jueves, 25 de mayo de 2023

SOLUCION DE ECUACIONES DIFERENCIALES

 

METODOS DE UN PASO


Los métodos de un paso son un conjunto de algoritmos para resolver ecuaciones diferenciales en un solo paso. Estos incluyen:


1. Método de Euler: este es un método simple que aproxima la solución al usar tangentes para estimar la pendiente de la curva en cada punto. Es fácil de implementar pero no es muy preciso.


2. Método de Runge-Kutta de segundo orden: este es un método más preciso que el Método de Euler. En este método, se utiliza el promedio de dos pendientes para aproximar la solución en cada punto.


3. Método de Runge-Kutta de cuarto orden: este es uno de los métodos más precisos que se pueden usar para resolver ecuaciones diferenciales. Utiliza una serie de cálculos para estimar la solución en cada punto y se utiliza en muchas aplicaciones prácticas.


4. Método de Adams-Bashforth: este es un método de múltiples pasos que usa estimaciones anteriores de la solución para calcular la próxima estimación. Es más preciso que el Método de Euler pero menos preciso que los métodos de Runge-Kutta.


5. Método de Adams-Moulton: este es otro método de múltiples pasos que utiliza la estimación inicial del Método de Euler, pero luego utiliza una fórmula más precisa para calcular la siguiente estimación. Es más preciso que el Método de Adams-Bashforth. 


En general, los métodos de un paso son fáciles de implementar y pueden ser precisos si se selecciona el método adecuado para la ecuación diferencial en cuestión.



METODO DE PASOS MULTIPLES

Los métodos de un paso descritos en las secciones anteriores utilizan información en un solo punto xi para predecir un valor de la variable dependiente yi+1 en un punto futuro xi+1. Procedimientos alternativos, llamados métodos multipaso, se basan en el conocimiento de que una vez empezado el cálculo, se tiene información valiosa de los puntos anteriores y esta a nuestra disposición. La curvatura de las líneas que conectan esos valores previos proporciona información con respecto a la trayectoria de la solución. Los métodos multipaso que exploraremos aprovechan esta información para resolver las EDO. Antes de describir las versiones de orden superior, presentaremos un método simple de segundo orden que sirve para demostrar las características generales de los procedimientos multipaso.

Esto lo podemos demostrar mediante las siguientes graficas.













APLICACIONES


Para aplicar métodos matemáticos a un problema físico o de la “vida real”, debemos formular el problema en términos matemáticos; es decir, debemos construir un modelo matemático para el problema. Muchos problemas físicos se refieren a las relaciones entre cantidades cambiantes. Dado que las tasas de cambio están representadas matemáticamente por derivados, los modelos matemáticos a menudo involucran ecuaciones que relacionan una función desconocida y una o más de sus derivadas. Tales ecuaciones son ecuaciones diferenciales. Ellos son el tema de este libro.
Gran parte del cálculo se dedica a aprender técnicas matemáticas que se aplican en cursos posteriores de matemáticas y ciencias; no tendrías tiempo de aprender mucho cálculo si insistes en ver una aplicación específica de cada tema tratado en el curso. De igual manera, gran parte de este libro está dedicado a métodos que se pueden aplicar en cursos posteriores. Sólo una parte relativamente pequeña del libro está dedicada a la derivación de ecuaciones diferenciales específicas a partir de modelos matemáticos, o relacionar las ecuaciones diferenciales que estudiamos con aplicaciones específicas. En esta sección mencionamos algunas aplicaciones de este tipo. El modelo matemático para un problema aplicado es casi siempre más sencillo que la situación real que se estudia, ya que generalmente se requieren supuestos simplificadores para obtener un problema matemático que pueda resolverse. Por ejemplo, al modelar el movimiento de un objeto que cae, podríamos descuidar la resistencia al aire y la atracción gravitacional de cuerpos celestes distintos de la Tierra, o al modelar el crecimiento de la población podríamos suponer que la población crece continuamente en lugar de en pasos discretos.



INTERPOLACION Y AJUSTES DE FUNCIONES

El polinomio de interpolación de Newton

 El polinomio de interpolación de Newton es un tipo de interpolación basado en las diferencias divididas de los datos de la función. Al igual que en otros métodos de interpolación, lo que se busca es encontrar un polinomio que pase por todos los puntos dados de una función.


El procedimiento para encontrar el polinomio de interpolación de Newton consiste en primero calcular las diferencias divididas de la función, que son las razones de cambio entre los valores de la función en los puntos dados. Estas diferencias se utilizan para construir el polinomio de manera recursiva, de tal manera que en cada paso se añade un término más al polinomio.


El polinomio de interpolación de Newton tiene la siguiente forma general:


P_n(x) = f(x_0) + (x - x_0)f[x_0, x_1] + (x - x_0)(x - x_1)f[x_0, x_1, x_2] + ... + (x - x_0)(x - x_1)...(x - x_{n-1})f[x_0, x_1, ..., x_n]


donde f[x_0], f[x_0, x_1], f[x_0, x_1, x_2], ..., f[x_0, x_1, ..., x_n] son las diferencias divididas de la función evaluadas en los puntos dados x_0, x_1, ..., x_n. La expresión f[x_0, x_1, ..., x_k] se define como:


f[x_i] = f(x_i)


f[x_i, ..., x_j] = (f[x_{i+1}, ..., x_j] - f[x_i, ..., x_{j-1}]) / (x_j - x_i)


El polinomio de interpolación de Newton es útil para aproximar una función en un rango de valores en el que no se conocen los valores exactos de la función. También se puede utilizar para la realización de predicciones basadas en datos históricos, como en el caso de los modelos de regresión.





