República Bolivariana de Venezuela
Ministerio del Poder Popular Para la Defensa
Universidad Nacional Experimental Politécnica de las Fuerza Armadas
UNEFA
Núcleo San Tome, Edo Anzoátegui
Métodos Numéricos.
Profesor: Bachiller:
Julio Cesar González Génesis Bellorin
C.I: V-19.939.787
4to Semestre Ing Petróleo
Introducción.
Los métodos numéricos donde se desarrollaran los contenidos, también
encontraremos una variedad de teorías y teoremas, como también ejemplos de cada
caso, también encontrares las diferencias entre cada uno de estos casos, como son el
método de Eules y el método Runge Kutta. También encontraremos las teorías de los
tres métodos numéricos, también tendremos ejemplos de cada método numérico. Es
importante leer y entender cada método numérico, estos métodos numéricos nos
sirven para una gran utilidad y resolución de problemas.
Métodos de newton.
.
Newton desarrolló varios métodos que son fundamentales en el campo de la física y
las matemáticas. Aquí te menciono algunos de los métodos más importantes
asociados a Isaac Newton:
1. Método de Newton-Raphson: Es un método numérico utilizado para encontrar
raíces de una función. Se basa en una aproximación inicial y utiliza la derivada de la
función para iterativamente mejorar la aproximación hasta llegar a la raíz deseada.
2. Método de Newton para resolver sistemas de ecuaciones no lineales: También
conocido como el método de Newton generalizado, se utiliza para resolver sistemas
de ecuaciones no lineales. Este método se basa en la linealización de las ecuaciones
mediante la matriz jacobiana y utiliza la aproximación inicial y la matriz jacobiana para
iterativamente acercarse a la solución.
3. Método de las diferencias finitas: Es un método que permite aproximar las
derivadas de una función mediante la evaluación de diferencias finitas en puntos
cercanos. Este método es ampliamente utilizado en el análisis numérico y en la
resolución numérica de ecuaciones diferenciales.
4. Método de las diferencias divididas: Es un método utilizado para aproximar
polinomios interpolantes. Este método se basa en la interpolación de los puntos de
datos utilizando diferencias finitas.
Estos son solo algunos de los métodos desarrollados por Newton. Su contribución en
el campo de las matemáticas y la física fue muy amplia y dio lugar a muchos otros
métodos y teorías.
Métodos de bisección
El método de la bisección es un método sencillo y ampliamente utilizado para
encontrar una aproximación de la raíz de una función en un intervalo dado. El método
de bisección se basa en el teorema del valor intermedio y sigue los siguientes pasos:
1. Selecciona un intervalo inicial [a, b] que contiene la raíz de la función.
2. Calcula el punto medio c del intervalo, que se obtiene como c = (a + b) / 2.
3. Evalúa la función en ese punto medio, es decir, calcula f(c).
4. Si f(c) es igual a cero o muy cercano a cero, entonces c es la aproximación de la
raíz y el algoritmo termina.
5. Si f(c) tiene el mismo signo que f(a), entonces la raíz se encuentra en el intervalo [c,
b]. Por lo tanto, actualiza el valor de a con c y repite desde el paso 2.
6. Si f(c) tiene el mismo signo que f(b), entonces la raíz se encuentra en el intervalo [a,
c]. Por lo tanto, actualiza el valor de b con c y repite desde el paso 2.
Este proceso se repite iterativamente hasta que la diferencia entre a y b sea menor
que una tolerancia predefinida, lo que indica que se ha encontrado una aproximación
suficientemente cercana de la raíz.
El método de la bisección tiene la ventaja de ser fácil de implementar y garantiza la
convergencia a la raíz si se cumplen ciertas condiciones, como que la función sea
continua en el intervalo [a, b] y que f(a) y f(b) tengan signos opuestos en ese intervalo.
Sin embargo, el método puede ser lento en comparación con otros métodos de
iteración más sofisticados.
Métodos de interpolación lineal
El método de interpolación lineal es uno de los métodos más simples y comunes
utilizados para aproximar valores intermedios entre dos puntos conocidos. Este
método se basa en la idea de que una función lineal es una buena aproximación entre
dos puntos cercanos. Los pasos para realizar la interpolación lineal son los siguientes:
1. Dados dos puntos conocidos (x₁, y₁) y (x₂, y₂) que definan una línea recta, donde
x₁ < x₂.
2. Calcula la pendiente de la recta interpolante (m) utilizando la fórmula: m = (y₂ - y₁) /
(x₂ - x₁).
