INSTITUTO POLITECNICO NACIONAL

COORDINACION GENERAL DE ESTUDIOS DE

POSGRADO E INVESTIGACION
ESCUELA SUPERIOR DE INGENIERIA Y
ARQUITECTURA UNIDAD ZACATENCO

DESARROLLO DE CODIGOS EN MATLAB

PARA RESOLVER PROBLEMAS EN HIDRULICA

REGISTRO CGPI 20041017

PARTICIPANTES:

LUCIO FRAGOSO SANDOVAL

J. ROBERTO RUIZ Y ZURVIA FLORES
ARTURO BRUNO JAREZ LEN
JOS LUIS PENA ROMERO
ADRIANA GUADALUPE PORRES LPEZ

MEXICO DISTRITO FEDERAL, A 28 DE JUNIO DEL 2005.

 DESARROLLO DE CODIGOS EN MATLAB, PARA
RESOLVER PROBLEMAS EN HIDRULICA

RESUMEN 4
INTRODUCCIN 4
METODOS Y MATERIALES 5
IMPACTO 6

I. ESTUDIO DEL SISTEMA INTERACTIVO MATLAB 6

I.1ACCESO A MATLAB. 6
I.2. INTRODUCCIN DE MATRICES. 6
I.3. OPERACIONES CON MATRICES, OPERACIONES A COORDENADAS. 7
I.4. DECLARACIONES, EXPRESIONES Y VARIABLES;
ALMACENAMIENTO DE UNA SESIN. 7
I.5. FUNCIONES PARA LA CONSTRUCCIN DE MATRICES. 8
I.6. FOR, WHILE, IF - Y RELACIONES. 8
I.7. FUNCIONES ESCALARES. 9
I.8. FUNCIONES VECTORIALES. 9
I.9. FUNCIONES MATRICIALES. 10
I.10. COMANDOS DE EDICIN DE LNEA Y RELLAMADA. 10
I.11. ARCHIVOS .M. 11
I.12. CADENAS DE TEXTO, MENSAJES DE ERROR, INPUT. 11
I.13. FORMATO DE SALIDA. 12
I.14. HARDCOPY. 12
I.15. GRFICOS. 12
II. MODELOS MATEMTICOS EN HIDRULICA, ANLISIS
DE APROXIMACIONES Y ERRORES EN LOS PROBLEMAS. 14
II.1. ECUACIN DE NAVIER-STOKES 14
III. RESOLUCION DE ECUACIONES NO LINEALES 18
III.1. PLANTEAMIENTO DEL PROBLEMA 18
III.2. METODOS DE SOLUCION 19
III.2.1. MTODO DEL PUNTO FIJO. 19
III.2.2. MTODO DE BISECCIN DE BOLZANO 20
III.2.3. MTODO DE LA REGLA FALSA O DE LA FALSA POSICIN 23
III.2.4. MTODO DE NEWTON-RAPHSON 25
III.2.5. MTODO DE LA SECANTE 27
III.2.6. FUNCIN FZERO (F_NOMBRE,P0) DE MATLAB. 29
IV. RESOLUCION DE SISTEMAS DE ECUACIONES 30
IV.1. PLANTEAMIENTO DEL PROBLEMA 30
IV.2. METODOS DE SOLUCION 31
IV.2.1. SOLUCIONES EMPLEANDO OPERACIONES CON MATRICES 31
IV.2.2. MTODO DE SEIDEL 35
IV.2.3. MTODO DE NEWTON-RAPHSON. 37
V. INTERPOLACIN Y APROXIMACIN POLINOMIAL 39
V.1. PLANTEAMIENTO DEL PROBLEMA 39
V.2. METODOS DE SOLUCION 39
V.2.1. POLINOMIO INTERPOLADOR DE LAGRANGE 39
V.2.2. POLINOMIO DE INTERPOLACIN DE NEWTON 41
V.2.3. POLINOMIO DE CHEBYSHEV. 43
VI. AJUSTE DE CURVAS 45
VI.1. PLANTEAMIENTO DEL PROBLEMA 45
VI.2. METODOS DE SOLUCION 45
VI.2.1. REGRESIN LINEAL O RECTA DE REGRESIN
EN MNIMOS CUADRADOS 45
VI.2.2. LINEALIZACIN DE RELACIONES NO LINEALES. 46
VII. DERIVACION NUMERICA 48
VII.1. PLANTEAMIENTO DEL PROBLEMA 48
VII.2. METODOS DE SOLUCION 48
VII.2.1. DERIVACIN NUMRICA MEDIANTE LIMITES. 48
VII.2.2. DERIVACIN USANDO EL MTODO DE
EXTRAPOLACIN DE RICHARDSON 49
VII2.3. DERIVACIN NUMRICA MEDIANTE
INTERPOLACIN EN N-1 NODOS 50
VIII. INTEGRACION NUMERICA 52
VIII.1. PLANTEAMIENTO DEL PROBLEMA 52
VIII.2. METODOS DE SOLUCION 52
VIII.2.1. MTODO DEL TRAPECIO 52
VIII.2.2. MTODO DE SIMPSON 54
VIII.2.3. MTODO DE ROMBERG 55
IX. ECUACIONES DIFERENCIALES ORDINARIAS 58
IX.1. PLANTEAMIENTO DEL PROBLEMA 58
IX.2. METODOS DE SOLUCION 58
IX.2.1. MTODO DE EULER 58
IX.2.2. MTODO DE HEUN 59
IX.2.3. MTODO DE LAS SERIES DE TAYLOR 61
IX.2.4. MTODOS DE RUNGE-KUTTA 62
IX.2.5. MTODO DE ADAMS-BASHFORTH-MOULTON 63
IX.2.6. MTODO DE MILNE 65
IX.2.7. MTODO DE HAMMING 67
X. SOLUCION NUMERICA DE ECUACIONES EN DERIVADAS PARCIALES 69
X.1. PLANTEAMIENTO DEL PROBLEMA 69
X.1.1. ECUACIN DIFERENCIAL PARCIAL
ELPTICA (FUNCIN POTENCIAL) 69
X.2. METODOS DE SOLUCION 71
X.2.2.a METODO DE DIFERENCIAS FINITAS EXPLICITAS 74
X.2.2.b METODO DE CRANK-NICHOLSON 76
X.2.2.c METODO DE DIFERENCIAS FINITAS 78
REFERENCIAS BIBLIOGRFICAS 80
ANEXO 81
 RESUMEN
Tradicionalmente en la enseanza de la hidrulica se ha dejado que el alumno genere sus
propios cdigos para resolver problemas en este campo, teniendo que rehacerse cada
semestre tales cdigos. Por ello, investigadores de la Escuela Superior de Ingeniera y
Arquitectura, Unidad Zacatenco del Instituto Politcnico Nacional, desarrollaron este proyecto
que nos permite estandarizar los procedimientos en la generacin de cdigos en Matlab,
mismos que se pueden reutilizar, y son fciles de exportar a otros lenguajes de programacin
como lo es el lenguaje C, Basic, o bien Fortran, y que incluso son fciles de interpretar y
realizar.

En este proyecto se desarrollaron diversas herramientas que podrn ser utilizadas en el

curso de Mtodos Numricos y aplicadas a otras materias de Hidrulica, as como tambin
en el desarrollo de otros proyectos de investigacin y en el desarrollo de tesis de grado.

A travs de este proyecto se llevo a cabo en el ambiente del programa Matlab, el desarrollo
de diferentes cdigos, para la solucin de problemas de metodologa numrica, segn el tipo
de problema sobre hidrulica que se pretenda analizar y resolver. De igual manera se
desarroll un Manual de Usuario, que contiene un breviario del objetivo principal de cada
codigo, as como su pseudocdigo y algoritmo que nos explican la actividad paso a paso que
desarrolla cada programa.

INTRODUCCION
Los mtodos numricos son fundamentales para el desarrollo de la programacin numrica
de problemas en el campo de la hidrulica y en general en todo el mbito de la ingeniera.

Los objetivos planteados inicialmente en el proyecto son:

a) Desarrollar una serie de cdigos en Matlab, que permitieran resolver problemas en el
campo de la hidrulica.
b) Estandarizar los procedimientos utilizados en el desarrollo de dichos cdigos.
c) Evaluar los resultados generados de la estandarizacin de los cdigos a travs de
los mens creados, dadas las rutinas y subrutinas.
d) Desarrollar notas para el curso de Mtodos numricos y notas previas para el
desarrollo de un libro.

Es por eso, que a travs del desarrollo de stos cdigos de anlisis nmerico, se realizaron
varios procedimientos estandarizados, para que los alumnos que cursen materias, en las
cuales tengan la necesidad de desarrollar alguno de los programas que contenga la gua de
este trabajo, ahorre tiempo en la codificacin del programa, ya que solo tendr que delimitar
su problema y agregar los datos en la ventana de inicio del programa Matlab o bien a un
fichero, y ste correr sus datos en el algoritmo que se le designe.

Con el desarrollo de este proyecto se gener un paquete de cdigos, de los cuales nos
podremos auxiliar en la resolucin de problemas hidrulicos, as como una gua
prctica que nos permite conocer la utilidad de cada uno de los mtodos
desarrollados, su funcionamiento, su pseudocdigo (lista de acciones del programa),
su algoritmo (secuencia lgica y matemtica de los pasos que ejecuta el programa),
as como la codificacin detallada de cada uno de stos.

Por lo antes expuesto se puede considerar, que el proyecto es de gran importancia pes sus
resultados pueden utilizarse de una amplia forma, dentro del medio educativo, y de
investigacin, dentro del desarrollo de otros proyectos relacionados con la Hidrulica, cuyo
campo accin es muy grande.

METODOS Y MATERIALES
Para el alcance de los objetivos planteados, fue necesario recrear en Matlab todos y cada
uno de los componentes del anlisis numrico, para as a partir de ellos delimitar cada uno
de los elementos que se deban de analizar y desarrollar para generar los nuevos cdigos en
todos los temas de los Mtodos Numricos que nos permitieran su aplicacin para resolver
problemas en el campo hidrulico, para diferentes condiciones y situaciones que se
representaron, en dichos programas, lo cual tambin integran los resultados de este
proyecto. Lo antes expuesto se describe detalladamente en los diez captulos que se
presentan despus de la presentacin del IMPACTO del presente proyecto.

De igual manera de cada seccin se gener un men que permiti realizar la evaluacin de
los resultados generados, de manera rpida y concisa, demostrando la efectividad de las
metodologas empleadas.

AMBIENTE MATLAB.
Para llevar a cabo la aplicacin de dicha metodologa fue necesario, realizar un estudio del
comportamiento de los componentes que utilizaramos en matlab, para desarrollar el estudio
de los scrips o cdigos.

MATLAB es un programa para realizar clculos numricos con vectores y mtrices. Como
caso particular puede tambin trabajar con nmeros escalares, tanto reales como complejos.
Una de las capacidades ms atractivas es la de realizar una amplia variedad de grficos en
dos y tres dimensiones. MATLAB tiene tambin un lenguaje de programacin propio. 1

Es un gran programa para clculo tcnico y cientfico. Para ciertas operaciones es muy
rpido, cuando puede ejecutar sus funciones en cdigo nativo con los tamaos ms
adecuados para aprovechar sus capacidades de vectorizacin. En otras aplicaciones resulta
bastante ms lento que el cdigo equivalente desarrollado en C, C++ o Fortran. Sin
embargo, siempre es una magnfica herramienta de alto nivel para desarrollar aplicaciones
tcnicas, fcil de utilizar y que aumenta la productividad de los programadores respecto a
otros entornos de desarrollo.
 IMPACTO

Por lo antes expuesto se puede concluir, que el proyecto tiene un gran impacto pues sus
resultados pueden utilizarse de una amplia forma, dentro del medio educativo, y de
investigacin, dentro del desarrollo de otros proyectos relacionados con la Hidrulica, cuyo
campo accin es muy grande.

Lo anterior se entiende al considerar que a travs de este proyecto se desarrollaron diversas

herramientas que podrn ser utilizadas en el curso de Mtodos Numricos y aplicadas a
otras materias de la Maestra en ciencias en Hidrulica, as como tambin en el desarrollo de
otros proyectos de investigacin y adems en el desarrollo de tesis de grado.

I. Estudio del sistema interactivo MATLAB

I.1. Acceso a MATLAB.
Despus de entrar a la mayora de los sistemas, para acceder a MATLAB basta utilizar la
instruccin matlab y para salir, la instruccin exit o quit. Por ejemplo si estamos en una PC,
salvo que tengamos el programa en un directorio aparte, basta con escribir C> matlab
Podemos salir de l con la instruccin: >> quit.

En sistemas que permiten procesos mltiples, como el UNIX, ser conveniente tener activos a
la vez MATLAB y el editor local. Si se trabaja en una estacin de trabajo con ventanas
mltiples ser deseable tener activos MATLAB en una ventana y el editor en otra. Los detalles
de la instalacin local se pueden obtener del centro de clculo correspondiente, o consultando
al instructor.

I.2. Introduccin de matrices.

MATLAB trabaja esencialmente con un solo tipo de objetos: una matriz numrica rectangular
con entradas posiblemente complejas; todas las variables representan matrices. A veces, las
matrices 1_1 se consideran escalares, y las matrices con una sola fila o columna se consideran
como vectores.

Hay varias formas diferentes para introducir una matriz en MATLAB. A saber:
_ Introduciendo una lista explcita de elementos,
_ Generndola mediante funciones y declaraciones,
_ Crendola en un archivo .m,
_ Cargndola de un archivo de datos externo .
Por ejemplo, cualquiera de las declaraciones A = [1 2 3; 4 5 6; 7 8 9]
y A=[
123
456
789]

crea la matriz 3 _ 3 que se espera y la asigna a una variable A. Los elementos en una fila de
una matriz pueden separarse tanto por comas como por espacios en blanco. Cuando alguno de
los nmeros se escribe en forma exponencial (por ejemplo 2.34e-9), deben evitarse los
espacios en blanco. La escritura de una matriz grande debe hacerse preferentemente en un
archivo .m, donde es ms sencillo corregir errores.

Las entradas individuales de una matriz o de un vector se pueden obtener poniendo los ndices
entre parntesis de la forma usual. Por ejemplo, A(2; 3) denota la entrada en la segunda _la y
tercera columna de la matriz A y x(3) denota la tercera coordenada del vector x. Solo se
pueden usar como ndices de vectores y de matrices enteros positivos.

I.3. Operaciones con matrices, operaciones a coordenadas.

Disponemos en MATLAB de las siguientes operaciones con matrices:
+ adicin
_ sustraccin
* multiplicacin
^ potenciacin
traspuesta
\ divisin izquierda
/ divisin derecha

Estas operaciones para matrices se aplican tambin a escalares (matrices 1_1). Si los tamaos
de las matrices son incompatibles para la operacin matricial se obtiene un mensaje de error,
exceptuando el caso en que uno de los operandos sea un escalar y el otro una matriz (para la
adicin, sustraccin, divisin y multiplicacin). En esta situacin se opera el escalar con cada
trmino de la matriz.

I.4. Declaraciones, expresiones y variables; almacenamiento de una

sesin.
MATLAB es un lenguaje de expresiones; las expresiones que se escriben son interpretadas y
evaluadas. Las instrucciones de MATLAB son, normalmente, de la forma :
variable = expresin, o simplemente expresin.

Las expresiones se componen, usualmente, a partir de operadores, funciones y nombres de

variables. La evaluacin de una expresin produce una matriz, que se muestra en pantalla, y se
asigna a la variable para su posterior uso. Si se omiten la variable y el signo =, se crea una
variable llamada ans (por answer) a la que se asigna el resultado de la expresin.

La instruccin who muestra las variables que se encuentran en el espacio de trabajo. Para
eliminar una variable de la memoria se utiliza la instruccin clear nombre variable. Si se
escribe slo clear se borran todas las variables no permanentes.

