Informe Parte II

UNIVERSIDAD NACIONAL DE
JAN
MTODOS
NUMRICOS
AYALA NAVARRO R .DANIEL
BRAVO MONTEZA IRWING
CARRASCO LOPEZ KATERINE
PREZ URIARTE JOSE
SOBERON SANCHEZ JORGE
YAJAHUANCA GAITAN JHON
UNIVERSIDAD NACIONAL DE JAN

FACULTAD DE INGENERIA CIVIL
CONTENIDO
CAPTULO 1.......................................................................................................
SOLUCIN DE ECUACIONES LINEALES..............................................................
1.2.
CONCEPTOS PRELIMINARES................................................................
1.2.2.
MATRIZ...........................................................................................
1.2.3.
TIPOS DE MATRICES......................................................................
1.2.4.
OPERACIONES CON MATRICES......................................................
1.3.
MTODOS DE SOLUCIN......................................................................
1.2.4. MTODOS DE SOLUCIN DE SISTEMAS PEQUEOS DE

ECUACIONES..............................................................................................
1.2.5.
ELIMINACIN DE GAUSS JORDAN..............................................10
1.2.6.
ALGORITMO DEL MTODO DE GAUSS JORDAN............................13
CAPITULO 2..................................................................................................... 18
2.1.
AJUSTE DE CURVAS........................................................................... 18
2.2.
REGRESION LINEAL............................................................................19
2.3.
algoritmo de regresion lineal...................................................................21
2.4.
EJEMPLO: Ajuste a un modelo de regresin lineal.....................................22
2.5.
PROGRAMACIN EN MAPLE:..............................................................22
2.6.
REGRESION POTENCIAL.....................................................................23
2.7.
REGRESIN NO LINEAL......................................................................25
METODOS NUMRICOS

CAPTULO 1
SOLUCIN DE ECUACIONES LINEALES
1.2.
CONCEPTOS PRELIMINARES
1.2.2. MATRIZ
Una matriz es un arreglo rectangular de nmeros reales ordenados en
filas y columnas. Las matrices se denotan con letras maysculas, tales como
A, B, C,..etc; y
aij
representa un elemento individual de la matriz.
El primer subndice i siempre designa el nmero de la fila en el cual est

el elemento y el segundo subndice j designa la columna.
Columnas
Filas
a11 a12 a13 a1 m

[ A ] = a21 a22 a23 a2 m
an an 2 an 3 a nm
La matriz presentada tiene n renglones y m columnas, y se dice que

tiene una dimensin de n por m (o n x m). sta se conoce como una matriz n
por m.
Matrices con dimensin columna m=1, como
[]
b1
[ B ]= b 2
bm
Matrices con dimensin rengln n=1, como
[ C ] =[ c 1 c 2 c n ]
Son llamados vectores rengln
METODOS NUMRICOS

1.2.3.2.
Diagonal principal de una matriz

A n= [ aij ]
Dada la matriz cuadrada
se llama DIAGONAL PRINCIPAL al
conjunto.
D(
a11 , a22 , a33 , . a nn
).
EJEMPLO:
5
3 7 5
2 4
6 2
A4=
9 5 3 4
3
6
2 2
D (5, 4, 3,2) Es la diagonal principal de
A4
1.2.3.3. Traza de una matriz

Sea una matriz cuadrada A de orden n, se define la traza de la matriz A y
se denota por Tr(A) al valor obtenido al sumar todos los elementos de la
diagonal principal.
EJEMPLO
De la matriz anterior se tiene que la diagonal principal es (5,4, 3,2), entonces la
traza seria:
Tr ( A 4 ) =5+4 +3+2
1.2.3.4.
Tr ( A 4 ) =14
Rango de una matriz
Es el nmero mximo de columnas (filas respectivamente) que

son linealmente independientes. El rango fila y el rango columna siempre son
iguales: este nmero es llamado simplemente rango de A. Comnmente se
expresa como rg(A).
El nmero de columnas independientes de una matriz A m por n es igual
a la dimensin del espacio columna de A. Tambin la dimensin del espacio
METODOS NUMRICOS

fila determina el rango. El rango de A ser, por tanto, mayor o igual que uno y
menor o igual que el mnimo entre m y n.
1.2.3.5.
Teorema de Rouch Frobenius
El teorema de Rouch- Frobenius nos permite calcular el nmero de

soluciones de un sistema de ecuaciones lineales, en funcin del rango de la
matriz de coeficientes y el rango de la matriz ampliada o aumentada asociada
al sistema.
a33 x 3+
a11 x 1+ a12 x 1 + a13 x 3 + a 21 x1 + a 22 x 2+ a23 x 3 + a31 x 1 +

a x +
am 1 x 1+ 32 2 a m 2 x 2+
am 3 x 3 + . f
Puede ser escrito mediante una matriz.
a11 a12 a13 a1 n b 1

a21 a22 a23 a 2 n b 2
( A/ B)= a31 a32 a33
a 2 n b3
a m 1 am 2 am 3
amn bm
a11 a1 n
A=
am 1 amn
[]
b1
B=
bm
En conclusin:
Existen soluciones para el sistema si y solo si el rango de la matriz completa es
igual al rango de la matriz incompleta.
Entonces, si existen soluciones, ests forman un sub-espacio afn de
dimensiones
nrg(A ) . Adems.
METODOS NUMRICOS
de

i.
Si rg( A/ B)=n=rg(B)
entonces la solucin es nica.
ii.
Si rg( A/ B)=rg(B)< n
, existen infinitas soluciones.
iii.
Si rg( A/ B) rg( B) no existen soluciones.
1.2.3. TIPOS DE MATRICES

1.2.4.2.
Matriz diagonal
Una matriz diagonal es aquella en la que todos los elementos son cero
excepto los de la diagonal principal.
a11 0
0
[ A ] = 0 a22 0
0
0 a33
1.2.4.3.
Matriz identidad
Es una matriz diagonal donde todos los elementos sobre la diagonal

principal son iguales a 1
[ I ]= 1
1 1
]
[I ]
El smbolo
se utiliza para denotar la matriz identidad. La matriz
identidad tiene propiedades similares a la unidad.

1.2.4.4.
Matriz triangular superior
Es aquella donde todos los elementos por debajo de la diagonal

principal son cero.
a11 a12 a13

[ A ] = 0 a22 a23
0 0 a33
METODOS NUMRICOS

1.2.4.5.
Matriz triangular inferior
Es aquella donde todos los elementos por arriba de la diagonal principal

son cero
a11 0 0
[ A ] = a21 a22 0
a31 a32 a 33
1.2.4.6.
Matriz bandeada
Tiene todos los elementos iguales a cero, con la excepcin de una

banda centrada sobre la diagonal principal.
Por consiguiente, el siguiente
arreglo matricial es una matriz tridiagonal tambin llamada matriz bandeada,

en este caso con tres bandas.
1.2.4.7.
Matriz aumentada
Resulta cuando a la matriz original se le agrega una o ms columnas,

por ejemplo, la siguiente matriz es aumentada.
a11 a12 a 13 . b 1
[ A ] = a21 a22 a 23 . b 2
a31 a32 a 33 . b 3
1.2.4. OPERACIONES CON MATRICES

1.2.4.1.
Suma y resta con matrices
La suma y resta de matrices se puede llevar a cabo, si y solo si, las

matrices a sumar o restar tienen la misma dimensin.
Es decir, [ A ] =[ B ] sia ij =bij
METODOS NUMRICOS
para todo i y j.

