en los extremos dadas por: S(0)=0.2 y S(3)=-1 As >>X=[0 1 2 3]; Y=[0 0.5 2.0 1.5]; dx0=0.2; dxn=-1; >>S=sfit(X,Y,dx0,dxn) lo cual despliega en la pantalla los resultados: S= 0.4800 -0.1800 0.2000 0 -1.0400 1.2600 12800 0.5000 0.6800 -1.8600 0.6800 2.0000
PROBLEMAS: 1.- Determine los splines cbicos ,sujetos en los extremos , que pasa por
los puntos (-3,2),(-2,0),(1,3),(4,1) y verifica las condiciones sobre la derivada primera en los extremos dadas por S(-3)=-1 y S(4)=1.
2.- Halle el Spline cbico natural que pasa por los puntos (-3,2),(-2,0),(1,3) y
(4,1) y verifica las condiciones de frontera libre S(-3)=0 y S(4)=0.

3.- Determine el Spline cbico extrapolada que pasa por los puntos (-3,2),(-
2,0),(1,3) y (4,1)
4.- Determine el Spline cbico con terminacin parablica que pasa por los
puntos (-3,2),(-2,0),(1,3) y (4,1). JOSE GARZON ARIAS
- 160 -
BIBLIOGRAFIA. 1.- Carnahan,Brice, et al (1969): Applied Numerical Methods , Wiley New
York
2.- Conte, S.D. and Carl de Boor(1972) : Elementary Numerical Analysis ,
2nd ed., McGraw-Hill,New York.

3.- Fike , C.T. (1968) : Computer evaluation of Mathematical Functions ,
Prentice Hall ,Englewood,Cliffs,N.J.

4.- Forsythe , G.E. and C.B. Moler (1967):Computer Solution of Linear
Algebraic Systems , Prentice Hall, Englewood Cliffs,N.J.

5.-Hamming , R.W. (1962): Numerical Methods for Scientists and
Engineers, McGraw Hill, New york.

6.- Hamming , R.W. (1971): Introduction to Applied Numerical Analysys ,
McGraw Hill , New York.

7.- Hanselman Duane , Littlefield Bruce The Student Edition of MATLAB.
The Math Works Inc.
JOSE GARZON ARIAS
- 161 -
JOSE GARZON ARIAS
- 162 -
AJUSTE DE CURVAS
INTRODUCCION AL AJUSTE DE MINIMO CUADRADOS.
ERROR ESTNDAR EN LA ESTIMACIN
COEFICIENTE DE DETERMINACIN
COEFICIENTE DE CORRELACIN
MODELO DE REGRESIN LINEAL CON EL USO DE MATRICES
REGRESIN LINEAL MLTIPLE ESTIMACIN DE LOS COEFICIENTES.
JOSE GARZON ARIAS
- 163 -
7.0 AJUSTE DE CURVAS. DEFINICION.

El ajuste de curvas consiste en buscar una funcin, de tipo polinomial, que se ajuste a los datos experimentales presentados El mtodo mas conocido es el mtodo de los mnimos cuadrados.
7.1 Mtodos de mnimos cuadrados.

El procedimiento mas objetivo para ajustar una recta a un conjunto de datos presentados en un diagrama de dispersin se conoce como "el mtodo de los mnimos cuadrados". La recta resultante presenta dos caractersticas importantes: 1. Es nula la suma de las desviaciones verticales de los puntos a partir de la recta de ajuste (Y - Y) = 0. 2. Es mnima la suma de los cuadrados de dichas desviaciones. Ninguna otra recta dara una suma menor de las desviaciones elevadas al cuadrado (Y - Y) = 0 (mnima). El procedimiento consiste entonces en minimizar los residuos al cuadrado Ci Re emplazando nos queda
La obtencin de los valores de a y b que minimizan esta funcin es un problema que se puede resolver recurriendo a la derivacin parcial de la funcin en trminos de a y b: llamemos G a la funcin que se va a minimizar:
JOSE GARZON ARIAS
- 164 -
Tomemos las derivadas parciales de G respecto de a y b que son las incgnitas y las igualamos a cero; de esta forma se obtienen dos ecuaciones llamadas ecuaciones normales del modelo que pueden ser resueltas por cualquier mtodo ya sea igualacin o matrices para obtener los valores de a y b.
Derivamos parcialmente la ecuacin respecto de a
Primera ecuacin normal Derivamos parcialmente la ecuacin respecto de b
JOSE GARZON ARIAS
- 165 -
Segunda ecuacin normal Los valores de a y b se obtienen resolviendo el sistema de ecuaciones resultante. Veamos el siguiente ejemplo: En un estudio econmico se desea saber la relacin entre el nivel de instruccin de las personas y el ingreso.
EJEMPLO 1
Se toma una muestra aleatoria de 8 ciudades de una regin geogrfica de 13 departamentos y se determina por los datos del censo el porcentaje de graduados en educacin superior y la mediana del ingreso de cada ciudad, los resultados son los siguientes: CIUDAD : 1 2 3 4 5 6 7 8 % de (X) Graduados : 7.2 6.7 17.0 12.5 6.3 23.9 6.0 10.2 Ingreso (Y) Mediana : 4.2 4.9 7.0 6.2 3.8 7.6 4.4 5.4 (0000) Tenemos las ecuaciones normales y = na + bx xy = ax + bx Debemos encontrar los trminos de las ecuaciones y, x, xy, x Por tanto procedemos de la siguiente forma:
XY
JOSE GARZON ARIAS
- 166 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB 4.2 4.9 7.0 6.2 3.8 7.6 4.4 5.4 43.5 7.2 6.7 17.0 12.5 6.3 23.9 6.0 10.2 89.8 30.24 32.83 119.00 77.50 23.94 181.64 26.40 55.08 546.63 51.84 44.89 289.00 156.25 39.69 571.21 36.00 104.04 1292.92
Sustituyendo en las ecuaciones los resultados obtenidos tenemos: 43.50 = 8a + 89.8b 546.63 = 89.8a + 1292.92b multiplicamos la primera ecuacin por (-89.8) y la segunda por (8) as: 43.50 = 8a + 89.8b (-89.8) 546.63 = 89.8a + 1292.92b (8) -3906.30 = -718.4a - 8064.04b 4373.04 = 718.4a + 10343.36b 466.74 = -0- 2279.32b
Este valor de b lo reemplazamos en cualquiera de las ecuaciones para obtener a as: Reemplazando b = 0.20477 en la primera ecuacin normal 43.5 = 8a + 89.8 (0.20477) 43.5 = 8a + 18.3880 43.5 - 18.3880 = 8a 25.1120 = 8a
JOSE GARZON ARIAS
- 167 -
Tenemos entonces que los coeficientes de regresin son : a = 3.139 y b = 0.20477. Por tanto la ecuacin de regresin nos queda:
Significa entonces que por cada incremento en una unidad en X el valor de se aumenta en 0.20477 Esta ecuacin permite estimar el valor de para cualquier valor de X, por
ejemplo: Una ciudad que tiene un porcentaje de graduados a nivel superior del 28% la mediana de ingreso para la ciudad ser:
Los valores a y b tambin se pueden obtener de la siguiente forma: partiendo de las ecuaciones normales tenemos:
Si dividimos todos los trminos de la ecuacin (1) entre n nos queda:
Tenemos entonces que el primer termino es
el segundo termino es la por tanto
incgnita a y el tercer termino es la incgnita b multiplicada por nos queda: JOSE GARZON ARIAS
- 168 -
entonces
Reemplazando a en la ecuacin (2) tenemos
a = 5.4375 0.20477 (11.2250) = 5.4375 2.2985 = 3.139
JOSE GARZON ARIAS
- 169 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Se debe tener presente la diferencia entre el valor de obtenido con la es una
ecuacin de regresin y el valor de Y observado. Mientras
estimacin y su bondad en la estimacin depende de lo estrecha que sea la relacin entre las dos variables que se estudian; Y es el valor efectivo, verdadero obtenido mediante la observacin del investigador.
En el ejemplo Y es el valor mediano del ingreso que obtuvo el investigador utilizando todos los ingresos observados en cada ciudad y regresin Los valores estimados y observados pueden no ser iguales por ejemplo la primera ciudad tiene un ingreso mediano observado de Y = 4.2 al reemplazar en la ecuacin el porcentaje de graduados obtenemos un estimado de es el valor
estimado con base en el modelo lineal utilizado para obtener la ecuacin de
Grficamente lo anterior se puede mostrar as:
JOSE GARZON ARIAS
- 170 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Claramente se observa en la grfica que hay una diferencia entre el valor efectivo de Y y el valor estimado; esta diferencia se conoce como error en la estimacin, este error se puede medir. A continuacin se ver el procedimiento.
7.2 Error estndar en la estimacin .