Almacenamiento de sesiones. Cuando salimos de MATLAB se pierden todas las variables.

Para evitarlo se puede utilizar la instruccin save antes de salir. Esto hace que las variables se
almacenen en el archivo de disco matlab.mat. Al acceder de nuevo a MATLAB, se pueden
recuperar todas las variables con la instruccin load.

I.5. Funciones para la construccin de matrices.

Las siguientes funciones estn disponibles en MATLAB:

eye matriz identidad
zeros matriz de ceros
ones matriz de unos
triu parte triangular superior de una matriz
tril parte triangular inferior de una matriz
rand matriz generada aleatoriamente
hilb matriz de Hilbert
magic matriz mgica
Por ejemplo, zeros(m,n) produce una matriz nula m _ n, y zeros(n) produce otra cuadrada de
orden n; si A es una matriz, entonces zeros(A) produce una matriz de ceros del mismo orden
que A.

Si x es un vector, diag(x) es la matriz diagonal con x en su diagonal; si A es una matriz

cuadrada, diag(A) es un vector formado por la diagonal de A.

I.6. For, while, if - y relaciones.

Bsicamente, las instrucciones para el control de flujo de MATLAB, operan como en la
mayora de los lenguajes usuales.

for. Por ejemplo, las instrucciones

x = []; for i = 1:n, x=[x,i ^ 2], end
o
x = [];
for i = 1:n
x = [x,i
b 2]
end
darn como resultado un cierto vector mientras que
x = []; for i = n:-1:1, x=[x,i ^ b 2], end

dar el mismo vector en orden inverso, producirn e imprimirn en pantalla la matriz de

Hilbert m _ n. El punto y coma de la instruccin interior suprime la impresin no deseada de
los resultados intermedios mientras que el ltimo H muestra el resultado final.

while. La forma general de un bucle while es

while relacin
instrucciones
end

Las instrucciones se repetirn mientras la relacin sea cierta. Por ejemplo, dado un nmero a,
las instrucciones siguientes calculan y muestran el menor entero no negativo n tal que 2n a.
if. La forma general de un bucle if simple es
if relacin
instrucciones
end
Las instrucciones se ejecutarn slo si la relacin es cierta.

Relaciones. Los operadores relacionales en MATLAB son

< menor que
> mayor que
<= menor o igual que
>= mayor o igual que
== igual
_= no igual.

I.7. Funciones escalares.

Algunas funciones de MATLAB operan esencialmente sobre escalares, aunque lo hacen
tambin sobre matrices (elemento a elemento). Las funciones ms comunes entre estas son:

sin asin exp abs round

cos acos log (natural) sqrt oor
tan atan rem (resto) sign ceil

I.8. Funciones vectoriales.

Otras funciones de MATLAB operan fundamentalmente sobre vectores (fila o columna),
aunque tambin pueden operar sobre matrices m _ n (m _ 2) hacindolo en este caso columna
a columna, produciendo, por tanto, un vector _la que contiene el resultado de su aplicacin a
cada columna. Para conseguir que acten por _las basta usar la transpuesta;
por ejemplo, mean(A')'. Veamos algunas de estas funciones:
max sum median any
min prod mean all
sort std

Por ejemplo, la entrada mxima de un matriz A se obtiene con max(max(A)) en vez de

max(A). Intntelo.

I.9. Funciones matriciales.

Las funciones matriciales ms tiles de MATLAB son las siguientes:
chol factorizacin de Cholesky
svd descomposicin en valores singulares
inv inversa
lu factorizacin LU
qr factorizacin QR
hess forma de Hessenberg
schur descomposicin de Schur
rref forma escalonada reducida por filas
expm matriz exponencial
sqrtm matriz raz cuadrada
poly polinomio caracterstico
det determinante
size tamao
norm norma 1, norma 2, norma de Frobenius, norma 1
cond nmero de condicin en la norma 2
rank rango

I.10. Comandos de edicin de lnea y rellamada.

Es fcil editar la lnea de comandos en MATLAB. El cursor se posiciona con las echas
izquierda/derecha mientras que para borrar caracteres pueden usarse las teclas Retroceso o
Suprime. Tambin son accesibles otras posibilidades de edicin. En un PC pruebe con las
teclas Inicio, Fin, y Suprime; en otros sistemas ver help cedit o type cedit.

Una posibilidad muy til es usar las echas arriba/abajo para recuperar los comandos previos.
Se puede, por tanto, recuperar una lnea de comandos previa, editarla, y ejecutarla revisada.
Para pequeas rutinas, esto es ms conveniente que usar un archivo.m lo que requiere moverse
entre MATLAB y el editor. Por ejemplo, el nmero de operaciones para el clculo de la
inversa de matrices de varios tamaos podr ser comparado recuperando, editando y
ejecutando repetidamente:
a = rand(8); flops(0), inv(a); flops
Si se desea comparar las grficas de las funciones y = senmx y y = cosnx en el intervalo [0;
2] para varios m y n, se podr hacer lo mismo con la lnea de comandos:
m=2; n=3; x=0:.01:2*pi; y=sin(m*x); z=cos(n*x); plot(x,y,x,z)

I.11. Archivos .m.

MATLAB puede ejecutar una sucesin de instrucciones almacenadas en archivos de disco.

Estos archivos se denominan \archivos .m", debido a que su sufijo debe ser \m". Gran parte del
trabajo con MATLAB ser el de crear y refinar archivos.m.

Hay dos tipos de archivos .m: archivos de instrucciones y archivos de funciones.

Archivos de instrucciones. Los archivos de instrucciones son utilizados a menudo para

introducir datos en una matriz grande. En un archivo de este tipo es bastante sencillo corregir
los errores sin tener que repetir todo el trabajo. Si, por ejemplo, se escribe en el archivo
datos.m

Archivos de funciones. Los archivos de funciones hacen que MATLAB tenga capacidad de
crecimiento. Se pueden crear funciones especficas para un problema concreto, y, a partir de su
introduccin, tendrn el mismo rango que las dems funciones del sistema.

Las variables en las funciones son locales. Veremos, en primer lugar, un ejemplo sencillo de
archivo de funcin:
function a = ental(m,n)
%ENTAL Matriz entera generada aleatoriamente.
% ental(m,n) produce una matriz mxn con entradas
% enteras entre 0 y 9
a = floor(10*rand(m,n));

I.12. Cadenas de texto, mensajes de error, input.

Las cadenas de texto se introducen en MATLAB entre comillas simples. Por ejemplo, s =
'Esto es una prueba' asigna la cadena de texto dada a la variable s. Las cadenas de texto
pueden mostrarse con la funcin disp.
Por ejemplo: disp('Este mensaje se est mostrando aqu')
Los mensajes de error se muestran mejor con la funcin error ;
error('Lo siento, la matriz debe ser simtrica')

ya que esta hace que la ejecucin salga del archivo .m.

I.13. Formato de salida.
Aunque todos los clculos en MATLAB se efectan en doble precisin, el formato de la salida
en pantalla puede ser controlado con las siguientes instrucciones.
format short coma fija con 4 decimales (el defecto)
format long coma fija con 14 decimales
format short e notaci_on cient___ca con 4 decimales
format long e notaci_on cient___ca con 15 decimales
Una vez que se ordena un formato, se mantiene hasta que se ordena un cambio. La orden
format compact evitar la mayor parte de las lneas en blanco, con lo que se puede mostrar
ms informacin en pantalla. Es independiente de las dems instrucciones de formato.

I.14. Hardcopy.
La forma ms sencilla de obtener una hardcopy1 es con la instruccin diary. La orden diary
nombre de archivo hace que todo lo que aparezca a continuacin en pantalla (excepto los
grficos) sea escrito en el archivo nombre de archivo (si se omite el nombre se toma por
defecto diary) hasta que se ordena diary off; la instruccin diary on har que se escriba al final
del archivo,etc. Al terminar, se puede editar el archivo como se desee e imprimirlo en el
sistema local.

Todo se puede hacer sin salir de MATLAB usando el signo !.

I.15. Grficos.
MATLAB puede producir grficos planos y grficos de malla de superficies tridimensionales.
Para ver algunas de sus posibilidades escriba plotdemo.

Grficos planos. La instruccin plot crea grficos en el plano XY; si x e y son vectores de la
misma longitud, la orden plot(x,y) accede a la pantalla grfica y realiza un grfico plano de los
elementos de x contra los elementos de y. Por ejemplo, podemos dibujarla grfica de la
funcin seno sobre el intervalo [-4; 4] con las instrucciones siguientes:
x = -4:.01:4; y = sin(x); plot(x,y)
El vector x es una particin del dominio con paso 0.01 mientras que y es un vector (sin es
vectorial) con los valores que toma el seno en los nodos de esta particin. Para volver a la
pantalla alfanumrica desde la grfica, se pulsa cualquier tecla. Por el contrario, para acceder a
la pantalla grfica, se usa la orden shg (show graph). Si su mquina soporta ventanas mltiples
con una ventana grfica aparte, puede desear mantener la ventana expuesta |aunque a un lado|
y la ventana alfanumrica activa.

Pueden ponerse ttulos, comentarios en los ejes o en cualquier otra parte con los siguientes
comandos que tienen una cadena como argumento:
title t__tulo del gr_a_co
xlabel comentario en el eje x
ylabel comentario en el eje y
gtext texto posicionado interactivamente
text texto posicionado mediante coordenadas
II. Modelos matemticos en hidrulica, anlisis de
aproximaciones y errores en los problemas.
II.1. Ecuacin de Navier-Stokes

Considerando la partcula elemental de masa m constante, representada en la figura 4.6 y

sujeta a las fuerzas de superficie y a la fuerza de cuerpo en un campo gravitacional la ecuacin
4.1 aplicada en la direccin x , resulta

du
Fx = ma x = = ( dxdydz ) a x = x dydz +
dt

yx
x + dx dydz + yx + dy dxdz
x y

zx
yx dxdz + zx + dz dydx zx dydx +
z

gx dxdydz 2.1

simplificando se tiene que:

x yx zx
a x = + + + g x 2.2a
x y z

similarmente, para las direcciones y y z , resulta que

y xy zy
a y = + + + g y 2.2b
y x z

z xz yz
a z = + + + g z 2.2c
z x y

nombrndose a stas, Ecuaciones Generales de Movimiento, aplicadas a cualquier fluido

dentro de un campo gravitacional.

S el fluido es de tipo newtoniano se sustituyen las ecuaciones 4.40 y 4.45 en las ecuaciones
2.2. Adems de considerar que el esfuerzo normal es igual a - p, segn la ecuacin 3.48,
la ecuacin 2.2a resulta ser igual a
 p u 2 v u
a x = g x + 2 ( q) + + +
x x x 3 y x u

u w
+ 2.3
z z x

qu es vlida para un fluido newtoniano de densidad y viscosidad variables en un campo

gravitacional. Como es una funcin de la temperatura y muy ligeramente de la presin,
por tanto, si se considera que los cambios de la temperatura y de presin no influyen en ,
sta entonces es constante, por lo que la ecuacin 2.3 se transforma en

p u 2 v u
ax = g x + 2 ( q) + + +
x x x 3 y x u

u w
+ 2.4
z z x

qu despus de desarrollar y simplificar, y haciendo lo mismo para las direcciones y y z , se

obtiene

p u u 2u
2 2

ax = g x
x
+ 2 + + + ( q)
y 2 z 2 3 x
2.5a
x

p v v v
2 2 2

a y = g y
y
+ z + + + ( q)
y z z z 3 x
2.5b
x

p w w w
2 2 2

a z = g z
z
+ z + + + ( q)
z 3 z
2.5c
x yz

Estas ecuaciones son llamadas Ecuaciones de Navier-Stokes o ecuaciones diferenciales de la

conservacin de la cantidad de movimiento lineal, aplicadas a fluidos newtonianos de
viscosidad constante, de densidad variable en un campo gravitacional y para un flujo no
permanente. Estas ecuaciones presentadas en notacin vectorial y usando las ecuaciones 3.7 y
3.9 se transforman en

q
a= + (q )q = g p + 2 q + ( q) 2.6
t 3

Para fluidos donde la densidad permanece constante, la ecuacin de continuidad es q = 0 ,

por tanto la ecuacin 2.6 se reduce a
 q
+ (q )q = g p + q
2
2.7
t

Generalizando la posicin de una partcula referida a un sistema de coordenadas cartesiano y

situada a una altura h( x , y, z ) sobre un plano horizontal de referencia, como el que se observa
en la figura 4.7, el valor de h / x significa el incremento de la elevacin h en la
direccin x ; si esta variacin es constante, entonces ser igual al sen . Para un valor
positivo de h / x , la componente del peso en la direccin x, ser negativa, pues la
componente de la aceleracin de la gravedad en la direccin x es gx e igual a - g h / x .
De forma semejante, para las direcciones y y z las componentes de la aceleracin de la
gravedad sern respectivamente; g y = g h / y y g 2 = g h / z , o bien g = gh
que pueden ser sustituidas en las ecuaciones anteriores.

Por ejemplo, para el caso de la ecuacin 2.7 y sus componentes resultan ser

q 1
a= + (q )q = gh p + 2 q 2.8
t

h 1 p u u u
2 2 2
u u u u
+u +v +w = g + + + 2.9a
t x y z x x x 2 y 2 z 2

h 1 p v v v
2 2 2
v v v v
+u +v +w = g + + + 2.9b
t x y z y y x 2 y 2 z 2

h 1 p w w w
2 2 2
w w w w
+u +v +w = g + + + 2.9c
t x y z z z x 2 y 2 z 2

Debe observarse que ax , ay y az , fueron reemplazadas por los valores expresados en las
ecuaciones 3.9. Las ecuaciones 2.8 y 2.9 son tambin de Navier - Stokes en un sistema de
coordenadas cartesiano para un fluido newtoniano de viscosidad y densidad constante
(incompresible).

