ANYCA – Resumen final – Práctico

Contenido
Modelos numéricos – EDOs .............................................................................................................................................. 2
Aproximaciones y errores de redondeo ............................................................................................................................ 3
Errores de truncamiento y Serie de Taylor ........................................................................................................................ 4
Diferenciación numérica ................................................................................................................................................... 6
Problemas de valor inicial – Métodos de Runge Kutta ..................................................................................................... 7
Integración numérica ...................................................................................................................................................... 11
Optimización ................................................................................................................................................................... 14
Problemas de valor de frontera ...................................................................................................................................... 16
Ecuaciones diferenciales a derivadas parciales ............................................................................................................... 24
Elípticas ....................................................................................................................................................................... 25
Parabólicas .................................................................................................................................................................. 29
Hiperbólicas ................................................................................................................................................................ 32
Serie de Fourier ............................................................................................................................................................... 37

1
 Modelos numéricos – EDOs
Partimos de la ecuación o ley física que modela al problema y debemos llegar a una ecuación diferencial.
Debemos buscar una variable de la fórmula que sea reemplazable por una expresión con diferenciales.

Ejemplo paracaidista:
𝐹 𝒅𝒗
𝐹 = 𝑚𝑔 − 𝑐𝑣 → 𝐹 =𝑚∗𝒂 → 𝒂= =
𝑚 𝒅𝒕
𝑑𝑣 𝑐
= 𝑔 − ∗ 𝑣 (𝟏) 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑎 𝑐𝑜𝑚𝑜 𝑬𝑫𝑶
𝑑𝑡 𝑚
Reformulamos el problema – Ponemos los diferenciales en función de incrementos y desarrollando esta igualdad.

Vamos a igualar la ecuación (1) con la expresión con incrementos - Nosotros queremos obtener la velocidad en un
tiempo determinado, por lo que en este caso debemos despejar V (t i+1):

De esta manera, obtenemos la ecuación necesaria para resolver el problema con un método numérico:

Con esta ecuación y las condiciones iniciales del problema armamos la tabla de iteraciones:

El paso “h” – Vinculado al intervalo “Δt”, es una de las condiciones brindadas en el enunciado – A menor paso y en
consecuencia más iteraciones, la solución numérica mejora y se aproxima cada vez más a la solución analítica.

Forma general - Ecuación para resolución

𝒚 𝒕𝒊+𝟏 = 𝒚 𝒕𝒊 + 𝑬𝑫𝑶 ∗ (𝒕𝒊+𝟏 − 𝒕𝒊 )
de problemas de modelos numéricos

2
 Aproximaciones y errores de redondeo

Tipos de errores por aproximación

Distancia entre dos iteraciones sucesivas
Siempre son positivos (Valor absoluto)

Cifras significativas → Dígitos de un número que aportan información y pueden utilizarse de manera confiable.
El intervalo de confianza en un instrumento está dado por la mitad de la menor medición de su escala.

Ejemplo → Sabemos que la medición está entre 29 y 30 mm – Y la menor medida

que toma la regla es 1 mm – Entonces:

29 mm son las cifras seguras y confiables, mientras que el error o margen que
contemplamos es de 0,5 mm.

El error siempre se expresa con una sola cifra significativa, y la magnitud debe tener tantos decimales como el error.
Siempre se utiliza redondeo simétrico, tanto para la magnitud como para el error calculado.

Ejemplos →

Ejercicios de propagación de errores

Partimos de un problema a resolver – con su respectiva ley o ecuación que lo modela – donde sus variables son
conocidas, y tienen un error asociado.

Se busca calcular la solución del problema, incluyendo el error propagado por sus componentes, y asegurándonos de
que el resultado sea expresado correctamente.

Entonces, si tenemos una ecuación que está en función de “n” cantidad de variables – El error de su resultado va a
estar en función de esas “n” variables también - (Siempre y cuando las “n” variables tengan un error asociado).

El error total se expresa a través del concepto de diferenciales.

Ejemplo: Debemos calcular el volumen de la siguiente figura – entonces:

Sabemos por geometría como calcular el volumen de esta figura – Lo hacemos.

Como las 3 variables (a, b y c) tienen

error, el error propagado de “V” estará
en función de las 3.

Debo derivar la función “V”

parcialmente respecto a cada variable,
y a cada derivada multiplicarla por el
error absoluto que corresponda a la
variable en cuestión.

3
 Errores de truncamiento y Serie de Taylor
Los errores de truncamiento representan la diferencia entre la formulación matemática exacta de un problema y su
aproximación obtenida por un método numérico – El caso que vemos siempre es la Serie de Taylor.

La serie de Taylor es polinomio con un número infinito de términos que sirve para aproximarnos a cualquier función.
Mientras más términos utilicemos, mayor será la complejidad de cálculo, pero mas preciso será el resultado.

Permite predecir el valor de una función en un punto a partir del valor de la función y sus derivadas en otro punto.

Sabemos cuánto vale la función en “a” – Todas las derivadas del polinomio pasan por este punto – y lo que queremos
conocer es cuánto vale en “x”.

El error de truncamiento se da justamente por “truncar” la serie en un término a elección – Todos los términos que
están por delante de ese punto de corte se están descartando, y estos representan el error que se comete.

Si “a” = 0 estamos hablando de una Serie de Mc Laurin (Caso especial):

¿Cuántos términos de la serie debemos utilizar en un ejercicio? Lo determina el enunciado, el cual indica la cantidad
de cifras significativas requeridas – A partir de este dato, utilizando el Criterio de Scarborough definimos cual es el
máximo error relativo tolerable para asegurar las cifras significativas indicadas.

→ 𝜺𝑺 % ≅ 𝟎, 𝟓 ∗ 𝟏𝟎𝟐−𝒏 %
Criterio conservador – Asegura al menos “n” cifras significativas

Ejercicios – Resolución
Primero identificamos “x” y “a” – Y a partir de las cifras significativas requeridas determinamos el ε% de Scarborough.

En este caso el valor buscado es en x = (2,2) mientras que la serie está centrada en a = (2,27) – Al solicitar 2 cifras
significativas, el error tolerable de Scarborough resulta de 0,5.

Conviene armar una tabla con las siguientes columnas:

N° Término Desarrollo del término Término valuado Valor función Error R %
El número del El término expresado El término en El polinomio valuado (V. nuevo – V. viejo)
término en la serie algebraicamente cuestión valuado hasta el “n” término / V. nuevo

1; 2; 3; etc. Importante -> Derivar bien Reemplazo Sumatoria de los Una vez menor que
y poner el término completo con “x” y “a” términos hasta “n” ε s% - Corto la serie.

Cuando llegamos al término cuyo error relativo % es menor al de Scarborough, tomo ese valor de la función y lo
TRUNCO según las cifras significativas que haya determinado al principio – Ese número es nuestro resultado.

4
Recordamos que el error relativo % puede calcularse solamente cuando tenemos un valor anterior o valor “viejo” –
Entonces, siempre el error del primer término lo colocamos como nulo porque no se puede calcular.

Si me piden estimar el error cometido con la aproximación debo:

Reviso en que número de término llegamos al error r% menor al de Scarborough, y vemos el orden de su derivada –
Por ejemplo: Llegamos a un error menor a 0,05% en el término N°6 – Corresponde a la derivada de 5° ORDEN.

Esto significa que estamos truncando a partir del 7° término – Para estimar el error hay que calcular este último:

El séptimo término va a ser de 6° ORDEN – Lo valuamos en “x” y “a” y resolvemos.

No olvidar que esto es solamente una aproximación del error asumido por el método.

Funciones trascendentales – Caso particular donde tenemos una función trigonométrica o logarítmica multiplicada o
dividida por una función polinómica cualquiera – Va a ocurrir que muchos de los términos se van a anular.

Ejemplo: Aproxime la función f(x) = x* sen(x) con Taylor centrado en a = 0 (Mc Laurin) – Estime f(x) en π/6
Esto podemos tratarlo de dos maneras:
- 1° Caso - Resolvemos como 𝑓(𝑥) = u*v siendo f´(x) = u’.v+ v’.u
- 2° Caso – Resolvemos como 𝑓(𝑥) = x*g(x) siendo g(x) = sen(x)

El primer caso sería una resolución normal, la cual implicaría una cierta complejidad dada que tendría que valuar las
derivadas enteras para saber si se anulan o no – Empiezan a aparecen muchos senos y cosenos:

En el segundo caso, lo único que voy a derivar es la función trigonométrica g(x) = sen(x), mientras que al resto de la
expresión P(x) = x lo vamos a dejar fijo en la serie, de la siguiente manera:

Si hacemos las derivadas, tendríamos →

f(x) = x*sen x + x*cos x * x + x * (-sen x)/2! * x^2 ….

Vemos que P(X) está presente en todos los términos.

Ahora tenemos derivadas más sencillas y es más fácil saber si valuadas en x se anulan o no.
Si la derivada es nula, el término completo se va a anular.

Es importante recordar que cuando armamos la tabla de Taylor, los términos nulos NO CUENTAN – Solo cuentan los
términos que aportan una mejora en la aproximación – Por ejemplo, nuestra serie puede tener solamente tres
términos pero que sean de 2°, 4° y 6° orden – Las filas nulas las borramos o tachamos.

5
 Diferenciación numérica
Método numérico para calcular una aproximación a la derivada de una función.
Surgen a partir de la serie de Taylor y nos encontramos dos tipos principales:

- Diferencias finitas divididas – Pueden ser hacia adelante o hacia atrás – Tienen error de primer orden ϑ(h)
𝒇(𝒙𝒊+𝟏 )−𝒇(𝒙𝒊 )
Hacia adelante 𝒇′ (𝒙𝒊 ) =
𝒉
𝒇(𝒙𝒊 )−𝒇(𝒙𝒊−𝟏 )
Hacia atrás 𝒇′ (𝒙𝒊 ) =
𝒉
- Diferencias finitas centradas – Brinda una mejor aproximación porque tiene menos error ϑ(h^2)
𝒇(𝒙𝒊+𝟏 ) − 𝒇(𝒙𝒊−𝟏 )
𝒇′ (𝒙𝒊 ) =
𝟐𝒉
Es importante aclarar que estas son las diferencias finitas de primer orden – También hay de segundo orden y su
fórmula viene de incluir un término mas de Taylor, pero no las utilizamos al menos en el práctico.

