Libro Analisis Jorge Figueroa

ANLISIS NUMRICO CON
MATLAB
Andres Felipe Amador Rodriguez

Jorge Hernando Figueroa Jimenez
Daniel Suescun Diaz
Ponticia Universidad Javeriana, Cali. 2013
ii
Contenido
Contenido
iii
1. Representaciones de Nmeros y Errores

1.1.
Representacin de un nmero real en una mquina
1.2.
Aritmtica de precisin nita
1
. . . . . .
. . . . . . . . . . . . . . . . . .
12
1.3.
Arimtica en una Mquina . . . . . . . . . . . . . . . . . . . .
15
1.4.
Prdida de dgitos o cifras signicativas . . . . . . . . . . . . .
17
1.5.
Ejercicios
20
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2. Ceros de Funciones
2.1.
2.2.
Mtodo de Biseccin
. . . . . . . . . . . . . . . . . . . . . . .
28
2.1.1.
. . . . . . . . . . . . . . . . . . . . . . .
31
. . . . . . . . . . . . . . . . . . . .
35
. . . . . . . . . . . . . . . . . . . . . . .
36
. . . . . . . . . . . . . . . . . . . . . . . .
37
. . . . . . . . . . . . . . . . . . . . . . .
40
Mtodo de la Secante . . . . . . . . . . . . . . . . . . . . . . .
45
2.5.
2.4.1.
2.6.
Convergencia
Mtodo de Newton
2.3.1.
2.4.
Convergencia
Mtodo de la Regula Falsi

2.2.1.
2.3.
27
Convergencia
. . . . . . . . . . . . . . . . . . . . . . .
47
Mtodo del punto jo . . . . . . . . . . . . . . . . . . . . . . .
Convergencia
48
2.5.1.
. . . . . . . . . . . . . . . . . . . . . . .
51
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
57
Convergencia
Ejercicios
3. Sistemas de Ecuaciones Lineales
63
3.1.
Sistemas fciles de resolver . . . . . . . . . . . . . . . . . . . .
63
3.2.
Mtodos Directos de Solucin
66
iii
. . . . . . . . . . . . . . . . . .
CONTENIDO
3.3.
3.4.
3.2.1.
Mtodo de la Inversa . . . . . . . . . . . . . . . . . . .
66
3.2.2.
Mtodo de Cramer
67
3.2.3.
Mtodo de Eliminacin Gaussiana . . . . . . . . . . . .
68
3.2.4.
Factorizacin LU
. . . . . . . . . . . . . . . . . . . . .
74
Normas Vectoriales y Matrices . . . . . . . . . . . . . . . . . .
79
Mtodos iterativos para sistemas lineales
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . .
83
3.4.1.
Mtodo de Jacobi . . . . . . . . . . . . . . . . . . . . .
83
3.4.2.
mtodo de Gauss-Seidel
. . . . . . . . . . . . . . . . .
85
3.5.
Representacin matricial . . . . . . . . . . . . . . . . . . . . .
88
3.6.
Nmero Condicional y Renamiento Iterativo
. . . . . . . . .
94
3.7.
Precondicionamiento o Equilibracin de una Matriz . . . . . .
98
3.7.1.
Precondicionamiento mediante equilibracin de las . .
98
3.7.2.
Precondicionamiento mediante equilibracin de Columnas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.8.
Ejercicios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4. Interpolacin y Ajustes de Curvas

4.1.
4.2.
111
Mtodo Directo . . . . . . . . . . . . . . . . . . . . . . . . . . 112

Polinomio de Newton
. . . . . . . . . . . . . . . . . . . . . . 113
4.2.1.
Forma matricial . . . . . . . . . . . . . . . . . . . . . . 114
4.2.2.
Nmero condicional . . . . . . . . . . . . . . . . . . . . 114
4.2.3.
Mtodo de diferencias divididas
. . . . . . . . . . . . . 115
4.3.
Polinomio de Lagrange . . . . . . . . . . . . . . . . . . . . . . 118
4.4.
El fenmeno de Runge
4.5.
Nodos de Chebyshev
4.6.
Interpolacin polinomial a trozos

4.6.1.
. . . . . . . . . . . . . . . . . . . . . . 124
. . . . . . . . . . . . . . . . . . . . . . . 126
Trazador Cbico
. . . . . . . . . . . . . . . . 130
. . . . . . . . . . . . . . . . . . . . . 130
4.7.
Ajuste de curvas por mnimos cuadrados
4.8.
Ejercicios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5. Integracin y Diferenciacin Numrica

5.1.
5.2.
. . . . . . . . . . . . 139
153
Integracin numrica . . . . . . . . . . . . . . . . . . . . . . . 153

5.1.1.
Regla del trapecio . . . . . . . . . . . . . . . . . . . . . 153
5.1.2.
Regla de Simpson . . . . . . . . . . . . . . . . . . . . . 154
5.1.3.
Regla compuesta del Trapecio . . . . . . . . . . . . . . 159
5.1.4.
Regla compuesta de Simpson
5.1.5.
Mtodos adaptativos
Diferenciacin numrica
. . . . . . . . . . . . . . 162
. . . . . . . . . . . . . . . . . . . 165
. . . . . . . . . . . . . . . . . . . . . 169
iv
Anlisis Numrico con MATLAB

5.3.
Ejercicios
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
6. Ecuaciones diferenciales ordinarias
179
6.1.
Mtodo de la serie de Taylor . . . . . . . . . . . . . . . . . . . 179
6.2.
Mtodo de Euler mejorado . . . . . . . . . . . . . . . . . . . . 184
6.3.
Mtodo de Runge-Kutta
6.3.1.
6.4.
6.5.
Mtodos Multipasos Predictor-Corrector
. . . . . . 190
. . . . . . . . . . . . 191
6.4.1.
Mtodo de Adams-Bashforth-Moulton
6.4.2.
Mtodo de Milne-Simpson
. . . . . . . . . . . . . . . . 194
6.4.3.
. . . . . . . . . 192
Comparacin de Mtodos
. . . . . . . . . . . . . . . . 204
Mtodo de Hamming . . . . . . . . . . . . . . . . . . . . . . . 205

6.5.1.
Esquema Predictor-Corrector
6.5.2.
Generalizacin del Corrector de Hamming
6.5.3.
Estabilidad del Corrector Generalizado del Mtodo de

Hamming
6.5.4.
6.6.
. . . . . . . . . . . . . . . . . . . . . 186
Mtodo de Runge-Kutta-Felhberg (RKF45)
. . . . . . . 206
. . . . . . . . . . . . . . . . . . . . . . . . . 210
Caso II (Mtodo de Hamming)
Ejercicios
. . . . . . . . . . . . . . 205
. . . . . . . . . . . . . 212
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
Bibliografa
215
ndice alfabtico
216
CONTENIDO
vi
Capitulo
Representaciones de Nmeros y
Errores
La mayora de las computadoras hacen los clculos aritmticos usando el
sistema binario (base
2)
troducen nmeros en base

base
(o quizs en base
10,
16),
Cuando se in-
la computadora los convierte en nmeros en
2 y nalmente
10. La computadora al convertir el nmero en
lleva a cabo los clculos en base
presenta los resultados en base

base
10).
y no el sistema decimal (base
10 a base 2 utiliza la llamada representacin de punto otante y en mu-
chos casos trabaja con aproximaciones de los nmeros que quiere representar
dando lugar a errores en los clculos.
Antes de presentar la representacin de punto otante de un nmero real,
se realizar un breve repaso sobre sistemas numricos y notacin cientca.
Si
es un nmero real entonces la representacin de
en una base
es:
x = en en1 e0 .d1 d2 d3 dk dk+1

donde
ei
dj
son dgitos entre
Si el valor de
b 1.
se escribe en forma explcita entonces el valor de
es:
x =en bn + en1 bn1 + + e1 b1 + e0 b0 + d1 b1 + d2 b2

+ + dk bk + dk+1 b(k+1) +
A continuacin, se escriben los nmeros
10, 2, 8
16.
1
x = 13.625
y = 401.3
en base
CAPITULO 1. REPRESENTACIONES DE NMEROS Y ERRORES
Ejemplo 1.0.1 (Sistema decimal o base 10). Para representar un nmero

en el sistema decimal se utilizan potencias de 10 junto con los dgitos del 0
al 9.
a) Representacion de x en sistema decimal
x = 13.625
= 1 101 + 3 100 + 6 101 + 2 102 + 5 103
b) Representacion de y en sistema decimal

y = 401.3
= 4 102 + 0 101 + 1 100 + 3 101 + 3 102 + 3 103 +
Ejemplo 1.0.2
(Sistema binario o base
2). Para representar un nmero en
sistema binario se usan los dgitos 0 y 1.
a) Representacion de x en sistema binario

x = 13.625
= 8 + 4 + 1 + 0.5 + 0.125
= 23 + 22 + 20 + 21 + 23
= 1 23 + 1 22 + 1 20 + 1 21 + 1 23
= 1 23 + 1 22 + 0 21 + 1 20 + 1 21 + 0 22 + 1 23
Recordando la representacion de x en sistema decimal y la anterior en

sistema binario se tiene (13.625)10 = (1101.101)2 . Donde los subndices
10 y 2 indican la base en la que se encuentra el nmero.
b) Representacion de y en sistema binario
y = 401.3
= 256 + 128 + 16 + 1 + 0.25 + 0.0625 +
= 1 28 + 1 27 + 1 24 + 1 20 + 1 22 + 1 24 +
De forma analoga las representaciones en sistema decimal e binario de y

se relacionan como antes. (401.333 )10 = (110010001.0101 )2 .
2
Ejemplo 1.0.3
(Sistema octal o base
dgitos del 0 al 7.
8). El nmero se escribe usando los
a) Representacion de x en sistema octal.

x = 13.625
= 8 + 5 + 0.625
= 1 81 + 5 80 + 5 81
Como antes se tiene que (13.625)10 = (15.5)8

b) Representacion de x en sistema octal.
y = 401.3
= 384 + 16 + 1 + 0.25 + 0.0625 +
= 6 82 + 2 81 + 1 80 + 2 81 + 4 82 +
Luego (401.333 . . .)10 = (621.24 . . .)8
Ejemplo 1.0.4
16). Para representar un nmero en hexadecimal se usan los dgitos del 0 al 9 y las letras A, B, C, D, E
y F en lugar de los nmeros 10, 11, 12, 13, 14 y 15 respectivamente.
(Sistema hexadecimal o base
a) Representacion de x en sistema hexadecimal.

x = 13.625
= 13 + 0.625
= 13 160 + 10 161
= D 160 + A 161
Luego (13.625)10 = (D.A)16

b) Representacion de y en sistema hexadecimal.
y = 401.3
= 256 + 144 + 1 + 0.3125 + 0.01953125 +
= 1 162 + 9 161 + 1 160 + 5 161 + 5 162 +
Luego (401.333 )10 = (191.55 )16

3
Denicin 1.1
(Notacin cientica en base 10). Un nmero real x se dice

que est escrito en notacin cientca en base 10 si se puede representar de
la siguiente forma: x = M 10n donde 1 M < 10 (si x 6= 0) y n es un
entero. M se conoce como la mantisa, 10 es la base y n es el exponente o
caracterstica.
Ejemplo 1.0.5. Representacion cientica en base de 10 para x = 1231 y

y = 0.0000738.
x = 1231 = 1.231 103

y = 0.0000738 = 7.38 105
De la misma forma, se puede utilizar la notacin cientca en el sistema
n
binario. En este caso x = M 2 donde 1 6 M < 2 (si x 6= 0) y n es un
entero.
Por ejemplo
x = (1101.101)2
3
= (1.101101)2 2 .
dec2base(d,b), que convierte un entero

no negativo d en base 10 a una base dada b. El nmero d no puede ser mayor
52
de 2
y b debe ser un entero entre 2 y 36.
MATLAB [9] posee la funcin
Ejemplo 1.0.6. Utilizando MATLAB, transforme 13 base: 2, 5 y 16.

>> n1= dec2base(13, 2)
n1 =
1101
>> n2= dec2base(13, 5)
n2 =
23
>> n3= dec2base(13, 16)
n3 =
D
4

MATLAB tambin posee la funcin
binario en su equivalente en base
bin2dec , que transforma un nmero
10.
Ejemplo 1.0.7. >> n=bin2dec('11101')

n =
29
1.1. Representacin de un nmero real en una

mquina
Una mquina generalmente no almacena una cantidad matemtica
una aproximacin binaria a

denotada por
llamada representacin de
(x) que toma la siguiente forma:
x sino
punto otante,
x (x) = 1 d1 d2 d3 dk 2n
donde
di
es un dgito binario
x (x) = (1)s 1 f 2n ,
La cantidad
donde
f = d1 d2 d3 dk
indica el signo del nmero, la cantidad
mantisa y se encuentra en base
2,
y la cantidad
1f
se denomina
es el exponente.
La mquina utiliza un formato (longitud de palabra) para almacenar un

nmero real. Constan de mltiplos de
bits, donde cada posicin contiene
un dgito binario o bit.
precisin simple usa 32 bits, para almacenar un nmero

precisin doble 64 bits y el extendido 128 bits. MATLAB usa
El formato de
real, el de
de precisin doble [9].
precisin simple (32 bits), el primer bit est reservado

para el signo del nmero denotado por s en la ecuacin (1.1) (1 para negativo
En el formato de
para positivo ya que
(1)1 = 1
(1)0 = 1);
los ocho bits siguientes
se utilizan para almacenar un patrn de bits que representan al exponente
n;
los 23 bits restantes se usan para la mantisa, pero slo se almacena la parte
de la mantisa denotada por
por que el dgito principal siempre es
1.
1 bit
8 bits
23 bits
Signo del nmero
Exponente
Mantisa. Parte fraccionaria
Figura 1.1: Distribucin de 32 bits
En la gura 1.1 se muestra la distribucin de los
32
bits en un formato
de precisin simple.
El valor del exponente de
255
8 bits vara de (00000000)2 = 0 a (11111111)2 =
para enteros positivos y no permitira representar exponentes negativos;
por esta razn el valor binario del exponente
n no se almacena directamente
y en vez de ello se almacena en forma sesgada como un valor no negativo

La relacin del exponente
es:
n = c b.
en trminos del valor almacenado
Para el caso del formato de
Por ejemplo, si el exponente
es
2,
32
bits
entonces
c.
c y el sesgo b
b = 127.
n = c b, 2 = c 127,
c = 129.
En lugar de almacenar el exponente
n = 2 = (00000010)2
se almacena
c = 129 = (10000001)2 .
Si el exponente
es
En lugar de almacenar
5, entonces n = c b, 5 = c 127, c = 122

n = 5 = (00000101)2 , se almacena c = 122 =
(01111010)2 .
En la gura 1.2 se muestra el valor real del exponente
valor del exponente sesgado
n y el correspondiente
que se almacenara en el formato.

(Valor real del exponente n)
- 127
-5
122
128
127 129
255
(Valor del exponente sesgado c

almacenado en el formato)
Figura 1.2: Valores de los exponentes
Ejemplo 1.1.1. Represente en formato de precisin simple los siguientes

nmeros.
Primero se escribe el nmero en notacin de punto otante base 2 de la

forma (1.1) f l(x) = (1)s (1.f ) 2n y luego se lo almacena en el formato.
6
a) Formato de precisin simple para x = 13.625

x = 13.625 = (1101.101)2
= (1.101101)2 23
f l(x) = (1)0 (1.101101) 23
En este caso s = 0 porque el nmero es positivo, la parte fraccionaria f

de la mantisa es f = 101101, el exponente real es n = 3, pero se almacena
el exponente sesgado c. n = c 127, 3 = c 127, c = 130 = (10000010)2 .
La representacin de x = 13.625 en el formato de precisin simple es:
0
10000010
Signo del nmero
Exponente
10110100000000000000000
Parte fraccionaria
de la mantisa
b) Formato de precisin simple para y = 0.375

y = 0.375 = (0.011)2
= (1.1)2 22
f l(y) = (1)1 (1.1) 22
Como el nmero es negativo s = 1, la parte fraccionaria de la mantisa

es f = 1 y el exponente real es n = 2, el exponente sesgado es c = 125 =
(01111101)2 . La representacin de y = 0.375 en el formato de precisin
simple es:
1
01111101
Signo del nmero
Exponente
10000000000000000000000
Parte fraccionaria
de la mantisa
En el formato de precisin doble de (64 bits), el primer bit est reservado

para el signo del nmero; los
11
bits siguientes se usan para almacenar el
52 bits restantes se usan para almacenar la mantisa

f . El sesgo b que se usa es 1023. En la gura 1.3 se muestra la correspondencia
entre el valor real del exponente n y el valor sesgado del exponente c.
exponente sesgado, y los
Por ejemplo, el nmero real que representa el formato de precisin doble

(64 bits).
(Valor real del exponente

- 1023
n)
1024
(Valor del exponente sesgado
almacenado en el formato)
2047
1023
Figura 1.3: Correspondencia entre el valor real y el valor sesgado del exponente
10000001001
Signo del nmero
Exponente
10011000. . . 0
Parte fraccionaria
de la mantisa
Corresponde a un nmero positivo, el valor del exponente sesgado es
c = (10000001001)2 = 1033
n = c b, n = 1033 1023 = 10 y la parte
fraccionaria de la mantisa es f = 10011. Por lo tanto el nmero que representa
luego el exponente real es

es:
(1.10011)2 210 = (1 20 + 1 21 + 0 22 + 0 23 + 1 24 + 1 25 ) 210

= 210 + 29 + 26 + 25
= 1632
Los nmeros que representa una mquina estn dentro de un rango numrico que depende del formato que esta utilice (ya que existen restricciones
para la mantisa y el exponente, impuestas por la longitud de palabra), esto
quiere decir que no todo nmero real se puede representar. Para un formato
de precisin simple (32 bits) el mximo nmero positivo (Mnp) es aproxima38
damente 3 10
y el mnimo nmero positivo (mnp) es aproximadamente
1038 . El mnimo nmero negativo (mnn) es 3 1038 y el mximo nmero
38
negativo (Mnn) es 3 10
. En la Figura 1.4 se ilustran los intervalos de
nmeros representables en el formato de precisin simple.
Cuando el nmero que se quiere representar es
los
31
0,
se iguala a
cada uno de
ltimos bits, de modo que el esquema descrito en la ecuacin (1.1) se
omite en este caso. El bit de signo puede ser
0 1. La magnitud ms pequea
diferente de 0 que se puede almacenar es limitada por esta excepcin y es

2126 1038 [1].
Figura 1.4: Intervalos de nmeros representables
Cuando se hacen clculos en una mquina que usa un formato de pre38

cisin simple y la magnitud del nmero resultante es menor que 10
se
produce un subdesbordamiento o subujo (underow) y suele drsele el va38
lor de cero; los nmeros que tengan una magnitud mayor a 3 10
producen
un desbordamiento o sobreujo (overow) y los clculos se interrumpen. En
la gura 1.5 se ilustran los intervalos donde ocurre un overow o underow.
Figura 1.5: Overow o underow
El rango numrico para una mquina que usa un formato de precisin

10308 y 10308 .
doble (64 bits) comprende nmeros cuya magnitud est entre
Los nmeros en una mquina no estn uniformemente distribuidos; adems no todo nmero real que se encuentre en el rango numrico de la mquina
se puede representar exactamente.
39.9, tiene una mantisa que es

(39.9 = 1.0011111100 25 ) que
Por ejemplo el nmero
una sucesin binaria
innitamente larga
se debe reducir a
23
bits (en precisin simple) para poder almacenarlo.

El mtodo de reduccin dictado por la norma IEEE es el redondeo estadstico en el que se redondea hacia arriba si el valor ms all del bit 23
24
24
de
excede a 2
, se redondea hacia abajo si es menor que 2
, y se re24
dondea al siguiente valor par o impar si es exactamente 2
. Para 39.9,
f l(39.9) = 1.00111111001100110011010 25 se redonde hacia

valor del nmero almacenado es 39.90000152587890625 [1].
arriba. El
Para ilustrar esta situacin considere una mquina que maneja nmeros
de la forma:
1 d1 d2 2n
donde
n = 1, 0, 1.
Los nmeros positivos que maneja esta mquina son:
1.00 21
1.01 21
1.10 21
1.11 21
1.00 20
1.01 20
1.10 20
1.11 20
1.00 21
1.01 21
1.10 21
1.11 21
= (1 20 + 0 21 + 0 22 ) 21 = 0.5
= 0.625
= 0.75
= 0.875
=1
= 1.25
= 1.5
= 1.75
=2
= 2.5
=3
= 3.5
Observe que a medida que los nmeros se alejan de cero la distancia entre
ellos aumenta; para el primer grupo la distancia es
grupo es de
0.25
y para el tercer grupo es de
0.125,
para el segundo
0.5.
El rango numrico de la mquina que se est considerando se encuentra

entre
0.5
3.5
para nmeros positivos, y entre
3.5
0.5
para nmeros
negativos. Observe que no todos los nmeros reales que se encuentran en el

intervalo cerrado
[0.5, 3.5] se pueden representar en esta mquina,

2.1 se almacenara como 2 (por qu?).
por ejem-
plo el nmero real
En general en el sistema numrico de una mquina hay huecos o discontinuidades.

En la recta real, dado cualquier nmero real no existe el siguiente nmero
real ms pequeo ni el siguiente nmero ms grande; pero en el sistema
numrico de una mquina si existe. Para ilustrar esta situacin considere el
nmero de una mquina de precisin simple
El nmero es positivo, el exponente sesgado es
10
(10001111)2 = 143,
el

0
exponente real es
10001111
16
10010000000000000000001
y la mantisa es:
(1.100100000000000000000001)2 .
El
nmero que representa la mquina es:
(1.100100000000000000000001)2 216 = 102400.0078125

El siguiente nmero ms grande en la mquina se halla sumando
la mantisa (o un
223
al ltimo dgito de la mantisa por qu?)
1.10010000000000000000001
+
1
1.10010000000000000000010
Luego, el nmero siguiente ms grande en la mquina es:
(1.1001 . . . 010)2 216 = (1 20 + 1 21 + 1 24 + 1 222 ) 216

= 102400.015625
El siguiente nmero ms pequeo en la mquina se halla restando
223
la mantisa,
1.10010000000000000000001
1
1.10010000000000000000000
El nmero siguiente ms pequeo en la mquina es:
(1.10010 . . . . . . 0)2 216 = 102400

En la gura 1.6,
es el nmero y
xp
xg
denotan respectivamente el
siguiente nmero ms pequeo y el siguiente nmero ms grande.

Se observa que el nmero original de la mquina no slo representa a
102400.0078125
sino a muchos nmeros reales que se hallen entre este nmero y sus nmeros
ms cercanos. En otras palabras el nmero original de la mquina representa
cualquier nmero real en el intervalo
la funcin
eps
[102400, 102400.015625). En MATLAB

1 al siguiente nmero en punto
representa la distancia de
11
Figura 1.6: Overow o underow
otante. En el formato IEEE el valor de

16
aproximado es: 2.2204 10
.
64
eps
es:
252
y el valor decimal
Como se dijo anteriormente, MATLAB usa el sistema punto-otante IEEE30

22
bits para representar todo nmero [9]. S x = 2 , r1 = 2
, r2 = 223 y
construimos una sentencia logica de igualdad a

MATLAB asumira que
x 6= x + r1
pero
entre;
x = x + r2 .Por
x + r1
x + r2 ,
Qu?
1.2. Aritmtica de precisin nita

La aritmtica de precisin nita signica que los clculos se hacen con un
nmero constante de dgitos, as por ejemplo: si se quiere sumar
x = 12.16
es x + z =
z = 8.7243 usando aritmtica de corte a 3 dgitos, el resultado

12.1 + 8.72 = 20.8; ahora si x y z se suman usando aritmtica de redondeo
a tres dgitos, el resultado es x + z = 12.2 + 8.72 = 20.9. Observe que el
y
resultado que se obtiene en ambos casos es una aproximacin al valor exacto
x + z = 20.8843.
En general, cuando se usa aritmtica a
dgitos lo primero que se hace
es escribir los nmeros en la forma:
x = 0 d1 d2 d3 . . . dk dk+1 dk+2 . . . 10n , d1 6= 0

despus se aproxima
por
f l(x) = 0 d1 d2 d3 . . . dk 10n
Si se usa corte y redondeo,
se aproxima por
f l(x) = 0 d1 d2 d3 . . . k 10n
donde
k = dk
si
dk+1
es
0, 1, 2, 3, 4
k = dk + 1
12
si
dk+1
es
5, 6, 7, 8, 9.
Ejemplo 1.2.1. El nmero 22/7 tiene una expansin decimal de la forma:

22
= 3.142857 = 0.3142857 101
7
La representacin de punto otante de

fl
22
7
22
7
usando corte a 4 dgitos es
= 0.3142 101 = 3.142
Si se usa redondeo a 4 dgitos

fl
22
7
= 0.3143 101 = 3.143
Observe que el cuarto dgito ahora es 3 y no 2, esto se debe a que el quinto

dgito en la expansin de 22/7 es 8 y como 8 es mayor que 5 se le suma 1 al
cuarto dgito.
Ejemplo 1.2.2. Escribir el nmero x = 148.17 en la forma de punto otante
usando corte y redondeo a 4, 3 y 2 dgitos.
x = 148.17 = 0.14817 103
corte
redondeo
4 dgitos f l(x) = 0.1481 10 = 148.1 f l(x) = 0.1482 103 = 148.2

3 dgitos f l(x) = 0.148 103 = 148
f l(x) = 0.148 103 = 148
2 dgitos f l(x) = 0.14 103 = 140
f l(x) = 0.15 103 = 150
3
El error que resulta al reemplazar un nmero cualquiera
x por su forma de
f l(x) se conoce como error de redondeo , independientemente

de si se aplica corte o redondeo para hallar la forma de punto otante f l(x).
A continuacin se dene el error absoluto y el error relativo . Si x
es una
aproximacin de x entonces el error absoluto es | x x
| y el error relativo

x x

es
, x 6= 0.
x
punto otante
Ejemplo 1.2.3. Error absoluto y error relativo para varios x y x

x = 104
x = 1.04
x = 0.0104
x = 103
x = 1.03
x = 0.0103
Error absoluto Error relativo

1
0.009615384
0.01
0.009615384
0.0001
0.009615384
13
Observe que el error relativo es el mismo en los tres casos, pero el error
absoluto es distinto en cada caso. Es aconsejable como una medida de precisin trabajar con el error relativo ya que el error absoluto puede ser engaoso.
Un error de slo un metro al determinar la distancia entre la tierra y Jpiter
sera algo asombroso, pero no sera algo aceptable que un cirujano cometiera
un error de esa magnitud al efectuar una incisin [4].
Ejemplo 1.2.4. Si f l(x) es una aproximacin de x con corte a k dgitos.
Demuestre que el error relativo que se comete al reemplazar x por f l(x) est
acotado por 10k+1 .
Suponga que x = 0 d1 d2 dk dk+1 dk+2 10n , entonces f l(x) = 0
d1 d2 dk 10n

|x f l(x)| 0 d1 d2 dk dk+1 dk+2 10n 0 d1 d2 . . . dk 10n
=

x
0 d1 d2 dk dk+1 dk+2 10n

0.00 dk+1 dk+2

=
0 d1 d2 dk dk+1 dk+2 . . .

0 dk+1 dk+2 . . . 10k
6 1 10k = 10 10k = 10k+1
=
0 d1 d2 dk dk+1 dk+2 . . . 0.1
Luego

x f l(x)

6 10k+1

x
(La desigualdad es porque una cota para el numerador 0 dk+1 dk+2 . . .

10 es 0.99 . . . 10k 6 1 10k , y una fraccin alcanza su valor ms
grande cuando el denominador es el ms pequeo, en este caso el valor ms
pequeo para 0 d1 d2 . . . dk dk+1 dk+2 . . . es 0.1).
k
Ejercicio 1. Demuestre que el error relativo que se comete al reemplazar x

por (x) usando redondeo a k dgitos est acotado por 1/2 10k+1 .
Sugerencia: se deben considerar dos casos:
Si dk+1 < 5 entonces f l(x) = 0 d1 d2 . . . dk 10n .
Si dk+1 5 entonces f l(x) = 0 d1 d2 . . . dk 10n + 10nk .
14
Denicin 1.2. Se dice que el nmero x aproxima a x con t dgitos (o cifras)

signicativos, si t es el entero no negativo ms grande para el cual,

x x
t

x < 5 10
Ejemplo 1.2.5. 1) Si x = 3.141592 y x = 3.1

x x
2

< 5 102
x = 0.013239147 = 1.3239147 10
x aproxima a x con 2 cifras signicativas.
2) Si x = 100000 y x = 99994

x x
4

< 5 104
x = 0.00006 = 0.6 10
x aproxima a x con 4 cifras signicativas
3) Si x = 0.000012 y x = 0.00004

x x
0

x = 2.3 < 5 10
x aproxima a x sin cifras signicativas
4) Si x = 0.000012 y x = 0.00001

x x
1

< 5 101
x = 0.16 = 1.6 10
x aproxima a x con 1 cifra signicativa
1.3. Arimtica en una Mquina

Para analizar los errores que surgen al efectuar clculos en una mquina
debido a la limitante de la longitud de palabra (precisin simple, precisin
doble etc.) se supondr una mquina que opera en decimal y trabaja aritmtica a 5 dgitos usando redondeo. Si
f l(x) y f l(z) son las representaciones
15
para
z,
y adems
, ,
denotan las operaciones suma, resta,
multiplicacin y divisin en la mquina entonces:
xz
x z
xz
xz
= f l(f l(x) + f l(z))

= f l(f l(x) f l(z))
Ejemplo 1.3.1. Para x = 2/3 = 0.66666 100 , f l(x) = 0.66667 100 =

0.66667
z = 22/7 = 0.3142857142 101 , f l(z) = 0.31429 101 = 3.1429
xz
x z
xz
xz
= f l(0.66667 + 3.1429) = f l(3.80957) = 3.8096 = 0.38096 101

= f l(0.66667 3.1429) = f l(2.47623) = 2.4762 = 0.24762 101
= f l(0.66667 3.1429) = f l(2.095277143) = 2.0953 = 0.20953 101
= f l(0.66667 3.1429) = f l(0.21211938) = 0.21212 = 0.21212 100
En la tabla siguiente se muestran los valores de las operaciones en la

mquina, los valores reales y el error relativo en cada operacin.
Operacin Resultados
Valor real Error relatien la mquivo
na
xz
x z
xz
xz
3.8096
2.4762
2.0953
0.21212
80/21
52/21
44/21
7/33
0.200 104
0.385 105
0.295 104
0.571 105
Como el error relativo ms grande en las operaciones es

4
resultados tienen 5 dgitos signicativos ya que 0.295 10
5
5 10 .
16
0.295 104 los

= 2.95 105 <
1.4. Prdida de dgitos o cifras signicativas

Se presenta cuando se restan cantidades casi iguales en una mquina, por
ejemplo, si
x = 2.1784301 y z
= 2.1765628 se restan en una mquina decimal
que maneja 5 dgitos y usa redondeo se tendra que:
f l(x) =0.21784 101

f l(z) =0.21766 101
f l(x) f l(z) =0.00018 101
x z =f l(f l(x) f l(z)) = 0.18000 102
Observe que para representar a
x z
en su forma de punto otante se
necesito desplazar dgitos en la mantisa aadiendo tres ceros en el lado derecho, estos ceros carecen de sentido y no representan una exactitud adicional
ya que slo sirven para denotar el lugar decimal.
El valor real de
xz
es 0.0018673 y el error relativo es de 0.036041.
El valor dado por la mquina tiene 2 cifras signicativas ya que 0.036041 =

3.6041 102 < 5 102 . En este caso, aunque se trabaja con 5 dgitos, el
2
nmero 0.18000 10
slo tiene 2 cifras signicativas, ya que las primeras
tres cifras de
coinciden, su diferencia
xz
slo contiene 2 cifras deci-
males.
Para apreciar la prdida de dgitos signicativos cuando se restan nmeros
casi iguales suponga que
son nmeros reales tales que
x > z,
x =0 d1 d2 d3 dp dp+1 dp+2 dk dk+1 10n

z =0 d1 d2 d3 dp p+1 p+2 k k+1 10n
si se utiliza una mquina decimal que usa una mantisa a
dgitos (corte)
entonces
f l(x) =0 d1 d2 d3 dp dp+1 dp+2 dk 10n

f l(z) =0 d1 d2 d3 dp p+1 p+2 k 10n
Ahora,
k 10n
f l(x) f l(z) = 0.000
| {z 0}|p+1 p+2
{z
}
p cifras
k - p cifras
x y = f l(f l(x) f l(z)) = 0. p+1 p+2 k 10np

|
{z
}
k - p cifras
17
Por lo tanto el nmero que se usa para representar a
kp
xz
tendr solamente
cifras signicativas.
La prdida de dgitos signicativos debido al error de redondeo a veces

se puede evitar reformulando el problema o reordenando los clculos o reemplazando en el caso de haber una funcin por un polinomio de Taylor.
perdida de cifras signiEjemplo 1.4.1. El enunciado x2 + 1 1 implica
cativas para valores de x cercanos a 0 ya que x2 + 1 1 para x 0 , y se

restaran dos nmeros casi iguales.
Si se evala en x = 0.1 y se usa aritmtica a 6 dgitos usando redondeo
se tiene:
x2 = 0.01 = 0.1 101

x2 + 1 = 0.1 101 + 1 = 1.01 = 0.101 101
x2 + 1 = 1.004987562 = 0.1004987562 101
x2 + 1 1.00499 (redondeo a 6 dgitos)
x2 + 1 1 1.00499 1
x2 + 1 1 0.00499 = 0.499 102 .
Para
evitar la prdida de dgitos signicativos el enunciado
2
x + 1 1 se puede presentar tambin como

x2 + 1 + 1
x2
=
x2 + 1 1 =
x2 + 1 1
x2 + 1 + 1
x2 + 1 + 1
0.01
x2
0.01
=
= 0.498756 102
2
1.00499 + 1
2.00499
x +1+1
(redondeo a 6 dgitos)
El valor real de x2 + 1 1 enx = 0.1 es 0.498756211 102 .

El error relativo con la expresin x2 + 1 1 es:
4.88793913 104 < 5 104 . (cuatro cifras signicativas).
El error relativo con la expresin
x2
es:
x2 + 1 1
4.230523758 107 < 5 107 (siete cifras signicativas).
Ejemplo 1.4.2. El valor del polinomio 3.5x2 4.9x evaluado en x = 5.8 es

89.32.
Si se usa aritmtica de 3 dgitos redondeo, se tiene x2 33.6, 3.5x2 118,
18

4.9x 28.4. Luego 3.5x2 4.9x 89.6, el error relativo es aproximadamente
3.135 103 .
Si el polinomio se escribe como x(3.5x 4.9) y se evala en x = 5.8 usando
aritmtica de 3 dgitos y redondeo entonces, 3.5x 20.3, 3.5x 4.9 15.4
asi tenemos que x(3.5x 4.9) 89.3
En este caso el error relativo es 0 (no siempre es as). El error se ha reducido porque en la segunda parte se ha disminuido el nmero de clculos, en la
primera se necesitan 3 multiplicaciones y una resta. En la segunda slo dos
multiplicaciones y una resta.
En general los polinomios deben expresarse en forma anidada antes de realizar una evaluacin, porque as se disminuye al mnimo la cantidad de clculos
aritmticos.
Si el polinomio ax3 +bx2 +cx+d se expresa como x[x(ax+b)+c]+d Cuntas
operaciones necesita cada expresin para su evaluacin?
1
presenta prdida de cifras
4.0000000024 2
Ejemplo 1.4.3. La cantidad
signicativas por que se restan nmeros casi iguales.

Una forma alternativa para aproximar esta cantidad es la siguiente.
El polinomio de Taylor de grado 1 para la funcin f (x) = x alrededor de

x0 = 4 es:
P1 (x) =f (x0 ) + f 0 (x0 ) (x x0 )
1
P1 (x) =2 + (x 4)
4
Ahora se puede aproximar f (x) por P1 (x),y evaluar en x = 4.0000000024
f (x) P1 (x)
1
x 2 + (x 4)
4
Evaluando en x tenemos
4.0000000024 2 +
1
1
(4.0000000024 4) = 2 + (0.0000000024)
4
4

1
=2+
24 1010
4
= 2 + 6 1010
Luego
1
1
1
1
=
= 1010
10
10
2 + 6 10
2
6 10
6
4.0000000024 2
19
Los tres primeros dgitos signicativos son 1.67 109 .

Encuentre en diferentes calculadoras o en un computador el nmero igual
1
a
Qu puede concluir?
4.0000000024 2
1.5. Ejercicios
1. Escriba los nmeros
2. Halle en decimal
275.5, 79.625
22
210
en base
2, 8
16.
(16.1)8 , (1C.AF )16 , (1.0011)2 , (1001.01)2.
3. Escriba los nmeros del ejercicio 1 en la notacin cientca en el sistema

binario.
4. Veamos cmo hallar el nmero racional en base 10 representada por el
nmero binario
(0.01)2
Escribindolo en forma desarrollada:
(0.01)2 = (0 21 ) + (1 22 ) + (0 23 ) + (1 24 ) +
X
X
2 k
=
(2 ) = 1+
(22 )k
k=1
k=0
= 1 +
1
= 1 + 4/3 = 1/3.
1 1/4
Es una serie geomtrica de razn 1/4 y primer trmino 1.

Muestre que
(0.0011)2 =
5. Represente los nmeros
1
5
= 0.2
7.2
y que
8/7
(0.001)2 = 17 .
en un formato de precisin simple
(use corte) (Sugerencia: utilice el resultado del ejercicio 4)

6. Obtenga el equivalente decimal de los nmeros dados en los siguientes
formatos
a)
Precisin simple
0
b)
10011111
01110000000000000000101
Precisin doble
20

1
01111111
11000000000000000000000
00001111111
100000000 . . . 00000000011
7. Encuentre en decimal el nmero siguiente y el anterior a los nmeros

del ejercicio 6 a).
8. Demuestre que
4/5
no se puede representar de manera exacta en una
mquina que tiene un formato de precisin simple. Cul es el nmero

de mquina ms cercano?.
9. Es
2/3 (1 224 ) un nmero que se puede representar de manera exac-
ta en un formato de precisin simple?

10. Cules de los siguientes nmeros se pueden representar exactamente
en un formato de precisin simple?
1040 , 21 , 1/5, 1/3
1/256.
x = 216 + 28 + 29 + 210 . Si x denota el nmero de mquina

ms cercano a x en un formato de precisin simple Cul es el valor de
|x x |?.
11. Sea
12. Convierta los siguientes nmeros binarios en su forma decimal.
a)
1.0110101
b)
11.0010010001
13. Los nmeros del ejercicio anterior son aproximadamente
Halle
el error de dichas aproximaciones; es decir, halle
a)
2 1.0110101
b ) 11.0010010001
(use
2=1.41421356237309
(use
...)
=3.14159265358979
...)
1
+ 13 + 14 . . . es divergente. Escriba un programa
2
que evale esta suma. Es divergente la serie de la computadora? En
14. La serie innita
1+
caso negativo, por qu no?
21
15. El trmino
epsilon de la mquina
es el menor valor positivo tal que la
mquina es capaz de distinguir entre (1 + ) y 1. Este valor depende

del hardware y de cmo el compilador de un lenguaje de programacin
almacena la mantisa de un nmero de punto otante. El epsilon de la
mquina para una mantisa normalizada (1 f ) donde f se almacena en
n
ubicaciones de n bits es igual a 2
. Para una mantisa no normalizada
(1f ) que se almacena en ubicaciones de n bits, el epsilon de la mquina
1n
es 2
. El error al almacenar una cantidad x tiene una cota superior
|x|.
(Akai, p. 60-61).Determine el epsilon de su mquina.
16. El epsilon de la mquina (ver el problema 15) permite estimar una
cota superior para el error en una operacin. Sea
f (x, y)el
resultado
x y y y sea el epsilon de la mquina.