La suma de dos matrices, por ejemplo, [ A ] y [ B ]
se obtiene al sumar
los trminos correspondientes de cada matriz. Los elementos de la matriz

resultante [C] son:
c ij =aij +bij
La resta de dos matrices, por ejemplo,
[ D ] y [ E ] se obtienen al restar
los trminos correspondientes de cada matriz. Los elementos de la matriz

resultante [F] son:
f ij =d ij +e ij
1.2.4.2.
Multiplicacin con matrices
[C]
La multiplicacin de una matriz

multiplicando cada elemento de
[ D ] =g [ A ] =
ga11
g a21
[C]
por un escalar g se obtiene
por el escalar g, as que,
g a12 g a1 m
ga22 g a 2 m

g an 1 g a n 2 g anm
El producto de dos matrices se simboliza como
[ C ] = [ A ][ B ] y se define
c ij = aik b jk
k=1
Donde
es la dimensin columna de [A] y de los renglones de [B].
Es decir, el elemento
c ij
se obtiene al sumar el producto de elementos
individuales del i-simo rengln de la primera matriz, en este caso [A], por la jsima columna de la segunda matriz [B].
METODOS NUMRICOS

En otras palabras, el nmero de columnas de la primer matriz, debe ser

igual al nmero de renglones de la segunda matriz, de otra manera no puede
efectuarse la multiplicacin matricial.
1.2.4.3.
Divisin de una matriz
Aunque la multiplicacin es posible, la divisin de matrices no est

definida. No obstante, si una matriz [A] es cuadrada y no singular, existe otra
matriz [A]-1, llamada la inversa de [A], para la cual
[A][A]-1 = A]-1 [A] = [I]
La multiplicacin de una matriz por la inversa es anloga a la divisin,
en el sentido de que un nmero dividido por s mismo es igual a 1. Es decir, la
multiplicacin de una matriz por su inversa nos lleva a la matriz identidad.
1.3.
MTODOS DE SOLUCIN
En esta seccin se analizarn las ecuaciones algebraicas linales
simultneas que en general se representan como:

a11 x 1
+
a12 x 2
+
+ a1 n x n b1
a21 x 1
+
a22 x 2
+ + a2 n xn b2
a n1 x 1
an 2 x2 +
+ a nm x n bm
][ ] [ ]
a 11 a12 a1 n x 1
b1
a 21 a22 a2 m x 2
b
= 2

bm
an 1 a n2 a nm x n
TRMINO
MATRIZ DE COEFICIENTESVECTOR VARIABLE
METODOS NUMRICOS
INDEPENDIENTE

Y se resolver usando el Mtodo de Gauss-Jordn, uno de los ms

antiguos para resolver ecuaciones lineales simultneas, siendo uno de los
algoritmos de mayor importancia, y es la base para resolver ecuaciones
lineales en muchos paquetes de software populares.
1.2.4. MTODOS
DE
SOLUCIN
DE
SISTEMAS
PEQUEOS
DE
ECUACIONES
Estos mtodos son apropiados para la solucin de pequeos sistemas
de ecuaciones simultneas (tienen igual o menos de tres incgnitas) que no
solicitan de una computadora; los mtodos son los siguientes: el mtodo
grfico, la regla de Cramer y la eliminacin de incgnitas.
1.2.4.1.
Mtodo grfico
Este mtodo consiste en obtener la solucin de dos ecuaciones al

graficarlas en coordenadas cartesianas con un eje que corresponda a x 1 y el
x2
otro a
como en estos sistemas lineales cada ecuacin se relaciona con
una lnea recta, se puede ilustrar mediante ecuaciones generales.

Por ejemplo tenemos dos ecuaciones:
a11 x 1+ a12 x 2=b 1
a21 x 1 +a 22 x2 =b2
En ambas ecuaciones se puede despejar

a11
b1
x1 +
a12
a12
( )
x 2=
a21
b
x1 + 2
a22
a22
( )
x 2=
METODOS NUMRICOS
x2

Ahora tenemos dos ecuaciones en la forma de lnea recta, es decir

x 2=( pendiente ) x 1 +interseccin . Donde
x2
se grafica como la ordenada y
x1
x1
como la abscisa. Los valores de
x2
en la interseccin de las
lneas representa la solucin.

Para ms de tres incgnitas, los mtodos grficos no funcionan y, por
consiguiente, tienen poco valor prctico para resolver ecuaciones simultneas.
1.2.4.2.
Determinantes y la regla de Cramer
La regla de Cramer es otro mtodo para resolver un pequeo sistema

de ecuaciones. Esta regla establece que cada incgnita de un sistema de
ecuaciones lineales algebraicas puede expresarse como una fraccin de dos
determinantes con denominador D y con el numerador obtenido a partir de D,
al reemplazar la columna de coeficientes de la incgnita en cuestin por las
constantes b1, b2,, bn.
x 1=
b1 a12 a13
b2 a22 a23
b3 a32 a33
D
Para entender mejor es necesario conocer el concepto de un

determinante.
2.3.4.2.1.
Determinante
El determinante de una matriz es la funcin que aplicada a una matriz

cuadrada de orden n la transforma en un nmero real. La matriz con el
determinante se compone de los mismos elementos, pero con conceptos
matemticos completamente diferentes. Por eso, para distinguirlo visualmente
se emplean corchetes para encerrar la matriz y lneas rectas verticales para el
determinante. En contraste con una matriz, el determinante es un simple
nmero.
Determinante de una matriz de 2 orden
METODOS NUMRICOS
10

Sea
| A|=
Se calcula como
A=
a11 a12
a 21 a22
a11 a12
=a 11 .a 22a12 . a 21
a 21 a22
Determinante de una matriz de 3 orden
a11 a 12 a13
[ A ] = a21 a 22 a23
Sea
Se calcula como
1.2.4.3.
a31 a 32 a33
| A|=a11
)
| |
| |
a22 a23
a
a
a a
a12 21 23 + a13 11 12
a32 a33
a31 a33
a21 a22
La eliminacin de incgnitas
La eliminacin de incgnitas mediante la combinacin de ecuaciones es

un mtodo algebraico que consiste en buscar que la variable a eliminar, tenga
el mismo coeficiente en el sistema para lo cual se multiplica cada ecuacin por
el coeficiente que tenga la otra. Sumando o restando las ecuaciones.
Ejemplo:
2 x + y =16 .. ( )
3 x2 y=10 .. ( )
Solucin:
Multiplicando la ecuacin
( ) por 2, tenemos:
4 x +2 y=32
3 x2 y=10
__________________
7x= 42
METODOS NUMRICOS
11