3. Utiliza la pendiente y los puntos conocidos en la ecuación de la recta punto-
pendiente para encontrar la ecuación de la recta interpolante: y = m(x - x₁) + y₁.
4. Para encontrar el valor interpolado y en un punto x que se encuentra entre x₁ y x₂,
sustituye ese valor de x en la ecuación de la recta interpolante.
El método de interpolación lineal asume que la relación entre los valores conocidos es
una línea recta. Se utiliza principalmente cuando no se cuenta con suficientes puntos
o información para utilizar métodos más precisos. Sin embargo, cabe mencionar que
este método puede llevar a una aproximación menos precisa en comparación con
métodos de interpolación más avanzados, como la interpolación polinómica de
Lagrange o la interpolación spline.
Método de lagrange.
El método de interpolación de Lagrange es un método utilizado para encontrar un
polinomio que se ajuste a un conjunto de puntos conocidos. Este método se basa en
el polinomio de interpolación de Lagrange, que es una combinación lineal de
polinomios más simples llamados "polinomios base de Lagrange".
Los pasos para utilizar el método de interpolación de Lagrange son los siguientes:
1. Dados n+1 puntos conocidos (x₀, y₀), (x₁, y₁), ..., (xₙ, yₙ), donde x₀, x₁, ..., xₙ son
distintos, definimos el polinomio de interpolación de Lagrange P(x) de grado n que
pasa por estos puntos.
2. Para cada punto (xᵢ, yᵢ) con i=0, 1, ..., n, definimos el polinomio base de Lagrange
Lᵢ(x) de grado n como Lᵢ(x) = Π(j!=i) ((x - xⱼ)/(xᵢ - xⱼ)).
3. El polinomio de interpolación de Lagrange P(x) se obtiene sumando los productos
de los valores yᵢ por los polinomios base correspondientes a cada punto: P(x) =
∑(i=0,n) yᵢ * Lᵢ(x).
Este polinomio P(x) será el polinomio que se ajusta mejor a los puntos conocidos, es
decir, pasará exactamente por todos los puntos. Puede utilizarse para estimar el valor
de y en un punto x que no está directamente en el conjunto de datos conocidos.
Es importante señalar que el grado del polinomio de interpolación de Lagrange
dependerá del número de puntos conocidos. Además, este método asume que los
puntos conocidos son distintos entre sí.
El método de interpolación de Lagrange es bastante utilizado en diversos campos,
como las ciencias de la computación, la física y la ingeniería, para aproximar o estimar
valores intermedios entre puntos conocidos.
Método de diferencia finita.
El método de diferencia finita es un enfoque numérico utilizado para aproximar
derivadas y resolver ecuaciones diferenciales. Este método se basa en la
aproximación de las derivadas utilizando diferencias finitas en lugar de calcular
directamente la derivada analítica.
Hay varios tipos de métodos de diferencia finita, pero aquí te mencionaré dos de los
más comunes:
1. Diferencias hacia adelante: Esta técnica se utiliza para aproximar la primera
derivada de una función en un punto dado. La aproximación hacia adelante se basa
en la siguiente fórmula:
f'(x) ≈ (f(x + h) - f(x)) / h
Donde f'(x) es la primera derivada de f en el punto x, y h es un pequeño incremento
en x.
2. Diferencias centrales: Esta técnica se utiliza para aproximar la primera y segunda
derivada de una función en un punto dado. La aproximación central utiliza dos puntos
en cada lado del punto en consideración y se basa en las siguientes fórmulas:
f'(x) ≈ (f(x + h) - f(x - h)) / (2h)
f''(x) ≈ (f(x + h) - 2f(x) + f(x - h)) / h^2
Donde f'(x) y f''(x) son la primera y segunda derivada de f en el punto x, y h es un
pequeño incremento en x.
Estas son solo algunas de las técnicas de diferencia finita utilizadas para aproximar
derivadas. Los métodos de diferencia finita también se pueden aplicar para resolver
ecuaciones diferenciales numéricamente, utilizando aproximaciones de las derivadas
en las ecuaciones diferenciales para discretizar y resolver el problema en un conjunto
de puntos. Este enfoque es muy utilizado en el campo de la simulación y el análisis
numérico.
Método de mínimos cuadrados.
El método de mínimos cuadrados es una técnica utilizada para ajustar una función
matemática a un conjunto de datos experimentales o observacionales. El objetivo del
método de mínimos cuadrados es encontrar los coeficientes de una función que
minimicen la suma de los errores cuadrados entre los valores observados y los
valores predichos por la función ajustada.