E al calcular y almacenar f (x, y) est acotado por

f f
E 6 B = |f (x, y) | + (1 + ) x + y
x
y
verdadero de una operacin sobre

El error
Los trminos con las derivadas parciales explican los errores en la operacin debidos a representaciones inexactas de
por (1 +
)
y la adicin de
|f (x, y)|
y;
la multiplicacin
explica los errores al almacenar
el resultado.
Con el resultado del problema 15 (o un valor cticio de 10
),
estimar la cota superior
para el error en
para
en las operaciones
siguientes. (Akai, p. 61).
a)
b)
c)
d)
z = 1.897 + 9.635
z = 4.058 13.27
z = 2.345
19.28
z = 19.28 2.345
17. Aplique la aritmtica de redondeo a tres dgitos para realizar los siguientes clculos. Calcule los errores absolutos y relativos con el valor
exacto determinado por lo menos a 5 dgitos.
a ) (121 0.327) 119

b)
67
2e 5.4
13
14
22
c)
22
7
1
17
18. Repita el ejercicio anterior aplicando la aritmtica de corte a 3 dgitos.
19. Sea
x cos x sen x
x sen x
f (x) =
a)
Encuentre
b)
Aplique la aritmtica de redondeo a cuatro dgitos para evaluar
lim f (x)
x0
f (0.1).
c)
Reemplace las funciones trigonomtricas con su tercer polinomio

de Maclaurin y repita la parte b).
d)
El valor real es
f (0.1) = 1.99899998.
Encuentre el error relativo
de los valores obtenidos en las partes b) y c).

20. Suponga que los puntos
y que
y1 6= y0 .
(x0 , y0 )
(x1 , y1 )
se encuentran en una recta
Se cuenta con dos frmulas para hallar la interseccin
de la lnea:
x=
x0 y1 x1 y0
y1 yo
x = x0
(x1 x0 )y0
y1 yo
a)
Demuestre que ambas frmulas son algebraicamente correctas.
b)
Use los datos
(x0 , y0 ) =(1.31,
3.24),
(x1 , y1 ) =(1.93,
4.26) y la
aritmtica de redondeo a tres dgitos para calcular la interseccin
x en ambas frmulas Cul de los mtodos es mejor?
(Burden, p.
28).
21. El polinomio de Taylor de grado
para
f (x) = e
es
n
X
xi
i!
i=0
Use este polinomio y la aritmtica de corte a tres dgitos para encontrar
5
una aproximacin a e
mediante cada uno de los siguientes mtodos.
5
) e
9
X
(5)i
i=0
i!
9
X
(1)i 5i
i=0
i!
23
b ) e5 = 1/e5
1
9
X
(5)i
i=0
i!
Cul frmula da mayor exactitud?.

22. Sugiera cmo se podra evitar la prdida de dgitos signicativos en los
x 0:
siguientes clculos si
a ) x2 + 1 x
b ) x3 (sen x x)
c ) (cos x ex )/ sen x
d ) senh x tanh x
23. Suponga que
0.
a 6= 0 y que b2 4ac > 0 y conside la ecuacin ax2 +bx+c =
Sus races se pueden hallar mediante la conocida frmula:
a)
x1 = (b +
b2 4ac)/(2a)
x2 =(b
b2 4ac)/(2a)
Pruebe que estas races pueden calcularse mediante las frmulas

equivalentes
b)

b ) x1 = (2c)/ b +
b2
4ac
2
x2 = (2c)/ b b 4ac

Indicacin : Racionalice el numerador.
Observacin: Cuando b2 4ac |b|, hay que proceder con cuidado

para evitar la prdida de precisin por cancelacin. Si
x1
debera ser calculado con la segunda frmula y
frmula; mientras si
primera frmula y
b < 0,
x2
entonces
x1
b > 0,
x2
entonces
con la primer
debera ser calculado usando la
debera ser calculado usando la segunda.
24. Use la frmula adecuada para calcular
x1
x2 ,
tal como se explica en
el anterior ejercicio, para hallar las races de las siguientes ecuaciones

de segundo grado. (Use aritmtica de corte a
24
dgitos).
a ) x2 1000.001x + 1 = 0
b ) x2 + 10000.0001x + 1 = 0
25. Determine los tres primeros dgitos signicativos de los nmeros
a ) [(8.0000000025)1/3 2]1
Sugerencia : Utilice serie de Taylor para aproximar (8 + x)1/3
b)
1015
1015 ln(1 + 1015 ) 1
Sugerencia : Utilice la serie de Taylor para aproximar ln(1 + x)

c)
0.13 1015
cos(1010 ) 1
use radianes.
Sugerencia : Utilice serie de Taylor para aproximar cos x
25
26
Capitulo
Ceros de Funciones
En este capitulo se estudia el problema de encontrar los valores que hacen
que una funcin de una variable se anule (Figura 2.1), es decir; dada una
f : R R, debemos encontrar los valores de x para los cuales

f (x) = 0. Dada una funcin f , una raz o cero de f , es un nmero c tal que
f (c) = 0.
funcin
Figura 2.1: Puntos de corte con el eje
para la funcin
f (x)
A continuacin se consideran varios de los mtodos clasicos para resolver
27
CAPITULO 2. CEROS DE FUNCIONES
este problema.
2.1. Mtodo de Biseccin

Si
es una funcin continua sobre el intervalo
entonces
debe tener por lo menos un cero o raz
[a, b] y si f (a) f (b) < 0,

en (a, b) (Figura 2.2).
f(a)
]
b
f(a)f(b) < 0
f(b)
Figura 2.2: Mtodo de biseccin
Este resultado es consecuencia del teorema del valor intermedio para fun-
[a, b] y si k es un
numero entre f (a) y f (b), entonces existe por lo menos un c (a, b) tal que
f (c) = k . Para el caso en que f (a)f (b) < 0 se escoge k = 0, luego f (c) = 0
con c (a, b).
El mtodo de biseccin consiste en dividir el intervalo en 2 subintervalos
de igual magnitud, reteniendo el subintervalo en donde f cambia de signo,
ciones continuas, que establece que si
es continua en
para conservar al menos una raz o cero, y repetir el proceso varias veces.
[a, b].
a+b
Primero se calcula el punto medio del intervalo c =
, despes se
2
examin el signo de f (a)f (c). Si f (a)f (c) < 0, entonces f tiene un cero en
[a, c].
A continuacion se renombra a c como b y se comienza una vez mas con el
nuevo intervalo [a, b], cuya longitud es igual a la mitad del intervalo original.
Por ejemplo, suponga que
tiene un cero en el intervalo
28

Si
como
f (a)f (c) > 0,

a.
entonces
f (c)f (b) < 0
y en este caso se renombra a
En ambos casos se ha generado un nuevo intervalo que contiene un cero

de
f,
y el proceso puede repetirse.
Lo anterior genera las sucesiones
{an }, {bn }
{cn }
(gura 2.3). Se deja
como ejercicio para el lector demostrar que las dos primeras son monotonas
crecientes y decrecientes respectivamente, adems se encuentran acotadas, lo
cual garantiza la convergencia de ambas sucesiones.
Figura 2.3: Representacin graca sucesiones generadas en el mtodo de Biseccin
Ejemplo 2.1.1. La funcin f (x) = x sin x 1 tiene un cero en el intervalo

[0, 2], porque f (0) = 1 y f (2) = 0.818595.
29
Figura 2.4: Graca de la funcin
f (x) = x sin x 1
Si se denota a1 = a = 0, b1 = b = 2 y c1 = (a1 + b1 )/2, entonces c1 = 1

Ahora f (c1 ) = f (1) = 0.158529, luego la funcin tiene un cero en el
intervalo [c1 , b1 ] = [1, 2]; se renombra a2 = c1 y b2 = b1 .
El nuevo punto medio es c2 = (a2 + b2 )/2 = (1 + 2)/2 = 1.5 y f (c2 ) =
f (1.5) = 0.496242
Puesto que f (1) = 0.158529 y f (1.5) = 0.496242, el cero esta en el
intervalo [a2 , c2 ] = [1, 1.5] y se renombra como [a3 , b3 ]
En la tabla de abajo se muestran las primeras nueve iteraciones del mtodo

de biseccin para f (x) = x sen x 1 con a = 0 y b = 2.
Finalmente tenemos que c = 1.114157141 es el cero de f (x) = x sen x 1.
Para detener el mtodo de biseccin y dar una aproximacin del cero de
una funcin se pueden usar varios criterios, los cuales son conocidos como
criterios de parada.
|f (cn )| < , donde es

= 103 ). Otro criterio
Uno de los criterios de parada consiste en examinar si

una tolerancia previamente establecida (por ejemplo
que se puede utilizar es examinar s
|bn an | /2 < .
Tambin se puede usar como criterio de parada el error relativo entre dos
f , |(cn cn1 )/cn | < .

el ejemplo anterior si = 0.005, el procedimiento
iteracin con el criterio |f (cn )| < , ya que:
aproximaciones del cero de

En
octava
30
se parara en la

n
Extremo Extremo Punto

izquierdo derecho medio
an
bn
Valor de la Error Relativo

funcin
cn
f (cn )
|(cn cn1 )/(cn )|
0.158529
1.5
0.496242
0.333333
1.5
1.25
0.186231
0.2
1.25
1.125
0.015051
0.111111
1.125
1.0625
-0.071827
0.0588235
1.0625
1.125
1.09375
-0.028362
0.0285714
1.09375
1.125
1.109375
-0.006643
0.0140845
1.1093750
1.125
1.1171875
0.004208
0.0069930
1.1093750
1.1171875
1.11328125 -0.001216
0.0035087
|f (c8 )| = |f (1.1171875)| = 0.004208 < = 0.005

pero si se usa el criterio
|(cn cn1 )/cn | < , el procedimiento se detendra
en la novena iteracin porque:

c9 c8 1.11328125 1.1171875

= 0.0035087 < = 0.005

c9 =
1.11328125
Cuando se generan aproximaciones por medio de una computadora, se
recomienda jar un nmero mximo de iteraciones
que debera realizar la
mquina. Esto con el n de contar con un resguardo para evitar la posibilidad

de que el proceso de clculo caiga en un ciclo innito cuando la sucesin
diverge (o cuando el programa no esta codicado correctamente).
2.1.1. Convergencia
Teorema 2.1
(Convergencia Biseccin). Supongamos que f es continua en

[a, b] y f (a)f (b) < 0. Sea {cn }
n=0 la sucesin de puntos medios de los intervalos generados por el mtodo de biseccin. Entonces {cn } converge a un
punto c [a, b] tal que f (c) = 0 y, adems
|cn c| 6
ba
,
2n
31
n>1
Demostracin.
c [a, b]
El teorema del valor intermedio garantiza la existencia de
tal que
f (c) = 0.
Por construccin del mtodo, para todo
tiene que
b n an =
Adems
esta en cada intervalo
ba
2n1
(an , bn ).
n > 1,
se
(2.1)
La distancia entre
cn
no puede
superar la mitad de la longitud de cada intervalo, es decir
|c cn | 6
b n an
2
De (2.1) se tiene que
|c cn | 6
Aplicando limite cuando
n ,
ba
2n1
ba
2n
(2.2)
en la desigualdad anterior se tiene que
la sucesin de puntos medios converge a la raz
c.
q
Utilizando (2.1) se puede demostrar que las sucesiones

a
an
bn
convergen
c.
De acuerdo con el teorema anterior, en el mtodo de biseccin es posible
determinar cuantas iteraciones son necesarias para aproximar el cero de una

funcin con una exactitud especca, ya que el error despus de
n
es |c cn | 6 (b a)/2 .
n iteraciones
Ejemplo 2.1.2. Para determinar el nmero de iteraciones necesarias para
aproximar el cero de f (x) = x sen x 1 con una exactitud de 102 en el

intervalo [0, 2], se debe hallar un nmero n tal que:
|c cn | 6
ba
< 102
n
2
Es decir (2 0)/(2n ) < 102 , n > 7.643 . . .. Se necesitan aproximadamente unas 8 iteraciones.
Observe en la tabla de aproximaciones que el cero de f (x) = x sen x 1
es c = 1.114157141 y c8 = 1.1171875.
El error real es |c c8 | = 0.003030359 3 103 . El error real es menor
que el error dado por el teorema; en la mayora de casos la cota de error
dada por el teorema es mayor que el nmero de iteraciones que realmente se
necesitan. Para este ejemplo, |c c7 | = 0.004782141 < 102 = 0.01.
32

El mtodo de biseccin tiene la desventaja que es lento en cuanto a con-
n grande para que |c cn | sea pequeo.
vergencia, es decir que se necesita un
Otros mtodos requieren menos iteraciones para alcanzar la misma exactitud, pero entonces no siempre se conoce una cota para la precisin.
El mtodo de biseccin suele recomendarse para encontrar un valor aproximado del cero de una funcin, y luego este valor se rena por medio de
mtodos ms ecaces. La razn es porque la mayora de los otros mtodos
para encontrar ceros de funciones requieren un valor inicial cerca de un cero;
al carecer de dicho valor, pueden fallar por completo.
x
Resolver una ecuacin en una variable como por ejemplo: xe = 1 es
x
equivalente a resolver la ecuacin xe 1 = 0, o a encontrar el cero de
x
la funcin f (x) = xe 1. Para aproximar el cero de f o la raz de la
ecuacin, se puede hacer la grca de
y determinar un intervalo donde
tenga un cero. Tambin se pueden probar nmeros a y b de tal manera que

f (a)f (b) < 0. Para el caso de f (x) = xex 1, por ejemplo, f (0) = 1,
f (1) = e 1 1.71828
entonces
tiene un cero en el intervalo
tomamos valores no apropiados para
b,
[0, 1].
Pero si
es posible que el criterio que se
construyo falle y no se detecte la raiz que se busca (Figura 2.5)
Figura 2.5: Intervalo de busqueda erroneo para la funcin

Cuando hay races de mltiplicidad diferente de
33
f (x) = xex 1
1, el mtodo de biseccin
quiz no sea vlido, ya que la funcin podra no cambiar de signo en puntos

situados a cualquier lado de sus races (Figura 2.6)
Figura 2.6: Raices mltiples
La grca es fundamental para aclarar la situacin. En este caso sera

0
posible hallar los ceros o races trabajando con la derivada f (x), que es cero
en una raz multiple.
A continuacin se da un codigo basico en MATLAB, que implementa el
mtodo de Biseccin, Se deja como ejercicio para el lector, cambiar el codigo
para que dada una tolerancia, calcule el nmero de iteraciones necesarias
para que la aproximacin al cero, cumpla con la tolerancia (2.2).
Algoritmo 1 (Algoritmo Biseccin). Dada una funcin continua f, dos nmeros a y b tales que, a<b y f(a)*f(b)< 0 y una tolerancia tol> 0.
while (b-a)/2 > tol
c=(a+b)/2;
if f(c)==0
a=c;
b=c;
end
if sign(f(a))==sign(f(b))
a=c;
34
else
b=c;
end
end
2.2. Mtodo de la Regula Falsi

f (x) es continua en un intervalo [a, b] con f (a).f (b) < 0.
f (x) por una recta que une
(a, f (a)) y (b, f (b)). El corte c de la recta con el eje X se usa para generar
dos subintervalos, [a, c] y [c, b], donde:
Supongamos que
El mtodo consiste en aproximar la grca de
ba
c =b f (b)
f (b) f (a)
af (b) bf (a)
=
f (b) f (a)
Se escoge el intervalo que contenga la raz , examinando los productos;

f (a)f (c) y f (c)f (b) y se repite el proceso anterior. La Figura 2.7 muestra la
evolucin geometrica de las rectas secantes que se van generando. El mtodo
anterior es conocido como mtodo de la Falsa posicin o Regula Falsi.
35
>%%,-5)?) 5)& &%()$'%& -*. .%(')& @% ,%$*. %$(%..)@) %$'.% @*& +'%.)@*& &7(%&+B*&2
#&'% ,<
%
,* %5 ,<
%'*
87% %5 *.@%
>%/%.%$
"
!"# $%&' (
567" .-) 8
,%-:: NCO:
Figura 2.7: Interpretacin geomtrica del Mtodo de la Regula Falsi.
Para detener el mtodo se pueden utilizar los criterios de parada del

metodo de biseccin.
Ejercicio 2. Efecte tres iteraciones del mtodo de la Regula Falsi para la

funcin f (x) = x sen x 1 con x0 = 1 y x1 = 2.
2.2.1. Convergencia
Teorema 2.2
. Sea f una funcin dos veces
&'(#)*+,# -% >%E75) /)5&+ R*@+S()@* /:):4:.)

(Convergencia Regula Falsi)
diferenciable en [a, b] con una nica raz en [a, b]. Suponga que f (a)f (b) <
0
00
0, f () 6= 0, y f no cambia de signo en [a, b]. S

M=
%*
w
2
00

f (x)

<1
max 0
x[a,b] f (x)
(2.3)
1 el mtodo
! de !la 1
con92
w = b o!"#$
w =1
a segn el caso, entonces
Regula Falsi!2
converge a .
!
Demostracin.
;2
#%&"
+!
Ver referencia [11].
$ 1
36
M2 3+ &+E$*
%!!
)@%,<
)& &+E$*
$
+!
%
+
"1 &+E$*
#
"
#%&"
$ !!: A)(%.
!! 1 &+E$*
!! A

La siguiente rutina describe la iteracin basica del mtodo de la Regula
Falsi. El valor absoluto de la funcin evaluada en cada iteracion, es utilizado
como criterio de parada. Se deja como ejercicio para el lector la implementacin de otros criterios de parada, y codigos que permitan visualizar la
funcin.
Algoritmo 2 (Algoritmo Regula Falsi). Dada una funcin f dos veces dife-
renciable, dos nmeros a y b tales que, a<b y f(a)*f(b)< 0 y una tolerancia

tol> 0.
c=a;
while abs(f(c)) > tol
c=(a*f(b)-b*f(a))/(f(b)-f(a));
if f(c)==0
a=c;
b=c;
end
if sign(f(a))==sign(f(b))
a=c;
else
b=c;
end
end
2.3. Mtodo de Newton

El mtodo de Newton o tambin llamado mtodo de Newton-Raphson,
es uno de los mtodos mas tiles y mejor conocido para aproximar el cero de
una funcin.
Suponga que
aproximacin de
x0
c es un cero de f , es decir, f (c) = 0 y que x0 es una

c. El polinomio de Taylor de grado uno para f alrededor de
y su correspondiente residuo es:
f 00 (z)
(x x0 )2 ,
f (x) = f (x0 ) + f (x0 )(x x0 ) +
2
0
esta entre
x0
x.
37
(2.4)
Si en la ecuacin (2.4) se reemplaza
x por c y usando el hecho que f (c) = 0,
se obtiene:
0 = f (x0 ) + f 0 (x0 )(c x0 ) +
f 00 (z)
(c x0 )2
2
(2.5)
est sucientemente cerca de c, entonces en el ltimo sumando de la

2
ecuacin (2.5) el trmino (c x0 ) ser pequeo, comparado con la suma de
si
x0
los dos primeros trminos.

Si se desprecia este trmino se puede usar la expresin (2.5) para encontrar
una aproximacin al cero de
f.
0 f (x0 ) + f 0 (x0 )(c x0 )
Despejando
(2.6)
en la ecuacin (2.6), se obtiene:
c x0 f (x0 )/f 0 (x0 )
El mtodo de Newton comienza con una aproximacin inicial

de la funcin a partir de la cual se dene una sucesin
x0
del cero
{xn } de aproximaciones
denidas por:
xn+1 = xn
f (xn )
, n > 0
f 0 (xn )
(2.7)
Desde un punto de vista geomtrico, lo que hace el mtodo de Newton

es construir la recta tangente a la grca de
y encontrar el cero de la recta tangente,
x2
x1
en un punto cercano
es el cero de la recta tangente a la grca de
sucesivamente.
38
x0
( gura 2.8). La aproximacin
en el punto
x1
y as
Figura 2.8: Interpretacin geomtrica
Ejemplo 2.3.1. Para aproximar una solucin de la ecuacin 3x+sen x = ex ,
se puede tomar f (x) = 3x + sen x ex . Observe que f (0) = 1 y f (1) =

1.123189, segn el teorema del valor intermedio existe un cero de f en el
intervalo [0, 1].
Si se aplica el mtodo de Newton comenzando con x0 = 0 se tiene:
f (x) = 3x + sen x ex
0
f (x) = 3 + cos x ex
f (x0 )
(1)
1
=0
=
0
f (x0 )
3
3
f (x1 )
1 0.068417728
x2 = x1 0
=
= 0.360170713
f (x1 )
3
2.549344521
f (x2 )
6.2798651 104
x3 = x2 0
= 0.360170713
= 0.33357967
f (x2 )
2.502262549
x1 = x0
Para esta funcin |(x3 x2 )/x3 |

= 6.96 104 < 103 , |f (x3 )| = 5.744
7
10 < 10 y |x3 x2 | = 2.50967 104 < 103 .
8
39
Los criterios de parada mencionados en el mtodo de biseccin tambin

pueden ser utilizados en el mtodo de Newton. A continuacin se estudiara
la convergencia, expandiendo
f (x)
alrededor de
f (x) = f (xn ) + (x xn )f 0 (xn ) +

Haciendo
x=c
xn :
(x xn )2 00
f (zn ),
2
y teniendo en cuenta que
f (c) = 0
zn (xn , x)
se tiene,
(c xn )2 00
f (zn ),
2
00
f (xn )
2 f (zn )
0= 0
+ (c xn ) + (c xn )
f (xn )
2f 0 (xn )
00
f (xn )
2 f (zn )
+ (c xn )
c = xn + 0
f (xn
2f 0 (xn )

00
f (xn )
2 f (zn )
c = xn 0
+ (c xn )
f (xn )
2f 0 (xn )
0 = f (xn ) + (c xn )f 0 (xn ) +
zn (xn , c)
Usando (2.7) se obtiene
f (xn )
xn 0
f (xn
00
f (zn )
c = (xn c)
2f 0 (xn )
00
2 f (zn )
xn+1 c = (xn c)
2f 0 (xn )
2
n-esmo
00

f (zn )
2
= en
,
2f 0 (xn )
S se dene el error en el paso
en+1
por:
e n = x n c,
zn (xn , c)
entonces
(2.8)
2.3.1. Convergencia
Teorema 2.3 (Convergencia Newton). Sea f una funcin dos veces diferen-
ciable en un intervalo alrededor de c con f (c) = 0 y f 0 (c) 6= 0. Si x0 esta lo

sucientemente cerca a c, la iteracin (2.7) del mtodo de Newton converge
a c.
40
Demostracin.
I = [c , c + ],

f 00 (x)
1

M = max 0
2 xI f (x)
Considere un intervalo
Una condicin inicial
x0 I
tal que
M |0 | < 1.
con
> 0.
Se toma
Usando (2.8) se tiene que
|1 | M |0 |2 = M |0 ||0 | < |0 |
luego
x1 I ,
ya que:
|1 | <
|x1 c| <
< x1 c <
+ c < x1 < + c
x1 [c , c + ]
Adems,
M |1 | M 2 |0 |2 < 1
M |1 | (M |0 |)2 < 1
Suponga que
xn I
M |n | < 1,
entonces
|n+1 | M |n |2 = M |0 ||0 | < |n |

Por lo tanto
xn+1 I
M |n+1 | (M |n |)2 < 1

Se tiene que
xn I
M |n | < 1
para todo
n.
(2.9)
Adems, de (2.9) se tiene

n
M |n+1 | (M |0 |)2
1
n
(M |0 |)2
|n+1 |
M
Al ser
M |0 | < 1, lmn n = 0
(2.8)
y por lo tanto
x n c.
Tomando limites en
n+1
f 00 (c)
=
n 2
2f 0 (c)
n
porque zn c cuando n
lm
Por la continuidad de
f 00
q
41
La convergencia del mtodo se puede garantizar, si
M |x0 c| = M |0 | < 1
es decir, si
|x0 c| <
1
1
2
00
(x)
maxxI ff 0 (x)

lo cual indica, que tan cerca debe estar
x0
de la raz
c.
La estructura de la
condicin anterior, indica que el mtodo presentara problemas de convergencia, si una de las iteraciones se anula en la primera o segunda derivada de
f.
Ms adelante se trabajar un algunas ejemplos donde el mtodo de Newton

no converge.
Por otro lado, la relacin de los errores que se describe en (2.8), indica
que cada error es proporcional a la segunda potencia del error previo. Es
decir, que si se comienza con una aproximacin del cero de
con
dgito
correcto, despus de una iteracin se tendra dos dgitos correctos; despus

de dos iteraciones cuatro dgitos correctos; y despus de tres iteraciones ocho
dgitos correctos, etc.
Ejemplo 2.3.2. Halle una expresin para aproximar

la raz cuadrada de un
nmero R > 0. Use la expresin para aproximar
x= R
x2 = R
x2 R = 0, x
5.
es la raz cuadrada de
Se puede aplicar el mtodo de Newton a la funcin f (x) = x2 R.

f (xn )
f 0 (xn )
x2n R
xn+1 = xn
,
2xn
!
1
R
xn+1 =
xn +
2
xn
xn+1 = xn
Para aproximar
entonces
5, se usa la frmula con R = 5 y si se toma x0 = 2
42
1
5
x1 =
x0 +
2
x0
5
1
x1 +
x2 =
2
x1
= 2.25
= 2.236111111 . . .
!
1
5
x3 =
x2 +
= 2.236067978 . . .
2
x2
en una calculadora 5 = 2.236067977 . . .

Existen funciones y puntos iniciales para los que el mtodo de Newton
fracasa. La Figura 2.9 muestra una funcin en la que la grca tiene una
forma especial y la cual genera que la sucesin entre en un ciclo innito, es
decir, diverge.
La Figura 2.10 muestra una funcin y una condicin inicial
x0 ,
que hace que
el mtodo se indetermine. Porque divergen las iteraciones anteriores ?
Figura 2.9: Divergencia mtodo de Newton.
43
Figura 2.10: Divergencia mtodo de Newton.
En el mtodo de Newton hay que evaluar dos funciones en cada iteracin,

f (xn ) y f 0 (xn ). Para algunas funciones f 0 (xn ) no es una expresin sencilla y
se requieren ms operaciones aritmticas para evaluarla que para la funcin.
Esto hace que el mtodo de Newton sea ms costoso, por ejemplo que el
mtodo de biseccin, en el que en cada iteracin la funcin se evala una vez.
La siguiente rutina describe la iteracin basica mtodo de Newton. El
valor absoluto de la funcin evaluada en cada iteracion, es utilizado como
criterio de parada. Se deja como ejercicio para el lector la implementacin de
otros criterios de parada, y codigos que permitan visualizar las rectas que se
van generando. Adems, es importante implementar algunas restriccin, ya
que si la funcin no cumple con las condiciones de convergencia del mtodo,
el denominador se puede indeterminar o se puede entrar en un ciclo innito.
Algoritmo 3 (Algoritmo Newton). Dada una funcin f, su derivada g, una

condicin inicial x0 y una tolerancia tol> 0.
c=x0-(f(x0)/g(x0));
44
while abs(f(c))>tol
x0=c;
c=x0-x0-(f(x0)/g(x0));
end
2.4. Mtodo de la Secante

El mtodo de la secante, es otro mtodo para aproximar el cero de una
funcin en el que en cada iteracin se evala la funcin y no la derivada. A
continuacin se presenta este mtodo.
Utiliza la misma frmula del Mtodo de Newton:
xn+1 = xn
Pero en lugar de utilizar la derivada
f 0 (xn )
f (xn )
f 0 (xn )
f 0 (xn ),
este valor se aproxima por
f (xn ) f (xn1 )
xn xn1
Al reemplazar esta aproximacin de
f (xn )
en la frmula de Newton se
obtiene:
xn+1 = xn
Ya que el clculo de
xn+1
f (xn )(xn xn1 )

f (xn ) f (xn1 )
requiere conocer
principio dos aproximaciones iniciales
x0
n > 1,
xn
xn1 ,
(2.10)
se debe dar al
x1 .
La interpretacin geomtrica del mtodo de la secante es similar a la del

mtodo de Newton. La recta tangente a la curva se reemplaza por una recta
f , ( Figura
(4.10)). Si x0 y x1 son las aproximaciones iniciales, la aproximacin x2 es
la interseccin de la recta que une los puntos (x0 , f (x0 )) y (x1 , f (x1 )). La
aproximacin x3 es la interseccin de la recta que une los puntos (x1 , f (x1 ))
y (x2 , f (x2 )) y as sucesivamente.
secante. El cero de
se aproxima por el cero de la recta secante a
45
Figura 2.11: Interpretacin geomtrica del Mtodo de la secante.
Ejemplo 2.4.1. Efecte tres iteraciones del mtodo de la secante para la
funcin f (x) = x sen x 1 con x0 = 1 y x1 = 2.
f (x1 )(x1 x0 )
f (x1 ) f (x0 )
(2 sen 2 1)(2 1)
=2
= 1.162240449
(2 sen 2 1) (sen 1 1)
f (x2 )(x2 x1 )
x 3 = x2
= 1.236422098
f (x2 ) f (x1 )
f (x3 )(x3 x2 )
x4 = x3
= 1.113511445
f (x3 ) f (x2 )
x2 = x1
Para este caso
f (x4 ) = 0.000896772969,
ademas
|f (x4 )| < 0.0009.
Este ejercicio se resolvi con el mtodo de biseccin en la seccin anterior

y en la novena iteracin
|f (x9 )| = 0.001216 . . .
46
2.4.1. Convergencia
Teorema 2.4
(Convergencia Secante). Sea f una funcin dos veces diferenciable en un intervalo que contiene a una raz c de f y supongamos que
f 0 (c) 6= 0. Si x0 y x1 estan lo sucientemente proximos a c, entoces la sucesin denida en (2.10) converge a c.
Demostracin.
Los detalles de la demostracin se pueden encontrar en [2].
De la demostracin extraemos algunos aspectos importantes. Dado un

y un intervalo
>0
I = [c , c + ].
x0 y x1 estan lo
|0 | , |1 | ,
sucientemente proximos a
c,
si
M max{|0 |, |1 |} < 1
donde

00
f (x)
M = max 0
xI 2f (x)
q

f 00 (c)

Si
es grande, habra que tomar x0
0
2f (c)
x1
muy proximos a
c, adems
si la primera o segunda derivada se anula, el mtodo no funciona bien.

El mtodo de la secante converge a la solucin ms lentamente que el mtodo
de Newton, pero tiene la ventaja de no usar la derivada en cada iteracin.
A continuacin se describe un codigo para el mtodo de la Secante. Se

utiliza como criterio de parada el valor absoluto de la funcin evaluada en
cada iteracion. Se deja como ejercicio para el lector la implementacin de
otros criterios de parada, y codigos que permitan visualizar las rectas que se
van generando.
Algoritmo 4
(Algoritmo Secante)
. Dada una funcin f dos veces diferen-
ciable, dos condiciones iniciales x0,x1 y una tolerancia tol> 0.

c=x1-(f(x1)*(x1-x0))/(f(x1)-f(x0));
while abs(f(c))>tol
x0=x1;
x1=c;
c=x1-(f(x1)*(x1-x0))/(f(x1)-f(x0));
end
47
2.5. Mtodo del punto jo

f (p) = p.
Geomtricamente un punto jo representa el corte entre la graca de f y la
recta y = x. La gura 6.2 muestra una funcin f (x) que posee 5 puntos jos.
Dada una funcin
f (x),
se dice que
es un punto jo de
f,
y=x
f (x)
Figura 2.12: Representacin graca del punto jo.
El Mtodo de Punto Fijo (tambin conocido como iteracin de punto

jo), es otro mtodo para hallar los ceros de
f (x).
Para resolver
f (x) = 0,
se
reordena en una forma equivalente:
f (x) = 0
x g(x) = 0
x = g(x)
Observe que si
es un cero de
Para aproximar un cero de
f (x), f (c) = 0
c = g(c).
se utiliza la iteracin de punto jo
xn+1 = g(xn ), n = 0, 1, 2, 3, . . .
48
(2.11)

donde
x0
es una aproximacin inicial del cero de
f.
Ejemplo 2.5.1. f (x) = x2 2x 3 = 0, tiene dos ceros. x = 3 y x = 1

Supngase que se reordena para lograr la forma equivalente:
x2 2x 3 = 0
x2 = 2x + 3
x = 2x + 3
x = g(x) = 2x + 3
Si se comienza con x0 = 4 y se itera con la iteracin de punto jo 2.11, los

valores sucesivos de x son:
x0 = 4
x1 = g(x0 ) =
2(4) + 3 = 3.31662
x2 = g(x1 ) =
2(3.31662) + 3 = 3.10375
x3 = g(x2 ) =
2(3.10375) + 3 = 3.03439
x4 = g(x3 ) =
2(3.03439) + 3 = 3.01144
x5 = g(x4 ) =
2(3.01144) + 3 = 3.00381
Parece que los valores convergen a x = 3. Otro reordenamiento de f (x) =

0 es
x2 2x 3 = 0
x(x 2) 3 = 0
x=
49
3
= g(x)
x2
Si nuevamente se comienza con x0 = 4, los valores sucesivos de x son:

x0 = 4
3
= 1.5
42
3
= g(x1 ) =
= 6
1.5 2
3
= g(x2 ) =
= 0.375
6 2
= 1.263158
= 0.919355
= 1.02762
= 0.990877
= 1.00305
x1 = g(x0 ) =
x2
x3
x4
x5
x6
x7
x8
Parece que ahora x converge al otro cero de f , x = 1. Considrese un

tercer reordenamiento
x2 2x 3 = 0
2x = x2 3
x2 3
= g(x)
x=
2
Comenzando de nuevo con x0 = 4 se obtiene:

x0
x1
x2
x3
=4
= 6.5
= 19.625
= 191.070
Resulta evidente que las iteraciones son divergentes.

La diferencia en el comportamiento de los tres reordenamientos se puede
x = g(x)
y = g(x). En la gura 6.1
eje x con x0 , se efecta un
apreciar considerando las grcas en los tres casos. El punto jo de

es la interseccin de la recta
y = x,
y la curva
se presentan los tres casos. Se comienza en el
desplazamiento vertical hacia la curva, luego uno horizontal hacia la recta
50

y = x,
luego uno vertical hacia la curva y nuevamente una horizontal hacia
la recta. Este proceso se repite hasta que los puntos en la curva convergen
a un punto jo o bien divergen. Parece que los diferentes comportamientos
dependen de que la pendiente de la curva sea mayor, menor o de signo opuesto
a la pendiente de la recta (que es igual a
Cuando se tiene la ecuacin
narla en la forma
x=
1)
f (x) = 0,
existen muchas formas de reordeg(x), por ejemplo para la ecuacin anterior x2 2x3 =
otras alternativas son:
x 2x 3 = 0
x2 2x 3 = 0
x2 = 2x + 3
x(x 2) = 3
x3 = 2x2 + 3x
p
3
x = 2x2 + 3x
= g1 (x)
3
x2=
x
3
x= +2
x
= g2 (x)
x2 2x 3 = 0
x2 2x 3
=0
2x 2
(x2 2x 3)
x
=x
2x 2
= g3 (x)
g3 (x), es el mtodo de Newton aplicado a g(x)

Una pregunta que surge en este momento es cul de las funciones g sirve
para aproximar el punto jo de g ? (o en forma equivalente el cero de f ).
Observe que la iteracin de
A continuacin se presenta un teorema que da condiciones sucientes para

la existencia y unicidad del punto jo de una funcin.
2.5.1. Convergencia
Teorema 2.5. Si g es continua [a, b] y g(x) [a,b] para toda x [a, b],
entonces g tiene un punto jo en [a, b]. Si adems g 0 (x) existe en (a, b) y
existe una constante positiva K < 1 con |g 0 (x)| 6 K , para todo x (a, b),
entonces el punto jo en [a, b] es nico.
Demostracin.
g(a) = a o si g(b) = b, entonces g tendr un punto jo en

un extremo del intervalo [a, b]. Si se supone que g(a) 6= a y g(b) 6=b entonces
se debe tener que: g(a) > a y g(b) < b (por que g(x) [a, b] para todo
x [a, b])
g(a) a > 0 y g(b) b < 0. Si se dene t(x) = g(x) x, t es continua en
[a, b] y t(a) = g(a) a > 0 ademas de t(b) = g(b) b < 0, Por el teorema
Si
51
c (a,b) tal que t(c) = 0, es decir g(c) c = 0,

g.
6 K < 1 y que c1 y c2 son dos puntos
c1 =
6 c2 , por el teorema del valor medio, existe un
del valor intermedio existe un
g(c) = c,
es un punto jo de
0
Si se supone adems que |g (x)|
jos de
nmero
luego
g en [a, b] con
z entre c1 y c2 tal
que
g(c2 ) g(c1 )
= g 0 (z)
c2 c1
|g(c2 ) g(c1 )| = |g 0 (z)||c2 c1 |
Como c1 y c2 son puntos jos de g , g(c2 ) = c2 y g(c1 ) = c1 , entonces

|c2 c1 | = |g(c2 ) g(c1 )| = |g 0 (z)||c2 c1 | 6 k|c2 c1 | < 1|c2 c1 | (porque
|g 0 (x)| 6 k < 1)
Luego, |c2 c1 | < |c2 c1 |, lo cual es una contradiccin, por lo tanto el
punto jo de g en [a, b] es nico.
q
Ejemplo 2.5.2. La funcin g(x) = (x2 3)/2 en el intervalo [2, 4] tiene un

punto jo nico. c = 3 es un punto jo de g porque g(3) = (32 3)/2 = 3.
Observe que g 0 (x) = x y en el intervalo [2, 4] g 0 (x) > 0. g es creciente y
g(x) [1/2, 6.5], adems |g 0 (x)| > 1. (ya que g 0 (x) = x y x (2, 4) ).
El ejemplo anterior muestra que las hiptesis del teorema 2.5.1 son sucientes para garantizar un punto jo nico, pero no son necesarias.
El siguiente resultado da algunas pistas sobre los procedimientos que se
deben seguir y algunos que se deben excluir para escoger funciones que produzcan sucesiones que converjan a un punto jo.
Teorema 2.6
. Sea g una funcin continua en
(Convergencia Punto jo)
[a, b] tal que g(x) [a, b] para toda x en [a, b]. Adems suponga que existe
g 0 en (a, b) y una constante positiva K < 1 tal que |g 0 (x)| 6 K , para toda
x (a, b), entonces
Para todo x0 en (a, b), la sucesin denida por xn+1 = g(xn ), converge al
nico punto jo x en [a, b].
Demostracin.
|xn x| = |g(xn1 ) g(x)|
= |g 0 (z)||g(xn1 ) g(x)| (Por el teorema del valor
|xn x| 6 K|xn1 x|( porque |g 0 (x)| 6 K, x (a, b))
52
medio)

El teorema anterior implica que existe un punto jo nico en
[a, b], ahora
si se aplica esta desigualdad inductivamente se obtiene:
|xn x| 6 K |xn1 x| 6 K 2 |xn2 x| 6 6 K n |x0 x|

|xn x| 6 K n |x0 x|
lm |xn x| lm K n |xo x| = 0
porque si
|k| < 1, lmn K n = 0.
Luego
{xn }
converge a
x.
Como consecuencia inmediata del teorema tenemos.
Corolario 2.1. S g satisface las hiptesis del teorema anterior, una cota
para el error al aproximar el punto jo x de g por xn esta dada por:
|xn x| 6 K n max {x0 a, b x0 }
Demostracin.
|xn x| 6 K n |x0 x|.

como x [a, b], |x0 x| 6 m
ax {x0 a, b x0 }.
n
Luego, |xn x| 6 K m
ax {x0 a, b x0 }.
Por el teorema anterior
La iteracin del punto jo, presenta dos conguraciones geometricas. La

gura 2.13 muestra la conguracin en escalera, convergente y divergente.
La gura 2.14 da un ejemplo de la conguracin oscilante.
53
%
'
'
$ '! & "
? ')(2)0'& $#! , " " A
#
#
%
'
'& @#3'45')('7 B& D;
10#/ 3'4 *+' &# > % ## % 'A
.'42 # ! ,
#
$# ! " #(7
C! "'1 # ,
$#!&
$#! ,
CEROS DE
FUNCIONES
B/ .420'&2 #('41(#32 # CAPITULO
4'.4'&')(14&'
5'2-;'(4#01-')('
! , $# 2.! .+'@'
02)&#@'41)@2 *+' '/ .+)(2 EF2 ! '& '/ .+)(2 @' #)('4&'00#;
2) @' /1& D+)0#2)'&
) , # ' ) , $#!7 G2@'-2& 3#&+1/#=14 0+1(42 01&2&H $1! > % $!! % A $6!
$!! " A $0! " % $!! % >A $@! $!! % " 7
" !!"
!
" !!"
# # " !$" # $
!
" !$" % $
%&'()*' ('+,)&-)+.)
!)+ )*(/0)&/"
%&'()*' 12,)&-)+.)
!)+ )*(/0)&/"
Figura 2.13: Ejemplo de iteracin en escalera.
IJ
54
" !$" #
" !!"
" !!"
# # " !$" # $
!
%&'()*' 2/,)&-)+.) !'*(/01+.)"