Ejercicios – Resolución

Se brinda una función – tal como 𝒇(𝒙) = 𝟐𝒙 + 𝒙𝟑 y se pide estimar la derivada de primer orden en un punto
determinado de la variable independiente, como puede ser x = 1,7 – Por último, se determina el paso h = 0,5.

Se asume que 𝒙 = 𝒙 𝒊 = 𝟏, 𝟕

mientras que 𝒙 𝒊+𝟏 = 𝒙 𝒊 + 𝒉 = 1,7 + 0,5 = 𝟐, 𝟐 y 𝒙 𝒊−𝟏 = 𝒙 𝒊 − 𝒉 = 1,7 − 0,5 = 𝟏, 𝟐

Ahora solo queda reemplazar con estos valores y la función en las fórmulas que correspondan:

𝒇(𝒙𝒊+𝟏 ) − 𝒇(𝒙𝒊 ) [2 ∗ (2,3) + (2,3)3 ] − [2 ∗ (1,7) + (1,7)3 ]

𝒇′ (𝒙𝒊 ) = = = 𝟏𝟑, 𝟒𝟕
𝒉 0,5

𝒇(𝒙𝒊 ) − 𝒇(𝒙𝒊−𝟏 ) [2 ∗ (1,7) + (1,7)3 ] − [2 ∗ (1,2) + (1,2)3 ]

𝒇′ (𝒙𝒊 ) = = = 𝟖, 𝟑𝟕
𝒉 0,5

𝒇(𝒙𝒊+𝟏 ) − 𝒇(𝒙𝒊−𝟏 ) [2 ∗ (2,3) + (2,3)3 ] − [2 ∗ (1,2) + (1,2)3 ]

𝒇′ (𝒙𝒊 ) = = = 𝟏𝟎, 𝟗𝟐
𝟐𝒉 2 ∗ 0,5

Siendo la derivada verdadera valuada en (1,7) = 10,67 – Vemos que la centrada es la que más se aproxima.

Si disminuimos el paso a la mitad, en las diferencias divididas el error disminuiría en igual proporción –
Mientras que, en el caso de la centrada, el error disminuiría exponencialmente.

Ejemplo → En diferencia dividida hacia adelante el error absoluto es de = |10,67 – 13,47| = 2,8 y si reduzco el paso a
la mitad, el error absoluto será aproximadamente = 1,4 – Siendo clara la relación lineal que existe en el método.

En diferencia dividida centrada el error absoluto es de = |10,67 – 10,92| = 0,25 y si reduzco el paso a la mitad, el error
absoluto será de 0,0625 – Siendo clara la relación de segundo grado que existe en el método.

6
 Problemas de valor inicial – Métodos de Runge Kutta
De una ecuación diferencial ordinaria (EDO) podemos obtener una solución general– que representa una familia de
infinitas funciones que la verifican o que satisfacen la igualdad. Estas funciones difieren entre sí por sus constantes.

Si quiero obtener una solución particular para la ecuación, necesito conocer algún tipo de condición auxiliar.

Si todas las condiciones auxiliares se especifican para un mismo valor de la variable independiente, se dice que se
trata de un problema de valor inicial.

Mientras que, si las condiciones son para distintos valores de la variable independiente, estamos hablando de un
problema de valores de frontera.

También, podemos clasificar los métodos de aproximación según la información que utilicen:

Si para calcular el valor de la función en un punto x i+1, utiliza la información de solamente un punto, se conoce
como método de un paso → Para calcular y i+1 en x i+1, utilizo la información de un solo punto (xi; yi)

Mientras que los métodos que utilizan la información de varios puntos anteriormente calculados se denominan
métodos multipasos.

𝒅𝒚
Veremos aquí, la solución de ecuaciones diferenciales ordinarias de la forma → 𝑦 ′ = 𝒅𝒙 = 𝒇(𝒙; 𝒚)
𝒅𝒚
Si reemplazamos x por xi e y por yi → 𝒚′ = 𝒅𝒙 = 𝒇(𝒙𝒊; 𝒚𝒊) → Esta es la derivada que buscamos

Los métodos de Runge Kutta sirven para estimar el valor de una función en un punto y i+1, a partir de un punto
conocido (xi; yi) - Surgen de truncar la serie de Taylor en un cierto término – Todos son problemas de valor inicial ya
que las condiciones auxiliares son para un mismo valor de la variable independiente (x) y se consideran de un solo paso
ya que utilizan la información de un solo punto.

Todos los métodos de un solo paso tienen la siguiente forma general →

La única diferencia se encuentra en la forma de estimar la pendiente.

Método de Euler → Para estimar el nuevo valor y i+1 utiliza la

pendiente de la recta tangente a la función en el punto inicial del
intervalo como aproximación, es decir, extrapola linealmente - El
error del método consiste en suponer que la derivada se
mantiene igual en todo el intervalo.

Para armar un ejercicio de Euler, debo confeccionar la siguiente tabla → x | y | 𝒇(𝒙𝒊 ; 𝒚𝒊 )

Mi primera fila está dada por la condición inicial -> Cuanto vale “y” para un determinado “x” – Y voy a tener tantas filas
según el paso que tome y el valor de la variable independiente que tenga que alcanzar.

En este método calculamos una sola derivada → f (xi; yi)

7
 𝒅𝒚
Ejemplo: Dada la siguiente ecuación 𝒅𝒙 = 𝟒𝒆𝟎,𝟖𝒙 − 𝟎, 𝟓𝒚 / Siendo y(0) = 2,000 / Determinar numéricamente el valor
de y en x=4, usando un paso de 1 con el método de Euler.

Análisis del error para el método de Euler – Analizamos en profundidad el

error de truncamiento.

- Error de truncamiento local (ETL) → Dado por la aplicación del

método en un solo paso (De x i a x i+1)
- Error de truncamiento propagado (ETP) → Dado por las
aproximaciones hechas en pasos previos (es el error acumulado de
todos los pasos anteriores, por eso la curva se aleja cada vez más)

- Error de truncamiento global (ETG) → Suma de ETL + ETP

A partir de una serie de Taylor podemos obtener Euler y analizar su error con mayor detalle:

Reemplazando y’ o f’ por f (xi; yi)

Truncamos en el segundo término (o término de primer orden) y analizamos el resto:

En cada paso que hago voy a estar cometiendo un error de truncamiento local de orden 2.

Recordamos que ETG tiene en cuenta el error local del último paso y los errores propagados de los pasos anteriores.

El total de pasos para ir de x a x i+1 será inversamente proporcional al tamaño de paso h – A mayor tamaño de paso,
menor cantidad y viceversa → Si tengo un solo paso (h=1), el error global será igual al local – Pero si el tamaño del paso
es mas pequeño, tendré muchos pasos y se empezará a propagar el error, por lo que se pierde el grado 2 y resulta:

El ETG mide que tan bueno es el método de aproximación – Euler es de orden ϑ(h) – Esto significa que, si el paso
aumenta o disminuye, el error aumentará o disminuirá de forma lineal - Mientras mayor sea el orden de error global
de un método, más preciso es, achicando el paso logro mejores aproximaciones.

8
¿Podemos mejorar el método de Euler? Sí
- Achicando el paso
- Agregando más términos de la serie de Taylor
- Cambiando mi forma de predecir

Método de Heun → Es una mejora del método de Euler sin

agregar más términos de Taylor – Consiste en la estimación de
la pendiente en todo el intervalo o paso h como resultado del
promedio entre la pendiente al inicio del intervalo (xi; yi) y la
pendiente al final del mismo (x i+1; y i+1).

Como no conocemos el valor y i+1 lo estimamos con Euler y a

esto lo conocemos como predictor:

Con este valor y las condiciones del enunciado, podemos

estimar la pendiente promedio (ϕ):

Por último, volvemos a extrapolar linealmente para conocer el valor de la función en nuestro punto de interés, lo que
esto es lo que conocemos como corrector:

En este caso, el error de truncamiento local es de 𝜗(ℎ3 ) y es comparable a la inclusión de un término de segundo
orden en la expansión de Taylor – Esto se traduce como un ETG de 𝜗(ℎ2 ), por lo que este método es mejor.

A diferencia de Euler, en este método calculamos dos derivadas → 𝒇(𝒙𝒊 ; 𝒚𝒊 ) y 𝒇(𝒙𝒊+𝟏 ; 𝒚𝟎𝒊+𝟏 ).

Para armar un ejercicio de Heun, debo confeccionar la siguiente tabla → x | y | 𝒇(𝒙𝒊 ; 𝒚𝒊 ) | 𝒚𝟎𝒊+𝟏 | 𝒇(𝒙𝒊+𝟏 ; 𝒚𝟎𝒊+𝟏 ).
𝒅𝒚
Ejemplo: Dada la siguiente ecuación 𝒅𝒙 = 𝟒𝒆𝟎,𝟖𝒙 − 𝟎, 𝟓𝒚 / Siendo y(0) = 2,000 / Determinar numéricamente el valor
de y en x=4, usando un paso de 1 con el método de Heun.
Primero completamos con las condiciones iniciales de Xi e Yi
Valuamos la función en Xi e Yi:
𝑓(𝑥𝑖 ; 𝑦𝑖 ) = 4𝑒 0,8∗0 − 0,5 ∗ 2 = 𝟑
Armamos el predictor con Euler:
0
𝑦𝑖+1 = 𝑦𝑖 + 𝑓(𝑥𝑖 ; 𝑦𝑖 ) ∗ ℎ = 2 + 3 ∗ 1 = 𝟓

Ahora valuamos la función en X i+1 y en el predictor para obtener la pendiente al final del tramo:
0
𝑓(𝑥𝑖+1 ; 𝑦𝑖+1 ) = 4𝑒 0,8∗1 − 0,5 ∗ 5 = 𝟔, 𝟒𝟎𝟐𝟐

Ya conocemos ambas pendientes, por lo que estamos en condiciones de calcular el corrector:

0
𝑓(𝑥𝑖 ; 𝑦𝑖 ) + 𝑓(𝑥𝑖+1 ; 𝑦𝑖+1 ) 3 + 6,4022
𝑦𝑖+1 = 𝑦𝑖 + ∗ℎ =2+ ∗ 1 = 𝟔, 𝟕𝟎𝟏𝟏
𝟐 2

9
Método de Punto medio → Consiste en la estimación de la pendiente en todo el intervalo “h” como resultado del
cálculo de la pendiente en un punto medio que se supone que representa una aproximación válida de la misma.