El error estndar de la estimacin designado por sYX mide la disparidad "promedio" entre los valores observados y los valores estimados de utiliza la siguiente expresin. . Se
Debemos entonces calcular los valores de estudiada.
para cada ciudad sustituyendo
en la ecuacin los valores de los porcentajes de graduados de cada ciudad
4.2 4.9
7.2 6.7
4.6 4.5
-0.4 0.4
0.16 0.16
JOSE GARZON ARIAS
- 171 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB 7.0 6.2 3.8 7.6 4.4 5.4 17.0 12.5 6.3 23.9 6.0 10.2 6.6 5.7 4.4 8.0 4.4 5.2 0.4 0.5 -0.6 -0.4 0.0 0.2 0.16 0.25 0.36 0.16 0.00 0.04 1.29
Syx = 0.46 (decenas de miles $) Como esta medida trata de resumir la disparidad entre lo observado y lo estimado, es decir, trata de medir la diferencia promedio entre lo observado y lo estimado esperado de acuerdo al modelo, puede considerarse como un indicador del grado de precisin con que la ecuacin de regresin, describe la relacin entre las dos variables. Este error estndar se ve afectado por las unidades y sus cambios ya que es una medida absoluta, pues, se da en la misma unidad de medida que esta dada la variable Y; en el ejemplo 0.46 sern decenas de miles de pesos, razn por la cual no es posible comparar con las relaciones de variables dadas en distinta unidad de medida. Es necesario entonces calcular una medida que interprete o mida mejor el grado de relacin entre las variables.
Coeficiente de determinacin.
El cambio de la variable Y generalmente depende de muchos factores, en ocasiones, difciles de identificar; con el modelo lineal simple, slo tenemos presente uno. Por ejemplo, en nuestro caso la mediana del ingreso depende no slo del porcentaje de graduados en el nivel superior, que es, JOSE GARZON ARIAS
- 172 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB el factor que tenemos presente, pueden entrar a jugar factores tales como, la distribucin de la edad en la poblacin, la distribucin por sexo en la poblacin, la industrializacin de la ciudad, el numero de universidades y muchos otros. El coeficiente de determinacin mide o interpreta la cantidad relativa de la variacin que ha sido explicada por la recta de regresin, es decir, la proporcin de cambio en Y explicado por un cambio en la variable X ( X es el factor que se utiliza para calcular la recta de ajuste o ecuacin de regresin, en el ejemplo es el porcentaje de graduados en el nivel superior en cada ciudad). Para el ejemplo el Coeficiente de determinacin va a medir la proporcin del cambio en el ingreso mediano de cada ciudad, debido o explicado por un cambio en el porcentaje de graduados en el nivel superior. Veamos algunos componentes de la variabilidad en el anlisis de regresin: La diferencia entre cada valor de Y observado y variacin de Y. media se denomina
La diferencia entre explicada de Y.
estimado y
media , es la variacin tenida en cuenta
por la ecuacin de regresin, razn por la cual se denomina variacin
La diferencia entre Y observado y
estimado, son variaciones
consideradas debidas a factores diferentes al tenido presente por la ecuacin de regresin por eso se llama: variacin no explicada de Y.
JOSE GARZON ARIAS
- 173 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB La diferencia entre Y observado y estimado, son variaciones
consideradas debidas a factores diferentes al tenido presente por la ecuacin de regresin por eso se llama: variacin no explicada de Y.
La sumatoria de las diferencias en cada una de las formas de variacin la podemos representar as:
Grficamente esta relacin se puede representar as:
JOSE GARZON ARIAS
- 174 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Se dijo anteriormente, que el coeficiente de determinacin es la proporcin de cambio explicado en Y, por cambio en X, es decir, la proporcin que representa la variacin explicada de la variacin total. Recuerde una proporcin es la relacin de una parte con el total, por tanto, el coeficiente de determinacin ser:
En otras palabras el coeficiente de determinacin es la relacin entre la variacin explicada y la variacin total. Su valor siempre estar Para su calculo se procede as:
4.2 4.9 7.0 6.2 3.8 7.6 4.4 5.4
5.44 5.44 5.44 5.44 5.44 5.44 5.44 5.44
-1.24 -1.24 1.56 0.76 1.64 2.16 1.04 0.4
1.54 0.29 2.43 0.58 2.69 4.66 1.08 0.001
4.6 4.5 6.6 5.7 4.4 8.0 4.4 5.2
-0.84 -0.84 1.16 0.26 -1.04 2.56 -1.04 -0.24
0.71 0.88 1.35 0.07 1.08 6.55 1.08 0.06
-0.4 0.4 0.4 0.5 -0.6 -0.4 0.0 0.2
JOSE GARZON ARIAS
- 175 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB 43.5 13.271 11.78
Generalmente esta proporcin se expresa como porcentaje por tanto podemos decir que r = 88.76% como conclusin podemos decir que el 88.76% de la variacin en el ingreso mediano de las ciudades de la muestra esta relacionada o explicada por la variacin en el porcentaje de graduados en educacin Superior en cada ciudad.
Coeficiente de correlacin
Este Coeficiente como ya se dijo mide la fuerza de la relacin entre las variables. El coeficiente tiene el signo que tiene b y su valor estar El signo menos en el ndice significa una relacin negativa y un signo ms una correlacin positiva. El coeficiente se obtiene sacando la raz cuadrada al coeficiente de determinacin y se simboliza con "r".
JOSE GARZON ARIAS
- 176 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB En este caso el coeficiente r tiene signo positivo ya que toma el valor de b obtenido con las ecuaciones normales toma valor positivo. A continuacin se da, a modo de orientacin , como podran interpretarse los valores de r (positivo o negativo)
0.0 0.2 0.4 0.7 0.9
a a a a a
0.2 0.4 0.7 0.9 1.0
Correlacin muy dbil, despreciable Correlacin dbil. bajo Correlacin moderada Correlacin fuerte, alto, importante Correlacin muy fuerte, muy alto
La correlacin entre los valores de dos variables es un hecho. El que lo consideremos satisfactorio o no, depende de la interpretacin. Otro problema que representa la correlacin es cuando se pregunta si una variable, de algn modo causa o determina a la otra. La correlacin no implica causalidad. Si las variables X e Y estn correlacionadas, esto puede ser por que X causa a Y, o porque Y causa a X o porque alguna otra variable afecta tanto a X como Y, o por una combinacin de todas estas razones; o puede ser que la relacin sea una coincidencia.
7.3 Modelo de regresin lineal con el uso de matrices.