!" !$"! % #
%&'()*' ('+,)&-)+.) !'*(/01+.)"

!" !$"! # #
!"#$%& '()('( !"!Figura

#$ #%#&'$(
)*+*, -(. ! "! /# 01#.#
2.14: Ejemplo de iteracin oscilante.
!2 # " # $ ! !
# " # $ ! "3
# "!# %"&
Ejemplo 2.5.3.
Aplique
el
Teorema
2.6
para
demostrar
que
g(x)
=
2x + 3
"
tiene
jo
la cantidad
' nico
# " #en$[2, 4]. Use" !el3 corolario
42 #un
" # punto
$
# "!#para("estimar
)
!" ' #
2
de iteraciones necesarias para lograr una exactitud de 10 y despus compare esta estimacin terica con!la
& cantidad que realmente se requiere, use
#
"
#
$
3
# "!# !*"*
-2
#
"
#
$
x0 = 3.5
"
"
"
"
funcin
y creciente. Basta evag(x) = &2x! +
" !!
! #continua
' 3 en [2, 4] es+ una
#
"
#
$
3
#
"
!
#
$
( y por lo tanto su
52
#
"
#
$
luar g en los! extremos
del intervalo
g es creciente
"!
"
"! " por
! #que
valor mnimo
y su valor mximo se encuentran en los extremos del intervalo.
!"
g 0 (x) = 1/( 2x + 3) > 0
#$%&'(') *&%+,&*-') (% '+(%. )/0%+*'+!
g(2) $
= # " 7#
*"&+"#, '()(-( 6#! ! 7.! "!89: 5#
; #2.65
7.! <7.-18(. $ =#-#/ -(.01.>
7!&#.0# 51<#"#.-1!4$# # -#"-! 5#g(4)

!3 $=$ &11
* 67'(.?!&(/
!5#&8!/ @7#
3.32
#! $%
# "g(x)
!# $# [g(2),
"!# $g(4)]
% % % $=#[2.65,
"!3.32]
# $ (. %Por# #!%
!# $
& g(x)
(
Luego,
lo "tanto
[a, b] = [2, 4].
!
61
/# #$1?# /7A-1#.0#&#.0# '"8(B1&( ! !55

3 $! 10#"!-18(.
"&$
$ #"
"#
&$(
0#.5"8! !$ &#.(/ 7. ("5#. 5# -(.=#"?#.-1! 1?7!$ ! $ C

,-./
""#
! ! $ ,-./
!
"
" ! !#
"&$
"
"#
'"&$ # #!% "!#

$
'!"
$0
Adems
|g 0 (x)| =
1
0.378
<p
2x + 3
2(2) + 3
por que g 0 (x) es decreciente y x (2, 4)

Como |g 0 (x)| 6 k = 0.378 < 1, el punto jo de g es nico en [2, 4].
Para determinar aproximadamente el nmero de iteraciones necesarias
para lograr una exactitud de 102 se usa el corolario,
|xn x| 6 k n max {x0 a, b x0 }
|xn x| 6 (0.378)n max {1.5, 0.5}
|xn x| 6 (0.378)n (1.5)
con
a = 2, b = 4, x0 = 3.5
k = 0.378
Como el error debe ser menor que 102 entonces

(0.378)n (1.5) < 102
n > 5.15042 . . .
Por lo tanto se necesitan unas seis iteraciones para lograr una aproximacin exacta dentro de 102 .
x5 =
|x5 x| = |3.00381 3| = 0.00381 <
Este ejercicio ya se resolvi al comienzo de esta seccin y se obtuvo
3.00381. Observe
102 = 0.01.
que el error real
Cabe sealar que el corolario no da ms que una cota del nmero de

iteraciones necesarias. En la mayora de casos se requiere un nmero menor
de iteraciones.
El siguiente codigo en MATLAB describe la iteracin basica del punto
jo. Se utiliza como criterio de parada el error absoluto entre las dos ultimas
iteraciones. Se deja como ejercicio para el lector, implementar otros criterios
de parada, y programar herramientas de gracacin. Por otro lado se puede
implementar en el algoritmo, la cota de error del Colorario 2.1.
Algoritmo 5
(Algoritmo Punto jo). Dada una funcin continua f, una

condicin inicial x0 y una tolerancia tol> 0.
56
x1=f(x0);
while abs(f(x1)-f(x0))>tol
x0=x1;
x1=f(x1);
end
2.6. Ejercicios
1. A n de localizar las races de la ecuacin
a)
x3 +
x=6
Mediante evaluaciones en enteros determine un intervalo de longitud 1 que contenga una raz.
b)
Aplique tres iteraciones del mtodo de biseccin para reducir la

longitud de este intervalo en un factor de
2. Sea
f (x) = (x + 2)(x + 1)2 x(x 2).
0.125.
En cul cero de
converge el
mtodo de biseccin en los siguientes intervalos?

a)[-1.5,2.5]
b)[-0.5,2.4]
c)[-0.5,3]
d)[-3,-0.5]
3. Use el teorema (error en el mtodo de biseccin) para obtener una cota

del nmero de iteraciones que se requieren para alcanzar una aproxi3
3
macin con una exactitud de 10
a la solucin de x + x 4 = 0 que
se encuentra en el intervalo
[1, 4]. Obtenga una aproximacin de la raz
con este grado de exactitud.

4. Verdadero o falso?
a)
b)
c)
Si
g(19.6) = 19.6,
La funcin
Si
entonces
x2 + 2 x
f (a) = 1
a y b.
19.6
se denomina punto jo de
g.
tiene exactamente dos ceros reales.
f (b) = 2,
entonces
f (x)
tiene al menos un cero
entre
d)
Despus de siete iteraciones del mtodo de biseccin, el intervalo

en curso tiene una longitud menor que el
intervalo original.
57
1%
de la longitud del
e)
Diez iteraciones del mtodo de biseccin reducen la longitud L1

1/102 , as la
del intervalo que contenga una raz por un factor de

longitud es
f)
L1 /100.
La ecuacin
(ex )2 = 4
tiene exactamente dos soluciones (reales).
5. Determine cuntas races tiene
ex (x2 1)(x2 4) = 0.
6. Aplique el mtodo de Newton para obtener soluciones con una exacti5

tud de 10
para:
a ) (x 2)2 lnx = 0 para 1 6 x 6 2 y para e 6 x 6 4

b ) sen x ex = 0 para 0 6 x 6 1 y para 3 6 x 6 4, y 6 6 x 6 7
7. Se puede usar el mtodo de NewtonRaphson para resolver f (x)=0
1/2
siendo f (x)=(x-3)
tomando x0 = 4 como valor inicial? por qu?.
8. Suponga que
a)
b)
es un nmero real y positivo.
Pruebe que
1/4 6 q < 1
puede escribirse como
A = q 22m ,
siendo
un entero.
Use el apartado a) para probar que la raz cuadrada de
1/2
=q
1/2
es
Observacin. Si se toma p0 = (2q + 1)/3, siendo 1/4 6 q < 1,

y se usa la frmula de Newton, entonces despus de tres ite1/2
raciones, x3 ser una aproximacin a q
con 24 cifras binarias de precisin. Este es el algoritmo que los computadores
usan habitualmente para hallar races cuadradas. (Mathews,
p.96).
9. Halle, con una precisin de diez cifras decimales, el valor de
para el
que es mnima la distancia vertical entre las grcas de las funciones

f (x) = x2 + 2 y g(x) = (x/5) sen(x).
10. Se construye una caja sin tapa a partir de una hoja metlica rectangular
que mide
10 por 16 centmetros. Cul debe ser el lado de los cuadrados
que hay que recortar en cada esquina para que el volumen de la caja
sea
100
centmetros cbicos? Precisin:
58
0.000000001
centmetros.

11. La funcin descrita por
f (x) = ln(x2 + 1) e0.4x cos x
tiene una can-
tidad innita de ceros.
a)
Determine, con una exactitud de
b)
Determine, con una exactitud de
106
106
el nico cero negativo.

los cuatro ceros positivos
ms pequeos.
12. El valor acumulado de una cuenta de ahorros que se basa en pagos
peridicos puede calcularse con la ecuacin de anualidad vencida.
A=
En esta ecuacin,
es el monto de la cuenta,
deposita peridicamente e
P
[(1 + i)n 1]
i
es la cantidad que se
es la tasa de inters por periodo para los
periodos de depsito. A un ingeniero le gustara tener una cuenta de
750000 dlares al momento de retirarse dentro de 20 aos, y puede depositar $ 1500 dlares mensuales para lograr
ahorros con un monto de $
dicho objetivo. Cul es la tasa mnima de inters a que puede invertirse

este dinero, suponiendo que es un inters compuesto mensual?.
13.
Un mtodo de Newton-Raphson
p es una raz
q(p) 6= 0.
a)
b)
de multiplicidad
Pruebe que
M,
para races mltiples. Si

f(x)= (x - p)M q(x), donde
modicado
entonces
h(x) = f (x)/f 0 (x)
tiene una raz simple en
p.
Pruebe que si se aplica el mtodo de Newton-Raphson para hallar

p de h(x), entonces se obtiene g(x) = x h(x)/h0 (x)
la raz simple
que, en este caso, es
g(x) = x
c)
f (x)f 0 (x)
(f 0 (x))2 f (x) f 00 (x)
f (x) = sen(x3 ) tiene en p = 0 un cero triple. Partiendo

de p0 = 1 calcule p1 , p2 y p3 usando el mtodo de Newton-Raphson
La funcin
modicado. (Mathews, p.97).
59
14. Aplique el mtodo de la secante para obtener soluciones con una exac3
titud de 10
para las ecuaciones dadas.
a ) x3 2x2 5 = 0, x [1, 4]
b ) x cosx = 0, x [0, /2]
ex = cos x
15. La ecuacin
tiene una raz cerca de 1.29. Diga cul de
las tres funciones siguientes sera preferible utilizar como funcin de

iteracin a n de localizar la raz
g1 (x) = cos1 (ex )

g2 (x) = ln(sec x) = ln(cos x)
g3 (x) = x 0.01(ex cos x)
16. Use el manejo algebraico para demostrar que las siguientes funciones
tienen un punto jo en
x4 + 2x2 x 3.
exactamente cuando
f (p) = 0,
donde
f (x) =
a ) g1 (x) = (3 + x 2x2 )1/4

b ) g2 (x) =
c ) g3 (x) =
d ) g4 (x) =
i.
3x4 + 2x2 + 3
4x3 + 4x 1
Efecte cuatro iteraciones, si es posible hacerlo, en las funciones
g.
ii.
!1/2
x + 3 x4
2
!1/2
x+3
x2 + 2
Use
x0 = 1.
Cul funcin, a su juicio, dar la mejor aproximacin a la solucin?
17. Aplique el teorema de punto jo para demostrar que
0.5 sen(x/2)
tiene un punto jo nico en
[0, 2].
g(x) = +
Use la iteracin de
punto jo para obtener una aproximacin al punto jo con una exac2
titud de 10 . Use el corolario para estimar la cantidad de iteraciones
60

necesarias para lograr una exactitud de
102
y despus compare esta
estimacin terica con la cantidad que realmente se requiere.

18. En cada una de las siguientes ecuaciones, determine un intervalo
[a, b]
para la cual la iteracin de punto jo converge. Estime la cantidad de

iteraciones necesarias para obtener aproximaciones con una exactitud
5
de 10
y realice los clculos.
2 e x + x2
3
!1/2
ex
b) x =
3
a) x =
c ) x = 5x
61
62
Capitulo
Sistemas de Ecuaciones Lineales

Se considera un sistema de ecuaciones lineales con
ecuaciones y
in-
cognitas, de la forma:
a11 x1 + a12 x2 + a13 x3 . . . + a1n xn = b1

a21 x1 + a22 x2 + a23 x3 . . . + a2n xn = b2
.
.
.
an1 x1 + an2 x2 + an3 x3 . . . + ann xn = bn

con forma representacin matricial
AX = b
nn
donde A R
,
X Rn tal que AX
a11 a12 . . . a1n

a21 a22 . . . a2n
..
.
.
..
.
.
.
.
.
.
an1 an2 . . . ann
b Rn .
= b.
x1
b1
x2 b2
.. = ..
. .
xn
bn
Solucionar el sistema (3), es hallar un vector
3.1. Sistemas fciles de resolver

Consideremos
(3.1)
una matriz diagonal.
63
CAPITULO 3. SISTEMAS DE ECUACIONES LINEALES
a11 0 0
0 a22 0
A = ..
.
.
..
.
.
.
.
.
.
0
0 ann
Entonces el sistema
AX = b
tiene la siguiente foma
a11 x1 = b1
a22 x2 = b2
.
.
.
ann xn = bn
La solucin es
xi = (bi )/aii ,
para
i = 1, 2, . . . , n
con
aii 6= 0.
Algoritmo 6 (Algoritmo matriz Diagonal). Dada un sistema de ecuaciones

lineal Ax = b, con matriz A diagonal y no singular.
n=length(b);
for i=1:n
x(i)=b(i)/A(i,i);
end
Si
es Triangular Superior (A no singular).
a11 a12 a1n

0 a22 a2n
A = ..
.
.
..
.
.
.
.
.
.
0
0 ann
Entonces el sistema
AX = b
que resulta es:
a11 x1 + a12 x2 + a13 x3 . . . + a1n xn = b1

a22 x2 + a23 x3 . . . + a2n xn = b2
.
.
.
ann xn = bn
64

El sistema se resuelve con sustitucin hacia atrs. Se llama sustitucin
hacia atrs por que el primer valor que se halla es
xn ,
luego
xn1
y as hasta
x1 .
xn =
bn
ann
bi
aij xj
j=i+1
xi =
Algoritmo 7
n
P
para
aii
i = n 1, n 2, . . . , 1 (aii 6= 0).
(Algoritmo matriz triangular superior)
. Dada un sistema de
ecuaciones lineal Ax = b, con matriz A triangular superior y no singular.

n=length(b);
x(n)=b(n)/A(n,n);
for i=n-1:-1:1
s=0;
for k=i+1:n
s=s+A(i,k)*x(k);
end
x(i)=(b(i)-s)/A(i,i);
end
Si
es Triangular inferior.
a11 0 . . . 0
a21 a22 . . . 0
A = ..
.
.
..
.
.
.
.
.
.
an1 an2 . . . ann
El sistema resultante es:
a11 x1
a21 x1 + a22 x2
= b1
= b2
.
.
.
.
.
.
an1 x1 + an2 x2 +an3 x3 + . . . + ann xn = bn

El sistema se resuelve con sustitucin hacia adelante
65
x1 =
b1
a11
bi
xi =
i1
P
aij xj
j=1
para
aii
i = 2, 3, . . . , n (aii 6= 0).
Ejercicio 3. Construya el codigo de una funcin en MATLAB que dado un

sistema de ecuaciones lineal con matriz de coecientes triangular inferior,
calcule el vector solucin X .
Una matriz A es ortogonal si su inversa es igual a su transpuesta; es decir

1
A = At . En este caso, el sistema AX = b tiene como solucin X = At b, ya
que si
AX = b
entonces:
AX = AAt b
= AA1 b
= Ib
=b
3.2. Mtodos Directos de Solucin

Un mtodo directo se reere a un procedimiento para calcular una solucin a partir de una forma que es matemticamente exacta; los mtodos
directos proporcionan una respuesta en un nmero jo de pasos, y slo estn
sujetos a errores de redondeo.
3.2.1. Mtodo de la Inversa

La solucin del sistema
Ax = b es x = A1 b (A no singular). El clculo de
la matriz inversa involucra muchas operaciones. MATLAB posee la funcin
inv
que calcula la inversa de una matriz cuadrada.
Ejemplo 3.2.1. La matriz de Hilbert H de tamao m n, esta dada por:

Hij = 1/(i + j 1) i {1, 2, . . . , m},
El codigo en MATLAB que la genera:

66
j {1, 2, . . . , n}
for i=1:m
for j=1:n
H(i,j)=1/(i+j-1);
end
end
La matriz de Hilbert para m = n = 3 es

H =
1
1/2
1/3
1/2
1/3
1/4
1/3
1/4
1/5
y tomando el vector columna b = (111). Encontrar la solucin de Hx = b.

>> tic, x=inv(H)*b, toc
x =
3
-24
30
Elapsed time is 0.008232 seconds.
Los comandos tic y toc generan el tiempo de computo de la operacin.
3.2.2. Mtodo de Cramer

La solucin es
a11
a21
..
.
A=
xi = |Ai | / |A|, i = 1, 2, . . . n.
a12 . . . a1n
a22 . . . a2n
..
.
..
.
a11
a21
Ai =
..
.
Donde
a12 . . . b1 . . . a1n
a22 . . . b2 . . . a2n
..
.
..
.
..
.
an1 an2 . . . bn . . . ann
an1 an2 . . . ann
(n + 1) determinantes y el costo de operaciones de un determin requiere de aproximadamente n! multiplicaciones divisiones

y sumas/restas. MATLAB posee la funcin det que encuentra el determinanSe necesitan
nante de orden
te de una matriz cuadrada.
67
3.2.3. Mtodo de Eliminacin Gaussiana

Dados dos sistemas de ecuaciones. Diremos que ellos son equivalentes, si
poseen el mismo conjunto solucion. Iniciamos introduciendo las operaciones
elementales entre las. Son transformaciones que admite la matriz aumentada
de un sistema y que generan un sistema equivalente.
La ecuacin
Ei
(o la la
i)
puede multiplicarse por una constante
tinta de cero. Esta operacin se denota por

La ecuacin
Ej
(o la la
j)
puede multiplicarse por una constante
de cero y sumarse a la ecuacin
Ei
(o la
dis-
Ei Ei .
i).
distinta
Esta operacin se denota por
(Ei + Ej ) Ei .
El orden de las ecuaciones
Ei
Esta operacin se denota por
Ej ( o la i y la la j ) puede intercambiarse.

Ei Ei .
El Mtodo de Eliminacin Gaussiana consiste en transformar mediante

.
.
operaciones elementales entre las a la matriz aumentada del sistema [A.b]
0 .. 0
0
en una matriz de la forma [A .b ], donde A es una matriz triangular superior
0
0
y as el sistema AX = b se transforma en un sistema equivalente A X = b
que es un sistema fcil de resolver ya que es triangular superior y se puede
resolver con sustitucin hacia atrs.
Ejemplo 3.2.2. Resolver el sistema lineal usando el mtodo de eliminacin

gaussiana.
x1 + 2x2 + x3 = 5
2x1 + 4x3 = 22
4x1 + 2x2 + 2x3 = 18
La matriz aumentada del sistema es:
..
E1 1 2 1 . 5
..
E2
2 0 4 . 22
E3
4 2 2 .. 18
.
a11 = 1 es el elemento pivote, para anular los elementos que estn debajo de la primera columna se usan los multiplicadores. Los multiplicadores son los nmeros por los que se multiplica la la pivote para restarla de las correspondientes las posteriores. M21 = a21 /a11 = 2/1 = 2 y
M31 = a31 /a11 = 4/1 = 4.
68
..
. 5
1
2
1
E2 2E1 0 4
2 ... 12
E3 4E1
0 6 2 .. 2
.
a22 = 4 es el elemento pivote, para anular el elemento que esta debajo de

la segunda columna se usa el multiplicador M22 = a32 /a22 = 6/ 4 = 1.5.
..
.
1
2
1
5
.
0 4
.
2 .
12
E3 1.5E2
0
0 5 .. 20
.
Finalmente se obtiene el sistema:

x1 + 2x2 + x3 = 5
4x2 + 2x3 = 12
5x3 = 20
usando sustitucin hacia atrs se tiene que x3 = 4, x2 = 1 y x1 = 3, luego

la solucin del sistemas es X = (3, 1, 4).
Ejemplo 3.2.3. Resolver el sistema

0.03x1 + 58.9x2 = 59.2
5.31x1 6.10x2 = 47.0
a) Usando eliminacin Gaussiana.

E1
E2
0.03
58.9 .. 59.2
5.31 6.10 ... 47.0
El multiplicador M21 = 5.31/0.03 = 177

.
E2 177E1
0.03
58.9 .. 59.2
0 10431.4 ... 10431.4
69
El sistema triangular que resulta es:

0.03x1 + 58.9x2 = 59.2
10431.4x2 = 10431.4
La solucin exacta del sistema es X = (x1 , x2 ) = (10, 1).

b) Usando eliminacin Gaussiana y aritmtica de 3 dgitos por corte.
Para resolver el sistema usando eliminacin gaussiana y corte a tres dgitos, primero se escribe la matriz aumentada del sistema con los nmeros
a tres dgitos usando corte (en este caso queda igual) y despus se aplica eliminacin gaussiana ( en cada operacin se trabaja con tres dgitos
usando corte).
E1
E2
0.03
58.9 .. 59.2
5.31 6.10 ... 47.0
El multiplicador es M21 = 5.31/0.03 = 177
0.03
E2 177E1
58.9
10400
!
..
.
59.2
0.03x1 + 58.9x2 59.2
..
. 10300 10400x2 10300
Si X denota la solucin aproximada del sistema, entonces

X = (x1 , x2 ) = (30, 0.99)
c) Usando eliminacin gaussiana y artmtica de 3 dgitos por redondeo.
Para resolver el sistema usando eliminacin gaussiana y redondeo a 3
dgitos, primero se escribe la matriz aumentada del sistema redondeando
los nmeros a tres dgitos, pero en este caso queda igual ya que slo tienen
tres dgitos, luego se aplica eliminacin gaussiana. (en cada operacin se
trabaja con tres dgitos usando redondeo).
.
0.03
58.9 .. 59.2
5.31 6.10 ... 47.0
70
!
,
El multiplicador es 177.
E2 177E1
!
..
0.03
58.9 .
59.2
0 10400 ... 10500
0.03x1 + 58.9x2 59.2

10400x2 10500
Si X denota la solucin aproximada del sistema entonces X = (x1 , x2 ) =

(10, 1.01)
Observe que en b) y c) aunque los clculos se hicieron con tres cifras, en
las respuestas no se tiene exactitud de tres cifras. La discrepancia se debe
al error de redondeo. Recuerde que se llama error de redondeo independientemente si en los clculos se usa corte o redondeo. Como las computadoras
usan aritmtica cuya precisin esta jada de antemano, es posible que cada
vez que se realice una operacin aritmtica se introduzca un pequeo error.
El ejemplo anterior pone de maniesto que la eliminacin gaussiana puede
llevar aparejado un error apreciable en la solucin de un sistema de ecuaciones lineales cuando se resuelve en un computador.
A continuacin, se discutir cmo minimizar los efectos del redondeo y se
evitarn condiciones que pueden provocar la amplicacin de los errores de
redondeo.
Si, en el proceso de eliminacin gaussiana, resulta que el elemento que
se usar como pivote es cero, este elemento no puede usarse como pivote
para eliminar elementos de la columna que estn por debajo de la diagonal
principal. En este caso se intercambia la la que tiene el pivote cero por otra
la en la que el elemento que quede como pivote no sea cero. Este proceso se
llama Pivoteo y el criterio para decidir que la escoger se llama estrategia de
pivoteo. La estrategia de pivoteo trivial consiste en localizar la primera la
por debajo de la la en la que el pivote es cero e intercambiarla.
Ejemplo 3.2.4. Dado un sistema de ecuaciones AX = b y se desea resolver
en MATLAB utilizando eliminacin Gaussiana, se utiliza la notacin X =

A\b. Este metodo es mucho ms rapido que el calculo de la inversa. Si se
considera una matriz de Hilbert H de orden 4 y el vector columna b = (1111).
71
>> tic,
Elapsed
>> tic,
Elapsed
x=inv(H)*b; , toc
time is 0.000109 seconds.
x=H\b; , toc
time is 0.000101 seconds.
Ejercicio 4. Explore la funcin rref de MATLAB que trabaja con la ma-
triz aumentada B = (A b) asociada a un sistemas de ecuaciones AX = b.

Determine para una matriz de Hilbert de orden 5, las diferencias de tiempo
de trabajo de esta funcin, con las funciones antes mesionadas.
Estrategias de pivoteo para reducir errores

La estrategia de Pivoteo Parcial (o pivoteo de columna mxima) consiste en comparar el tamao de todos los elementos de la columna
j,
desde
el que est en la diagonal hasta el de la ultima la y escoger el elemento que

est debajo de la diagonal y que tiene el mximo valor absoluto; es decir el
elemento pivote es:
max |aij |.
j6i6n
p es la que tiene el elemento ms grande entonces se intercambia

p con la la j y se utiliza esa la como la pivote.
Si la la
la la
Ejemplo 3.2.5. Resolver el sistema usando eliminacin gaussiana con pivoteo parcial y aritmtica de redondeo a tres dgitos.
0.03x1 + 58.9x2 = 59.2
5.31x1 6.10x2 = 47.0
En este caso max{|a11 | , |a21 |} = max{|0.03| , |5.31|} = 5.31

Se efecta la operacin E2 E1 para obtener el sistema.
5.31x1 6.1x2 = 47.0
0.03x1 + 58.9x2 = 59.2
El multiplicador es M21 = a21 /a11 = 0.03/5.31 = 0.00565 la operacin

E2 0.00565E1 reduce el sistema a
5.31x1 6.10x2 = 47.0
58.9x2 58.9
72
Si se resuelve con sustitucin hacia atrs la solucin es x1 = 10, x2 = 1.

Observe que aunque se trabaja a 3 dgitos, la respuesta que se obtiene es la
solucin real (no siempre es asi).
Otro metodo para reducir errores, es el
Pivoteo parcial escalonado. En
este metodo se elige como pivote al elemento que tiene mayor tamao relativo
con respecto a los elementos de la la. El primer paso del procedimiento es
buscar el elemento que tiene el mximo valor absoluto de cada la. Para el
pivote
k.
Si = max {|aij |}
j=1,2,...,n
el segundo paso es dividir cada elemento de la columna en valor absoluto

por el mximo de cada la, por ejemplo en la columna
|an1 |
|a11 | |a21 |
,
,...,
S1 S2
Sn
La la
1.
|ai1 |
i = 1, 2, . . . , n
Si
escogida como pivote es aquella que
|ap1 |
|ai1 |
= max
i=1,2,...,n Si
Sp
Ejemplo 3.2.6. Resolver el sistema usando eliminacin gaussiana con pivoteo parcial escalado y aritmtica de corte a tres dgitos
30x1 + 58900x2 = 59200
5.31x1 6.1x2 = 47.0
Se escribe el sistema con los nmeros a tres dgitos usando corte

30x1 + 58900x2 = 59200
5.31x1 6.1x2 = 47.0
S1 = max |30|, |58900| = 58900
S2 = max |5.31|, | 6.10| = 6.10
73
Luego
|a11 |
30
=
= 0.000509 . . .
S1
58900
|a21 | 5.31
=
= 0.870 . . .
S2
6.10
La la que se escoge para pivote es la segunda y se efecta la operacin
E2 E1 para obtener el sistema
5.31x1 6.1x2 = 47.0

30x1 + 58900x2 = 59200
El multiplicador es: M21 = a21 /a11 = 30/5.31 = 5.64

La operacin E2 5.64E1 reduce el sistema a:
5.31x1 6.1x2 = 47.0
58900x2 = 58900
Si se resuelve con sustitucin hacia atrs la solucin es x1 = 10, x2 = 1.

Si el sistema anterior se resuelve con eliminacin gaussiana y aritmtica de
corte a tres dgitos (sin usar Pivoteo), la solucin aproximada que se obtiene
es x1 30 y x2 0.99 que no es una buena aproximacin. Ya que la solucin
exacta del sistema es x1 = 10, x2 = 1.
En los ejemplos anteriores, se han considerado sistemas de dos ecuaciones
con dos incgnitas slo con el propsito de hacer una presentacin clara y
con la mnima cantidad de notacin. Pero no importa que tan grande sea el
sistema y tampoco cuantos dgitos se utilicen en los clculos, hay sistemas
que comparten las mismas propiedades cualitativas que las presentadas en
los ejemplos.
3.2.4. Factorizacin LU
A como el producto de
L y una matriz triangular superior U ; y despus
El objetivo de este mtodo es factorizar la matriz

un matriz triangular inferior
74

resolver el sistema
AX = b
en dos etapas como se muestra a continuacin
AX = b,
(LU )X = b
L(U X) = b,
LY = b.
como A=LU
si se toma
entonces
UX = Y
resulta
Entonces para encontrar la solucin X del sistema primero se resuelve el
LY = b y luego el
sistema LY = b es un
UX = Y .
sistema
sistema
El
sistema fcil de resolver ya que
es una matriz
triangular inferior y se resuelve con sustitucin hacia delante.

El sistema
UX = b
tambin es un sistema fcil de resolver ya que
matriz triangular superior y se resuelve con sustitucin hacia atrs.
Ejemplo 3.2.7. Resuelva el sistema usando factorizacin

60x1 + 30x2 + 20x3 = 180
30x1 + 20x2 + 15x3 = 115
20x1 + 15x2 + 12x3 = 86
60 30 20
x1
180
30 20 15 x2 = 115 AX = b
20 15 12
x3
86
La matriz A se puede factorizar como

1 0 0
60 30 20
60 30 20
30 20 15 = 1/2 1 0 0 5
5
1/3 1 1
0 0 1/3
20 15 12
{z
} |
{z
}|
{z
}
|
El primer paso es resolver el sistema LY = b,
1 0 0
y1
180
1/2 1 0 y2 = 115
1/3 1 1
y3
86
y1 = 180
1/2y1 + y2 = 115
1/3y1 + y2 + y3 = 86
75
es una
Usando sustitucin hacia adelante se obtiene y1 = 180, y2 = 25, y3 = 1.

Luego
180
y = 25
1
El segundo paso es resolver el sistema U X = Y
60 30 20
x1
180
0 5
5 x2 = 25
0 0 1/3
x3
1
60x1 + 30x2 + 20x3 = 180
5x2 + 5x3 = 25
1/3x3 = 1
Usando sustitucin hacia atrs se obtiene x3 = 3, x2 = 2, x1 = 1. Por lo

tanto la solucin del sistema es:
1
X= 2
3
Ann comatriz Unn
La pregunta que surge ahora es cmo factorizar una matriz

mo el producto de una matriz
Lnn
(triangular inferior) y una
(triangular superior)?
A = LU , entonces

. . . a1n
l11 0 0
0
l21 l22 0
. . . a2n
0

=
.
.
.
..
.
.
.
..
..
.
.
.
0
. . . ann
ln1 ln2 lnn
Si se supone que
a11 a12
a21 a22
..
.
.
.
.
an1 an2
u11 u12 . . . u1n

0 u22 . . . u2n
.
..
.
0
.
0
.
0
0 unn
l11 u11
l11 u12
...
l11 u1n
l21 u11 l21 u12 + l22 u22
l
u
21 1n + l22 u2n
A = ..
.
.
.
.
.
.
.
ln1 u11 ln1 u12 + ln2 u22 ln1 u1n + ln2 u2n + + lnn unn
76

Igualando las componentes de las matrices se obtiene:
a11 = l11 u11

a21 = l21 u11
a12 = l11 u12

a22 = l21 u12 + l22 u22
.
.
.
.
.
.
. . . a1n = l11 u1n

. . . a2n = l21 u1n + l22 u2n
.
.
.
an1 = ln1 u11 an2 = ln1 u12 + ln2 u22 . . . ann = ln1 u1n + ln2 u2n + . . . + lnn unn
n2 ecuaciones con n2 + n elementos desconocidos:
lij , i = 1, 2, . . . , n ; uij , j = 1, 2, . . . , n, para que el sistema tenga solucin
nica se deben especicar n elementos.
El mtodo de factorizacin en el que se especica que l11 = l22 = l33 =
. . . = lnn = 1 se llama mtodo Doolittle. Si se especica que u11 = u22 =
u33 = . . . = unn = 1 el mtodo se llama Crout, si se especca lii = uii el
mtodo se llama Choleski (A simetrica)[1].
Este es un sistema de
Ejemplo 3.2.8. Halle la factorizacin de la matriz A, con el mtodo Doolittle

y con el mtodo de Choleski.
1. Mtodo de Doolitle (lii = 1)
60 30 20
1 0 0
u11 u12 u13
30 20 15 = l21 1 0 0 u22 u23
20 15 12
l31 l32 1
0
0 u33
Multiplicando las matrices e igualando las componentes se obtiene:

u11
u12
u13
u11
u12
u13
= 60
= 30
= 20
= 60
= 30
= 20
l21 u11 = 30
l31 u11 = 20
l21 u12 + u22 = 20 l31 u12 + l32 u22 = 15
l21 u13 + u23 = 15 l31 u13 + l32 u23 + u33 = 12
l21 = 1/2
u22 = 5
l31 = 1/3
u23 = 5
l32 = 1
u33 = 1/3
As, la factorizacin de A es:
60 30 20
1 0 0
60 30 20
30 20 15 = 1/2 1 0 0 5
5
20 15 12
1/3 1 1
0 0 1/3
77
2. Mtodo de Choleski (lii = uii )
60 30 20
l11 0 0
l11 u12 u13
30 20 15 = l21 l22 0 0 l22 u23
20 15 12
l31 l32 l33
0
0 l33
Multiplicando las matrices e igualando se obtiene que la factorizacin

Choleski para A es:

60
0
0
60
60/2
60/3
60 30 20
0
30 20 15 = 60/2
5
5
5 0

20 15 12
60/3
5
3 3
0
0
3 3
A continuacin se presentan algunos resultados que relacionan sistemas

lineales y factorizacin de matrices. La demostracin de algunos resultados
no se incluye en este texto.
Teorema 3.1. Si se puede efectuar el proceso de eliminacin gaussiana en
el sistema AX = b sin intercambio de renglones, entonces la matriz A se

puede factorizar como el producto de una matriz triangular inferior L, y una
matriz triangular superior U .
Teorema 3.2. Si A es no singular, en el proceso de eliminacin gaussiana
para resolver AX = b se puede presentar un intercambio de renglones. Esto

signica que existe una matriz de permutacin P para la cual se puede resolver el sistema P AX = P b sin intercambio de renglones, luego se puede factorizar P A como P A = LU . Como P 1 = P t entonces A = P 1 LU = (P t L)U
pero P t L no es triangular inferior.
Demostracin.
Ver
[L,U,P] = lu(A), que dada una matriz cuadrada A, genera tres matrices, L, U y P , tales que: P A = LU . Si la eliminacin se presenta sin intercambio de renglones, P es la matriz identidad.
MATLAB posee la funcin
Denicin 3.1. La matriz Ann es estrictamente dominante en sentido diagonal (o diagonalmente dominante, EDD) si |aii | >
n
78
n
P
j=1
|aij | i=1, 2, 3,. . . ,
Ejemplo 3.2.9. Sea
8 4
0
5
1
A= 2
3 7 12
|8| > | 4| + |0|
|5| > |2| + |1|
| 12| > |3| + | 7|
A es estrictamente dominante.
Algoritmo 8
. Dada una matriz cuadrada A.
(Algoritmo matriz EDD)
[m,n]=size(A);
for i=1:n
D(i,i)=A(i,i);
A(i,i)=0;
if abs(D(i,i))>max(A(i,1:end))
r=1;
else
r=0;
break
end
end
S r=1 la matriz es EDD.
Teorema 3.3. Si una matriz es estrictamente dominante en sentido diago-
nal es no singular y se puede realizar la eliminacin gaussiana de cualquier

sistema lineal de la forma AX = b sin intercambio de renglones.
3.3. Normas Vectoriales y Matrices

Al analizar elementos como los vectores y las matrices a menudo se requiere una forma para expresar sus magnitudes, alguna medida de grandeza
o pequeez. Para los nmeros el valor absoluto indica que tan grande es un
79
nmero, pero para vectores y matrices hay muchas componentes, cada una
de las cuales puede ser pequea grande en magnitud.
Para discutir los errores en problemas numricos que manejan vectores y
matrices resulta til recurrir a las normas, ya que son un medio, que permite
medir la distancia entre los vectores y entre las matrices.
Denicin 3.2. Una norma vectorial en Rn es una funcin, k k , de Rn en

R que satisface las siguientes propiedades.
i.
ii.
iii.
kXk > 0 y kXk = 0
si y slo si
X = 0.
kXk = ||kXk, R y X Rn
kX + Y k 6 kXk + kY k, X, Y Rn
(Desigualdad del tringulo).
kXk se llama magnitud longitud del vector X . Una distanX e Y de Rn respecto a la norma es kX Y k.
X = (x1 , x2 , . . . , xn ) entonces algunas normas son:
La cantidad
cia entre los vectores

Si
Norma 1: kXk1 =
Norma 2: kXk2 =
n
P
|xi |
(Suma de las magnitudes )
i=1
n
P
x2i
1/2
(Norma Euclideana)
i=1
Norma : kXk = i=1,

max {|xi |}
..., n
(Norma innita norma mxima mag-
nitud).
Ejemplo 3.3.1. Calcular las normas 1, 2 y la norma para el vector X =

(2, 4, 1)
kXk1 = |2| + |4| + |1| = 7

1/2
kXk2 = 22 + (4)2 + 12
= 21 4.58
kXk = max {|2| , |4| , |1|} = 4
1 Esta es la norma que corresponde al concepto intuitivo de longitud o distancia respecto
al origen.
80
norm(X,opciones), donde X puede ser un

opciones respresenta diferentes tipos de
examine el help de MATLAB.
argumento vectorial o matricial y

normas, para ms detalles
n
Denicin 3.3. Se dice que una sucesin de vectores {X (k) }
k=1 en R con-
verge a X si

lm X (k) X = 0
Ejemplo 3.3.2. Tomemos

X (K) =
!
1
1 4k + 1
2 , 5 + ,
, X = (2, 5, 4)
k
k
k

Entonces, X (K) X = 1/k, 1/ k, 1/k .