Las ecuaciones 2.9 en coordenadas cilndricas se expresa de la siguiente manera:

Para la direccin r

vr v r v v r v2 vz h 1 p
+ vr + + vz =g +
t r r r z r r
 2 v v r
2 2
1 1 vr

r r r
( rv r ) +
r
2 2
r 2
+
z 2
2.10a

Para la direccin

v v v v v r v v h 1 p
+ vr + + + vz =g +
t r r r z r

1 2 v v
2 2
1 v

r r r
( rv ) + 2
r 2 + 2
r
+ 2
z
2.10b

Para la direccin z

vz v z v v z vz h 1 p
+ vr + + vz =g +
t r r z z z

1 v z 1 v z v z
2 2

r + + 2.10c
r r r r z 2 z 2

Todas estas ecuaciones son diferenciales parciales no lineales, que en muchos de los casos es
imposible obtener soluciones generales; por ello es que en algunos problemas de ingeniera es
necesario efectuar simplificaciones razonables que dan soluciones aproximadas con fines de
diseo, como se ver en incisos posteriores; sin embargo, para otros problemas de flujo se
pueden generar soluciones exactas, como es el caso de flujo entre placas paralelas y tuberas
de dimetro constante y flujos permanentes y plenamente desarrollados.
III. RESOLUCION DE ECUACIONES NO LINEALES
III.1. PLANTEAMIENTO DEL PROBLEMA

En hidrulica un problema frecuente es encontrar las races de ecuaciones algebraicas y

trascendentales de la forma f(x) = 0 o x = g(x), donde f(x) es una funcin real de una variable
x. Se le llaman races de la ecuacin a los valores de x que hacen f(x) = 0

Ejemplo de estas ecuaciones son:

a). Tirante normal (ecuacin algebraica no lineal)

2 nQ
Ah Rh 3 =
So
Donde:
yn = Tirante normal, en m
Ah = rea hidrulica, en m2 = (B+t yn) yn
Pm = Permetro mojado, en m = Pm = B + 2 y n 1 t 2
Rh = Radio hidrulico, en m = Ah/Pm
Q = Gasto medio, en m3/s
B = Ancho de plantilla, en m
t = Talud del canal, adimensional
n = Coeficiente de rugosidad de Manning
So = Pendiente longitudinal del canal.
b). Longitud de la onda en aguas intermedias (ecuacin trascendental), en la teora lineal de la
ola progresiva (pequea amplitud)
gT 2 2 d
L= tanh
2 L
Donde:
L = Longitud de la ola, distancia horizontal medida entre dos crestas o valles
consecutivos, en metros
T = Periodo de la ola, tiempo que tarda en pasas por un punto fijo dos crestas o dos
valles consecutivos, en segundos
g = Aceleracin local de la gravedad = 9.81 m/s
= 3.1416
d = Profundidad del cuerpo de agua, en metros.

c). Factor de friccin para tubos comerciales, en la regin entre tubos lisos y la zona de
turbulencia completa, desarrollada por Colebrook y que es la base para el diagrama de Moody.
1 2.523
= 0.869 ln D +
f 3.7 R f

Donde:
f = Coeficiente de friccin
 = Rugosidad relativa del tubo
D = Dimetro de la tubera, en m
R = Numero de Reynolds

III.2. METODOS DE SOLUCION

III.2.1. Mtodo del punto fijo.

a. Introduccin

Resuelve la ecuacin x=g(x), bajo determinadas condiciones para la funcin g, mediante el

mtodo iterativo que parte de un valor inicial p0 (aproximacin a la solucin) y que se define
como pk+1 = g(pk). El teorema del punto fijo asegura que esta sucesin as definida converge
hacia una solucin de la ecuacin y = g(x). En la prctica el proceso iterativo hay que
detenerlo cuando el error absoluto o relativo correspondiente a dos iteraciones consecutivas es
inferior a una cota prefijada (tolerancia).

b. Algoritmo
Entrada: f_nombre = Nombre de la funcion que define la ecuacion
p0 = Punto de partida, cercano a la solucion
Salida: it = Nmero de iteraciones realizadas
punto = Aproximacin al punto fijo
ErrorAbs = Diferencia entre dos valores consecutivos
Puntos' = Sucesion de puntos {pn}
Pasos computacionales:
*condiciones iniciales; Sean tolerancia= 0.000001
it_ limite=500 (limite de iteraciones)
Inicia la iteracin declarando puntos(1) = p0.
Para lmite de iteraciones igual a 2 hasta el lmite de iteraciones
*evaluacin de funciones; Puntos(it) f(Puntos(it-1))
Por lo que el:
error absoluto = valor absoluto de (Puntos(it)) menos(Puntos(it-1));
error relativo = error absoluto entre el valor absoluto de Puntos(it)
ms psilon.
Punto = Puntos(it).
S. El error absoluto es menor que la tolerancia el error
relativo es menor que la tolerancia en tonces
Termina, Finaliza
Finaliza
S la iteracin es identica a el lmite de iteraciones, entonces Indica que
seexcedi el nmero mximo de iteraciones y
Termina
Denota que Puntos=Puntos';
c. Cdigo en Matlab

%Metodo del punto fijo

%Objetivo: Resuelve ecuaciones no lineales del tipo x=g(x)
%Sintaxis:
%function [it,punto,ErrorAbs,Puntos] = puntofijo(f_nombre,p0)
%function [punto] = puntofijo(f_nombre,p0)
%Entrada:
% - f_nombre = Nombre de la funcion que define la ecuacion a
% resolver introducida como una cadena de caracteres 'g1'.
% - p0 = Punto de partida, cercano a la solucion
% Salida:
% - it = Nmero de iteraciones realizadas
% - punto = Aproximacin al punto fijo
% - ErrorAbs = Diferencia entre dos valores consecutivos
% - Puntos' = Sucesion de puntos {pn}

%Parametros de control
Tolerancia=0.000001; %Tolerancia
it_limite=5000; %Nmero mximo de iteraciones

%Inicia Iteracin
Puntos(1)= p0;
for it=2:it_limite
Puntos(it)=feval(f_nombre,Puntos(it-1));
ErrorAbs=abs(Puntos(it)-Puntos(it-1));
ErrorRel=ErrorAbs/(abs(Puntos(it))+eps);
punto=Puntos(it);
if (ErrorAbs<Tolerancia) | (ErrorRel<Tolerancia),break;end
end
if it == it_limite
disp('Excedido el nmero mximo de iteraciones')
end
Puntos=Puntos';

III.2.2. Mtodo de biseccin de Bolzano

a. Introduccin

El mtodo de biseccin es el ms sencillo posible. Dada una funcin f real y continua en el

intervalo compacto I0 = [a; b] y que toma valores de signos contrario en a y b, esto es f(a) f(b)
< 0, el teorema de Bolzano asegura que f se anula en algn punto interior de I0.
El mtodo de biseccin calcula f(c) donde c = (a+b)/2 es el punto medio del intervalo. Si f
(c) = 0, hemos acabado, pero si no es as tiene el mismo signo que f(a) o f(b), es decir, en uno
de los dos intervalos [a; c] o [c; b] la funcin toma valores de signo contrario en los
extremos y por lo tanto contiene una raz. Llamando ahora I1 a dicho intervalo estamos en la
situacin anterior pero con I1 en lugar de I0, la ventaja es que la longitud de I1 es la mitad de
la I0. Repetimos el procedimiento de evaluar f en el punto intermedio de I1 y quedarnos con la
mitad I2 donde haya un cambio de signo en los valores de los extremos.

Continuando este proceso obtenemos una sucesin de intervalos encajados In de longitud

(b-a)/ 2n que contienen una raz de f.

Teorema 1 [Teorema de Bolzano] Si f es una funcin continua en el intervalo cerrado [a,

b] y f (a) f (b) < 0, existe un punto (a, b) en el cual f ( ) = 0.

b. Algoritmo

Se quiere resolver la ecuacin f (x) = 0.

Entrada: X a, X c, f uncin.
Salida: Yb (solucin aproximada o mensaje de fracaso)
Pasos computacionales:
*condiciones iniciales; Sean tolerancia= 0.0000001
it_ limite=300 (limite de iteraciones)
it = 0.

*evaluacin de funciones; Ya f(Xa)

Yc f(Xc)

S (Ya*Yc > 0), comprueba si Xb es una mejor aproximacin de la raz

que Xa.
Termina. Indica que : f(a) f(c) < 0, Cambia a o b y ejecuta otra vez
.

S no contina aplicando criterio de convergencia.

Mientras se incrementa la iteracin it = it + 1.

Aplica el mtodo de biseccin para encontrar el punto medio.
Xb = (Xa-Xc) / 2
Evala:
Yb f (Xb)
Criterios de parada, detenemos la iteracin si sucede al menos alguna de
stas posibilidades:
Si (abs(Xc-Xa)) <= tolerancia, tolerancia satisfecha.
Termina.
 S (it>it_limite), indica se excedi el lmite de iteraciones.
Termina.
S (Ya*Yb<=0)
Xc = Xb y Yc = Yb
S no Xa = Xb y Ya = Yb
Termina.

c. Cdigo en Matlab

% METODO DE BISECCION.

% biseccin(funcin, a,c)

% Datos
% - funcin : Definicion de la ecuacin a resolver.
% - Xa, Xc : Extremos del intervalo inicial.
% Salida
% - tolerancia : Tolerancia.
% - it_limite : Limite del numero de iteraciones.
% - Ya, Yc : Valores "y" de los extremos actuales.

function [Xb] = biseccion(funcion,Xa,Xc)

tolerancia = 0.0000001;
it_limite = 300;
it = 0;

%Evaluar las funciones

Ya = feval(funcion, Xa );
Yc = feval(funcion, Xc );

if ( Ya*Yc > 0 )

%Checa que f(a)f(c) < 0, funcion cambia de signo en el intervalo

fprintf( '\n Detenido porque f(a)f(c) > 0 \n' );
fprintf( '\n Cambiar a o b y ejecutar otra vez.\n' );
break;
else
while 1
it = it + 1;
%Se determina la aproximacion a la raiz y evalua la funcion
Xb = (Xa + Xc)/2;
Yb = feval(funcion, Xb );

%Checa que no se exceda la tolerancia

if ( abs(Xc-Xa)<=tolerancia )
fprintf( ' Tolerancia satisfecha. \n' );break
end
 %Checa que no se excedan las iteraciones
if ( it>it_limite )
fprintf( ' Excedido el limite de iteraciones.\n' ); break
end

%Se redefinen los valores

if( Ya*Yb <= 0 ) Xc = Xb; Yc = Yb;

else Xa = Xb; Ya = Yb;
end
end
end

III.2.3. Mtodo de la regla falsa o de la falsa posicin

a. Introduccin

En el mtodo de la falsa posicin se presenta una alternativa basada en una visualizacin

grfica que consiste en unir f (X1) y f (Xn) con una lnea recta.

La interseccin de sta lnea con el eje de las X representa una mejor estimacin de la raz.

El hecho de que se reemplace una lnea curva por una lnea recta da una posicin falsa de la
raz; de aqu el nombre del mtodo de la falsa posicin, o en latn, regula falsi. Tambin se le
conoce como el mtodo de la interpolacin lineal.

Usando tringulos semejantes, la interseccin de la lnea recta con el eje de las x puede ser
estimado como:
f (Xl) f (Xu)
---------- = -----------
Xr Xl Xr - Xu
El cual puede resolverse por;
f (Xu) (Xl Xu)
Xr = Xu -- --------------------
f (Xl) -- f (Xu)

El valor de Xl , calculado con la ecuacin anterior reemplaza uno de los dos valores iniciales
Xl o Xu, que produzca un valor de la funcin.

b. Algoritmo

Entrada: a, c, f uncin.
Salida: c, err, yc = f(c).

Pasos:

*condiciones iniciales; Sean delta = tolerancia para el cero = 0.0000001

 epsiln = tolerancia para la funcin
= 0.0000001
max1 = numero mximo de iteraciones =300

*evaluacin de funciones; Ya f(Xa)

Yb f(Xb)

S (Ya*Yb > 0), comprueba si Xb es una mejor aproximacin de la raz

que Xa.
Indicar que : f(a)*f(b) > 0 ,
Termina.
Para k =1 hasta max1
Aplica el mtodo de falsa posicin.
Calculando dx = yb * (b-a) / (yb-ya);
Calculando c = b - dx;
Calculando ac = c a;
Evala: yc f (c)
S yc ==0, Termina

S no itera
S yb*yc>0,
Entonces b = c;
yb = yc;
S no a = c;
ya = yc; Termina
Calcula el valor mnimo de dx;
dx =min(abs(dx),ac);
Criterios de parada, detenemos la iteracin si sucede al menos alguna de
stas posibilidades:
Si (abs(dx)) <delta, Termina.
Si (abs(yc)) <epsilon, Termina.
Finaliza.
Damos salida al valor de c calculado,
Damos salida al clculo de el error err = abs (b a) / 2;
Evalamos: yc f (c).

c. Cdigo en Matlab

function [c]=regula(funcion,a,b)

% Datos
% - f es la funcin, introducida como una cadena de caracteres 'f'
% - a y b son el extremo izquierdo y el extremo derecho
% - delta es la tolerancia para el cero
% - epsiln es la tolerancia para el valor de f en el cero
% - max1 es el numero mximo de iteraciones
 % Resultados
% - c es el cero
% - yc=f(c)
% - err es el error estimado de la aproximacin a c

delta = 0.0000001;
epsilon =0.0000001;
max1=300;

ya=feval(funcion,a);
yb=feval(funcion,b);

if ya*yb>0
disp('Nota: f(a)*f(b) >0'),
break,
end

for k=1:max1
dx=yb*(b-a)/(yb-ya);
c=b-dx;
ac=c-a;
yc=feval(funcion,c);
if yc==0,break;
elseif yb*yc>0
b=c;
yb=yc;
else
a=c;
ya=yc;
end
dx=min(abs(dx),ac);
if abs(dx)<delta,break,end
if abs(yc)<epsilon, break,end
end

c;
err=abs(b-a)/2;
yc=feval(funcion,c);

III.2.4. Mtodo de Newton-Raphson

a. Introduccin

Este mtodo consiste en un procedimiento iterativo para calcular valores aproximados de una
raiz o un cero de la ecuacin f (x) = 0, partiendo de un punto conocido y cercano a la raz
buscada.
Sea r una raiz de f (x) = 0 situada en el intervalo (a, b) y supngase que f (x) existe en (a, b).
La recta tangente a la curva en el punto P(a, f(a)) de abscisa a (valor que se toma como la
aproximacin inicial de r) viene dada por:
y f(a) = f(a)(x-a) (punto pendiente)

Para determinar el punto de interseccin de esta recta con el eje x, que se llamar a1 y que se
considera como la siguiente aproximacin de r, se hace y = 0 en (1), de lo cual se obtiene:
f(a)
a1 = a - ----------- ; f(a) o
f(a)

En muchas ocasiones a1es una aproximacin a r mejor que a; en tales casos se repite de nuevo
el procedimiento reemplazando el punto a por a1. La recta tangente a la curva en el punto
P1(a1, f(a1)) y de pendiente f(a1) viene dada por:
y f(a1) = f(a1)(x-a1)
El intercepto de esta recta con el eje x, que se llamar a2 y que se considera la siguiente
aproximacin de r, se obtiene al hacer y = 0 en la ecuacin (2), y asi se obtiene:
f(a1)
a2 = a1 - ----------- ; f(a1) o
f(a1)

El procedimiento se contina de esta manera utilizando la siguiente frmula de recurrencia:

f(an)
an+1 = an - ----------- ; f(an) o
f(an)

Son muchos los casos en los cuales la frmula anterior proporciona una sucesin de valores an
, que progresivamente se van acercando a la raz exacta.

Resuelve la ecuacin f(x)=0, bajo determinadas condiciones exigidas a f, mediante la iteracin

f ( x k 1 )
p k = p k 1 para un valor inicial dado de p0 lo suficientemente prximo a una
f ' (x k 1 )
solucin.

b. Algoritmo
Entrada: X 0 (aproximacin inicial),
f uncin.

Salida: Xb

Pasos:
 *condiciones iniciales; Sean X = Xo (punto inicial)
Xb = X 999,
del_X = 0.01
n = 0.
Mientras el valor absoluto de (x-xb) sea mayor que 0.00001
n=n+1;
Xb = X
S el valor de n es mayor que 300, Termina, Finaliza
*evaluacin de funciones; Y f(x)
por lo que
y_driv = f(x+del_x) y / del_x ;
x = Xb y / y_driv;
Termina.

c. Cdigo en Matlab

%Newt_n(f_name, x0) Encuentra una ruta de una funcin mediante Iteracin

%de Newton
% f_name: es el nombre de la funcin que define la ecuacin a resolver.
% x0: aproximacin inicial.

function x = Newton(funcin, x0)

x = x0;
xb=x-999;
n=0;
del_x = 0.01;

while abs(x-xb) > 0.000001

n=n+1;
xb=x;
if n > 300 break; end
y=feval(funcion, x);
y_driv=(feval(funcion, x+del_x) - y)/del_x;
x = xb - y/y_driv;
end

III.2.5. Mtodo de la Secante

a. Introduccin

En el mtodo de la secante en lugar de obtener una sucesin de intervalos, se calcula una

sucesin de nmeros que aproximan el cero de la funcin.

Partiendo de dos aproximaciones x0; x1 a la raz que buscamos , se construye la recta

secante que pasa por los puntos (x0; f(x0)); (x1; f(x1)) y calcula su corte con el eje OX que se
le llama x2 y se calcula f(x2). Despus el proceso se repite con x1 y x2 para calcular x3 y
sucesivamente x4; x5.