Al ajustar un modelo de regresin lineal mltiple, en particular cuando el nmero de variables pasa de dos, el conocimiento de la teora matricial puede facilitar las manipulaciones matemticas de forma considerable. Suponga que el experimentador tiene k variables independientes x1, x2,....,xk, y n observaciones y1, y2,...., yn, cada una de las cuales se pueden expresar por la ecuacin yi = b 0 + b 1x1i +b 2x2i +.+ b kxki +e i
JOSE GARZON ARIAS
- 177 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Este modelo en esencia representa n ecuaciones que describen cmo se generan los valores de respuesta en el proceso cientfico. Con el uso de la notacin matricial, podemos escribir la ecuacin y=Xb + e donde
Entonces la solucin de mnimos cuadrados para la estimacin de b que se ilustra en la seccin Estimacin de coeficientes, "Regresin lineal mltiple" implica encontrar b para la que SSE = (y - Xb)'(y - Xb) se minimiza. Este proceso de minimizacin implica resolver para b en la ecuacin
No presentaremos los detalles relacionados con las soluciones de las ecuaciones anteriores. El resultado se reduce a la solucin de b en (X'X)b = X'y
Ntese la naturaleza de la matriz X. Aparte del elemento inicial, el i-simo rengln representa los valores x que dan lugar a la respuesta yi. Al escribir
JOSE GARZON ARIAS
- 178 -
las ecuaciones normales se pueden escribir en la forma matricial AB=g Si la matriz A es no singular, podemos escribir la solucin para el coeficiente de regresin como b = A-1g =(XX)-1Xy De esta forma se puede obtener la ecuacin de prediccin o la ecuacin de regresin al resolver un conjunto de k + 1 ecuaciones con un nmero igual de incgnitas. Esto implica la inversin de la matriz X'X de k + 1 por k + 1. Las tcnicas para invertir esta matriz se explican en la mayora de los libros de texto sobre determinantes y matrices elementales. Por supuesto, MATLAB dispone de muchos paquetes de computadora de alta velocidad para problemas de regresin mltiple, paquetes que no slo imprimen estimaciones de los coeficientes de regresin, sino que tambin proporcionan otra informacin relevante para hacer inferencias respecto a la ecuacin de regresin.
JOSE GARZON ARIAS
- 179 -
Ejemplo 1
Se midi el porcentaje de sobre vivencia de cierto tipo de semen animal, despus del almacenamiento, en varias combinaciones de concentraciones de tres materiales que se utilizan para aumentar su oportunidad de sobre vivencia. Los datos son los siguientes:
y(% sobrevivencia)
x1(peso %)
x2(peso %) 5,30 5,42 8,41 4,63 11,60 5,85 6,62 8,72 4,42 7,60 4,83 3,12 5,30
x3(peso %) 10,80 9,40 7,20 8,50 9,40 9,90 8 9,10 8,70 9,20 9,40 7,60 8,20
25,5 31,2 25,9 38,4 18,4 26,7 26,4 25,9 32 25,2 39,7 35,7 26,5
1,74 6,32 6,22 10,52 1,19 1,22 4,10 6,32 4,08 4,15 10,15 1,72 1,70
Estime el modelo de regresin lineal mltiple para los datos dados. SOLUCIN: Las ecuaciones de estimacin de mnimos cuadrados, (X'X)b = X'y, son
JOSE GARZON ARIAS
- 180 -
= De los resultados de una computadora obtenemos los elementos de la matriz inversa
y despus, con el uso de la relacin b = (XX)-1 Xy, los coeficientes estimados de regresin son b0= 39.1574, b1 = 1.0161, b2 = -1.8616, b3 = -0.3433. De aqu nuestra ecuacin de regresin estimada es
Para el caso de una sola variable independiente, el grado del polinomio de mejor ajuste a menudo se puede determinar al graficar un diagrama de dispersin de los datos que se obtienen de un experimento que da n pares de observaciones de la forma {(xi, yi); i = 1, 2, .... n}.
JOSE GARZON ARIAS
- 181 -
= Al resolver estas r + 1 ecuaciones, obtenemos las estimaciones b0, b1,....., br y por ello generamos la ecuacin de prediccin de regresin polinomial
El procedimiento para ajustar un modelo de regresin polinomial se puede generalizar al caso de ms de una variable independiente. De hecho, el estudiante de anlisis de regresin debe, en esta etapa, tener la facilidad para ajustar cualquier modelo lineal en, digamos, k variables independientes. Suponga, por ejemplo, que tenemos una respuesta Y con k = 2 variables independientes y se postula un modelo cuadrtico del tipo yi = b 0 + b 1x1i + b 2x2i +b 11x21i+ b 22x22i+b 12x1i x2i+e I donde yi, i = 1, 2, ..., n, es la respuesta para la combinacin (x1i, x2i) de las variables independientes en el experimento. En esta situacin n debe ser al menos 6, pues hay seis parmetros a estimar mediante el procedimiento de mnimos variables, se deben usar al menos tres niveles de cada variable. El lector debe verificar con facilidad que las ecuaciones normales de mnimos cuadrados (X'X)b = X'y estn dadas por: cuadrados. Adems, como el modelo contiene trminos cuadrticos en ambas
JOSE GARZON ARIAS
- 182 -
Ejemplo 2
Los siguientes datos representan el porcentaje de impurezas que ocurren a varias temperaturas y tiempos de esterilizacin durante una reaccin asociada con la fabricacin de cierta bebida.
Tiempo de esterilizacin, x2 (min) 15
Temperatura, x1 (C) 75 14.05 100 10.55 125 7.55
JOSE GARZON ARIAS
- 183 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB 14.93 9.48 6.59
20
16.56 15.85
13.63 11.75
9.23 8.78
25
22.41 21.66
18.55 17.98
15.93 16.44
Estimar los coeficientes de regresin en el modelo m Y|x = b 0 + b 1 x1 +b 2 x2+b 11 x12+b 22 x22+ ..+ b 12 x1 x2 SOLUCIN: b0 = 56,4668 b1 = -0,36235 b2 = -2,75299 b11 =0,00081 b22 = 0,08171 b12 = 0,00314
y nuestra ecuacin de regresin estimada es
Muchos de los principios y procedimientos asociados con la estimacin de funciones de regresin polinomial caen en la categora de la metodologa de respuesta superficial, un conjunto de tcnicas que los cientficos e ingenieros han utilizado con bastante xito en muchos campos. Problemas como la seleccin de un diseo experimental apropiado, en particular para casos donde hay un nmero grande de variables en el modelo, y la eleccin de las condiciones "ptimas" de operacin sobre x1,x2,.....,xk a menudo se aproximan a travs del uso de estos mtodos
JOSE GARZON ARIAS
- 184 -
7.4 Regresin lineal mltiple.

