Simulación Continua: Explorando los métodos numéricos en la ciencia y la ingeniería

Brayham Pérez

Simulación Continua: Explorando los Métodos Numéricos en la Ciencia y la Ingeniería

Derechos de autor © 2023 por Equipo Editorial

Editor en Jefe: Brayham Pérez C.I: 30269784 Equipo Editorial: Editor en Jefe: Brayham Pérez Docente: Yusbelis Pérez Sánchez Correo electrónico: brayhamperez4@gmail.com Carrera y Sección: Modelaje y simulación - Ing. De Sistemas, T1 Año: 2023-11-5

Linea Editorial Bienvenidos a nuestra revista digital, una plataforma destinada a explorar y difundir los aspectos fundamentales de la modelización y simulación de procesos continuos.

Nuestra misión es proporcionar a nuestros lectores una visión profunda de los métodos numéricos utilizados en la resolución de ecuaciones diferenciales y cómo estos métodos impulsan avances significativos en campos tan diversos como la ciencia y la ingeniería.

En un mundo donde la ciencia y la ingeniería desempeñan un papel crucial en la resolución de los problemas más complejos de nuestra sociedad, la simulación de procesos continuos es esencial. Desde el análisis de sistemas de control y la investigación en biología molecular hasta la comprensión de fenómenos físicos y químicos, los métodos numéricos brindan una herramienta poderosa para modelizar y simular sistemas en constante evolución. La precisión y la eficacia de estos métodos son cruciales para el éxito en el diseño, la investigación y la toma de decisiones en estas disciplinas.

Nuestra revista se enfoca en la promoción y el entendimiento de estos métodos, destacando su relevancia en la resolución de problemas del mundo real. Les invitamos a sumergirse en los diversos artículos y recursos que ofrecemos, con la esperanza de que encuentren inspiración y conocimientos que fortalezcan su comprensión y habilidades en el emocionante campo de la simulación de procesos continuos.

Atentamente, Brayham Pérez

ÍNDICE DE CONTENIDOS INTRODUCCIÓN

05

MÉTODO NUMÉRICO DE EULER

06

MÉTODO NUMÉRICO DE RUNGEKUTTA

07

MÉTODO DE PREDICTORCORRECTOR

09

MÉTODO DE ADAMS-MOULTON

11

RESOLUCIÓN DE PROBLEMAS PARA SISTEMAS CONTINUOS UTILIZANDO LOS ALGORITMOS ANTERIORES

13

CONCLUSIÓN

17

REFERENCIAS BIBLIOGRÁFICAS

18

Introducción.

La presente revista digital tiene como objetivo fundamental abordar de manera integral la simulación de procesos continuos y la aplicación de diversos métodos numéricos en este campo. La simulación de procesos continuos desempeña un papel crucial en la comprensión y resolución de situaciones complejas que evolucionan a lo largo del tiempo, permitiendo a los profesionales y académicos explorar, analizar y tomar decisiones informadas sobre sistemas en constante cambio.

La importancia de esta revista radica en proporcionar a los lectores una comprensión profunda de los métodos numéricos utilizados en la simulación de procesos continuos. La simulación no solo es una herramienta fundamental en la investigación y el desarrollo, sino que también desempeña un papel crítico en la optimización de sistemas, la toma de decisiones estratégicas y la reducción de costos en diversos sectores, como la ingeniería, la química, la física, la biología y muchas otras disciplinas.

En esta revista, se abordarán en detalle varios métodos numéricos esenciales para la simulación de procesos continuos, incluyendo el Método de Euler, los Métodos de RungeKutta, el Método del Predictor-Corrector y el Método de Adams-Moulton. Cada uno de estos métodos se explorará minuciosamente, proporcionando a los lectores un conocimiento sólido sobre su aplicabilidad y ventajas.