La expresin que generaliza el mtodo de la secante es la siguiente:

f(xn)(xn - xn-1)
xn+1 = xn - ------------------ ; n = 1, 2,.
f(xn) - f(xn-1)

La aplicacin sucesiva de la iteracin anterior no es siempre posible, puede ocurrir que algn
punto xn no estuviera en el dominio de f o que el denominador sea casi cero, en cuyo caso la
secante es horizontal y, salvo que xn fuese ya un cero de f, no corta al eje de las abscisas.
f ( p k )( p k p k 1 )
p k +1 = p k
f ( p k ) f ( p k 1 )

b. Algoritmo
Se pretende obtener la raz de la ecuacin f (x) = 0 dados los valores de po y
p1, prximos a la raz.
El algoritmo construye una sucesin de aproximaciones p0, p1, p2.. pn..
Entrada: po, p1, f uncin.
Salida: y (funcin evaluada en p1), p1 (valor de la aproximacin a cero calculado por el mtodo de la
secante), err, k.
Pasos:
*condiciones iniciales; Sean delta = tolerancia para p1 = 0.00001
epsiln =tolerancia para los valores de la
funcin= =0.0000001
max1 = numero mximo de iteraciones =300

Para k =1 hasta max1 (300)

Aplica el mtodo de la secante.
*evaluacin de funciones; para p2 f(p1)
para p2 f(p0)
aplicar estas evaluacin en la siguiente frmula;
p1- f(p1) * ( p1- p0)
Calculando la aproximacin p2 = -------------------------
f(p1)- f(p0)
Calculando el error err = abs(p2 - p1)
Evaluando el error en funcin de la tolerancia y de p2;
relerr = 2*err / abs(p2) + delta);
Entonces declaramos que:
p0 = p1 y
p1 = p2;
 por lo tanto Evala: y f (p1)
S el error es menor que la tolerancia para p1
s el error en funcin de la tolerancia p2 es menor que la tolerancia
para p1
s el valor absoluto de y es menor que la tolerancia para los valores de
la funcin,
Entonces , Termina
Finaliza.

c. Cdigo en Matlab

function [p1]=secante(funcin, p0, p1)

%Datos
% - f es la funcin, introducida como una cadena de caracteres 'f'
% - p0 y p1 son las aproximaciones iniciales a un cero de la funcin
% - delta es la tolerancia para p1
% - epsilon es la tolerancia para los valores de la funcin
% - max1 es el numero mximo de iteraciones
% Resultados
% - p1 es la aproximacin al cero,
% obtenida con el mtodo de la secante
% - err es una estimacin del error de p1
% - k es el numero de iteraciones realizadas
% - y es el valor de la funcin f(p1)
delta = 0.00001;
epsilon = 0.0000001;
max1 = 300;

for k=1:max1
p2=p1-feval(funcion,p1)*(p1-p0)/(feval(funcion,p1)-feval(funcion,p0));
err=abs(p2-p1);
relerr=2*err/(abs(p2)+delta);
p0=p1;
p1=p2;
y=feval(funcion,p1);
if (err<delta)|(relerr<delta)|(abs(y)<epsilon),break,end
end

III.2.6. Funcin fzero(f_nombre,p0) de Matlab.

a. Introduccin
MATLAB dispone de funciones que minimizan y calculan races de funciones no
lineales de una y varias variables, funciones que calculan integrales de funciones de
una y dos variables y, funciones que resuelven sistemas de ecuaciones diferenciales
ordinarias de primer orden con condiciones iniciales. Una de sta funciones que
optimiza y calcula races de funciones es la funcin fzero la cual encuentra races de
una funcin de una variable.

IV. RESOLUCION DE SISTEMAS DE ECUACIONES

IV.1. PLANTEAMIENTO DEL PROBLEMA

La necesidad de resolver un sistema de ecuaciones lineales simultneas es algo comn en los

problemas de ingeniera, por ejemplo:

a). Problema de los tres depsitos

El problema de los tres depsitos, es un caso

particular de las tuberas interconectadas y
consiste en determinar las condiciones
hidrodinmicas del escurrimiento (velocidades
y gastos) en los conductos que interconectan
los depsitos, con niveles de agua en cotas
conocidas y permanentes en el tiempo.

La solucin consiste en resolver el siguiente sistema de ecuaciones:

En la primera ecuacin asumimos que el flujo sale del depsito 1, a la unin (punto2),
continuando al depsito ms bajo (punto 4)
P1 V L V L V P V
+ Z1 + 1 V1 f12 12 12 V12 f 24 24 24 V24 = 4 + Z 4 + 4 V4
2g D12 2 g D24 2 g 2g
Si la presin es la atmosfrica P = 0 y si se considera que el nivel del agua en los depsitos es
constante, V1 y V4 =0
L V L V
f 12 12 12 V12 + f 24 24 24 V24 + (Z 4 Z 1 ) = 0
D12 2 g D24 2 g

En la segunda ecuacin asumidos que el flujo sale del deposito 1 hacia la unin (punto2),
hasta el deposito 3
 P1 V1 L V L V P V
+ Z1 + V1 f12 12 12 V12 f 23 23 23 V23 = 3 + Z 3 + 3 V3
2g D12 2 g D23 2 g 2g

L12 V12 L V
f 12 V12 + f 23 23 23 V23 + (Z 3 Z 1 ) = 0
D12 2 g D23 2 g

La tercera ecuacin de obtiene al aplicar el principio de continuidad en el nudo

( A12V12 + A23V23 ) A24V24 = 0

Donde:
V = Velocidad media del flujo, en m/s
D2
A = rea de la tubera =
4
f = Coeficiente de friccin, adimensional
L = Longitud de la tubera, en metros
D = Dimetro de la tubera, en metros
g = Aceleracin de la gravedad = 9.81 m/s2
Z = Cota de la superficie libre del agua, en metros

IV.2. METODOS DE SOLUCION

Existen varios mtodos para resolver un sistema de ecuaciones

IV.2.1. Soluciones empleando operaciones con matrices:

Un sistema de ecuaciones puede escribirse de la forma

AX=B

1.1. Divisin de matrices

a. Introduccin

Este mtodo comprende el clculo de la solucin de un sistema lineal AX = B mediante la

reduccin a forma triangular superior de la matriz ampliada [A|B] seguida de la sustitucin
regresiva.
X= A \ BT X=B/AT

b. Algoritmo
Entrada: A, B.
Salida: X (matriz solucin de AX = B).

Pasos computacionales:

*condiciones iniciales; Sean [N, N] = tamao(A)

 X = matriz nula (N,1);
Y = matriz nula (N,1);
C = matriz nula (1,N+1); almacen temporal
Calculamos la matriz ampliada denominada Aug = [A|B]

Para q = 1 hasta N -1
Determina la fila pivote parcial para la columna q-
sima
[Y,j]=valor mximo absoluto de (Aug(p hasta N,p));
Intercambio de filas q-sima y j+p-1 sima.
C=la columna q de Aug;
La columna q de Aug = la columna j+p-1, de Aug;
La columna j+p-1, de Aug = C;
S Aug(q,q) es una igualdad con cero,
entonces imprime que A es singular, que no hay
solucin o que no es nica, y por tanto termina el ciclo,
Termina.
Proceso de eliminacin en la columna q-sima.
Para k = p+1 hasta N
m = Aug(k,q) / Aug(q,q);
Aug(k, q hasta N+1) = Aug(k, q hasta N+1) m * Aug(desde q,q hasta N+1);
Termina el ciclo
Termina.
Calcula la Sustitucin regresiva en la matriz [U|Y] usando el programa anterior.
X llama al programa backsub.m
X=backsub(Aug(1 de N,1 hasta N), Aug(1 de N,N+1));

c. Cdigo en Matlab

%METODO DE TRIANGULACION SUPERIOR SEGUIDA DE SUSTITUCION

REGRESIVA

function X = uptrbk(A,B)

%Datos
% - A es una matriz invertible de orden N x N
% - B es una matriz de N x N
%Resultados
% - X es una matriz de orden N x 1 que contiene al solucion de AX=B.

%Inicializamos X y una matriz C que sirve de almacen temporal

[N N]=size(A);
X=zeros(N,1);
C=zeros(1,N+1);

%Calculo de la matriz ampliada: Aug=[A|B]

Aug=[A B];
 for p=1:N-1
%Pivoteo parcial en la columna q-sima
[Y,j]=max(abs(Aug(p:N,p)));
%Intercambio de las filas q-sima y (j+q-1)-sima
C=Aug(p,:);
Aug(p,:)=Aug(j+p-1,:);
Aug(j+p-1,:)=C;

if Aug(p,p)==0
'A es singular. No hay solucion o no es unica'
break
end
%Proceso de eliminacion de la columna q-sima
for k=p+1:N
m=Aug(k,p)/Aug(p,p);
Aug(k,p:N+1)=Aug(k,p:N+1)-m*Aug(p,p:N+1);
end
end

% Sustitucion Regrsiva en [U|Y] usando el programa 3.1

X=backsub(Aug(1:N,1:N),Aug(1:N,N+1));
1.2. Inversin de matrices

a. Introduccin

Este mtodo comprende el clculo de la solucin de un sistema lineal AX = B cuando la

matriz A es invertible.
X = A-1 B X = B A-1

b. Algoritmo
Entrada: A, B.
Salida: X (matriz solucin de AX = B).

Pasos computacionales:

*condiciones iniciales; Sean [N, N] = tamao(A)

X = matriz nula (N,1);
Y = matriz nula (N,1);
C = matriz nula (1,N);
R = 1 hasta N;
Para p = 1 hasta N -1
Determina la fila pivote para la columna q-sima
[max1,j]=max(abs(A(p:N,p)));
Intercambio de filas q-sima y j-sima.
C=la columna p de A;
La columna p de A = la columna j+p-1, de A;
La columna j+p-1, de A = C;
 d=R(p);
R(p)=R(j+p-1);
R(j+p-1)=d;
S A(p,p) es una igualdad con cero,
entonces imprime que A es singular, que no hay solucin o que no es
nica, y por tanto termina el ciclo,
Termina.
Calcula el multiplicador que se guarda en la parte subdiagonal de A.
Para k = p+1 hasta N
Mult = A(k,p) / A(p,p);
A(k,p) = mult
A(k,p+1 hasta N) = A(k,p+1 hasta N) mult * A(p, p+1 hasta N);
Termina el ciclo
Termina.
Resolucin para hallar Y
Y(1) = B(R(1));
Para k=2 hasta N
Y(k)= B(R(k))-A(k,1 hasta k-1) * Y(1 hasta k-1);
Termina.
Resolucin para hallar X
X(N)=Y(N)/A(N,N);
para k=N-1 de -1 hasta 1
X(k)=(Y(k)-A(k,k+1 hasta N)*X(k+1 hasta N))/A(k,k);
Termina.

c. Cdigo en Matlab

%FACTORIZACION CON PIVOTEO.

function X = lufact(A,B)

%Datos
% - A es una matriz de orden N X N
% - B es una mtriz de orden N x 1
%Resultado
% - X es una matriz de orden N x 1 de AX = B.

%Inicializamos X, Y la matriz de almacenamiento temporal C y

%la matriz fila R donde se registran los intercambios de filas

[N,N]=size(A);
X=zeros(N,1);
Y=zeros(N,1);
C=zeros(1,N);
R=1:N;

for p=1:N-1
 %Determinacin de la fila pivote para la columna q-sima
[max1,j]=max(abs(A(p:N,p)));

%Intercambio de filas q-sima y j-sima

C=A(p,:);
A(p,:)=A(j+p-1,:);
A(j+p-1,:)=C;
d=R(p);
R(p)=R(j+p-1);
R(j+p-1)=d;
if A(p,p)==0
'A es singular, no hay solucion o no es unica'
break
end

%Calculo del multiplicador que se guarda en la parte subdiagonal de A'

for k=p+1:N
mult=A(k,p)/A(p,p);
A(k,p) = mult;
A(k,p+1:N)=A(k,p+1:N)-mult*A(p,p+1:N);
end
end

%Resolucion para hallar Y

Y(1) = B(R(1));
for k=2:N
Y(k)= B(R(k))-A(k,1:k-1)*Y(1:k-1);
end

%Resolucion para hallar X

X(N)=Y(N)/A(N,N);
for k=N-1:-1:1
X(k)=(Y(k)-A(k,k+1:N)*X(k+1:N))/A(k,k);
end

IV.2.2. Mtodo de Seidel

a. Introduccin

El mtodo de Seidel para la solucin de sistemas de ecuaciones, es una generalizacin de la

iteracin del punto fijo para ecuaciones no lineales.
b. Algoritmo
Entrada: A, B, P, delta, max1.
Salida: X (matriz solucin de AX = B).
Pasos computacionales:

*condicin inicial; Sea N = longitud (B);

Para k=1 hasta max1
Para j = 1 hasta N
Si j es una igualdad a 1
X(1) = (B(1)-A(1,2 hasta N) * P(2 hasta N)) / A(1,1);
S no j es una igualdad a N
X(N) = (B(N)-A(N,1 hasta N-1) * (X(1 hasta N-1))') /
A(N,N);
S
X(j) = (B(j)-A(j,1 hasta j-1)*X(1 hasta j-1)' - A(j,j+1 hasta
N)*P(j+1 hasta N))/A(j,j);
Termina.
Termina.
Err = valor absolute de (norm(X'-P));
Relerr = err/(norm(X)+eps);
P=X';
S (err<delta)o (relerr<delta)
Termina el ciclo;
Termina.
Termina.
Declara que X = X';

c. Cdigo en Matlab

% METODO ITERATIVO GAUSS SEIDEL

function X=gseid(A,B,P,delta, max1)

% Datos:
% - A es una matriz invertida de orden N x N
% - B es una matriz de orden N x 1
% - P es una matriz de orden N x 1: el punto inicial
% - delta es la tolerancia para P
% - max1 es el numero mximo de iteraciones
% Resultados:
% - X es una matriz de orden N x 1: la aproximacin a la
% solucin de AX = B
% generada por el mtodo iterativo de Gauss Seidel
 N = length(B);

for k=1:max1
for j=1:N
if j==1
X(1)=(B(1)-A(1,2:N)*P(2:N))/A(1,1);
elseif j==N
X(N)=(B(N)-A(N,1:N-1)*(X(1:N-1))')/A(N,N);
else

%X contiene la aproximacion K- esima y P the (k-1)sima

X(j)=(B(j)-A(j,1:j-1)*X(1:j-1)'-A(j,j+1:N)*P(j+1:N))/A(j,j);
end
end
err=abs(norm(X'-P));
relerr=err/(norm(X)+eps);
P=X';
if (err<delta)|(relerr<delta)
break
end
end

X=X';

IV.2.3. Mtodo de Newton-Raphson.

a. Introduccin

El mtodo de Newton-Raphson para la solucin se sistema de ecuaciones es una

generalizacin del mismo mtodo para ecuaciones simples.

b. Algoritmo
Entrada:
Input -F es la funcin salvada en el M-file como F.m
JF is the Jacobian of F saved as the M-file JF.M
P es la aproximacin inicial a la solucin
delta es la tolerancia para P
epsiln es la tolerancia para F(P)
max1 es el nmero mximo de iteraciones.

Salida: P es la aproximacin a la solucin

iter es el nmero de iteraciones requerido
err es el error estimado para P.
 Pasos:
*evaluacin de funciones; Y f(P)

Para k=1 hasta el nmero mximo de iteraciones

J Jf(P)
Por lo que Q=P-(J\Y')';
Z f(Q);
Por lo que el error=normal de (Q-P);
Y relerr=err/(normal(Q)+eps);
P=Q;
Y=Z;
iter=k;
S el error es menor que delta el error relativo es menor que delta el valor
absoluto de Y es menor que epsiln, entonces finaliza
termina
Termina.

c. Cdigo en Matlab

function [P,iter,err]=raphson(F,JF,P,delta,epsilon,max1)

%Input -F es la funcin salvada en el M-file como F.m

% -JF is the Jacobian of F saved as the M-file JF.M
% -P es la aproximacin inicial a la solucin
% -delta es la tolerancia para P
% -epsiln es la tolerancia para F(P)
% -max1 es el nmero mximo de iteraciones.
%Output- P es la aproximacin a la solucin
% - iter es el nmero de iteraciones requerido
% - err es el error estimado para P.