En la mayor parte de los problemas de investigacin donde se aplica el anlisis de regresin se necesita ms de una variable independiente en el modelo de regresin. La complejidad de la mayor parte de los mecanismos cientficos es tal que para ser capaces de predecir una respuesta importante se necesita un modelo de regresin mltiple. Cuando este modelo es lineal en los coeficientes se denomina modelo de regresin lineal mltiple. Para el caso de k variables independientes X1, X2,....,Xk, la media de Y| X1, X2,....,XK est dada por el modelo de regresin lineal mltiple m Y|x1, x2 ,, xk = b 0 + b 1 x1 +..+ b k xk y la respuesta estimada se obtiene de la ecuacin de regresin de la muestra
donde cada coeficiente de regresin b i se estima por bi de los datos de la muestra con el uso del mtodo de mnimos cuadrados. Como en el caso de una sola variable independiente, el modelo de regresin lineal mltiple a menudo puede ser una representacin adecuada de una estructura ms complicada dentro de ciertos rangos de las variables independientes. Tcnicas de mnimos cuadrados similares tambin se pueden aplicar al estimar los coeficientes cuando el modelo lineal involucra, digamos, potencias y productos de las variables independientes. Por ejemplo, cuando k = 1, el experimentador puede pensar que las medias m Y|x1 no caen en una lnea recta pero que se describen de forma ms apropiada con el modelo de regresin polinomial m Y|x = b 0 + b 1 x +b 2 x2+ ..+ b r xr y la respuesta estimada se obtiene de la ecuacin de regresin polinomial
JOSE GARZON ARIAS
- 185 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB En ocasiones surge confusin cuando hablamos de un modelo polinomial como de un modelo lineal. Sin embargo, los estadsticos por lo general se refieren a un modelo lineal como uno en el cual los parmetros ocurren linealmente, sin importar cmo entran las variables independientes al modelo. Un ejemplo de un modelo no lineal es la relacin exponencial m Y|x = a b x, que se estima con la ecuacin de regresin
Existen muchos fenmenos en la ciencia y en la ingeniera que son inherentemente no lineales por naturaleza y, cuando se conoce la estructura real, desde luego se debe hacer un intento para ajustar el modelo presente. La literatura sobre estimacin por mnimos cuadrados de modelos no lineales es voluminosa.
Estimacin de los coeficientes.

En esta seccin obtenemos los estimadores de mnimos cuadrados de los parmetros b 0 + b 0, b 1,...., b k mediante el ajuste del modelo de regresin lineal mltiple m Y|x1 , x2,......, xk = b 0 + b 1x1+ b 2x2+ b kxk a los puntos de datos i= 1,2,....,n y n >k }, donde yi es la respuesta observada para los valores x1i, x2i,........., xki, de las k variables independientes x1 , x2,......, xk .Cada observacin (x1i, x2i,......,xki, yi) satisface la ecuacin yi = b 0 + b 1x1i +b 2x2i +.+ b kxki +e i o yi = b0 + b1x1i +b2x2i +.+ bkxki +ei,
JOSE GARZON ARIAS
- 186 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB donde e i y ei son el error aleatorio y residual, respectivamente, asociados con la respuesta yi . Al utilizar el concepto de mnimos cuadrados para llegar a las estimaciones b0, b1,..., bk, minimizamos la expresin
Al diferenciar SSE a su vez con respecto a b0,b1, b2,......,bk, e igualar a cero, generamos un conjunto de k + 1 ecuaciones normales
Estas ecuaciones se pueden resolver para b0, b1,b2, ..., bk mediante cualquier mtodo apropiado para resolver sistemas de ecuaciones lineales.
Ejemplo 1
Se realiz un estudio sobre un camin de reparto ligero a diesel para ver si la humedad, temperatura del aire y presin baromtrica influyen en la emisin de xido nitroso (en ppm). Las mediciones de las emisiones se tomaron en diferentes momentos, con condiciones experimentales variantes. Los datos son los siguientes:
JOSE GARZON ARIAS
- 187 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB xido nitroso, y Humedad x1 Temperatura x2 Presin x3 xido nitros o y 0,90 0,91 0,96 0,89 1,00 1,10 1,15 1,03 0,77 1,07 72,4 41,6 34,3 35,1 10,7 12,9 8,3 20,1 72,2 24,0 76,3 70,3 77,1 68,0 79,0 67,4 66,8 76,9 77,7 67,7 29,18 29,35 29,24 29,27 29,78 29,39 29,69 29,48 29,09 29,60 1,07 0,94 1,10 1,10 1,10 0,91 0,87 0,78 0,82 0,95 23,2 47,4 31,5 10,6 11,2 73,3 75,4 96,6 107,4 54,9 76,8 86,6 76,9 86,3 86,0 76,3 77,9 78,7 86,8 70,9 Humedad x1
Tempera x2
El modelo es: m Y|x1, x2, x3 = b 0 + b 1 x1 + b 2 x2 +..+ b 3 x3 Ajuste este modelo de regresin lineal mltiple a los datos dados y despus estime la cantidad de xido nitroso para las condiciones donde la humedad es 50%, la temperatura 76F y la presin baromtrica 29,30. SOLUCIN Para las ecuaciones normales encontramos que
La solucin de este conjunto de ecuaciones da las estimaciones nicas JOSE GARZON ARIAS
- 188 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB b0 = -3.507778, b1= -0.002625, b2= 0.000799, b3= 0.154155. Por tanto, la ecuacin de regresin es
Para 50% de humedad, una temperatura de 76 F y una presin baromtrica 29,30, la cantidad estimada de xido nitroso es Regresin polinomial. Suponga ahora que deseamos ajustar la ecuacin polinomial m Y|x = b 0 + b 1 x +b 2 x2+ ..+ b r xr a los n pares de observaciones {(xi, yi); i = 1,2,..., n}. Cada observacin, yi satisface la ecuacin yi = b 0 + b 1xi +b 2xi2+ ..+ b r xi2+e i o yi = b0 + b1xi +b2xi2+ ..+ br xir+ei donde r es el grado del polinomio, y e i, y ei son de nuevo el error aleatorio y residual asociados con la respuesta yi. Aqu, el nmero de pares, n, debe ser al menos tan grande como r + 1, el nmero de parmetros a estimar. Ntese que el modelo polinomial se puede considerar como un caso especial del modelo de regresin lineal mltiple ms general, donde hacemos x1 = x, x2 = x2, ..., xr. = xr. Las ecuaciones normales toman la forma:
que se resuelve como antes para b0, b1,.........., br
JOSE GARZON ARIAS
- 189 -
Ejemplo 2 Dados los datos

x y 0 9,1 1 7,3 2 3,2 3 4,6 4 4,8 5 2,9 6 5,7 7 7,1 8 8,8 9 10
Ajustar una curva de regresin de la forma m Y|x = b 0 + b 1 x +b 2 x2 y despus estime m Y|x SOLUCIN: De los datos dados, encontramos que
Al resolver las ecuaciones normales obtenemos b0=8,697 , b1=-2,341, b2= 0,288 Por tanto:
Inferencias en la regresin lineal mltiple.