Si se calcula X (k) X , usando la norma innita se puede ver que X (k) X
0, cuando k , por lo tanto X es el lmite de la sucesin X K respecto a
la norma innita.2
Denicin 3.4. Una norma matricial sobre el conjunto de las matrices nn

es una funcin de valor real, k k, denida en este conjunto y que satisface
para todas las matrices A y B de n n y todos los nmeros reales las
siguientes propiedades [8]:
i.
kAk > 0 y kAk = 0
si y slo si
ii.
kAk = || kAk, R
iii.
kA + Bk 6 kAk + kBk
iv.
kABk 6 kAk kBk
Una distancia entre las matrices

matricial es
A=0
de
nn
respecto a esta norma
kA Bk.
A continuacin se dan ejemplos de normas.
2 En un espacio de dimensin nita dos normas cualesquiera conducen al mismo con

cepto de convergencia. As en este ejemplo se puede concluir que

cualquier norma sobre
R3 ,
X (K) X 0
pero no para la rata de convergencia. [3]
81
para
Norma 1:
Norma
kAk1 = max
16j6n
: kAk = max
16i6n
Norma 2:
Norma de Frobenius:
kAk2 = []1/2 ,
kAkF =
n
X
!
|aij |
(mxima suma en las columnas )
i=1
n
X
!
|aij |
(mxima suma en las las )
j=1
donde
n P
n
P
es el radio espectral de
At A
!1/2
a2ij
i=1 j=1
Ejemplo 3.3.3. Calcular las normas 1, y de Frobenius para la matriz
3 1 4
A = 5 0 2
1 2 6
Columnas
3
P
|ai1 | = |3| + | 5| + |1| = 9
F ilas
3
P
|a1j | = |3| + | 1| + |4| = 8
i=1
3
P
j=1
3
P
i=1
3
P
|ai2 | = | 1| + |0| + | 2| = 3
j=1
3
P
|ai3 | = |4| + |2| + |6| = 12
i=1
|a2j | = | 5| + |0| + |2| = 7

|a3j | = |1| + | 2| + |6| = 9
j=1
kAk1 = max {9, 3, 12} = 12

kAk = max {8, 7, 9} = 9
kAkF = (32 + (1)2 + 42 + (5)2 + 02 + 22 + 12 + (2)2 + 62 )1/2
= 96 9.798
82
3.4. Mtodos iterativos para sistemas lineales

El mtodo de eliminacin gaussiana y sus variantes (pivoteo, factorizacin
LU ) son conocidos como mtodos directos para resolver un sistema lineal

AX = b; se ejecutan a travs de un nmero nito de pasos y generan una
solucin X que sera exacta si no fuera por los errores de redondeo. Un
mtodo iterativo para resolver un sistema lineal AX = b comienza con una
(0)
aproximacin inicial X
a la solucin X , y genera una sucesin de vectores
(K)
X
que idealmente converge a la solucin.
K=0
El clculo se detiene cuando se cuenta con una solucin aproximada con
cierto grado de precisin especicado de antemano despus de cierto nmero
de iteraciones.
3.4.1. Mtodo de Jacobi

Considere el sistema lineal.
6x1 x2 + 2x3 = 21
4x1 8x2 + x3 = 5
3x1 + 4x2 + 10x3 = 48
Un procedimiento consiste en despejar
xi
de la i-sima ecuacin as:
1
1
7
x2 2x3 + 21
= x2 x3 +
6
6
3
2
4x1 x3 + 5
1
1
5
x2 =
= x 1 + x3
8
2
8
8
3x1 4x2 + 48
3
2
24
x3 =
= x1 x2 +
10
10
5
5
x1 =
La sucesin de vectores
X (K)
(K1)
(K)
x1
(K)
x2
(K)
X3
estara dada por
(K1)
2x3
+ 21
6
(K1)
(K1)
x3
+5
4x1
=
8
(K1)
(K1)
3x1
4x2
+ 48
,
=
10
=
x2
83
k = 1,
2, 3, . . .
Si se toma como aproximacin inicial

entonces la primera aproximacin
(0)
(1)
X (1)

(0)
(0)
(0)
X (0) = x1 , x2 , x3
= (0, 0, 0)
es:
(0)
0 2(0) + 21
x2 2x3 + 21
=
= 3.5
6
6
(0)
(0)
4x1 x3 + 5
4(0) 0 + 5
=
=
= 0.625
8
8
(0)
(0)
3x1 4x2 + 48
3(0) 4(0) + 48
=
=
= 4.8
10
10
x1 =
(1)
x2
(1)
x3
X (1)
(1)
x1
3.5

0.625
= x(1)
2 =
(1)
4.8
x3
La segunda aproximacin
(1)
(2)
x1
(2)
x2
(2)
x3
X (2)
es:
(1)
x2 2x3 + 21 0.625 2(4.8) + 21

=
=
= 1.79583
6
6
(1)
(1)
4x1 x3 + 5 4(3.5) (4.8) + 5
=
=
= 1.725
8
8
(1)
(1)
3x1 4x2 + 48 3(3.5) 4(0.625) + 48
=
=
= 6.1
10
10

(2)
x1
1.79583

1.725
= x(2)
=
2
(2)
6.1
x3
X (2)
A continuacin se muestran los resultados de las cinco primeras iteracio-
6 dgitos usando corte.

(5)
Para este sistema X
X (4) = (0.12148, 0.217328, 0.19154) y X (5) X (4) =
0.217328, el error relativo entre x(5) y x(4) en la norma innito es:
nes con aritmtica de
(5)

X X (4)
0.217328
=
= 0.0425831
(5)
kX k
5.10362
84

K
(K)
x1
(K)
x2
(K)
x3
3.5
1.79583
1.75416
2.12298
-0.625
1.725
1.03541
0.833172
4.8
6.1
4.64874
4.91208
La solucin exacta del sistema es

X (5) es:
X = (2, 1, 5)
2.00150
1.0505
5.10362
y el error relativo con la
aproximacin

X X (5)
0.10362
=
= 0.020724
kXk
5
mtodo
El procedimiento que se acaba de presentar se conoce como el

(0)
. Inicialmente se elige X
como la mejor suposicin disponible
de Jacobi
simplemente se toma como el vector
0.
El proceso se repite un nmero
preescrito de veces hasta que se alcance lo que se considera una buena

(K)
(K)
precisin en el vector X
o hasta que X
X (K1) / X (K) < ,
donde
es una tolerancia o margen de error previamente establecida.

(K)
En el ejemplo anterior, se iter hasta que X
X (k 1) / X (K)
<
= 0.05
En general cuando se aplica el mtodo de Jacobi a un sistema lineal de
n n, se despeja xi en la i -sima ecuacin:

ai1 x1 + ai2 x2 + + aii xi + + ain xn = bi
tamao
xi =
bi (ai1 x1 + ai2 x2 + + ain xn )

,
aii
bi
j=1, i6=j
xi =
y se calcula
n
P
aii
(k)
xi
aii 6= 0
aij xj
para
i = 1, 2, . . . , n. aii 6= 0
a partir de las componentes
(k1)
x1
(k1)
, x2
(k1)
, . . . , xn
3.4.2. mtodo de Gauss-Seidel

El mtodo de Jacobi se puede modicar de la siguiente manera. Cuando
(k)
(k)
xi en la k-sima iteracin, ya se han calculado x1 ,
se est calculando
85
(k)
(k)
(k)
entonces se reemplazan estos valores en xi
ya que se espera
(k1)
(k1)
(k1)
que sean mejores aproximaciones que x1
, x2
, . . . , xi1 .
Por ejemplo para el sistema lineal anterior
x2 , . . . , xi1
x2 2x3 + 21
6
4x1 x3 + 5
x2 =
8
3x1 4x2 + 48
x3 =
10
6x1 x2 + 2x3 = 21
x1 =
4x1 8x2 + x3 = 5
3x1 + 4x2 + 10x3 = 48
con

(0)
x1
0
(0)
0
= x2 =
(0)
0
x3
X (0)
La primera aproximacin
(0)
(1)
x1
(1)
x2
(1)
x3
X (1)
que resulta con la modicacin es:
(0)
x 2x3 + 21
0 2(0) + 21
= 2
=
= 3.5
6
6
(1)
(0)
4x1 x3 + 5
4(3.5) 0 + 5
=
=
= 1.125
8
8
(1)
(1)
3x 4x2 + 48
3(3.5) 4(1.125) + 48
= 1
=
= 5.4
10
10
(1)
x1
3.5

1.125
X (1) = x(1)
=
2
(1)
5.4
x3
La segunda aproximacin es:
(1)
(2)
(1)
x2 2x3 + 21
1.125 2(5.4) + 21
=
= 1.8875
6
6
(2)
(1)
4x1 x3 + 5
4(1.8875) 5.4 + 5
=
=
= 0.99375
8
8
(2)
(2)
3x1 4x2 + 48
3(1.8875) 4(0.99375) + 48
=
= 4.96875
=
10
10
x1 =
(2)
x2
(2)
x3
86
X (2)
(2)
x1
1.8875

0.99375
= x(2)
=
2
(2)
4.96875
x3
De la misma forma la tercera aproximacin es
X (3)
2.00937
= 1.00077
5.00250
X (3) y X (2) usando la norma innito es X (3) X (2) =

(0.12187, 0.00702, 0.03375)
El error relativo entre

(3)
X X (2)
0.12187
= 0.0243618.
=
kX (3) k
5.00250
La solucin exacta del sistema es
y
X = (2, 1, 5), el error relativo entre X (3)
usando la norma innito es:

X X (3)
0.00937
= 0.001874
=
kX k
5
El mtodo con el que se resolvi el sistema anterior se conoce como el
mtodo de Gauss-Seidel.
Para este sistema, el mtodo de Gauss-Seidel
converge a la solucin ms rpido que el mtodo de Jacobi.

Observe que, en contraste con un mtodo directo, la aproximacin a la
solucin que se obtiene depende del momento en que se detenga el proceso.
En forma general, cuando se aplica el mtodo de Gauss-Seidel a un sistema
lineal
nn
se despeja
bi
xi =
xi
en la i-sima ecuacin,
n
P
j=1 j6=i
aii
aij xj
para
87
i = 1, 2, . . . , n,
aii 6= 0
(k)
(k)
a partir de las componentes x1 , x2 , . . . ,
(k1)
(k1)
(valores mas recientes) y xi+1 , . . . , xn
(valores anteriores), luego
y se genera cada
bi
(k)
xi
(k)
xi
i1
P
(k)
aij xj
j=1
n
P
(k)
xi1
(k1)
aij xj
j=i+1
para
aii
i = 1, 2, . . . , n.
3.5. Representacin matricial

AX = b
Los mtodos iterativos convierten el sistema
X = T X + C,
(K)
de vectores X
en otro sistema
es una matriz ja y
equivalente de la forma
donde
un
vector jo; la sucesin
de la solucin aproximada se genera
calculando
X (K) = T X (K1) + C
Para
k = 1, 2, 3, . . .
X (0)
la aproximacin inicial.
Dado un sistema lineal de ecuaciones

matriz
AX = b.
S se puede expresar la
en terminos de otras matrices y generar una representacin del
sistema original, de la forma X =

(k)
sucesin iterativa X
= T X (k1) +
con el nombre de metodo iterativo
T X + C , entonces se puede
C para k > 1. Esta sucesin
asociado al sistema AX = b.
denir la
se conoce
Teorema 3.4. Suponga que X = T X + C es un sistema equivalente de
AX = b, con A invertible.

Para cualquier X (0) Rn , la sucesin X (k) k=0 denida por
X (k) = T X (k1) + C , para k > 1 converge a la solucin nica de AX = b si
y slo si (T ) < 1. (T ) es el radio espectral de la matriz T . [6].
El resultado anterior garantiza la convergencia del mtodo iterativo sin
importar la condicin inicial que se elija. Se debe conocer el sistema equivalente que genera la sucesin. Se estudiara la representacin de los mtodos
de Jacobi y Gauss-Seidel.
A = (aij ) matriz
i, j {1, 2, . . . , n}, dadas
Sea
de orden
n, D = (dij ), U = (uij )
por:
(
aij
dij =
0
si
i=j
en otro caso
88
L = (lij )
con
(
aij
uij =
0
(
aij
lij =
0
Claramente,
si
i<j
en otro caso
si
i>j
en otro caso
A = D+L+U . Considerando el sistema Ax = b y reemplazando,
se obtiene
AX
(D + L + U )X
DX + (L + U )X
DX
X
X
=b
=b
=b
= b (L + U )X
= D1 (b (L + U )X)
= D1 ((L + U )X) + D1 b
As, un sistema equivalente para AX = b es: X = Tj X + Cj donde

Tj = D1 (L + U ) y Cj = D1 b. El sistema X = Tj X + Cj es la representacin matricial del mtodo de Jacobi y genera la sucesin iterativa
X (k) = Tj X (k1) + Cj .
D, L y U denidas
equivalente a AX = b:
Trabajando con las mismas matrices

puede contruir otro sistema
AX
(D + L + U )X
(D + L)X + U X
(D + L)1 X
X
X
anteriormente, se
=b
=b
=b
= b UX
= (D + L)1 (b U X)
= (D + L)1 (U X) + (D + L)1 b
Este sistema genera la representacin matricial del mtodo de Gauss1

1
Seidel, donde X = Tg X + Cg y Tg = (D + L) U , Cg = (D + L) b. En
algunos textos evitan el signo menos de las matrices
un signo menos a la decin de las matrices
L,
Tj
Tg ,
anteponiendo
sin embargo este cambio
no altera el valor del radio espectral, la justicacin se deja como ejercicio

para el lector.
89
Ejemplo 3.5.1. Considere el sistema lineal.

6x1 x2 + 2x3 = 21
4x1 8x2 + x3 = 5
3x1 + 4x2 + 10x3 = 48
las matrices involucradas en los mtodos de Jacobi y Gauss-Seidel son:
6 0 0
D = 0 8 0 ,
0 0 10
0 0 0
L = 4 0 0 ,
3 4 0
0 1 2
U = 0 0 1
0 0 0
El terema anterior garantiza la convergencia de un mtodo iterativo X =

T X + C , si el radio espectral de la matriz T es menor que 1. Para el mtodo
de Jacobi Tj = D1 (L + U )
1
6 0 0
Tj = 0 8 0
0 0 10
1
0
0 0
6
1
4
0 8 0
Tj =
3
0 0 1
10
1
0 6 1
3
1
Tj = 12 0
8
3
2
0
10
5
0 0 0
0 1 2
4 0 0 0 0 1
3 4 0
0 0 0
1 2
0 1
4 0
para calcular el radio espectral se puede utilizar la siguiente serie de funciones

de MATLAB:
Tj =
0
-1/6
-1/2
0
-3/10
2/5
>> radio=max(abs(eig(Tj)))
1/3
-1/8
0
radio =
0.447015782662384
90
Por lo tanto, para toda condicin inicial, el mtodo de Jacobi converge. Para
el mtodo de Gauss-Seidel Tg = (D + L)1 U

6 0 0
0
Tg = 0 8 0 + 4
0 0 10
3
1
0 0
0 1 2
6
1
1
0 0 1
0
Tg = 12
8
1
1
1
0 0 0
60
20
10
0 0
0 1 2
0 0 0 0 1
4 0
0 0 0
Calculando Tg y su radio espectral en MATLAB, se obtiene

>> Tg=(-1)*inv(D+L)*U
Tg =
0
0
0
1/6
1/12
1/60
-1/3
-1/24
-1/12
>> radio=max(abs(eig(Tg)))
radio =
57/721
El radio espectral se calculo utilizando el comando format rat que hace que
MATLAB exprese lo resultados en terminos de fracciones, si se desea conocer
el valor del radio se utiliza format long y se obtiene:
>> format long
>> radio=max(abs(eig(Tg)))
radio =
0.079056941504209
As, el mtodo de Gauss-Seidel converge para todo condicin inicial que se

tome.
91
Si se desea trabajar con matrices de un tamao considerable, se presentara

un problema al calcular el radio espectral, ya que el computo del mismo,
representa un problema. El siguiente teorema garantiza que para cierto tipo
de matrices, es suciente examinar si la matriz
asociada al sistema de
ecucaciones, es es estrictamente dominante en sentido diagonal (EDD).
Teorema 3.5. Si A es estrictamente dominante en sentido diagonal, en-
tonces con cualquier eleccin de X (0) ,tanto el mtodo de Jacobi como el de
Gauss-Seidel dan origen a sucesiones X (k) k=1 que convergen a la solucin

nica de AX = b. [3].
Aunque esta condicin parece ser muy restrictiva varios sistemas lineales
poseen esta propiedad.
Por ejemplo, el sistema
6x1 2x2 + x3 = 11
x1 + 2x2 5x3 = 1
2x1 + 7x2 + 2x3 = 5
no tiene una matriz
diagonalmente dominante
6 2 1
2 5
A= 1
2 7
2
Sin embargo, si se reordenan las ecuaciones, resulta un sistema lineal de
modo que la matriz de coecientes es diagonalmente dominante. En este caso
intercambiando las las
6x1 2x2 + x3 = 11
6 2 1
2
A = 2 7
1
2 5
2x1 + 7x2 + 2x3 = 5

x1 + 2x2 5x3 = 1
En la seccin de ejercicios se trabajaran diferentes ejemplos que estudian

la relacin entre la velocidad de los mtodos de Jacobi y Gauss-Seidel y el
92

valor del radio espectral de las matrices
Tj
Tg .
Adems se mostrara que no
necesariamente, si un mtodo converge el otro debe hacerlo.

A continuacin se muestra el codigo de una funcin en MATLAB, que dada
una matriz
A,
un vector
b,
una condicin inicial
calcula la solucin del sistema
AX = b
x0
y una tolerancia
tol;
utilizando el mtodo de Jacobi. El
codigo para el mtodo de Gauss-Seidel se deja como un ejercicio para el

lector.
Algoritmo 9
. El argumento de salida de la funcin
(Algoritmo de Jacobi)
Jacobi es un vector x
function x=Jacobi(A,b,x0,tol)
n=length(b);
D=zeros(n);
L=zeros(n);
U=zeros(n);
for i=1:n
D(i,i)=A(i,i);
for j=1:n
if j>i
U(i,j)=-A(i,j);
elseif j<i
L(i,j)=-A(i,j);
end
end
end
Tj=inv(D)*(L+U);
Cj=inv(D)*b;
x=Tj*x0+Cj;
while abs(norm(x)-norm(x0))>tol
x0=x;
x=Tj*x0+Cj;
end
93
3.6. Nmero Condicional y Renamiento Iterativo

Denicin 3.5. Sea X una aproximacin del sistema lineal AX = b. El
vector residual de X respecto a este sistema es r = b AX .
Ejemplo 3.6.1. El sistema lineal AX = b dado por

1 1.01
0.99 1

x1
x2

=
2.01
1.99
x1 + 1.01x2 = 2.01
0.99x1 + x2 = 1.99
Tiene solucin X = (1, 1).

La aproximacin X = (0, 2) tiene vector residual

2.01
1.99
1 1.01
r = b A
x=
0.99 1

2.01
2.02
=
1.99
2

0.01
=
0.01

0
2
Observe que aunque la norma del vector residual es pequea (krk

0.01), la aproximacin X = (0, 2) es muy deciente ya que X X = 1.
satisfacen AX = b y AX
= b (A invertible).
Si suponemos que X y X
en trminos absolutos y relativos? AX = b, AX
= b,
Cunto dieren X y X
= A1b ya que A es invertible. Ahora,
X = A1 b, X

= A1 b A1b
X X

= A1 (b b)

A1 (b b)
Luego una medida para la perturbacin sobre
94
(3.2)
es

kA1 k b b .

Para obtener una estimacin del error relativo
hecho que:

X X / kXk,
AX = b, kAXk = kbk, kAXk / kbk = 1,
se usa el
junto con la desigualdad
(ecuacion anterior), de donde:

A1 b b
X X

kAXk 1

X X
A b b
kbk

1 b b
kAk kXk A
X X
kbk

X X
b b

kAk A1
kXk
kbk
(3.3)

X X
b b
(A)
kXk
kbk
(3.4)

(A) = kAk A1
(3.5)
donde:
El nmero
(A) se llama nmero condicional de la matriz A o nmero de
condicin [10]. Como se observa en la desigualdad (organizar numeracion),

si el nmero de condicin es pequeo, entonces pequeas perturbaciones en
X . Es decir, el error relativo en X

(A) y el residual de esta aproximacin. Como r = b AX
AX = b entonces r = b b y la desigualdad (organizar) se transforma en
conducen a pequeas perturbaciones en
esta acotado por

y

X X
krk
(A)
kXk
kbk
I = AA1 , kIk = kAA1 k, 1 = kAA1 k kAk kA1 k =
(A) 1.
Si A es invertible,
(A).
Luego
Denicin 3.6. Una matriz A est bien condicionada si (A) se aproxima

a 1 y est mal condicionada si (A) es signicativamente mayor que 1.
Ejemplo 3.6.2. Determine si la matriz A esta bien o mal condicionada

95

A=
1 1.01
0.99
1
La inversa de la matriz A es:

1

=
10000 10100
9900
10000
El nmero condicional (A) = ||A|| ||A1 || = (2.01)(20100) = 40401,

como (A) es mucho mayor que 1, A es una matriz mal condicionada.
Ejemplo 3.6.3. Considere una matriz de Hilbert H de orden 7(utilice el
codigo que se dio en una seccin pasada para calcular H). MATLAB posee la
funcin cond(H) que calcula el nmero condicional de una matriz H
H =
Columns 1 through 4
1.000000000000000
0.500000000000000
0.333333333333333
0.250000000000000
0.200000000000000
0.166666666666667
0.142857142857143
0.500000000000000
0.333333333333333
0.250000000000000
0.200000000000000
0.166666666666667
0.142857142857143
0.125000000000000
0.333333333333333
0.250000000000000
0.200000000000000
0.166666666666667
0.142857142857143
0.125000000000000
0.111111111111111
0.166666666666667
0.142857142857143
0.125000000000000
0.111111111111111
0.100000000000000
0.090909090909091
0.083333333333333
0.142857142857143
0.125000000000000
0.111111111111111
0.100000000000000
0.090909090909091
0.083333333333333
0.076923076923077
0.250000000000000
0.200000000000000
0.166666666666667
0.142857142857143
0.125000000000000
0.111111111111111
0.100000000000000
Columns 5 through 7
0.200000000000000
0.166666666666667
0.142857142857143
0.125000000000000
0.111111111111111
0.100000000000000
0.090909090909091
>> cond(H)
ans =
4.753673563703924e+008
Por lo tanto la matriz H est mal condicionada. S se calcula la inversa

de H y se realiza la operacin det(H)det(H 1 ) se obtiene:
96
>> det(H)*det(inv(H))
ans =
1.000000000659643
S se multiplica H por su inversa

>> inv(H)*H
ans =
Columns 1 through 4
1.000000000000227
-0.000000000014552
0
0
0
0
0
0.000000000010004
0.000000000112095 0.000000000170530
1.000000000000000 -0.000000000429281 -0.000000000662112
-0.000000000232831 1.000000000000000
0
-0.000000001862645
0
0.999999999534339
-0.000000001862645 -0.000000002793968
0.000000001396984
0.000000003259629
0.000000002793968
0.000000000931323
-0.000000001164153 -0.000000001164153 -0.000000000232831
Columns 5 through 7
0.000000000199634
-0.000000000785803
0
-0.000000001164153
0.999999999534339
0
0
>> inv(inv(H))-H
0.000000000213390
0.000000000216460
-0.000000000829459 -0.000000000844011
-0.000000000232831 -0.000000000116415
0.000000001396984
0.000000000931323
-0.000000000931323
0.000000000465661
1.000000000931323
0.000000000931323
-0.000000000349246 1.000000000116415
ans =
1.0e-009 *
Columns 1 through 4
0.417044176970194
0.309773096063282
0.243009445899389
0.198075555957189
0.166084868080674
0.142322653662319
0.309773096063282
0.231859420551928
0.182352688504750
0.148906637020829
0.125064070211067
0.107339692689834
97
0.243009445899389
0.182352688504750
0.138721201192737
0.109691755678654
0.089554696991456
0.074980521791446
0.198075555957189
0.148906637020829
0.109691755678654
0.083905271619500
0.066400301923508
0.054010421135509
0.124077359497932
0.093719920712942
0.064051625114914
0.142322653662319
0.107339692689834
0.074980521791446
0.054010421135509
0.040173669946242
0.030678654061589
0.023924029424194
0.124077359497932
0.093719920712942
0.064051625114914
0.044915834940262
0.032411018313638
0.023924029424194
0.017956455766743
0.044915834940262
Columns 5 through 7
0.166084868080674
0.125064070211067
0.089554696991456
0.066400301923508
0.050933271489306
0.040173669946242
0.032411018313638
En la matriz
del ejemplo anterior, se evidencia una caracteristica fun-
damental de las matrices mal condicionadas. S una matriz

cionada y se desea solucionar un sistema
AX = b,
es mal condi-
el error que se comete al
calcular su inversa, hace que la solucin que se obtiene por mtodos directos
este cargada de error nmerico. En el caso en que el sistema que se desea resolver, tenga asociada una matriz mal condicionada, es recomendable buscar
soluciones mediante mtodos iterativos o por precondicionamiento matricial.
3.7. Precondicionamiento o Equilibracin de una

Matriz
Para resolver sistemas de ecuaciones lineales en casos crticos, se puede
aadir un cierto nmero de pasos a los procedimientos de eliminacin gaussiana ( o factorizacin) y de clculo de soluciones mencionados anteriormente.
3.7.1. Precondicionamiento mediante equilibracin de

las
Es un proceso que consiste en dividir cada la de la matriz de coecientes
por el mximo elemento en valor absoluto de dicha la; es decir, multiplicar
la la
por
ri =
1
max |aij |
16j6n
Por ejemplo si
98

A=
1 108
2
0

,

=
1/2
5 109
108
K (A) = ||A|| ||A1 || = (1 + 108 )(1/2) = 50000000.5. A es una matriz

mal condicionada.
Para equilibrar la matriz, primero se calcula
(r1 = 1/108 , r2 = 1/2).

A=
1 108
2 0
Si se denota como
ri , para i = 1, 2. En este caso

i por ri
Luego se multiplica la la
1/108
1/2
a la matriz
A =

1 108
2 0

=
108 1
1
0
precondicionada entonces
108
1

1
0
0
1
= (1 + 108 )(1 +
y ahora K (A)
1 108
108 ) = 1.00000002. Luego A es una matriz bien condicionada.
Cuando se va a resolver un sistema AX = b, la equilibracin por las se
Observe que
A 1 =
escribe como:

(RA)X = Rb,
donde
R = [Rij ], Rij =
ri ,
0,
i=j
i 6= j
Por ejemplo el sistema:
1 108
2 0

x1
x2

=
3
5
mediante la equilibracin por las se convierte en:

1 108
1/108 0
2l 0
0
1/2
{z
}|
{z
}|
|
R
A
8

10
1
1
0

x1
1/108 0
3
=
x2
0
1/2
5
{z } |
{z
} | {z }
x
R
b

8
x1
3/10
=
5/2
x2
99
Observe que la matriz del nuevo sistema es la que anteriormente se denot
= b donde
A , este sistema se puede escribir en forma matricial como Ax
b1 = b1 /r1 y b 2 = b2 /r2
como
3.7.2. Precondicionamiento mediante equilibracin de

Columnas
Es un proceso similar al de las, excepto
que ahora
se trata con columnas.
Se multiplica la columna
por
Cj = 1/
max |aij |
16i6n
Para la matriz

A=
1 108
2 0
1/10
1/2

A=
1 108
2 0
Si se denota como
1 108
2 0
A
a la matriz
A 1 =
y ahora
C2 = 1/108
C1 = 1/2,

=
1/2 1
1 0
precondicionada por columnas,
0
1
1 1/2
= (1/2 + 1)(1 + 1/2) = 2.25.

K (A)
Luego
es una matriz bien
condicionada.
Si se va ha resolver un sistema
AX = b,
el equilibrio por columnas se
escribe como:
(AC)(C

X) = b,
3 Se coloca los nmeros
Cj
donde
C = [Cij ], Cij =
Cj ,
0,
i=j
i 6= j
encima de cada columna slo para indicar por que nmero
se multiplica cada columna.
100

Por ejemplo el sistema:

1 108
x1
3
=
2 0
x2
5
|
{z
} | {z } | {z }
A
Mediante la equilibracin por columnas se convierte en

1 108
1/2
0
2 0
x1
3
=
2 0
0 1/108
0 108
x2
5
|
{z
}|
{z
}|
{z
}| {z } | {z }
x
A
C
b
C 1

1/2 1
2x1
3
=
8
1 0
10 x2
5
El sistema que resulta se puede escribir en forma matricial como
(donde x
1 = 2x1 y x 2 = 108 x2 ).
A X = b
AX = b y se equilibra por
AX = b o A X = b y este se
En general, cuando se va a resolver un sistema

las o columnas resulta un sistema de la forma
puede resolver por eliminacin gaussiana o factorizacin.
3.8. Ejercicios
1. Usando eliminacin gaussiana, resuelva el sistema
x + 1/2y + 1/3z = 8
1/2x + 1/3y + 1/4z = 8
1/3x + 1/4y + 1/5z = 7
a)
b)
c)
d)
Manejando nmeros como fracciones

Usando aritmtica a dos dgitos
Usando aritmtica a tres dgitos
Usando aritmtica a seis dgitos
2. Use la eliminacin gaussiana y la aritmtica de corte de tres dgitos para

resolver los siguientes sistemas lineales. Despus compare las aproximaciones con la solucin real.
101
a)
58.9x1 + 0.03x2 = 59.2
6.10x1 + 5.31x2 = 47.0
Solucin real
x1 = 1, x2 = 10
b)
3.03x1 12.1x2 + 14x3 = 119
3.03x1 + 12.1x2 7x3 = 120
6.11x1 14.2x2 + 21x3 = 139
Solucin real
x1 = 0, x2 = 10, x3 = 1/7
i) Repita el ejercicio 2 usando la aritmtica de redondeo a tres dgitos.
ii) Repita el ejercicio 2 usando la eliminacin gaussiana con pivoteo

parcial.
iii) Repita el ejercicio 2 usando la eliminacin gaussiana con pivoteo

parcial escalado.
3. Supngase que se quiere resolver el sistema
y
bi
Az = b,
donde las
son nmeros complejos. Demuestre que lo anterior se puede hacer
usando slo aritmtica real.
Indicacin : A puede volver a escribirse como B + Ci).
(
4.
a)
aij , zi
Demuestre que el sistema
3 + i 1 + 2i
3i 2 + i

z1
z2

=
6 + 2i
1i
Puede escribirse como
3
0
1
3
1 1 2
x1
x2
2
3 1
2
3
1 y1
1
0
2
y2
102
6
1
=
2
1
b)
Resuelva el sistema del inciso a) y luego encuentre
z1
z2 .
5. Use el algoritmo de la eliminacin gaussiana para resolver los sistemas

lineales siguientes, de ser posible, y determine si se requieren intercambios de rengln:
a)
x1 x2 + 3x3 = 2
3x1 3x2 +x3 = l
x1 + x2 = 3
2x1 l.5x2 + 3x3 = l

x1 + 2x3 = 3
4x1 4.5x2 + 5x3 = 1
b)
6. Use el algoritmo de Choleski y obtenga una factorizacin de la forma

A = LLt para las matrices:
a)
4
1 1 0
1
3 1 0
A=
1 1
5 2
0
0
2 4
2 1
0
1
2 1
A=
0 1
2
b)
7. Resuelva los sistemas lineales usando Factorizacin de Choleski y Factorizacin de Crout
a)
2x1 x2 = 3
x1 + 2x2 x3 = 3
x2 + 2x3 = 1
b)
4x1 + x2 x3
x1 + 3x2 x3
x1 x2 + 5x3 + 2x4
2x3 + 4x4

8. Demuestre que la matriz
A=
0 1
1 1
103
=7
=8
= 4
=6

no tiene una factorizacin
LU .

9. Determine la factorizacin
LU
de la matriz
1 5
3 16

en la que
tienen elementos diagonales unitarios.
10. Determine la factorizacin
LU
de la matriz
6 10 0
12 26 4
0 9 12
en donde
es una matriz triangular inferior con doses en su diagonal principal.
11. Una matriz que es simtrica y denida positiva (SPD) tiene una raz
cuadrada
que es SPD.
De este modo
X 2 = A.
Encuentre
13 10
10 17
A=
12. Encuentre la matriz de permutacin

zar en el producto
diagonal y donde
LU ,
donde
si
P,
tal que
PA
se pueda factori-
es triangular inferior con unos en su
es triangular superior.
1 2 1
0
A= 2 4
0 1 1
13. Obtenga factorizaciones de la forma
A = P t LU
matrices.
a)
0
2
3
1
1 1
0 1
1
b)
1
2 1
1
2
3
2 1
4
104
para las siguientes
14.
1 0 1
0 1
1 , Calcule todos los valores de para los cuales
Sea A =
1 1
a ) A es singular
b ) A es estrictamente dominante en sentido diagonal
c ) A es simtrica
15. Para los vectores en los incisos a) y b), evale las normas
1, 2, . Para
p = 1, 2, .
a)
c)
kkp , p =
las matrices en los incisos c) y d), evale las normas para
x = [2.15, 3.1, 10.0, 2.2]
9 5 9
A = 2 7 5
5 1 8
e) Encuentre las normas de
b)
d)
y = [4, 5, 0, 3, 7]
8 2 1
B = 2 2 1
2 4 3
B 2 , A + B , AB .
f ) Se cumple la desigualdad del tringulo para
A + B?
16. Considere las siguientes matrices:
2 1
1
2
a)

b)
2 1 0
1 2 0
0 0 3
i. Calcule los valores caractersticos (o autovalores)

ii. Calcule el radio espectral.
iii. Obtenga
kk2
17. Demuestre que las siguientes sucesiones son convergentes y encuentre

sus lmites.
a ) x(k) = (1/k + 2, e1k , 2/k 2 )

b ) x(k) = (kek
(cos k)/k ,
k 2 + k k)
105
18. Resuelva el sistema
9x + 4y + z = 17
x 2y 6z = 14
x + 6y = 4
a)
b)
Usando el mtodo de Jacobi.

Usando el mtodo de Gauss-Seidel. Cunto ms rpida es la convergencia que en el inciso a)?
19. Aplique el mtodo de Jacobi para resolver los sistemas lineales, con una
3
(0)
tolerancia o error de 10
en la norma innito. Use x
= 0.
a)
3x1 x2 + x3 = 1
3x1 + 6x2 + 2x3 = 0
3x1 + 3x2 + 7x3 = 4
b)
10x1 x2 = 9
x1 + 10x2 2x3 = 7
2x2 + 10x3 = 6
20. Repita el ejercicio anterior utilizando el algoritmo de Gauss-Seidel.

21. Calcule los nmeros de condicin de las siguientes matrices en relacin
con la norma innito.
a)

1
2
1
3
1
3
1
4
b)
1 1 1
0 1 1
0 0 1
c)
4 2 2
2 5 1
2 1 6
106

22.
a)
Calcule la inversa de la matriz
b)
Determine para cual
1
2
1 2+
la siguiente matriz est mal condicionada.
1
2
1 2+
23. Demuestre las siguientes desigualdades para el nmero de condicin.
a ) (AB) (A)(B)
b ) (A) = (A)
( 6= 0)
24. Calcule los nmeros de condicin usando las normas

a)
a+1
a
a
a1

b)
0 1
2 0
kAk1 , kAk2 , kAk .

1
c)
1 1
25. Considere el sistema lineal
a)
1 2
1+ 2

x1
x2

=
3
3+
Usando la solucin aproximada

, para
una pequea
x = (0, 3)t ,
>0
compare la norma
innito del vector residual y la norma innito del vector de error.