Y=feval(F,P);

for k=1:max1
J=feval(JF,P);
Q=P-(J\Y')';
Z=feval(F,Q);
err=norm(Q-P);
relerr=err/(norm(Q)+eps);
P=Q;
Y=Z;
iter=k;
if (err<delta)|(relerr<delta)|(abs(Y)<epsilon)
break
end
end
V. INTERPOLACIN Y APROXIMACIN POLINOMIAL
V.1. PLANTEAMIENTO DEL PROBLEMA

1. Curva elevacin-reas-capacidades de la Presa Becerra.

Embalse Curva de elevacin-reas-capacidades

Elevacin (m) rea (m2) Capacidad (m3)
2318 0.0
2319 2,000.0
2320 5,000.0
2321 18,000.0
2322 29,000.0
2323 47,000.0
2324 70,000.0
2325 100,000.0
2326 126,000.0
2327 184,000.0
2328 222,000.0
2329 250,000.0

V.2. METODOS DE SOLUCION

Cuando se tiene un conjunto de datos que han sido obtenidos de un experimento o por
observacin de un fenmeno fsico. Estos datos generalmente pueden considerarse como
coordenadas de puntos de una funcin f(x).

Existen diferentes mtodos para encontrar un polinomio interpolador que ajuste de la mejor
forma posible un conjunto de puntos.

V.2.1. Polinomio interpolador de Lagrange

a. Introduccin

El polinomio integrador de Lagrange que pasa por los N+1 puntos (Xk,Yk), para k=0,1, ....., N,
se expresa como:

N
P( x ) = y k L N ,k ( x )
k =0
donde:
 (x x )
N

j
j =0
L N ,k (x ) =
jk

(x xj )
N

k
j =0
jk

b. Algoritmo
Entrada: X, Y.
Salida: C (matriz solucin), L (matriz de coeficientes).
Pasos computacionales:
*condiciones iniciales; Sean w = longitud de (X);
n = w-1;
L = matriz nula (w,w);
Para k=1 hasta n+1
V =1;
Para j = 1 hasta n+1
Si k es igual o semejante a j
V = obtencin de coeficientes de los polinomios
(V,poly(X(j)))/(X(k)-X(j));
Termina.
Termina.
La columna k de L = V;
Termina.
Clcula los coeficientes de polinomio interpolador

C=Y*L;

c. Cdigo en Matlab

% METODO DEL POLINOMIO INTERPOLADOR DE LA GRANGE

function [C,L]=lagran(X,Y)

% Datos
% - X es el vector que contiene la lista de las abcisas
% - Y es un vector que contiene la lista de las ordenadas
% Resultados
% - C es la matriz que contiene los coeficientes del
% polinomio interpolaodor de Lagrange
% - L es la matriz que contiene los coeficientes de los polinomios
% coeficientes de Lagrange

w=length(X);
n=w-1;
 L=zeros(w,w);

% Formacin de los polinomios coeficientes de Lagrange

for k=1:n+1
V=1;
for j=1:n+1
if k~=j
V=conv(V,poly(X(j)))/(X(k)-X(j));
end
end
L(k,:)=V;
end

% Clculo de los coeficientes del polinomio

% interpolador de La grange

C=Y*L;

V.2.4. Polinomio de interpolacin de Newton

a. Introduccin

Este mtodo comprende que a partir de la construccin de un polinomio interpolador de

Newton de grado menor o igual que N que pasa por los puntos (Xk, Yk) = (Xk, f(Xk) para k = 0,
1, ,N.

P(x) = d 0,0 + d 1,1 (x-x0) + d 2,2 (x-x0) (x-x1) + + d N,N (x-x0) (x-x1) (x-xN-1) ,

Siendo

d k,j -1 - d k-1,j-1
d k,0 = yk y d k,j = ------------------
X k - X k-j

b. Algoritmo

Entrada: X, Y.
Salida: C (vector de coeficientes), D (tabla de diferencias divididas).
Pasos computacionales:
*condiciones iniciales; Sean n = longitud de (X);
D = matriz nula (n,n);
La fila 1 de la matriz D = Y';
Para j = 2 hasta n
 Para k=j hasta n
D(k,j) = (D(k,j-1) - D(k-1,j-1)) / (X(k) - X(k-j+1));
Termina.
Termina.
C = D(n,n);
Para k = (n-1) de -1 hasta 1
C = obtencin de coeficientes de los polinomios (C,poly(X(k)));
m = longitud de (C);
C(m) = C(m) + D(k,k);
Termina.

c. Cdigo en Matlab

% METODO DEL POLINOMIO INTERPOLADOR DE NEWTON.

function [C,D]=newpoly(X,Y)

%Datos
% - X es un vector con la lista de las abcisas
% - Y es un vector con la lista de las ordenadas

%Resultados
% - C es un vector que contiene los coeficientes
% del polinomio interpolador de newton. escrito de
% forma habitual, en potencias decrecientes de x
% - D es la tabla de diferencias divididas

n=length(X);
D=zeros(n,n);
D(:,1)=Y';

%Usamos la formula (20) para hallar

% la tabla de diferencias divididas

for j=2:n
for k=j:n
D(k,j)=(D(k,j-1)-D(k-1,j-1))/(X(k)-X(k-j+1));
end
end

%Determine los coeficientes del polinomio interpolador de Newton

C=D(n,n);
 for k=(n-1):-1:1
C=conv(C,poly(X(k)));
m=length(C);
C(m)=C(m)+D(k,k);
end

V.2.5. Polinomio de Chebyshev.

a. Introduccin

Este mtodo comprende que a partir de la construccin y determinacin de un polinomio

interpolador de Chevyshev de grado N en el intervalo [a,b] para los nodos

b-a (2k+1)pi a+b

Xk = --------- cos ( -------------) + ------------
2 2N + 2 2

El polinomio est dado por;

d k,j -1 - d k-1,j-1
P(x) = N J=0 cJ T,j 2 ------------------
X k - X k-j

b. Algoritmo
Entrada: fun, n, a, b.
Salida: C, X, Y.
Pasos computacionales:
*condiciones iniciales; dado que d = pi / (2*n+2);
C = matriz nula (1,n+1);
S el numero de argumentos de entrada es una igualdad con 2, a = -1 y
b=1
Termina.

Para k = 1 hasta n+1

X(k) = cos((2*k-1)*d);
Termina.

X = (b-a) * X/2+ (a+b) / 2;

x = X;
Y = la evaluacin la funcin (fun);
 Para k =1 hasta n+1
z=(2*k-1)*d;
Para j = 1 hasta n+1
C(j) = C(j)+Y(k) * cos((j-1)*z);
Termina.
Termina
Calcula los coeficientes.
C = 2*C / (n+1);
C(1) = C(1) / 2;

c. Cdigo en Matlab
% METODO DE LA APROXIMACION DE CHEBYSHEV

function [C,X,Y]=cheby(fun,n,a,b)

%Datos
% - fun es la funcion que deseamos aproximar, dada como una
% cadena de caracteres
% - n es el grado del polinomio de aproximacin
% - a es el extremo izquierdo
% - b es el extremo derecho
%Resultados
% - C es la lista de coeficientes del polinomio
% - X contiene las abcisas de los nodos
% - Y contiene los valores de fun en los nodos

if nargin==2, a=-1;b=1;end
d=pi/(2*n+2);
C=zeros(1,n+1);

for k=1:n+1
X(k)=cos((2*k-1)*d);
end

X=(b-a)*X/2+(a+b)/2;
x=X;
Y=eval(fun);

for k =1:n+1
z=(2*k-1)*d;
for j=1:n+1
C(j)=C(j)+Y(k)*cos((j-1)*z);
end
end

C=2*C/(n+1);
C(1)=C(1)/2;
VI. AJUSTE DE CURVAS
VI.1. PLANTEAMIENTO DEL PROBLEMA
Consiste en obtener una curva que represente el comportamiento general de los datos
experimentales o medidos, se recomienda para datos sin un grado significativo de error o
ruido. La curva resultante permite estimar razonablemente valores no obtenidos o medidos.

VI.2. METODOS DE SOLUCION

VI.2.1. Regresin lineal o recta de regresin en mnimos cuadrados

a. Introduccin

Este mtodo permite la construccin de la recta de regresin f(x) = y = Ax + B, que mejor se

ajusta en el sentido de los mnimos cuadrados a las N datos (X1, Y1),,(XN, YN).

Donde:
N N N
N x k y k xk y k
A= k =1 k =1 k =1
2
N
N
N x
k =1
2
k xk
k =1
N N N N

xk2 y k xk xk y k
B= k =1 k =1 k =1 k =1
2
N
N
N x xk 2
k
k =1 k =1
b. Algoritmo
Entrada: X, Y.
Salida: A, B.
Pasos computacionales:
*condiciones iniciales; Sean xmean=mean(X);
ymean=mean(Y);

La sumatoria de x2 = (X-xmean) * (X-xmean)';

La sumatoria de xy = (Y-ymean) * (X-xmean)';
A = La sumatoria de xy / La sumatoria de x2;
B = ymean - A * xmean;

c. Cdigo en Matlab

% METODO DE LA RECTA DE REGRESION.

function [A,B]=lsline(X,Y)
 %Datos
% - X es el vector de abcisas 1 x n
% - Y es el vector de ordenadas 1 x n

%Resultados
% - A es el coeficiente de x en Ax + B
% - B es el termino independiente en Ax + B

xmean=mean(X);
ymean=mean(Y);
sumx2=(X-xmean)*(X-xmean)';
sumxy=(Y-ymean)*(X-xmean)';
A=sumxy/sumx2;
B=ymean-A*xmean;

d. Funcin

[A,B]=polyfit(X,Y,1)

VI.2.2. Linealizacin de relaciones no lineales.

Funcin y=f(x) Linealizacin Y=AX+B Cambio de variable

1. Funcin
A 1 1
y= +B y= A +B X = Y=y
x x x
2. Funcin
D 1 D 1 B
y= y= ( xy ) + X = xy, Y = y, C = , D=
x+C C C A A
3. Funcin
1 1 1
y= = Ax + B X = x, Y =
Ax + B y y
4. Modelo del promedio de crecimiento de saturacion
x 1 1 1 1
y= = A +B X = , Y=
Ax + B y x x y
5. Funcin
y = A ln( x) + B y = A ln( x) + B X = ln( x), Y = y
6. Modelo exponencial (grafica semilogaritmica)
y = C e Ax ln( y ) = Ax + ln(C ) X = x, Y = ln( y ), B = ln(C )
7. Modelo potencial
y = C xA ln( y ) = A ln( x) + ln(C ) X = ln( x), Y = ln( y ), C = e B
8. Funcin
y = ( Ax + B) 2 y 1 / 2 = Ax + B X = x, Y = y 1 / 2
9. Funcin
y = C x e Dx y
ln( ) = Dx + ln(C )
y
X = x, Y = ln( ), C = e B , D = A
x x
10. Funcin
L L L
y= ln( 1) = Ax + ln(C ) X = x, Y = ln( 1), C = e B
1 + Ce Ax y y
VII. DERIVACION NUMERICA

VII.1. PLANTEAMIENTO DEL PROBLEMA

VII.2. METODOS DE SOLUCION

VII.2.1. Derivacin numrica mediante limites.

a. Introduccin

Este mtodo consiste en construir las aproximaciones numricas a f(x) mediante la

generacin de la sucesin:

f ( x + 10 k ) f ( x 10 k )
f ' ( x ) Dk = , para k = 0,...., n
2(10 k h)
Donde las iteraciones continan hasta que:
Dn +1 Dn Dn Dn 1 O Dn Dn 1 < tolerancia

b. Algoritmo

c. Cdigo en Matlab

function [L,n]=difflim(f,x,toler)

%Datos
% - f es la funcion, introducida como una cadena de caracteres 'f'
% - x es el punto en el que se deriva
% - toler es la tolerancia para el error
%Resultados
% - L=[H' D' E']:
% -H es el vector de lso incrementos
% -D es el vector de las aproximaciones a la derivada
% -E es el vector de las cotas del error
% -n es la coordenada de la "mejor aproximacion"

max1=15;
h=1;
 H(1)=h;
D(1)=(feval(f,x+h)-feval(f,x-h))/(2*h);
E(1)=0;
R(1)=0;

for n=1:2
h=h/10;
H(n+1)=h;
D(n+1)=(feval(f,x+h)-feval(f,x-h))/(2*h);
E(n+1)=abs(D(n+1)-D(n));
R(n+1)=2*E(n+1)*(abs(D(n+1))+abs(D(n))+eps);
end

n=2;

while((E(n)>E(n+1))&(R(n)>toler))&n<max1
h=h/10;
H(n+2)=h;
D(n+2)=(feval(f,x+h)-feval(f,x-h))/(2*h);
E(n+2)=abs(D(n+2)-D(n+1));
R(n+2)=2*E(n+2)*(abs(D(n+2))+abs(D(n+1))+eps);
n=n+1;
end

n=length(D)-1;
L=[H' D' E'];

VII.2.2. Derivacin usando el mtodo de extrapolacin de Richardson

a. Introduccin

Este mtodo consiste en construir las aproximaciones numricas a f(x) mediante la

construccin de la tabla D(j,k) con k<j en la que se obtienen como solucin final la derivada
f(x)=D(n,n). Los valores D(j,k) forman una matriz triangular inferior cuya primera columna
se define como:

f ( x + 2 j h) f ( x 2 j h)
D ( j ,1) =
2 j +1 h

Y cuya fila j-esima para j>2 tiene los siguientes elementos

D( j , k 1) D( j 1, k 1)
D ( j , k ) = D( j , k 1) + , para 2 k j
4k 1

b. Algoritmo
c. Cdigo en Matlab

function [D,err,relerr,n]=diffext(f,x,delta,toler)

%Datos
% - f es la funcion, introducida como una cadena de caracteres 'f'
% - x es el punto en el que se deriva
% - delta es la tolerancia para el error
% - toler es la toleranci apara el error relativo
%Resultados
% - D es la matriz de las aproximaciones de la derivada
% - err es la cota del error
% - relerr es la cota del error relativo
% - n es la coordenada de la "mejor aproximacion"

err=1;
relerr=1;
h=1;
j=1;
D(1,1)=(feval(f,x+h)-feval(f,x-h))/(2*h);

while relerr > toler & err > delta &j <12
h=h/2;
D(j+1,1)=(feval(f,x+h)-feval(f,x-h))/(2*h);
for k=1:j
D(j+1,k+1)=D(j+1,k)+(D(j+1,k)-D(j,k))/((4^k)-1);
end
err=abs(D(j+1,j+1)-D(j,j));
relerr=2*err/(abs(D(j+1,j+1))+abs(D(j,j))+eps);
j=j+1;
end

VII2.3. Derivacin numrica mediante interpolacin en N-1 nodos

a. Introduccin

Este mtodo consiste en construir el polinomio interpolador de Newton de grado N:

P ( x) = a0 + a1 ( x x0 ) + a 2 ( x x0 )( x x1 ) + ..... + a N ( x x0 )( x x1 )....( x x N 1 )

Y aproximar numricamente a f(x0) mediante P(x0)

b. Algoritmo

c. Cdigo en Matlab

function [A,df]=diffnew(X,Y)

%Datos
% - X es un vector 1 x n que contiene las abcisas
% - Y es un vector 1 x n que contiene las ordenadas
%Resultados
% - A es unj vector 1 x n que contiene los coeficientes del
% polinomio de Newton de grado N
% - df es la derivada aproximada

A=Y;
N=length(X);

for j=2:N
for k=N:-1:j
A(k)=(A(k)-A(k-1))/(X(k)-X(k-j+1));
end
end

x0=X(1);
df=A(2);
prod=1;
n1=length(A)-1;

for k=2:n1
prod=prod*(x0-X(k));
df=df+prod*A(k+1);
end
VIII. INTEGRACION NUMERICA
VIII.1. PLANTEAMIENTO DEL PROBLEMA
Estimar el rea de la seccin transversal de un escurrimiento (A), es una actividad que se
requiere realizar para varios tareas dentro de la ingeniera de recurso hidrulicos, incluso en
el pronostico de avenidas y en el diseo de presas. A menos que los dispositivos sondeo
electrnicos estn disponibles obtener perfiles continuos del fondo del cauce, el ingeniero
debe confiar de las dimensiones discretas de profundidad para calcular . Un ejemplo de una
seccin transversal del arroyo tpica se muestra debajo.