A lo largo de la revista, se presentarán ejemplos prácticos y ejercicios resueltos para ilustrar la aplicación de estos métodos en la resolución de problemas reales. Con esta información, los lectores podrán adquirir las habilidades necesarias para modelar, simular y analizar sistemas continuos con confianza.

Método Numérico de Euler El Método de Euler es un algoritmo de integración numérica que desempeña un papel fundamental en la solución de ecuaciones diferenciales ordinarias (EDO) de primer orden con condiciones iniciales. A continuación, se detallan los principios fundamentales que subyacen a este método: Aproximación de la solución: El Método de Euler se centra en obtener una aproximación de la solución de una EDO dentro de un intervalo dado. Este intervalo se divide en pequeños pasos, y en cada uno de estos pasos, se calculan los valores de la función desconocida.

Pendiente de la curva: La idea principal detrás del Método de Euler es que, aunque la solución exacta es desconocida al principio, se conoce el punto de inicio y la pendiente de la curva en ese punto. Por lo tanto, se construye una recta tangente a la curva en el punto de inicio y se utiliza esta recta para aproximar la solución en el siguiente paso.

Fórmula de actualización: La fórmula de actualización en el Método de Euler se expresa como: Donde: es la aproximación del valor de la función en el siguiente paso. es el valor de la función en el paso actual. h es el tamaño del paso. es la derivada de la función “y” en el punto .

Aplicaciones en Simulación de Procesos Continuos utilizando el Método de Euler El Método de Euler se ha consolidado como una herramienta valiosa en la simulación de procesos continuos en una amplia variedad de campos. A continuación, se presentan ejemplos de simulaciones de procesos continuos en los que se ha utilizado con éxito el Método de Euler: 1. Evolución de la concentración de una droga en el estómago: En la farmacología y la medicina, es esencial comprender cómo se distribuyen y metabolizan los medicamentos en el cuerpo, el Método de Euler se ha empleado para simular la evolución de la concentración de una droga en el estómago después de su administración. Esto implica la formulación de ecuaciones diferenciales que describen la absorción y la eliminación del fármaco en el sistema gastrointestinal. El Método de Euler se utiliza para aproximar la concentración de la droga en función del tiempo y permite evaluar su eficacia y seguridad.

2. Sistema masa-resorte con fricción y fuerza externa: En la ingeniería y la física, el Método de Euler se utiliza para simular sistemas mecánicos complejos. Por ejemplo, en un sistema masa-resorte con fricción y fuerza externa, el Método de Euler se emplea para predecir el movimiento de una masa unida a un resorte, teniendo en cuenta la fricción y las fuerzas externas aplicadas. Esto es crucial en la ingeniería de control y diseño de sistemas mecánicos, y el Método de Euler proporciona una solución numérica eficiente para este tipo de simulaciones.

Ventajas y Limitaciones del Método de Euler El Método de Euler, como uno de los métodos numéricos más simples y ampliamente utilizados para resolver ecuaciones diferenciales ordinarias (EDO) de primer orden, presenta tanto ventajas como limitaciones. A continuación, se presentan las principales ventajas y limitaciones de este método: Ventajas: 1. Simplicidad: El Método de Euler es notable por su simplicidad. Es fácil de entender e implementar, lo que lo hace una excelente opción para principiantes y aquellos que se están iniciando en el campo de las EDO y la programación. Su enfoque intuitivo de la aproximación a las soluciones lo hace accesible para un amplio espectro de usuarios.

2. Flexibilidad: El Método de Euler es versátil y puede aplicarse a una amplia gama de problemas de valor inicial. Esto lo convierte en una herramienta valiosa en la resolución numérica de EDO, ya que puede utilizarse en una variedad de contextos y aplicaciones, desde problemas de física y química hasta situaciones en biología y más allá.

Limitaciones: 1. Error de truncamiento local y global: El Método de Euler es un método de primer orden, lo que significa que el error local es proporcional al cuadrado del tamaño del paso, y el error global es proporcional al tamaño del paso. Esto implica que, a medida que se disminuye h, se pueden obtener soluciones más precisas, pero a expensas de aumentar significativamente la carga computacional.