Que concluye con esto?
b)
Determine el nmero condicin
k (A)
qu sucede conforme
se
hace pequea?
c)
Lleve a cabo un paso de mejoramiento iterativo basndose en la

solucin aproximada
x.
26. Este problema muestra como la solucin de un sistema de ecuaciones

puede ser inestable en relacin a pequeas perturbaciones en los datos.
Resuelva
Ax = b
con cada una de las siguientes matrices, con
(100, 1)t

A1 =
1 1
1 0

A2 =
107
1 1
1 0.01
b =
27. Para decidir qu computador comprar, s el
C1
o el
C2 ,
una compaa
ha decidido evaluar la precisin con la que cada uno de estos modelos

resuelve el sistema.
34x + 55y 21 = 0
55x + 89y 34 = 0
El computador
C1
da como solucin
x = 0.11
y = 0.45
y, para
comprobar su exactitud se sustituye en el sistema y se obtiene
34(0.11) + 55(0.45) 21 = 0.01

55(0.11) + 89(0.45) 34 = 0.00
El computador
C2
da como solucin
x = 0.99
y = 1.01
y, para
comprobar su exactitud se sustituye en el sistema y se obtiene
34(0.99) + 55(1.01) 21 = 0.89

55(0.99) + 89(1.01) 34 = 1.44
Qu computador da mejor respuesta? Por qu?
28. Demuestre que si
29. Demuestre que si
kAk2 = (A)
es simetrica, entonces
es diagonalmente dominante estricta, entonces
kTj k < 1
AX = b utilizando
5
errror de 10
30. Encuentre la solucion de los sistemas lineales

metodos de Jacobi y Gauss-Seidel con un
los
a)
4 cuando
aij =
1 cuando
0 en otro caso
j=i
y
j
=
i
+
1
j =i1
j
=i+4
j =i4
108
i = 1, 2, . . . , 16
i = 1, 2, 3, 5, 6, 7, 9, 10, 11, 13, 14, 15
i = 2, 3, 4, 6, 7, 8, 10, 11, 12, 14, 15, 16
i = 1, 2, . . . , 12
i = 5, 6, . . . , 16
y
y
y
y

y
(1.902207, 1.051143, 1.175689, 3.480083, 0.819600, 0.264419,

b = 0.412798, 1.175689, 0.913337, 0.150209, 0.264419,
1.051143, 1.966694, 0.91337, 0.819600, 1.902207)T
b)
4
cuando
aij =
1
cuando
0 en otro caso
j= i
y
j =i+1
j =i1
j =i+5
j =i5
i = 1, 2,. . . , 25
1, 2, 3, 4, 6, 7, 8, 9, 11, 12, 13, 14,
y i=
16, 17, 18, 19, 21, 22, 23, 24
2, 3, 4, 5, 7, 8, 9, 10, 12, 13, 14, 15,
y i=
17, 18, 19, 20, 22, 23, 24
y i = 1, 2, . . . , 20
y i = 6, 7 . . . , 25
b = (1, 0, 1, 0, 2, 1, 0, 1, 0, 2, 1, 0, 1, 0, 2, 1, 0, 1, 0, 2, 1, 0, 1, 0, 2)T
c)
2i
i
aij =
j= i
y
j =i+1
j =i1
cuando
cuando
i = 1, 2, . . . , 40
y i = 1, 2, . . . , 39
y i = 2, 3, . . . , 40
en otro caso
bi = 1.5i 6
para cada
i = 1, 2, . . . , 40
d)
aij =
2i
0.75i
cuando
0.5i
cuando
j= i
y
j =i+2
j
=i1
j =i+4
j =i4
cuando
i = 1, 2, . . . , 80
y
i = 1, 2, . . . , 78
y
i = 3, 4, . . . , 80
y
i = 1, 2, . . . , 76
y
i = 5, 6, . . . , 80
en otro caso
bi =
para cada
109
i = 1, 2, . . . , 80
31. Utilizando los metodos de Jacobi y Gauss-Seidel para los siguientes

sistemas de ecuaciones, Responda:
a)
1 0 1
A1 = 1 1 0
1 2 3
b1 = (2, 0, 0)T
Que sucede con la convergencia de los metodos para el sistema
A1 x = b1 ?
Que tiene de especial la matriz
A1 ?
Se podria disear un sistema de las mismas caracteristicas del

sistema
A1 x = b1 ?
b)
8
0
A2 =
0
0
1
0
6
1
0
2
0
0
8
0
3
3 5
0 6
0 7
7 7
4 10
b2 = (0, 0, 0, 0, 2)T
Que sucede con la convergencia de los metodos para el sistema
A2 x = b1 ?
Que tiene de especial la matriz
A2 ?
Se podria disear un sistema de las mismas caracteristicas del

sistema
A2 x = b2 ?
110
Capitulo
Interpolacin y Ajustes de Curvas

En este captulo, se pretende resolver el siguiente problema:
Dados
n+1
xi
son nmeros reales,
yi
polinomio
(x0 , y0 ), (x1 , y1 ), . . . , (xn , yn ), xi 6= xj donde

encontrar un polinomio P tal que P (xi ) = yi , al
puntos del plano
se le llama polinomio de interpolacin. Por otro lado, se aplicara
f (x)
{x0 , x1 , . . . , xn },
este resultado para aproximar una funcin, es decir, dada una funcin
denida en un intervalo
encontrar un polinomio
[a, b] y una particin del intervalo

P (x), tal que P (xi ) = f (xi ).
Una razn importante por la que se considera un polinomio en la aproximacin de una funcin es porque, adems de ser fcil de evaluar, la derivada y
la integral indenida de un polinomio son fciles de determinar y tambin
son polinomios. Otra razn para emplear polinomios est justicada por el
teorema de Weierstrass, el cual establece que, sobre un intervalo nito cerrado, una funcin continua dada, se puede aproximar tan cerca como se desee
por un polinomio. Cmo hallar el polinomio de interpolacin?
El siguiente teorema muestra una relacin sobre el grado del polinomio y
el nmero de puntos a interpolar. Adems garantiza la unicidad del mismo.
Teorema 4.1 (Teorema de Interpolacin ). Sean x0 , x1 , . . . xn , n+1 nmeros

reales distintos. Entonces, para valores reales arbitrarios y0 , y1 , . . . , yn existe
un nico polinomio
P (x) = an xn + an1 xn1 + + a1 x + a0
De grado a lo sumo n tal que P (xi ) = yi para i = 0, 1, 2, . . . , n

111
CAPITULO 4. INTERPOLACIN Y AJUSTES DE CURVAS
A continuacin se presentan diferentes mtodos para hallar el polinomio

de interpolacin.
4.1. Mtodo Directo

Si
(xi , yi ) para i = 0, 1, 2, . . . , n, son n+1 puntos dados, entonces se busca
un polinomio de la forma:
P (x) = an xn + an1 xn1 + + a1 x + a0

Puesto que
(4.1)
P (x) debe pasar por los puntos, se tienen n + 1 ecuaciones

P (xi ) = yi para los n + 1 coecientes desconocidos ai de
algebraicas lineales
P (x).
Las ecuaciones son:
P (x0 ) = an xn0 + an1 x0n1 + + a1 x0 + a0 = y0

P (x1 ) = an xn1 + an1 x1n1 + + a1 x1 + a0 = y1
.
.
.
(4.2)
P (xn ) = an xnn + an1 xnn1 + + a1 xn + a0 = yn

Este sistema se puede escribir como:
xn0 an + x0n1 an1 + + x0 a1 + a0 = y0

xn1 an + x1n1 an1 + + x1 a1 + a0 = y1
(4.3)
.
.
.
xnn an + xn1
n an1 + + xn a1 + a0 = yn
de forma matricial
V x = b:
xn0 xn1
x0
0
xn xn1 x1
1
1
.
.
.
n
n1
xn xn
xn

1
a0
y0
1 a1 y 1
.. = ..
. .
an
yn
1
El sistema tiene una solucin nica para las incgnitas

si y slo si el determinante de la matriz
112
(4.4)
ai , i = 0, 1, 2, . . . , n
de los coecientes de las incgnitas

es distinto de cero.
V =

xn xn1 x0
0
0
xn xn1 x1
1
1

.
.

.
n n1
xn xn
xn
1
1
(4.5)
se conoce como matriz de Vandermonde y (4.5) como determinante de
Vandermonde, este es distinto de cero si y solo si los
xi 6= xj
para todo
i 6= j .
Luego el sistema tiene solucin nica y esto muestra que solamente existe un
nico polinomio
tal que
P (xi ) = yi ,
i = 0, 1, 2, . . . , n.
Algoritmo 10 (Algoritmo de interpolacin directa). La siguiente funcin de
MATLAB, encuentra un vector de coecientes Z = (ai ), generando la matriz

V denida en (4.5). Los argumentos de entrada, son dos vectores columna X
y Y, que representan las componentes de los puntos que se quieren interpolar.
function Z=inter_Directo(X,Y)
n=length(X);
V=[];
for i=0:n-1
V=[V,(X).^(i))];
end
Z=V\Y;
MATLAB posee la funcin alternativa V=vander(X), que retorna la matriz

de Vandermonde, contruida con el vector X.
x,y,
p=polyfit(x,y,n),
que dados dos vectores
n,
p del polinomio de grado n que mejor aproxima los
longitud de x menos uno, calcula el polinomio interpolador
que representan parejas de puntos del plano y un nmero natural
encuentra los coecientes

datos. S
es la
de forma directa.
4.2.
Polinomio de Newton
La forma general del polinomio interpolante de Newton para

del plano
113
n + 1 puntos
(x0 , y0 ), (x1 , y1 ), . . . , (xn , yn )
tal que
xi 6= xj
es:
Pn (x) = c0 + c1 (x x0 )+c2 (x x0 )(x x1 ) +

cn (x x0 )(x x1 ) (x xn1 )
(4.6)
Aparentemente, el polinomio de Newton no tiene ninguna relacin con

el polinomio denido en (4.1), sin embargo, el teorema de interpolacin [3]
garantiza la existencia de un nico polinomio interpolador, para un conjunto
de puntos del plano, por lo tanto, aplicando simplicaciones sobre se puede demostrar que ambos polinomios son iguales. El verdadero problema se
encuentra en el calculo de los coeentes
ci .
4.2.1. Forma matricial

Los coecientes ci se pueden representar de forma matricial por un sistema
LX = b,
donde
es una matriz triangular inferior,
1
0
1 (x1 x0 )
1 (x2 x0 )
0
0
(x2 x0 )(x2 x1 )
0
0
0
b(i) = fi
0
0
0
X(i) = ci .
L=
..
..
..
..
...
.
.
.
.
Qn1
1 (xn x0 ) (xn x0 )(xn x1 ) . . .
i=0 (xn xi )
(4.7)
Se deja como ejercicio para el lector generar un codigo en MATLAB, que

dados un par de vectores
Y , genere la matriz denida en (4.7) y solucione
el sistema asociado, encontrando los coeencientes del polinomio de Newton.
4.2.2. Nmero condicional

Las secciones anteriores describen dos formas distintas de encontrar el
polinomio que interpola un conjunto de puntos del plano. El mtodo directo
es una solucin natural del problema, pero genera una matriz de Vandermonde
y con frecuencia esta matriz est mal condicionada y por tal razn los
coecientes
ai
del polinomio podran no quedar determinados con precisin
cuando se resuelva el sistema (4.3). El polinomio de Newton y su representacin matricial (4.7) generan una matriz triangular inferior, facl de resolver
por sustitucin progresiva. Se podria pensar que esta matriz no tiene problemas de condicionamiento, pero el siguiente ejemplo muestra que ambos
114

mtodos presentan problemas con el nmero condicional.
Considere una particin equiespaciada con
puntos, del intervalo
[0, 1].
Su-
ponga que se calcula el nmero condicional denido en (3.5), a las matrices
y que se varia
n.
Figura 4.1: Nmero condicional de las matrices asociadas al mtodo directo

y la forma matricial de Newton.
La gura 4.1 muestra como varia el nmero condicional

se aumenta el nmero de puntos
n.
a medida que
El nmero condicional se incrementa
considerablemente en ambos casos. Por lo tanto, si el nmero de puntos es

grandre, no se recomienda utilizar los dos mtodos anteriores para calcular
el polinomio interpolador.
4.2.3. Mtodo de diferencias divididas

Los coecientes
ci
tambien se pueden obtener, calculando un conjunto de
cantidades denominadas diferencias divididas. La notacin para las diferen-
115
cias divididas de una funcin
f (x)
est dada por:
f [xi ] = f (xi )
f [xi+1 ] f [xi ]
f [xi , xi+1 ] =
xi+1 xi
f [xi+1 , xi+2 ] f [xi , xi+1 ]
f [xi , xi+1 , xi+2 ] =
xi+2 xi
f [xi+1 , xi+2 , xi+3 ] f [xi , xi+1 , xi+2 ]
f [xi , xi+1 , xi+2 , xi+3 ] =
xi+3 xi
Las diferencias divididas de orden superior se forman de acuerdo con la
siguiente regla recursiva:

f [xi+1 , xi+2 , . . . , xi+j ] f [xi , xi+1 , . . . , xi+j1 ]
f xi , xi+1 , . . . , x(i+j)1 , xi+j =
xi+j xi
Retomando el polinomio interpolante de Newton:
Pn (x) = c0 + c1 (x x0 ) + c2 (x x0 )(x x1 ) + + cn (x x0 )(x x1 ) (x xn1 )
(4.8)
Pn (x0 ) = c0 . Como Pn (x) interpola los valores en (xi , yi ),

P (xi ) = yi , en particular Pn (x0 ) = y0 = c0 .
Si se usa la notacin de diferencia dividida c0 = f [x0 ]. Ahora, Pn (x1 ) =
c0 + c1 (x1 x0 ), como Pn (x1 ) = y1 y c0 = y0 , entonces reemplazando, se
tiene: y1 = y0 + c1 (x1 x0 ) de donde
Observe que
i = 0, 1, 2, . . . , n
entonces
c1 =
y1 y0
x1 x0
c1 = f [x0 , x1 ].
Pn (x) en x = x2
Usando la notacin de diferencia dividida,

De manera analoga cuando se evala
f [x0 , x1 , x2 ].
se obtiene
c2 =
En general
ci = f [x0 , x1 , x2 , . . . , xi ]
y el polinomio interpolante de Newton se puede escribe como:
Pn (x) = f [x0 ] + f [x0 , x1 ](x x0 ) + f [x0 , x1 , x2 ](x x0 )(x x1 ) +

+ f [x0 , x1 , . . . , xn ](x x0 )(x x1 ) (x xn1 )
116
(4.9)

En la siguiente tabla se muestra la construccin iterativa que se debe
realizar, para calcular las diferencias divididas que involucran el calculo de
los coeentes
ci .
x0
x1
x2
x3
Se construyo para
f [x0 ]
f [x1 ]
f [x2 ]
f [x3 ]
f [x0 , x1 ]
f [x1 , x2 ]
f [x2 , x3 ]
puntos
(xi , yi ), i = 0, 1, 2, 3.
f [x0 , x1 , x2 ]
f [x1 , x2 , x3 ]
f [x0 , x1 , x2 , x3 ]
los elementos de la primera la de la tabla anterior, son los coecientes
ci
del polinomio interpolante de Newton.
Ejemplo 4.2.1. Halle el polinomio que interpola los datos:

1
4
xi
yi
2
3.5
3
4
5
5.6
El polinomio interpolante de Newton es de grado menor o igual que 3 ya

que se tienen 4 puntos, usando la frmula (4.9) obtenemos el polinomio:
P3 (x) = f [x0 ] + f [x0 , x1 ](x x0 )+f [x0 , x1 , x2 ](x x0 )(x x1 ) +
f [x0 , x1 , x2 , x3 ](x x0 )(x x1 )(x x2 )
En este caso x0 = 1, x1 = 2, x2 = 3 y
P3 (x) = f [x0 ] + f [x0 , x1 ](x 1)+f [x0 , x1 , x2 ](x 1)(x 2) +
f [x0 , x1 , x2 , x3 ](x 1)(x 2)(x 3)
Para determinar el valor de los coecientes, se construye la tabla de diferencias divididas.

xi
1
2
3
5
yi
4
3.5
4
5.6
0.5
0.5
0.8
0.5
0.1
0.1
Luego P3 (x) = 4 0.5(x 1) + 0.5(x 1)(x 2) 0.1(x 1)(x 2)(x 3)

Observe que P3 (1) = 4, P3 (2) = 3.5, P3 (3) = 4, P3 (5) = 5.6
117
Algoritmo 11 (Algoritmo de Polinomio de Newton). El codigo de la siguiente funcin, calcula un vector c, que contiene los coecientes ci del polinomio
de Newton, que interpola una tabla de datos x y y que se ingresan como
vectores la.
function c=Newton_divididas(x,y)
n=length(x);
M=zeros(n);
M(1:end,1)=x';
M(1:end,2)=y';
u=1;
for j=3:n+1
for i=1:n-u
M(i,j)=divididas(M(i+1,j-1),M(i,j-1),M(j+i-2,1),M(i,1));
end
u=u+1;
end
c=M(1,2:end);
La construccin de la funcin auxiliar d=divididas(y0,y1,x0,x1), que calcula f [x0 , x1 ], se deja como ejercicio para el lector.
4.3. Polinomio de Lagrange

El matemtico francs Joseph Louis Lagrange descubri que se puede
encontrar un polinomio de grado a lo ms
tal que
Pn (xi ) = yi ,
para
i=
0, 1, 2, . . . , n usando una estrategia diferente a la expuesta anteriormente. Por

ejemplo, para 3 puntos (x0 , y0 ), (x1 , y1 ) y (x2 , y2 ), el polinomio interpolador
de Lagrange de grado 2 es:
P2 (x) =
(x x1 ) (x x2 )
(x x0 ) (x x2 )
y0 +
y1 +
(x0 x1 ) (x0 x2 )
(x1 x0 ) (x1 x2 )
(x x0 ) (x x1 )
y2
(x2 x0 ) (x2 x1 )
118
P2 (x0 ) =
(x0 x1 ) (x0 x2 )
(x0 x0 ) (x0 x2 )
y0 +
y1 +
(x0 x1 ) (x0 x2 )
(x1 x0 ) (x1 x2 )
(x0 x0 ) (x0 x1 )
y2
(x2 x0 ) (x2 x1 )
Observe que:
P2 (x0 ) = 1 y0 + 0 y1 + 0 y2 = y0 ,
P2 (x1 ) = 0 y0 + 1 y1 + 0 y2 = y1
P2 (x2 ) = 0 y0 + 0 y1 + 1 y2 = y2
El polinomio
P2 (x)
se escribe en forma simplicada como
P2 (x) = L0 (x)y0 + L1 (x)y1 + L2 (x)y2

2
X
=
Li (x)yi
i=0
donde
(x x1 ) (x x2 )
(x0 x1 ) (x0 x2 )
(x x0 ) (x x2 )
L1 (x) =
(x1 x0 ) (x1 x2 )
(x x0 ) (x x1 )
L2 (x) =
(x2 x0 ) (x2 x1 )
(
1 si k = i
observe que Lk (xi ) =
0 si k 6= i
La forma general del polinomio de Lagrange P (x) de grado menor o igual
n y que pasa por los n + 1 puntos (x0 , y0 ), (x1 , y1 ), . . . , (xn , yn ) es dado por
L0 (x) =
la ecuacin:
Pn (x) = L0 (x)y0 + L1 (x)y1 + + Ln (x)yn

n
X
=
Li (x)yi
i=0
119
Donde
Lk (x)
se llaman polinomios coecientes de Lagrange o funciones
cardinales y se denen como:
Lk (x) =
(x x0 ) (x x1 ) (x xk1 ) (x xk+1 ) (x xn )
(xk x0 ) (xk x1 ) (xk xk1 ) (xk xk+1 ) (xk xn )
Observe que hay
Lk (x)
factor (x xk ) en
en x = xk .
factores en el numerador, de modo que cada
un polinomio de grado
n.
En
Lk (x)
est ausente el
numerador; el denominador es el numerador evaluado
(
1
Lk (xi ) =
0
si
si
es
el
i=k
i 6= k
Ejemplo 4.3.1. Encuentre el polinomio de interpolacin para los siguientes

puntos y encuentre P (3.5).
xi
yi
1
4
2
3.5
3
4
5
5.6
En este caso y0 = 4, y1 = 3.5, y2 = 4 y y3 = 5.6. El polinomio de Lagrange

P3 (x) tiene la forma:
P3 (x) = L0 (x)y0 + L1 (x)y1 + L2 (x)f2 + L3 (x)y3

= L0 (x)4 + L1 (x)3.5 + L2 (x)4 + L3 (x)5.6
Ahora se calcula L0 (x), L1 (x), L2 (x) y L3 (x) con x0 = 1, x1 = 2, x2 =

3, x3 = 5
120
L0 (x) =
=
L1 (x) =
=
L2 (x) =
=
L3 (x) =
=
(x x1 )(x x2 )(x x3 )
(x0 x1 )(x0 x2 )(x0 x3 )
x3 10x2 + 31x 30
8
(x x0 )(x x2 )(x x3 )
(x1 x0 )(x1 x2 )(x1 x3 )
x3 9x2 + 23x 15
3
(x x0 )(x x1 )(x x3 )
(x2 x0 )(x2 x1 )(x2 x3 )
x3 8x2 + 17x 10
4
(x x0 )(x x1 )(x x2 )
(x3 x0 )(x3 x1 )(x3 x2 )
x3 6x2 + 11x 6
24
(x 2)(x 3)(x 5)
(1 2)(1 3)(1 5)
(x 1)(x 3)(x 5)
(2 1)(2 3)(2 5)
(x 1)(x 2)(x 5)
(3 1)(3 2)(3 5)
(x 1)(x 2)(x 3)
(5 1)(5 2)(5 3)
Luego

3

x 9x2 + 23x 15
x3 10x2 + 31x 30
4+
3.5
P3 (x) =
8
3
3

3

x 8x2 + 17x 10
x 6x2 + 11x 6
+
4+
5.6
4
24

P3 (x) = 0.1x3 + 1.1x2 3.1x + 6.1
Vericacin:
P (1) = 0.1 + 1.1 3.1 + 6.1 = 4
P (2) = 0.8 + 4.4 6.2 + 6.1 = 3.5
P (3) = 2.7 + 9.9 9.3 + 6.1 = 4
P (5) = 12.5 + 27.5 15.5 + 6.1 = 5.6
Para encontrar P (3) se utiliza P3 (x) = 0.1x3 + 1.1x2 3.1x + 6.1
P (3.5) = 0.1(3.5)3 + 1.1(3.5)2 3.1(3.5) + 6.1 = 4.4375

Si se desea aproximar una funcin
f (x) por medio de un polinomio inter-
polador, existe un error al hacerlo, el siguiente teorema muestra una expresin

para el error.
121
Teorema 4.2. Si x0 , x1 . . . , xn son nmeros distintos en el intervalo [a, b] y
f C n+1 [a, b], entonces para cada x en [a, b] existe un nmero z (que depende
de x) en (a, b) tal que
f (x) = Pn (x) +
f (z)(n+1)
(x x0 )(x x1 )(x x2 ) (x xn )
(n + 1)!
donde Pn (x) es el polinomio interpolante de Lagrange [3].

El teorema establece que el error al aproximar una funcin
polinomio de Lagrange
Pn (x),
f (x)
por un
viene dado por:

f (z)(n+1)

|f (x) Pn (x)| = E =
(x x0 )(x x1 ) (x xn )
(n + 1)!
(4.10)
Observe que la forma del error del polinomio de Lagrange se parece mucho
a la del polinomio de Taylor. El polinomio de Taylor de grado
x0
concentra toda la informacin conocida en
x0
n alrededor de
y tiene un trmino de error
de la forma
f (z)(n+1)
(x x0 )n+1
(n + 1)!
donde
esta entre
x0
El polinomio de Lagrange de grado
utiliza la informacin en todos los

n+1
nmeros distintos x0 , x1 , . . . xn y en lugar de (x x0 )
, su frmula de error
utiliza un producto de
n+1
trminos
(x x0 ), (x x1 ), . . . , (x xn )
(ver
(4.10)).
Ejemplo 4.3.2. Hallar una cota para el error al aproximar ln(1.2) usando
un polinomio de Lagrange de grado 3 en los puntos:
xi
f (xi )
1
0
1.1
0.0953118
1.3
0.262364
1.4
0.336472
Se aplica la frmula (4.10) con n = 3, f (x) = ln x y x = 1.2, f (4) (x) =

122

6/x4 .

f (z)(4)

E=
(x x0 )(x x1 )(x x2 )(x x3 ) x0 < z < xn
4!

6

1 < z < 1.4
E =
(1.2
1)(1.2
1.1)(1.2
1.3)(1.2
1.4)

24z 4

1
1
1
Porque
E 6 (0.2)(0.1)(0.1)(0.2)
< 4 =1
4
z4
1
(4.11)
Por lo tanto E 6 104 = 0.1 103

Esto indica que si se aproxima ln(1.2) con los datos de la tabla usando
un polinomio de grado tres, entonces la aproximacin tiene tres decimales
exactos. Recuerde que si x es una aproximacin de x y |x x| < 0.5 10t ,
entonces x aproxima a x con t decimales exactos.
El uso de los polinomios de Lagrange plantea dos problemas. El primero
es que si se desea sumar o restar un punto del conjunto de puntos usados
para obtener el polinomio, esencialmente deben volver a empezarse los clculos ya que no se dispone de un procedimiento simple que permita medir la
contribucin de cualquier punto particular al polinomio.
El segundo problema es que pueden ocurrir grandes oscilaciones en el
polinomio, de modo que entre los puntos (datos) no se representa en forma
realista la funcin que origin los datos. En la seccin de ejercicios de este
capitulo, se presenta un ejemplo de este comportamiento.
Algoritmo 12 (Algoritmo de interpolacin de Lagrange). El siguiente cdi-
go, toma como valores de entrada,x y y que son los puntos a interpolar y un
nmero b, que representa el nmero de puntos equiespaciados entre el mnimo y el mximo de los valores de x, que se van a evaluar. El cdigo adems
graca el polinomio. La variable de salida es yf, que representa las imgenes
de los puntos evaluados en el polinomio.
function yf=Lagrange(x,y,b)
x1=linspace(min(x),max(x),b);
yf=zeros(1,length(x1));
for i=1:length(x)
p=x;
p(i)=[];
123
y1=[];
for j=1:length(x1)
s=1;
n=1;
for k=1:length(p)
s=s*(x1(j)-p(k));
n=n*(x(i)-p(k));
end
y1(j)=s/n;
end
y1;
plot(x1,y1)
hold on
yf=yf+y(i).*y1;
end
end
plot(x1,yf)
hold on
plot(x,y,'o')
4.4. El fenmeno de Runge

Al inicio del capitulo se planteo el problema de aproximar una funcin
f (x) denida en un intervalo [a, b], por medio de un polinomio P (x). Ya se ha

utilizado la interpolacin para aproximar el valor de una funcin en un punto
por medio de un polinomio interpolador, obteniendo buenos resultados.
Surge la pregunta Cmo se puede aproximar una funcin en un intervalo

dado por un polinomio?.
Una solucin a este problema, es hacer una particin equiespaciada del in-
[a, b] y encontrar el polinomio que interpola el conjunto de puntos.

Q = {x0 , x1 , . . . , xn } una particin del intervalo [a, b] tal que: a = x0 <
x1 < < xn = b y h = xi xi1 es constante para todo i = 1, 2, . . . , n.
Se dice que Q es una particin equiespaciada de [a, b]. Se puede calcular el
polinomio interpolador de Newton para el conjunto de puntos (xi , f (xi )) y
tervalo
Sea
examinar que tan buena es la aproximacin a la funcin.
Ejemplo 4.4.1. Aproximar la funcin f (x) = e(x2 ) en el intervalo [2, 2]

utilizando una particin equiespaciada de N = 5, 10, 15 puntos.
124
Figura 4.2: Nodos o puntos equiespaciados.
125
N =5
N = 10
N = 15
El ejemplo anterior muestra un buen comportamiento de la aproximacin

polinomial, ya que con solo
15
puntos en el intervalo
[2, 2]
ner una aproximacin considerablemente buena de la funcin
se pudo obte2
f (x) = e(x ) .
Este resultado numrico podria hacer pensar que a medida que aumento en
nmero de puntos equiespaciados en el intervalo, el error entre la funcin y
el polinomio tiende a cero.
Ejemplo 4.4.2. Aproximar la funcin f (x) = 1/(1 + 12x2 ) en el intervalo

[1, 1] utilizando una particin equiespaciada de n = 5, 15, 30 puntos.
El anterior comportamiento es conocido como fenmeno de Runge, el cual

se dene como la falta de convergencia cuando el mximo termino del error
EN (x)
crece cuando el nmero de puntos
N .
4.5. Nodos de Chebyshev

Los nodos de Chevishev son las raices de los polinomios de Chebyshev
{Tn+1 (x)}
que se encuentran denidos en el intervalo
126
[1, 1].
Estos poli-
127
n=5
n = 15
nomios se pueden generar tomando
T0 (x) = 1
n = 30
T( 1)(x) = x
para
i = 2, 3, . . .
y usando la
ecuacin recursiva
Ti+1 (x) = 2xTi1 (x) Ti2 (x)
Adems, se pueden expresar de forma trigonometrica,
Tn+1 (x) = cos((n +
1) arc cos(x)). Estos polinomios tienen propiedades muy interesantes, las cuales no se trataran en este texto. La nica propiedad que estudiaremos es la
convergencia a cero que presenta el error entre una funcin y el polinomio
interpolador calculado con los nodos de Chebyshev.
nodos de Chebyshev
vienen dados por la expresin

xi = cos
(2i + 1)
2n

para
i = 0, 1, . . . , n 1
xi generan una particin de n puntos del intervalo [1, 1]. Puede probarse
0
que si f (x) y f (x) son continuas en [1, 1], los nodos de Chebyshev generan
un polinomio interpolador que converge a f (x) a medida que el nmero de
Los
nodos tiende a innito. En otras palabras, el error entre la funcin y el

polinomio, tiende a cero cuando el nmero de nodos de Chebyshev tiende
a innito.
128
Ejemplo 4.5.1. Conside la funcin f (x) = 1/(1 + 12x2 ) en el intervalo
[1, 1]. Utilice una particin de Chebyshev de 15 puntos y calcule el polino-
mio interpolador.
Primero se generan los 15 nodos de Chebyshev
>>
>>
>>
>>
n=15;
i=0:n-1;
x=cos(((2*i+1).*pi)./(2*n));
y=1./(1+12*x.^2);
Figura 4.8: Nodos de Chebyshev.
n = 15
Como se dijo anteriormente, los nodos de Chebyshev

distribuidos sobre el intervalo
general
[a, b]

xi =
[1, 1].
xk
se encuentran
S se desea trabajar en un intervalo
se utiliza la relacin
ba
2

cos
(2i + 1)
2n

+
a+b
2
129

para
i = 0, 1, . . . , n 1.
4.6. Interpolacin polinomial a trozos

Frecuentemente la interpolacin polinomial para un conjunto numeroso
de
n+1
datos
(xi , yi ), 0 6 i 6 n,
resulta ser muy poco satisfactoria debido
a que el polinomio interpolante de grado
n puede exhibir fuertes oscilaciones
cuando se usan polinomios de alto grado . Por ejemplo, supngase que los
puntos de datos son aproximaciones a una recta. Al forzar un polinomio de
alto grado a pasar por varios puntos, la curva producida se puede desviar
signicativamente de la recta. Para aliviar estas condiciones indeseables una
opcin es ir enlazando, una detrs de otra, las grcas de unos polinomios de
Sj (x) que slo interpolan entre dos nodos o puntos consecutivos

(xj , yj ) y (xj+1 , yj+1 ). Las porciones adyacentes de la curva y = Sj (x) e
y = Sj+1 (x), que se construyen sobre los intervalos [xj , xj+1 ] y [xj+1 , xj+2 ],
respectivamente, se enlazan una con la otra en el punto (xj+1 , yj+1 ) y el
conjunto de funciones Sj (x) forma una curva polinomial a trozos o cercha (
en ingles, spline) que se denota por S(x).
grado bajo
Si se usa un polinomio
Sj (x) de grado 1 se llama spline
lineal y presenta
el problema que la pendiente es discontinua en los puntos (nodos). Si se usa

un spline cuadrtico, este tiene derivada continua en
[x0 , xn ] pero presenta el
problema que cuando hay que especicar las condiciones referentes a la derivada en los extremos
x0
xn ,
no hay constantes sucientes para cerciorarse
de que se satisfacen las condiciones. Si se usan polinomios cbicos entonces

tanto la primera derivada como la segunda son continuas en el intervalo, y
en este caso se la llama
trazador cbico.
4.6.1. Trazador Cbico

Se desea dibujar una curva que pase por una serie de puntos, cuyas coordenadas se conocen con precisin, y que sea suave.
Sj (x) en cada introzos y = S(x) que
Matemticamente es posible construir una funcin cbica

tervalo
[xj , xj+1 ]
de manera que la curva denida a
resulta, es dos veces derivable y la segunda derivada es continua en el in0
[x0 , xn ]. La continuidad de Sj (x)

y = S(x) no tiene picos o esquinas;
tervalo completo
ecuacin
signica que la curva de

la continuidad de
signica que el radio de curvatura est denido en cada punto.
130
00
Sj (x)
Figura 4.9: Interpolacin polinomial a trozos. Trazador cubico.
S(x) =
S0 (x),
S1 (x),
...
si
x0 x x1
x1 < x x2
si
xj < x xj+1
si
xn1 < x xn
si
Sj (x),
Sn1 (x),
A continuacin se hara la construccin de un trazador cubico para una
f (x) denida en un
a = x0 < x1 < < xn = b.
funcin
intervalo
[a, b]
y una particin del intervalo:
Denicin 4.1. Dada una funcin f denida en [a, b] y un conjunto de
nodos a = x0 < x1 < < xn = b, un trazador cbico ( spline cbico) S(x)

para f es una funcin que cumple con las siguientes condiciones:
i.
S(xj ) = f (xj ) = yj para j = 0, 1, 2, . . . , n (indica que el trazador se

ajusta a cada uno de los puntos).
131
ii.
Sj (xj+1 ) = Sj+1 (xj+1 ) para j = 0, 1, 2, . . . , n 2 (indica que el trazador
es continuo).
S (xj+1 ) = Sj+1 (xj+1 ) para j = 0, 1, 2, . . . , n2 (indica que la pendiente
iii.
es continua).
iv.
Sj (xj+1 ) = Sj+1 (xj+1 ) para j = 0, 1, 2, . . . , n 2 (indica que la curva00
00
tura es continua).
v.
Se satisface uno de los siguientes conjuntos de condiciones de frontera:

a) S (x0 ) = S (xn ) = 0, en este caso el trazador se llama libre o
natural.
00
00
b) S 0 (x0 ) = f 0 (x0 ) y S (xn ) = f (xn ), el trazador se llama sujeto.

([3])
0
Cmo hallar el trazador cbico de una funcin

Primero se supone que
Sj (x), xj 6 x 6 xj+1
f?
es de la forma:
Sj (x) = aj + bj (x xj ) + cj (x xj )2 + dj (x xj )3
para
j = 0, 1, 2, . . . , n 1.
Por la condicin
(4.12)
Sj (xj ) = aj = f (xj ) = yj
Sj+1 (xj+1 ) = aj+1 = yj+1
(4.13)
Si se aplica la condicin II.

Sj+1 (xj+1 ) = Sj (xj+1 )
aj+1 = aj + bj (xj+1 xj ) + cj (xj+1 xj )2 + dj (xj+1 xj )3
(4.14)
Haciendo hj = xj+1 xj para j = 0, 1, 2, . . . , n 1, obtenemos

aj+1 = aj + bj hj + cj h2j + dj h3j
(4.15)
Observe que Sj0 (x) = bj + 2cj (x xj ) + 3dj (x xj )2 y evaluando en xj y xj+1

Sj0 (xj ) = bj
0
Sj+1
(xj+1 ) = bj+1
132

Aplicando la condicin III
0
Sj+1
(xj+1 ) = Sj0 (xj+1 )
bj+1 = bj + 2cj (xj+1 xj ) + 3dj (xj+1 xj )2

bj+1 = bj + 2cj hj +
(4.16)
3dj h2j
La segunda derivada en cada intervalo viene dada por Sj00 (x) = 2cj +6dj (xxj )
y valuando en xj y xj+1
Sj00 (xj ) = 2cj
00
Sj+1
(xj+1 ) = 2cj+1
Por la condicin IV.

00
Sj+1
(xj+1 ) = Sj00 (xj+1 )
2cj+1 = 2cj + 6dj (xj+1 xj )
(4.17)
cj+1 = cj + 3dj hj
Al despejar dj en (4.17) resulta dj =

(4.14) y (4.16) obtenemos:
cj+1 cj
, si se sustituye dj en la ecuacin
3hj
aj+1 = aj + bj hj + (2cj + cj+1 )
h2j
3
bj+1 = bj + (cj + cj+1 )hj

bj = bj1 + (cj1 + cj )hj1
(4.18)
(4.19)
(4.20)
(4.20) se obtiene de (4.19) con el ndice reducido en 1. Al despejar bj en la

ecuacin (4.18) se tiene que
hj
aj+1 aj
(2cj + cj+1 )
y
hj
3
aj aj1
hj1
bj1 =
(2cj1 + cj )
hj1
3
bj =
Reemplazando bj y bj1 en la ecuacin 4.20 se obtiene:

133
(4.21)
(4.22)
aj+1 aj
hj
hj1
aj aj1
(2cj + cj+1 ) =
(2cj1 + cj )
+ (cj1 + cj )hj1
hj
3
hj1
3
(aj aj1 )
(aj+1 aj )
(2cj + cj+1 )hj = 3
(2cj1 + cj )hj1 + 3(cj1 + cj )hj1
3
hj
hj1
(aj+1 aj )
(aj aj1 )
3(cj1 + cj )hj1 (2cj1 + cj )hj1 + (2cj + cj+1 )hj = 3
3
hj
hj1
(aj+1 aj )
(aj aj1 )
hj1 cj1 + 2(hj1 + hj )cj + hj cj+1 = 3
3
hj
hj1
As
hj1 cj1 + 2(hj1 + hj )cj + hj cj+1 = 3
(aj+1 aj )
(aj aj1 )
3
hj
hj1
(4.23)
para j = 1, 2, . . . , n 1
El sistema (4.23) tiene slo como incgnitas a cj , ya que los valores de hj estn
dados por el espaciado de los nodos xj (recuerde que hj = xj+1 xj ) y los valores
de aj son los valores de f en los xj (aj = f (xj ) por la condicin I.)
Si en la ecuacin (4.23) se reemplaza
j = 1, 2, . . . , n 1
se obtiene el
sistema
3
(a2 a1 )
h1
3
h1 c1 + 2(h1 + h2 )c2 + h2 c3 = (a3 a2 )
h2
h0 c0 + 2(h0 + h1 )c1 + h1 c2 =
3
(a1 a0 )
h0
3
(a2 a1 )
h1
.
.
.
hn2 cn2 + 2(hn2 + hn1 )cn1 + hn1 cn =
natural
Si el trazador es
00
cuenta que Sj (x) = 2cj
entonces
hn1
00
(an an1 )
00
3
hn2
S (x0 ) = 0 = S (xn )
(an1 an2 )
y teniendo en
+ 6dj (x xj )
00
00
S0 (x0 ) = 2c0 + 6d0 (x0 x0 )

0 = 2c0
de donde
Sn (xn ) = 2cn + 6dn (xn xn )

0 = 2cn
c0 = 0 y cn = 0. El sistema anterior junto con las ecuaciones c0 = 0

134

y
cn = 0
se puede escribir de la forma
AX = b,
donde
1
0
0
0
h0 2(h0 + h1 )
h
0
1
.
0
h1
2(h1 + h2 ) h2
.
A=
..
..
.
.
0
.
..
hn2 2(hn2 + hn1 ) hn1
0
0
0
1
c0
c1
X = ...
cn1
cn
(4.24)
3
3
(a2 a1 ) (a1 a0 )
h1
h0
.
.
b =
.
3
3
hn1 (an an1 ) hn2 (an1 an2 )

0
La matriz del sistema es estrictamente dominante en sentido diagonal

por lo tanto el sistema lineal tiene una nica solucin para
c0 , c1 , c2, . . . , cn .
Adems se pueden aplicar los mtodos iterativos vistos en el capitulo anterior,

es decir, para toda condicin inicial que se elija el metodo de Jacobi y Gauss-
AX = b.
n1
n1
Una vez que se hallan los valores de {cj }j=0 , se encuentran los {bj }j=0
n1
usando la ecuacin (4.22) y los {dj }j=0 usando la ecuacin (4.20). Finalmente
n1
es fcil construir los polinomios cbicos {Sj (x)}j=0 .
Seidel convergen a la solucin de
Ejemplo 4.6.1. Hallar el trazador cbico natural que pasa por los puntos
dados en la tabla de abajo y aproximar f (0).
xj
f (xj )
-3
2
-2
0
1
3
4
1
En este caso x0 = 3, x1 = 2, x2 = 1, x3 = 4; f (x0 ) = 2, f (x1 ) =

0, f (x2 ) = 3, f (x3 ) = 1
h0 = x1 x0 = 1 h1 = x2 x1 = 3 h2 = x3 x2 = 3
a0 = f (x0 ) = 2
a1 = f (x1 ) = 0
a2 = f (x2 ) = 3
a3 = f (x3 ) = 1
135
El sistema lineal para hallar {cj }3j=0 es:
1
0
0
0
c0
h0 2 (h0 + h1 )
h
0
1
c1
0
h1
2 (h1 + h2 ) h2 c2
0
0
0
1
c3
1
1
0
0
0 0 0
c0
c1
8 3 0
3 12 3 c2
0 0 1
c3
Calculando bj =
0
9
=
5
0
3
h1
3
h2
0
(a2 a1 )
(a3 a2 )
0
3
h0
3
h1
(a1 a0 )
(a2 a1 )
c0 = 0,
c1 =
41
29 ,
c2 = 67
87 ,
hj
aj+1 aj
(2cj + cj+1 )
para j = 0, 1, 2
hj
3
h0
215
a1 a0
(2c0 + c1 )
=
h0
3
87
a2 a1
92
h1
b1 =
=
(2c1 + c2 )
h1
3
87
a3 a2
h2 76
=
(2c2 + c3 )
b2 =
h2
3
87
b0 =
y los dj =
cj+1 cj
para j = 0, 1, 2
3hj
c1 c0 41
=
3h0
87
c2 c1
190
d1 =
=
3h1
783
c3 c2
67
d2 =
=
3h2
783
d0 =
Los polinomios cbicos son de la forma:

Sj (x) = aj + bj (x xj ) + cj (x xj )2 + dj (x xj )3
j = 0, 1, 2
S0 (x) = a0 + b0 (x x0 ) + c0 (x x0 )2 + d0 (x x0 )3 =
215
41
2
(x + 3) + (x + 3)3
87
87
136
c3 = 0

S1 (x) = a1 + b1 (x x1 ) + c1 (x x1 )2 + d1 (x x1 )3 =
92
41
190
(x + 2) + (x + 2)2
(x + 2)3
87
29
783
S2 (x) = a2 + b2 (x x2 ) + c2 (x x2 )2 + d2 (x x2 )3 =
67
67
76
(x 1)2 +
(x 1)3
3 + (x 1)
87
87
783
Por lo tanto el trazador cbico S(x) para f en [3, 4] es:
215
41
2
(x + 3) + (x + 3)3 ,
3 6 x 6 2
87
87
41
190
92
S(x) = (x + 2) + (x + 2)2
(x + 2)3 , 2 6 x 6 1
87
29
783
3 + 76(x 1) 67(x 1)2 + 67(x 1)3 , 1 6 x 6 4

87
87
83
Para aproximar f (0) se toma S1 (x), ya que x = 0 esta en el intervalo [2, 1].
190
92
(0 + 2)2
(0 + 2)3
Luego f (0) S1 (0) = (0 + 2) + 41
29
87
783
f (0) 1.6 (redondeando la respuesta a un decimal).
Algoritmo 13
(Algoritmo de Splines cubico Natural). El siguiente cdigo

tiene como entradas los vectores x y y, que representan los puntos del plano,
para los cuales se quiere construit el interpolador. La variable de salida F
contiene los coecientes de los polinomios cubicos que interpolan los puntos
del plano (x,y).
function F=Spline(x,y)
close all
y2=y;
%-----Construccin DE A----------------------n=length(x);
x1(1)=1;
x1(n)=1;
%------Calculo de H------H=[];
for i=1:n-1
H(i)=x(i+1)-x(i);
137
end
%--------------------H;
%------Diagonal Principal----for i=2:n-1
x1(i)=2.*(H(i-1)+H(i));
end
A=diag(x1,0);
%---------Diagonal superior--H1=H;
H1(1)=0;
A=A+diag(H1,1);
%---------Diagonal inferior--H2=H;
H2(end)=0;
A=A+diag(H2,-1);
%---------Construccin DE b--b(1)=0;
b(n)=0;
for i=2:n-1
b(i)=((3/(H(i))*(y(i+1)-y(i))))-((3/(H(i-1))*(y(i)-y(i-1))));
end
b=b'
%Se traspone el vector b para introducirlo en la
%funcin de Jacobi que se trabaj en el capitulo 3
%---------Solucion de Sistema por jacobi----cj=Jacobi(A,b,zeros(length(b),1),0.001);
%-------------Construccin de dj y Cj----------for i=1:n-1
bj(i)=((y(i+1)-y(i))/H(i))-(H(i)/3)*(2*cj(i)+cj(i+1));
dj(i)=(cj(i+1)-cj(i))/3*H(i);
end
%----------------MATRIZ F-------------cj(end)=[];
y(end)=[];
F=[y',bj',cj,dj'];
end
138

yy = spline(x,y,xx) que calcula el spline

(x,y), adems evalua el
cubico natural para el conjunto de puntos del plano

spline en
xx,
que puede ser vector o escalar.
4.7. Ajuste de curvas por mnimos cuadrados
En la ciencia y la ingeniera se da, a menudo, el caso de que un experimento produce un conjunto de datos
(x1 , y2 ), (x2 , y2 ), . . . , (xn , yn ). El

y = f (x) que relacione
objetivo en esta seccin es determinar una frmula
las variables. Generalmente se dispone de un conjunto de variables previamente establecidas, y lo que hay que hallar son los valores ms adecuados de
unos coecientes o de unos parmetros para estas frmulas. Aunque existen
muchas funciones que se pueden usar, suele ocurrir que existe un modelo
matemtico subyacente, basado en la situacin fsica que se est estudiando
y determina la forma de la funcin salvo algunos coecientes.
Si la relacin entre
xi
yi
para
1 6 i 6 n,
es
lineal, entonces la funcin
que mejor se ajusta a los datos es una lnea de aproximacin de la forma:
y = ax + b
(ver gura 4.10).
139
(xN , yN )
(xi , yi )
(xi , axi + b)
(x1 , y1 )
x
x1
x2
xi
xN 1
xN
Figura 4.10
Una forma para encontrar la recta optima es el mtodo de los mnimos

cuadrados y consiste en hallar el valor de las constantes a y b de tal manera
que reduzcan al mnimo la suma de los cuadrados de los errores entre los
valores
yi
dados y los valores
y(xi ) = axi + b
n
X
en la lnea de aproximacin.
(yi axi b)2
(4.25)
i=1
La expresion (4.25) se puede considerar una funcin de dos variables en
b
F (a, b) =
n
X
(yi axi b)2
i=1
a la que se le quiere hallar un mnimo. Para que ocurra un mnimo es
necesario que las derivadas parciales
F
a
140
F
b
sean cero. Observe que las
xi

e
yi
son valores conocidos.
n
F
P
=0
2(yi axi b)(xi ) = 0
a
i=1
n
F
P
=0
2(yi axi b)(1) = 0
b
i=1
Al dividir entre 2 cada una de estas ecuaciones y desarrollar las sumatorias
se obtienen las llamadas ecuaciones normales.
n
P
x2i + b
n
P
xi =
i=1
i=1
n
P
xi yi
i=1
(4.26)
n
P
n
P
xi + bn =
i=1
yi
i=1
La solucin del sistema (4.26), de dos ecuaciones con dos incgnitas es:

n
n
P

n
P
n
P
xi y i
xi
yi
i=1
i=1
,
n n 2
P 2
P
n
xi
xi
i=1
a=
i=1
i=1
(4.27)

b=
n
P
x2i

i=1
n
P

n
P
xi y i
i=1
n n 2
P 2
P
n
xi
xi
yi
i=1
i=1
n
P

xi
i=1
i=1
Por lo tanto la recta que mejor se ajusta a los datos (xi ,yi ),
relacionados en forma lineal es
y = ax + b
con
El problema de aproximar un conjunto de datos

polinomio algebraico
Pm (x)
16i6n
b dados por (4.27).