x= 6
Reemplazando el valor x en
( ) y =4
1.2.5. ELIMINACIN DE GAUSS JORDAN

1.2.4.1.
ELIMNACION DE GAUSS SIMPLE
El mtodo de Gauss, conocido tambin como de triangulacin o de

cascada, nos permite resolver sistemas de ecuaciones lineales con cualquier
nmero de ecuaciones y de incgnitas
+ a1 n x n
a22 x 1
+ + a2 n x n b 22
a 11 x 1
+
a12 x 1
+
b 11
a21 x1
+
an 1 x 1
a n 2 x 1 +
+ anm x n b
Como en el caso de dos ecuaciones, la tcnica para resolver n

ecuaciones consiste en dos fases: la eliminacin de las incgnitas y su
solucin mediante sustitucin hacia atrs.
La primera fase consiste en reducir el conjunto de ecuaciones a un
sistema triangular superior. El paso inicial ser eliminar la primera incgnita, x1,
desde la segunda hasta la n-sima ecuacin. Para ello, se multiplica la
a21 /a11
ecuacin 1 por
para obtener.
a21 x 1 +
a21
a
a
a12 x2 ++ 21 a1 n x n= 21 b 1
a11
a11
a 11
Ahora esta ecuacin se resta de la ecuacin 2 para dar
a 22
a 21
a
a
a12 x2 ++ a 2 n 21 a1 n x n=b 2 21 b1
a11
a11
a11
METODOS NUMRICOS
12

a22 x 2 ++ a2 n x n= b2
Donde el superndice indica que los elemntos han cambiado sus valores
originales
Eliminacin hacia adelante
Sustitucin hacia atrs
El procedimiento se repite despus con las ecuaciones restantes. La ecuacin

1 se llama la ecuacin pivote, y a su
a11
se denomina el coeficiente o
elemento pivote.
1.2.4.2.
GAUS JORDAN
El mtodo de Gauss-Jordan es una variacin de la eliminacin de

Gauss. La principal diferencia consiste en que cuando una incgnita se elimina
en el mtodo de Gauss-Jordan, sta es eliminada de todas las otras
ecuaciones, no slo de las subsecuentes. Adems, todos los renglones se
normalizan al dividirlos entre su elemento pivote. De esta forma, el paso de
eliminacin genera una matriz identidad en vez de una triangular.
METODOS NUMRICOS
13

En consecuencia, no es necesario usar la sustitucin hacia atrs para

obtener la solucin.
==
Pasos para encontrar la solucin a travs de Gauss Jordan de sistemas

cuadrados de ecuaciones lineales.
Se expresan los coeficientes y el vector de trminos independientes como una
matriz aumentada
[A B]
Se selecciona de la diagonal principal de A, el pivote; se normaliza la 1ra fila
(se divide entre el coeficiente de la primera incgnita).
Se multiplica la primera fila por el 1er coeficiente de las siguientes filas, y se
restan.
Se normaliza la 2da fila y se multiplica por el 2do coeficiente de las otras filas y
se restan.
METODOS NUMRICOS
14

Se normaliza la 3ra fila y se multiplica por el 3er coeficiente de las otras filas y
se restan.
Se repiten los pasos tantas veces como elementos tenga la diagonal principal,
es decir, hasta que en lugar de la matriz de coeficientes A se ha convertido en
una matriz identidad I, teniendo ahora el ltimo sistema equivalente, como,
[ I Bsol ]
Donde
es la matriz identidad del mismo orden que la matriz A y Bsol es la
solucin del sistema de ecuaciones algebraicas lineales.

1.2.6. ALGORITMO DEL MTODO DE GAUSS JORDAN
I.
II.
Escribir el sistema de ecuaciones lineales y el nmero de incgnitas n.

Definimos la matriz coeficiente(A) , la matriz de n-incgnitas(X), la matriz
III.
IV.
V.
trminos independientes(B) y la matriz aumentada del sistema(A/B).

Se escribe la forma matricial AX=B.
Reducir la matriz ampliada (A/B) a la forma cannica.
De la forma cannica hallamos el rango de A y el rango de la matriz
VI.
ampliada.
A continuacin, evaluamos lo siguiente:
Si es asi el sitema es compatible

w=ra( A)=ra( A /B) Si no es asiel sistemano es compatible y
automaticamente se detiene el programa .
VII.
Se volver a evaluar :
w,n
VIII.
, existe unica solucin

{si w<si w=n
n , existen infinitas soluciones
Hallamos la solucin al sistema de ecuaciones lineales.
El mtodo se ilustra mejor con un ejemplo:

Con la tcnica de Gauss-Jordn resuelva el sistema del ejemplo:
METODOS NUMRICOS
15

2x
+ 3 y + z 1
3 x 2 y 4 z 3
5x
y z 4
Solucin.
Primero, exprese los coeficientes y el lado derecho como una matriz
aumentada:
2 3
1 1
3 2 4 3
5 1 1 4
Luego normalice el primer rengln, dividindolo entre el elemento pivote, 2,

para obtener
1 3/2 1/2 1/2

3 2 4 3
5 1
1 4
El trmino x1 se elimina del segundo rengln restando -3 veces al primer

rengln del segundo. En forma similar, restando -5 veces el primer rengln del
tercero, se eliminar el trmino x1 del tercer rengln:
3 /2
13
0
2
17
0
2
1/2 1/2
11 9
2
2
7 3
2 2
En seguida, se normaliza el segundo rengln dividindolo entre: - 2/13
3/2
1/2
11
0
1
13
0 17/2 7 /2
1/2
9
13
3/2
Al reducir los trminos x2 de las ecuaciones primera y tercera se obtiene
METODOS NUMRICOS
16

1 3 /2
0
1/2 1/2
11 9
13 13
96/13 192/13
El tercer rengln se normaliza despus al dividirlo entre 13/96
1 3 /2 1/2 1/2
11 9
0 1
13 13
0 0
1 2
Por ltimo, los trminos x3 se pueden eliminar de la primera y segunda

ecuacin para obtener
1 0 0 1
0 1 0 1
0 0 1 2
x 1=1 x 2=1 x 3 =2
De esta forma, la matriz de coeficientes se ha transformado
identidad, y la solucin se obtiene en el vector del lado derecho.
Ejemplo 2.
2x
x
5 x
3x
+ 5 y + 6 z 5 w 38
+ 2 y 4 z + w 34
++
23
4 y + 2 z + + 3 w
3y
4z
2 w 35
Se resolver con maple METODO DE GAUSS JORDAN.mw
1.2.4.1.
MTODO DE GAUSS SEIDEL
METODOS NUMRICOS
17
en la matriz

El Mtodo de Gauss-Seidel es un mtodo iterativo, que se basa en

obtener valores iniciales que en sucesivas operaciones se van aproximando a
las soluciones reales.
a11 x 1
+
a12 x 2
+
+ a1 n x n b1
a21 x 1
+
a22 x 2
+ + a2 n xn b2
a n1 x 1
an 2 x2 +
+ a nm x n bm
Sea un conjunto de n ecuaciones:

Si los elementos de la diagonal son diferentes a cero, la 1ra ecuacin se
resuelve para
x1
, la 2da ecuacin para
x 1=
b1a 12 x2 a13 x 3a1 n x n

a11
x 2=
b2a 21 x 1a23 x3 a2 n x n
a22
x n=
bnan 1 x 1a n 2 x 2ann1 x n1
a nn
x2
y as sucesivamente.
Se empieza el proceso de solucin usando un valor inicial para las x. Todas las
x valen cero (0).
Se sustituyen los valores en la 1ra ecuacin para hallar
reemplazar el valor hallado de
x1
, para luego
en la 2da ecuacin para hallar
sucesivamente hasta llegar a la ltima ecuacin.
METODOS NUMRICOS
x1
18
x2
, y as

1.2.4.2. ALGORITMO DEL MTODO DE GAUSS SEIDEL

I. Declaramos las ecuaciones del sistema lineal, y n.
II. Evaluamos el teorema de ROUCH FROBENIUS.
III. Evaluamos la convergencia: Ser matriz diagonal dominante, matriz
simtrica.
IV. Despejamos cada una de las variables con respecto a cada variable y
obtenemos las ecuaciones base.
V.
x 1=
b1a 2 x 2a3 x 03 a n x n
a1
x n=
bmam 2 x2am 3 x03amn1 x n1

amn
Encontramos la primera aproximacin, para eso igualamos el resto de

variables a cero, para calcular dicha variable.
x 1 [ 1 ] , si x 2=x 3==x n =0
x 2 [ 1 ] , si x 1=x 1 [ 1 ] , x 3=x 4 ==x n=0
x n [ 1 ] , si x 1=x 1 [ 1 ] , x 2=x 2 [ 1 ] , , x n1=x n1 [ 1 ]
VI.
Evaluamos el error para cada variable, a partir de la segunda iteracin.

x x
Ei= i1 i
xi
VII.
Para que pare de iterar tenemos que evaluar si el error de cada variable
n2
es menor que ( 0.510
), si se cumple, fin a la iteracin.
Ejemplo:
Tenemos un sistema de ecuaciones:
3x-5y-2z=6
x + 6 y - 4 z = -15
4 x - 5 y + 6 z = 35
1. Despejamos las variables
6+5 y +2 z
x=
3
y=
15x +4 z
6
METODOS NUMRICOS
19

z=
354 x+ 5 y
6
2. Igualamos a y=0 y z=0, se sustituye en la ecuacin de x

6 +50+20
x 1=
x 1=2
3
y 1=
z 1=
152+40
y 1=2.8333
6
3542+52.8333
z 1=2.1388
6
3. Los valores obtenidos se reemplazan en las ecuaciones iniciales y se

hallan nuevos valores en la 2da iteracin, y se calcula el Ea:
6 +52.8333+22.1388
x 2=
x 2=1.2929
3
E
y 2=
= 254.69 %
15+1.2929+ 42.1388
y 2 =4.1728
6
E
z 2=
x2
y2
= 32.1%
3541.2929+54.1728
z 2=3.220
6
E
z2
=33.57%
n2
Y as hasta obtener un error menor que ( 0.510

6 +5+22.1388
x 17=4.217
3
x 17=
E
y 17=
= 0.000106 %
154.217+ 42.1388
y 17=5.391
6
E
z 17=
x 17
y 17
= 0.00041%
3544.217+55.391
z 17=4.152
6
E
z 17
=0.00037%
METODOS NUMRICOS
20

Los errores con menores que 0.00050000

Este ejemplo se desarrolla mejor con maple gauss seidel.mw
CAPITULO 2
2.1.
AJUSTE DE CURVAS
En la prctica dos o ms variables suelen relacionarse de alguna

manera, como lo hacen la talla y el peso, la masa y el volumen, entre otras
relaciones. En muchos casos es conveniente encontrar las relaciones entre
las variables y si son posibles las expresiones matemticas que describen
tal relacin. Si la relacin no es evidente o directa, entonces es necesario
hacer aproximaciones o estimaciones a partir de los datos. Esto se puede
lograr usando el diagrama de dispersin (nube de puntos) que consiste en
graficar
pares
ordenados
(X ,
Y) ,
correspondientes
a valores
relacionados de las variables en consideracin, en un sistema rectangular. En

un diagrama de dispersin es posible observar una curva suave que se
aproxime a los datos, esa curva puede ser lineal o no lineal y se conoce como
la curva aproximante y se concluye que la relacin es lineal o no lineal
dependiendo de las caractersticas de la curva. El problema de e n c o n t ra r
curvas aproximantes se llama ajuste de curvas.
2.2.
REGRESION LINEAL
Tambin se conoce como Aproximacin por Mnimos Cuadrados. El

Mtodo consiste en hallar una lnea recta que pase entre el conjunto de datos
dados. La expresin de una lnea recta es: y = a x + b
METODOS NUMRICOS
21

El anlisis
en general, nos
funcin lineal de
de regresin lineal,
permite obtener una
una o ms variables
x
predictoras ( 1 ,
independientes o
x2
,...
xk
) a partir de la cual explicar o predecir el valor de una variable
dependiente o criterio (Y).

y=ax+b+E
Y es la variable a predecir; a y b son parmetros desconocidos a
estimar; y E es el error que cometemos en la prediccin de los parmetros.
Quedando definido el error como:
E=y-ax-b
El error (o Residuo) es la diferencia entre el valor real de y, y el valor
aproximado. Para obtener la mejor lnea a travs de los puntos, se debe
minimizar la suma de los errores residuales:
n
i=1
i=1
Ei = ( y i bax i)
Pero esta estrategia, y otras ms, son inadecuadas. La mejor estrategia
S
consiste en minimizar la suma de los cuadrados de los residuos ( i ):
n
S i= E i = ( y i bax i)2
i=1
i=1
S i= ( y ibax i )2
i=1
Para hallar a y b, se deriva la ecuacin con respecto a cada coeficiente:
METODOS NUMRICOS
22

n
Si
=2 ( y ibaxi )
b
i=1
n
Si
=2 ( y ibaxi )x i
a
i=1
Igualando las derivadas a cero:

y i b ax i
0=
x i y i b x i ax i2
0=
Hallamos las ecuaciones normales. Y se resuelve a travs de un sistema de
ecuaciones:
a=
n x i y i x i y i
2
n x 2i ( x)
b= y a x
Error Estndar de la Aproximacin
Cuantifica la dispersin alrededor de la lnea de dispersin:
S y / x=
sr
n2
S y / x : medida de dispersin
y
x
Donde el subndice
designa que el error es para un valor
predicho de y y corresponde a un valor particular de x

2
Si: s r = ( y i f (x i ))
s t = ( y i y )
La eficiencia del ajuste se cuantifica con el Coeficiente de Determinacin:

METODOS NUMRICOS
23

r 2=
S t S r
St
r
: Coeficiente de determinacin
Y con el Coeficiente de Correlacin:

r=
S t S r
St
2.3.
algoritmo de regresion lineal
1. Copiamos nuestra nube de puntos.
2. Calculamos, la suma de todos los x, la suma de todos los y , la suma de
la multiplicacin de los x*y, la resta de los y con la media aritmtica de y
elevada al cuadrado.
3. Encontramos el a y el b con la siguiente formula:
a=
n x i y i x i y i
2
n x 2i ( x)
b= y a x
4. Se calcula los parmetros de regresin lineal