Queremos obtener 𝒇(𝒙𝒊+𝟏/𝟐 ; 𝒚𝒊+𝟏/𝟐 ) pero no lo conocemos

Por lo cual, utilizamos Euler nuevamente para estimarlo:

𝒉
𝒚𝟎𝒊+𝟏/𝟐 = 𝒚𝒊 + 𝒇(𝒙𝒊 ; 𝒚𝒊 ) ∗
𝟐
Este es el predictor de punto medio.
Recordar que el paso va sobre 2 → Mitad del intervalo

Y de manera similar podemos calcular:

𝒚𝒊+𝟏 = 𝒚𝒊 + 𝒇(𝒙𝒊+𝟏/𝟐 ; 𝒚𝟎𝒊+𝟏/𝟐 ) ∗ 𝒉

Este es el corrector de punto medio.

Es un método similar a Heun, ya que tiene un error de truncamiento local 𝜗(ℎ3 ) y también es comparable con la
inclusión de un término de segundo orden de Taylor, con resto R2 – Por lo tanto, también es de ETG 𝜗(ℎ2 )

También tiene dos derivadas → 𝒇(𝒙𝒊 ; 𝒚𝒊 ) y 𝒇(𝒙𝒊+𝟏/𝟐 ; 𝒚𝟎𝒊+𝟏/𝟐 ).

En un ejercicio de punto medio, armamos la siguiente tabla → x | y | 𝒇(𝒙𝒊 ; 𝒚𝒊 ) | 𝒚𝟎𝒊+𝟏/𝟐 | 𝒇(𝒙𝒊+𝟏/𝟐 ; 𝒚𝟎𝒊+𝟏/𝟐 ).
𝒅𝒚
Ejemplo: Dada la siguiente ecuación 𝒅𝒙 = 𝟒𝒆𝟎,𝟖𝒙 − 𝟎, 𝟓𝒚 / Siendo y(0) = 2,000 / Determinar numéricamente el valor
de y en x=4, usando un paso de 1 con el método de Punto Medio.
Primero completamos con las condiciones iniciales de Xi e Yi
Valuamos la función en Xi e Yi:
𝑓(𝑥𝑖 ; 𝑦𝑖 ) = 4𝑒 0,8∗0 − 0,5 ∗ 2 = 𝟑
Armamos el predictor con Euler:
0 ℎ
𝑦𝑖+1/2 = 𝑦𝑖 + 𝑓(𝑥𝑖 ; 𝑦𝑖 ) ∗ = 2 + 3 ∗ 0,5 = 𝟑, 𝟓
2

Ahora valuamos la función en X i+1/2 y en el predictor para obtener la pendiente a la mitad del tramo:
0
𝑓(𝑥𝑖+1/2 ; 𝑦𝑖+1/2 ) = 4𝑒 0,8∗0,5 − 0,5 ∗ 3,5 = 𝟒, 𝟐𝟏𝟕𝟑

Ya conocemos la pendiente a la mitad del tramo, por lo que estamos en condiciones de calcular el corrector:
0
𝑦𝑖+1 = 𝑦𝑖 + 𝑓(𝑥𝑖+1/2 ; 𝑦𝑖+1/2 ) ∗ ℎ = 2 + 4,2173 ∗ 1 = 𝟔, 𝟐𝟏𝟕𝟑

10
 Integración numérica
𝒂
Es un método numérico para resolver integrales definidas de la forma → 𝑰 = ∫𝒃 𝒇(𝒙) 𝒅𝒙
Donde [a; b] es un intervalo finito.

Recordamos que la integral definida sobre un intervalo, con f(x) > 0, representa el área bajo
la gráfica de f, sobre el eje de las abscisas, limitada por los extremos del intervalo →

Los métodos de Newton-Cotes son un grupo de fórmulas de integración numérica de tipo “interpolatorio”, en las que
se valúa la función en puntos equidistantes para hallar el valor aproximado de la integral, siendo mas preciso el
resultado cuanto mayor sea el número de intervalos en los que se divida la función:
𝒂 𝒂
𝑰 = ∫ 𝒇(𝒙) 𝒅𝒙 ≅ ∫ 𝑷𝒏 (𝒙) 𝒅𝒙
𝒃 𝒃

Se reemplaza a la función por 𝑷𝒏 (𝒙) que es un polinomio de interporlación de grado “n”

A mayor “n” mejor aproximación.

𝑷𝒏 (𝒙) = 𝒂𝒏 𝒙𝒏 + 𝒂𝒏−𝟏 𝒙𝒏−𝟏 + ⋯ + 𝒂𝟏 𝒙 + 𝒂𝟎

Valuada f(x) en los puntos equidistantes, buscamos el polinomio de interpolación P(x) que pase por estos puntos.

El grado del polinomio depende de la cantidad de puntos,

mientras más puntos tengamos mayor será el grado del
mismo, por lo tanto, será mayor la dificultad para encontrarlo.

Por ejemplo, en el caso 1 tenemos solo dos puntos, por lo cual

podemos utilizar una recta para interpolarlos → Grado 1.

En el caso 2 tenemos tres puntos, dos extremos y uno

intermedio, el polinomio será una parábola → Grado 2.

A simple vista notamos que la aproximación en el caso 2 es

mejor que en 1, el polinomio coincide más con la función.

El método se presenta en forma cerrada, cuando conocemos

los datos al inicio y al final de los límites de integración, se
utiliza para integrales definidas (Caso a) – Y también forma
abierta, cuando los límites de integración se extienden mas allá
del intervalo de datos conocidos, se utiliza para integrales
indefinidas o impropias y solución de EDOs (Caso b).

Regla del trapecio → Primera de las fórmulas cerradas de integración – Usa polinomio de integración de 1° grado.

A partir de la ecuación de una recta que pasa por dos puntos, desarrollamos y resulta:
𝒇(𝒂) + 𝒇(𝒃)
𝑰 = (𝒃 − 𝒂) ∗
𝟐
Geométricamente, equivale a aproximar el área del trapecio bajo la recta que une
(a, f(a)) y (b, f(b)), tomando un promedio entre las alturas f(a) y f(b).

11
¿Qué pasa con el error? Es muy grande, ya que estoy estimando con un polinomio de grado 1 y he tirado todos los
términos de grados superiores – Si interpolo con infinitos puntos lograría una aproximación perfecta a la función.

¿Cómo podemos mejorar la aproximación? Dividiendo el intervalo de integración [a; b] en un conjunto de segmentos
y aplicar la regla del trapecio para cada uno de ellos.

Regla del trapecio – Intervalos múltiples → Suponiendo que sobre el intervalo de integración tenemos una serie de
puntos igualmente espaciados (x1, x2, …, xn) – Entonces, el intervalo estará dividido en “n” segmentos de longitud “h”

Es lo mismo que la regla del trapecio, solo que debemos aplicarla a cada uno de los segmentos del intervalo y luego
realizar una sumatoria de los resultados – Para esto es conveniente construir una tabla con los segmentos.

Regla de Simpson 1/3 → Resulta cuando utilizamos un polinomio de segundo grado para aproximarnos a f(x)

Este método necesita de 3 puntos equidistantes (inicial, intermedio y final) por lo que debo dividir al intervalo en 2.
Los puntos inicial y final los conocemos, son los límites de integración, nos resta el intermedio.
𝑏−𝑎
ℎ=
2
𝒙𝟎 = 𝑎 𝒙𝟐 = 𝑏 𝒙𝟏 = 𝑥0 + ℎ = 𝑥2 − ℎ

Regla de Simpson 3/8 → Resulta cuando utilizamos un polinomio de tercer grado para aproximarnos a f(x)

Mismo concepto que el método anterior, pero en este caso necesitamos 4 puntos equidistantes (inicial, dos
intermedios y final), por lo que debemos dividir al intervalo en 3:
𝑏−𝑎
ℎ=
3
𝒙𝟎 = 𝑎 𝒙𝟑 = 𝑏
𝒙𝟏 = 𝑥0 + ℎ = 𝑥2 − ℎ 𝒙𝟐 = 𝑥3 − ℎ = 𝑥1 + ℎ

12
Ejercicio - Ejemplo → Aproximar la siguiente integral por los cuatro métodos que vimos – Resultados en 4 cifras.
𝟏,𝟒
𝒔𝒆𝒏(𝒙𝟐 + 𝟏)
∫ 𝒅𝒙
𝟎,𝟐 𝒙𝟐 + 𝟏

1. Regla del trapecio

0,5341

2. Regla de Simpson 1/3

1,4 − 0,2
ℎ= = 0,6
2
𝒙𝟎 = 0,2 𝒙𝟐 = 1,4 𝒙𝟏 = 0,8

0,6647

3. Regla de Simpson 3/8

1,4 − 0,2
ℎ= = 0,4
3
𝒙𝟎 = 0,2 𝒙𝟑 = 1,4
𝒙𝟏 = 0,6 𝒙𝟐 = 1

0,6617

4. Regla del trapecio compuesta con n=6

1,4 − 0,2
ℎ= = 0,2
6
Construimos la tabla con los segmentos, aplicamos trapecio para cada uno de ellos y luego hacemos sumatoria.