(xi , yi ), 1 6 i 6 n con un
m < n 1 mediante el procedimiento

de y = ax + b (Ver ejercicio 23 de este
de grado
de mnimos cuadrados, es similar al

captulo).
En muchos casos los datos provenientes de pruebas experimentales no

son lineales por lo que es necesario ajustarlos a una funcin que no sea un
polinomio de primer grado. Algunas veces conviene suponer que los datos
tienen una relacin exponencial. Para ello, la funcin de aproximacin debe
tener la forma:
y = Beax
o bien
141
(4.28)
y = Bxa
para algunas constantes
B.
(4.29)
Es posible desarrollar ecuaciones normales para stas de manera anloga

al desarrollo precedente para una recta por mnimos cuadrados si las derivadas parciales se igualan a cero. Tales ecuaciones no lineales son mucho ms
difciles de resolver que las ecuaciones lineales. Por esta razn el mtodo que
suele utilizarse cuando se sospecha que los datos tienen una relacin exponencial, consiste en considerar el logaritmo de la ecuacin de aproximacin:
y = Beax
ln y = ln (Beax )
ln y = ln B + ln eax
ln y = ax + ln B
(4.30)
y = Bxa
ln y = ln (Bxa )
ln y = ln B + ln xa
ln y = a ln x + ln B
(4.31)
((4.30) y (4.31) se conocen como formas linealizadas). Observe que en (4.30)

se presenta una relacin lineal entre
ln y,
por lo que se pueden usar las
frmulas dadas en (4.27) para resolver el problema lineal cambiando
ln yi y b por ln B . En (4.31) tambin se presenta

ln x y ln y , aqu el problema se resuelve usando las
cambiando xi por ln xi , yi por ln yi y b por ln B .
yi
por
una relacin lineal entre

frmulas dadas en (4.27)
Ejemplo 4.7.1. Ajustar los datos de la siguiente tabla a funciones de la

forma y = ax + b y y = Beax Qu funcin aproxima mejor?
xi
yi
5.1
8.8
Para este caso se tienen tres datos, luego n = 3. Se construye una tabla con los datos que se necesitan en las frmulas (4.27). Las ltimas dos
columnas son los errores al cuadrado para los modelos lineal y exponencial.
Para el modelo lineal:
3
a=
3
P
xi yi
i=1
3
P
i=1
3
P
xi
i=1

x2i
3
P
3
P
i=1
yi
2 =
xi
3 (48.4) 7 (16.9)
= 1.92143
3 (21) (7)2
i=1
142

x2i
xi yi
xiyi ln yi
xi ln yi (yi axi
b)2
3
1.0986 1.0986 5.1022
10.2 1.6292 3.2584 103
35.2 2.1748 8.6992 0.11479
101
1.2759
103
1 3
1
2 5.1 4
4 8.8 16
16.9 21 48.4 4.9026 13.0562 0.0178571
3
P
b=
x2i
i=1
3
P
yi
3
P
i=1
i=1
3
P

x2i
i=1
3
P
xi yi
3
P
xi
i=1
2
xi
(yi Beaxi )2
0.52558
101
0.28485
0.10911
0.446518
21 (16.9) 48.4 (7)

= 1.15
3 (21) (7)2
i=1
y = ax + b
y = 1.92143x + 1.15
Si se evala la recta en x3 = 4, resulta y = 1.92143(4) + 1.15 = 8.83572,

el error al cuadrado entre la aproximacin dada por la recta y el valor real
es,
(y3 ax3 b)2 = (8.8 8.83572)2 = 1.2759 103 .
Para el modelo exponencial.
3
a=
3
P
3
3
P
P
xi ln yi
xi ln yi
7 (13.0562) 7 (4.9026)
i=1
i=1
i=1
= 0.34645
=

2
2
3
3
P
P
3
(21)
(7)
3
x2i
xi
i=1
3
P
ln B =
i=1
x2i
i=1
3
P
ln yi
i=1
3
P
i=1
3
P
xi ln yi
i=1
x2i
3
P
3
P
i=1
2
xi
=
xi
i=1
ln B = 0.8258,
B = e0.8258 2.28371
y = Beax
y = 2.28371e0.34645x
143
21 (4.9026) 13.0562 (7)

3 (21) (7)2
= 0.8258
Para los datos de este ejercicio, aproxima mejor el modelo lineal, porque
la suma de los errores al cuadrado en el lineal, es menor que la suma de los
errores al cuadrado que en el modelo exponencial (vase la tabla anterior).
Algoritmo 14
. En esta funcin se in-
(Algoritmo de mnimos cuadrados)
gresan los vectores de datos X y Y. Las variables de salida son a y b, donde

la recta de mnimos cuadrados tiene ecuacin y=ax+b.
function [a,b]=minimosCuadrados(X,Y);
s=0;
x=0;
x2=0;
y=0;
n=length(X);
for i=1:n
s=s+(X(i)*Y(i));
x=x+X(i);
y=y+Y(i);
x2=x2+(X(i)^(2));
end
a=(n*s-x*y)/((n*x2)-x^(2));
b=(1/n)*(y-a*x);
x=linspace(min(X),max(X),200);
y=a*x+b;
plot(x,y)
4.8. Ejercicios
1. Encuentre un polinomio que tome los siguientes valores:
x
y
-4
2. Encuentre los polinomios de interpolacin de Lagrange y de Newton

para los siguientes datos:
x
f (x)
-2
-1
144

Escriba ambos polinomios en la forma
a+bx+cx2
con el n de vericar
que son idnticos como funciones.

3. La ecuacin
x 9x = 0
[0, 1]. Enx0 = 0.5, x2 = 1 para la
tiene una solucin en el intervalo
cuentre el polinomio de interpolacin sobre
funcin en el lado izquierdo de la ecuacin. Igualando a cero el polinomio de interpolacin y resolviendo dicha ecuacin, encuentre una
solucin aproximada de la ecuacin.
4. La tabla
x
f (x)
0.1
Pudo crearse a partir de la funcin
f (x) = sen(5x),
cuya magnitud
nunca excede a 1.
a)
Obtenga el polinomio de interpolacin
b)
Demuestre que
quier valor
c)
p(0.5) = 25/9,
tabulado de f (x).
p(x)
para esta tabla.
que es mucho ms grande que cual-
Qu ilustra este ejemplo?
f (x) = ex1 con un polinomio p de grado 12,

[1, 1], cul es una buena cota superior para
5. Si se interpola la funcin
utilizando 13 nodos en
|f (x) p(x)|
en
[1, 1]?
6. Para las funciones dadas
f (x),
sean
x0 = 0, x1 = 0.6
x2 = 0.9.
Construya polinomios de interpolacin de grados uno y dos a lo mximo

para aproximar
f (0.45),
y calcule el error real.
a ) f (x) = cos x
b ) f (x) = ln(x + 1)
7. Calcule la cota de error en las aproximaciones del ejercicio 6.
f (x) = x x2 y P2 (x) el
x1 , y x2 = 1 Calcule el valor ms
f (0.5) P2 (0.5) = 0.25.
8. Sean
145
polinomio interpolante en
grande de
x1
en
(0, 1)
x0 = 0 ,
para el cual
9. Escriba el polinomio de interpolacin de Newton para los siguientes

datos:
x
f(x)
10. El polinomio
63
11
28
p(x) = 2 (x + 1) + x(x + 1) 2x(x + 1)(x 1)
interpola
los primeros cuatro puntos de la tabla.
x
y
-1
-7
10
Aada un trmino a
de modo que el polinomio que resulte interpole a
la tabla entera.
11. a)
Aproxime
f (0.05)
mediante los siguientes datos y la frmula de
diferencias divididas progresivas de Newton:
x
f
0.0
0.2
0.4
0.6
0.8
1.00000
1.22140
1.49182
1.82212
2.22554
(x)
b)
Use la frmula de las diferencias divididas regresivas de Newton

para aproximar
12. Con una funcin
x0 = 0.0
f (0.65).
las diferencias divididas progresivas estn dadas por
f [x0 ]
f [x0 , x1 ]
x1
0.04
= f [x1 ]
f [x0 , x1 , x2 ]
f [x1 , x2 ]
10
x2 = 0.7
50
7
f [x2 ] =
6
Determine los datos que faltan en la tabla.

13. Se tienen los siguientes datos para un polinomio
nocido.
146
P (x)
de grado desco-

x
P (x)
Determine el coeciente de
-1
x2
en
P (x)
si todas las diferencias progre-
sivas de tercer orden son 1.

14. Si se tiene:
Pn (x) = f [x0 ] + f [x0 , x1 ](x x0 ) + a2 (x x0 )(x x1 )

+ a3 (x x0 )(x x1 )(x x2 ) + . . . + an (x x0 ) . . . (x xn1 ).
Use
Pn (x2 )
para demostrar que
a2 = f [x0 ,x1 ,x2 ].
15. Determine si el spline cbico natural que interpola la tabla
x
y
10
Coincide o no con la funcin
1 + x x ,
f (x) = 1 2 (x 1) 3 (x 1)2 + 4 (x 1)3
4 (x 2) + 9 (x 2)2 3 (x 2)3
x [0, 1]
x [1, 2]
x [2, 3] .
16. Determine si la siguiente funcin es un spline cbico natural:
2 (x 1) + (x 1)
f (x) = 3 + 5x + 3x2
11 + 11 (x 1) + 3 (x 1)2 (x 1)3
17. Qu valor de
x [1, 0]
x [0, 1]
x [1, 2].
a, b, c, d hace de la siguiente funcin un spline

(
x3
x [1, 0]
f (x) =
2
3
a + bx + cx + dx x [0, 1]
a, b, c, d de manera que la funcin
x (, 3]
1 2x
2
3
S (x) = a + bx + cx + dx x [3, 4]
157 32x
x [4, +]
18. Determine los coecientes
Sea un spline cbico natural en el intervalo
147
[3, 4].
cbico?
19. Determinar el trazador cbico sujeto S que interpola los datos

f (1) = 1, f (2) = 2 y que satisface s0 (0) = s0 (2) = 1.
20. Un trazador cbico sujeto
de
est denido en
[1, 3]
f (0) = 0,
por
(
s0 (x) = 3 (x 1) + 2 (x 1)2 (x 1)3 ,
1 6 x < 2,
S (x) =
2
3
s1 (x) = a + b (x 2) + c (x 2) + d (x 2) , 2 6 x 6 3.
Dadas
f 0 (1) = f 0 (3),
encuentre
a, b , c ,
d.
21. Construya un trazador cbico libre para aproximar

dio de los valores dados por
trazador en
Z1
[0, 1]
f (x)
en
x = 0,
f (x) = ex
por me-
0.25, 0.75, y 1.0. Integre el
y compare el resultado con:
ex dx = 1 1/e.
0
Mediante las derivadas del trazador aproxime
pare las aproximaciones con los valores reales.
148
f 0 (0.5)
f 00 (0.5)
y com-

22. Determine la recta ptima en el sentido de los mnimos cuadrados correspondiente a los siguientes datos.
xi
yi
-2
-1
a, b, y c si se quiere ajustar los datos (xi , yi ) i =

1, 2, . . . n a una funcin de la forma y = ax2 + bx + c.
n
P
2
Sugerencia: minimice F (a, b, c) =
(yi ax2i bxi c)
23. Encuentre el valor de
i=1
24. Determine la parbola ptima en el sentido de los mnimos cuadrados
2
de la forma y = ax + bx + c para los siguientes datos.
xi
yi
-2
-1
-5.8
1.1
3.8
3.3
-1.5
149
25. La siguiente tabla muestra cambios de variable para linealizar datos.
Justique cada cambio.
Funcin
Linealizacin
y=f(x)
Y = AX + B
y=
A
+B
x
D
x+C
1
y=
Ax + B
x
y=
Ax + B
y = AIn (x) + B
y=
y = CeAx
y = CxA
y = (Ax + B)2
y = CxeDx
y=
L
1 + CeAx
Cambios
1
y =A +B
x
1
X = ,Y = y
x
X = xy, Y = y
1
D
1
B
y=
(xy) +
C=
,D =
C
C
A
A
1
1
= Ax + B
X = x, Y =
y
y
1
1
1
1
=A +B
X = ,Y =
y
x
x
y
y = AIn (x) + B
X = In(x), Y = y
X = x, Y = In(y)
In(y) = Ax + In(C)
C = eB
X = In(x), Y = In(y)
In(y) = AIn(x) + In(C)
C = eB
1/2
y
=!Ax + B
X = x, Y = y 1/2 !
y
y
In
= Dx + In(C)
X = x, Y = In
x
x
B
C = e , D = A
!
!
L
L
In
1 = Ax + In(C) X = x, Y = In
1
y
y
C = B
(Mathews, p. 292)
26. Para el conjunto de datos que se muestra al nal del enunciado, determine la curva de cada familia que mejor se les ajusta en el sentido de
los mnimos cuadrados.
a)
y = CeAx
b)
y = CxA
c)
Use la suma de los cuadrados de los errores
E=
n
P
e2i
i=1
minar cul de las dos curvas se les ajusta mejor.
150
para deter-

xi
yi
0.6
1.9
4.3
7.6
12.6
27. Para el conjunto de datos que se muestra al nal del enunciado, determine la curva de cada familia que mejor se les ajusta en el sentido de
los mnimos cuadrados.
a)
y = CeAx
b)
y = 1/(Ax + B)
c)
y = (Ax + B)2 .
d)
Use la suma de los cuadrados de los errores para determinar cul

de las curvas se les ajusta mejor.
xi
yi
-1
6.62
3.94
2.17
1.35
0.89
28. Cuando una poblacin

lmite
L,
t
P (t)
no puede crecer ms halla de un cierto
P (t) es una
P (t) = L/(1 + CeAt ).
la grca de la funcin
logstica, de ecuacin
Calcule
P (t)
para los siguientes datos, siendo
200
400
650
850
950
151
curva, llamada curva
L = 100.
152
Capitulo
Integracin y Diferenciacin Numrica

En este captulo se estudia el siguiente problema. Dados algunos valores
de una funcin
en ciertos puntos, cmo usar esta informacin para obtener

Zb
una estimacin de su derivada
f 0 (c)
f (x)dx.
o una integral
5.1. Integracin numrica

El objetivo de esta seccin es aproximar la integral denida de una funcin
Zb
f (x)
en un intervalo
[a, b]
f (x)dx.
es decir
f (x) es difcil o imf (x) esta dada como un conjunto
Los mtodos de integracin numrica se usan cuando

posible de integrar analticamente, o cuando
de valores tabulados. La estrategia acostumbrada para desarrollar frmulas

para la integracin numrica consiste en hacer pasar un polinomio por puntos denidos de la funcin y luego integrar la aproximacin polinomial de la
funcin.
5.1.1. Regla del trapecio

Considrese la funcin f en el intervalo [a, b], con los puntos (a, f (a)) y
(b, f (b)) se construye el polinomio de Lagrange de grado uno. f (x) = P1 (x) +
153
CAPITULO 5. INTEGRACIN Y DIFERENCIACIN NUMRICA
E,
donde
f (x) =
es el error en la aproximacin
(x b)
(x a)
f 00 (z)
f (a) +
f (b) +
(x a)(x b),
ab
ba
2
a<z<b
ahora,
Zb
Zb
f (x)dx =

Zb 00
(x a)
f (z)
(x b)
f (a) +
f (b) dx +
(x a) (x b)dx
ab
ba
2
a
#b

b

(x b)2
(x a)2
f 00 (z) x3 (b + a) 2

=
f (a) +
f (b) +
x + abx

2 (a b)
2 (b a)
2
3
2
a
a

(a b)
(b a)
f (b)
f (a) 0 +
= 0+
2
2

a3 (b + a) 2
f 00 (z) b3 (b + a) 2
2
2
b + ab
+
a a b
2
3
2
3
2
"
#
(b a)
f 00 (z)
(b a)3
=
[f (b) + f (a)] +
2
2
6
"
Zb
(b a)
f (x)dx
[f (b) + f (a)],
2
00

f (z)

3

E=
(b a)
12
a<z<b
Zb
si
h = b a,
entonces

h3
h

00
f (x)dx [f (b) + f (a)], E = f(z)

12
2
a
La expresin que aproxima el valor de la integral se conoce como
regla
del trapecio, porque geomtricamente se puede interpretar que se aproxima

el rea bajo la curva por el rea bajo un polinomio de grado uno
P1 (x)
y la
gura que resulta es un trapecio. En la gura 5.1 se observa la interpretacin

geometrica de la regla del Trapecio.
5.1.2. Regla de Simpson

Una forma evidente de mejorar la aproximacin de una integral es con
una mejor aproximacin para el integrando
un polinomio de grado
2.
f (x).
Esto se puede lograr con
La parabola que aproxima el area, se puede ver en
la gura 5.2.
154
f
P1
x
a = x0
x1 = b
Figura 5.1: Ilustracin de la Regla del Trapecio
Considrese la funcin
f (x)
en el intervalo
[a, b]
x0 = a, x1 = x0 + h,
ba
. Con los puntos (x0 , f (x0 )), (x1 , f (x1 )) y (x2 , f (x2 ))
2
polinomio de Lagrange de grado 2,
x2 = b, donde h =
se construye el
P2 (x) =
ahora
R x2
x0
(x x1 ) (x x2 )
(x x0 ) (x x2 )
f (x0 ) +
f (x1 )+
(x0 x1 ) (x0 x2 )
(x1 x0 ) (x1 x2 )
(x x0 ) (x x1 )
f (x2 )
(x2 x0 ) (x2 x1 )
f (x)dx
R x2
x0
P2 (x) dx. La integral del polinomio se resuelve usan155
f
P2
x
a = x0
x1
x2 = b
Figura 5.2: Ilustracin de la Regla de Simpson
do el mtodo de integracin por partes y resulta:
Zx2
x0
"
#
f (x0 )
(x x1 ) (x x2 )2 (x x2 )3
P2 (x) dx =
(x0 x1 ) (x0 x2 )
2
6
"
#
f (x1 )
(x x2 )2 (x x2 )3
+
(x x0 )
(x1 x0 ) (x1 x2 )
2
6
"
#x2
f (x2 )
(x x1 )2 (x x1 )3
+
(x x0 )

(x2 x0 ) (x2 x1 )
2
6
x0
156

"
#
(x0 x1 ) (x0 x2 )2
(x0 x2 )3
= f (x0 )
+
2 (x0 x1 ) (x0 x2 ) 6 (x0 x1 ) (x0 x2 )
"
#
(x0 x2 )3
+ f (x1 )
6 (x1 x0 ) (x1 x2 )
#
"
(x2 x0 ) (x2 x1 )2
(x2 x1 )3
(x0 x1 )3
+ f (x2 )
+
2 (x2 x0 ) (x2 x1 ) 6 (x2 x0 ) (x2 x1 ) 6 (x2 x0 ) (x2 x1 )
"
#
(x0 x2 )
(x0 x2 )2
= f (x0 )
+
2
6 (x0 x1 )
"
#
(x0 x2 )3
+ f (x1 )
+
6(x1 x0 ) (x1 x2 )
"
#
(x2 x1 )
(x2 x1 )2
(x0 x1 )3
f (x2 )
+
2
6 (x2 x0 ) 6 (x2 x0 ) (x2 x1 )
reemplazando
x1 = x0 + h, x2 = x0 + 2h:
Zx2
h
4
h
P2 (x)dx = f (x0 ) + f (x1 ) h + f (x2 )
3
3
3
x0
Zx2
Luego,
h
P2 (x)dx = [f (x0 ) + 4f (x1 ) + f (x2 )]
3
Por lo tanto,
x0
Zx2
h
f (x)dx [f (x0 ) + 4f (x1 ) + f (x2 )],
3
h=
ba
2
(5.1)
x0
Esta expresin se conoce como Regla de Simpson.
El error en la aproximacin es

h5

E = f (z)(4) ,
90

Ejemplo 5.1.1. Aproximar
Z2
x0 < z < x2
3
dx usando:
4x
a) La regla del Trapecio.

157
(5.2)
b) La regla de Simpson.
Encuentre tambin una cota para el error en cada aproximacin.
a) Para la regla del trapecio.
Zb
f (x)dx
(b a)
(f (a) + f (b)),
2
entonces
Z2
3
(2 0)
dx
4x
2
3 3
+
4 2

= 2.25
0
Cota para el error:

00

f (z)
3
3

(b a) , a < z < b f (x) =
E=
12
4x

6
3
E =
(2
0)
, 0 < z < 2
12(4 z)3

1
1
E 6 0.5
porque
6 3,0 < z < 2
(4 z)3
2
00
f(x) =
0.5
(4 x)3
b) Para la regla de Simpson

Zx2
f (x) dx =
h
[f (x0 ) + 4f (x1 ) + f (x2 )],
3
x0
h=
ba
= 1,
2
Z2
a = x0 = 0,
b = x2 = 2
x1 = x 0 + h = 1

3
1 3
3 3
dx
+4 +
2.0833
4x
3 4
3 2
0
Cota para el error:
5

h (4)
3
E = f(z) , x0 < z < x2 f (x) =
90
4x
5

1

72
E =
0<z<2
90 (4 z)5
158
(4)
f(x) =
72
(4 x)5

1
1
E 6 0.025
porque
6 5,
0<z<2
(4 z)5
2
Z2
3
dx = 3 ln |4 x||20
El valor real de la integral es
4x
0
2.07944
f (x) = mx + c ya
que el trmino de error contiene f (z) y en este caso f (x) = 0 y el error sera
La regla del trapecio es exacta para funciones lineales
00
00
cero. Por otro lado, la regla de Simpson es exacta para funciones polinmicas
(4)
de grado menor o igual a 3, ya que el error contiene f(z) y la cuarta derivada
de un polinomio de grado menor o igual que 3 es cero.
Una manera de mejorar la aproximacin de una integral denida de una

funcin
en un intervalo
[a, b],
consiste en dividir el intervalo
[a, b]
en varios
subintervalos y aplicar en cada subintervalo la regla del trapecio o la regla de

Simpson. Estos mtodos se conocen como regla compuesta o extendida del
trapecio y de Simpson respectivamente.
5.1.3. Regla compuesta del Trapecio

Suponga que se quiere aproximar
Rb
f (x)dx. Primero se divide el intervalo
a
ba
y luego se aplica la regla
n
del trapecio en cada subintervalo (gura 5.3) Generando los puntos xi =
[a, b]
en
subintervalos de igual longitud
a + i h = x0 + i h
con
Zb
a
i = 0, 1, 2, . . . , n
Zx2
Zx1
f (x)dx =
Zb
f (x)dx + +
f (x)dx +
a
h=
x1
f (x)dx
xn1
Cada una de las integrales del lado derecho se puede aproximar usando
159
Figura 5.3: Ilustracin de la regla compuesta del Trapecio
la regla del trapecio,
Zb
f (x)dx
h
h
h
[f (a) + f (x1 )] + [f (x1 ) + f (x2 )] + + [f (xn1 ) + f (b)]
2
2
2
Zb
a
"
#
n1
X
h
f (x)dx
f (a) + f (b) + 2
f (xi )
2
i=1
h=
ba
,
n
xi = a + ih,
i = 1, 2, . . . , n
A esta frmula se la conoce como regla compuesta del trapecio. Para

hallar el error
en la aproximacin, se deben tener en cuenta los errores en
cada subintervalo, es decir:
n
h3 00
h3 00
h3 00
h3 X 00
E = f (z1 ) f (z2 ) f (zn ) =
f (zi )
12
12
12
12 i=1
160
(5.3)

a < z1 < x1 ,
en general
x1 < z2 < x2 ,
xi1 < zi < xi
Si la segunda derivada de
...
xn1 < zn < b

i = 1, 2, . . . , n
continua en [a, b],
para
es
entonces por el teorema
00
del valor extremo f tiene un valor mximo y un valor mnimo en [a, b], y
se cumple m
n{f 00 (x)} 6 f 00 (z) 6 max{f 00 (x)} para x [a, b], y para cada
subintervalo
mn{f 00 (x)} 6 f 00 (z1 ) 6 max{f 00 (x)},
para
z1 [x0 , x1 ]
para
z1 [xn1 , xn ]
.
.
.
mn{f 00 (x)} 6 f 00 (zn ) 6 max{f 00 (x)},

En los
subintervalos se tiene que:
n(min{f 00 (x)}) 6
mn{f 00 (x)} 6
n
X
f 00 (zi ) 6 n(max{f 00 (x)})
i=1
n
X
1
f 00 (zi ) 6 max{f 00 (x)}
n i=1
Por el teorema del valor intermedio existe un
(a, b)
1 X 00
f () =
f (zi ),
n i=1
00
luego
00
nf () =
tal que
n
X
f 00 (zi ).
i=1
Si esta expresin se reemplaza en el error de la frmula compuesta del trapecio:
E=
como
que:
h=
n
h3 X
h3
f 00 (zi ) = n(f 00 ()),
12 i=1
12
a<<b
ba
ba
, n =
y reemplazando este valor en
n
h

(b a)

2 00
E=
h f (),
a<<b
12

161
el error, se tiene
(5.4)
5.1.4. Regla compuesta de Simpson

Si se quiere aproximar
Rb
f (x)dx
a
luego se divide el intervalo [a, b] en
primero se selecciona un entero
par,
subintervalos y se aplica la regla de
Simpson en cada par consecutivo de subintervalos (vase gura 5.4).
Figura 5.4: Ilustracin de la regla compuesta de Simpson
Cada una de las integrales del lado derecho se puede aproximar usando
la regla de simpson.
162
Zb
f (x)dx
h
h
[f (x0 ) + 4f (x1 ) + f (x2 )] + [f (x2 ) + 4f (x3 ) + f (x4 )] +
3
3
+
Zb
f (x)dx
h
[f (xn2 ) + 4f (xn1 ) + f (xn )]
3
h
[f (x0 ) + f (xn ) + 2f (x2 ) + 2f (x4 ) +
3
+ 2f (xn2 ) + 4f (x1 ) + 4f (x3 ) + + 4f (xn1 )]

Luego,
Zb
f (x)dx
a
n
1
2
n
2
X
X
h
f (x0 ) + f (xn ) + 2
f (x2i ) + 4
f (x2i1 )
3
i=1
i=1
(5.5)
A la ecuacin (5.5) se le conoce como regla compuesta de Simpson.

El error en la aproximacin esta dado por:
n
2
h5 X
h5
h5
h5
f (4) (zi )
E = f (4) (z1 ) f (4) (z2 ) f (4) (z n2 ) =
90
90
90
90 i=1
x0 < z1 < x2 , x2 < z2 < x4 , xn2 < z n2 < xn , x2i2 < zi < x2i
n
para i = 1, 2, 3, . . . ,
2
Si la cuarta derivada de f en [a, b] es continua, entonces por el teorema
(4)
del valor extremo f
tiene un valor mximo y un valor mnimo en [a, b].
Con un procedimiento analogo al expuesto en el error de la regla compuesta del trapecio se muestra que:
n
2
X
n
n
(4)
mn{f (x)} 6
f (4) (zi ) 6 (max{f (4) (x)})
2
2
i=1
x [a, b]
mn{f
(4)
2
2X
(x)} 6
f (4) (zi ) 6 max{f (4) (x)}
n i=1
Por el teorema del valor intermedio existe un

n
2
f (4) () =
(a, b)
n
2
2 X (4)
f (zi ),
n i=1
tal que:
X
n (4)
f () =
f (4) (zi ).
2
i=1
163
Si esta expresin se reemplaza en el error de la frmula compuesta de Simpson, entonces resulta:
h5 n (4)
ba
f (),
a < < b,
como n =
90 2
h
5
4
h (b a) (4)
h
E=
f () =
(b a)f (4) ()
90 2h
180
E=
Por lo tanto el error en la regla compuesta de Simpson es:
4

h

(4)

E=
(b a)f (),
180
Ejemplo 5.1.2. Aproximar
Z2
3
4x
a<<b
(5.6)
dx usando la regla compuesta del trapecio
con n = 4. Halle una cota para el error en la aproximacin.