El datos representa lugares dnde un barco era anclado y dimensiones de profundidad

tomados.

Distancia 6.5 13.0 19.5 26.0 32.5 39.0 46.5 52.5 59.0 65.5 72.0 78.5
Profundidad 0.0 2.0 2.0 4.0 4.0 7 5.5 4 3.5 2.8 1.4 0.0

VIII.2. METODOS DE SOLUCION

VIII.2.1. Mtodo del trapecio

A. Regla compuesta del trapecio.

a. Introduccin

Aproxima la integral definida de la funcin f(x) entre dos puntos a y b de la siguiente forma:
M 1
h
( )
b
a f ( x ) dx
2
f ( a ) + f (b ) + h
k =1
f ( xk )

Calculndose f(x) en los puntos equidistantes xk=a+kh, para k=0,1,..M con x0=a y
xM=b
b. Algoritmo

c. Cdigo en Matlab

function s=traprl(f,a,b,M)

%Datos
% - f es el integrando, dado como una cadena de caracteres 'f'
% - a y b son los extremos inferior y superior del intervalo
% de integracion
% - M es el numero de subintervalos
%Resultado
% - s es la aproximacion obtenida con la regla compuesta del
% trapecio

h=(b-a)/M;
s=0;

for k=1:(M-1)
x=a+h*k;
s=s+feval(f,x);
end

s=h*(feval(f,a)+feval(f,b))/2+h*s;

B. Regla recursiva del trapecio.

a. Introduccin

Considera que los puntos xk=a+kh, para k=0,1,.M con x0=a y xM=b dividen el intervalo
[a,b] en 2j=2M subintervalos del mismo tamao h=(b-a)/2. En esta situacin se consideran la
siguientes formulas recursivas.
h
T (0) = ( f (a ) + f (b) )
2
T ( J 1) M
T (J ) = + h f ( x 2 k 1 ) , para J=1,2,
2 k =1
Y la integral definida de la funcin f(x) entre los puntos a y b puede calcularse de la siguiente
forma
b J
h 2
a f ( x)dx = 2 ( f ( xk ) + f ( xk 1 ) )
k =1
Utilizando la recursion del trapecio segn se aumenta el numero de subintervalos de [a,b] y
tomando en la iteracin J un conjunto de 2J+1 puntos equidistantes.

b. Algoritmo

c. Cdigo en Matlab

function T=rctrap(f,a,b,n)

%Datos
% - f es el integrando, dado como una cadena de caracteres 'f'
% - a y b son los extremos inferior y superior del intervalo
% de integracion.
% - n es el numero de veces que se hace la recursion
%Resultado
% - T es la lista de las proximaciones obtenidas con la regla recursiva
% del trapecio

M=1;
h=b-a;
T=zeros(1,n+1);
T(1)=h*(feval(f,a)+feval(f,b))/2;

for j=1:n
M=2*M;
h=h/2;
s=0;
for k=1:M/2
x=a+h*(2*k-1);
s=s+feval(f,x);
end
T(j+1)=T(j)/2+h*s;
end

VIII.2.2. Mtodo de Simpson

A. Regla simple de Simpson

a. Introduccin

Aproxima la integral definida de la funcin f(x) entre los puntos a y b de la siguiente forma:
 h a+b
f ( x)dx 3 ( f (a) + f (b) + 4 f (c)) c=
c

B. Regla compuesta de Simpson aproxima la integral definida de la funcin f(x) entre los
puntos a y b de la siguiente forma:
h 2h M 1 4h M
f ( x ) dx ( f ( a ) + f (b ) ) + f ( x 2 k ) + f ( x2k 1 )
3 3 k =1 3 k =1

Calculndose f(x) en los puntos equidistantes xk=a+kh para k=0,1,2M con x0=a y x2M=b

b. Algoritmo

c. Cdigo en Matlab

function s=simprl(f,a,b,M)

%Datos
% - f is the integrand input as a string 'f'
% - a and b are upper and lower limits of integration
% - M is the number of subintervals
%Resultado
% - s is the simpson rule sum

h=(b-a)/(2*M);
s1=0;
s2=0;

for k=1:M
x=a+h*(2*k-1);
s1=s1+feval(f,x);
end
for k=1:(M-1)
x=a+h*2*k;
s2=s2+feval(f,x);
end

s=h*(feval(f,a)+feval(f,b)+4*s1+2*s2)/3;

VIII.2.3. Mtodo de Romberg

a. Introduccin

Este mtodo permite la construccin de las aproximaciones R(J,K) (para J K) a la integral:

b

f(x)dx R (J, K)
a

dando R(J+1, J+1) como respuesta final. Las aproximaciones R(J,K) se guardan en una
matriz triangular inferior R: los elementos R(J,0) estn en la primera columna de R y son las
aproximaciones obtenidas con la regla recursiva del trapecio con 2j-1 subintervalos de [a, b];
los restantes elementos R(J,K) (que se almacena en R(J,K+1) se calculan usando el mtodo de
Romberg de manera que los elementos de la fila J-sima de R son

R(J, K-1) - R(J-1, K-1)

R(J, K) = R(J, K-1) + -------------------------------------- ,
4K-1

para 1 K J. El criterio de parada del programa es que se termina de iterar en la fila

(J+1)-sima cuando |R(J,J) R(J+1, J+1)| < tol.

b. Algoritmo

c. Cdigo en Matlab

function [R,quad,err,h]=romber(f,a,b,n,tol)
%Datos
% - f es el integrando dado como una cadena de caracteres 'f'
% - a y b son los limites inferior y superior del intervalo de integracion
% - n es el numero maximo de filas de la tabla
% - tol es la tolerancia
%Resultados
% - R es el esquema de Romberg
% - quad es la aproximacion a la integral
% - err es el error estimado
% - es el menor de los incrementos usados

M=1;
h=b-a;
err=1;
J=0;
R=zeros(4,4);
R(1,1)=h*(feval(f,a)+feval(f,b))/2;

while((err>tol)&(J<n))|(J<4)
J=J+1;
 h=h/2;
s=0;
for p=1:M
x=a+h*(2*p-1);
s=s+feval(f,x);
end
R(J+1,1)=R(J,1)/2+h*s;
M=2*M;
for K=1:J
R(J+1,K+1)=R(J+1,K)+(R(J+1,K)-R(J,K))/(4^K-1);
end
err=abs(R(J,J)-R(J+1,K+1));
end

quad=R(J+1,J+1);
IX. ECUACIONES DIFERENCIALES ORDINARIAS
IX.1. PLANTEAMIENTO DEL PROBLEMA
Ecuacin del flujo gradualmente graduado.
2
Q
1
dy S0 S dy Q
= o = S0 n 2
dx Q 2T dx Q
cos 3 1
gA Qc
Donde:
Q = Descarga del flujo gradualmente variado para la profundidad actual y
Qn = Descarga normal para una profundidad igual a y
Qn = Descarga critica para una profundidad igual a y

Para canales anchos rectangulares y usando la formula de Manning

10
y
3

1 n
dy y
= S0 3
dx y
1 c
y
Para canales anchos rectangulares y usando la formula de Chezy
3
y
1 n
dy y
= S 0 3
dx y
1 c
y
Donde:
y =
yn = Tirante normal
yc = Tirante critico

IX.2. METODOS DE SOLUCION

IX.2.1. Mtodo de Euler

a. Introduccin

Este mtodo permite la construccin de las aproximaciones a la solucin del problema inicial
y = f(t,y) con y(a) = y0 en [a, b] dadas por

yk+1 = yk + hf (tk,yk) para k = 0, 1, , M-1.

b. Algoritmo
Entrada f,a,b,ya,M
Salida E
Pasos computacionales:
Condiciones iniciales; Sean h=(b-a)/M;
T=Matriz nula(1,M+1);
Y=matriz nula(1,M+1);
T=a:h:b;
Y(1)=ya;
Para j = 1 hasta M
Y(j+1) = Y(j)+h*feval(f,T(j),Y(j));
Termina
E=[T' Y'];

c. Cdigo en Matlab

function E=euler2(funcion,a,b,ya,M)

%Datos:
% - funcion = Funcion almacenada como cadena de caracteres
% 'funcion'
% - a y b = Extremos derecho e izquierdo del intervalo
% - ya = Condicion inicial y(a)
% - M = Numero de pasos
%Resultados:
% - E = [T' Y'] siendo T el vector de las abcisas e
% Y el vector de las ordenadas
h=(b-a)/M;
T=zeros(1,M+1);
Y=zeros(1,M+1);
T=a:h:b;
Y(1)=ya;

for j=1:M
Y(j+1)=Y(j)+h*feval(funcion,T(j),Y(j));
end

E=[T' Y'];

IX.2.2. Mtodo de Heun

a. Introduccin
Este mtodo permite calcular la construccin de las aproximaciones a la solucin del
problema inicial y = f(t,y) con y(a) = y0 en [a, b] dadas por
h
yk+1 = yk + --- ( f (tk,yk) + f (tk+1,yk + f (tk,yk))) para k = 0, 1, , M-1.
2

b. Algoritmo
Entrada f,a,b,ya,M
Salida funcion H

Pasos computacionales:
Condiciones iniciales; Sea h = (b-a)/M;
T = matriz nula(1,M+1);
Y = matriz nula(1,M+1);
T = a:h:b;
Y(1) = ya;
Para j = 1 hasta M evaluar
k1=feval(f,T(j),Y(j));
k2=feval(f,T(j+1),Y(j)+h*k1);
Y(j+1)=Y(j)+(h/2)*(k1+k2);
Termina
H=[T' Y'];

c. Cdigo en Matlab

function H=heun(f,a,b,ya,M)

%Datos
% - f es la funcion almacenada como una cadena de caracteres 'f'
% - a y b son los extremos izquierdo y derecho del intervalo
% - ya es la condicion inicial y(a)
% - M es el numero de pasos
%Resultados
% - H=[T' Y'] siendo T el vector de las abcisas e
% Y el vector de las ordenadas

h=(b-a)/M;
T=zeros(1,M+1);
Y=zeros(1,M+1);
T=a:h:b;
Y(1)=ya;
for j=1:M
k1=feval(f,T(j),Y(j));
 k2=feval(f,T(j+1),Y(j)+h*k1);
Y(j+1)=Y(j)+(h/2)*(k1+k2);
end
H=[T' Y'];

IX.2.3. Mtodo de las series de Taylor

a. Introduccin

Este mtodo permite la construccin de las aproximaciones a la solucin de y = f(t,y) con

y(a) = y0 en [a, b] evaluando y, y, e y y usando el polinomio de Taylor en cada
paso.

b. Algoritmo
Entrada df,a,b,ya,M
Salida funcion T4
Pasos computacionales:
Condiciones iniciales; Sean h = (b-a)/M;
T = matriz nula(1,M+1);
Y = matriz nula(1,M+1);
T = a:h:b;
Y(1) = ya;
Para j = 1 hasta M evaluar
D=feval(df,T(j),Y(j));
Y(j+1)=Y(j)+h*(D(1)+h*(D(2)/2+h*(D(3)/6+h*D(4)/24)));
Termina
T4=[T' Y']

c. Cdigo en Matlab

function T4=taylor(df,a,b,ya,M)
%Datos
% - df=[y' y'' y''' y'''']almacenada como una cadena de caracteres
% 'df' siendo y'=f(t,y)
% - a y b son los extremos derecho e izquierdo del intervalo
% - ya es la condicion inicial y(a)
% - M es el numero de pasos
%Resultados
% - T4=[T' Y'] siendo T el vector de las abcisas e
% Y el vector de las ordenadas
h=(b-a)/M;
 T=zeros(1,M+1);
Y=zeros(1,M+1);
T=a:h:b;
Y(1)=ya;
for j=1:M
D=feval(df,T(j),Y(j));
Y(j+1)=Y(j)+h*(D(1)+h*(D(2)/2+h*(D(3)/6+h*D(4)/24)));
end
T4=[T' Y'];

IX.2.4. Mtodos de Runge-Kutta

a. Introduccin

Este mtodo permite la aproximacin a la solucin del problema de valor inicial y = f(t,y)
con y(a) = y0 en [a, b] usando la frmula;
h
yk+1 = yk + --- ( k1 + 2k2 + 2k3 + k4 ).
6

b. Algoritmo
Entrada f,a,b,ya,M
Salida funcion R
Pasos computacionales:
Condiciones iniciales; Sean h = (b-a)/M;
T=matriz nula(1,M+1);
Y=matriz nula(1,M+1);
T=a:h:b;
Y(1)=ya;
Para j = 1 hasta M evaluar
k1=h*feval(f,T(j),Y(j));
k2=h*feval(f,T(j)+h/2,Y(j)+k1/2);
k3=h*feval(f,T(j)+h/2,Y(j)+k2/2);
k4=h*feval(f,T(j)+h,Y(j)+k3);
Y(j+1)=Y(j)+(k1+2*k2+2*k3+k4)/6;
Termina
Calcula el valor de R = [T' Y']

c. Cdigo en Matlab

function [T,Z]=rks4(F,a,b,Za, M)
 %Datos
% - F es la funcin almacenada como una cadena de caracteres 'F'
% - a son los extremos derecho e izquierdo del intervalo
% - Za=[x(a) y(a)] es la condicin inicial
% - M es el numero de pasos
%Resultados
% - T es el vector de los nodos
% - Z=[x1(t) . . . xn(t)]donde xk(t) es la aproximacin
% a la k-sima variable independiente

h=(b-a)/M;
T=zeros(1,M+1);
Z=zeros(M+1,length(Za));
T=a:h:b;
Z(1,:)=Za;
for j=1:M
k1=h*feval(F,T(j),Z(j,:));
k2=h*feval(F,T(j)+h/2,Z(j,:)+k1/2);
k3=h*feval(F,T(j)+h/2,Z(j,:)+k2/2);
k4=h*feval(F,T(j)+h,Z(j,:)+k3);
Z(j+1,:)=Z(j,:)+(k1+2*k2+2*k3+k4)/6;
end

IX.2.5. Mtodo de Adams-Bashforth-Moulton

a. Introduccin

Este mtodo permite la construccin de las aproximaciones a la solucin del problema de

valor inicial y = f(t,y) con y(a) = y0 en [a, b] usando el valor predictor.

h
pk+1 = yk + --- ( -9fk-3 + 37fk-2 - 59fk-1 + 55f k ).
24
y el valor corrector
h
yk+1 = yk + --- ( fk-2 - 5fk-1 + 19fk + 9f k+1 ).
24

b. Algoritmo
Entrada f,T,Y
Salida A

Pasos computacionales:
 Condiciones iniciales; Sea n = longitud de (T);

Si n<5, termina el ciclo,

termina;
F=matriz nula(1,4);
F=evaluar(f,T(1 hasta 4),Y(1 hasta 4));
h=T(2)-T(1);
Para k=4 hasta n-1
El predictor es: p=Y(k)+(h/24)*(F*[-9 37 -59 55]');
T(k+1)=T(1)+h*k;
F=[F(2) F(3) F(4) feval(f,T(k+1),p)];
El corrector es : Y(k+1)=Y(k)+(h/24)*(F*[1 -5 19 9]');
F(4)=feval(f,T(k+1),Y(k+1));
Termina
A=[T' Y'];

c. Cdigo en Matlab

function A=abm(f,T,Y)

%Datos
% - f es la funcion almacenada como una cadena de caracteres 'f'
% - T es el vector de abcisas; su dimensin es el numero de pasos
% - Y es el vector de las ordenadas
%Observacin
% - las cuatro primeras coordenadas de T e Y deben contener los
% valores iniciales calculados con el mtodo RK4
%Resultado
% - A=[T' Y'] siendo T el vector de las abcisas
% - Y el vector de las ordenadas

n=length(T);
if n<5, returm, end;

F=zeros(1,4);
F=feval(f,T(1:4),Y(1:4));
h=T(2)-T(1);

for k=4:n-1
%Predictor
p=Y(k)+(h/24)*(F*[-9 37 -59 55]');
T(k+1)=T(1)+h*k;
F=[F(2) F(3) F(4) feval(f,T(k+1),p)];
%Corrector
 Y(k+1)=Y(k)+(h/24)*(F*[1 -5 19 9]');
F(4)=feval(f,T(k+1),Y(k+1));
end
A=[T' Y'];

IX.2.6. Mtodo de Milne

a. Introduccin

Este mtodo permite la construccin de las aproximaciones a la solucin del problema de

valor inicial y = f(t,y) con y(a) = y0 en [a, b] usando el valor predictor.