2. Inestabilidad numérica: En ciertas circunstancias, el Método de Euler puede producir soluciones inestables o divergentes. Esto restringe su aplicabilidad a problemas específicos, especialmente aquellos que involucran sistemas altamente no lineales o condiciones iniciales críticas.

Método Numérico de Runge-Kutta Los Métodos de Runge-Kutta, desarrollados por los matemáticos alemanes Carl David Tolmé Runge y Martin Wilhelm Kutta alrededor de 1900, son un conjunto de métodos iterativos utilizados en el análisis numérico para resolver ecuaciones diferenciales ordinarias (EDO). Estos métodos se destacan por su eficacia y precisión en la aproximación de soluciones de EDO y se han convertido en una herramienta fundamental en la resolución numérica de problemas en una amplia variedad de campos.

Principios detrás de los Métodos de Runge-Kutta: Aproximación de la solución: En su esencia, los Métodos de Runge-Kutta buscan aproximar la solución de una EDO mediante la evaluación de pendientes en varios puntos dentro de un intervalo dado. Estas pendientes se utilizan para calcular los incrementos en la variable dependiente y en el intervalo, lo que nos permite obtener una mejor aproximación de la solución. En otras palabras, en lugar de utilizar una sola pendiente (como en el Método de Euler), se evalúan múltiples pendientes en diferentes puntos del intervalo.

Elección de pesos y coeficientes: Los Métodos de Runge-Kutta implican la elección cuidadosa de pesos y coeficientes adecuados. Estos pesos y coeficientes se utilizan para combinar las pendientes calculadas en los puntos de evaluación y calcular los incrementos en la variable dependiente y en el intervalo, la elección de estos coeficientes se realiza de manera que el método tenga un orden de precisión deseado. En otras palabras, se ajustan de tal manera que el error de truncamiento local se reduce a medida que se disminuye el tamaño del paso. Esto permite controlar la precisión de las aproximaciones de manera efectiva.

Aplicaciones en Simulación de Procesos Continuos utilizando los Métodos de Runge-Kutta: Los Métodos de Runge-Kutta han demostrado su utilidad en una variedad de simulaciones de procesos continuos en diversas disciplinas. A continuación, se presentan ejemplos de aplicaciones en las que se han utilizado los Métodos de Runge-Kutta: 1. Sistema Continuo: Simulación B con Método de Runge-Kutta de 2º orden: En esta aplicación, se utiliza el Método de Runge-Kutta de 2º orden para simular un sistema continuo, este método es una elección común en problemas donde se necesita una aproximación precisa de la evolución de un sistema en el tiempo. El Método de Runge-Kutta de 2º orden permite realizar simulaciones de sistemas dinámicos en los que la precisión es esencial. Por ejemplo, puede aplicarse en la modelización de sistemas de control y respuesta de sistemas electromecánicos.

2. Sistema Masa-Resorte con Método de Runge-Kutta de 4º orden: En este caso, se utiliza el Método de Runge-Kutta de 4º orden para simular un sistema masa-resorte con fricción y una fuerza externa aplicada sobre la masa. El Método de Runge-Kutta de 4º orden es conocido por su alta precisión y se utiliza ampliamente en situaciones en las que es crucial obtener resultados detallados y precisos, en la simulación de sistemas mecánicos como este, es esencial controlar el comportamiento del sistema en función del tiempo.

Ventajas y Limitaciones de los Métodos de Runge-Kutta: Los Métodos de Runge-Kutta (RK) son una herramienta esencial en la resolución numérica de ecuaciones diferenciales, pero también tienen sus ventajas y limitaciones: Ventajas: 1. Mayor precisión: Los Métodos de Runge-Kutta suelen proporcionar una mayor precisión en la aproximación de soluciones en comparación con otros métodos, como el Método de Euler. Esto los hace adecuados para problemas que requieren resultados precisos.