Los pasos básicos para aplicar el método de mínimos cuadrados son los siguientes:
1. Formular un modelo matemático que representa la relación entre las variables
independientes y la variable dependiente.
2. Recolectar los datos experimentales o observacionales, que consisten en valores
de las variables independientes y la variable dependiente correspondiente.
3. Calcular los valores predichos por el modelo para las variables independientes a
partir de los coeficientes desconocidos.
4. Calcular los errores cuadrados entre los valores observados y los valores predichos
por el modelo para cada punto de datos.
5. Minimizar la suma de los errores cuadrados ajustando los coeficientes del modelo.
Esto se hace encontrando los valores de los coeficientes que hacen que la suma de
los errores al cuadrado sea la más pequeña posible.
6. Evaluar la calidad del ajuste mediante el coeficiente de determinación (R²) que
indica qué porcentaje de la variabilidad de los datos se explica por el modelo ajustado.
El método de mínimos cuadrados se utiliza en muchos campos, como la estadística, la
econometría, la física y la ingeniería, para encontrar mejores estimaciones y
predicciones basadas en un conjunto de datos. Puede utilizarse para ajustar
diferentes tipos de funciones, como funciones lineales, polinomiales o exponenciales,
dependiendo del modelo que mejor se ajuste a los datos.
Matriz cuadrada.
Una matriz cuadrada es una matriz que tiene el mismo número de filas que de
columnas. Es decir, tiene una forma de n x n, donde n es un número entero positivo.
Por ejemplo, una matriz cuadrada de 2x2 sería:
A = |a11 a12|
|a21 a22|
Donde a11, a12, a21 y a22 son los elementos de la matriz.
Una matriz cuadrada puede tener diversas propiedades y ser utilizada en varios
contextos. Algunas de las propiedades y conceptos asociados a las matrices
cuadradas incluyen:
- Matriz identidad: Una matriz cuadrada de tamaño n x n, donde todos los elementos
de la diagonal principal son 1 y los demás elementos son 0. Se denota como In.
- Matriz diagonal: Una matriz cuadrada donde todos los elementos fuera de la
diagonal principal son 0.
- Matriz triangular: Una matriz cuadrada donde todos los elementos por encima o por
debajo de la diagonal principal son 0.
- Determinante: Un número asociado a una matriz cuadrada que se calcula de manera
específica y proporciona información sobre varias propiedades y operaciones
relacionadas con la matriz.
- Inversa: Una matriz cuadrada A tiene una matriz inversa A^(-1) si el producto de A
por A^(-1) es igual a la matriz identidad.
Las matrices cuadradas son fundamentales en el álgebra lineal y se utilizan en
diversas áreas como la física, la ingeniería, las ciencias de la computación y las
matemáticas aplicadas.
Método de correlación logarítmica.
El método de correlación logarítmica es una técnica utilizada para determinar la
relación entre dos variables mediante la comparación de sus valores logarítmicos.
Este método es útil cuando las variables no están linealmente relacionadas, pero su
relación puede ser aproximada por una relación logarítmica.
Los pasos para aplicar el método de correlación logarítmica son los siguientes:
1. Recolectar los datos de las dos variables que se desean correlacionar.
2. Tomar el logaritmo de los valores de ambas variables.
3. Graficar los valores logarítmicos en un gráfico de dispersión.
4. Observar la tendencia general del conjunto de puntos. Si los puntos parecen seguir
una relación aproximadamente lineal, entonces se puede aplicar una regresión lineal a
los valores logarítmicos.
5. Calcular la ecuación de la línea de regresión lineal utilizando los valores
logarítmicos.
6. Interpretar los resultados de la regresión lineal para determinar la relación
aproximada entre las variables originales.
Es importante tener en cuenta que el método de correlación logarítmica es un enfoque
aproximado y se basa en la suposición de que la relación entre las variables puede
ser aproximada por una relación logarítmica. Por lo tanto, se recomienda utilizar este
método con precaución y considerar otros métodos de correlación si los resultados no
son suficientemente satisfactorios. Además, es importante considerar el contexto y la
teoría detrás de las variables antes de utilizar este método.
Método de la serie taylor.
El método de la serie de Taylor es una herramienta matemática utilizada para
aproximar una función mediante una serie de términos polinómicos. Esta
aproximación se basa en la expansión alrededor de un punto dado. El método de la
serie de Taylor se utiliza en diversas áreas como cálculo numérico, análisis numérico y
física teórica.