4h
pk+1 = yk-3 + --- ( 2fk-2 - fk-1 + 2f k ).
3
la modificacin
y k - pk
mk+1 = pk+1 + 28 ------------- fk+1 = f(tk+1 , mk+1).
29
y el valor corrector
h
yk+1 = yk-1 + --- ( fk-1 + 4fk + f k+1 ).
3

b. Algoritmo
Entrada f,T,Y
Salida funcion M
Pasos computacionales:
Condiciones iniciales; Sea n = longitud (T);
Si n < 5 termina el ciclo,
termina.
F = matriz nula(1,4);
F = evaluar(f,T(1 hasta 4),Y(1 hasta 4));
h = T(2)-T(1);
pold = 0;
yold = 0;
Para k = 4 hasta n-1
El predictor es: pnew = Y(k-3)+(4*h/3)*(F(2 hasta 4)*[2 -1 2]');
El modificador es: pmod = pnew+28*(yold-pold)/29;
T(k+1)=T(1)+h*k;
F=[F(2) F(3) F(4) feval(f,T(k+1),pmod)];
 El corrector es: Y(k+1)=Y(k-1)+(h/3)*(F(2 hasta 4)*[1 4 1]');
pold=pnew;
yold=Y(k+1);
F(4)= evaluar(f,T(k+1),Y(k+1));
Termina
c. Cdigo en Matlab

function M=milne(f,T,Y)

%Datos
% - f es la funcion almacenada como una cadena de caracteres 'f'
% - T es el vector de abcisas; su dimensin es el numero de pasos
% - Y es el vector de las ordenadas
%Observacin
% - las cuatro primeras coordenadas de T e Y deben contener los
% valores iniciales calculados con el mtodo RK4
%Resultado
% - M=[T' Y'] siendo T el vector de las abcisas
% - Y el vector de las ordenadas

n=length(T);
if n<5, returm, end;
F=zeros(1,4);
F=feval(f,T(1:4),Y(1:4));
h=T(2)-T(1);
pold=0;
yold=0;
for k=4:n-1
%Predictor
pnew=Y(k-3)+(4*h/3)*(F(2:4)*[2 -1 2]');
%Modifier
pmod=pnew+28*(yold-pold)/29;
T(k+1)=T(1)+h*k;
F=[F(2) F(3) F(4) feval(f,T(k+1),pmod)];
%Corrector
Y(k+1)=Y(k-1)+(h/3)*(F(2:4)*[1 4 1]');
pold=pnew;
yold=Y(k+1);
F(4)=feval(f,T(k+1),Y(k+1));
end
M=[T' Y'];
IX.2.7. Mtodo de Hamming

a. Introduccin

Este mtodo permite la construccin de las aproximaciones a la solucin del problema de

valor inicial y = f(t,y) con y(a) = y0 en [a, b] usando el valor predictor.
4h
pk+1 = yk-3 + --- ( 2fk-2 - fk-1 + 2f k ).
3
una modificacin y el valor corrector

-yk-2 +9yk 3h
yk+1 = ---------------- + ------ (-fk-1 + 2fk + f k+1 ).
8 8

b. Algoritmo
Entrada f,T,Y
Salida funcion H
Pasos computacionales:
Condiciones iniciales; Sea n=longitud(T);
Si n<5, regresa, sino
termina el ciclo.
F=matriz nula(1,4);
Evalua la funcin: F=feval(f,T(1 hasta 4),Y(1 hasta 4));
h=T(2)-T(1);
pold=0;
cold=0;

Para k=4 hasta n-1

El predictor es: pnew=Y(k-3)+(4*h/3)*(F(2 hasta 4)*[2 -1 2]');
El modificador es: pmod=pnew+112*(cold-pold)/121;
T(k+1)=T(1)+h*k;
F=[F(2) F(3) F(4) feval(f,T(k+1),pmod)];
El corrector es : cnew=(9*Y(k)-Y(k-2)+3*h*(F(2:4)*[-1 2 1]'))/8;
Y(k+1)=cnew+9*(pnew-cnew)/121;
pold=pnew;
cold=cnew;
F(4)=feval(f,T(k+1),Y(k+1));
Termina.

c. Cdigo en Matlab

function H=hamming1(f,T,Y)
%Datos
% - f es la funcion almacenada como una cadena de caracteres 'f'
% - T es el vector de abcisas; su dimensin es el numero de pasos
% - Y es el vector de las ordenadas
%Observacin
% - las cuatro primeras coordenadas de T e Y deben contener los
% valores iniciales calculados con el mtodo RK4
%Resultado
% - H=[T' Y'] siendo T el vector de las abcisas
% - Y el vector de las ordenadas

n=length(T);
if n<5, returm, end;
F=zeros(1,4);
F=feval(f,T(1:4),Y(1:4));
h=T(2)-T(1);
pold=0;
cold=0;

for k=4:n-1
%Predictor
pnew=Y(k-3)+(4*h/3)*(F(2:4)*[2 -1 2]');
%Modifier
pmod=pnew+112*(cold-pold)/121;
T(k+1)=T(1)+h*k;
F=[F(2) F(3) F(4) feval(f,T(k+1),pmod)];
%Corrector
cnew=(9*Y(k)-Y(k-2)+3*h*(F(2:4)*[-1 2 1]'))/8;
Y(k+1)=cnew+9*(pnew-cnew)/121;
pold=pnew;
cold=cnew;
F(4)=feval(f,T(k+1),Y(k+1));
end
H=[T' Y'];
X. SOLUCION NUMERICA DE ECUACIONES EN DERIVADAS
PARCIALES

X.1. PLANTEAMIENTO DEL PROBLEMA

Problemas fsicos que involucran mas de una variable se pueden expresar frecuentemente
usando ecuaciones que contienen derivadas parciales. Una ecuacin diferencial en la que
aparecen dos o ms variables independientes se llama ecuacin en derivadas parciales.

X.1.1. Ecuacin diferencial parcial elptica (funcin potencial)

En ingeniera las ecuaciones elpticas se usan para caracterizar problemas de estado estable
(independiente del tiempo) y con valores en la frontera; por ejemplo:

1. Distribucin estacionaria de calor en una regin plana

2. La energa potencial de un punto en el plano bajo la accin de fuerzas gravitacionales
en el plano
3. Problemas estacionarios en dos dimensiones acerca de fluidos incompresibles

2u( x, y ) 2u( x, y )
+ + f ( x , y ) u ( x, y ) = g ( x, y ) ; Ecuacin de Helmholts
x 2 y 2
2 u ( x, y ) 2 u ( x , y )
+ = g ( x, y ) ; Ecuacin de Poisson
x 2 y 2
Donde, g ( x, y ) es la funcin que describe la entrada del problema en la regin R cuya
frontera denotaremos por S, cuando g ( x, y ) = 0
2 u ( x, y ) 2 u ( x, y )
+ = 0 ; para 0 x < 1 y 0 < y < 1 Ecuacin de la Laplace
x 2 y 2
Cuando la temperatura dentro de la regin esta determinada por la distribucin de
temperaturas en la frontera de la regin, la condicin de frontera de Dirichlet y esta dada
por:
u( x, y ) = f ( x, y ) , para toda (x,y) en S
Donde:
u(x,y) = rgimen permanente de la distribucin de flujo o temperatura en una regin.

k
k'= = coeficiente de conductividad trmica (cal/s cm C)

k = coeficiente de conductividad trmica
= densidad del material
= calor especifico
Condiciones de frontera
u ( x,0) = f 1 ( x ) ; para y = 0 y 0 x 1 (abajo)
 u ( x,1) = f 2 (x ) ; para y = 1 y 0 x 1 (arriba )
u (0, y ) = f 3 ( x ) ; para x = 0 y 0 y 1 (a la izquierda )
u (1, y ) = f 4 ( x ) ; para x = 1 y 0 y 1 (a la derecha)

X.1.1.1. Problema de Dirichlet

Cuando se conocen los valores que debe tomar la derivada normal de la funcin u(x,y) en la
frontera de una regin rectangular R del plano.
u ( x, y )
=0
N

X.1.1.2. Problema de Neumann

Cuando se conocen los valores que debe tomar la funcin u(x,y) en la frontera de una regin
rectangular R del plano.

X.1.2. Ecuacin diferencial parcial parablica (ecuacin de conduccin o difusin)

Se emplean para caracterizar problemas dependientes del tiempo

X.1.2.1. Modelo unidimensional del flujo de calor en un alambre (barra larga y delgada)
aislado de longitud L
u ( x, t ) 2 u ( x, t )
k '' = 0 ; para 0 x < L y 0 < t <
t x 2

Donde:
u(x,t) = temperatura en la posicin x del alambre en el instante t.
k
k''= = coeficiente de difusividad trmica y esta determinado por las propiedades de

conductividad del calor del material de que esta compuesta la barra y se supone que es
independiente de la posicin de la barra.

k = coeficiente de conductividad trmica

= densidad del material
= calor especifico

Condicin inicial = distribucin inicial del calor (temperatura) en la barra

u ( x,0) = f ( x ) ; para t = 0 y 0 x L

Condiciones de frontera en los extremos del alambre

u (0, t ) = C1 ; para x = 0 y 0 t <
u ( L, t ) = C 2 ; para x = L y 0 t <

X.1.2.2. Modelo bidimensional de la conduccin del calor en una placa

 u ( x, t ) 2 u ( x, t )
k '' = 0 ; para 0 x < L y 0 < t <
t x 2

X.1.3. Ecuacin diferencial parcial hiperblica

Ejemplo:
a). Modelo unidimensional de la cuerda vibrante (ecuacin de la onda)
Supongamos que una cuerda elastica de longitud L se estira tensamente entre dos soportes
al mismo nivel horizontal. Si la cuerda se pone en movimiento de tal marera que vibre en
un plano vertical, entonces el desplazamiento vertical u(x,t) de un punto x en el tiempo t
satisface la ecuacin diferencial parcial:
2 u ( x, t ) 1 2 u ( x, t )
= 0 ; para 0 x < L y 0 < t < , siempre y cuando los efectos
x 2 c t 2
de resistencia sean despreciables y la amplitud no sea muy grande.
Donde:
u(x,t) = desplazamiento de la cuerda
T
c= = constante

T = tensin de la cuerda
= masa de la cuerda por unidad de longitud

Condiciones iniciales de la posicin y la velocidad de la cuerda

u ( x,0) = f (x ) ; para t = 0 y 0 x L
u( x,0)
= g (x ) ; para t = 0 y 0 < x < L
t
Condiciones de frontera o valores en los extremos de la cuerda
u (0, t ) = 0 ; para x = 0 y 0 t <
u ( L, t ) = 0 ; para x = L y 0 t <

X.2. METODOS DE SOLUCION

1. Ecuacin diferencial parcial elptica

Modelo unidimensional
a) Mtodos iterativos
a.1) Resolucin de Dirichlet

2. Ecuacin diferencial parcial parablica

Modelo unidimensional
a) Mtodo explcito
b) Mtodo implcito
c) Mtodo de Crack-Nicolson
Modelo Bidimensional
a) Esquema estndar explicito
b) Esquema estndar implcito
c) Esquema implcito de direccin alternada (IDA)

3. Ecuacin diferencial parcial hiperblica

Modelo unidimensional

X.2.1.a.1. Resolucin de Dirichlet

a. Introduccin

Si por ejemplo, se desear resolver la ecuacin de Laplace utilizando la resolucin de

Dirichlet, se construira una aproximacin a la solucin de
uxx(x,y) + uyy(x,y) = 0
en
R = { (x,y) : 0 x a, 0 y b}
con las condiciones de contorno u(x,0) = f1(x), u(x,b) = f2(x), para 0 x a y u(0,y) = f3(y),
u(a,y) = f4(y) para 0 y b. Se supone que x = y = h y que existen dos nmeros naturales
n y m tales que a = nh y b = mh.

b. Algoritmo
Entrada: f1, f2, f3, f4, a, b, h, tol, max1Y.
Salida: U.
Pasos computacionales:
Determinar el incremento en el eje X, usando el cociente del valor del extremo
del eje con el tamao de paso, sumarle una unidad por el tratamiento que
Matlab tiene acerca del inicio de la malla computacional.
Determinar el incremento en el eje Y, usando el cociente del valor del extremo
del eje con el tamao de paso, sumarle una unidad por el tratamiento que
Matlab tiene acerca del inicio de la malla computacional.
Discretizacin del problema: clculo del valor inicial en los puntos interiores de
la malla, definido como el valor de la media de los 2n + 2m 4 valores en el
contorno dado por f1,f2,f3,f4.
Declaracin de la malla solucin, incluyendo el valor inicial en cada nodo.
Asignar los valores de la condicin de frontera correspondientes a las partes
superior, inferior, izquierda y derecha de la malla solucin.
Calcular los valores de los nodos que se encuentran en las esquinas de las
mallas, dependiendo de la posicin de la esquina, utilizar:
u1,1 =( u2,1+u1,2)/2; u1,m =( u2,m+u1,m-1)/2; un,1 =( un-1,1+un,2)/2;
u1,1 =( un-1,m+un,m-1)/2
Obtencin del parmetro de sobrerelajacin, utilizando:
w = 4/(2+sqrt(4-(cos(pi/(n-1))+cos(pi/(m-1)))^2));
Iniciar el proceso iterativo para calcular el valor residual de cada uno de los
nodos de la malla:
relx = w*(U(i,j+1)+U(i,j-1)+U(i+1,j)+U(i-1,j)-4*U(i,j))/4
donde i es la posicin del nodo en el eje de las abscisas y j declara la
posicin que tiene el nodo en el eje de las ordenadas.
El proceso se interrumpe cuando el trmino residual se aproxima o reduce a
cero.
 Debido al tratamiento de Matlab, invertir la matriz solucin (malla
computacional) y graficar.