3
f (x) =
4x
Zb
a
Z2
a=0
b=2
n=4
h=
ba
n
h=
2
= 0.5
4
"
#
"
#
n1
3
X
X
h
h
f (x)dx
f (a) + f (b) + 2
f (xi ) =
f (a) + f (b) + 2
f (xi )
2
2
i=1
i=1

3
0.5 3 3
3
3
3
dx
+ +2
+ +
4x
2 4 2
3.5 3 2.5
Z2
3
dx 2.091
4x
El error en la aproximacin es:

2

h

6
00
E = (b a)f (), a < < b
f 00 () =
12
(4 )3

2
(0.5)

6
, 0 < < 2
E =
(2 0)
12
(4 )3
1
E6
= 0.03125.
32
164
Ejemplo 5.1.3. Determine los valores de n y h que se requieren para aproximar
Z2
3
dx con un error no mayor de 104 usando la regla compuesta
4x
de Simpson.
4

h

(4)

E=
(b a)f (), a < < b.
180
4

2

72

E = n (2 0)
,
5
180
(4 )
E6
2
,
5n4
a=0
b=2
ba
h=
n
0<<2
f (x) =
h=
3
4x
2
n
f (4) (x) =
72
(4 x)5
como el error debe ser menor o igual a 104 entonces:

2
6 104 , n > 7.952 . . . ,
4
5n
se puede tomar n > 8; y h =
2 2
= = 0.25.
n 8
5.1.5. Mtodos adaptativos

Suponga que se desea calcular una estimacin numrica
de la integral
denida
Zb
I=
f (x)dx
a
tal que el error
E = |I Q| sea menos que cierta tolerancia prejada. Para
esto se desarrolla un esquema de integracin que surge teniendo presente que

en aquellas regiones del intervalo de integracin donde el integrando
no
presenta grandes variaciones se pueden tomar subintervalos grandes y que

en regiones donde la variacin de
esgrande podemos tomar subintervalos
pequeos de manera tal que la suma de las contribuciones al error total

sea menor que la tolerancia prejada. Los procedimientos de integracin que
adaptan la longitud de los subintervalos al comportamiento del integrando
se llaman, mtodos adaptativos de cuadratura. El mtodo adaptativo que
se desarrollara en esta seccin se contruyo a partir de la regla de Simpson
165
denida en (5.1).
a+b
ba
y h =
entonces, la regla de Simpson calculada entre
2
2
se denotara por S(a, b).
sea
c=
S(a, b) =
h
(f (a) + 4f (c) + f (b))
3
Adems, la aproximacin a la integral, junto con el termino de error dado en

(5.2), permite expresar la integral de la forma:
Zb
f (x)dx = S(a, b)
h5 (4)
f (z)
90
(5.7)
a
Tomando n = 4 en la formula de Simpson compuesta dada en (5.5), se
Rb
tiene que
f (x)dx es igual a:
a

h
2

h
3h
ba
f (a) + 2f (a + h) + 4 f a +
+f a+
+ f (b)
h4 f (4) (z1 )
3
2
2
180

h
h

4
h
3h
h h (4)
2
2
=
f (z1 )
f (a) + 4f a +
+ f (a + h) +
f (a + h) + 4f a +
+ f (b)
3
2
3
2
90 16
=
As
Zb

f (x)dx = S(a, c) + S(c, b)
1
16
h5 (4)
f (z1 )
90
(5.8)
a
Haciendo
z = z1
e igualando (5.7) y (5.8),
5
h5 (4)
1 h (4)
S(a, b) f (z) = S(a, c) + S(c, b)
f (z)
90
16 90
5
1 h (4)
1 5 (4)
S(a, b) S(a, c) S(c, b) = h f (z)
f (z)
90
16 90
5
15 h (4)
S(a, b) S(a, c) S(c, b) =
f (z)
16 90
de donde
h5 (4)
f (z) =
90
16
15

(S(a, b) S(a, c) S(c, b))
166
(5.9)

Reemplazando (5.9) en (5.8) se obtiene:
Zb

f (x)dx = S(a, c) + S(c, b)
1
16

16
15

(S(a, b) S(a, c) S(c, b))
b

Z

f (x)dx S(a, c) S(c, b) = 1 |S(a, b) S(a, c) S(c, b)|

15

a
por lo tanto, si
para algn
> 0,
1
15

|S(a, b) S(a, c) S(c, b)| <
se garantiza que
b

Z

f (x)dx S(a, c) S(c, b) <

a
S(a, c)+S(c, b) es una aproximacin de la integral de f (x)entre

b, controlada por el valor que se le de a .
de esta forma
Algoritmo 15 (Algoritmo de integracin adaptativa). La siguiente funcin
tiene como valores en entrada: a, b que son las cordenadas donde se desea
aproximar la integral de la funcin F(x) y la tolerancia tol. La variable de
salida es A y representa la aproximacin del area.
function A=quadratura(a,b,tol)
x=linspace(a,b,1000);
y=F(x);
plot(x,y)
grid on
hold on
axis([a,b,0,max(y)])
t=15*tol;
parar=0;
A=0;
in=a;
fi=b;
167
end
h=(b-a)/2;
k=1;
int=1;
while parar<(b-a)
x1=[in,(in+fi)/2,fi];
x2=[in,(in+x1(2))/2,x1(2)];
x3=[x1(2),(x1(2)+fi)/2,fi];
c=abs(simpson(x1)-simpson(x2)-simpson(x3));
if c>t
in=x1(1);
fi=x1(2);
h=h/2;
int=1;
else
A=A+simpson(x2)+simpson(x3);
y1=F(x1);
plot(x1,y1,'.r')
H(k)=2*h;
k=k+1;
parar=parar+x1(3)-x1(1);
in=x3(3);
if int==0
h=h*2;
end
fi=x3(3)+2*h;
int=0;
end
end
Ejemplo 5.1.4. Considere la funcin f (x) = sin2
en el intervalo [0.1, 2]
con una tolerancia
R = .001. Utilice el Algoritmo anterior para calcular una
aproximacin de ab f (x)dx y modique el algoritmo para que calcule la graca
de la funcin y los intervalos generados por el mtodo adaptativo.
Se generan los subintervalos:
[0.1, 0.1297], [0.1297, 0.1594], [0.1594, 0.2187], [0.2187, 0.3375], [0.3375, 0.575],
[0.575, 1.05], [1.05, 2]. En cada subintervalo se calcula el metodo de Simpson
y luego se suman los resultados. El area aproximada es: A = 1.0321.
168
1
x
Eje Y
Eje X
Figura 5.5:
f (x) = sin2 ( x1 )

cin
un intervalo
[a, b]
en el intervalo
[0.1, 2]
A = quad('F',a,b,tol),
= .001
que dada una fun-
y una tolerancia, calcula el area aproximada
A,
utilizando el mtodo adaptativo antes descrito. Si utilizamos los valores del

ejemplo anterior, obtenemos:
>> A = quad('F',.1,2,0.001)
A =
1.0315
5.2. Diferenciacin numrica

En los cursos de clculo se dene la derivada de
f (x0 + h) f (x0 )
x0
h
f 0 (x0 ) = lm
169
en
x0
como
(5.10)
Una manera razonable de aproximar la derivada, es tomar un
sucien-
temente pequeo y calcular (5.10).
f 0 (x0 )
f (x0 + h) f (x0 )
h
Para el caso de una funcin lineal,
f (x) = ax + b,
(5.11)
la aproximacin dada por
la expresin (5.11) resulta exacta para cualquier valor de

Pero para cualquier funcin
distinto de cero.
en general no siempre resulta exacta.
A continuacin se hace una estimacin del error asociado a la aproximacin dada por (5.11) usando el teorema de Taylor con un polinomio de grado
1.
f (x) = f (x0 )+f 0 (x0 )(xx0 )+
si
x = x0 + h, x x0 = h,
f 00 (z)
(xx0 )2 ,
2
f 00 (z) 2
h,
f (x0 + h) = f (x0 ) + f (x0 )h +
2
f 0 (x0 ) =
f 0 (x0 )
(5.12)
reemplazando en (5.12), obtenemos:
si se despeja
x0 < z < x
x0 < z < x0 + h
entonces:
f (x0 + h) f (x0 ) f 00 (z)
h,
h
2
x0 < z < x0 + h
(5.13)
Observe que la ecuacin (5.13) es ms til que la ecuacin (5.11), ya que

tiene un trmino que cuantica el error y este se conoce como trmino de
error.
f (x0 + h) f (x0 )
f (x0 )
h
0
00

f (z)
E =
h:
2
error
Ejemplo 5.2.1. Si se utiliza la frmula (5.11) para calcular la derivada de

f (x) = senx en
x = 4 y con h = 0.01. Cul es la respuesta y cul es su grado de precisin
o error?
170
f (x) = sen x
x0 = 4 , h = 0.01

sen 4 + 0.01 sen 4
f (x0 + h) f (x0 )
f (x0 )
=
= 0.703559491
h
0.01
f 0 (x) = cos x
f 00 (x) = sen x
00

0.01
f (z) sen z

E=
h =
(0.01) 6
= 0.005 (Porque |sen z| 6 1)
2
2
2
0
Se puede obtener una cota ms precisa usando el hecho que

x0 < z < x0 + h
< z < 4 + 0.01, de modo que | sen z| < 0.714142376 y la cota sera
4
0.714142376
sen z

(0.01) <
(0.01) = 0.003570712
E=
2
2
Observe que si f (x) = sen x, f (x) = cos x entonces f 0 (x0 ) = f 0 (/4) =

cos 4 = 0.707106781. El error real es: 0.7071067810.703559491 = 0.003547290186.
0
Se puede obtener otra frmula para aproximar la derivada usando la ecuacin (5.12),
f (x) = f (x0 ) + f 0 (x0 ) (x x0 ) +

si
x = x0 h, x x0 = h,
reemplazando el valor de
f (x0 h) = f (x0 ) f 0 (x0 )h +

si se despeja
f (x0 )
f 00 (z)
(x x0 )2
2
f 00 (z) 2
h,
2
se tiene:
x0 h < z < x0 ,
resulta:
f (x0 ) f (x0 h) f 00 (z)

f (x0 ) =
+
h
h
2
00

f (z)
f (x0 ) f (x0 h)
0

f (x0 )
E=
h
h
2
0
A la aproximacin (5.11) se le llama frmula de
lante
(5.14)
diferencia hacia de-
y a la aproximacin dada por (5.14) se le conoce como frmula de
171
diferencia hacia atrs, ambas frmulas presentan el mismo error. Se puede obtener otra frmula para aproximar la derivada con un error que involucre
h2 usando un polinomio Taylor de grado 2 as:
f (x) = f (x0 ) + f 0 (x0 )(x x0 ) +

x = x0 + h
Si se reemplaza
f 00 (x0 )
f 000 (z)
(x x0 )2 +
(x x0 )3
2
6
x = x0 h
(5.15)
en (5.15) resulta:
f 00 (x0 ) 2 f 000 (z1 ) 3

h +
h,
2
6
f 00 (x0 ) 2 f 000 (z2 ) 3
h
h,
f (x0 h) = f (x0 ) f 0 (x0 )h +
2
6
f (x0 + h) = f (x0 ) + f 0 (x0 )h +
x0 < z1 < x0 + h
x0 h < z2 < x0
Si se restan las anteriores ecuaciones, se tiene:
1
f (x0 + h) f (x0 h) = 2f 0 (x0 )h + h3 (f 000 (z1 ) + f 000 (z 2 )),
6
x0 h < z2 < x0 < z1 < x0 + h.
Ahora se despeja
f (x0 )
y se obtiene:
f (x0 + h) f (x0 h) 1 2 000 1

h f (z) x0 h < z < x0 + h. (5.16)
2h
6

f 000 (z)
f
(x
+
h)
f
(x
h)
0
0

x0 h < z < x0 + h
f 0 (x0 )
E=
h2 ,

2h
6
La anterior frmula para aproximar la derivada de f se la conoce como dif 0 (x0 ) =
ferencia centrada.
A continuacin se muestra el anlisis de los errores por truncamiento y

redondeo que ocurren al aproximar la derivada.
Considere la ecuacin de diferencias centradas (5.16).
f 0 (x0 ) =
1 Si
000
000
f (x0 + h) f (x0 h) 1 2 000

h f (z)
2h
6
es continua en
000
[x0 h, x0 + h],
dado que
x0 h < z < x0 + h
000
000
1/2[f (z1 ) + f (z2 )]
se encuentra
f (z1 ) y f (z2 ), el teorema del valor intermedio garantiza que existe un numero z
000
000
000
entre z2 y z1 y por lo tanto en (x0 h, x0 + h) que satisface f (z) = 1/2[f (z1 ) + f (z2 )].
entre
172

La aproximacin a la derivada es f (x0 + h) f (x0
h2 000
aproximacin es
f (z). El error se denomina
h)/2h,
y el error en la
error por truncamiento
por que es provocado por el truncamiento de la serie de Taylor. La precisin

nita de la mquina produce otro error denominado
error por redondeo.
f (x + h) f (x h) en el numerador
evaluar f (x + h) y f (x h) se encuentra
Este error aparece en el clculo de

de la aproximacin ya que si al
que
e(x0 + h)
e(x0 h)
calculados en la mquina
son los errores del redondeo, entonces los valores
f (x + h)
f (x h)
se relacionan con los valores
verdaderos por las ecuaciones:
f (x0 + h) = f (x0 + h) + e(x0 + h),

f (x0 h) = f (x0 h) + e(x0 h)
f (x0 + h) f (x0 h) e(x0 + h) e(x0 h)
f (x0 + h) f (x0 h)
=
+
2h
2h
2h
Luego el error total en la aproximacin es:
f 0 (x0 )
e(x0 + h) e(x0 h)
f (x0 + h) f (x0 h)
=
2h
2h
|
{z
}
error por redondeo
h2 000
f (z)
|6 {z }
error por truncamiento
Como se puede apreciar, tiene una parte debida al error del redondeo y otra
al error de truncamiento. Si se supone que los errores de redondeo
estn acotados por algn nmero
acotada por
M > 0,
> 0
y la tercera derivada
e(x0 h)
de f esta
entonces:

2

h 000 h2
e(x0 + h) e(x0 h) 2
6

2h = h y 6 f (z) 6 6 M

2h

h2
f
(x
+
h)
f
(x
h)
0
0
0

por lo tanto f (x0 )
6 + M.

h
2h
6
Si la cota para el error se denota con e(h), entonces:
e(h) =
h2
+ M
h
6
Si se quisiera reducir el error de truncamiento

de
pequeo, pero al mismo tiempo un
173
h2 000
f (z)
6
se escogera un valor
pequeo hace que el error por
sea grande. En la prctica muy pocas veces se elige un h muy

h
pequeo. Si se analiza la expresin e(h), se puede usar el clculo para vericar
redondeo
3 3
h=
(Ver ejercicio 5 de este captulo).
M
Como los valores de f se dan normalmente con t cifras decimales se puede
t
suponer que el error de redondeo est acotado por = 0.5 x 10 .
En la prctica no es posible calcular un valor ptimo h ya que slo se
conocen algunos valores de f y no se conoce la tercera derivada. Lo que se
debe tener presente es que con la reduccin de h no siempre se mejora la
que hay un mnimo en
aproximacin.
5.3. Ejercicios
1. Use las frmulas de diferencia progresiva y de diferencia regresiva para
determinar las aproximaciones con que se completarn las siguientes
tablas.
a) x
f (x)
(x)
b) x
f (x)
0.5
0.4794
0.0
0.00000
0.6
0.5646
0.2
0.74140
0.7
0.6442
0.4
1.3718
(x)
2. Los datos del ejercicio 1 se tomaron de las siguientes funciones. Calcule

los errores reales del ejercicio 1 y obtenga las cotas de error por medio
de las frmulas de error.
a ) f (x) = sen x
b ) f (x) = ex 2x2 + 3x 1
0
3. Use los datos del ejercicio 1 a) y aproxime f (0.6) y con los datos del
0
ejercicio 1 b) aproxime f (0.2) usando la frmula de diferencia centradas. Obtenga las cotas de error por medio de la frmula de error.
4. Analice los errores de redondeo, para la frmula
f (x0 + h) f (x0 ) h 00
f (z)
h
2
ptimo de h en funcin de M, una cota
f 0 (x0 ) =
Encuentre el valor
(x0 , x0 + h)
174
para
f 00
en

5. Examine detenidamente la funcin
e (h) =
h2
+ M
h
6
M es una cota depla tercera derivada de una funcin, demuestre

e(h) es mnimo en 3 3/M
Donde
que
E = E(t) en un circuito elctrico obedece la ecuacin E(t) =

L(dI/dt) + RI(t), donde R es la resistencia, L es la inductancia e I es
la intensidad de corriente. Considere L = 0.05 henrios, R = 2 ohmios
y los valores de la intensidad I(t), en amperios, que se relacionan en la
6. El voltaje
tabla siguiente.
I(t)
1.0
8.2277
1.1
7.2428
1.2
5.9908
1.3
4.5260
1.4
2.9122
a)
Determine
I 0 (1.2)
mediante derivacin numrica y use este valor
para calcular E(1.2). Use la frmula de diferencia centrada.
b)
Compare su respuesta con la que se obtiene sabiendo que la ext/10

presin de I(t) es I(t) = 10e
sen(2t).
7. Demuestre que
f 0 (x0 )
se puede aproximar por
f (x0 + 2h) + 8f (x0 + h) 8f (x0 h) + f (x0 2h)

12h

h4 f (5)
(z)

error en la aproximacin es E =

30
f 0 (x0 )
y que el
Sugerencia: Suponga que
se puede derivar cinco veces y use la frmula
f alrededor de x0 para f (x0 + h),

f (x0 + h) - f(x 0 h) y f (x0 + 2h) - f(x 0 2h).
de Taylor de cuarto orden para
f(x 0 h).
Calcule
Multiplique la primera expresin por 8 y reste la segunda expresin

para eliminar la tercera derivada.
175
fx (x, y) de f (x, y) con respecto a x se obtiene manx. Anlogamente, fy (x, y) se

manteniendo x jo y derivado con respecto a y . La frmula de
8. La derivada parcial
teniendo
obtiene
jo y derivando con respecto a
diferencias centradas puede adaptarse para calcular derivadas parciales:
fx (x, y)
f (x+h,y)f (xh,y)
2h
fy (x, y)
f (x,y+h)f (x,yh)
2h
(i)
a)
f (x, y) = xy/(x + y). Calcule aproximaciones a fx (2, 3) y

fy (2, 3) usando las frmulas de la relacin (I)
con h = 0.1, h = 0.01 y h = 0.001. Compare los valores obtenidos
Sea
con los exactos.
b)
z = f (x, y) = arctan(y/x) con z medido en radianes. Calcule

fx (3, 4) y fy (3, 4) usando las frmulas dadas en
con h = 0.1, h = 0.01 y h = 0.001. Compare los resultados
Sea
aproximaciones a
obtenidos con los valores exactos.

9. Aproxime las siguientes integrales aplicando la regla del trapecio
Z1.5
a)
x2 In x dx
1
/4
b)
e3x sen 2x dx
0
10. Obtenga una cota del error en el ejercicio 9 aplicando la frmula de
error y comprela con el error real.
11. Repita el ejercicio 9 aplicando la regla de Simpson.
12. Repita el ejercicio 10 usando la regla de Simpson y los resultados del
ejercicio 11
13. La regla del trapecio aplicada a
R2
f (x) dx da el
f (1)?
0
Simpson da el valor 2. Cul es el valor de
valor 4 y la regla de
14. Aplique la regla compuesta del trapecio con los valores indicados de
para aproximar las siguientes integrales.
176
a)
b
R2
2
dx, n = 6
0 x2 +4
R5 1
)
dx, n = 8
3
x2 4
15. Aplique la regla compuesta de Simpson para aproximar las integrales

del ejercicio 14.
16. Determine los valores de
Z2
que se requieren para aproximar
e2x sen 3x dx
0
Con una exactitud de
a)
b)
104 .
Aplique la regla compuesta del trapecio.

Aplique la regla compuesta de Simpson.
17. Determine los valores de

Con una exactitud de
a)
b)
n y h que se requieren para aproximar
105
R2
1
dx
0 x+4
y calcule la aproximacin.
Aplique la regla compuesta del trapecio.

Aplique la regla compuesta de Simpson.
6
18. Determine con una exactitud de 10 , la longitud de la grca de la
2
2
elipse de ecuacin 4x + 9y = 36.
177
178
Capitulo
Ecuaciones diferenciales ordinarias

En este captulo se pretende hallar una aproximacin
y(t)
del problema de
valor inicial.
dy
= f (t, y),
dt
y(a) =
a6t6b
Al calcular soluciones numricas de ecuaciones diferenciales no se espera hallar una aproximacin continua a la solucin del problema de valor inicial,
si no aproximaciones en algunos puntos especcos. Si se requieren valores
intermedios se puede usar interpolacin de Lagrange, ajuste de curvas, etc.
6.1. Mtodo de la serie de Taylor

Suponga que
se divide en
y(t) es la solucin del problema (6.6) y que el intervalo [a, b]
subintervalos de longitud constante.
179
CAPITULO 6. ECUACIONES DIFERENCIALES ORDINARIAS
h=
ba
n
ti = a + ih,
De acuerdo con el teorema de Taylor, si
y(x) = y(x0 ) + y 0 (x0 )(x x0 ) +

Si se reemplaza
por
ti+1 , x0
por
Taylor de
i = 0,1,2 . . . , n 1.
grado 1, entonces
Si
tiene derivadas continuas,
y(x0 )(x x0 )2 y 000 (x0 )(x x0 )3

+
+ ...
2!
3!
ti
y(ti+1 ) = y(ti ) + y 0 (ti )h +

para cada
i = 0, 1, 2..., n
ti+1 ti
por
h,
obtenemos:
y(ti ) 2 y 000 (ti ) 3

h +
h +
2!
3!
y(ti+1 )
(6.1)
se aproxima con un polinomio de
y(ti+1 ) y(ti ) + y 0 (ti )h

pero
y 0 (ti ) =
dy(ti )
= f (ti , y(ti ))
dt
por (6.6), luego
y(ti+1 ) y(ti ) + f (ti , y(ti ))h

Usando la notacin
yi = y(ti )
y0 = y(t0 ) = ,
la solucin
y(t)
se puede
aproximar por
yi+1 = yi + hf (ti , yi ),
y0 =
para
180
i = 0, 1, 2, 3 . . . , n 1
(6.2)

Este mtodo se conoce como el
mtodo de Euler o mtodode Taylor de
1 ( mtodo de las tangentes). Observe que y1 = y0 + hy00 , y2 = y1 + hy10

0
0
0
0
donde y0 = y (t0 ), y1 = y (t1 ).
orden
En la gura
?? se muestran varios pasos del mtodo de Euler. Los puntos
(t1 , y1 ), (t2 , y2 ), . . . , (tn , yn ) son aproximaciones a los puntos

(t1 , y(t1 )), (t2 , y(t2 )), . . . , (tn , y(tn )) en la curva solucin y(t).
Figura 6.1: Mtodo de Euler

Si en la ecuacin (6.1)
grado
y(ti+1 ) se aproxima por un polinomio de Taylor de
resulta:
y(ti ) 2
h , como y 0 = f (t, y) y y = f 0 (t, y) entonces,
2
h2
y(ti+1 ) y(ti ) + hf (ti , y(ti )) + f 0 (ti , y(ti ))
2
y(t) se puede aproximar ahora por:
y(ti+1 ) y(ti ) + y 0 (ti )h +
La solucin
h2 0
yi+1 = yi + hf (ti , yi ) + f (ti , yi ) , para i = 0, 1, 2, ..., n 1
2
y =
0
Este mtodo se conoce como
el mtodo de Taylor de orden 2.

181
(6.3)
Ejemplo 6.1.1. La ecuacin diferencial,

dy
= 2ty,
dt
y(1) = 1
1 6 t 6 1.5
Tiene como solucin exacta o analtica a y(t) = et
2 1
, ya que
dy
2
= 2tet 1 = 2ty = f (t, y), adems y(1) = 1.
dt
Si se quiere aproximar la solucin con n = 5, entonces h = 0.1, ti =
1 + 0.1i, f (ti , yi ) = 2ti yi
Si se utiliza el mtodo de Euler entonces:

yi+1 = yi + hf (ti , yi )
y0 =
yi+1 = yi + h(2ti yi )
y0 = 1
y1
y2
y3
y4
y5
i = 0, 1, 2, 3, 4 ti = 1 + 0.1i
= y0 + h(2t0 y0 ) = 1 + 0.1(2(1)(1)) = 1.2

= y1 + h(2t1 y1 ) = 1.2 + 0.1(2(1.1)(1.2)) = 1.4640
= y2 + h(2t2 y2 ) = 1.8154
= y3 + h(2t3 y3 ) = 2.2874
= y4 + h(2t4 y4 ) = 2.9278.
Si se utiliza el mtodo de Taylor de orden 2,

yi+1 = yi + hf (ti , yi ) +
y0 =
h2 0
f (ti , yi )
2
En este ejemplo,
f (t, y) = 2ty
f 0 (t, y) = 2y + 2ty 0 , recuerde que y = y(t)
f 0 (t, y) = 2y + 2t(2ty) = 2y(1 + 2t2 )
,y
dy
= y 0 = f (t, y)
dt
Luego,

yi+1 = yi + h(2ti yi ) + h2 yi (1 + 2t2i ), i = 0, 1, 2, 3, 4;

y0 = 1
y1
y2
y3
y4
= y0 + h(2t0 y0 ) + h2 y0 (1 + 2t20 ) = 1 + 0.1(2(1)(1)) + (0.1)2 (1)(1 + 2(1)2 ) = 1.23

= y1 + h(2ti yi ) + h2 y1 (1 + 2t21 ) = 1.5427
= 1.9728
= 2.5721
182
ti = 1 + 0.1i

y5 = 3.4188
En la tabla que se presenta a continuacin se muestra la comparacin entre

los valores aproximados en ti y los valores reales y(ti ).
ti
1
1.1
1.2
1.3
1.4
1.5
Euler
Taylor
Valor
Error en
Error
yi
Orden
exacto
Euler
Taylor orden
y(ti )
2
eti 1
|y(ti ) yi |
0.0000
0.0337
0.0887
0.1784
0.3244
0.5625
0.0000
0.0037
0.0100
0.0210
0.0396
0.0715
1.0
1.2
1.4640
1.8154
2.2874
2.9278
yi
1.0
1.23
1.5427
1.9728
2.5721
3.4188
1.0000
1.2337
1.5527
1.9937
2.6117
3.4904
con
|y(ti ) yi |
Si se quiere encontrar una aproximacin a un punto intermedio de la

tabla, por ejemplo en t = 1.35 se puede usar interpolacin lineal en las aproximaciones dadas por el mtodo de Euler o Taylor de orden dos en t = 1.3 y
t = 1.4.
La aproximacin a la solucin en t = 1.35 usando interpolacin lineal y
los resultados del mtodo de Taylor de orden 2 es:
(t 1.3)
(t 1.4)
1.9728 +
2.5721
1.3 1.4
1.4 1.3
(1.35 1.4)
(1.35 1.3)
y(1.35)
1.9728 +
2.5721 = 2.2725.
1.3 1.4
1.4 1.3
y(t)
Algoritmo 16
(Algoritmo de Euler). function [tr,yr]=euler(f,c0,tf,M)

tr(1)=c0(1);
yr(1)=c0(2);
h=(tf-tr(1))/M;
syms t;
syms y;
for i=2:M+1
tr(i)=tr(i-1)+h;
yr(i)=yr(i-1)+h*subs(f,{t,y},{tr(i-1),yr(i-1)});
end
plot(tr,yr,'g')
183
6.2. Mtodo de Euler mejorado

La frmula
"
f (ti , yi ) + f (ti+1 , yi+1

)
yi+1 = yi + h
2
donde yi+1 = yi + hf (ti , yi )
#
(6.4)
frmula de Euler mejorada
Se conoce como
. Los valores f (ti , yi ) y
f (ti+1 , y1+1 ) son aproximaciones a la pendiente de la curva en (ti , y(ti )) y
(ti+1 , y(ti+1 ))
por consiguiente el cociente
f (ti , yi ) + f (ti+1 , y1+1

)
2
puede interpretarse como una pendiente promedio en el intervalo entre
ti
ti+1 .
Las ecuaciones en (6.4) pueden visualizarse fcilmente. En la gura 6.2
se muestra el caso en el que i = 0, obsrvese que f (t0 , y0 ) y f (t1 , y1 ) son

pendientes de las rectas que se indican, las cuales pasan por los puntos (t0 , y0 )
y (t1 , y1 )respectivamente.
Tomando un promedio de estas pendientes se obtiene la pendiente de las rec-
tas oblicuas punteadas. En vez de seguir la recta de pendiente m = f (t0 , y0 )
hasta el punto de ordenada y1 obtenida mediante el mtodo de Euler normal, se contina la recta por (t0 , y0 ) con pendiente mprom hasta llegar a t1 ,
examinando la gura parece razonable admitir que y1 es una mejora de y1 .
Se puede decir que el valor de y1 = y0 + hf (t0 , y0 ) predice el valor de

[f (t0 , y0 ) + f (t1 , y1 )]
corrige esta estimacin.
y(t1 ), en tanto que y1 = y0 + h
Ejemplo 6.2.1. Use la frmula de Euler mejorada para aproximar la solucin de
y 0 = 2ty
y(1) = 1
1 6 t 6 1.5,
1 Tomado de Zill, p.371
184
h = 0.1
Figura 6.2: Mtodo de Euler mejorado
h[f (t0 , y0 ) + f (t1 , y1 )]

2
[2(1)(1) + 2(1.1)(1.2)]
= 1 + 0.1
= 1.232
2
= 1.5479
= 1.9832
= 2.5908
= 3.4509
y1 = y0 + hf (t0 , y0 )
y1 = y0 +
y1
y2
y3
y4
y5
Algoritmo 17
(Algoritmo de Euler mejorado)
function Heun(f,ci,tf,M)
c=0;
yr(1)=ci(2);
[tr,pr]=euler(f,ci,tf,M,c);
h=(tf-tr(1))/M;
syms t;
syms y;
185
y1 = 1 + 0.1(2(1)(1)) = 1.2
for i=2:M+1
yr(i)=yr(i-1)+h/2*(subs(f,{t,y},{tr(i-1),yr(i-1)})+subs(f,{t,y},{tr(i),pr(
end
plot(tr,yr,'k')
6.3. Mtodo de Runge-Kutta

Uno de los mtodos numricos ms utilizado y preciso para obtener soluciones aproximadas de las ecuaciones diferenciales es el mtodo de RungeKutta de cuarto orden. Este mtodo consiste en determinar apropiadamente
constantes de manera que una frmula
yi+1 = yi + ak1 + bk2 + ck3 + dk4

h4 , es decir hasta el quinto
termino. Las ki son constantes mltiplos de f (x, y) evaluadas en ciertos punCoincida con un desarrollo de Taylor hasta
tos. El mtodo de cuarto orden de Runge-Kutta simula la presicin de Taylor

4
hasta h y consiste en calcular la aproximcin yi+1 hallando los coecientes
a, b, c, d, m, n
para que las frmulas de Runge-Kutta,
k1 = hf (ti , y)
k2 = hf (ti + mh, y + mk1 )
k3 = hf (ti + nh, y + nk2 )
k4 = hf (ti + ph, y + pk3 )
y(ti + h) y(ti ) ak1 + bk2 + ck3 + dk4 .
Reproduzca Taylor hasta el trmino en
h4 .
(6.5)
Observe que la ltima frmula,
aunque no es una aproximacin polinmica, se encuentra cerca del polinomio

de Taylor de cuarto grado. Observe que
y as sucesivamente. Adems
k2
k3
k2
depende de
k1 ; k3
depende de
k2
implican aproximaciones a la pendiente
en el punto medio del intervalo entre
ti
ti+1 = ti + h.
Teorema 6.1. Dado de valor inicial.

dy
= f (t, y),
dt
y(a) =
186
a6t6b
(6.6)
Las ecuaciones de Runge-Kutta de orden 4 vienen dadas por:
yi+1
k1
k2
k3
k4
Demostracin.
= yi + 1/6(k1 + 2k2 + 2k3 + k4 )

= hf (ti , yi )
= hf (ti + 1/2h, yi + 1/2k1 )
= hf (ti + 1/2h, yi + 1/2k2 )
= hf (ti + h, yi + k3 )
(6.7)
Sea
F1 = ft + f fy , F2 = ftt + 2f fty + f 2 fyy , F3 = fttt + 3f ftty + 3f 2 ftyy + f 3 fyyy .

y 0 = f (t, y)
Entonces, diferenciando la ecuacin
por Taylor para hallar
y (2) = ft + fy y 0 = ft + fy f = F1
2
y (3) = ftt + 2f fty + fyy
+ fy (ft + f fy ) = F2 + fy F1
y (4) = fttt + 3f ftty + 3f 2 ftyy + f 3 fyyy + fy (ftt + 2f fty + fty2 + f 2 fyy )

+ 3(ft + f fy )(fty + f fyy ) + fy2 (ft + f fy )
= F3 + fy F2 + 3F1 (fty + f fyy ) + fy2 F1 .
Luego la serie de Taylor es:
1
1
y(t + h) y(t) = hf + h2 F1 + h3 (F2 + F1 )
2
6
1 4
+ h [F3 + fy F2 + 3F1 (fty + f fyy ) + fy2 F1 + ...].
24
Retomando los distintos valores de
k,
187
los cuales se obtienen con clculos
similares,
k1 = hf
1
1
k2 = h[f mhF1 + m2 h2 F2 + m3 h3 F3 + ...]
2
6
1 2 2
k3 = h[f + nhF1 + h (n F2 + 2mnfy F1 )+
2
1 3 3
+ h (n F3 + 3m2 nfy F2 + 6mn2 (fty + f fyy )F1 ) + ...]
6
1
k4 = [f 0 + phF1 + h2 (p2 F2 + 2npfy F1 )+
2
1 3 3
2
+ h (p F3 + 3n fy F2 + 6np2 F1 (fty + f fyy ) + 6mnpfy2 F1 )...].
6
(6.8)
Combinando la ecuacin (6.8) como lo sugiere la ltima frmula de RungeKutta,
y(t + h) y(t) =(a + b + c + d)hf + (bm + cm + dp)h2 F1 +

1
1
+ (bm2 + cn2 + dp2 )h3 F2 + (bm3 + cn3 + dp3 )h4 F3 +
2
6
1
+ (cmn + dnp)h3 fy F1 + (cm2 n + dn2 p)h4 fy F2 +
2
2
2 4
+ (cmn + dnp )h (fty + f fyy )F1 + dmnph4 fy2 F1 + ...
La comparacin Taylor sugiere ahora las ocho condiciones
a+b+c+d=1
bm + cn + dp = 1/2
mb2 + cn2 + dp2 = 1/3
bm3 + cn3 + dp3 = 1/4
cmn + dnp = 1/6
cmn2 + dnp2 = 1/8
cm2 n + dnp2 = 1/12
dmnp = 1/24.
(6.9)
Luego el conjunto solucin clsico es
m = n = 1/2, p = 1, a = d = 1/6, b = c = 1/3

188
(6.10)

Que lleva a las frmulas de Runge-Kutta, ecuacin (6.7)
Algoritmo 18
. El siguiente cdigo de MATLAB, cal-
(Algoritmo de RK4)
cula la solucin de un problema de valor inicial.
function [t,y] = ode_RK4(f,tspan,y0,N)

% f ecuacin diferencial y'(t) = f(t,y(t)) donde y'(t) retorna un vector
% tspan = [t0,tf] intervalo de integracin
% y0 vector de valor inicial
% N numero de pasos
y=zeros(N+1,length(y0));
y(1,:) = y0(:)'; % hacer un vector fila de la condicin inicial
h = (tspan(2) - tspan(1))/N;
t = tspan(1) + (0:N)'*h;
for k = 1:N
f1 = h*feval(f,t(k),y(k,:)); f1 = f1(:)';
f2 = h*feval(f,t(k) + h/2,y(k,:) + f1/2); f2 = f2(:)';
f3 = h*feval(f,t(k) + h/2,y(k,:) + f2/2); f3 = f3(:)';
f4 = h*feval(f,t(k) + h,y(k,:) + f3); f4 = f4(:)';
y(k + 1,:) = y(k,:) + (f1 + 2*(f2 + f3) + f4)/6;
end
Ejemplo 6.3.1. Aproximar la solucin de y0 = 2ty, y(1) = 1, 1 6 t 6 1.5

con h = 0.1 usando el mtodo de Runge-Kutta.
f (t, y) = 2ty,
h = 0.1, i = 0, 1, 2, 3, 4
y0 = 1
t0 = 1.0, t1 = 1.1, t2 = 1.2, t3 = 1.3, t4 = 1.4

y1 = y0 + 1/6(k1 + 2k2 + 2k3 + k4 )
k1 = hf (t0 , y0 ) = 0.1(2(1)(1)) = 0.2
k2 = hf (t0 + 1/2h, y0 + 1/2k1 )

k2 = (0.1)2(1 + 1/2(0.1))(1 + 1/2(0.2)) = 0.231
k3 = hf (t0 + 1/2h, y0 + 1/2k2 )
k3 = (0.1)2(1 + 1/2(0.1))(1 + 1/2(0.231)) = 0.234255
k4 = hf (t0 + h, y0 + k3 ) = 0.2715361
Luego
y1 = 1 + 1/6(0.2 + 2(0.231) + 2(0.234255) + 0.2715361)
y1 = 1.23367435
189
ti
yi
Valor Real
1.1
1.2337
1.2337
1.2
1.5527
1.5527
1.3
1.9937
1.9937
1.4
2.6116
2.6117
1.5
3.4902
3.4904
La siguiente tabla muestra los resultados del mtodo de Runge-Kutta con
h = 0.1
redondeados a
decimales:
En la tabla que se presenta a continuacin se comparan los resultados

obtenidos a partir de los mtodos de Euler, Taylor de orden
y Runge-Kutta aplicadas al problema
0
y = 2ty,
y(1) = 1,
1 6 t 6 1.5
con
h = 0.1
Euler Taylor Euler

Rungede
mejorado Kutta
orden 2
Valor
Real
1.0000
1.0000
1.0000
1.1
1.2000
1.2300
1.2320
1.2337
1.2337
1.2
1.4640
1.5427
1.5479
1.5527
1.5527
1.3
1.8154
1.9728
1.9832
1.9937
1.9937
1.4
2.2874
2.5721
2.5908
2.6116
2.6117
1.5
2.9278
3.4188
3.4509
3.4902
3.4904
ti
2, Euler mejorado
La anterior comparacin de mtodos numricos fue tomada de [5]. Los

resultados se redondearon a
decimales.
6.3.1. Mtodo de Runge-Kutta-Felhberg (RKF45)

Una forma de garantizar la exactitud de la solucin numrica de un problema de valor inicial es resolver el problema dos veces, con tamao de paso
h/2,
y comparar las respuestas en los nodos correspondientes al tamao
de paso ms grande. Sin embargo, la segunda resolucin supone un coste

computacional signicativo y, adems, hay que hacer una tercera si se establece que la precisin no es an la adecuada.
190

El mtodo de Runge-Kutta-Felhberg el cual se denotar como RKF45, es
una forma de resolver este problema ya que incluye un criterio para determinar en cada momento si se est utilizando el tamao de paso
adecuado.
En cada paso se calculan dos aproximaciones distintas de la solucin y se

comparan; si los dos valores son sucientemente parecidos, entonces se acepta la aproximacin y, adems, se aumenta el tamao de paso si coinciden
en ms cifras signicativas que las requeridas; mientras que si los valores no
coinciden con la precisin especicada, entonces se reduce el tamao de paso.
Las ecuaciones son:
k1 = hf (tk , yk )
1
1
k2 = hf (tk + h, yk + k1 )
4
4
3
3
9
k3 = hf (tk + h, yk + k1 + k2 )
8
32
32
12
1932
7200
7296
k4 = hf (tk + h, yk +
k1
k2 +
k3 )
13
2197
2197
2197
439
3680
845
k5 = hf (tk + h, yk +
k1 8k2 +
k3
k4 )
216
513
4104
1
8
3544
1859
11
k6 = hf (tk + h, yk k1 + 2k2
k3 +
k4 k5 )
2
27
2565
4104
40
1408
2197
1
25
f4 = yk +
k1 +
k3 +
k4 k5
216
2565
4104
5
6656
28561
9
2
16
k1 +
k3 +
k4 k5 + k6
f6 = yk +
135
12825
56430
50
55
error = |f6 f4 |
T olh 1/4
s=
2error
(6.11)
6.4. Mtodos Multipasos Predictor-Corrector

Una caracterstica denitiva de los mtodos de pasos simples o mtodos de
un solo pasa com el mtodo de Euler, Euler Mejorado, Taylor y Runge-Kutta
consiste en que para obtener el siguiente punto
suministrada por
yk
yk+1 ,
se usa la informacin
pero no por los puntos precedentes. En los mtodos de
segundo orden o de oreden superior se tiene que valuar la funcin en uno

o ms puntos adicionales. Se presentarn mtodos que no pueden arrancar
191
por si solos, ya que no solamente usan puntos previos, sino que los exigen. Se pide algn mtdo de paso simple para iniciar el proceso del mtodo
multipaso, por lo tanto esto condicir a una combinacin juiciosa de mtodos
Los mtodos predictores-correctores implican el usa de una frmula para
hacer una primera prediccin del siguiente valor
yk ,
seguida de la aplicacin
de una frmula correctora ms aproximada que proporciona entonces mejoramientos sucesivos. Aunque son ligeramente complicados, tales mtodos
tienen la ventaja que a partir de aproximaciones sucesivas a cada valor de
yk
puede hacerse un estimativo del error, para ilustrar esta tcnica se va a desarrollar el mtodo de cuatro pasos de Adamas-Bashforth-Moulton, el mtodo
de Milne-Simpson y el mtodo de Hamming.
6.4.1. Mtodo de Adams-Bashforth-Moulton

El mtodo de Adams-Bashforth-Moulton, es un esquema que emplea el
mtodo explcito de Adams-Bashforth como predictor y utiliza el mtodo
implcito Adams-Moulton como corrector. El mtodo de Adams-Bashforth-
yk , y(k+1) , y(k+2) , y(k+3) , para caly(k+k) , esto signica que se debe utilizar un mtodo inicializador, quiz
Moulton requiere de varios puntos previos

cular
un mtodo de Taylor, pero es ms comn usar Runge-Kutta de cuarto orden,

durante los cuatro primeros puntos antes de aplicar el mtodo de AdamsBashforth-Moulton, solo se utilizar particiones igualmente espaciadas.
El mtodo de Adams-Bashforth-Moulton se genera a partir del teorema
fundamental del clculo:
tk+1
Z
y(tk+1 ) = y(tk ) +
f (t, y(t))dt.
(6.12)
tk
Para calcular la frmula predictora se utiliza el polinomio de interpolacin de
0
Lagrange de y (t) = f (t; y(t)), y(t0 ) = y0 y se integra en el intervalo [tk , tk+1 ],
luego la frmula predictora Adams-Bashforth es:
pk+1 = yk +
h
(9fk3 + 37fk2 59fk1 + 55fk ).
24
(6.13)
Para deducir el corrector se genera a partir del teorema fundamental

del clculo, tambin se utiliza el polinomio de interpolacin de Lagrange de
192

y 0 (t) = f (t; y(t)), y(t0 ) = y0
y se integra en el intervalo
[tk , tk+1 ],
luego la
frmula correctora Adams-Moulton est dada por:
yk+1 = yk +
h
(fk2 5fk1 + 19fk + 9fk+1 ).
24
(6.14)
Estimacin del error local de truncamiento y modicadores

Los trminos del error de las frmulas de integracin numrica que se
5
usan para obtener los valores predictor y corrector son de orden O(h ). Los
errorres de truncamiento local delas frmulas (6.13) y (6.14) son:
Error para el valor predictor
y(tk+1 ) pk+1 =
251 (5)
y (ck+1 )h5
720
(6.15)
Error para el valor corrector
y(tk+1 ) yk+1 =
19 (5)
y (dk+1 )h5
720
(6.16)
Para mejorar la precisin del predictor ecuacin (6.13), se introduce el

(5)
modicador, para esto se supone que h es pequeo y que y
(t) es practicamente constante en el intervalo, luego se puede eliminar estos trminos de
las frmulas (6.15) y (6.16), por lo tanto el modicador del predictor es:
251
(yk pk ).
720
mpk+1 = pk +
Si se quiere obtener una mejor precisin del corrector ecuacin (6.14), se

introduce el modicador del corrector:
myk+1 = yk+1
19
(yk+1 pk+1 ).
270
(6.17)
Para garantizar la convergencia del mtodo de Adams-Bashforth-Moulton

se requiere que el mximo tamao de
h<
satisfaga la condicin:
2.66667
.
|fy (tk , yk )|
193
6.4.2. Mtodo de Milne-Simpson