Una de las inferencias ms tiles que se pueden hacer con respecto a la calidad de la respuesta pronosticada y0 que corresponde a los valores x10, x20,...., xk0, es el intervalo de confianza sobre la respuesta media m | x10, x20,...., xk0 . Nos interesa construir un intervalo de confianza sobre la respuesta media para el conjunto de condiciones dado por X0 = [x10, x20,...., xk0] Aumentamos las condiciones sobre las x por el nmero 1 a fin de facilitar el uso de la notacin matricial. Como en el caso k = 1 si hacemos la suposicin adicional de que los errores son independientes y se distribuyen de forma normal, entonces las Bj son normales, con media, varianzas y covarianzas. JOSE GARZON ARIAS
- 190 -
tambin est normalmente distribuida y es, de hecho, un estimador insesgado para la respuesta media sobre el que intentamos unir los intervalos de confianza. La varianza de simplemente como funcin de escrita en notacin matricial
, (X'X)1, y el vector de condicin x0, es
Si esta expresin se expande para un caso dado, digamos k = 2, se ve fcilmente que explica de manera apropiada las varianzas y covarianzas de las Bi. Despus de reemplazar estadstica: por s2, el intervalo de confianza de 100(1
)% sobre m | x10, x20,...., xk0 . se puede construir a partir de la
que tiene una distribucin t con n k 1 grados de libertad.
Intervalo de confianz a para: m | x10, x20,...., xk0
Un intervalo de confianza de (1 )100% para la respuesta media m | x10, x20,...., xk0 es
donde ta /2 es un valor de la distribucin t con n-k grados de libertad. La cantidad para computadora. a menudo se llama error estndar de prediccin y
por lo general aparece en el impreso de muchos paquetes de regresin
JOSE GARZON ARIAS
- 191 -
Ejemplo 1
Con el uso de los datos del ejemplo 1 correspondiente al "Modelo de regresin lineal con el uso de matrices", construya un intervalo de confianza de 95% para la respuesta media cuando x1 = 3%, x2 = 8%, y x3 = 9%. SOLUCIN De la ecuacin de regresin del ejemplo 1 correspondiente al "Modelo de regresin lineal con el uso de matrices", el porcentaje estimado de sobre vivencia cuando x1 = 3%, x2 = 8%, y x3 = 9% es A continuacin encontramos que:
Con el uso del cuadrado medio del error, s2 = 4.298 o s = 2.073, y de la tabla A.4, vemos que t0.025 = 2.262 para 9 grados de libertad. Por tanto, un intervalo de confianza de 95% para el porcentaje medio de sobre vivencia para x1 = 3%, x2 = 8%, y x3= 9% est dado por
o simplemente . Como en el caso de la regresin lineal simple, necesitamos hacer una clara distincin entre el intervalo de confianza de la respuesta media y el intervalo de prediccin sobre una respuesta observada. Esta ltima proporciona un lmite dentro del cual podemos decir con un grado de certeza preestablecido que caer una nueva respuesta observada. JOSE GARZON ARIAS
- 192 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Un intervalo de prediccin para una sola respuesta pronosticada establece de nuevo al considerar las diferencias aleatoria . se
de la variable
Se puede mostrar que la distribucin muestral es normal con media
y varianza
De esta manera el intervalo de prediccin de (1 )100% para un solo valor de prediccin y0 se puede construir a partir de la estadstica
que tiene una distribucin t con n k 1 grados de libertad.
Intervalo de predicci n para y0
Un intervalo de prediccin de (1-)100% para una sola respuesta y0 est dado por:
donde t/2 es un valor de la distribucin t con n k 1 grados de libertad.
Ejemplo 2
Con el uso de los datos del ejemplo 1 correspondiente a el tema "Modelo de regresin lineal con el uso de matrices" construya un intervalo de prediccin de 95% para una respuesta individual del porcentaje de sobre vivencia cuando x1 = 3%, x2 = 8%, y x3 = 9%. SOLUCIN: Con referencia a los resultados del ejemplo 1 de esta seccin, encontramos que el intervalo de prediccin de 95% para la respuesta y0 cuando x1= 3%, x2 = 8%, y x3 = 9% es
JOSE GARZON ARIAS
- 193 -
que se reduce a
. Ntese, como se espera, que el
intervalo de prediccin es considerablemente menos estrecho que el intervalo de confianza para el porcentaje de sobrevivencia media en el ejemplo 1. Un conocimiento de las distribuciones de los estimadores de los coeficientes individuales permite al experimentador construir intervalos de confianza para los coeficientes y probar hiptesis acerca de ellos. De esta manera podemos utilizar la estadstica
con n k 1 grados de libertad para probar las hiptesis y construir intervalos de confianza sobre j. Por ejemplo, si deseamos probar:
calculamos la estadstica:
y no rechazamos H0 si libertad. Ejemplo 3
donde
tiene n k 1 grados de
Para el modelo del ejemplo 1 correspondiente al "Modelo de regresin lineal con el uso de matrices", pruebe la hiptesis de que 2 = -2,5 en el nivel de significancia 0.05 contra la alternativa de que 2> -2,5. SOLUCIN: Clculos:
Decisin : rechazar H0 y concluir que 2> -2,5 JOSE GARZON ARIAS
- 194 -
7.5 PREDICCION.
Existen varias razones para construir una regresin lineal. Una, por supuesto, es predecir valores de respuesta a uno o mas valores de la variable independiente. En este aparte nos enfocamos en los errores asociados con la prediccin. La ecuacin = a +bx se puede usar para predecir o estimar la respuesta media yx en x = xo no es necesariamente uno de los valores preseleccionados, o se puede utilizar para predecir un solo valor o de la variable Yo cuando x = xo. Esperaramos que el error de prediccin fuese mas alto en el caso de un solo valor predicho en el caso donde se predice una media. Esto, entonces, afectara el ancho de nuestros intervalos para valores que se predicen. Suponga que el experimentador desea construir un intervalo de confianza para yx. Utilizaremos el estimador puntual o = A + Bxo para estimar yx. = a + b c o se puede mostrar que la distribucin muestral de o es normal con media:
Y varianza: La ultima se sigue del hecho que Cov(, B) = 0. De esta forma el intervalo de confianza de (1 - a )100% sobre la respuesta media yx. Se puede construir a partir de la estadstica :
Que tiene una distribucin t con n 2 grados de libertad Intervalo de confianza para yx.:
JOSE GARZON ARIAS
- 195 -
CORRELACION.
Hasta este punto hemos supuesto que la variable de regresin independiente x es una variable fsica o cientfica pero no una variable aleatoria. De hecho, en este contexto , x a menudo se llama variable matemtica, que, en el proceso de muestreo, se mide con un error insignificante. En muchas aplicaciones de las tcnicas de regresin es mas realista suponer que X y Y son variables aleatorias y que las mediciones {(Xi, Yi) ; i= 1, 2, ..., n} son observaciones de una poblacin que tiene la funcin de densidad conjunta f(x, y). Consideremos el problema de medir la relacin entre las dos variables X y Y. Por ejemplo, si X y Y representan la longitud y circunferencia de una clase particular de hueso en el cuerpo de un adulto, podemos realizar un estudio antropolgico para determinar si los valores grandes de X se asocian con valores grandes de Y, y viceversa. El anlisis de correlacin intenta medir la fuerza de tales relaciones entre dos variables por medio de un solo numero llamado coeficiente de correlacin.
En teora a menudo se supone que la distribucin condicional f(y x) de Y, para valores fijos de X, es normal con una media yx = a + b c o y varianza s yx = s y X tambin se distribuye con normalmente con x y varianza s x. La densidad conjunta de X y Y es entonces:
JOSE GARZON ARIAS
- 196 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Donde X es ahora una variable aleatoria independiente del error aleatorio E. Como la media del error aleatorio E es cero, se sigue que:
Al sustituir para a y s en la expresin anterior para f( x, y), obtenemos la distribucin normal bivariada:
La constante r (rho) se llama coeficiente de correlacin poblacional y juega un papel importante en muchos problemas de anlisis de datos de dos variables. El valor de r es 0 cuando b = 0 , que resulta cuando en esencia no hay una regresin lineal; es decir, la lnea de regresin es horizontal y cualquier conocimiento de X no es de utilidad para predecir Y. Como debemos tener s y s , y r 1 por ello -1 r 1. Los valores de r = 1 solo ocurren cuando s = 0, en cuyo caso tenemos una relacin lineal perfecta entre las dos variables. de esta manera un valor de r igual a +1 implica una relacin lineal perfecta con una pendiente positiva, mientras que un valor de r igual a 1 resulta de una relacin lineal perfecta con pendiente negativa. Se puede decir entonces que las estimaciones mustrales de r cercanas a la unidad en magnitud implican una buena correlacin o una asociacin lineal entre X y Y, mientras que valores cercanos a cero indican poca o ninguna correlacin.
JOSE GARZON ARIAS
- 197 -
Se debe sealar que en estudios de correlacin, como en problemas de regresin lineal, los resultados que se obtienen solo son tan buenos como el modelo que se supone. En las tcnicas de correlacin que aqu se estudian se supone una densidad normal bivariada para las variables X y Y, con el valor medio de Y en cada valor x linealmente relacionado con x. Para observar la conveniencia de la suposicin de linealidad, a menudo es til una graficacin preliminar de los datos experimentales. Un valor del coeficiente de correlacin muestral cercano a cero resultara de datos que muestren un efecto estrictamente aleatorio como se indica en la figura a :
en donde se puede observar poca o ninguna relacin causal. Es importante recordar que el coeficiente de correlacin entre dos variables es una media de su relacin lineal, y que un valor de r* = 0 implica una falta de linealidad y no una falta de asociacin. Por ello, si existe una fuerte relacin cuadrtica entre X y Y como se indica en la figura b, podemos aun obtener una correlacin cero que indique una relacin no lineal. * formula del calculo de r
JOSE GARZON ARIAS
- 198 -
JOSE GARZON ARIAS
- 199 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB BIBLIOGRAFA