Sumatoria de todos los segmentos → I = 0,6564

13
 Optimización
Unidimensional no restringida

Técnicas utilizadas para encontrar los valores óptimos, es decir

los máximos y mínimos, de una función de una sola variable f(x).

Los valores óptimos, tanto locales como globales, pueden presentarse

en problemas de optimización – A tales casos se les llama
multimodales. Casi siempre nos interesa encontrar los valores
máximo y mínimo absolutos de una función

Vamos a centrarnos en el método de Newton – que es un método abierto que permite encontrar la raíz x de una
función, de manera tal que f(x) = 0:
𝒇′(𝒙𝒊 )
𝒙𝒊+𝟏 = 𝒙𝒊 −
𝒇′′(𝒙𝒊 )

El método trabaja con un valor inicial de la variable independiente (x) y necesita de las dos primeras derivadas de la
función, por lo cual debemos realizarlas analíticamente y luego valuarlas según (x) – Utilizando la fórmula, nos permite
obtener el siguiente valor de la variable 𝒙𝒊+𝟏 .

Sabemos del análisis matemático, que el óptimo o valores extremos de una función se alcanza cuando su derivada
primera f’(x) es igual a 0, entonces, debemos iterar hasta obtener un valor de la variable (x) que anule a la primera
derivada - Una vez allí, tendremos las coordenadas (x; y) de un valor óptimo de la función.

Al trabajar con una cantidad definida de cifras decimales, es probable que por más iteraciones que realicemos, nunca
alcancemos este valor exactamente nulo, por lo cual cuando tengamos un valor similar a cero podemos concluir el
proceso iterativo.

Ahora solo resta definir si es un mínimo o un máximo, y eso podremos calcularlos haciendo las mismas iteraciones con
la derivada segunda f’’(x) – Si valuamos la segunda derivada en el mismo valor de (x), dependiendo del signo del
resultado podremos saber si se trata de un mínimo o un máximo.

Ejercicio – Ejemplo
𝒙𝟐
Con el método de Newton encuentre el máximo de 𝒇(𝒙) = 𝟐 𝒔𝒆𝒏 𝒙 – 𝟏𝟎
con un valor inicial de 𝑥0 = 2,5
Lo primero que debemos hacer, es realizar la primera y segunda derivada de la función:
𝒙 𝟏
𝒇′(𝒙) = 𝟐 𝒄𝒐𝒔 𝒙 – 𝟓
𝒇′′(𝒙) = −𝟐 𝒔𝒆𝒏 𝒙 – 𝟓

Ahora, armamos una tabla con las siguientes columnas → x | f(x) | f’(x) | f’’(x)

Con el valor inicial de x = 2,5 valúo la función y las dos derivadas, obteniendo:

14
Ahora, aplico la fórmula de optimización para obtener el siguiente valor de x:
𝒇′ (𝒙𝒊 ) −2,1023
𝒙𝒊+𝟏 = 𝒙𝒊 − ′′
= 2,5 − = 𝟎, 𝟗𝟗𝟓𝟎
𝒇 (𝒙𝒊 ) −1,3969
De esta manera, iteramos hasta encontrar un
valor de x i+n que anule a la derivada primera:

Para x = 1,4276 tenemos f’(x) ≅ 0 y f’’(x) < 0

Con estos datos podemos confirmar que se trata

de un punto extremo y que es un máximo.

Si valuamos la función original, será f(x) = 1,7757

Entonces, los números en el recuadro rojo representan las coordenadas (x; y) del máximo de la función y son los
resultados que estamos buscando.

Multidimensional no restringida

También existen técnicas para encontrar los valores óptimos de una función de varias variables – Acá nos encontramos
con el método de máxima inclinación → Utiliza el gradiente de la función y se itera hasta anularlo.

15
 Problemas de valor de frontera
Recordamos que una ecuación diferencial ordinaria (EDO) siempre
viene acompañada de condiciones auxiliares – Para ecuaciones de
n-ésimo orden se requieren n condiciones.

Si estas condiciones se especifican para distintos valores de la

variable independiente, estamos hablando de un problema de
valores de frontera – Acá es donde aparecen los dos métodos que
estudiamos en esta unidad.

Ejemplo → Una barra conductora de calor, de longitud “l”, en estado estacionario,

con dos temperaturas fijas T1 y T2 en sus extremos.

La barra no está aislada, por lo que emite calor al ambiente que está a una temperatura Ta – Si pasa suficiente tiempo
en estas condiciones, la temperatura en cada punto de xi de la barra será distinta (habrá un gradiente de temperatura)
y constante (no depende de t) – Podemos modelar esta situación con una EDO de segundo orden:

Donde “k” es el coeficiente de conducción de calor – Vemos que las condiciones auxiliares se dan para distintos valores
de x/la variable independiente → 0 y l.

En general, los problemas matemáticos a resolver pueden plantearse como EDOs de segundo orden, donde:

Método del disparo → Es el primer método que estudiamos, el cual transforma el problema de valores de frontera en
una serie de problemas de valor inicial, que podemos resolver con un método de Taylor o de Runge Kutta.

Lo primero a realizar, es un cambio de variables. Transformamos el PVF en dos problemas de valor inicial, uno para la
variable y – con valor inicial y(a) = m1 y otro para la variable z con valor inicial desconocido, aplicamos lo siguiente:

Si no está hecho, debemos despejar y’’ o z’ de la EDO antes de empezar a operar.

Con el cambio de variables realizado, aplicamos alguno de los métodos de RK y disparamos con un valor de z a elección
e Iteramos hasta cubrir el rango completo solicitado – Repetimos el mismo procedimiento para un segundo valor de z
– Para luego realizar una interpolación entre ambos y obtener así el valor verdadero de z:

Con este último valor, disparamos nuevamente, que nos brindará el valor verdadero de y al final del intervalo.

16
Ejemplo → Dada la función y’’ = xy’ + y se pide calcular los valores de malla con el método del disparo (Se dan las
condiciones iniciales, pero todavía no las vamos a usar).

Generamos la nueva variable z y la igualamos a la derivada primera y’ –

Reemplazamos con esto en la ecuación del enunciado.

Ahora vamos a disparar en un valor a elección → Lo elegimos nosotros o se brinda en el enunciado del ejercicio,
utilizando alguno de los tres métodos de RK que conocemos: Euler, Heun o Punto medio – Dependiendo de esto, serán
las fórmulas y tablas que vamos a utilizar.

Para este caso, utilizamos Euler, aplicamos

sus fórmulas para ambas variables → z e y.

Y reemplazamos aquí también con el cambio de variable que hicimos anteriormente.

Ahora confeccionamos la tabla con las condiciones auxiliares → Rango entre [0,2; 1] siendo y (0,2) =1,26 | y (1) = 5,42.
Y un paso de h = 0,20 – Entonces:

Como es un método de Euler, no vamos a tener mas columnas que las

tres de la imagen (no tenemos predictor ni corrector) – En la primera
fila rellenamos los campos xi e yi con la condición inicial, mientras que
en zi debemos colocar el valor de disparo a elección, para este caso z=1.

Aplicamos Euler para estimar z i+1 y también y i+1 – Siempre teniendo

en cuenta el cambio de variable que hicimos al principio:

En y i+1 recordamos que z = y’

→ z es el valor de disparo.

Mientras que en z i+1 recordamos que z’ = y’’

→ que es igual a la EDO en cuestión.

Reemplazo con los valores que corresponden

a la fila y así obtengo los de la fila siguiente.

De la misma manera itero para las demás filas hasta llegar al último valor del rango – respetando el paso:

Llegamos a la conclusión de que, con un disparo z1 = 1,000 obtenemos un valor y1 = 2,5026

Ahora, realizamos el mismo procedimiento, pero con un disparo de z = 3 (pudiendo elegir cualquier otro valor):

Con un disparo z2 = 3,0000

Obtenemos un valor y2 = 4,3377

Ya obtuvimos los valores de la función al final del intervalo con los

dos valores de disparos, ahora interpolamos:

17
Disparamos por última vez con el z verdadero = 4,1796 – Replicando el mismo procedimiento con Euler:

En el enunciado del ejercicio teníamos que y (1) = 5,42

Usando el valor verdadero del disparo, para ese valor de la
variable independiente deberíamos llegar al mismo resultado.

Verificamos que para xi = 1,00 → yi = 5,4200

Validamos que el ejercicio se resolvió correctamente.

Todos los valores marcados en rojo son los que conocemos

como valores de malla del método.

Hay que tener cuidado al hacer redondeo y utilizar pocas cifras decimales.

Si para el mismo problema, con las mismas condiciones decidiéramos utilizar el método de Heun tendríamos:

El cambio de variable es el mismo,

pero con diferencias a la hora de
estimar los siguientes valores del
intervalo, por lo cual también
tendremos mas columnas en
nuestra tabla.

Tenemos predictor y corrector.

Los realizamos para z e y.

Confeccionamos la tabla con las condiciones iniciales, definimos z=1 y largamos nuevamente:

Memora de cálculo →

Resultando finalmente con z1 = 1,0000 → y1 = 2,8117

18
Independientemente del método de Runge Kutta que utilicemos al disparar, debemos hacerlo con dos valores distintos
de Z para luego poder interpolar, entonces repetimos el proceso con z = 3:

Memora de cálculo →

Resultando finalmente con z2 = 3,0000 → y2 = 4,9347

Ahora interpolamos →

Y volvemos a disparar, pero esta vez con el valor verdadero z = 3,4572

Obtenemos los valores de malla y verificamos que f (1,00) = 5,4200 tal y como indicaba el enunciado.