c. Cdigo en Matlab

function U=dirich(f1,f2,f3,f4,a,b,h,tol,max1)
% ________________________________________________________
% Esta funcion encuentra la solucin de Dirichlet a la ecuacion
% de Laplace
% u (x, y) + u (x, y) = 0,
% xx yy
%
% con las condiciones de frontera:
%
% u(x, 0) = f1, u(x, b) = f2 para toda 0 <= x <= a, y
%
% u(0, y) = f3, u(a, y) = f4 para toda 0 <= y <= b.
%
% Los subndices xx y yy indican la segunda derivada parcial de u(x,y)
% con respecto a x y y, respectivamente.
%
% Sintaxis para utilizar la funcion:
% >> U = dirich(f1,f2,f3,f4,a,b,h,tol,max1)
%
% Parametros de entrada:
% f1: es el valor de frontera correspondiente a la parte inferior %
de la misma.
% f2: es el valor de frontera correspondiente a la parte superior %
de la misma.
% f3: es el valor de frontera correspondiente a la parte izquierda %
de la misma.
% f4: es el valor de frontera correspondiente a la parte derecha %
de la misma.
% a: es el extremo superior de [0,a] (intervalo del valores en el %
eje de las abscisas).
% b: es el extremo superior de [0,b] (intervalo del valores en el %
eje de las ordenadas).
% h: tamao del paso.
% tol: tolerancia de la convergencia.
% max1: numero maximo de iteraciones,
% Parametros de salida:
% U: es la matriz solucion.
% Requerimientos:
% f1,f2,f3,f4: deben ser manejados como funciones
% independientes del este script y deben contener los valores
% numericos correspondientes a cada condicion de frontera.
% Ejemplo:
 % >> U = dirich(f1, f2, f3, f4, 4, 4, 0.1, 0.0001, 200)
% _______________________________________________________

n=fix(a/h)+1;
m=fix(b/h)+1;
ave=(a*(feval(f1,0)+feval(f2,0))+b*(feval(f3,0)+
feval(f4,0)))/(2*a+2*b);
U=ave*ones(n,m);

U(1,1:m)=feval(f3,0:h:(m-1)*h)';
U(n,1:m)=feval(f4,0:h:(m-1)*h)';
U(1:n,1)=feval(f1,0:h:(n-1)*h);
U(1:n,m)=feval(f2,0:h:(n-1)*h);
U(1,1)=(U(1,2)+U(2,1))/2;
U(1,m)=(U(1,m-1)+U(2,m))/2;
U(n,1)=(U(n-1,1)+U(n,2))/2;
U(n,m)=(U(n-1,m)+U(n,m-1))/2;

w = 4/(2+sqrt(4-(cos(pi/(n-1))+cos(pi/(m-1)))^2));

err = 1;
cnt = 0;
while((err > tol) & (cnt <= max1))
err=0;
for j = 2:m-1
for i = 2:n-1
relx = w*(U(i,j+1)+U(i,j-1)+U(i+1,j)+U(i-1,j)-4*U(i,j))/4;
U(i,j) = U(i,j)+relx;
if (err <= abs(relx))
err = abs(relx);
end
end
end
cnt=cnt+1;
end

U=flipud(U');

X.2.2.a. Mtodo de diferencias finitas explcitas.

a. Introduccin

El mtodo de diferencias progresivas finitas bsicamente parte de la solucin de ecuaciones

del tipo
ut(x,t) = c2uxx(x,t)
en
R = { (x,t) : 0 x a, 0 t b}
con u(x,0) = f(x) para 0 x a y u(0,t) =c1, u(a,t) = c2 para 0 t b.

b. Algoritmo
Entrada: f, c1, c2, a, b, c, n, m.
Salida: U.
Pasos computacionales:
Determinar el incremento en el eje correspondiente a la variable espacial.
Determinar el incremento en el eje correspondiente a la variable temporal.
De la ecuacin general de diferencias explcitas progresivas:
ui,j+1=(1-2r)ui,j +r(ui-1,j+ui+1,j)
obtener la variable r y el trmino (1-2r).
Declaracin de la malla solucin, incluyendo el valor inicial de cada nodo como
cero.
Asignar los valores de la condicin de frontera correspondientes a las partes
inferior y superior de la malla solucin.
Calcular los valores de los nodos que se encuentran en la primera fila.
Iniciar el proceso iterativo para calcular el valor de cada uno de los nodos de la
malla, utilizando la ecuacin general de diferencias explcitas progresivas.
Debido al tratamiento de Matlab, invertir la matriz solucin (malla
computacional) y graficar.

c. Cdigo en Matlab
function U = forwdif(f,c1,c2,a,b,c,n,m)
% _____________________________________________________
% Funcion que tu puedes aplicar para usar el metodo explicito de
% diferencias finitas.
% Parametros de entrada:
% f = contiene la funcion a calcular.
% c1 = es la primer condicion de frontera u(0,t).
% c2 = es la segunda condicion de frontera u(a,t).
% a = es la longitud de la variable espacial.
% b = es la longitud de la variable temporal
% c = Es la constante de Courant constant (depende de la
% ecuacion).
% m = numero de columnas.
% n = numero de filas.
% Parametros de salida:
% U = matriz solucion
% _____________________________________________________

h = a / ( n - 1 );
k = b / ( m - 1 );
r = c ^ 2 * ( k / h ^ 2);
s = 1 - 2 * r;
U = zeros(n,m);
 U(1,1:m) = 0;
U(n,1:m) = 0;

U(2:n-1,1)= feval('f', h:h:(n-2) * h)';

for j =2:m
for i =2:n-1
U(i,j)= s * U(i , j-1) + r * (U (i-1 , j-1) + U(i+1, j-1));
end
end
U = U';

X.2.2.b. Mtodo de Crack-Nicholson.

a. Introduccin

El mtodo de Crack-Nicholson parte de las aproximaciones que se pueden generar de la

solucin de ecuaciones del tipo
ut(x,t) = c2uxx(x,t)
en
R = { (x,t) : 0 x a, 0 t b}
con u(x,0) = f(x) para 0 x a y u(0,t) =c1, u(a,t) = c2 para 0 t b.

b. Algoritmo
Entrada: f, c1, c2, a, b, c, n, m.
Salida: U.
Pasos computacionales:
Determinar el incremento en el eje correspondiente a la variable espacial.
Determinar el incremento en el eje correspondiente a la variable temporal.
De la ecuacin en diferencias implcitas:
-rui-1,j+1+(2+2r)ui,j+1-rui+1,j+1=rui-1,j+(2-2r)ui,j +ui+1,j
obtener la variable r y los trminos (2-2r) y (2+2r) .
Declaracin de la malla solucin, incluyendo el valor inicial de cada nodo como
cero.
Asignar los valores de la condicin de frontera correspondientes a las partes
inferior y superior de la malla solucin.
Calcular los valores de los nodos que se encuentran en la primera fila.
Formar la diagonal principal para la resolucin del sistema AX = B.
Crear un arreglo numrico (elementos de la diagonal principal de la matriz de
coeficientes) y asignar el valor del trmino (2+2r) a cada elemento del mismo;
en los extremos del arreglo asignar como valo, la unidad.
Crear un arreglo numrico unitario negativo de dimensiones 1 x n-1
(subdiagonal de la matriz de coeficientes). El ltimo elemento del arreglo
deber tener un valor nulo.
Crear un arreglo numrico unitario negativo de dimensiones 1 x n-1
(superdiagonal de la matriz de coeficientes). El primer elemento del arreglo
deber tener un valor nulo.
 Crear una matriz computacional de dimensiones n x m (trminos independientes
del sistema lineal), donde al primer y el ltimo elemento de la primera columna
se les asignar los valores correspondientes a las condiciones de frontera
inicial y final respectivamente; mediante iteraciones y utilizando
bi=ui-1,j-1+ui+1,j-1+(2/r-2)ui,j-1;
obtener los valores correspondientes a las filas correspondientes a la primer
columna. Resolver el sistema tridiagonal para cada columna y los valores
conseguidos, enviarlos a la matriz solucin del mtodo de Crank-Nicholson.
Iterar hasta obtener todos los valores correspondientes a la dimension de la
matriz solucin.
Debido al tratamiento de Matlab, invertir la matriz solucin (malla
computacional) y graficar.

c. Cdigo en Matlab

function U=crnich(f,c1,c2,a,b,c,n,m)
%Metodo de Crank-Nicholson para la ecuacion del calor
%Entradas
% - f = u(x,0) como una cadena de caracteres 'f'
% - c1 = u(0,t) y c2 = u(a,t)
% - a y b extremos derechos de los intervalos [0,a] y [0,b]
% - c constante de la ecuacion del calor
% - n y m numero de nodos en [0,a] y [0,b]
%Salidas
% - U matriz solucion

h=a/(n-1);
k=b/(m-1);
r=c^2*k/h^2;
s1=2+2/r;
s2=2/r-2;
U=zeros(n,m);

U(1,1:m)=c1;
U(n,1:m)=c2;

U(2:n-1,1)=feval(f,h:h:(n-2)*h)';

Vd(1,1:n)=s1*ones(1,n);
Vd(1)=1;
Vd(n)=1;
Va=-ones(1,n-1);
Va(n-1)=0;
Vc=-ones(1,n-1);
Vc(1)=0;
Vb(1)=c1;
Vb(n)=c2;
 for j=2:m
for i=2:n-1
Vb(i)=U(i-1,j-1)+U(i+1,j-1)+s2*U(i,j-1);
end
X=trisys(Va,Vd,Vc,Vb);
U(1:n,j)=X';
end

U=U'

X.2.3. Mtodo de diferencias finitas.

a. Introduccin

El mtodo de diferencias finitas puede ser usado para resolver ecuaciones del
utt(x,t) = c2uxx(x,t)
en
R = { (x,t) : 0 x a, 0 t b}
Como por ejemplo la ecuacin de la onda, con u(0,t) = 0, u(a,t) = 0 para 0 t b y
u(x,0) =f(x), u(x,0) = g(x) para 0 x a.

b. Algoritmo
Entrada: funcion_f, funcion_g, a, b, c, n, m.
Salida: U.
Pasos computacionales:
Determinar el incremento en el eje correspondiente a la variable espacial.
Determinar el incremento en el eje correspondiente a la variable temporal.
De la ecuacin en diferencias finitas:
ui,j+1 = (2-2r2)ui,j +r2(ui+1,j+ ui-1,j,)-rui,j-1
obtener la variable r y los trminos (2-2r2).
A partir de la ecuacin de los elementos de la segunda fila:
ui,2=(1-r2)fi +kgi+(r2/2)(fi+1+fi-1)
Calcular los valores de (1-r2) y r2/2.
Declaracin de la malla solucin, incluyendo el valor inicial de cada nodo como
cero.
Iterar tanto la primer como la segunda fila de la malla solucin; los valores de
los elementos de la primer fila se obtendran del valor que toma la funcin f,
correspondiente al valor de la variable independiente d el nodo anterior al nodo
donde se desea conocer el valor. Para determinar los valores de los elementos
de la segunda fila, se debe aplicar la ecuacin que lleva el mismo nombre.
Iterar la ecuacin de diferencias finitas para encontrar los valores de los
elementos de la matriz solucin.

c. Cdigo en Matlab
function U = finedif(funcion_f,funcion_g,a,b,c,n,m)
%Resolucion de la ecuacion de la onda por el metodo de las diferencias
%finitas
%Entradas
% - funcion_f = u(x,0) como una cadena de caracteres 'funcion_f'
% - funcion_g = ut(x,0) como una cadena de caracteres 'funcion_g'
% - a y b extremos superiores de los intervalos [0,a] y [0,b]
% - c constante de la ecuacion de la onda
% - n y m numero de nodos en [0,a] y [0,b]
%Salidas
% - U matriz solucion

h = a/(n-1);
k = b/(m-1);
r = c*k/h;
r2=r^2;
r22=r^2/2;
s1 = 1 - r^2;
s2 = 2 - 2*r^2;
U = zeros(n,m);

for i=2:n-1
U(i,1)=feval(funcion_f,h*(i-1));
U(i,2)=s1*feval(funcion_f,h*(i-1))+k*feval(funcion_g,h*(i-1)) ...
+r22*(feval(funcion_f,h*i)+feval(funcion_f,h*(i-2)));
end

for j=3:m,
for i=2:(n-1),
U(i,j) = s2*U(i,j-1)+r2*(U(i-1,j-1)+U(i+1,j-1))-U(i,j-2);
end
end

U=U';
 REFERENCIAS BIBLIOGRFICAS
Mathews H, John. METODOS NUMERICOS CON MATLAB. Editorial
Prentice Hall. Universidad de Sevilla. 2000.
Nakamura, Shoichiro. ANALISIS NUMERICO Y VISUALIZACION
GRAFICA CON MATLAB. Pearson educacin. Universidad de Ohio.
2001.
Garca, Javier., APRENDA MATLAB COMO SI ESTUVIERA EN
PRIMERO. Macmillan. Universidad Politcnica de Madrid, 2003.
Rodrguez, Ignacio, et all. TALLER DE PROGRAMACION DE MATLAB.
XIII Foro de Matemticas en la D. A. C. B. UJAT. 2002.
Sigmon, Kermit. INTRODUCCION AL MATHLAB. Departamento de
Matemticas de la Universidad de Florida. 1992.
Brazalez, Alfonso. TUTORIAL COMPLETO DE MATLAB, articulo de
divulgacin Universidad de Sevilla. 2001.
D. Hanselman and B. Litte_eld, THE STUDENT EDITION OF MATLAB:
version 4, Prentice-Hall, 1995.
A. Biran and M. Breiner, MATLAB FOR ENGINEERS, Addison-Wesley,
1995.
Eva P art-Enander, Anders Sj oberg, Bo Melin and Pernilla Isaksson,
THE MATLAB HANDBOOK, Addison-Wesley, 1996.
W. H. Press, S. A. Teukolsky, W. T. Vetterling and B. P. Flannery,
NUMERICAL RECIPES IN FORTRAN, 2da. Edicin.
 ANEXO

VII CONGRESO INTERNACIONAL DE INGENIERA HIDRULICA

CAMAGEY, CUBA, OCTUBRE, DEL 2005.

DESARROLLO DE CODIGOS EN MATLAB, PARA RESOLVER PROBLEMAS EN

HIDRAULICA

M. en C. Lucio Fragoso Sandoval2, M. en C. J. Roberto Ruiz y Zurvia Flores, M. en

C. A. Bruno Jurez Len e Ing. Adriana Guadalupe Porres Lpez3

RESUMEN

Tradicionalmente en la enseanza de la hidrulica se ha dejado que el alumno genere sus

propios cdigos para resolver problemas en este campo, teniendo que rehacerse cada
semestre tales cdigos. Por ello, investigadores de la Escuela Superior de Ingeniera y
Arquitectura, Unidad Zacatenco del Instituto Politcnico Nacional, desarrollaron este proyecto
que nos permite estandarizar los procedimientos en la generacin de cdigos en Matlab,
mismos que se pueden reutilizar, y son fciles de exportar a otros lenguajes de programacin
como lo es el lenguaje C, o bien Basic, o quiz Fortran, y que incluso son fciles de
interpretar.

En este proyecto se desarrollaron diversas herramientas que podrn ser utilizadas en el

curso de Mtodos Numricos y aplicadas a otras materias de Hidrulica, as como en el
desarrollo de otros proyectos de investigacin y para el desarrollo de tesis de grado.

A travs de este proyecto se llevo a cabo en el ambiente del programa Matlab, el desarrollo
de diferentes cdigos, para la solucin de problemas de metodologa numrica, segn el tipo
de problema sobre hidrulica que se pretenda analizar y resolver. De igual manera se
desarrollo un manual de usuario que contiene un breviario del objetivo principal de cada
codigo, as como su pseudocdigo y algoritmo que nos explican la actividad paso a paso que
desarrolla cada programa.

2 Profesor Investigador de la Escuela Superior de Ingeniera y Arquitectura, Unidad Zacatenco, del Instituto Politcnico Nacional. Edificio No. 12 de
la Unidad Profesional Zacatenco, Col. Lindavista, C. P. 07738, Mxico D. F. 5729-6000, Ext. 53-037.
3 Becario PIFI Escuela Superior de Ingeniera y Arquitectura, Unidad Zacatenco, del Instituto Politcnico Nacional. Edificio No. 12 de la Unidad

Profesional Zacatenco, Col. Lindavista, C. P. 07738, Mxico D. F. 5729-6000, Ext. 53-037.