1.-Casuso, Rafael L. "Clculo de probabilidades e inferencia estadstica", UCAB. Caracas. 1996. 2.-Mendenhall, Schaeffer y Wackely. "Estadstica matemtica con aplicaciones", Edit. Iberoamrica. Mxico. 1986. 3.-Mendelhall, William y Sincich. "Probabilidad y estadstica para ingeniera y ciencias", Edit. Prentice may. Mxico. 1997. 4.-Miller, Irwin y otros. "Probabilidad y estadsticas para ingenieros", Edit. Prentice may. 4ta edicin. Mxico. 1992. 5.-Ross, Sheldon. "Probabilidad y estadsticas para ingeniera y ciencias", Edit. Mc Graw Hill. Mxico. 2001. 6.-Universidad Simn Bolvar , Por: Hernando Snchez Santibez http://www.usb.edu.co/facultades/administracion/publicaciones/regresion_correlaci on.pdf 7.WALPOLE, Myers y Myers (1998), "Probabilidad y Estadstica para Ingenieros", Edit. Prentice Hall, Mxico.
JOSE GARZON ARIAS
- 200 -
JOSE GARZON ARIAS
- 201 -
DEFINICION DE INTEGRACION NUMERICA
DEFINICIONES BASICAS TIPOS DE INTEGRACION NUMERICA
FORMULAS DE INTEGRACION CERRADA DE NEWTONCOTES
REGLA DEL TRAPECIO
REGLA DE SIMPSON
FORMULAS DE INTEGRACION ABIERTA DE NEWTONCOTES
CUADRATURA DE GAUSS
INTEGRACION DE ROMBERG.
JOSE GARZON ARIAS
- 202 -
INTEGRACION NUMERICA
En la practica profesional , es comn encontrarse con problemas que requieren del conocimiento del rea bajo una curva de una funcin que representa el comportamiento de un proceso, que depende de un conjunto de variables de control, las funciones, no siempre se encuentran en forma analtica, muchas veces se reportan en forma tabular , o varan drsticamente entre intervalos, por este motivo, no siempre es posible integrarlas por mtodos analticos, y se requiere de un tipo de mtodo apropiado para cada caso, lo cual se estudiara en este capitulo.

Definicin De INTEGRACION
DEFINICION La integracin definida es el procedimiento sustentado por el teorema fundamental del calculo, por medio del cual se puede calcular de forma exacta una sumatoria de Riemman La notacin de Leibnitz permite escribir la integracin indefinida de una funcin como:
f ( x)dx (8.1)
a
Existen diferentes tipos de integracin, a saber Integracin indefinida Integracin definida Integracin Mltiple Integracin Impropia. etc. JOSE GARZON ARIAS
- 203 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Cada tipo de integracin requiere de ciertos conceptos que han sido
estudiados y desarrollados en un curso normal de Calculo . Los mtodos de integracin numrica se basan prcticamente en usar una forma aproximada (obtenida por interpolacin) de una funcin y aplicarle mtodos simples para obtener un valor numrico como aproximacin al valor real de la integral. Desde el punto de vista numrico, existen dos tipos generales de mtodos de integracin, estos son los mtodos de integracin cerrada , y los mtodos de integracin abierta.
Definicin De INTEGRACION NUMERICA

DEFINICION La integracin Numrica es un procedimiento algebraico y aritmtico, que permite el calculo de integrales definidas , que o bien no se pueden resolver analticamente o su solucin es muy complicada La integracin numrica, puede ser cerrada o abierta
8.1 Definicin De mtodos de integracin cerrada.