19
Por último, vamos a replicar la resolución del mismo problema, pero con el método de RK restante, el de Punto medio
Hacemos el mismo cambio de variable, pero ahora estimamos el predictor y corrector con el criterio del método:

Disparamos con z1 = 1 y completamos la tabla:

Memora de cálculo →

Resultando con z1 = 1,0000 → y1 = 2,8065

20
Ahora disparamos con z2 = 3 y obtenemos:

Resultando con z2 = 3,0000 → y2 = 4,9264

Buscamos el z verdadero interpolando:

Finalmente, disparamos con el valor de z verdadero = 3,4657

Obtenemos los valores de malla y verificamos que f (1,00) = 5,4201 tal y como indicaba el enunciado.

RECORDAR

- El orden del método del disparo asume el orden del método que se usa para aproximar.
- Si se usa un método de mayor orden, el resultado será mas preciso.
- Con Euler será de orden h, mientras que con Heun y Punto medio será h^2.
- Si queremos aun mayor precisión, con el mismo método, debemos achicar el paso.

21
Método de diferencias finitas → Es el segundo método que estudiamos, el cual convierte el problema diferencial en
un problema algebraico, pues reemplazan cada una de las derivadas en la ecuación diferencial con un aproximación
de diferencias finitas divididas adecuada al tipo considerado.

La aproximación de diferencias finitas divididas y el paso h se seleccionan para obtener un orden específico de error
de truncamiento – Sin embargo, no se puede elegir el paso h demasiado pequeño debido a la inestabilidad general de
las aproximaciones de la derivada.

Las fórmulas algebraicas que vamos a utilizar para aproximar y’’ e y’ por
diferencias finitas divididas centradas son →

Para la resolución de ejercicios vamos a basarnos en 4 pasos generales a realizar a partir del enunciado.

1. DISCRETIZAR → Asumimos que Δx = h.

2. REEMPLAZAR Y’ e Y’’ EN LA EDO → A partir de las fórmulas de arriba, reemplazamos.
3. TRABAJAR ALGEBRAICAMENTE → Nuestro objetivo es despejar “yi”.

Estrategia → Multiplicar ambos miembros por 2h^2 y distribuirlo con el fin de eliminar los denominadores h^2 y 2h.

¿Qué estamos buscando? Coeficientes para yi, y i+1 e y i-1

Agrupamos términos semejantes y hago factor común, una vez llegado a este punto, despejo yi y obtengo la fórmula
general de la EDO para encontrar cualquier punto de malla.

4. REEMPLAZAR h, xi, y i+1 e y i-1 EN LA FÓRMULA → Así encontramos el punto de interés del ejercicio.

Ejercicio – Ejemplo → Dada la función y’’ = xy’ + y, que modela en el rango [0,2; 1] siendo y (0,2) =1,2600 e
y (1) = 5,4200. Se pide calcular el valor de y = (0,6) por el método de diferencias finitas con un paso de h = 0,4.

Reemplazando por las fórmulas de diferencias finitas:

Trabajamos algebraicamente distribuyendo el xi en el segundo término y multiplico ambos miembros por 2h^2:

Cancelo los denominadores y distribuyo los elementos restantes:

Agrupo los términos semejantes y realizo factor común:

Despejo yi y obtengo la fórmula general:

22
Con esta fórmula ya podemos encontrar cualquier punto de malla, por lo que ahora solo resta reemplazar con los
valores de h, xi, y i+1 e y i-1 según corresponda y calcular:

Nuestro objetivo es saber cuánto vale la función valuada en xi → xi = 0,6

Las condiciones iniciales nos brindan los valores de y i+1 e y i-1 → y i+1 = 5,42 e y i-1 = 1,26
El paso “h” es dato del enunciado → h = 0,4

Con todo esto es suficiente para rellenar la fórmula, obteniendo:

y1 = 2,8614814… ≅ 2,8615

Usar los cálculos con todas las cifras de la calculadora para evitar error – Al final se hace redondeo simétrico.

Podemos verificar con los otros métodos que la función valuada en 0,6 es 2,86.
Resulta evidente la exactitud del método de diferencias finitas, comparable a la de un método de segundo orden.

23
 Ecuaciones diferenciales a derivadas parciales
Dada una función u = f (x; y) se define a la derivada parcial de u respecto a x en un punto arbitrario (x; y) como:

Las derivadas parciales se expresan como cocientes incrementales parciales.

De manera similar, la derivada de u respecto a y se define como:

Una ecuación que tiene derivadas parciales de una función desconocida, de dos o más variables independientes, se
denomina como ecuación diferencial a derivadas parciales → EDP.

El orden o grado de una EDP está dado por la derivada parcial de mayor orden que aparece en la ecuación.

Por su importancia, nuestro estudio se centra en las EDP de segundo orden – Para dos variables independientes, tales
ecuaciones se pueden expresar de la siguiente forma general:

Donde A, B y C son funciones de x e y mientras

que D es una función de x, y, u, δU/δx y δU/δy

En D hemos agrupado el resto

de los términos de la ecuación

En esta forma de expresar la EDP, nos interesa

la relación entre A, B y C – Ya que esto nos
marca en que categoría o figura estamos.

24
 Elípticas

Las ecuaciones elípticas modelan problemas en estado estacionario, es decir, que no dependen del tiempo.
→ No nos vamos a encontrar con nuestra variable derivada respecto al tiempo.

En este caso, se brindan 4 condiciones de frontera → Dos para cada variable independiente

Resumiendo:

Utilizadas para determinar la distribución en estado estacionario de una incógnita en dos dimensiones espaciales.

La diferencia entre Laplace y Poisson es que Laplace supone que no hay pérdidas o fuentes de calor, y Poisson sí.
Esto se representa justamente por la diferencia entre las fórmulas → La función f (x; y)

Respecto a las condiciones auxiliares, tenemos dos posibilidades:

- Si conocemos todas las temperaturas en los bordes o pueden calcularse, es un caso de DIRICHLET.
o Un ejemplo típico es cuando la placa no tiene ningún tipo de aislante.
- SI no conocemos la temperatura en todos los puntos alrededor de la placa, es un caso de NEUMANN.
o Un ejemplo típico es cuando uno de los lados de la placa está aislada.

Procedimiento de resolución → Lo podemos resumir en 6 pasos generales.

1. Realizar un esquema gráfico de la placa, con las posiciones y coordenadas “ij” de cada punto.

En la malla hay puntos sometidos al flujo de calor como otros que no, por lo cual vamos a
generar fórmulas diferentes para los puntos Tij con aislante y los sin aislante.

2. Discretizar con las fórmulas de diferencias finitas – Reemplazamos en la ecuación de Laplace/Poisson con:

Para este caso, siendo la ecuación de Laplace →

25
 3. Agrupamos términos semejantes y operamos – Siempre queremos despejar “T ij”.

Lo que queremos obtener, es una fórmula para calcular cualquier punto en función los demás puntos.
En muchos ejercicios, se toma que Δx = Δy por lo que es posible cancelarlos:

Continuando con el ejemplo anterior → Eliminamos los denominadores.

Fórmula para puntos SIN aislante

En el caso de que tengamos una placa CON aislante el procedimiento suma un paso extra → Debemos analizar las
condiciones de aislación del punto en cuestión – por ejemplo:

Para el punto T 32 no hay flujo de calor en la dirección de x – que es lo mismo que decir “la
derivada es cero o nula” o que “no hay variación de temperatura respecto a x” - debido al
aislante, por lo cual:

Si vemos la fórmula (1) para cualquier punto sin aislante, vemos que para T32 necesitamos de la temperatura de los 4
puntos que se encuentran a su alrededor – T22 (←) y T31 (↓) son conocidos, T33 (↑) se puede calcular, pero el que
sería T42 (→) está bloqueado por el aislante, no lo podemos conocer.

Del análisis del apartado anterior sabemos que 𝑻𝒊+𝟏 𝒋 = 𝑻𝒊−𝟏 𝒋 , por lo cual reemplazamos a 𝑻𝒊+𝟏 𝒋 = 𝑻𝟑𝟑 por su
equivalente en la fórmula y confeccionamos la ecuación:

Así, obtuvimos la fórmula para un punto aislado únicamente en la dirección de x.

De manera análoga, hacemos el análisis para el punto T 33 el cual no tiene flujo de calor en x ni en y:

En este caso, tenemos dos igualdades para reemplazar, por lo que la fórmula
para este punto se va a simplificar aún más:

26
 4. Plantear el sistema de ecuaciones que se obtuvo al aplicar las fórmulas del apartado anterior.

En el último paso obtuvimos las ecuaciones para cada uno de los puntos de interés de la placa.
Ahora debemos juntarlas todas, reemplazar con las temperaturas conocidas y simplificar cálculos:

Tenemos 6 puntos desconocidos en la malla – Por lo cual tendremos 6 ecuaciones.

5. A partir del sistema de ecuaciones resolvemos con el método iterativo de Liebmann:

Debemos armar una tabla que represente a todos los puntos de la placa (respetando sus posiciones) – Colocamos los
valores conocidos tal cual son, y a las incógnitas las colocamos como 0 – También dibujamos el aislante.

Ahora, vamos a definir una secuencia de cálculo para aplicar cada una de las ecuaciones del sistema:

27
Teniendo las ecuaciones, respetando la secuencia de cálculo, arranco:

Recordar que cuando realizo el cálculo de una posición, el valor obtenido debo utilizarlo para los cálculos de las
posiciones siguientes → Ejemplo: Si T 33 = 45, y T 32 contiene a T 33 en su ecuación, debo utilizar este 45 y no 0.

Una vez calculadas todas las ecuaciones del sistema, vuelvo a armar la misma tabla, pero con los valores obtenidos
para cada posición – Paralelamente debo armar la tabla de errores relativos porcentuales para cada posición incógnita:

La primera tabla no lleva error porque no

tenemos valores viejos – Y la segunda
tabla siempre tiene error 100% ya que el
valor anterior era nulo.