La fórmula general para la serie de Taylor es:
f(x) = f(a) + f'(a)(x-a) + f''(a)(x-a)^2/2! + f'''(a)(x-a)^3/3! + ...
Donde f(x) es la función que queremos aproximar, a es el punto alrededor del cual se
realiza la expansión, f'(a) representa la derivada de primer orden de f(x) evaluada en
a, f''(a) representa la derivada de segundo orden de f(x) evaluada en a, y así
sucesivamente. Los términos de la serie se van añadiendo según el orden de la
derivada.
La aproximación de la función se vuelve más precisa a medida que se añaden más
términos a la serie. Sin embargo, es importante tener en cuenta que la serie de Taylor
solo proporciona una aproximación local alrededor del punto de expansión y puede no
ser válida en todo el dominio de la función.
Existen diversas variaciones y aplicaciones del método de la serie de Taylor, como la
serie de McLaurin (expansión alrededor del punto a=0), la fórmula de Taylor en varias
variables y la serie de Taylor de funciones trigonométricas y exponenciales.
Espero que esta información te haya sido útil. Si tienes alguna pregunta adicional, no
dudes en hacerla.
Método de la serie euler.
El método de la serie de Euler, también conocido como método de Euler o método de
Euler explícito, es un método numérico utilizado para aproximar soluciones de
ecuaciones diferenciales ordinarias (EDOs) de primer orden. Fue propuesto por el
matemático suizo Leonhard Euler en el siglo XVIII.
La idea fundamental detrás del método de Euler es aproximar la solución de una EDO
en puntos sucesivos a lo largo de un intervalo dado. El método se basa en la idea de
utilizar la ecuación diferencial para calcular la derivada en un punto dado, y luego
utilizar esta derivada para estimar el cambio en la función entre dos puntos
adyacentes. A medida que se avanza en el intervalo, se acumulan los cambios
sucesivos para obtener una aproximación de la solución en cada punto.
La fórmula general del método de Euler es:
y_(n+1) = y_n + h * f(x_n, y_n)
Donde y_(n+1) representa la aproximación de la solución en el punto n+1, y_n es la
aproximación en el punto n, h es el tamaño del paso utilizado para avanzar a lo largo
del intervalo, f(x_n, y_n) es la derivada de la función en el punto (x_n, y_n). El tamaño
del paso h determina la precisión de la aproximación, siendo más pequeño para
obtener resultados más precisos.
Es importante tener en cuenta que el método de Euler es un método de primer orden,
lo que significa que el error de aproximación con respecto a la solución exacta puede
aumentar rápidamente a medida que avanzamos en el intervalo. Por lo tanto, es
necesario utilizar tamaños de paso lo suficientemente pequeños para obtener
resultados precisos.
Existen variantes del método de Euler, como el método de Euler mejorado y el método
de Euler modificado, que ofrecen mejores aproximaciones mediante refinamientos
adicionales.
Espero que esta explicación te haya sido útil. Si tienes alguna pregunta adicional, no
dudes en hacerla.
Método de la Runge - Kutta.
El método de Runge-Kutta es un método numérico utilizado para aproximar soluciones
de ecuaciones diferenciales ordinarias (EDOs). Fue desarrollado por los matemáticos
Carl Runge y Martin Kutta en el siglo XIX.
El método de Runge-Kutta se basa en dividir un intervalo en puntos sucesivos y
utilizar una combinación ponderada de pendientes para aproximar el cambio en la
función entre estos puntos. La fórmula general del método de Runge-Kutta de cuarto
orden (RK4) es la siguiente:
y_(n+1) = y_n + (1/6) * (k1 + 2k2 + 2k3 + k4)
Donde y_(n+1) representa la aproximación de la solución en el punto n+1, y_n es la
aproximación en el punto n, k1 es la pendiente en el punto n multiplicada por el
tamaño del paso h, k2 es la pendiente en un punto intermedio entre n y n+1
multiplicada por h, k3 es la pendiente en un punto intermedio entre n y n+1
multiplicada por h, y k4 es la pendiente en el punto n+1 multiplicada por h.
El método de RK4 es conocido por su precisión y su facilidad de implementación.
Proporciona resultados más precisos que el método de Euler, ya que utiliza una
combinación ponderada de pendientes en lugar de calcular una única pendiente en
cada punto. Sin embargo, también es más costoso en términos computacionales
debido a la necesidad de que los cuatro valores de pendiente se calculen en cada
punto.