S y / x=
sr
n2
s r = ( y i f ( x i ))2
r 2=
r=
S t S r
St
S t S r
St
2
5. Si r
es igual a 1 entonces el ajuste es 100 % variable , si
igual a cero entonces el ajuste no presenta mejoras
METODOS NUMRICOS
24
r 2 es

2.4.
EJEMPLO: Ajuste a un modelo de regresin lineal
X
Y
2
14
3
20
5
32
7
42
5.1538461
5
X+
8
44
Solucin
X
2
3
5
7
8
25
Y
14
20
32
42
44
152
2.5.
restart;
n:
XY
28
60
160
294
352
894
N=
A=
B=
5
X^2
4
9
25
49
64
151
Y=
5.15384615
4.63076923
4.63076923
PROGRAMACIN EN MAPLE:
colocamos el numero de valores
with(LinearAlgebra);
with(plots)
X := [valores de x];
Y := [valores de y];
Promediox := evalf((sum(X[i], i = 1 .. n))/n);
Promedioy := evalf((sum(Y[i], i = 1 .. n))/n);
a1 := evalf((n*(sum(X[i]*Y[i], i = 1 .. n))-(sum(X[i], i = 1 .. n)).(sum(Y[i], i = 1
.. n)))/(n*(sum(X[i]^2, i = 1 .. n))-(sum(X[i], i = 1 .. n))^2));

a0 := evalf(Promedioy-a1*Promediox);
a := plot(X, Y, style = point, symbol = diamond, color = blue);
b := implicitplot(y = a1*x+a0, x = intervalos que alcanza la grfica, y =
intervalos que alcanza la grfica);
display(a, b);
f := unapply(a1.x+a0, x);
E := [seq(abs(Y[i]-f(X[i])), i = 1 .. n)];
SR := evalf(sum((Y[i]-f(X[i]))^2, i = 1 .. n));
ST := evalf(sum((Y[i]-Promedioy)^2, i = 1 .. n));
SY := evalf(sqrt(ST/(n-1)));
S(y/x) := evalf(sqrt(SR/(n-2)));
r2 := (ST-SR)/ST;
r := sqrt(r2);
Mnimos cuadrados.mw
METODOS NUMRICOS
25

2.6.
REGRESION POTENCIAL
Este modelo de regresin es una alternativa cuando el modelo lineal no

logra un coeficiente de determinacin apropiado, o cuando el fenmeno en
estudio tiene un comportamiento que puede considerarse potencial o
logartmico. La forma ms simple de tratar de establecer la tendencia es a
travs de un diagrama de dispersin o nube de puntos, tal como la siguiente:
Este modelo tambin es conocido como potencial, Cobb-Douglas de

primer grado o exponencial inverso.
La funcin que define el modelo es la siguiente:
y i=a x bi E
yi
: Variable dependiente, en la i-sima observacin
a, b: Parmetros de la ecuacin, que generalmente son desconocidos

E: Error asociado al modelo
xi
: Valor de la -esima observacin de la variable independiente
Al sustituir los parmetros por estimadores, el modelo adopta la siguiente
forma:
y i=a x bi
La ecuacin se transforma aplicando logaritmos de ambos lados, con lo
cual se convierte a una forma lineal:
log y i=log ( a x bi )
METODOS NUMRICOS
26

b
log y i=loga+log xi
log y i=loga+ blog xi

y =a + b x
Observamos que ahora obtenemos un modelo de regresin lineal, donde
b=
n x y x y
2
n x 2( x )
a = y b x
Al encontrar los valores de a y b reemplazamos en el modelo de

regresin potencial:
b
y i=a x i
2.6.1.
ALGORITMO DE LA REGRESION POTENCIAL
I. Escribimos nuestra nube de puntos
II. Linealizo mi ecuacin al tipo potencial.
y=a2 x b
2
log y=b 2 log x +log a2

III. Calculo mi nube de puntos, con mi nueva regresin.
POTENCIAL
log ylog y
IV. Ahora obtengo una nueva nube de puntos, con la cual usare mi
regresin lineal, explicada anteriormente.
METODOS NUMRICOS
27

V. Encuentro mi curva, que se ajusta con la nube de puntos.
Ejemplo ilustrativo: ajuste a una funcin potencial
1,25
11,25
20
30,5
logx
1.25
n=
5
a=
11.25
20
30.5
15
68
b=
logy
logx*logy
0.096910
0
01
0
0.210410
5
0.30103 0.69897
94
1.99019
0.477121
1.051152 0.501527
25 655
52
21
0.09887
0.602059
0.783298
99 661
1.30103
11
1.484299 1.037481
0.69897
84
07
2.079181 4.632362 2.532717
25
37
32
(logx)^2
0
0.090619
06
0.227644
69
0.362476
23
0.488559
07
1.169299
05
0.09887661
b=10
b= 1.25567316
y=1.25567316 x 0.09887661
La ecuacin:
2.7.
REGRESIN NO LINEAL
El mtodo de mnimos cuadrados permite obtener la mejor recta de

ajuste a los datos en el caso de la regresin lineal.
METODOS NUMRICOS
28

Sin embargo, no siempre existe una relacin lineal entre la variable

dependiente e independiente.
En algunos casos es posible aplicar transformaciones para expresar los datos
en una forma compatible con la regresin lineal. Este es el caso del modelo
exponencial y de potencia.
MODELO EXPONENCIAL:
El modelo exponencial se linealiza al aplicar el logaritmo natural, para ajustar a

una curva de la forma:
y=
a1e b x
1
ln ( y )=ln ( a1eb x )
1
ln ( y )
ln ( a 1) + ln ( e b x )
1
( y )= ln ( a1 ) +b1 x ln ( e )
ln
METODOS NUMRICOS
29

Como que ln e=1 , se tiene

ln ( y )=ln ( a1 ) +b1 x
y =ln ( a1 ) +b 1 x
El reto seria hallar
a1
b1
LINEALIZACION:
METODOS NUMRICOS
30

ln ( y )
Donde s representamos el
frente a x obtendremos una recta con
pendiente b y corte con el eje de ordenada
ln ( a 1) .
Ejercicio: Ajuste un modelo exponencial

x
y
1
3
1.2 1.5
3.4 5
2
2
3
4.1
3.7
5
4
7
4.5
6.5
Linealizacin:
a1e b x
1
y=
ln ( y )=ln ( a1eb x )
1
ln ( y )
ln ( a 1) + ln ( e b x )
1
( y )= ln ( a1 ) +b1 x ln ( e )
ln
ln ( y )=ln ( a1 ) +b1 x
y =ln ( a1 ) +b 1 x
Mi nueva nube de puntos seria:
X
1
ln(y
)
1.0986
1.2
1.5
3.7
1.2237
1.6094
0.6931
1.4109
1.6094
Programa en geogebra:
y = 0.2160x + 0.8684
por lo tantob 1=0.2160
Ahora para hallar
a1
ln ( a 1) =0.8684
a1=e0.8684
METODOS NUMRICOS
31
4
1.945
9
4.5
1.871
8