2. Fácil programación: La implementación de los Métodos de Runge-Kutta en programas de computadora es relativamente sencilla, ya que se basa en una serie de fórmulas que se aplican de manera iterativa. Esto facilita su uso en aplicaciones prácticas.

Limitaciones: 1. Consumo de tiempo y costo: Los Métodos de Runge-Kutta pueden ser más costosos en términos de tiempo de cálculo y recursos computacionales en comparación con otros métodos, debido a la necesidad de evaluar el lado derecho de la ecuación diferencial en cada etapa. Esto puede hacer que sean menos eficientes en problemas que requieren una alta velocidad de cálculo.

2. Necesidad de valores de h pequeños: Para obtener una precisión aceptable, es necesario utilizar valores de paso h más pequeños, lo que puede aumentar el tiempo de cálculo. En situaciones donde se requiere una alta precisión, esto puede llevar a un aumento significativo en la carga computacional.

3. Problemas con pendientes instantáneas cambiantes: Los Métodos de Runge-Kutta pueden tener problemas cuando la pendiente instantánea cambia rápidamente dentro del intervalo de aproximación. En tales situaciones, pueden ocurrir errores de aproximación, lo que requiere ajustes en el tamaño del paso o el uso de otros métodos más adecuados.

Método de Predictor-Corrector El Método del Predictor-Corrector es una técnica utilizada en la resolución numérica de ecuaciones diferenciales ordinarias (EDO) que combina un paso de "predicción" y un paso de "corrección" para obtener soluciones más precisas en comparación con métodos de un solo paso, como el Método de Euler. Los principios detrás del Método del Predictor-Corrector son fundamentales para su comprensión y aplicabilidad: Predicción: En el paso de predicción, se utiliza un método de un solo paso, como el Método de Euler o el Método de Heun, para estimar el valor de la solución en el siguiente punto en el intervalo. Esta estimación se basa en la pendiente de la solución en el punto actual, y el objetivo es obtener una aproximación inicial de la solución en el siguiente paso.

Corrección: En el paso de corrección, se utiliza la estimación obtenida en el paso de predicción para calcular una nueva pendiente de la solución en el siguiente punto, esta nueva pendiente se utiliza para mejorar la estimación inicial obtenida en el paso de predicción. La corrección implica ajustar la estimación inicial para que se acerque más a la solución real, esto se logra mediante la evaluación de la pendiente en el punto de corrección.

Métodos Relacionados: El Método del Predictor-Corrector es un concepto amplio, y existen varios métodos relacionados. Los métodos predictor-corrector más famosos son los métodos de Runge-Kutta, que utilizan una combinación de pasos de predicción y corrección ponderados, estos métodos ofrecen una mayor precisión y versatilidad en la resolución de EDO. El Método de Heun, mencionado anteriormente, es un ejemplo de un método predictor-corrector básico que utiliza un paso de predicción (similar al Método de Euler) seguido de un paso de corrección.

Aplicaciones en Simulación de Procesos Continuos utilizando el Método del PredictorCorrector: El Método del Predictor-Corrector ha encontrado aplicaciones significativas en la simulación de procesos continuos en una variedad de campos, donde se busca predecir y corregir la evolución de variables en el tiempo.

1. Simulación de Sistemas Continuos: En la simulación de sistemas continuos, como sistemas de control o sistemas biológicos, el Método del Predictor-Corrector se ha aplicado con éxito para predecir y corregir la evolución de variables a lo largo del tiempo. Estos sistemas a menudo se describen mediante ecuaciones diferenciales y requieren una alta precisión en la simulación, por lo que, el Método del Predictor-Corrector permite obtener soluciones más precisas que los métodos de un solo paso, como el Método de Euler, lo que es fundamental para comprender y controlar sistemas complejos.