El cálculo genuino arranca a partir de

la 2° iteración o 3° tabla armada:

Por ejemplo:

T 33 para 2° iteración

54,3750 − 45,00
(𝜀𝑎 )33 = | | ∗ 100 = 17,24
54,3750

T 34 para 3° iteración

62,3438 − 54,375
(𝜀𝑎 )33 = | | ∗ 100 = 12,78
62,3438

Se debe continuar iterando hasta que el

error en todas las posiciones sea menor
a un % indicado en el enunciado.

28
 Parabólicas

Las ecuaciones parabólicas, a diferencia del caso anterior, pueden modelar problemas en estado no estacionario, es
decir, que varían en el tiempo → Nos vamos a encontrar con nuestra variable derivada respecto al tiempo.

En este caso, se brindan 2 condiciones de frontera para la variable independiente “x”

Y 1 condición inicial para t = 0

Resumiendo:

Un ejemplo típico de una parabólica es la ecuación de conducción de calor en una barra.

La barra suele estar aislada en todo su largo pero sometida a temperatura en alguno de los extremos.

Esta ecuación es válida por un determinado tiempo, ya que eventualmente la barra va a pasar a un estado estacionario
y una vez allí, volvemos a usar la ecuación de Laplace/Poisson.

Ahora, no tenemos dos variables de posición (x; y) como en la Elipse, si no que tenemos una única variable “x” de
posición y entra en juego la variable tiempo “t”- Por lo tanto, las iteraciones se harán en base a estas dos.

Procedimiento de resolución → Es similar al anterior.

1. Confeccionamos una tabla con la posición “x” en las columnas y los tiempos “t” en las filas.
Las “x” siempre arrancan en 0 mientras que “t” arranca en el tiempo que indica la condición inicial.

El enunciado indica hasta que tiempo vamos a estimar – Como también indica los pasos de “x” y “t” – Por ejemplo:

Sea una barra delgada, conductora de calor, aislada en todo su largo (0,5 m) – k = 0,25
Se pide determinar la distribución de temperaturas T en (x; 0,5) – Δx = 0,1 y Δt = 0,1

Como mencionamos, debemos rellenar con la condición inicial y las condiciones de frontera:

- Condición inicial → Se da para un determinado valor del tiempo y está en función de la posición, por lo que
nos permite completar toda la primera fila. Por ejemplo:

Debemos valuarla desde x = 0,0 hasta 0,5

- Condición de frontera → Se da para dos valores de la posición o variable x, normalmente son para los extremos
de la barra – Estas condiciones nos permiten completar la primera y última columna. Por ejemplo:

La barra está sometida en el extremo izquierdo a 120°C mientras que el extremo derecho se encuentra aislado.
Si hay un extremo aislado, este se resuelve con un diferencias finitas divididas.

Con todo lo visto hasta el momento, podemos armar la siguiente tabla:

29
¿Cómo completamos el resto de la tabla? Debemos definir dos ecuaciones, una para los puntos sin aislante y otra para
los que si están aislados:

2. Ahora debemos discretizar las dos derivadas que tenemos en nuestra ecuación y reemplazar.
- Para la derivada segunda 𝜹𝟐 𝑻/𝜹𝒙𝟐 – vinculada a la posición - vamos a utilizar diferencias finitas centradas

Recordamos que tiene un error de segundo orden.

- Para la derivada primera 𝜹𝑻/𝜹𝒕 – vinculada al tiempo - vamos a utilizar diferencias finitas hacia adelante.

Recordamos que tiene un error de primer orden – Peor que el anterior.

¿Por qué utilizamos diferencia hacia adelante y no centrada en este caso? Porque no conocemos lo que ocurrió en un
tiempo anterior al momento en que el fenómeno del modelo comienza – Solo podemos predecir lo que ocurrirá en
un tiempo futuro, sabiendo lo que ocurre en el tiempo actual.

Reemplazando en la ecuación de difusión:

3. Agrupamos términos semejantes, operamos y despejamos:

Queremos despejar T ij+1 – es decir, la temperatura en el tiempo j+1 → Una predicción de T en un tiempo futuro.

El elemento 𝒌 ∗ (𝜟𝒕/𝜟𝒙𝟐 ) lo podemos calcular, ya que son valores conocidos →

Reemplazo y hacemos distributiva con este elemento – Luego opero semejantes.

Obtengo la ecuación para T ij+1 sin aislante

Esta ecuación me sirve para calcular la temperatura en todas las celdas verdes de la tabla, que son los puntos de la
barra que no están afectados por el aislante – Pero en algún momento me voy a topar con un límite.

30
Vemos que la fórmula, parado en una posición de “x” para obtener el valor de la temperatura en un tiempo superior
(en la fila de abajo) debe contar con 3 temperaturas conocidas – T i-1 j ; T ij ; T i+1 j.

(1)

Por ejemplo, si en la tabla queremos calcular el T ij+1 en x = 0,3 y t = 0,2 (celda gris vacía):
- T i+1 j será en x = 0,4 y t = 0,1
- T ij será en x = 0,3 y t = 0,1
- T i-1 j será en x = 0,2 y t = 0,1

→ Necesito de las tres celdas llenas pintadas de gris:

Podemos seguir completando todas las celdas verdes hasta que, en un punto dado, nos encontraremos con alguna
temperatura incógnita que no pueden ser calculadas bajo la misma fórmula → Las posiciones afectadas por el aislante.

Ahora vamos a centrarnos en la frontera del extremo derecho:

Sabemos que, en el punto aislado, la variación de la temperatura respecto

al tiempo es nula, entonces:

A partir de la ecuación (1) y esta deducción – Reemplazamos según los puntos que conozcamos:

Si nos paramos en la tabla e intentamos calcular T ij+1 en x = 0,5 y t = 0,2 necesitamos de las tres celdas grises que
están arriba, donde conocemos T ij (x = 0,5 y t = 0,1) y T i-1 j (x = 0,4 y t = 0,1) -T i+1 j no lo conocemos.

Entonces, a la hora de armar la ecuación

debo reemplazar a T i+1 j por el punto
conocido T i-1 j, resultando →

31
Esta última ecuación nos sirve para calcular todos los puntos de la columna x = 0,5 – Entonces completando para el
primer ejemplo que vimos:

Siendo el resultado final:

Hiperbólicas

Las ecuaciones hiperbólicas también se utilizan para modelar problemas en estado no estacionario, o sea, que varían
en el tiempo, con la diferencia que estos nunca se estabilizan, si no que se mantienen en un estado oscilatorio.

En este caso, se brindan 2 condiciones de frontera para la variable independiente “x”

Y 2 condiciones iniciales para t = 0

Un ejemplo típico de un modelo que se puede cuadrar con una hiperbólica es el de una cuerda vibrante.
La cual se puede representar a través de la ecuación de onda.

Al igual que en las parábolas, tenemos una única variable de posición “x” y la variable tiempo “t”- Por lo tanto, las
iteraciones se harán en base a estas dos.

32
Procedimiento de resolución → Comparte los pasos con los apartados anteriores – Mucha similitud con parabólicas.

1. Confeccionamos una tabla con la posición “x” en las columnas y los tiempos “t” en las filas.
Las “x” siempre arrancan en 0 mientras que “t” arranca en el tiempo que indica la condición inicial.

El enunciado indica hasta que tiempo vamos a estimar – Como también indica los pasos de “x” y “t” – Por ejemplo:

Dada la siguiente ecuación que modela un fenómeno físico ondulatorio:

Con las siguientes condiciones auxiliares:

u(0; t) = 0,5
u(1; t) = -1
u(x; 0) = 0,5 cos(πx) – 0,5 sen(0,5 πx)

Siendo – Δx = 0,2 y Δt = 0,5

Se pide:
1. Obtenga mediante discretización por diferencias finitas, las fórmulas de cálculo.
2. Construya la tabla que usará para el calculo indicando condiciones de frontera e inicial.
3. Calcula u(x; 2) utilizando 6 cifras decimales.

Podemos partir con la discretización o también con la tabla, es indistinto pero ambos pasos son necesarios.
Armamos la tabla con la condición inicial y las condiciones de frontera:

- Condición inicial → Se da para un determinado valor del tiempo y está en función de la posición, por lo que
nos permite completar toda la primera fila. En este caso es:

u(x; 0) = 0,5 cos(πx) – 0,5 sen(0,5 πx)

Debemos valuarla desde x = 0 hasta x = 1 con un paso de 0,2
Estos límites de “x” los obtenemos a partir de las condiciones de frontera.

- Condición de frontera → Se da para dos valores de la posición o variable x, normalmente son para los extremos
de la barra – Estas condiciones nos permiten completar la primera y última columna. En este caso:

u(0; t) = 0,5 y u(1; t) = -1

Esto indica que nuestra función – para todos los tiempos en la posición x = 0 – vale 0,5.
De la misma manera – para todos los tiempos en la posición x = 1 – vale -1.

Con esto llenamos la primer y última columna de la tabla, entonces armamos:

Importante – Verificar que la calculadora esté en radianes o no según corresponda.

33
Para empezar a completar las celdas vacías, obtenemos las fórmulas de cálculo a partir de la discretización:
Para este caso, utilizamos siempre diferencias finitas centradas:

Sustituyendo en la ecuación de onda del enunciado:

Llamamos “λ” al coeficiente del segundo miembro, es decir:

Reemplazando en la fórmula anterior, nos queda:

Recordamos que el método numérico buscará la fórmula para la iteración u ij+1, es decir, para el valor de la función en
la misma posición “i” pero un tiempo siguiente “j+1” – Despejando y operando:

Si analizamos los términos que tenemos en los recuadros, vemos que

representan los 4 extremos alrededor de una posición u ij →

Haciendo factor común λ:

Ecuación válida para calcular a partir de la tercer fila de la tabla

¿Por qué sirve a partir de la tercera fila?

Si yo quiero calcular un valor u ij+1 de la segunda fila, el u ij será de la primera – u i+1 j y u i-1 j son conocidos, ya que
son parte de la condición inicial, y ¿u ij-1? No lo conocemos ni lo podemos conocer – Por lo que debemos valernos de
otra ecuación que no utilice este elemento.