a1=2.3830
La ecuacin final sera:
y=2.3830 e 0.2160x
MODELO DE SATURACION:
El modelo de saturacin tiene la forma:
y=
a1 x
b1 + x
La cual se adaptara Aplicando procedimientos para obtener las inversas de las

variables; y asemejarse a la de una recta.
1 b1 + x
=
y a1 x
1 1 b1
= +
y a1 a1 x
1
y
Por lo tanto, una grfica de
una interseccin de
1
a1
1
x
contra
ser lineal, con pendiente
b1
a1
. Estos modelos, en sus estados transformados, se
ajustan usando regresin lineal para evaluar los coeficientes constantes.
Obtenemos una ecuacin lineal adaptada que ser semejante al de una recta
que tiene como puntos (
([ x1 , y1 ) ,( x1 , y1 ) , . ,( x1 y1 )] ).
METODOS NUMRICOS
32

y=
1 b1
+ x
a 1 a1
Ejercicio: ajuste un modelo de saturacin

x
y
1
3
1.2
3.4
1.5
5
2
2
3
4.1
3.7
5
4
7
4.5
6.5
Mi nueva nube de puntos ser:

1/x
1
0.3333
3
1/y
0.8333
0.2941
1
0.666
0.5
0.3333
0.27
0
0.2
0.5
0.2439
0.2
0.222222
0.25 22
0.14 0.153846
2
15
Programa en geogebra:
y=0.19 x +0.16
1
=0.16
a1
a1=6.25
b1
=0.19
a1
b1=1.1875
Por lo tanto el modelo es:
y=
6.25 x
1.1875+ x
Algoritmo del Regresin no lineal

I.
II.
Defino mi nube de puntos.

Linealizar mi ecuacin segn el tipo de regresin no lineal
(exponencial, potencial, saturacin).
METODOS NUMRICOS
33

EXPONENCIAL
POTENCIAL
DE SATURACION
x
y=a3
b3 +x
y=a1 e b x
y=a2 x b
ln y=ln a1+ b1 x
log y=b 2 log x +log a2
III.
1 b3 1 1
=
+
y a3 x a 3
Calculo de mi nueva nube de puntos segn el tipo de regresin no

lineal (exponencial, potencial, saturacin).
EXPONENCIAL
POTENCIAL
0. 6.
0
5 1
0. 6.
4
2
0. 6.
8
log xlog y
ln y
9
1
DE SATURACION
1. 7
3
-
4
2.
0. 8
3
9
0. 3.
3
1
x
2.
4
3
1
y
0.
5
1.
5
0
3
1.
IV.
Con mi nueva nube de puntos, usare REGRESION LINEAL, donde
V.
encontrare una recta.

Igualo los datos de cada uno segn el tipo de regresin no lineal
VI.
(exponencial, potencial, saturacin).

Finalmente encontrare mi curva no lineal.
METODOS NUMRICOS
34

INTERPOLACIN
Supongamos
que
(x 0 , y 0 ),(x1 , y 0) , ... ,( x n , y n )
conocemos
de esta determinada curva
n+1
puntos
y=f (x)
que se
aprecia en la grfica. Su objetivo principal de la interpolacin significa

encontrar un polinomio
p(x)
de grado n y es obligatorio que
curva) pase por toda la nube de puntos.

Forma para evaluar un polinomio:
Pn ( x )=a0 +a1 x+ a2 x 2 +. an x n .
P ( X 0 ) =Y 0
P ( X 1 )=Y 1
P ( X n ) =Y n
Entonces el Sistema de Ecuaciones Lineales (SEL) quedara:

+ .. a n x n0=Y 0
a0 +a1 x 0+ a2 x 20
METODOS NUMRICOS
35
y=f ( x)
(la

n
+ .. a n x 1=Y 1
a0 +a1 x1 + a2 x 21
+ .. a n x n=Y n
a0 +a1 x n+ a2 x 2n
)( ) ( )
1 x 0 x 20 .. x n0 a0
y0
2
n
1 x 1 x 1 x 1 a1 = y 1
2
n
an
yn
1 xn x n x 1
a0 =
a1=
an =
POLINOMIO DE INTERPOLACIN DE LAGRANGE

Este mtodo simplemente es una reformulacin del polinomio de Newton que
evita los clculos de las diferencias divididas. Consiste en construir el
polinomio interpolador
yi
P (x )
de grado n que pasa por n+1 puntos (
xi
). Entonces el polinomio de Lagrange seria de esta forma:
Pn ( x )=Y 0+ P 1 ( x ) Y 1 + P2 ( x ) Y 2 + + Pn ( x ) Y n
Donde
pj ( x )
es un polinomio de grado n y
pn ( x )
debe satisfacer y cumplir
con las siguientes restricciones:

pn ( xi ) = y i ; i=0; .; n
Entonces generando (n+1) ecuaciones tenemos:
P j ( x )=
( xx 0 )( x x1 ) + + ( xx i1 )( x xi +1 )+ +( xx n)
( x jx 0 ) ( x jx 1 ) ++ ( x jx i1 )( x jx i+1 ) ++( x j x n)
METODOS NUMRICOS
36

pi ( x i ) =
( x ix 0 ) ( x ix 1 ) ++ ( x ix i1 ) ( x ix i+1 ) ++(x ix n)
=1
( x ix 0 ) ( x ix 1 ) ++ ( x ix i1 ) ( x ix i+1 ) ++(x ix n)
pi ( x j )=
( x jx 0 ) ( x j x1 ) + + ( x jx i1 ) ( x jx i +1) + +( x jx n)
=0
( x jx 0 ) ( x j x1 ) + + ( x jx i1 ) ( x jx i +1) + +( x jx n)
Examinando las ecuaciones se observa que
Pj ( xi )
se define como:
P j ( x i )= 1; i= j
0 ; i j
Ahora para un mejor entendimiento del polinomio de Lagrange planteamos un
ejemplo:
x0
x1
x2
x3
y0
y1
y2
y3
p ( x )=
( xx 1)( x x2 )(xx 3)
(xx 0 )( xx 2)( xx 3 )
( xx 0 )(xx 1)(xx 3 )
(xx 0 )(
y0 +
y1 +
y2 +
(x0 x 1)( x 0x 2)(x 0 x3 )
( x 1x 0)(x 1x 2 )(x1 x3 )
(x 2x 0)( x 2x 1 )( x2x 3 )
( x 3x 0)(x
Adicionalmente lo podemos definir de la forma:

Li ( x ) =
( xx 0 )( x x1 ) ( xx 2 ) ( xx i1 )( x xi +1 ) (xx n)
=1
( x ix 0 ) ( xi x 1) ( x ix 2 ) ( x ix i1) ( x ix i+1 ) ( xi xn )
De donde:
METODOS NUMRICOS
37

n
Li ( x ) =
j=1
j 1
( x x j)
; L ( x )=K ij = 1; i= j
(x ix j ) i j
0;i j
Entonces diramos que:

p ( x )=L 0 ( x ) y 0 + L1 ( x ) y 1 ++ Ln ( x ) y n
n
p ( x )= Li ( x ) y i
i=0
En conclusin el polinomio de Lagrange lo podemos representar de la

siguiente expresin:
n
p ( x )=
i=1 j=0
j i
(xx j )
y
(x ix j) i
Algoritmo de interpolacin de Lagrange:

Declaro mi nube de puntos , nmero de puntos =n+1
Aplicamos la formula general
n
n
(xx j )
p ( x )=
yi
i=1 j=0 (x i x j)
j i
Fin.
EJEMPLO
EN
MAPLE
interpolacion\LAGRANGE
C:\Users\KHATERINE\Documents\jose
maple.mw
C:\Users\KHATERINE\Documents\jose
EN
GEOGEBRA
interpolacion\geogebra
interpolacion.ggb
INTEGRACIN NUMRICA
Etimolgicamente integrar, significa juntar las partes en un todo; unir;
indicar la cantidad total, etc.
La integracin tiene bastantes aplicaciones en la ingeniera, que van
desde la localizacin de centroides (centro de gravedad) de formas extraas
hasta el clculo de cantidades totales basadas en medidas discretas. Adems,
METODOS NUMRICOS
38

las frmulas de integracin numrica desempean un papel importante en la

solucin de ecuaciones diferenciales.
Desde el punto de vista grfico, se interpreta a la integracin como el
rea bajo la curva de una funcin f(x), en un intervalo [a,b]; rea comprendida
entre la curva y el eje de las abscisas
La necesidad de aproximar numricamente el valor de una integral

surge por dos motivos fundamentalmente:
La dificultad o imposibilidad en el clculo de una primitiva (derivada).
La funcin a integrar solo se conoce por una tabla de valores.
FRMULAS DE INTEGRACIN DE NEWTON-COTES

Dada una integral de la forma:
b
I= f ( x ) dx
a
Todos los procesos que realizamos para resolver integrales, en los

cuales en lugar de integrar la funcin
METODOS NUMRICOS
f ( x)
39
original; integramos un polinomio

de interpolacin que se aproxime a la funcin
f ( x)
en un intervalo
[a ,b ]
reciben el nombre de mtodos o frmulas de Newton Cotes.

Dicho de otra manera las frmulas de newton cotes se basan en la
estrategia de reemplazar una funcin
f (x)
complicada o datos tabulados
por un polinomio de aproximacin que es fcil de integrar.

b
I= f (x) dx f n( x) dx
a
Donde
f n( x)
es un polinomio de la forma;
f n( x) =
a0 + a1 ( x ) ++a n1 ( x n1 ) +a n( xn )
Donde n es el grado del polinomio.

MTODO DE LOS TRAPECIOS:
El mtodo del trapecio es un mtodo que consiste en reemplazar la
grfica de una funcin
f (x) por la de un polinomio polinomio aproximante
el cual va a coincidir con la funcin original f(x) en un tramo ]a,b[. Entonces se

tendra que integrar el polinomio aproximante desde el punto (a, f(a)) hasta (b,
f(b)). (Ver figura).
METODOS NUMRICOS
40

La regla del trapecio es la primera de las frmulas cerradas de

integracin de Newton. Corresponde al caso donde el polinomio es de primer
grado:
b
I= f ( x)dx P1 (x) dx
a
Donde:
P1 ( x )=
( xb )
( xa )
f ( a )+
f (b )
ab
ba
Formula general de la regla del trapecio para n puntos:

b
f ( x ) dx= h2 [f ( x 0 ) +f ( x 1 ) ]
a
Formula general de la regla del trapecio para n+1 puntos:

b
f ( x ) dx= h2 [f ( x 0 ) +2 f ( x 1 )+ 2 f ( x 2) + 2 f ( x3 ) + 2 f ( xn1 ) + f ( x n ) ]
a
ALGORITMO DE LA REGLA DEL TRAPECIO

b
i.Defino mi integral
f (x)dx , declaro mi a , b ,
a
=n
METODOS NUMRICOS
41
y el nmero de trapecios

H=
ii. Calculo el
iii.
ba
,
n
Calculo , x i=a+ iH ; f ( x i ) ,
iv. Evaluo mis datos en la formula siguiente :
n1
f ( x ) dx= h2 f ( x 0 ) +2 f ( x i ) + f ( x n )
a
v.
i=1
Finalmente obtengo mi integracin.
ALGORITMO DE INTEGRACIN RECTANGULAR.

b
i.
Defino mi integral
de rectngulos.
ii.
iii.
iv.
Calculo el
Calculo , x i=a+ iH ; mi=
H=
f ( x)dx , declaro mi a , b
a
, n = numero
ba
n
x i1 + x i
2
Con los datos anteriores calculamos :

n
I =H f ( mi )=integral aproximada
i=1
ALGORITMO DE INTEGRACIN POR EL POLINOMIO DE TAYLOR

b
i.
ii.
iii.
iv.
v.
Defino mi integral
f (x) dx , declaro mi a , b ,
a
el grado del polinomio =n

a+b
Calculo el m= 2 ,
Calculo mis derivadas de f(x), segn el grado dado n .
Evalu m cada en cada derivada que anteriormente calcule.
Remplazo en mi formula
f (m) ( x m ) f ' (m) (xm)2 f ' ' (m)
( xm)n f n (m)
P ( x )=
+
+
+ ..
0!
1!
2!
n!
METODOS NUMRICOS
42

b
vi.
Finalmente
P(x )dx
a
Y OBTENGO LA APROXIMACIN.
REGLA SIMPSON 1/3:

La regla Simpson 1/3 resulta cuando un polinomio de segundo grado se sustituye en la
ecuacin:
b
I = f ( x ) dx P ( x)dx
a
Para obtener:
I=
H
f ( x )+ 4 f ( x1 )+ f ( x2 )]
3 [ 0
Donde h=(b a)/2 . Esta ecuacin se llama regla de Simpson 1/3 debido a que h
est dividida entre 3.
Para este mtodo nosotros mostraremos como se resuelve el polinomio por medio de
LAGRANGE
( xx 1 ) ( xx 2 )
( xx 0 ) ( xx 2 )
( x x0 ) ( xx 1 )
P ( x )=
f ( x0 )+
f ( x1 )+
f ( x2 )
( x 0x 1 ) ( x 0x 2 )
( x 1x 0 ) ( x 1x 2)
( x2 x0 ) ( x 2x 1 )
Integramos nuestro polinomio y obtenemos:
b
I = P ( x ) dx=
a
H
[ f ( x 0 ) + 4 f ( x1 ) + f ( x 2) ]
3
Tambin aplicamos esta regla para n-simo puntos los cuales veremos a continuacin, donde
a=x 0
b=x n
y
:
b=x n
x2
x4
xn
I = P(x )dx= P(x) dx + P( x) dx ++ P( x ) dx

a=x 0
x0
x2
x n2
Integramos y obtenemos:
I=
H
H
H
f ( x 0 ) + 4 f ( x 1 ) + f ( x 2 ) ] + [ f ( x2 ) + 4 f ( x3 ) + f ( x 4 ) ] + + [ f ( x n2 ) +4 f ( x n1 ) +4 f ( x n1) + f ( x n ) ]
[
3
3
3
METODOS NUMRICOS
43