2. Simulación de Procesos Químicos: En la simulación de procesos químicos, el Método del Predictor-Corrector se utiliza para resolver ecuaciones diferenciales que describen la evolución de las concentraciones de diferentes especies químicas en el tiempo, esto permite el estudio de la cinética de reacciones químicas, el equilibrio químico y otros aspectos del comportamiento de los sistemas químicos. La precisión del Método del Predictor-Corrector es especialmente valiosa en la simulación de procesos químicos, donde se requiere una comprensión detallada de los cambios en las concentraciones de especies químicas con el tiempo.

Ventajas y Limitaciones del Método del Predictor-Corrector: Ventajas: 1. Mayor precisión que el Método de Euler: Una de las ventajas más destacadas del Método del Predictor-Corrector es su mayor precisión en comparación con el Método de Euler y otros métodos de un solo paso.

2. Menor error de truncamiento: El Método del Predictor-Corrector reduce el error de truncamiento en la aproximación de soluciones debido a la combinación de pasos de predicción y corrección. Esto es esencial en situaciones donde la precisión es crítica.

Limitaciones: 1. Mayor complejidad de implementación: La implementación del Método del PredictorCorrector es más compleja en comparación con el Método de Euler. Requiere la coordinación de dos pasos (predicción y corrección), lo que puede dificultar su aplicación, especialmente para aquellos que se están iniciando en el campo de la resolución numérica de ecuaciones diferenciales.

2. Mayor consumo de tiempo y recursos: Debido a su mayor precisión y complejidad, el Método del Predictor-Corrector puede requerir más tiempo y recursos computacionales para obtener una solución. Esto puede ser una limitación en problemas que requieren una alta velocidad de cálculo o en sistemas con un gran número de pasos.

Método de Adams-Moulton El Método de Adams-Moulton es un método numérico utilizado para resolver ecuaciones diferenciales ordinarias (EDO) en forma de valor inicial. Distingue de otros métodos por ser un método de paso múltiple e implícito, lo que significa que utiliza información de varios pasos anteriores para calcular el siguiente valor aproximado de la solución.

Principios detrás del Método de Adams-Moulton: Interpolación de Lagrange: El Método de Adams-Moulton se deriva utilizando la fórmula de interpolación de Lagrange para aproximar la solución en el paso siguiente. La interpolación de Lagrange es una técnica que permite construir un polinomio que pasa a través de un conjunto de puntos de datos conocidos, en este caso, los puntos de datos corresponden a los pasos anteriores de la solución.

Integración del polinomio interpolante: Una vez que se ha formulado el polinomio interpolante, el Método de Adams-Moulton integra este polinomio para obtener una fórmula de paso múltiple que se utiliza para calcular el siguiente valor aproximado de la solución. La fórmula resultante tiene un error de truncamiento local de orden ℎ, donde h es el tamaño del paso y p es el orden del método.

La fórmula general para el Método de Adams-Moulton de orden p es: Aplicaciones en Simulación de Procesos Continuos A pesar de la falta de información específica sobre las aplicaciones del Método de AdamsMoulton en la simulación de procesos continuos, su mayor precisión y estabilidad lo hacen adecuado para una amplia gama de aplicaciones en ingeniería, física, química y otros campos.

Algunos ejemplos potenciales de aplicaciones en simulación de procesos continuos podrían incluir 1. Dinámica de sistemas electromecánicos: El Método de Adams-Moulton podría utilizarse para simular la evolución de sistemas electromecánicos, como motores eléctricos o sistemas de control de lazo cerrado, donde la precisión en la predicción y corrección de variables es esencial.

2. Simulación de reacciones químicas complejas: En la simulación de procesos químicos, donde las reacciones químicas pueden ser altamente no lineales y sensibles a las condiciones iniciales, el Método de Adams-Moulton podría ser una elección adecuada para predecir y corregir la evolución de concentraciones químicas a lo largo del tiempo.