 Polinomio de interpolación de Lagrange

Un polinomio de interpolación de Lagrange es una forma de encontrar un polinomio que pase por un conjunto de puntos dados. Es un método útil para encontrar una expresión matemática para una función desconocida o para aproximar una curva desconocida.


El polinomio de interpolación de Lagrange se define de la siguiente manera:


Dados n puntos (x1, y1), (x2, y2), ..., (xn, yn), el polinomio de interpolación de Lagrange se define como:


P(x) = Σ(yi ∏(x-xj)/(xi - xj)) donde i ≠ j, i=1 a n, j=1 a n.


En esta expresión, yi es el valor de y en el i-ésimo punto, y Π(x-xj)/(xi - xj) es el producto de todos los términos (x-xj)/(xi - xj) excepto cuando i = j.


El polinomio de interpolación de Lagrange pasa por cada uno de los puntos dados y se comporta de manera suave entre ellos. Sin embargo, puede tener problemas cuando n es grande, ya que el cálculo del polinomio requiere mucha computación y puede ser propenso a errores numéricos.




Interpolación segmentada 

La interpolación segmentada se refiere al proceso de dividir un conjunto de datos en segmentos más pequeños y aplicar un método de interpolación a cada segmento individualmente. Esto se puede hacer para mejorar la precisión de la interpolación y obtener una representación más precisa del conjunto de datos general.

Por ejemplo, si tenemos una serie de datos que representa la temperatura a lo largo de un día, podemos dividir los datos en segmentos más pequeños para representar mejor los cambios de temperatura a lo largo del día. Podríamos tener segmentos para la mañana, tarde y noche, y aplicar un método de interpolación diferente a cada uno para obtener una representación más precisa de los cambios de temperatura en cada periodo.

La interpolación segmentada se puede realizar utilizando una variedad de métodos, como la interpolación de splines, interpolación polinómica y la interpolación por tramos lineales. Dependiendo de los datos y las necesidades específicas del problema, se puede elegir el método de interpolación adecuado para cada segmento.

En resumen, la interpolación segmentada es una técnica útil para mejorar la precisión de la interpolación de conjuntos de datos y obtener una representación más precisa de los patrones y cambios en los datos.


RELACION Y CORRELACION

La relación es una medida de la asociación entre dos variables cuantitativas. La correlación es una medida estadística que indica la fuerza y dirección de la relación lineal entre dos variables.

La relación puede ser positiva, negativa o neutra. Una relación positiva significa que a medida que una variable aumenta, la otra también lo hace. Una relación negativa significa que a medida que una variable aumenta, la otra disminuye. Una relación neutra significa que no hay asociación entre las dos variables.

La correlación se mide en una escala de -1 a 1. Un coeficiente de correlación de 1 indica una correlación positiva perfecta, mientras que un coeficiente de -1 indica una correlación negativa perfecta. Un coeficiente de correlación de 0 indica que no hay correlación entre las variables.

Es importante tener en cuenta que la correlación no implica causalidad. Solo porque dos variables están correlacionadas no significa que una sea la causa de la otra.

MINIMOS CUADRADOS 


Los mínimos cuadrados son una técnica estadística utilizada para encontrar la mejor línea de ajuste que se ajuste a un conjunto de datos. Esta línea de ajuste se utiliza para predecir valores futuros basados en datos históricos. 

La teoría de los mínimos cuadrados se basa en minimizar la suma de los cuadrados de las diferencias entre los valores observados y los valores predichos por la línea de ajuste. Esta técnica se utiliza en muchas áreas, como la econometría, la estadística, la ingeniería y la física, por nombrar algunas.

Para utilizar los mínimos cuadrados, primero hay que identificar la relación entre las variables que se están analizando. Luego, se calcula la pendiente y la intersección de la línea de ajuste utilizando fórmulas estadísticas. Por último, se evalúa la calidad de la línea de ajuste mediante el cálculo del error cuadrático medio.

Los mínimos cuadrados son una herramienta importante en el análisis de datos y pueden proporcionar información valiosa para la toma de decisiones empresariales y la investigación científica.


PROBLEMA DE APLICASION

En la actualidad, gracias a la gran evolución que han tenido los métodos numéricos y su implementación en potentes computadoras, es posible, por ejemplo, modelar el choque de un vehículo o hacer el análisis aerodinámico-estructural de un avión, resolviendo en cada caso sistemas algebraicos de ecuaciones con varios cientos de miles (a veces de millones) de incógnitas.

En este documento se presentan algunas aplicaciones de los métodos numéricos a diversos problemas de ingeniería. Se muestra una descripción de algunos de los problemas importantes en el diseńo asistido por computadora utilizando métodos numéricos que actualmente se abordan en ingeniería. Se explican además algunos ejemplos con desarrollos teóricos y computacionales que se realizan en el Centro de Investigación en Matemáticas CIMAT (Guanajuato, México). Este trabajo presenta un panorama general de algunas de las aplicaciones que pueden darse a los métodos numéricos.





 (6/7*2+1)-(7-2*3/6+8) Recorrido polaca -+*/6721+-7*2/368 -+*(6/7)21+-7*2(3/6)8 -+((6/7)*2)1+-7(2*(3/6))8 -((6/7)*(2+1)+((7-2)*(3/6))8 ((6/7...