Es importante ajustar el tamaño del paso h para obtener resultados precisos. Si el
tamaño del paso es demasiado grande, puede introducir errores significativos en la
aproximación. Por lo tanto, se recomienda realizar experimentos con diferentes
tamaños de paso para encontrar el equilibrio entre precisión y eficiencia.
Existen variantes del método de Runge-Kutta, como RK2 y RK3, que utilizan menos
cálculos de pendientes y tienen un orden de precisión inferior, pero pueden ser más
rápidos computacionalmente.
Espero que esta información te sea útil. Si tienes alguna pregunta adicional, no dudes
en hacerla.
Método de la transformada de laplace.
El método de la transformada de Laplace es una herramienta matemática utilizada
para resolver ecuaciones diferenciales lineales y resolver problemas de valores
iniciales o de valores en el límite. La transformada de Laplace permite transformar una
función dependiente del tiempo en una función dependiente de la frecuencia compleja.
La transformada de Laplace se define por la integral de Laplace, que se representa
como:
F(s) = L[f(t)] = ∫[0, ∞] e^(-st) f(t) dt
Donde f(t) es la función dependiente del tiempo, F(s) es la función transformada de
Laplace dependiente de la frecuencia compleja s, e^(-st) es el factor de ponderación
que compensa la dependencia del tiempo y s es una variable compleja que representa
la frecuencia transformada.
El uso de la transformada de Laplace permite convertir ecuaciones diferenciales en
ecuaciones algebraicas más sencillas de resolver. Una vez que la ecuación se ha
transformado, se pueden aplicar propiedades matemáticas de la transformada de
Laplace, como la linealidad, la propiedad de desplazamiento en el dominio de la
frecuencia y la derivación y la integración en el dominio del tiempo.
Después de resolver la ecuación transformada en función de la frecuencia compleja s,
se puede tomar la transformada inversa de Laplace para obtener la solución en el
dominio del tiempo nuevamente.
Es importante tener en cuenta que la transformada de Laplace requiere que la función
sea de orden exponencialmente decreciente para converger. Además, algunas
funciones pueden no tener una transformada de Laplace definida debido a
singularidades o divergencias.
El método de la transformada de Laplace es muy utilizado en el campo de la
ingeniería, la física y las ciencias aplicadas, ya que permite resolver ecuaciones
diferenciales de manera eficiente y encontrar soluciones a problemas en el dominio
del tiempo.
Espero que esta explicación te haya sido útil. Si tienes alguna pregunta adicional, no
dudes en hacerla.
Conclusión.
En conclusión, los métodos numéricos son herramientas matemáticas utilizadas para
aproximar soluciones de problemas que no pueden ser resueltos de manera analítica
o exacta. Estos métodos son especialmente útiles en situaciones en las que se
necesita obtener soluciones numéricas rápidas y precisas.
Existen varios métodos numéricos ampliamente utilizados, como el método de la serie
de Taylor, el método de Euler y el método de Runge-Kutta. Cada uno de estos
métodos tiene sus propias características y aplicaciones específicas.
El método de la serie de Taylor permite aproximar una función mediante una serie de
términos polinómicos, siendo más precisa a medida que se añaden más términos a la
serie. Este método se utiliza en el cálculo numérico y en el análisis numérico.
El método de Euler es un método numérico simple utilizado para aproximar soluciones
de ecuaciones diferenciales ordinarias (EDOs) de primer orden. El método de Euler se
basa en aproximaciones lineales de la solución en puntos sucesivos a lo largo de un
intervalo. Aunque es fácil de implementar, puede tener errores acumulativos
significativos y no es adecuado para EDOs no lineales o de mayor orden.
El método de Runge-Kutta es otro método numérico utilizado para aproximar
soluciones de EDOs. El método de Runge-Kutta, y en particular el método RK4, ofrece
una mayor precisión que el método de Euler, ya que utiliza una combinación
ponderada de pendientes en lugar de una única pendiente en cada punto. Sin
embargo, también es más costoso computacionalmente.
El método de la transformada de Laplace es un método utilizado para resolver
ecuaciones diferenciales lineales y problemas de valores iniciales o de valores en el
límite. Este método convierte una función dependiente del tiempo en una función
dependiente de la frecuencia compleja, lo que permite resolver ecuaciones
diferenciales de manera más sencilla a través de técnicas algebraicas.
En resumen, los métodos numéricos son herramientas valiosas para aproximación y
resolución de problemas matemáticos y científicos. Cada método tiene sus ventajas y
limitaciones, por lo que es importante seleccionar el método adecuado según el
problema que se desea resolver y la precisión requerida.