3. Análisis de sistemas biológicos: En el campo de la biología, donde los sistemas biológicos pueden ser altamente dinámicos y sensibles a las condiciones iniciales, el Método de Adams-Moulton podría ser útil para estudiar la evolución de variables biológicas en función del tiempo.

Ventajas y Limitaciones del Método de Adams-Moulton: Ventajas: 1. Mayor precisión: El Método de Adams-Moulton es un método de mayor orden en comparación con el Método de Euler y el Método de Adams-Bashforth, lo que significa que puede proporcionar soluciones más precisas para ciertos problemas. Esta mayor precisión es especialmente valiosa en situaciones donde se requiere una alta fidelidad en la aproximación de la solución.

2. Estabilidad: En general, el Método de Adams-Moulton es más estable que el Método de Adams-Bashforth, lo que lo hace adecuado para la resolución de ecuaciones diferenciales que pueden ser propensas a la inestabilidad numérica. Esto es esencial en problemas donde la estabilidad de la solución es crítica.

3. Fácil implementación: Al igual que otros métodos de paso múltiple, el Método de AdamsMoulton es relativamente fácil de implementar y no requiere la evaluación de derivadas adicionales en cada paso de tiempo. Esto lo convierte en una opción atractiva para aquellos que buscan una solución eficiente y precisa.

Limitaciones: 1. Sensibilidad a las condiciones iniciales: El Método de Adams-Moulton puede ser más sensible a las condiciones iniciales que otros métodos, lo que puede llevar a soluciones inexactas si las condiciones iniciales no se conocen con suficiente precisión. Esto significa que se debe tener un conocimiento preciso de las condiciones iniciales para obtener resultados confiables.

2. Requiere un método de arranque: A diferencia de los métodos de paso único, el Método de Adams-Moulton requiere una aproximación inicial precisa para comenzar la iteración. Esto puede ser problemático si no se dispone de una buena aproximación inicial o si la ecuación diferencial es difícil de resolver en el paso inicial. La necesidad de un buen punto de partida puede limitar su aplicabilidad en algunos escenarios.

3. Mayor costo computacional: En general, el Método de Adams-Moulton es más costoso computacionalmente que el Método de Adams-Bashforth, ya que implica la resolución de un sistema de ecuaciones no lineales en cada paso de tiempo. Esto puede aumentar el tiempo de cálculo y los recursos necesarios, lo que puede ser una desventaja en problemas que requieren una alta velocidad de cálculo o en sistemas con un gran número de pasos.

Resolución de problemas para sistemas continuos utilizando los algoritmos anteriores

Ejercicio 1: Método de Euler

Resolución de problemas para sistemas continuos utilizando los algoritmos anteriores

Ejercicio 2: Método de Runge-Kutta de cuarto orden

Resolución de problemas para sistemas continuos utilizando los algoritmos anteriores

Ejercicio 3: Método del Predictor-Corrector

Resolución de problemas para sistemas continuos utilizando los algoritmos anteriores

Ejercicio 4: Método de Adams-Moulton

Conclusión En la revista digital que hemos desarrollado, hemos explorado una variedad de métodos numéricos utilizados en la simulación de procesos continuos. Estos métodos, incluido el Método de Euler, los Métodos de Runge-Kutta, el Método del Predictor-Corrector y el Método de Adams-Moulton, han demostrado ser herramientas valiosas para abordar ecuaciones diferenciales ordinarias y resolver problemas que involucran sistemas en constante cambio a lo largo del tiempo.

Hemos aprendido que el Método de Euler es un método de primer orden que se basa en la aproximación de la solución en pequeños pasos a lo largo de un intervalo dado. Es sencillo pero puede ser menos preciso, especialmente cuando se requieren pasos pequeños para garantizar una buena aproximación. Los Métodos de Runge-Kutta, por otro lado, ofrecen una mayor precisión y estabilidad al utilizar una combinación de pasos de predicción y corrección. El Método de cuarto orden (RK4) es ampliamente utilizado y proporciona soluciones precisas.