DEFINICION Los mtodos cerrados de integracin, son aquellos que tienen un alcance exclusivamente dentro del intervalo de definicin de la funcin (intervalo en el cual se reportan los valores de la funcion). A estos se les conoce como los mtodos de integracin cerrada de Newton-Cotes. Dentro de los mtodos cerrados, de Newton Cotes se tienen: La regla del Trapecio. La regla del Trapecio Mltiple La regla de Simpson. 1/3 La regla de Simpson 3/8 JOSE GARZON ARIAS
- 204 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Las cuales se describirn posteriormente. Los Mtodos de Newton Cotes funcionan en general en dos pasos: 1.- Se divide el intervalo [a,b] en n intervalos de igual amplitud , cuyos valores extremos son sucesivamente :
xi = x 0 + i (
ba ), n
i = 0,1,2,3,......, n
(8.2)
Para quedar en la nueva notacin x0=a y xn=b 2.- Se aproxima f(x) por un polinomio de grado n, Pn(x) y se integra , para obtener la aproximacin de la integral.
8.1.1 Definicin De la regla del Trapecio.

DEFINICION La regla del trapecio consiste en : El intervalo original queda igual, la funcin se aproxima por una lnea recta, y el rea bajo la curva corresponde al rea de un trapecio. De acuerdo a los cursos de geometra , el rea de un trapecio, es igual a la suma de la base mayor , mas la base menor , por la altura sobre dos . As que cada trapecio que se forma dentro de una curva tiene como rea: Ai = (f(xi )+f(xi-1))
hi .(8.3) 2
Al sumar todas las reas se tiene que :
f ( x)dx = ( f ( x k +1 ) + f ( x k ))
k =1
hk .(8.4) 2
JOSE GARZON ARIAS
- 205 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Considerando los incrementos constantes se tiene que :
ba y xk = a+kh, as la expresin anterior queda: n
h=
f ( X )dx =
n h + + f ( a ) f ( b ) 2 f (a + kh) .(8.5) 2 k =1
A continuacin se presenta el algoritmo de la regla del trapecio:
function s=traprl(f,a,b,M) % Datos % -f es el integrando , dado como una cadena de caracteres f
% -a y b son los extremos inferior y superior del intervalo de integracin % - M es el numero de subintervalos % Resultado % -s es la aproximacin obtenida con la regla del trapecio. % h=(b-a)/M; s=0; for k=1: (M-1) x=a+h*k; s=s+feval(f,x); end s=h*(feval(f,a)+feval(f,b))/2+h*s
Aplicando este para obtener el resultado de la integral :
(2 + sen(2
x) )dx =
JOSE GARZON ARIAS
- 206 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB M 10 20 40 80 160 h 0.5 0.25 0.125 0.0625 0.03125 T(f,h) 8.1938547 8.18604926 8.18412019 8.18363936 8.18351924
(2 + sen(2
1
x) )dx =8.18351924
8.1.2 Definicin De la regla de Simpson.

DEFINICION La regla de Simpson consiste en : dividir el intervalo [a,b] en 2M sub intervalos [xk,xk+1] de la misma anchura h= de nodos equi espaciados
(b a) , mediante una particin 2M

xk=a+kh, y con esta
2h M 1 4h M h S(f,h)= ( f (a) + f (b)) + ( ) f x + f ( x 2 k 1 ) , que corresponde a la 2k 3 3 3 k =1 k =1

integral
f ( x)dx , y se le llama regla de Simpson 1/3

a
A continuacin se presenta el algoritmo para la regla de Simpon 1/3. function s= simprl(f,a,b,M) %Datos % -f es el integrando, dado como una cadena de caracteres f % -a y b son los extremos inferior y superior del intervalo de integracin. % -M es el numero de sub intervalos. % Resultado % - s es la aproximacin obtenida con la regla de Simpson. h=
(b a) (2 * M )
s1=0; JOSE GARZON ARIAS

- 207 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB s2=0; for k=1:M x=a+h*(2*k-1); s1=s1 + fval(f,x); end for k=1:(M-1) x=a+h*2k; s2=s2+fval(f,x); end s=h*(feval(f,a)+feval(f,b)+4*s1+2*s2)/3; Aplicando la regla de Simpson 1/3 para estimar el valor de la integral, que se calculo con la regla del trapecio , se tiene: M 5 10 20 40 80 h 0.5 0.25 0.125 0.0625 0.03125 S(f,h) 8.18301549 8.18344750 8.18347717 8.18347908 8.18347920
Asi que
2 + sen(2
1
x) = 8.18347920
Como se vera los resultados son exactos en ambas estimaciones hasta tres decimales.
JOSE GARZON ARIAS
- 208 -
8.2 Definicin De mtodos de integracin abierta.

DEFINICION Los mtodos abiertos de integracin, son aquellos que tienen un alcance fuera del intervalo de definicin de la funcin. A estos se les conoce como los mtodos de integracin abierta de Newton-Cotes. Dentro de los mtodos abiertos, de Newton Cotes se tienen:
Integracin de Romberg Cuadratura de Gauss Los cuales como se dijo , se extienden fuera del intervalo de definicin de los datos reportados.
8.2.1 Definicin Del mtodo de cuadratura de Gauss

DEFINICION El mtodo de cuadratura de gauss consiste en realizar un cambio de variable dentro de un conjunto de puntos de una curva imaginaria, que depende de los datos reportados, lo cual representa un polinomio cbico. En esta tcnica la integral de una funcin f(x), en el intervalo [a,b] se puede escribir en la forma :
f ( z )dz = wi f ( z i ) , donde wi es el peso

i =1
correspondiente al valor de zi, y zi es la coordenada transformada correspondiente El algoritmo para el mtodo de cuadratura de gauss se da a continuacin en pseudo cdigo :
JOSE GARZON ARIAS
- 209 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB Se aproxima el rea bajo la curva de la funcin analtica f(x) en el intervalo
[a,b], proporcionando la funcin a integrar F(x) y los siguientes datos:

DATOS : Numero de puntos por utilizar (2,3,4,5,6) : N , el limite inferior A, el limite superior B. RESULTADOS: El rea aproximada a n decimales: AREA.
PASO 1 PASO 2 PASO 3
Hacer (N(P(I), I= 1,2,3)= (2,3,4) Hacer IAUX(I) =, I=1,2,..4)=(1,2,4,6) Hacer (Z(I)=,I1,2,.,9)=(0.577350269,0.0,0.774596669,0.339981044,0.861136312,0.0, 0.538469310 Hacer (W(I)= , I=1,2,.9)=(1.0,0.888888888,0.555555555,0.652145155,0.347854845 Hacer I=1 Mientras I5 , repetir los pasos 7 y 8 Si N= NP(I), ir al paso 10 . De otro modo continuar. Hacer I=I+I IMPRIMIR N NO ES 2,3,4,5, o 6 y TERMINAR Hacer S=0 Hacer J=IAUX(I) Mientras JIAUX(I+1) -1 repetir los pasos 13a 17 Hacer ZAUX= (Z(J)*(B-A)+B+A)/2. Hacer S=S+F(ZAUX)*W(J). Hacer ZAUX=(-Z(J)*(B-A)+B+A)/2. Hacer S=S+F(ZAUX)*W(J) Hacer J=J+1 Hacer AREA =(B-A)/2*S. IMPRIMIR AREA y TERMINAR.
PASO 4 PASO 5 PASO 6 PASO 7 PASO 8 PASO 9 PASO 10 PASO 11 PASO 12 PASO 13 PASO 14 PASO 15 PASO 16 PASO 17 PASO 18 PASO 19
Y El programa esta dado por : function quad= gauss(f,a,b,A,W) %Datos % -f es el integrando, dado como una cadena de caracteres. % -a , y b son los extremos superior e inferior del intervalo de integracin. JOSE GARZON ARIAS
- 210 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB % - A es el vector 1x N de nodos de la tabla de coordenadas. % - W es el vector 1x N de pesos de la tabla de pesos. %Resultado % -quad es la aproximacin al valor de la integral N= lenght(A); T=zeros(1,N); T=((a+b)/2)+((b-a)/2)*A; Quad =((b-a)/2)*sum(W.*fecal(f,T));
Calculando con este el valor de la integral : cinco dgitos significativos.
x+2
dx
se obtiene el valor de 1.1111 a
8.2.2 Definicin Del mtodo de Integracin de Romberg

DEFINICION El mtodo de integracin de Romberg, consiste en expresar la integral I= f ( x)dx como E= chr f(r)() , donde c es independiente de h, r es un
a b
entero positivo y un numero desconocido [a,b], asi haciendo E= I2-I1, es decir dos aproximaciones sucesivas de I , finalmente la mejor aproximacin para I esta dada por I=
2 r I 2 I1 2r 1
El algoritmo para el mtodo de Romberg es: a=A; b=B; for k=0: w n=2k; h=(b-a)/n; x=a; s=0; if n>1 for j=1 : n-1 x=x+h; f=f(x) ;aqu se introduce la funcin s=f+s ; JOSE GARZON ARIAS
- 211 -
ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB end. end. fa=f(a); fb=f(b); s=h/2*(fa+2*s+fb); I=(k+1,1) =s ; fpritf ( %4d %10.7f/n,n,s) end for m=2:5 for k=1 : 5-m+1 I=(k,m) = (4(m-1)*I(k+1,m-1)-I(k,m-1))/(4(m-1)-1); end end I Aplicando este a la solucin de la integral siguientes resultados:
sen(x)dx , se tienen los

0
2k
Ik(0)
0 1 2 3 4
1 2 4 8 16
0.0 0.5 0.6035534 0.684174 0.6345731
Con esto se da por terminado el tema de integracin numrica, dejando asentado, que existen una serie de mtodos numricos, reportados en la literatura que optimizan el procedimiento de integracin numrica , los cuales trabajan con exactitudes distintas.
JOSE GARZON ARIAS
- 212 -

BIBLIOGRAFIA. 1.- Carnahan,Brice, et al (1969): Applied Numerical Methods , Wiley New
York
2.- Conte, S.D. and Carl de Boor(1972) : Elementary Numerical Analysis ,
2nd ed., McGraw-Hill,New York.

3.- Fike , C.T. (1968) : Computer evaluation of Mathematical Functions ,
Prentice Hall ,Englewood,Cliffs,N.J.

4.-Hamming , R.W. (1962): Numerical Methods for Scientists and
Engineers, McGraw Hill, New york.
JOSE GARZON ARIAS
- 213 -

Manual Matlab PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Manual Matlab PDF

Caricato da

Copyright:

Formati disponibili

ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB LIBRO SABATICO 2006-2007

Capitulo 2 TRABAJANDO CON MATLAB

2.3 PROGRAMAS DE EJEMPLOS VARIADOS.

Comandos MATEMATICOS BASICOS DEL MATLAB

JOSE GARZON ARIAS

ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB

JOSE GARZON ARIAS

ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB

Capitulo 3 MOTIVACION DEL ESTUDIO DE LOS METODOS NUMERICOS

3.2 MODELOS MATEMATICOS Y ALGORITMOS

3.3 TIPOS DE ERRORES

JOSE GARZON ARIAS

ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB

Capitulo 4 SOLUCION NUMERICA DE ECUACIONES

4.2 SOLUCIONES DE ECUACIONES NO LINEALES

4.3 METODOS DE APROXIMACIONES SUCESIVAS

4.4 METODO DE BISECCION.

4.5 METODO DE NEWTON RAHPSON

JOSE GARZON ARIAS

ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB

Capitulo 5 SISTEMAS LINEALES DE ECUACIONES

NORMA DE UNA MATRIZ Y MATRICES CONVERGENTES . CONVERGENCIA DE MATRICES

5.3 METODOS ITERATIVOS PARA RESOLVER SISTEMAS LINEALES DE ECUACIONES

Capitulo 6 INTERPOLACION Y APROXIMACION

6.2 INTERPOLACION DE LAGRANGE

ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB

INTERPOLACION DE SPLINES CUBICOS

6.3.1 INTERPOLACION POLINOMIAL A TROZOS. 6.3.2 SPLINES CUBICOS . BIBLIOGRAFIA

Capitulo 7 AJUSTE DE CURVAS

MODELO DE REGRESION LINEAL CON EL USO DE MATRICES. REGRESION LINEAL MULTIPLE

JOSE GARZON ARIAS

ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB

Capitulo 8 INTEGRACION NUMERICA

METODOS DE INTEGRACION CERRADA.

8.1.1 REGLA DEL TRAPECIO. 8.1.2 REGLA DE SIMPSON.

METODOS DE INTEGRACION ABIERTA

8.2.1 METODO DE CUADRATURA DE GAUSS. 8.2.2 METODO DE INTEGRACION DE ROMBERG. BIBLIOGRAFIA

JOSE GARZON ARIAS

ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB

JOSE GARZON ARIAS

ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB

JOSE GARZON ARIAS

JOSE GARZON ARIAS

ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB

JOSE GARZON ARIAS

ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB

INTRODUCCION AL MATLAB ORIGEN INICIACIN AL MATLAB CARACTERSTICAS DEL ENTORNO

OPERACIONES CON VECTORES Y MATRICES

JOSE GARZON ARIAS

ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB

JOSE GARZON ARIAS

JOSE GARZON ARIAS

JOSE GARZON ARIAS

CARACTERSTICAS DEL ENTORNO

o Lenguaje de alto nivel basado en vectores, arrays y matrices.

Coleccin muy til de funciones de aplicacin.

JOSE GARZON ARIAS

JOSE GARZON ARIAS

ENSEANZA DE LOS METODOS NUMERICOS CON MATLAB

Representaciones 2-D y 3-D, incluyendo datos triangulados y reticulados

Representaciones 3-D quiver, ribbon, y stem

Control de fuentes, letras Griegas, smbolos, subndices y superndices

JOSE GARZON ARIAS