El mtodo de Milne-Simpson requiere de varios puntos previos
yk2 , yk3
para calcular
yk+1 ,
yk , yk1 ,
esto signica que se debe utilizar un mtodo
inicializador, quiz un mtodo de Taylor, pero es mas comn usar RungeKutta de cuarto orden, durante los cuatro primeros puntos antes de aplicar
el mtodo de Milne-Simpson.
Este esquema emplea el mtodo explcito de Milne como predictor y utiliza el mtodo implcito Simpson como corrector. La deduccin del mtodo
se deja como ejercicio para el lector. Para deducirlo, considere el problema
y 0 (t) = f (t, y(t)), y(t0 ) = y0 en el intervalo [tk3 , tk+1 ].
Predictor del Mtodo de Milne-Simpson

Integrando la ecuacin
y 0 (t) = f (t, y(t))
se obtiene:
tk+1
tk+1
Z
Z
y 0 (t)dt =
f (t, y(t))dt.
tk3
(6.18)
tk3
Tal que
tk+1
Z
y(tk+1 ) y(tk3 ) =
f (t, y(t))dt.
(6.19)
tk3
Luego
tk+1
Z
y(tk+1 ) = y(tk3 ) +
f (t, y(t))dt.
(6.20)
tk3
Estudiando la integral
tk+1
Z
f (t, y(t))dt.
tk3
194
(6.21)

Ahora se debe evaluar la integral (6.21), para hacerlo se considera el
f (t, y(t)) que pasa por

(tk2 , f (tk2 )), (tk1 , f (tk1 )), (tk , f (tk )). Es decir
polinomio de Lagrange de
los puntos
(tk3 , f (tk3 )),
(t tk2 )(t tk1 )(t tk )

+
(tk3 tk2 )(tk3 tk1 )(tk3 tk )
(t tk3 )(t tk1 )(t tk )
+
+ fk2
(t tk3 )(t tk2 )(t tk )
+ fk1
+
(t tk3 )(t tk2 )(t tk1 )
+ fk
.
(tk tk3 )(tk tk2 )(tk tk1 )
f (y, y(t)) = fk3
Ahora se integra la ecuacin (6.22) en el intervalo
tk+1
tk+1
Z
Z
f (y, y(t))dt fk3
tk3
(6.22)
[tk3 , tk+1 ]
(t tk2 )(t tk1 )(t tk )

dt+
tk3
tk+1
Z
+ fk2
(t tk3 )(t tk1 )(t tk )

dt+
tk3
tk+1
Z
+ fk1
(6.23)
(t tk3 )(t tk2 )(t tk )

dt+
tk3
tk3
Z
+ fk
(t tk3 )(t tk2 )(t tk1 )

dt.
(tk tk3 )(tk tk2 )(tk tk1 )
tk+1
t = tk +vh, de manera que dt = hdv y ttk+1 = t(tk +h) = ttk

h = vh h = h(v 1); t tk1 = t (tk h) = t tk + h = vh + h = h(v + 1);
t tk2 = h(v + 2); t tk3 = h(v + 3), si t = tk3 entonces v = 3 y t = tk+1
Sea
195
entonces
v = 1,
adems
ti tj = (i j)h
as:
tk+1
Z1
Z
h(v + 2)h(v + 1)hv
f (y, y(t))dt fk3
hdv+
h(2h)(3h)
3
tk3
Z1
+ fk2
h(v + 3)h(v + 1)hv

hdv+
h(h)(2h)
Z1
+ fk1
(6.24)
h(v + 3)h(v + 2)hv

hdv+
2h(h)(h)
Z1
+ fk
h(v + 3)h(v + 2)h(v + 1)

hdv.
h(2h)(3h)
3
De modo que
tk+1
Z
Z1
hfk3
f (y, y(t))dt
(v 3 + 3v 2 + 2v)dv+
6
3
tk3
Z1
hfk2
+
2
(v 3 + 4v 2 + 3v)dv
Z1
hfk1
2
(6.25)
(v 3 + 5v 2 + 6v)dv+
hfk
6
Z1
(v 3 + 6v 2 + 11v + 6)dv.
3
Como
R1
3
(v 3 + 3v 2 + 2v)dv = 0,
entonces
tk+1
Z
8hfk2 4hfk1 8hfk
f (y, y(t))dt
+
.
3
3
3
tk3
196
(6.26)

Luego
tk+1
Z
i
4h h
f (y, y(t))dt
2fk2 fk1 + 2fk .
3
(6.27)
tk3
Reemplazando el valor de la integral de la ecuacin (6.27) en la ecuacin
(6.20) se obtiene:
y(tk+1 ) y(tk3 ) +
i
4h h
2fk2 fk1 + 2fk .
3
(6.28)
Se tiene entonces el predictor del mtodo de Milne-Sipsom:
pk+1 = yk3 +
i
4h h
2fk2 fk1 + 2fk .
3
(6.29)
Corrector del Mtodo de Milne-Simpson

Para deducir el corrector que en este caso es llamado Regla de Simpson,
0
se considera la ecuacin y (t) = f (t, y(t)). Se Toma un segundo polinomio
f (t, y(t)) que pasa por los puntos (tk1 , fk1 ),

(tk , fk ) y tambin por el nuevo punto (tk+1 , fk+1 ) = (tk+1 , f (tk+1 , pk+1 )), donde pk+1 es el predictor que se acaba de calcular (ecuacin 6.29), integrando
este polinomio en el intervalo [tk1 , tk+1 ] se tiene que
interpolador de Lagrange de
tk+1
tk+1
Z
Z
0
y (t)dt =
f (t, y(t))dt.
tk1
tk1
Luego
tk+1
Z
y(tk+1 ) y(tk1 ) =
f (t, y(t))dt.
tk1
Entonces
tk+1
Z
y(tk+1 ) = y(tk1 ) +
f (t, y(t))dt.
tk1
197
(6.30)
Calcular la integral de la ecuacin (6.30) usando el polinomio de interpolacin de Lagrange de forma anloga al calculo del predictor (6.29).
i
hh
y(tk+1 ) y(tk1 ) + fk1 + 4fk + fk+1 .
3
(6.31)
As, el valor del corrector es
yk+1
i
hh
= yk1 + fk1 + 4fk + fk+1 .
3
(6.32)
Estimacin del error local de truncamiento del predictor en el mtodo de Milne-Simpson

Se puede realizar un estimativo por el mtodo de la serie de Taylor, usando
el cero como punto de referencia. Sea
1
1
1
1
(1)
(2)
(3)
(4)
(5)
yk = y0 + (kh)y0 + (kh)2 y0 + (kh)3 y0 + (kh)4 y0 +
(kh)5 y0 + ...
2
6
24
150
(6.33)
Tomando
k = 2,
la ecuacin (6.33) se transforma en:
4 (2) 8
16
32 5 (5)
(1)
(3)
(4)
h y0 + ...
y2 = y0 + 2hy0 + h0 + h3 y0 + h4 y0 +
2
6
24
120
S tomamos
k = 2
(6.34)
en la ecuacin (6.33)
4 (2) 8
16
32 5 (5)
(1)
(3)
(4)
y2 = y0 2hy0 + h0 h3 y0 + h4 y0
h y0 + ...
2
6
24
120
(6.35)
Restando las ecuaciones (6.34) y (6.35), se obtiene
8
8
(1)
(3)
(5)
y2 y2 = 4y0 + h3 y0 + h5 y0 +
3
15
(6.36)
Derivando la ecuacin (6.33) se tiene que
1
1
1
(3)
(4)
(5)
(1)
(1)
(2)
yk = y0 + (kh)y0 + (kh)2 y0 + (kh)3 y0 + (kh)4 y0 +
2
6
24
198
(6.37)

k=0
Ahora, reemplazando
en la ecuacin (6.37):
(1)
(1)
y0 = y0
Reemplazando
(1)
2y1
k=1
en la ecuacin (6.37), se obtiene:
h
i
1 2 (3) 1 3 (4)
1
(1)
(2)
4 (5)
= 2 y0 + (h)y0 + (h) y0 + (h) y0 + (h) y0 + ...
2
6
24
Por ltimo reemplazando
(1)
2y1
(6.38)
k = 1
(6.39)
en la ecuacin (6.37)
i
h
1
1 2 (3) 1 3 (4)
(1)
(2)
4 (5)
= 2 y0 (h)y0 + (h) y0 (h) y0 + (h) y0 + ...
2
6
24
(6.40)
A partir de las ecuaciones (6.38), (6.39) y (6.40) se encuentra la expresin:
1
(1)
(1)
(1)
(1)
(3)
(5)
2y1 y0 + 2y1 = 3y0 + 2h2 y0 + h4 y0 + ...
6
(6.41)
De la ecuacin (6.28) se tiene que
yk+1 yk3
Donde
i
4 h
= h 2fk fk1 + 2fk2 + Ep (y, h).
3
(6.42)
Ep (y, h) es el error local de truncamiento en el intervalo [tk3 , tk+1 ].

k = 1 en la ecuacin (6.42):
Ahora reeplazando
i
4 h
y2 y2 = h 2f1 f0 + 2f1 + Ep (y, h).
3
Como
(1)
yi
= fi
para
i = 2, 1, 0, 1, 2,
(6.43)
el error local de truncamiento es:
4
8
8
(1)
(1)
(1)
(1)
(3)
(5)
(y2 y2 ) h(2y1 y0 + 2y1 ) =(4y0 + h3 y0 + h5 y0 + ...)
3
3
15
4
1
(1)
(3)
(5)
h(3y0 + 2h2 y0 + h4 y0 + ...)
3
6
(6.44)
Simplicando
4
14
(1)
(1)
(1)
(5)
(y2 y2 ) h(2y1 y0 + 2y1 ) = Ep (y, h) h5 y0 + ...
3
45
199
(6.45)
De la cual se usar el primer trmino como estimativo y restando las

ecuaciones (6.28) y (6.29), esto se convierte en:
y(tk+1 ) pk+1
28
14 (5)
y (k+1 )h5 = y (5) (k+1 )h5 .
45
90
(6.46)
Por lo tanto el error local de truncamiento de la ecuacin (6.29) con
[tk3 , tk+1 ]
es:
Ep = Ep (y, h)
28 (5)
y (1 )h5 .
90
(6.47)
Estimacin del Error local de truncamiento del Corrector en el

mtodo de Milne-Simpson
El error local de truncamiento se deja como ejercicio. Luego el error
de truncamiento del corrector, con
2 [tk1 , tk+1 ]
Ec = Ec (y, h)
local
es:
1 5 (5)
h y (2 ).
90
(6.48)
El modicador del predictor del mtodo de Milne-Simpson

Una forma de mejorar la precisin del predictor es por medio de un modicador del mismo, esta es una frmula que proporcione una estimacin
aproximada del error en dos valores calculados pk+1 e yk+1 y que no requiere
(5)
conocer la quinta derivada y
(t). Entonces escribiendo y(tk+1 ) = pk+1 +Ep =
yk+1 + Ec
donde
h
[tk3 , tk+1 ]
suponga que
valo
pk+1
yk+1
denotan los resultados de predictor y corrector,

(5)
es pequeo y que y
es practicamente constante en el interluego se puede utilizar los trminos de las ecuaciones (6.47)
y (6.48), entonces:
28
1 (5)
y (2 )h5 y (5) (1 )h5 .
90
90

1 (5)
29 y (2 )h5 .
90
29Ec .
pk+1 yk+1 = Ec Ep =
As
Ec (pk+1 yk+1 )/29.

200
(6.49)

Sea
y(tk+1 ) = yk+1 + Ec .
(6.50)
Ahora se reemplaza la ecuacin (6.49) en la ecuacin (6.50) y se obtiene:
y(tk+1 ) = yk+1 + Ec yk+1 + (pk+1 yk+1 )/29 (28yk+1 + pk+1 )/29.

Sumando
pk+1
(6.51)
a ambos lados
y(tk+1 ) pk+1
28yk+1 + pk+1
pk+1 .
29
(6.52)

28
yk+1 pk+1 .
29
(6.53)
Por lo tanto
y(tk+1 ) pk+1 +
Si, se supone que la diferencia entre los valores predictores y correctores

poseen pequeos cambios de un paso a otro, entonces se hace jugar a
el papel de
pk
yk
pk+1 e yk+1 en (6.53) para obtener la siguiente frmula modicada:

mpk+1

28
= pk+1 +
y k pk .
29
Ahora se usa este valor modicado en la frmula correctora en
(6.54)
yk+1 ,
la
ecuacin (6.32) queda
yk+1
i
hh
= yk1 + fk1 + 4fk + f (tk+1 , mpk+1 ) .
3
(6.55)
El modicador del corrector del mtodo de Milne-Simpson

Sumando
yk+1
a ambos lados de la ecuacin (6.53), resulta:
y(tk+1 ) yk+1 pk+1 yk+1 +

28
yk+1 pk+1 .
29
Simplicando,
y(tk+1 ) yk+1
28yk+1 29yk+1 28pk+1 + 29pk+1

.
29
(6.56)
Por lo tanto el modicador del corrector de Milne-Simpson es:
myk+1 yk+1
201
yk+1 pk+1
.
29
(6.57)
Criterio de convergencia mtodo de Milne-Simpson

h<
3
.
|fy (tk , yk )|
(6.58)
Caso I (Mtodo de Milne-Simpson)

Se puede resumir el mtodo se Milne-Simpson mejorado (o modicado)
en los siguientes clculos:
pk+1 = yk3 +
mpk+1 = pk+1 +
yk+1 = yk1 +
i
4h h
2fk2 fk1 + 2f2
3

28
y k pk
29
Valor predictor.
Valor modicador del predictor.
i
hh
fk1 + 4fk + fk+1
3
Valor corrector.
(6.59)
fk+1 = f (tk+1 , mpk+1 ).

myk+1 yk+1
h<
yk+1 pk+1
29
3
|fy (tk , yk )|
Valor modicador del corrector.
Mximo tamao del paso.
Ejemplo 6.4.1. Las ecuaciones de la cintica puntal pueden ser escritas

como [7]:

6
X
dP (t)
(t)
=
P (t) +
i Ci (t).
dt
i=1
(6.60)
dCi (t)
i
= P (t) i Ci (t), i = 1, 2, ...6.
dt
(6.61)
P (t = 0) = P0 .
(6.62)
202
Ci (t = 0) =
i
P0 .
i
(6.63)
Donde P (t) es la potencia nuclear, Ci (t) es la concentracin del i-simo

grupo de precursores de neutrones retardados, (t) es la reactividad, es
el tiempo de generacin de neutrones, i es la fraccin del i-simo grupo
de neutros retardados, esla fraccin total de neutros retardados, ( =
i i ), i es la constante de decaimiento del i-simo grupo de precursores
de neutrones retardados, teniendo en cuenta los siguientes valores, para =
0.007, i (0.0127, 0.0317, 0.115, 0.311, 1.4, 3.87s1 ), i (0.000266, 0.001491,
0.001316, 0.002849, 0.000896, 0.000182) y = 2 105 s.
Estas ecuaciones son un sistema de siete ecuaciones diferenciales no lineales acopladas, las cuales describen la evolucin en el tiempo de la distribucin y concentracin de neutrones retardados en el reactor nuclear, donde el
parmetro dependiente del tiempo en este sistema es la reactividad. Integrando la ecuacin (6.61) es posible llegar a la ecuacin de la reactividad usando
el mtodo inverso conocido como:
Zt
6
X
1
hP0 i i t
dP (t)
0
i i
e
+ ei (tt ) P (t0 )dt0 .
(t) = +
P (t) dt
P (t) i=1
i
0
(6.64)
La ecuacin (6.64) es la solucin analtica y llamada mtodo de referencia, esta es usada para obtener la solucin exacta para las diferentes formas
de la potencia nuclear, pero esta no es conveniente aplicarla directamente
para el clculo de la reactividad en tiempo real por depender del histrico de
la potencia nuclear.
Para el clculo de la reactividad existe una forma simple directamente de
la ecuacin (6.60). Esta ecuacin puede ser escrita de la siguiente forma:
6
X
dP (t)
i Ci (t).
(t) = +
P (t) dt
P (t) i=1
(6.65)
Teniendo en cuenta el primer criterio de convergencia del mtodo de

Milne-Simpson, ecuacin (6.58) y que se quiere ser economicos con respecto
al costo computacional, se trabajar principalmente con el tamao de paso
203
h = 0.1. Con los distintos correctores y sus respectivos modicadores es posi-
ble calcular la reactividad en tiempo real usando las ecuaciones de la cintica

puntual en una forma contnua. El Caso I ( 2 = 1 ) conocido como el mtodo de Milne-Simpson presenta problemas de estabilidad para intervalos de
tiempos muy grandes y tamaos de pasos menores o iguales a 0.01s, luego no
se recomienda implementar el mtodo de Milne-Simpson.
La Figura 6.3, muestra los resultados para la potencia nuclear P (t) =
exp(t) con = 0.12353, el mtodo de Milne-Simpson se vuelve inestable
con un tamao de paso de calculo t 0.1s.
Figura 6.3: Variacin de la reactividad necesaria para reproducir la variacin

de la potencia nuclear,
P (t) = exp(t)
con
=0.12353.
.....
6.4.3. Comparacin de Mtodos

204
Ejemplo tomado de

Mtodo
Euler
Modicado
RK4
RKF45
AdamsMoulton
Milne
Tipo
Error
Error
Local
Global
O(h3 )
O(h2 )
Bueno
Paso
O(h5 )
Simple
Paso
O(h6 )
Simple
Multipaso O(h5 )
O(h4 )
Miltipaso
Paso
Simple
O(h5 )
Estabilidad
Faciliad
cam-
Recomendado?
bio tamao de
paso
Bueno
No
Bueno
Bueno
Si
O(h5 )
Bueno
Bueno
Si
O(h4 )
Bueno
Pobre
Si
O(h4 )
Pobre
Pobre
No
Tabla 3. Mtodos de comparacin
t
Ejemplo 6.4.2. Resolver la ecuacin diferencial y0 = cos 12
y , con y(0) =
50 utilizando los mtodos de la Tabla 3, donde la exacta es

i
1
cos(t/12) + (/12)sin(t/12) h
t
+ 50
y(t) =
2
2 e
1 + /12
1 + /12
Vericar que se cumplen las armaciones dadas en la Tabla 3.

En la siguiente Tabla se puede observar que el tamao de error del los
mtodod de RK4 y RK45 son muy cercanos, lo que indica que el costo computacional de RK45 es muy alto, por lo tanto en la practica se recomienda
utilizar RK4.
6.5. Mtodo de Hamming

6.5.1. Esquema Predictor-Corrector
La inestabilidad en el corrector es el pricipal defecto del mtodo de MilneSimpson, en vez de usar este mtodo, se puede utilizar el mtodo de Hamming
que se trata de un tipo
diferenciales del tipo
predictor-corrector
y 0 = f (t, y),
el cual permite resolver ecuaciones
utilizando la misma frmula de prediccin
205
Mtodo
Tamao
de Paso
Euler Modicado
Mximo Error
Tiempo [ s ]
0.1
0.350485918264
RK4
0.1
0.318154383543
RKF45
0.1
0.318143220959
0.975
Adams-BashforthMoulton
Milne
0.1
0.318138080808
13
0.1
0.319950733923
25
del mtodo de Milne-Simpson, ecuacin (6.29) con su respectivo error local

de truncamiento, ecuacin (6.47). El mtodo de Hamming requiere de varios
puntos previos
yk
para calcular
yk+1 . Generalmente estos puntos inciales son
calculados por el mtodo de Runge-Kutta.

En la prxima seccin, para obtener una mejor aproximacin se utiliza el
denominado Corrector Generalizado del Mtodo de Hamming.
6.5.2. Generalizacin del Corrector de Hamming

S
es variable libre, se tiene el corrector generalizado del mtodo de
Hamming dado por la siguiente expresin:
yk+1 = 1 yk + 2 yk1 + 3 yk2 + h[0 fk+1 + 1 fk + 2 fk1 ] + E5
y (5) ()h5
.
5!
(6.66)
Usando este criterio para el corrector generalizado obtenemos las condiciones de los coecientes
1 , 2 , 3 , 0 , 1 , 2 .
Estas condiciones pueden ser
encontradas realizando la expansin de la serie de Taylor de cada yk2 , yk1 ,

0
0
yk0 , yk1
, yk+1 , alrededor de h y sustituyendo estos valores en la ecuacin
206

(6.66), teniendo en cuenta que
y0 = f .
yk+1 =1 yk + 2 yk + yk0 (h) +
Entonces
1 (2)
1 (3)
1 (4)
yk (h)2 + yk (h)3 + yk (h)4
2!
3!
4!
i
h
1 (5)
1 (2)
1 (3)
yk ()(h)5 + ... + 3 yk + yk0 (2h) + yk (2h)2 + yk (2h)3
5!
2!
3!
i
n h
1 (4)
1 (5)
1 (3)
1
(2)
yk (2h)4 + yk ()(2h)5 + ... + h 0 yk0 + yk h + yk h2 + y (4) h3
4!
5!
2!
3!
i
h
1 (5)
1 (4)
1 (3)
(2)
yk ()(h)5 + ... + 1 yk0 + 2 yk0 + yk (h) + yk (h)2 + yk (h)3
4!
2!
3!
io
y (5) ()h5
1 (5)
5
.
+ yk ()(h) + ... + E5
4!
5!
(6.67)
El desarrollo de la serie de Taylor de la funcin
yk+1 = yk + yk0 h +
yk+1
es:
1 (2) 2 1 (3) 3 1 (4) 4 1 (5)

yk h + y h + yk h + yk ()h5 .
2!
3!
4!
5!
(6.68)
Igualando los coecientes de la expresin ecuacin (6.67) con los homologos de la ecuacin (6.68), se llega al siguiente conjunto de ecuaciones lineales
simultaneas
1 + 2 + 3
2 22 + 0 + 1 + 2
1
2 + 23 + 0 2
2
1
4
1
1
2 3 + 0 + 2
6
3
2
2
1
2
1
1
2 + 3 + 0 2
24
3
6
6
=1
=1
1
=
2
1
=
6
1
= .
24
(6.69)
Al expresar la ecuacin (6.69) en matriz ampliada y reduciendola se tiene

que
207
1
1
1
0
0 1
2
1
0 1/2
2
1
0 1/6 4/3 1/2
0 1/24 2/3 1/6
0
0
1
1
0 1
0 1/2
0 1/6
|
1
|
1
| 1/2
| 1/6
| 1/24
f3 2f3
f4 6f4
f5 24f5
Resultando
1 1
1 0
0 1 2 1
0 1
4 2
0 1 8 3
0 1 16 4
0 0 | 1
1 1 | 1
0 2 | 1
0 3 | 1
0 4 | 1
f4 f4 +2f3
f5 f5 4f3
Se obtiene
1 1
1
0
0 1 2 1
0 1
4
2
0 1
0
7
0 3 0 4
0 0 | 1
1 1 | 1
0 2 | 1
0 1 | 3
0 4 | 3
f3 f3 2f4
f5 f5 +4f4
Finalmente se llega
1 1
1
0 0 0 | 1
0 1 2 1 1 1 | 1
0 1 4 12 0 0 | 5
0 1
0
7 0 1 | 3
0 1
0
24 0 0 | 9
(6.70)
Ahora se toma la quinta la de la matriz en la ecuacin (6.70) tal que
2 + 240 = 9
obteniendo:
0 =
9 2
.
24
Luego se toma la tercera la de la matriz dada en la ecuacin (6.70)
2 + 43 120 = 5
de modo que
1
3 = (1 2 ).
8
208

Continuando con el proceso, se toma la primera la de la matriz ( ver
2
1 + 2 + 3 = 1 tal que 1 = 1 2 3 = 1 2 + 1
,
8
por lo tanto
ecuacin 6.70)
1 =
9 92
.
8
La cuarta la de la matriz dada en la ecuacin (6.70) queda 2 +70 2 =

2
2 72
3, luego 2 = 2 +70 3 de manera que 2 = 2 +7( 9
)3 = 242 +637
24
24
entonces
2 =
9 172
.
24
Por ltimo se toma la segundo la de la matriz en la ecuacin (6.70)2
3 + 0 + 1 + 2 = 1,
esto implica que
1 =
1 = 1 + 2 + 3 0 2 ,
luego
9 + 172
.
12
En consecuencia se tiene las condiciones de todos los coecientes del corrector generalizado, en la ecuacin (6.66)
9 2
24
9 + 72
1 =
12
9 + 172
1 =
.
24
9 92
8
2 = 2
1
3 = (1 2 )
8
1 =
0 =
(6.71)
El termino del error se puede encontrar igualando los coecientes de los

errores de la expresin de Taylor ecuacin (6.67) con el homologo de la ecua-
209
cin (6.68) se llega a la siguiente ecuacin lineal:
2 323 0 2 E5
+
+
+
5!
5!
4!
4!
5!
2 323
E5
+ 0 + 2 +
5
5
5
2 323 + 50 + 52 + E5
32
5
5
2 + (1 2 ) + (9 2 ) + (9 + 172 ) + E5
8
24
24

2
(5)(17)
2 42 2 +
2 + E 5
24
24

10
52 2 + E5
3
Despejando
E5
1
5!
1
=
5
=1
=
=1
(6.72)
= 3
= 3.
se tiene que:
E5 =
9 + 52
.
3
(6.73)
Por ltimo, teniendo en cuenta que el valor de E5 depende de 2 y multih5 y (5) ()/5! se tiene el trmino del errror del
plicando la ecuacin (6.73) por
corrector generalizado del mtodo de Hamming, ecuacin (6.66).
Pero Cuales valores puede tomar 2 para que el corrector generalizado de

Hamming sea estable? La respuesta se obtendr y se explicar en la seccin
6.5.3.
6.5.3. Estabilidad del Corrector Generalizado del Mtodo de Hamming

Debido a los problemas de estabilidad que presenta el mtodo de MilneSimpson y que este es un caso particular (para
2 = 1)
del mtodo de
Hamming, luego se hace necesario estudiar la estabilidad del corrector generalizado del mtodo de Hamming.
Por lo tanto 0.6
2 1.
En este intervalo hay algunos numeros para
ser considerados candidatos, los cuales tienen varias propiedades especiales;

ellos se muestran en la Tabla 1. (Note que el caso
Milne-Simpson).
210
2 = 1
es el mtodo de

El trmino del error
E5 crece linealmente de -1/90 a -1/30 (para obtener
estos valores, reemplazar en la ecuacin (6.73) los valores -0.6 y 1).
Los casos
2 = 1, 9/17, 0
tiene uno o mas coecientes igual a cero (ver
coecientes en la Tabla 1).
En cada caso se tiene por lo menos dos coecientes de igual magnitud.
En la Tabla 1 se encuentran los valores que toma
y los valores de los
coecientes del corrector generalizado.
1 = (1/8)(9 92 )
2 = 2
3 = (1/8)(1 2 )
0 = (1/24)(9 2 )
1 = (1/12)(9 + 72 )
2 = (1/24)(9 + 172 )
E5 = (1/(3 5!))(9 + 52 )
Tabla 1.
9/17
9/8
9/7
45/31
9/5
9/17
1/9
-1/7
-9/31
-3/5
-1/17
-1/9
-1/8
-1/7
-5/31
-1/5
1/3
6/17
10/27
3/8
8/21
12/31
2/5
4/3
18/17
22/27
6/8
14/21
18/31
2/5
1/3
-8/27
-3/8
-10/21
-18/31
-4/5
-1/90
-3/170
-19/810
-1/40
-17/630
-9/310
-1/30
Coeciente que optimiza el mtodo de Hamming.
Teniendo en cuenta que el valor de
E5
depende de
2 , E5
es multiplicado por
h5 y (5) ().
Segn la Tabla anterior se tienen distintos casos de correctores con sus

respectivos modicadores para diferentes valores de
2 ,
en cada uno de los
casos se denotar el error local de truncamiento del corrector como

E5 h5 y (5) ().
211
Ec =
6.5.4. Caso II (Mtodo de Hamming)

Para
2 = 0 segn la Tabla 1, se pueden resumir las frmulas, se utilizar
el mismo predictor del mtodo de Milne-Simpson, segn ecucacin (6.29).
mpk+1 = pk+1 +
yk+1 =

112
yk pk
121
Valor del modicador del predictor.
i
9yk yk2 3h h
+
fk1 + 2fk + fk+1
8
8
Valor del corrector.
fk+1 = f (tk+1 , mpk+1 ).

myk+1 yk+1
h<

9
yk+1 pk+1
121
2.66667
|fy (tk , yk )|
Valor del modicador del corrector.
Mximo tamao del paso.

(6.74)
Algoritmo 19
. Programa para la apro-
(Algoritmo mtodo de Hamming)
ximacin numrica a la solucin del problema de valor inicial y 0 = f (t, y)

con y(a) = y0 en [a, b] usando el valor predictor y corrector del mtodo de
Hamming, ecuacin (6.74).
function [t,y] = odeHam(f,tspan,y0,N)
% y'(t)=[y1' y2' ... yn']
% tspan = [t0,tf] intervalo de integracion
% y0 vector de valor inicial i.e y0=[y10 y20 y30 ... yn0]
% N Numero de pasos en el tiempo
% f ecuacion diferencial y'(t) = f(t,y(t))
% donde y'(t) renortna un vector
h = (tspan(2)-tspan(1))/N; % Tamao de paso en el tiempo
[t,y] = ode_RK4(f,[tspan(1) 3*h],y0,3);
t = [t(1:3)' t(4):h:tspan(2)]';
y=[y ; zeros(N-3,1)];
F=zeros(4,length(y0));
212
for k = 2:4
F(k-1,:) = feval(f,t(k),y(k,:));
end
p = y(4,:);
c = y(4,:);
for k = 4:N
Pnew = y(k-3,:) + (4*h/3)*(2*F(1,:) - F(2,:) + 2*F(3,:));
MPnew = Pnew + (112/121)*(c - p); %Modificador del predictor
ynew = (-y(k-2,:) + 9*y(k,:) + ...
3*h*[-1 2 1]*[F(2:3,:);feval(f,t(k + 1),MPnew)])/8;
My(k+1,:) = ynew - (9/121)*(ynew - Pnew); %Modificador del corrector
y(k+1,:)=My(k+1,:);
p = Pnew; c = ynew;
% actualizar valores del predictor/corrector
F = [F(2:3,:);feval(f,t(k+1),y(k+1,:))];
end
6.6. Ejercicios
1. Aplique los mtodos de Euler, Euler mejorado y Taylor de orden dos
para aproximar la solucin de los siguientes problemas de valor inicial.
y
a ) y0 =
t
y
t
!2
,
1
t
b ) y 0 = (y 2 + y) ,
1 6 t 6 1.2,
1 6 t 6 3,
y(1) = 1,
y(1) = 2,
con
con
h = 0.1
h = 0.5
2. Dado el problema de valor inicial
con la solucin
a)
2
y 0 = y + t2 et 1 6 t 6 2,
t
2 t
exacta y(t) = t (e e).
y(1) = 0
Aplique el mtodo de Taylor de orden dos con
h = 0.1
para apro-
ximar la solucin, y comprela con los valores reales de
b)
y.
Use las respuestas obtenidas en la parte (a) y la interpolacin

lineal para aproximar
en los siguientes valores y comprelos con
y.
y(1.55)
los valores reales de

i)
y(1.04)
ii)
iii)
213
y(1.97)
3. Aunque no es obvio de la ecuacin diferencial, su solucin podra tener

un mal comportamiento en el entorno de un punto
desea aproximar
y(t).
en el cual se
Procedimientos numricos pueden proporcionar
resultados muy distintos cerca de este punto. Sea
y(t)
una solucin del
problema de valor inicial.
y 0 = t2 + y 3 ,
y(1) = 1,
1 6 t 6 1.5
Utilizando un tamao de paso de
h=
0.1, compare los resultados obte-
nidos con la frmula de Euler con los de la frmula de Euler mejorada

en la aproximacin de
4. Sea
y(t)
una solucin del problema de valor inicial
y 0 = t2 + y 3 ,
Use
y(1.4).
y(1) = 1,
h = 0.1
1 6 t 6 1.5
y la frmula de Taylor de orden dos para obtener una
aproximacin a
y(1.4). Compare su respuesta con el resultado obtenido
en problema anterior.
5. Dado el problema de valor inicial.
y 0 = (t y)2
y(0) = 0.5
0 6 t 6 0.5
h = 0.1 y obtenga una aproximacin

y(0.5).
Use el mtodo de Runge-Kutta con

con cuatro cifras decimales para
6. Si la resistencia del aire al movimiento es proporcional al cuadrado de

la velocidad instantnea del mvil, entonces la velocidad
de masa
soltado desde una altura
m
Si
v de un cuerpo
se determina a partir de
dv
= mg kv 2 ,
dt
k>0
v(0) = 0, k = 0.125, m = 5 slugs y g = 32pie/s2
utilice el mtodo de
Runge-Kutta para hallar una aproximacin de la velocidad del cuerpo

al tiempo
t = 5 seg ,
use
h = 1.
214
Bibliografa
[1] T. Akai.
Mtodos Numricos aplicados a la Ingeniera.
[2] R. Brent.
Limusa, 1999.
Algorithms for Minimization Without Deriviatives.
Prentice-
Hall, 1973.
[3] R. Burden and F. Douglas.
Mtodos Numricos aplicados a la Ingeniera.
Limusa, 1999.
[4] Kincaid D. and Cheney W.
Anlisis Numrico.
Addison Wesley Ibe-
roamericana, 1994.
[5] Zill D.
Ecuaciones Diferenciales con aplicaciones de modelado.
Octava
edicin. Grupo editorial Iberoamrica, 2000.

[6] James W Demmel.
Applied Numerical Linear Algebra.
[7] J.J. Duderstadt and L.J. Hamilton.
SIAM, 1997.
Nuclear Reactor Analysis.
John
Wiley and Sons Inc, New York, 1976.

[8] R.A. Horn and C.R. Johnson.
Matrix Analysis.
Cambridge University
Press, Cambridge, 1985.

[9] MathWorks. http://www.mathworks.com/help/matlab/., 2012.
[10] Lloyd N. and David Bau.
[11] J.F Traub.
Numerical Linear Algebra.
SIAM, 1997.
Iterative methods for the solutions of equations.
Hall, New Jersey, 1964.
215
Prentice-
ndice alfabtico
aritmtica de precisin nita, 12
Triangular inferior, 66, 75

Triangular superior, 64, 75
Algoritmo
Matriz Diagonal, 64
Newton, 37
triangular superior, 65
Newton-Raphson, 37
Algoritmo de Biseccin, 34
notacin cientca, 4
Algoritmo Newton, 44
notacin cientca
Algoritmo Punto jo, 56
base
Algoritmo Regula Falsi, 37
base
10, 4
2, 4
Algoritmo Secante, 47
Pivoteo Parcial, 72
bin2dec(binario), 5
cero, 27
precisin doble, 5, 7
precisin simple, 6
precisin simple , 5
Eliminacin Gaussiana, 68, 72
Punto jo, 48
error absoluto, 13
punto otante, 1, 5
error de redondeo, 13
error relativo, 13
exponente sesgado, 8
Factorizacin LU, 75
Falsa posicin, 35
raz, 27
Regula Falsi, 35
Secante, 45
sistema binario, 2
sistema decimal, 2
mtodo de biseccin, 28
sistema hexadecimal, 3
mantisa, 5
sistema octal, 3
Matriz
sobreujo, 9
Diagonal, 63
subujo, 9
216

Sustitucin
hacia adelante, 65
hacia atras, 65
217

Libro Analisis Jorge Figueroa

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Libro Analisis Jorge Figueroa

Diunggah oleh

Hak Cipta:

Format Tersedia

ANLISIS NUMRICO CON

Andres Felipe Amador Rodriguez

Ponticia Universidad Javeriana, Cali. 2013

1. Representaciones de Nmeros y Errores

Representacin de un nmero real en una mquina

Aritmtica de precisin nita

Arimtica en una Mquina . . . . . . . . . . . . . . . . . . . .

Prdida de dgitos o cifras signicativas . . . . . . . . . . . . .

Mtodo de la Regula Falsi

Mtodo del punto jo . . . . . . . . . . . . . . . . . . . . . . .

3. Sistemas de Ecuaciones Lineales

Sistemas fciles de resolver . . . . . . . . . . . . . . . . . . . .

Mtodos Directos de Solucin

Mtodo de Eliminacin Gaussiana . . . . . . . . . . . .

Normas Vectoriales y Matrices . . . . . . . . . . . . . . . . . .

Mtodos iterativos para sistemas lineales

Nmero Condicional y Renamiento Iterativo

Precondicionamiento o Equilibracin de una Matriz . . . . . .

Precondicionamiento mediante equilibracin de las . .

Precondicionamiento mediante equilibracin de Columnas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

4. Interpolacin y Ajustes de Curvas

Mtodo Directo . . . . . . . . . . . . . . . . . . . . . . . . . . 112

Forma matricial . . . . . . . . . . . . . . . . . . . . . . 114

Nmero condicional . . . . . . . . . . . . . . . . . . . . 114

Mtodo de diferencias divididas

Polinomio de Lagrange . . . . . . . . . . . . . . . . . . . . . . 118

Interpolacin polinomial a trozos

Ajuste de curvas por mnimos cuadrados

5. Integracin y Diferenciacin Numrica

Integracin numrica . . . . . . . . . . . . . . . . . . . . . . . 153

Regla del trapecio . . . . . . . . . . . . . . . . . . . . . 153

Regla de Simpson . . . . . . . . . . . . . . . . . . . . . 154

Regla compuesta del Trapecio . . . . . . . . . . . . . . 159

Regla compuesta de Simpson

Anlisis Numrico con MATLAB

6. Ecuaciones diferenciales ordinarias

Mtodo de la serie de Taylor . . . . . . . . . . . . . . . . . . . 179

Mtodo de Euler mejorado . . . . . . . . . . . . . . . . . . . . 184

Mtodos Multipasos Predictor-Corrector

Mtodo de Hamming . . . . . . . . . . . . . . . . . . . . . . . 205

Generalizacin del Corrector de Hamming

Estabilidad del Corrector Generalizado del Mtodo de

Mtodo de Runge-Kutta-Felhberg (RKF45)

Caso II (Mtodo de Hamming)

troducen nmeros en base

la computadora los convierte en nmeros en

lleva a cabo los clculos en base

presenta los resultados en base

y no el sistema decimal (base

10 a base 2 utiliza la llamada representacin de punto otante y en mu-

es un nmero real entonces la representacin de

x = en en1 e0 .d1 d2 d3 dk dk+1

son dgitos entre

se escribe en forma explcita entonces el valor de

x =en bn + en1 bn1 + + e1 b1 + e0 b0 + d1 b1 + d2 b2

CAPITULO 1. REPRESENTACIONES DE NMEROS Y ERRORES

Ejemplo 1.0.1 (Sistema decimal o base 10). Para representar un nmero

b) Representacion de y en sistema decimal

(Sistema binario o base

2). Para representar un nmero en

sistema binario se usan los dgitos 0 y 1.

a) Representacion de x en sistema binario

Recordando la representacion de x en sistema decimal y la anterior en

De forma analoga las representaciones en sistema decimal e binario de y

Ponticia Universidad Javeriana, Cali. 2013

Aritmtica de precisin nita

Prdida de dgitos o cifras signicativas . . . . . . . . . . . . .

Mtodo del punto jo . . . . . . . . . . . . . . . . . . . . . . .

Nmero Condicional y Renamiento Iterativo

Precondicionamiento mediante equilibracin de las . .

10 a base 2 utiliza la llamada representacin de punto otante y en mu-

(Notacin cientica en base 10). Un nmero real x se dice

Ejemplo 1.0.5. Representacion cientica en base de 10 para x = 1231 y

(x) que toma la siguiente forma:

En la gura 1.1 se muestra la distribucin de los

Primero se escribe el nmero en notacin de punto otante base 2 de la