34
Entonces, para resolver la primera iteración y conocer todos los elementos de la segunda fila, necesitaremos la
condición inicial diferencial:

Discretizamos con diferencias finitas centradas nuevamente, para luego despejar el valor buscado u ij-1:

Conocido este valor, volvemos a la ecuación (1) y reemplazamos:

Ecuación válida para calcular la segunda fila de la tabla – Donde no tengo u ij-1

Entonces, una vez conocidas ambas fórmulas, estamos en condiciones de empezar a iterar siguiendo la distribución
del esquema:

Por ejemplo, para la primera iteración (u ij = 0,25) – utilizando la ecuación (2) sería:

Aplicamos la misma fórmula hasta completar toda la segunda fila, ob

35
Una vez en la tercer fila, aplicamos la ecuación (1) de la siguiente manera:

Seleccionando un u ij = 0,406443 vemos en el esquema cuales serían las

celdas o valores a tener en cuenta para el cálculo →

Aplicamos la fórmula:

De la misma manera que en el caso anterior, nos corresponde realizar todas las iteraciones necesarias hasta completar
la tabla, obteniendo el resultado final:

Los números en rojo fueron calculados con la ecuación (2) mientras que los azules con la ecuación (1).

Conceptos importantes

Convergencia → Un método iterativo es convergente si, al aplicar sucesivas iteraciones, las soluciones generadas por
el método se acercan progresivamente a la solución exacta del problema – También puede expresarse en función de
los pasos Δx o Δt, ya que si estos tienden a cero, los resultados de la técnica se aproximarán a la solución verdadera.

Estabilidad → La estabilidad de un método iterativo se refiere a su comportamiento frente a pequeñas perturbaciones

en los datos o en los resultados intermedios – Un método estable garantiza que errores pequeños (como puede ocurrir
en un redondeo) no crezcan descontroladamente en cada iteración – No se amplifican si no que se atenúan.

En resumen, la convergencia asegura que el método se acerque a la solución exacta, mientras que la estabilidad
controla que los errores no crezcan en el proceso iterativo.

En el caso de parabólicas – Podemos demostrar que el método es convergente y estable si:

En el caso de hiperbólicas - A partir del valor de “λ” podemos deducir las características de nuestro modelo:
Si λ es menor o igual que 1, podemos afirmar que el modelo es convergente y estable.

36
 Serie de Fourier
Ya vimos que podemos aproximar funciones a partir de un desarrollo en serie de potencias de acuerdo a la fórmula de
Taylor o de Mc Laurin – Para poder aproximar una función f(x) definida en el entorno de un punto “a” interior a su
dominio, se requiere dicha función que tenga ciertas características:
- Debe ser continua y diferenciable en a al menos hasta orden n si quiero una aproximación de orden n.
- Debe ser “suave”, dicho de otra manera, no presentar picos, vértices o saltos bruscos (discontinuidades).

¿Qué pasa si tenemos una función discontinua o que es diferenciable solo a trozos?

Para estos casos, no es posible realizar una

aproximación por serie de potencias en
todos los puntos de su dominio, ya que son
funciones discontinuas o con cambios
abruptos.

Sin embargo, tienen una característica en

común, y se trata de que todas son funciones
periódicas.

Sobre funciones periódicas y continuas a

trozos podemos aplicar desarrollos en series
de senos y cosenos, mas bien conocidos
como Series trigonométricas de Fourier.

Como aplicación, estas series son de importante uso en la resolución de problemas de valores de frontera, donde
intervienen ecuaciones diferenciales ordinarias como también ecuaciones diferenciales a derivadas parciales.

Muchas funciones periódicas discontinuas pueden desarrollarse en series de Fourier, pero no tienen representaciones
en series de Taylor.

Conceptos importantes

Diremos que una función f(t) es periódica de período T

– Con T > 0, si:

f(t) = f(t + T)
Una función es periódica cuando obtenemos el mismo
valor de la función en un punto “t” y en un punto “t + T”.

A raíz de esto, vamos a mencionar algunas propiedades:

- Si f(t) y g(t) son funciones periódicas de período T, la suma lineal de ambas h(t) = a f(t) + b g(t) también será
periódica y de período T.
- Para cualquier n entero, se tiene que f(t) = f (t + nT) → Podemos sumar múltiplos del período T y seguimos
obteniendo el mismo resultado.

Recordamos que una función y = A sen (ωt + φ) es una función armónica, donde:
- A es su amplitud
o Nos indica que tanto se abre o aleja la función respecto al eje X.
- ω es su frecuencia y está dada por el cociente 𝜔 = 2𝜋/𝑇
o 2π es el período de la función seno y T el período de la función.
o Nos indica cada cuanto se repite el ciclo de la función.
- φ es el ángulo de fase
o Es el desplazamiento horizontal que puede tener la función.

37
A continuación, vemos varias funciones seno con diferentes amplitudes, frecuencia y fase:

Ahora, se plantea el problema de que queremos representar funciones de período T = 2π en términos de funciones
más simples del mismo período – Un conjunto infinito de funciones simples, tal como el siguiente:

Todas las funciones que vemos de argumento “t” tienen período 2π.
Una función constante como lo es “1” también se puede considerar que tiene período 2π.

Este conjunto es un sistema o base ortogonal en el intervalo [-π; π] y en consecuencia en todo intervalo de longitud 2π.
Esto implica que podríamos escribir cualquier función de período 2π como una combinación lineal de este conjunto.

Antes de continuar, hay que tener presente las siguientes condiciones:

Si yo hago la integral entre π y – π , del producto entre dos funciones cualquiera de este conjunto, podemos obtener
alguna de las siguientes situaciones:

1. Si el producto es entre funciones de distinto argumento (Seno con coseno, constante

con seno, constante con coseno), todas las integrales dan como resultado 0.

2. Si el producto es entre funciones con el mismo argumento (Seno con seno o coseno
con coseno), todas las integrales dan alguno de los siguientes resultados:

Obtendremos π solo en caso de que multipliquemos una función por sí misma.

Volviendo al sistema ortogonal – como dijimos – podemos escribir cualquier función de período 2π como una combinación
lineal de cada uno de los elementos de este conjunto, entonces surge la siguiente expresión:

Los 𝒎𝒊 serán constantes reales y serán los coeficientes de la serie.

38
Ahora, si llamamos:
𝑎0
- al coeficiente 𝑚0
2
- 𝑎𝑛 a los coeficientes que multiplican a las funciones cos (nt).
- 𝑏𝑛 a los coeficientes que multiplican a las funciones sen (nt).

Podemos reescribir la combinación lineal del sistema trigonométrica anterior de una forma más simple:

Lo que nosotros queremos es determinar justamente los coeficientes 𝒂𝟎 , 𝒂𝒏 y 𝒃𝒏 para lo cual:

1. Para calcular 𝒂𝟎 integramos ambos miembros de la ecuación entre -π y π:

Sabemos que la integral de una suma es igual a la suma de las integrales, por lo tanto, podemos distribuir la integral
en los tres términos principales – sacando las constantes afuera resulta:

Nos centramos de forma independiente en las tres integrales señaladas con círculos – las cuales las podemos resolver
de forma directa o aplicando las condiciones que vimos en el apartado anterior:

a. La integral de dt entre -π y π se calcula directamente con Barrow y no es mas que 2π.

b. En la segunda integral podemos expresar el argumento como 1 * cos(nt) dt – Lo cual sabemos que es 0.
c. En la tercer integral podemos expresar el argumento como 1 * sen(nt) dt – Lo cual también es 0.

Recordamos que todo esto ocurre exclusivamente porque estamos en el intervalo [-π; π]

De esta manera, todos los términos multiplicados por 0 se anulan, resultando 0 toda la sumatoria interna.

Despejando obtenemos la expresión buscada para 𝒂𝟎 :

2. Para determinar los 𝒂𝒏 - previo a integrar ambos miembros, los multiplicamos por cos (mt):

39
Distribuyo los cosenos y vuelvo a aplicar la integral de una suma es igual a la suma de las integrales:

Además de hacer la distributiva, sacamos las constantes por fuera de las integrales

Nuevamente, nos centramos de forma independiente en las tres integrales señaladas con círculos – las cuales las
podemos resolver de forma directa o aplicando las condiciones que vimos en el apartado de condiciones:

a. En la primer integral podemos expresar el argumento como 1 * cos(mt) dt – Lo cual sabemos que es 0
b. En la segunda integral tenemos un producto entre cosenos de distinto argumento.
• Si m = n → El resultado es π
• Si m ≠ n → El resultado es 0
c. En la tercer integral tenemos un producto entre coseno y seno – Lo cual también es 0.

Es importante recordar que todo esto es válido solo porque estamos integrando en el sistema ortogonal [-π; π].

Asumimos que m = n por lo tanto debemos hacer los reemplazos adecuados, resultando entonces:

Obtenemos la expresión para los coeficientes 𝒂𝒏 de la serie.

3. Por último, para determinar los 𝒃𝒏 - previo a integrar ambos miembros, los multiplicamos por sen (mt):

Obtenemos la expresión para los coeficientes 𝒃𝒏 de la serie.

40
Resumiendo todo lo que vimos hasta recién, tenemos la conocida Serie trigonométrica de Fourier –
que nos sirve para expresar una función de período 2π a partir de una combinación lineal de senos y cosenos.

Con su fórmula general

Y sus coeficientes

Ahora, lo que queremos es aplicar la serie de Fourier pero para una función f(t) de período genérico T, para lo cual
deberemos realizar un cambio de variable, entonces hacemos:
𝒕 𝑻 𝑻
= Despejando → 𝒕= 𝒙
𝒙 𝟐𝝅 𝟐𝝅
Reemplazando en el argumento de la función:

Ahora en vez de estar en función de “t”- Estamos en función de “x”.

Por lo que podemos reescribir a f(t) como g(x)

Lo que queremos demostrar es que g(x) es una función periódica y de período 2π.

Demostración → Si al argumento de la función (x) le sumamos 2π, vemos que naturalmente se cancela y así cumplimos
con la verificación de periodicidad de una función.

Como la función f(t) era periódica de período “T” – Si le sumamos un período “T” a la función, es como no sumarle
nada – Por lo que vuelvo a la situación inicial y se demuestra nuestro planteo.

De esta forma, g(x) tiene una representación en series de Fourier:

𝟐𝝅
Donde 𝝎𝟎 = → Es lo que conocemos como frecuencia fundamental de la serie.
𝑻

41
Entonces, cuando nuestra función es de período 2π – Escribimos la serie trigonométrica de Fourier y todos sus
coeficientes como lo indica el apartado de la izquierda.

Cuando nuestra función es de un período determinado T, debemos realizar el cambio de variable y adaptar todas las
ecuaciones presentes.

En la expresión general de la serie, lo único que cambia entre un caso y el otro, es la incorporación en la fórmula de la
frecuencia fundamental ω0.

Para los coeficientes, no olvidar que los límites de integración siempre corresponden a las mitades positiva y negativa
del período – En el caso de T serán T/2 y –T/2 - Y la constante 1/π se corresponde a 2/T.

Toda función f(t) que cumple con las Condiciones de Dirichlet:

1. Es periódica de periodo T.
2. Es continua a trozos en [-T/2 , T/2] → No hace falta que sea continua en su totalidad.
3. Está acotada en [-T/2 , T/2] → Que alcanza sus valores máximo y mínimos en este rango (no se va a infinito).
Se puede desarrollar en una serie trigonométrica de Fourier tal que en cualquier punto t en el intervalo [-T/2 , T/2]
resulta de las fórmulas que vimos en el apartado anterior.

La serie de Fourier es convergente y converge a:

- A un punto como t0 si f(t0) cae en un punto de continuidad de la función.

𝑓(𝑡1− )+𝑓(𝑡1+ )
- A un punto promedio t1 dado por 2
– Ya que estamos en un punto
de discontinuidad.

42
Serie de Fourier para funciones pares o impares

Cuando se trata de funciones pares o impares, la expresión y el cálculo de los coeficientes de la serie se simplifican
significativamente.

Recordemos algunas propiedades:

1. Las gráficas de las funciones pares son simétricas respecto al eje de las ordenadas.
2. Las gráficas impares son simétricas respecto al origen.
3. La suma de dos o más funciones pares es otra par.
4. La suma de dos o más funciones impares es otra impar.
5. El producto de dos funciones pares o impares es otra función par.
6. El producto de una función par y una impar, es otra función impar.

Si f(x) es una función par, resulta f(-x) = f(x), entonces:

Si yo integro entre -a y a con una función par, el resultado va a ser dos veces la integral entre 0 y a.

Por otro lado, si f(x) es una función impar, resulta f(-x) = - f(x), entonces:

Si yo integro entre -a y a con una función impar, el resultado va a ser cero.

43
Entonces, aplicando los desarrollos que vimos recién a los cálculos de coeficientes de Fourier:

Suponiendo que estamos trabajando con una función f(t) periódica PAR de período T:

En el caso de a0 tenemos una integral con f(t) como único argumento, entre -T/2 hasta T/2 - Por ser una
función par sabemos que es lo mismo que 2 veces la integral desde 0 hasta T/2. Reemplazamos los límites de
la integral y duplicamos.

Para an la situación es similar, pero esta vez tenemos un

producto de funciones en el argumento, siendo f(t) par y
cos(nω0t) también par, lo que nos da como resultado otra
función par → Aplica la misma regla, modificamos los
límites de la integral y duplicamos.

Nos queda bn - donde también tenemos un producto de

funciones dentro de la integral → f(t) par * sen(nω0t) impar.
Tendremos una función impar de resultado, y según las
propiedades que vimos, esta integral se anula.

Resumiendo, cuando trabajamos con funciones pares – se

anulan los coeficientes bn y se simplifican los a0 y an

Suponiendo que estamos trabajando con una función f(t) periódica IMPAR de período T:

El razonamiento es el mismo, para a0 al tratarse de una única

función f(t) que es impar, su integral se anula.

Para an ocurre lo mismo, esta vez tenemos un producto entre

una función f(t) impar y una función cos(nω0t) par, lo que
resulta en otra impar – La integral también se anula.

Lo último es el caso del coefciente bn – Tenemos un producto

de una función f(t) impar junto a un sen(nω0t) también impar,
aplicando la regla terminamos con un argumento par.
Entonces, modificamos los límites de la integral y duplicamos.

Resumiendo, cuando trabajamos con funciones impares – se

anulan los coeficientes a0 y an y se simplifican los bn

44
Ahora vamos a ver un ejemplo práctico:

Si calculamos la frecuencia fundamental ω0 vemos que al dividir 2π/T que es también 2π – Resulta 1 – Por lo
tanto, aplicaremos Fourier común sin alteraciones por el período.

Para simplificar expresiones, a la variable del eje de las abscisas lo llamamos “ωt” en vez de “t”.
Muchas veces nos dan la función en cuestión, en otras ocasiones debemos deducirlas con cálculo, en este
caso resulta:

Como es una función impar, solamente sobreviven los coeficientes bn – entonces:

Sacamos todas las constantes por fuera de la integral, resolvemos según el método de integrales que resulte
mas sencillo, y al tratarse de una integral definida debemos aplicar Barrow y resolver.

Es importante no confundir ω0 (frecuencia fundamental) con

ωt (nuestra forma de nombrar a la variable independiente).

45
Ahora entramos en la parte mas delicada, que implica un análisis de los resultados:

Sabemos que nuestra función está representada sumatoria de coeficientes desde n=1 hasta infinito, por lo tanto, “n”
va a variar a lo largo de la sumatoria, y según cuanto valga “n”, tendremos resultados distintos para el coeficiente.

En el caso de n=1:
20 20
𝑏1 = − 2
[𝜋 cos(1 ∗ 𝜋) − 0 cos(1 ∗ 0)] = − [(−𝜋) − 0]
1∗𝜋 1 ∗ 𝜋2
Vemos que siendo n=1, nuestras funciones trigonométricas toman determinados valores, en este caso nos queda un
coseno de π que es igual a (-1), esto brinda un resultado:
20
𝑏1 =
𝜋
Ahora, si hacemos lo mismo para n=2:
20 20
𝑏2 = − [𝜋 cos(2 ∗ 𝜋) − 0 cos(2 ∗ 0)] = − [(𝜋) − 0]
2 ∗ 𝜋2 2 ∗ 𝜋2
Ahora tenemos un coseno de 2π – Lo que es igual a (1).
10
𝑏2 = −
𝜋
Vemos que el resultado cambia significativamente entre n=1 y n=2 – Para valores de “n” impares tendremos un
resultado y para valores pares, otro - Por lo cual, hay que desarrollar una fórmula que pueda abarcar todos los
resultados según cuanto sea el “n” que elijamos, así construimos la expresión final que abarque todas las condiciones:

Tenemos el valor del único coeficiente que tiene nuestra serie de Fourier, entonces podemos escribir algunos términos:

Al igual que en Taylor, agregamos una “n” cantidad de términos – En rojo tenemos remarcado el impacto de n según
vamos avanzando en la secuencia – Vemos cómo cambian los signos según avanzamos.

46
El primer elemento es lo que conocemos como el armónico fundamental de la serie, ya que es el que tiene a la
frecuencia fundamental pura (ω0 = 1)– Todos los que vienen adelante son los demás armónicos.

Recordando: y = A sen (ωt + φ) es una función armónica, donde:

- A es su amplitud
- ω es su frecuencia y está dada por el cociente 𝜔 = 2𝜋/𝑇
- φ es el ángulo de fase

A partir de los resultados podemos hacer dos tipos de gráficos:

Espectro de líneas → Es la representación gráfica de las

amplitudes de los distintos armónicos de la serie.

Sirve como indicador de la rapidez con la que converge la serie.

- Para funciones sin discontinuidades (suaves) las líneas

decrecen rápidamente, tienden a anularse con pocos
términos de la serie y logro una muy buena aproximación.
- Para funciones con discontinuidades (por ejemplo,
dientes de sierra) las líneas decrecen lentamente,
necesito de muchos términos para representar bien.

Vemos como arranca con la amplitud del primer armónica (20/π) y va bajando progresivamente (10/π) – (20/3π) - …

Síntesis de onda → Es la reconstrucción de la función de onda

a partir de los primeros términos de la serie.

Podemos ver que la serie representa realmente una función

periódica, construyendo la tabla correspondiente y volcando
dichos valores en un gráfico.

Fourier – Exponenciales imaginarias

47
Aplicando las fórmulas de arriba y reemplazando en el seno y coseno – desarrollamos.

Ahora, definimos el nuevo coeficiente Cn y sus ecuaciones según “n”:

Transformada de Fourier

48
Ejemplo práctico II

Se pide desarrollar en serie de Fourier la onda representada en la figura:

A simple vista podemos deducir:

- Evidentemente es una función periódica → Se repite cada un período T = π.

- Es continua a trozos y está acotada en [-π/2 , π/2] → Cumple las condiciones de Dirichlet.
- La función es impar, ya que es simétrica según el origen de coordenadas → f(ωt) = - f(-ωt)

La función queda definida según las siguiente ecuaciones:

Resolvemos:

Sabemos que al tratarse de una función impar, los coeficientes a0 y an serán anulados, solo nos queda bn, entonces la
serie queda expresada de la siguiente manera:

En este caso, al trabajar con un período distinto a 2π, deberemos calcular e incluir en los cálculos a la frecuencia ω0.
2π 2π
𝜔0 = = =𝟐
𝑇 𝜋
Aplicamos las fórmulas para calcular los coeficientes:

Al estar trabajando entre 0 y π/2 → Sabemos que f(ωt) = 5 (positivo).

49
Entonces:

Una vez escritos los términos, podemos plasmar las amplitudes de cada armónico en el espectro de líneas.

50