Por ultimo tendremos la formula general:

n2
f ( x i ) +2
i=2,4,6,8
f ( x i ) + f ( x n)
n1
f ( x0 ) + 4
I=
i=1,3,5,7
ALGORITMO DE INTEGRACIN POR SIMPSON 1/3

b
i. Defino mi integral
a
el
nmero de segmentaciones =n , n tiene que ser par

ba
H=
,
ii. Calculo el
n
iii.
iv.
Evaluo mis datos en la formula :

n2
f ( x i ) +2
i=2,4,6,8
f ( x i ) + f ( x n)
n1
f ( x0 ) + 4
i=1,3,5,7
REGLA SIMPSON 3/8:

De manera similar a la obtencin de la regla del trapecio y Simpson 1/3, es
posible ajustar un polinomio de Lagrange de tercer grado a cuatro puntos e
integrarlo:
b
I = f ( x ) dx P ( x)dx
a
Para obtener:
METODOS NUMRICOS
44

I=
3H
f ( x 0 ) +3 f ( x 1 ) +3 f ( x 2 ) + f (x 3) ]
8 [
Donde h=(b a)/3 . Esta ecuacin se llama regla de Simpson

debido a que
se multiplica por
3/8
3/8 . Esta es la tercera frmula de
integracin cerrada de Newton-Cotes.

Para este mtodo nosotros mostraremos como se resuelve el polinomio por
medio de LAGRANGE: tenemos para cuatro puntos donde
P ( x )=
a=x 0
; b=
x3
( xx 1) ( x x2 ) ( xx 3 )
( xx 0 ) ( xx 2 )( xx 3)
( xx 0 ) ( xx 1 ) ( xx 3 )
( x x
f ( x0 )+
f ( x1 )+
f ( x2 ) +
( x 0x 1 ) ( x 0x 2 )( x0 x3 )
( x 1x 0 )( x 1x 2 ) ( x 1x 3 )
( x 2x 0 )( x2 x1 ) ( x 2x 3 )
( x 3x
Integramos nuestro polinomio y obtenemos:

b
I = P ( x ) dx=
a
3H
f ( x ) +3 f ( x1 ) +3 f ( x2 ) + f (x 3) ]
8 [ 0
Tambin aplicamos esta regla para n-simo puntos los cuales veremos a
continuacin, donde
b=x n
a=x 0
x3
b=x n
x6
xn
I = P(x )dx= P(x) dx + P( x)dx ++ P( x)dx

a=x 0
x0
x3
x n3
Integramos y obtenemos:
I=
3H
3H
3H
f ( x 0 ) +3 f ( x 1 ) +3 f ( x 2 ) + f (x 3) ] +
f ( x 3 ) +3 f ( x 4 ) +3 f ( x 5 ) + f ( x 6) ] ++
f ( x n3 )+ 3 f ( x n2 )+ 3 f
[
[
8
8
8 [
METODOS NUMRICOS
45

Por ultimo tendremos la formula general:

x
f ( i)+ f (x n)
n2
f ( x i ) +3
n1
f ( x i) + 2
i=2,5,8,11
i=3,6,9,12
n3
f ( x 0 ) +3
i =1,4,7,10
I=
3H
ALGORITMO DE INTEGRACIN POR SIMPSON 3/8

b
i. Defino mi integral
a
el
nmero de segmentaciones =n , n tiene que ser mltiplo de 3

ba
H=
,
ii. Calculo el
n
iii.
iv.
Evalu mis datos en la frmula :
x
f ( i)+ f (x n)
n2
f ( x i ) +3
n1
f ( x i) + 2
i=2,5,8,11
i=3,6,9,12
n3
f ( x 0 ) +3
i =1,4,7,10
I=
3H
METODOS NUMRICOS
46

Informe Parte II

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Informe Parte II

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL DE

UNIVERSIDAD NACIONAL DE JAN

OPERACIONES CON MATRICES......................................................

1.2.4. MTODOS DE SOLUCIN DE SISTEMAS PEQUEOS DE

ELIMINACIN DE GAUSS JORDAN..............................................10

ALGORITMO DEL MTODO DE GAUSS JORDAN............................13

algoritmo de regresion lineal...................................................................21

EJEMPLO: Ajuste a un modelo de regresin lineal.....................................22

UNIVERSIDAD NACIONAL DE JAN

representa un elemento individual de la matriz.

El primer subndice i siempre designa el nmero de la fila en el cual est

a11 a12 a13 a1 m

La matriz presentada tiene n renglones y m columnas, y se dice que

Matrices con dimensin rengln n=1, como

UNIVERSIDAD NACIONAL DE JAN

Diagonal principal de una matriz

Dada la matriz cuadrada

se llama DIAGONAL PRINCIPAL al

a11 , a22 , a33 , . a nn

D (5, 4, 3,2) Es la diagonal principal de

1.2.3.3. Traza de una matriz

Rango de una matriz

Es el nmero mximo de columnas (filas respectivamente) que

UNIVERSIDAD NACIONAL DE JAN

Teorema de Rouch Frobenius

El teorema de Rouch- Frobenius nos permite calcular el nmero de

a11 x 1+ a12 x 1 + a13 x 3 + a 21 x1 + a 22 x 2+ a23 x 3 + a31 x 1 +

Puede ser escrito mediante una matriz.

a11 a12 a13 a1 n b 1

UNIVERSIDAD NACIONAL DE JAN

entonces la solucin es nica.

, existen infinitas soluciones.

Si rg( A/ B) rg( B) no existen soluciones.

1.2.3. TIPOS DE MATRICES

Es una matriz diagonal donde todos los elementos sobre la diagonal

se utiliza para denotar la matriz identidad. La matriz

identidad tiene propiedades similares a la unidad.

Matriz triangular superior

Es aquella donde todos los elementos por debajo de la diagonal

a11 a12 a13

UNIVERSIDAD NACIONAL DE JAN

Matriz triangular inferior

Es aquella donde todos los elementos por arriba de la diagonal principal

Tiene todos los elementos iguales a cero, con la excepcin de una

Por consiguiente, el siguiente

arreglo matricial es una matriz tridiagonal tambin llamada matriz bandeada,

Resulta cuando a la matriz original se le agrega una o ms columnas,

1.2.4. OPERACIONES CON MATRICES

Suma y resta con matrices

La suma y resta de matrices se puede llevar a cabo, si y solo si, las

UNIVERSIDAD NACIONAL DE JAN

La suma de dos matrices, por ejemplo, [ A ] y [ B ]

los trminos correspondientes de cada matriz. Los elementos de la matriz

La resta de dos matrices, por ejemplo,

los trminos correspondientes de cada matriz. Los elementos de la matriz

Multiplicacin con matrices

La multiplicacin de una matriz

por un escalar g se obtiene

por el escalar g, as que,

El producto de dos matrices se simboliza como

es la dimensin columna de [A] y de los renglones de [B].

se obtiene al sumar el producto de elementos

UNIVERSIDAD NACIONAL DE JAN

En otras palabras, el nmero de columnas de la primer matriz, debe ser