El Método del Predictor-Corrector es una técnica que combina un paso de predicción con un paso de corrección, lo que mejora la precisión en comparación con el Método de Euler. El Método de Adams-Moulton es un método de paso múltiple que ofrece una mayor precisión en la solución de ecuaciones diferenciales. Es especialmente útil en situaciones donde la estabilidad es crucial.

La simulación de procesos continuos es fundamental en una variedad de campos, desde la ingeniería hasta la física y la biología. Los métodos numéricos desempeñan un papel crucial al permitir la modelización y la resolución de ecuaciones diferenciales que describen estos procesos. Los resultados de esta revista demuestran que, aunque existen diferencias en la precisión y la complejidad entre los diferentes métodos, todos tienen su lugar en la simulación de procesos continuos. La elección del método adecuado depende de la precisión requerida, la estabilidad del sistema y los recursos computacionales disponibles.

Para futuras investigaciones, se pueden explorar aplicaciones más específicas de estos métodos en campos como la ingeniería de control, la biología molecular o la física cuántica.

La combinación de estos métodos con técnicas de optimización también puede llevar a avances en la modelización y simulación de procesos continuos más complejos. Además, se puede investigar la aplicación de estos métodos en sistemas no lineales, donde la estabilidad y la precisión son desafíos adicionales. La optimización de los algoritmos y la búsqueda de nuevos métodos numéricos son áreas de interés continuo.

Referencias Bibliográficas Anónimo

(2021)

Metodo

de

Euler.

Disponible

en:

https://www.scribd.com/document/529987475/METODO-DE-EULER, consultado el 7 de noviembre del 2023 Anónimo (S.F) Simulación de Sistemas Continuos. Disponible en: https://docplayer.es/4041295Simulacion-de-sistemas-continuos-notas-de-clase.html#google_vignette, consultado el 7 de noviembre del 2023 Anónimo

(S.F)

Técnicas

de

modelado

y

simulación.

Disponible

en:

https://www.tdx.cat/bitstream/handle/10803/6733/09Jrr09de27.pdf?sequence=9, consultado el 7 de noviembre del 2023 Anónimo (S.F) Ventajas Runge Kutta ensayos y trabajos de investigación. Disponible en: https://www.buenastareas.com/materias/ventajas-runge-kutta/0, consultado el 7 de noviembre del 2023 Boelkins

M.

(S.F)

Método

de

Euler.

Disponible

en:

https://espanol.libretexts.org/Matematicas/Libro%3A_Calculo_activo_(Boelkins_et_al.)/07%3A_Ec uaciones_diferenciales/7.03%3A_Método_de_Euler, consultado el 7 de noviembre del 2023 Brorson

S.

(S.F)

Método

de

Predictor-Corrector

y

Runge-Kutta.

Disponible

en:

https://espanol.libretexts.org/Matematicas/Ecuaciones_diferenciales/Resolver_numéricamente_e cuaciones_diferenciales_ordinarias_(Brorson)/01%3A_Capítulos/1.04%3A_Métodos_predictorcorrector_y_Runge-Kutta, consultado el 7 de noviembre del 2023 Martínez

E.

(S.F)

Modelado

Y

Simulación

Introducción.

Disponible

en:

https://www.coursehero.com/file/209546995/HTS-teoria-1pdf/, consultado el 7 de noviembre del 2023 Sandoval A. (2014) Metodo de Euler. Disponible en: https://prezi.com/ezqwalilzo00/metodo-deeuler/?fallback=1, consultado el 7 de noviembre del 2023 Wikipedia (S.F) Método de Euler. Disponible en: https://es.wikipedia.org/wiki/Método_de_Euler, consultado el 7 de noviembre del 2023 Wikipedia

(S.F)

Método

de

Runge-Kutta.

Disponible

https://es.wikipedia.org/wiki/Método_de_Runge-Kutta, consultado el 7 de noviembre del 2023

en: