Metodos Numericos

UNMSM
MTODOS NUMRICOS
UNIVERSIDAD NACIONAL MAYOR DE SAN

MARCOS
(Decana de Amrica)
FACULTAD DE CIENCIAS MATEMATICAS
CURSO METODOS NUMERICOS I - II
PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ.
--2012
PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ
Pg. 1
UNMSM
MTODOS NUMRICOS
INDICE
Pg.
INDICE..2
INTRODUCCIN........ 4
ERROR ABSOLUTO....5
Teorema de Bolzano...6
MTODO DE BISECCIN..7
MTODO DE REGULA FALSI O MTODO DE FALSA POSICIN.10
MTODO DE PUNTO FIJO O MTODO DE APROXIMACIONES SUCESIVA..12
MTODO DE LA SECANTE...15
MTODO DE NEWTON RAPHSON...17
MTODO DE NEWTON RAPHSON EN DOS VARIABLES....24
INTERPOLACIN...27
INTERPOLACIN DIRECTA DE NEWTON -PROGRESIVO...28
INTERPOLACIN DE NEWTON REGRESIVO (NR)..31
INTERPOLACION DIRECTA CENTRAL.32
INTERPOLACIN PARA EL CASO DE DATOS NO EQUIDISTANTES..35
INTERPOLACION Y APROXIMACION DE LAGRANGE.38
PROBLEMAS RESUELTOS...42
METODOS DIRECTOS DE SISTEMAS DE ECUACIONES LIENALES...48
Mtodo Crout-Doolitle..50
Mtodo de Cholesquy...52
Mtodo Tridiagonal para sistemas de ecuaciones lineales59
Pg. 2
UNMSM
MTODOS NUMRICOS
Mtodo Pentadiagonal para sistemas de ecuaciones lineales..65

NORMA DE UNA MATRIZ......73
SOLUCION ITERATIVA DE SISTEMAS DE ECUACIONES LINEALES...75
Mtodo de Jacobi.75
Mtodo de Gauss- Seidel.85
DIFERENCIA NUMERICA..99
INTEGRACIN NUMERICA..105
EXTRAPOLACION DE RICHARDSON- (E.R)..113
INTEGRACION DE ROMBERG.123
SOLUCIN NUMRICA DE E. D.O. CON VALOR INICIAL.130
Mtodo de Euler.130
Mtodo de Taylor de orden K133
Predictor corrector...138
ECUACIONES DIFERENCIALES DE ORDEN SUPERIOR140
CONCLUSIONES.....143
Pg. 3
UNMSM
MTODOS NUMRICOS
INTRODUCCIN
En la prctica de la ingeniera y ciencias es frecuente tener la necesidad de resolver un
sistema de ecuaciones lineales. Estos sistemas aparecen en muy diversos problemas, ya sea
como la solucin completa de un problema al menos como parte de ella. Dada esta
necesidad frecuente, se requiere resolverlos en forma eficiente.
Para una mejor organizacin y bsqueda rpida de cada tema se ha implementados con un
ndice al principio del trabajo para su fcil ubicacin de los temas ya que el texto completo
se encuentra enumerada de principio a fin, adems en el final se ha considerado incluir
problemas resueltos de los diferentes temas estudiados.
Como los algoritmos de los mtodos ya estn disponibles en la mayora de los libros de texto
sobre la materia, se explicara en la medida de lo posible, detalles de implementacin
(personales) de los mtodos directos (que son mas difciles de programar). El lenguaje de
programacin idneo para tal fin ser matlab 6.0
Damos desde ya los agradecimientos a todas aquellas personas que dieron su apoyo para
completar el trabajo tanto en ideas, criticas para su mejoramiento sin importar la magnitud
de la ayuda han sido de gran ayuda y esperando aun recibir su aportes para la continua
superacin en los prximos trabajos que se han de mostrar.
Pg. 4
UNMSM
MTODOS NUMRICOS
ERROR ABSOLUTO
Es la diferencia entre un valor de exacto y una de sus aproximaciones. Puede ser positivo o
negativo, segn si la medida es superior al valor real o inferior (la resta sale positiva o
negativa). Tiene unidades, las mismas que las de la medida.
DEFINICION DE CIFRAS SIGNIFICATIVAS EXACTAS:
Se define por la siguiente relacin:
; Donde:
m=es la descomposicin polinmica.
n= numero de cifras significativas exactas.
DEFINICION DE CIFRAS DECIMALES EXACTAS:
Se define por la siguiente relacin:
; Donde:
t=numero de cifras decimales exactas.
Ahora sea:
P = ln(5)
Entonces:
P= ln(5) = 1.609437912
Y sea sus siguientes aproximaciones:
P1 = 1.60123456
P2 = 1.609413131
P3 = 1.6094372
Donde: m = 0
Ahora hallamos sus Ea de cada uno.
Ea1 = | p p | = 0.008203 = 0.008 = 0.8x10 = 0.001 = 0.1x10
Ea = |p - p | = 0.000025 = 0.00003 = 0.3x10
Ea = |p - p | = 0.0000012 = 0.00001 = 0.1x10
Ahora hallaremos el nmero de cifras significativas exactas:

Para p:
0.1x10 0.5x10
-2 = -n+1
n = 3 ---> p tiene 3 cifras significativas exactas.
Pg. 5
UNMSM
MTODOS NUMRICOS
Para p:
0.3x10 0.5x10
-4 = -n+1
Para p:
0.1x10 0.5x10
-5 = -n+1
Ahora hallaremos el nmero de cifras decimales exactos:
Para p:
0.1x10 0.5x10
K=2
Entonces p tiene 2 cifras decimales exactas.
Para p:
0.3x10 0.5x10
K=4
Para p:
0.1x10 0.5x10
K=5
TEOREMA DE BOLZANO (TB)
Sea la ecuacin no lineal f(x) =0;
Donde f(x) es funcin no trascendente (trigonomtrica, exponencial, logartmica o
polinomial),
,
Si ( ) ( )
( )
Aplicacin del Teorema de Bolzano:

Sea f(x) = x.cos(x) 1
x
f(x)
-2
-1
Pg. 6
UNMSM
MTODOS NUMRICOS
Como f(1).f(2) < 0 ---> existe x* que pertenece a [1,2]
MTODO DE BISECCIN
Dado la ecuacin no lineal f(x) = 0 /. Existe la raz X*
[a, b] por T.B.
El mtodo de biseccin consiste en hallar el promedio simple de cada intervalo
[
]
X*.
Algoritmo de biseccin:
P-1.- Dado la ecuacin f(x) = 0 /. Existe la raz X*
[a, b] por T.B.
P-2.- Generar la sucesin {xi} x* mediante la siguiente relacin
; i = 0, 1, 2,3.
P-3. Hallar
( ) ( )
P-4. - Dejar de iterarse

Parar si |
Caso contrario ir al paso numero 2.
Ejemplo 01.
( )
X* [-1,2]
Obtener una solucin con 2 cifras ex

Se deja de iterar si |
i=0 ,
) (
i=1 ,
|
-
)
-
Pg. 7
UNMSM
MTODOS NUMRICOS
|
(
) (
i=2 ,
)
-
|
(
) (
i=3 ,
|
(
) (
i=4 ,
X* = -0.03125
Ejemplo 02.
( )
X* [-2,1]

i=0 ; ,
) (
Pg. 8
UNMSM
i=1 ; ,
|
(
) (
i=2 ,
)
-
|
(
) (
i=3 ,
)
-
|
(
) (
i=4 ,
)
-
|
(
) (
i=5 ,
MTODOS NUMRICOS
)
-
X* = -1.953125
Pg. 9
UNMSM
MTODOS NUMRICOS
MTODO DE REGULA FALSI O MTODO DE FALSA POSICIN

Es un mtodo similar al mtodo de biseccin en la que en vez de hallar el promedio simple
de dos intervalos ,
- --> X*. El mtodo de R.F. determina el promedio ponderado
de los intervalos ,
- --> X*.
Algoritmo del mtodo de R.F.
( )=0
Paso 1: Dada la ecuacin
Paso 2: Generar la sucesin: {xn} x* mediante la relacin:

( )
( )
( )
Paso 3: Hallar
( ) ( )
Paso 4: Parar si |
Ejercicio 1:
( )
, Con X* [1,3]

i=0 ,
( )
( )
(
) ( )
i=1
( )
( )
Pg. 10
UNMSM
( )
( )
|
MTODOS NUMRICOS
( )
( )
|
( ) ( )
i=2 ,
( )
( )
|
( )
( )
X*=0.804
Ejercicio 2
( )
; Con X* [-2,2]

i=0 ,
( )
( )
(
i=1
( )
( )
) ( )
,
( )
( )
|
( )
( )
X*=-0.20713
Pg. 11
UNMSM
MTODOS NUMRICOS
MTODO DE PUNTO FIJO O MTODO DE APROXIMACIONES

SUCESIVAS
Algoritmo:
Paso 1: Dado la ecuacin ( )=0 / exista la raz X*
De
( )=0 despejar
[a, b] por el T.B.
de diferentes formas y obtener una ecuacin de la siguiente forma:
= g (x).. (2)
Donde g(x) es llamado funcin de iteracin.
Si x = x* es raz o solucin de (2) tambin lo ser de ( )=0, X* que satisface (2) es

llamado punto fijo.
Paso 2: Generar la sucesin:
{xn} x*
Mediante la siguiente relacin:
Xn+1 = g (Xn) ; Donde n= 0,1,2,3,
Tomando como valor
arbitrario /
, b]
Paso 3: Dejar de iterar si:

|
Caso contrario ir al paso 2.
Condicin de convergencia:
Existe {xn} x* Si se cumple lo siguiente:
a) g (x)
, b]
b) g( )
| g( )|
b>
L es llamado constante de Lipschitz

L = Max {| g (a) |, | g (b) |}
Pg. 12
UNMSM
MTODOS NUMRICOS
Donde tambin consideramos obvio

L ,a, b]
( ) es continua y diferenciable en [a, b].
Ejemplos:
Por el mtodo del punto fijo obtener una solucin con dos cifras significativas exactas.
F(x) = 10.sen(x).
-1
Primero hallaremos el intervalo donde exstela raz.
x
F(x)
-1
-23.87
-0.5
-8.90
-1
0.5
1.91
1.5
1.23
Verificamos su condicin de convergencia, veremos si cumple 1 condicin.

F(x) = 10.sen(x).
-1 = 0 ---> x = arcsen (
Anlisis para g(x) = arcsen(
) = g(x)
1 condicin:
g(x) I = [a,b] = [0,1]
g(0) = 0.10
g(1) = 0.28
Por lo tanto g(x) cumple la 1 condicin
2 Condicin:
g
| g ( )|
,
L
-
Pg. 13
UNMSM
MTODOS NUMRICOS
S g ( ) arcsen(
) ---> g ( ) (
| g ( ) | = 0.11 < 0.9
| g (
) | = 0.25 < 0.9
L = max{| g (
L
L ,
) | , | g ( ) | }
--- g ( ) , cumple 2 condicin
Siendo su relacin de recurrencia lo siguiente:

Xn+1 = g(Xn) = arcsen(
) ; n = 0,1,2,
Obtener una solucin con 2 cifras significativas exactas.
OBSERVACIN: x0 puede tomar cualquier valor /.x0 [a, b]
Sea x0=0.5
X arbitrario;
Donde: X = 0.5
n=0
X = arcsen(
X = 0.1656
n =1
X = arcsen(
X= 0.1183
n =2
X = arcsen(
X = 0.1128
| X - X| = 0.05 = 0.5x10 0.5x10

Por lo tanto x = X* con 2 cifras significativas exactas.
Pg. 14
UNMSM
MTODOS NUMRICOS
MTODO DE LA SECANTE
Algoritmo:
Paso 1: Dado la ecuacin ( ) =0. / x*
, b].
Paso 2: Generar la {xi} x* Mediante:

(
)(
)
)
)(
; Donde i =2, 3,4,

|
Ejemplos:
Por el mtodo de la secante obtener una solucin con dos cifras significativas exactas.
F(x) = 10.sen(x).
-1
Primero hallaremos el intervalo donde exstela raz.

x
F(x)
-1
-23.87
-0.5
-8.90
-1
0.5
1.91
1.5
1.23
Se observa que: f (0).f (0.5) <0 ---> Existe x*
Entonces ahora:
Sea x = 0 y x = 0.5
Para i = 2:
Pg. 15
UNMSM
MTODOS NUMRICOS
x = f(0.5).0 - f(0).0.5 = 0.551

f(0.5) - f(0)
Para i = 3:
x = f(0.551).0.5 - f(0.5).0.551 = 0.022

f (0.551) - f(0.5)
Vemos que |x - x| = 0.0529 = 0.5x10
Como: 0.5x10 0.5x10
Donde m = 0 y n = 2
Entonces x* = x
Por lo tanto x = 0.022 es la raz con 2 cifras significativas exactas.
F(x) = 0.91X - 4.9X + 11.9X 5

x
F(x)
-1
-22.71
-0.5
-12.29
-5.00
0.5
-0.16
1.5
4.89
Se observa que: f(0.5).f(1.5)<0 ---> Existe x*

Entonces ahora:
Sea x = 0.5 y x = 1.5
Para i = 2:
x = f(1.5).0.5 - f(0.5).1.5 = 0.89
f(1.5) - f(0.5)
Para i = 3:
Pg. 16
UNMSM
MTODOS NUMRICOS
x = f(0.596).1.5 - f(1.5).0.596 = 1.20

f(0.596) - f(1.5)
Vemos que |x - x| =0.031 = 0.3x10
Como: 0.3x10 0.5x10
Donde m = 0 y n = 2
Entonces x* = x
Por lo tanto x = 1.20 es la raz con 2 cifras significativas exactas.
MTODO DE NEWTON RAPHSON

El Mtodo de Newton-Raphson es ampliamente utilizado para encontrar las races de la
ecuacin f(x)=0, ya que converge rpidamente, la contra es que uno debe conocer la
derivada de f(x) y se necesita una aproximacin inicial muy cercana a la raz.
Se requiere que f(x) sea doblemente continua y diferenciable en [a, b].
Algoritmo:
Paso 1: Dado la ecuacin f(x) = 0 / Existe la raz X*
, b] por T.B.
Paso 2: Generar la sucesin {xn} x* mediante la siguiente relacin de recurrencia.

=
; n=0, 1, 2,

|
Convergencia de N-R.
Existe {xn} x*
Si: |
( ) ( )
( ( ))
|<1
Pg. 17
UNMSM
MTODOS NUMRICOS
Ejemplo:
Sea f(x)=
-3x; donde x*
Primero analizamos su convergencia:
( ) ( )
( ( ))
| X = 0 < 1
= 0.2479 <1
Si:
( )=
-3x
( )=
-3
( )
|
( ) ( )
( ( ))
| x = 1 < 1 Existe {xn} x* Por el mtodo de N-R con
=0.1
Obtendremos una solucin con 4 cifras significativas exactas.

n=4
=0.5*10
n=0
=
Entonces:
=
Observacin: Si
= 0.52493063
=0.5, estara ms cercano a la raz.
n=1
=
=0.61315951
= 0.619033363
n =2
=
Pg. 18
UNMSM
MTODOS NUMRICOS
n =3
=
= 0.69001281
| = 0.000027923 = 0.3*10
Entonces:
x* =
con 4 cifras significativas exactas.
METODO DE PUNTO FIJO O METODO DE APROXIMACIONES

SUCESIVAS PARA SISTEMAS DE ECUACIONES LINEALES EN
DOS VARIABLES
Dado el Sistema:
F(x, y) = 0 (1)
G(x, y) = 0 (2)
De (1) y (2), despejamos de alguna forma x e y para obtener un sistema de la siguiente forma:
x = f(x, y) = f (3)
y = g(x, y) = g (4)
La solucin de (3) es solucin de (1).

La solucin de (4) es solucin de (2).
* Algoritmo del Punto Fijo:

1 Paso:
Dado el sistema:
F(x, y) = 0
G(x, y) = 0
Despejar x ^ y, y obtener el siguiente sistema.
x = f(x, y) = f
y = g(x, y) = g
Pg. 19
UNMSM
MTODOS NUMRICOS
2 Paso:
Generar la sucesin:
{Xn}
xk
^
{yn}
Yk
Mediante la siguiente relacin de recurrencia:
n = 0, 1, 2,
3 Paso:
Dejar de iterar si:
|
|
; |
C.C. ir al 2 Paso.
Condicin de convergencia del punto fijo:

{Xn}
xk
^
{yn}
Yk
Si se cumple lo siguiente:
| |(
|(
| |(
^
| |(
)
)
Ejemplo:
Sea el sistema.
(1)
(2)
Pg. 20
UNMSM
MTODOS NUMRICOS
Localizar el intervalo inicial (x0, y0) por el T.B.
De (1) y (2) se tiene:

( )
Con intervalo de longitud = l = 1
x
-2
-1
0
1
2
3
( )
( ) ( )
Con intervalo de longitud = l = 0.1
x
2
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
3
( )
+
+
+
) (
( )
Verificar su condicin de convergencia

De:
Pg. 21
UNMSM
De:
MTODOS NUMRICOS
Se requiere que se cumpla:

| |(
)
0
=1 <1
| |
| |(
+
| |(
Como L = 1 1 la solucin puede converger o no

^
|(
0.9
|(
|(
= 0.9 < 1
Obtener una solucin con dos cifras significativas exactas (m = 2)

Se deja de iterar si:
|
| 0.5*10m-n+1 /m=0, n=2
0.5*10-1
|
| 0.5*10-1
Sus relaciones de recurrencia son:
(
Iterando:
n = 0; ITERACION INICIAL; con X0 = 2.7 ^ Y0 = 2.8
(
Pg. 22
UNMSM
MTODOS NUMRICOS
n = 1; PRMERA ITERACION; con X1 =

(
^ Y1 =
n = 2; SEGUNDA ITERACION; con X2 =

(
^ Y2 =
n = 3; TERCERA ITERACION; con X3 =

(
^ Y3 =
n = 4; CUARTA ITERACION; con X4 =

(
^ Y4 =
n = 5; QUINTA ITERACION; con X5 =

(
^ Y5 =
n = 6; SEXTA ITERACION; con X6 =

(
^ Y6 =
Pg. 23
UNMSM
MTODOS NUMRICOS
n = 7; SEPTIMA ITERACION; con X7 =
^ Y7 =
Si:
|
|
| = 0.02 = 0.2*10-1 0.5*10-1

^
| = 0.1*10-1 0.5*10-1
Cumple con las condiciones dadas, por tanto deja de iterar.
METODO DE NEWTON RAPSON (N.R)

El sistema debe de estar en la forma:
F = F(x, y) = 0
G = G(x, y) = 0
Para que tenga solucin su Jacobiano = J(x, y) = J 0
* Algoritmo de N.R.
1 Paso:
Dado el sistema:
F(x, y) = 0
G(x, y) = 0
2 Paso:
Generar la sucesin:
{Xn}
xk
^
Pg. 24
UNMSM
MTODOS NUMRICOS
{yn}
Yk
Mediante la siguiente relacin de recurrencia:
( )
( )( )
( )
( )( )
Parar si:
|
|
C.C. ir al 2 Paso.
Ejemplo:
)
(
(
)
)
Pg. 25
UNMSM
MTODOS NUMRICOS
( )
*Obtener una solucin con dos cifras significativas exactas (m = 2).

Iterando:
n = 0; ITERACION INICIAL; con X0 = 2.7 ^ Y0 = 2.8
|
|
*
n = 1; PRIMERA ITERACION; con X1 = 2.7629 ^ Y1 = 2.8937

|
|
*
Pg. 26
UNMSM
MTODOS NUMRICOS
|
Si:
|
|
| = 0.0003 = 0.3*10-3
^
| = 0.0005 = 0.5*10-3
0.5*10-3
0.5*10-3
Cumple con las condiciones dadas, por tanto deja de iterar.
INTERPOLACIN
Supongamos que se conoce f0 , f1, f2, .fn valores correspondientes a X0, X1, X2, .., Xn
valores independientes de una variable independiente X.( X0<X1<<Xn) entonces tenemos
dos tipos de interpolacin.
a) Interpolacin directa.- consiste en que dado un valor XP diferente de los Xi pero

correspondido entre X0 y Xn, se desea hallar el valor de su imagen fP
b) Interpolacin inversa.- consiste en que dado el valor de la imagen fP se desea hallar

el valor XP que genera dicha imagen.
Pg. 27
UNMSM
MTODOS NUMRICOS
1.- INTERPOLACIN DIRECTA LINEAL

XP = valor a interpretar
FP = f (XP) imagen de XP
F(X)
(X1,f1)
(X0,f0
)
(XP,fP)
Xo
XP
X1
INTERPOLACIN DIRECTA DE
NEWTON -PROGRESIVO Y NEWTON REGRESIVO.
Para un conjunto de (n+1) puntos igualmente espaciados Interpolacin consiste, en dado un valor no
considerado , en la tabla, se debe hallar su imagen . Hay dos tipos de Interpolacin.
A) Interpolacin Directa. Consiste en que dado se debe hallar su imagen .
B) Interpolacin Inversa. Consiste en que dado el valor de la imagen , se debe hallar el valor
1) Interpolacin Directa de Newton Progresivo (IDNP)

Se utiliza cuando se desea interpolar un valor
Utiliza la siguiente frmula.
P(P
)(P (n
))
n!
Donde
P(P
)
!
dado al principio de la tabla o
P(P
)(P
!
sector de la tabla.
Utiliza la siguiente Tabla de omisin de Trminos (T.0.T)
Pg. 28
UNMSM
MTODOS NUMRICOS
Newton Progresivo
Newton Regresivo
12
16
Observacin:
Si
|<4 Se tiene Inter. Directa Lineal y se utiliza la frmula de N.P. hasta la

.
sea;
Si
|<8
Se tiene Inter. Directa No Lineal (IDNL) y se utiliza la frmula de N.P. hasta la
|<12
P(P
Diferencia, o sea;
Si |
Diferencia, o
)
!
Se utiliza IDNL y en la formula de NP se utiliza hasta la

P(P
)
!
P(P
)(P
diferencia, osea
(4) Tanto en (1),(2) y (3) solo se considera las cifras significativas.

Ejemplo 1: En la Sgte. Tabla si
( )
1.1
1.2
1.3
4.3
4.6
4.9
=1.05, hallar
Sol:
( )
1
4
xp=1.05 f p =?
1.1
4.3
3=
0=
3
1.2
4.6
0
3
1.3
Como| |<4 se aplica IDL y se

utiliza
de NP hasta la Diferencia anterior o sea hasta
la
diferencia
|
|=0<4
4.9
Pg. 29
UNMSM
MTODOS NUMRICOS
P=0.5
<0,1>
Ejemplo 2: Si
Hallar
( )
en la Sgte. Tabla
g( )
6.2
6.4
6.6
6.8
0.79239
0.30618
0.81954
0.83251
g( )
( )
6.2
Xp=6.36
6.4
0.79239=
fp=?
0.30618=
7 7.2
1279=
-43=
1336=
6.6
0.8195 =
-39=
1297=
6.8
0.83251=
0.84510=
7.2
0.85733=
1
-38=
1259=
2
-36=
1223=
P(P
!
(
Si
)(
!
( )
( )
Pg. 30
UNMSM
MTODOS NUMRICOS
2) Interpolacin de Newton Regresivo (NR)

Se utiliza cuando se quiere interpolar un valor en la parte final de la tabla. Su frmula es
P(P
P(P
)
!
)(P (n
))
n!
Donde
Ejemplo Si
x
3
)(P
P(P
!
n
=3.9 hallar
( )
20.08
4.45
3.2
24.53
3.4
29.96
3.6
36.59
0.98
5.43
.22
1.20
6.63
.28
1.48
8.11
3.8
.30
49.7
1.78
9.89
4.0
54.59
|
P(P
)
!
)(
)(P
!
)(
P(P
(
|<12 Se aplica
de NR hasta la
diferencia
)
)
)(
)(
Pg. 31
UNMSM
MTODOS NUMRICOS
INTERPOLACION DIRECTA CENTRAL

Se utiliza cuando se quiere interpolar un valor en la parte central de la tabla.
Se tienen las siguientes formulas:
a) Interpolacin de Stirling:
Se aplica si p
Su formula es:
p=
0+
S1 (
-1/2
1/2)
+ S2
+ S3 (
-1/2
1/2)
+ S4
Donde:
S1=
; S2=
; S3=
; S4=
)
!
; S5=
)(
!
b) Interpolacin de Bessel:
Se aplica si p
Su formula es:
p=
0+
1/2 +
2(
1)
1/2
Donde:
1=
2=
)
!
3=
)(
!
4=
)(
)(
!
Pg. 32
UNMSM
MTODOS NUMRICOS
c) Interpolacin de Everett:
Se aplica si p
Su formula es:
=
Donde:
(
)(
!
(
)(
)(
)(
)(
!
(
)(
) (
!
)(
*Tabla de Omisin de Trminos (T.O.T):
Bessel o Stirling 4
60
Everett
no existe 20
20
500
100
no existe 100
Ejemplos resueltos:
En la siguiente tabla se tiene:
X
f(x)=
+ x +1
1
0.111
0.026
0.006
0.1
1.111
0.137
0.032
0.006
0.2
1.248
0.169
0.038
0.006
0.3
1.417
0.207
0.044
0.4
1.624
0.251
0.5
1.875
Como:
; No cumple
; cumple con la T.O.T, segn P se aplica Bessel, Stirling o Everett.
Pg. 33
UNMSM
MTODOS NUMRICOS
Entonces hallar: fp
a) Si
Solucin a):
Se sabe que:
Entonces:
Como:
Se aplica Stirling y Everett porque
y|
|
Para Stirling su es hasta su 2diferencia, como
se aplica Everett o hasta su
anterior pero como no existe la 3 diferencia; el de Everett es hasta la 2 diferencia.
*Solucin segn Stirling:
p=
0+
S1 (
-1/2
1/2)
+ S2
p=
1.248 + 0.12 (0.137 + 0.169) + 0.0288*0.032
p=
1.2856416
valor aproximado
Con calculadora:
p=
1.285415424
*Solucin segn Everett:

=
p
=0.76*1.248+0.24*1417-(0.053504*0.032)-(0.037606*0.038)
=1.285415424
Pg. 34
UNMSM
MTODOS NUMRICOS
INTERPOLACIN PARA EL CASO DE DATOS NO EQUIDISTANTES
POLINOMIO DE APROXIMACIN DE LAGRANGE
(X0, f0), (X1, f1),, (Xn, fn)
Sean
Entonces existe un polinomio de grado
(n+1) ptos
que para por dichos puntos
(X0<X1<X2<. <Xn)
F(X) = a0(X-X1) (X-X2)..(X-Xn)+a1(X-X0)(X-X2).(X-Xn)++an(X-X0)(X-X1)(X-X2)...(X-Xn-1)
OBS: en el primer termino falta (X-X0), en el 2 termino (X-X1), y as sucesivamente en el

ultimo termino falta (X-Xn) esto es una cualidad de dicho polinomio.
Como f(x) debe contener a los puntos dados
Si X = X0
; f(X0)= a0(X0-X1) (X0-X2)..(X0-Xn)
a0=
Si X = X1
f(o)
(X0 X1)(X0 X2)(X0 X3)(X0 Xn)
; f(X1)= a1(X1-X0) (X1-X2)..(X1-Xn)
a1=
f(1)
(X1 X0)(X1 X2)(X1 X3)(X1 Xn)
.
.
.
Si X = Xn
; f(Xn)= an(Xn-X0)(Xn-X1)(Xn-X2)..(Xn-Xn-1)
an=
(n)
(Xn X1)(Xn X2)(Xn X3)(Xn Xn 1)
Pg. 35
UNMSM
MTODOS NUMRICOS
Remplazando los as en el polinomio P(X)
f(X)=
(X X1)(X X2)(X Xn)

( 1 0 )(
(X X0)(X X1)(X Xn 1)
2 )(X1 Xn)
f0+
f1++
fn
(X0 X1)(X0 X2)(X0 Xn)
(X1 X0)(X1 X2)(X1 Xn)
(Xn X0)(Xn X1)(Xn Xn 1)
L0(X)
F(X)
L1(X)
L0(X)fo +
L1(X)f1
Ln(X)
.
+ Ln(X)fn
Polinomio de Lagrange
Donde:
i(X)=
(X X0)..(X Xi 1)(X Xi+1)(X Xn)

(Xi X0)..(Xi Xi 1)(Xi Xi+1)(Xi Xn)
Funcin multiplicadora de Lagrange
TEOREMA.- Sean (X0, f0), (X1, f1),, (Xn,fn)

(X0<X1<X2<<Xn)
Entonces existe un nico polinomio de grado
para los puntos (n+1) y adems
que pasa por dichos puntos.
DEMOSTRACIN
i). La existencia del polinomio est generalizada por el `polinomio de aproximacin de
Lagrange.
ii). La unicidad: supongamos que existen dos polinomios P(X) y Q(X)
de
grado
que pasan por los puntos dados.
Probaremos que P(X) =Q(X) ,
(X0,Xn)
Consideremos
R(X)= P(X) - Q(X)

Pg. 36
UNMSM
R(X) es de grado
MTODOS NUMRICOS
(ya que el grado de P(X) y Q(X) es
Adems:
R(X0)= P(X0) - Q(X0)= f0-f0 =0
R(X1)= P(X1) - Q(X1)= f1-f1 =0
En general
R (Xi) = 0
i 0, 1, 2, 3,n
Entonces.
X0, X1, X2,., Xn son las races de R(X)
R(X) tiene (n+1) races (pero el grado de R(X) es menor o igual a n)
Entonces R(X) debe ser el polinomio nulo (el nico que tiene ms races que su grado)
R(X)= P(X) - Q(X)= 0
P(X) =Q(X) ,
( 0 , Xn)
Ahora consideremos
X
-1
Fx
0 2
1
El polinomio P(X) = X2 +1 pasa por estos puntos, tambin pasa por estos puntos el
polinomio Q(X) = X3-2X + 1
Contradice el teorema?
No contradice el teorema, ya que el teorema establece que son iguales para aquellos
que tengan grado
, luego pueden muchos otros de grado >n que sean
diferentes al del grado grado
Pg. 37
UNMSM
MTODOS NUMRICOS
INTERPOLACION Y APROXIMACION DE LAGRANGE

Polinomio de Lagrange: Dado un conjunto de (n+1) puntos de la forma ( , ); i=0, 1, 2,, n.
Se puede aproximar a un polinomio de grado
Sea el siguiente polinomio ( )
n.
( ) a determinar:
() ( )( )( ) ( ) ( )(
)( ) ( ) ( )( )( ) (
) .
Observacin:
El polinomio ( ) se caracteriza por:
), en el 2 trmino falta el factor (
) , en el 3 termino falta
En el 1 trmino falta el factor (
) y as sucesivamente, en el n-simo termino falta el factor (
).
el factor (
En el polinomio de Lagrange los puntos ( , ) no necesariamente son igualmente espaciados, es

decir h no es constante.
;
Para hallar el polinomio de Lagrange se debe hallar los
; de la siguiente manera:
Si x=
( )
( )
)(
(
(
)(
( )
)(
)(
)(
)(
)(
)(
)(
) (
)(
)(
)(
)(
)(
)(
)(
)(
Si x=
( )
( )
)(
(
(
)(
(
)(
)(
)(
)(
)(
)(
)(
)(
)
)(
)(
Si x=
Pg. 38
UNMSM
( )
MTODOS NUMRICOS
( )
)(
(
(
)(
)(
)(
(
)(
)(
)(
)(
)(
)(
)(
)(
)(
)(
)
)
)
)(
Remplazando los coeficientes en ( ) tenemos:

(
( )
)(
)(
)(
)(
(
)(
)(
)(
)(
)(
)(
(
)
)(
)(
)(
)(
)(
)(
)(
)(
)
)
)
)
El polinomio de Lagrange, tambin se puede expresar como:

( )
( )
( )
( )
( )
( )
Ejemplo: 1
En la siguiente tabla:
a) Aproximar a un polinomio de Lagrange.
b) Si
=1.1. Determinar
por Lagrange.
Tenemos:
X
( )
2
1
2
26
Pg. 39
UNMSM
MTODOS NUMRICOS
a) Solucin:
El polinomio de Lagrange
( )
(
(
)(
)(
( )
(
(
(
(
)(
)(
)(
)(
)(
)(
)(
)(
)
)(
)(
)
(
(
)(
)(
)(
)(
)(
)(
)(
)(
)
)
( )
)(
)(
(
)
(
(
)(
)(
( )
)
)
(
(
)(
)(
)(
)(
(
)(
)(
)(
)(
(
(
)(
)(
)(
)(
)(
)(
)(
)(
)
)(
)(
(
)
)(
)(
)(
)(
)(
)(
)
)
)(
)(
)(
)(
, ser:
)(
)(
)
)
(
(
)(
)(
)(
)(
)(
)(
)
)
)
)
Luego, resolviendo tenemos:

( )
b) Solucin:
Como:
( )
( )
)
(
Aprox. E interpolacin de un polinomio de newton.

)( )
( )
)( )
)( )
)( )
(
!
Donde:
(
)(
)(
)(
)(
)(
)(
)(
)(
)(
)(
)
Pg. 40
UNMSM
MTODOS NUMRICOS
)( ) |
)(
)( ) |
(
(
)(
)(
)(
)(
)(
)(
)
)(
)(
Ejemplo: 2
Aproximar la siguiente tabla a un polinomio de newton
( )
1.1
1.04 =
1.2
1.08=
1.3
1.11=
0.04
-0.02
0.03
0.02
-0.01
0.04
1.4
1.15=
Donde: h=1.4-1.3=0.1
)(
(
)(
(
(
( )
)(
)(
)
( )(
)(
)(
)
( )(
)(
( )(
)
)
)(
( )(
( )
Pg. 41
UNMSM
MTODOS NUMRICOS
PROBLEMAS RESUELTOS
(Mtodo de Newton Raphson)
F(x)=
[0,1]
Cuantas cifras significativas exactas tiene la solucin en la 2da iteracin.

Solucin:
F(x)=
F(x)=
F(x)=
1ro Analizar el pto inicial x optimo / x [0,1]

Para x :
F(x).F(x)<0 ->x no es valido.
Para x =1:
F(1).F(1)>0 ->x =1 es valido para iterar.
-> |
n=0
( )
( )
|=0.47 = 0.5 < 1 -> {xn} ->
( )
Xn+=Xn-
( n)
(
=> Xn+1 = Xn
n)
n
( n
Con X=1
X = X
X=0.683939
n=
1
1ra Iteracin.
X = X
X=0.5774544772
2da Iteracin.
n=
2
X = X (
)
|X - X|=0.01=0.01*
n=1 -> X = con 1 cifra significativa.
Pg. 42
UNMSM
2
MTODOS NUMRICOS
(Mtodo del Punto fijo)
Resolver por el mtodo por el punto fijo con 1 cifra decimal exacta.
Solucin:
{} X -1 =0 (1)
X= (2)de (1)
Remplazando en (2)
F (y)=
Y
0
1
2
F (y)
F (0).F(1)<0 ->
+
[0,1]
+
Y
0
0.5
0.6
1
F (y)
F (0.5).F(0.6)<0 -> ,
1er intervalo para F(y)=
+
-(*)
Segn (*)
Sea Y=0.5 -> X=
Se tiene el punto inicial X=1.6 y Y=1.5 muy cercano a la raiz.
X= 2
Y= LnX
-> f
-> g
fx=0
fy=
gx=
gy=0
fx(1.6;1.5)=0
fy(1.6;1.5)=0.5773502642
gx(1.6;1.5)=0.625 gy(1.6;1.5)=0
|fx(1.6;1.5)+fy(1.6;1.5)|=0.57785026 < 1
|gx(1.6;1.5)+gy(1.6;1.5)|=0.625 < 1
->{Xn} ->
{Yn} ->
Mediante la Sgte. Relacin.
Pg. 43
UNMSM
Xn+=2
Yn+ =Ln(Xn)
MTODOS NUMRICOS
n=0, 1, 2
n=0, 1, 2
Dejar de iterar
|Xn+-Xn| 0.5*
Iterando como punto inicial *X,Y+=*1.6;1.5
n=0 X=2
=1.732050
Y=0.4700036292
n=1
n=2
X=1.765328965
Y=0.5493061446
X=1.671242364
Y=0.5683370555
n=3
X=1.645591676
Y=0.5135672804
n=
4
n=5
X=1.716098655
Y=0.49810001
X=1.734239187
Y=0.5400534907
|X-X|=0.018 = 0.02 = 0.2*

0.5*
|Y-Y|=0.04 = 0.4*
0.5*
->-> X= y Y= son raices con una cifra significativa.
Pg. 44
UNMSM
3
MTODOS NUMRICOS
(Mtodo del Punto fijo)
Por el mtodo de N-R, resolver el sistema:

{} X -1 =0 (1)
a)
(2) Localizar el intervalo donde existe la raz
b) Verificar su condicin de convergencia
c) Hallar una solucin con 4 cifras decimales exactas.
Solucin:
a) Y=Lnx de (1)
Remplazando en (2)
-> F(x)=
Utilizando el T.B. localizamos el intervalo donde existe la raiz.
x
1
2
F(x)
+
F (1).F(2)<0 ->
[1,2]
x F(x)
1.6
F(1.6).F(1.7)<0 ->
[1.6,1.7]
1.7
+
Sea X=1.6 ; Y?
De (1) -> Y=Lnx = Ln(1.6)=0.47 -> Y=0.47
Entonces:
{ X 1.6
Y 0.47
Pto ms cercano de la raz.
b) Sea
F(x,y)=X
G(x,y)=
-1
Fx(x,y)=
Fy(x,y)=-X.
Gx(x,y)=2X
Gy(x,y)=8y
Pg. 45
UNMSM
MTODOS NUMRICOS
Fx(x,y)
Gx(x,y)
J(x,y)=|

|=| 2x
Fy(x,y)
Gy(x,y)
X.
8y
= 5.550020142 0
Y como (X Y ) es muy cercano:
->-> {xn} -> y -> {yn} ->
c) Dejamos de iterar si:
|Xn-Xn+| 0.5*
=0.5*
|Yn-Yn+| 0.5*
=0.5*
Ahora:
| F
G
8Y [X
Fy |=| X
Gy
-1]+ X.
| Fx
Gx
-1 -X.
8y
F |=|
G
-X.

|=
]-2x [-X.
Veamos que la formula de recurrencia asi:

Xn+=Xn -
n,
n=0, 1, 2,..
Yn+=Yn -
, n
n=0, 1, 2,
Siendo P inicial: (1.6;0.47)=(X;Y)
n=0
X=1.6
Y=0.47-
=1.700250715
)
= 0.53265975
Pg. 46
UNMSM
MTODOS NUMRICOS
n=1
X=1.700250715
(
=1.697250462
Y=0.53265975(
n=2
= 0.52900931
X=1.697250462
=1.6972239658
Y=0.53265975(
= 0.5290032
Luego
|X - X|= 0.000026=0.00003=0.3*
0.5*
->
con 4 cifras significativas decimales exactas.
|Y - Y|= 0.0000061=0.00001=0.1*
0.5*
->
con 4 cifras significativas decimales exactas.
Pg. 47
UNMSM
MTODOS NUMRICOS
METODOS DIRECTOS DE SISTEMAS DE ECUACIONES LIENALES
La factorizacin matricial consiste en expresar una matriz cuadrada en el producto de

otras dos matrices.
FACTORIZACIN MATRICIAL LU
(Mtodo de Crout Doolitle)
Consiste en factorizar una matriz cuadrada A en un producto LU. Esto es:
Donde:
A: es la matriz a factorizar
L : es una matriz triangular inferior, cuyos elementos de la diagonal principal son iguales
a 1. Se llama L porque viene de la palabra inglesa low, que significa bajo.
U : es una matriz triangular superior, cuyos elementos se hallan por el mtodo de la
eliminacin gaussiana. Se llama U porque viene de la palabra inglesa up, que significa
arriba.
NOTAS:
. Este tipo y todos los tipos de factorizacin matricial se basan en el mtodo de
eliminacin gaussiana.
. Aunque no todas las matrices admiten este tipo de representacin, muchas de las que
aparecen frecuentemente en las aplicaciones de las tcnicas numricas s la tienen.
. La factorizacin LU es especialmente til cuando hay que resolver varios sistemas
lineales con la misma matriz de coeficientes A, puesto que el proceso de las
operaciones se realiza solamente una vez.
Pg. 48
UNMSM
MTODOS NUMRICOS
. Desde un punto de vista prctico, esta factorizacin slo ser til cuando los
intercambios de filas no sean necesarios para controlar los errores que aparecen por
utilizar aritmtica con un nmero finito de cifras.
. Tambin se podra decir que la factorizacin LU solamente es aplicable cuando los
determinantes de las submatrices de A son todos distintos de cero.
Ejemplo
0
Sea la matriz
0
0 +=(
+ =(
El sistema tiene nueve ecuaciones con doce incgnitas, entonces existen infinitas
soluciones. Para que tenga solucin debemos fijar tres variables libres, puede ser lii=1 o
uii=1
Sea
uii=1 u11= u22= u33=1,

0
(
0
0 +(
+=(
L
Resolviendo la ecuacin matricial se tiene los siguientes resultados:
l11=2,
l21=4,
l31=1
u12=0, l22=3, l32=2

u13=
u23=2, l33=
+=(
L
0 -1
4+(
Pg. 49
UNMSM
MTODOS NUMRICOS
Observacin.- El mtodo Crout Doolitle sirve para resolver un sistema de ecuaciones

usando la factorizacin L U mediante las siguientes igualdades:
A.x = B
L.y = B
L.U.x = B
U.x = y
PRIMER METODO DIRECTO:
MTODO CROUT-DOOLITLE.
Para un sistema lineal de la forma:
Donde A se factoriza de la forma:
L: Matriz Triangular Inferior

U: Matriz Triangular Superior
Sea:
Pg. 50
UNMSM
MTODOS NUMRICOS
Ejemplo:
Sea la matriz
(
+( +
( +
Para
)( +
( +
Para
)( +
Pg. 51
UNMSM
MTODOS NUMRICOS
SEGUNDO METODO DIRECTO
METODO DE CHOLESKY
Tambin para resolver el sistema Ax = b para aplicar cholesky se debe cumplir lo siguiente:
Simetrico
1 que XtAX>0 /
A definida Positiva
| Xt = (X1 X2 X3)
X=|
2 cada sub determinante sea positiva es decir: A33
1 versin de cholesky
Ejemplo: 1
Aplicar cholesky al sistema siguiente:
|| |
| |
A es simtrico
A es definida positiva?
Se debe de cumplir que XtAX>0
-|
|| |
Pg. 52
UNMSM
MTODOS NUMRICOS
Se puede aplicar cholesky
Ax = b
L*LtX = b
Y=
t
LX
A = L*Lt
L*Y = b
Lt*X = Y
||
l11=2
l21 =
l31 = 1
l22 =
l32 =
l33 =
L*L =
|
|
||
||
|
|
Ax = b
L*L X = b
Lt*X = Y
L*Y = b
Pg. 53
UNMSM
Para
MTODOS NUMRICOS
L*Y = b
|
|
||
|
| |
Y1 =
Y2 =
Y3 = 4*
Para
Lt*X = Y
|
|
||
|
|
|
X1 = 28/27
|
|
X2 = 35/27
X3 = -16/27
Ejemplo: 2
(Mtodos de Cholesky para hallar el sistema Ax=B)

Resolver el siguiente sistemas por Cholesky.
4 2 0
x1
2

2 5 2 x2 = 3
0 2 6
x
5
Pg. 54
UNMSM
MTODOS NUMRICOS
Solucin:
A = At , entonces A es simtrica.
x t Ax > 0 , luego A es definida positiva.
Factorizamos la matriz A = LLT
4 2 0 l11 0 0 l11 l21 l31
A = 2 5 2 = l21 l22 0 0 l22 l32

0 2 6 l

31 l32 l33 0 0 u33
Para la 1ra columna tenemos:
l112 = 4 l11 = 2
l 21l11 = 2 l 21 = 1
l31l11 = 0 l31 = 0
Para la 2da columna tenemos:
l11l 21 = 2
2
2
l 21
l 22
= 5 l 22 = 2
l31l 21 l32 l 22 = 2 l32 = 1
Para la 3ra columna tenemos:
l11l31 = 0
l 21l31 l 22 l32 = 2
l312 l322 l332 = 6 l33 = 2
2 0 0
2 1 0
L = 1 2 0 , L = 0 2 1
0 1 2
0 0 2
Pg. 55
UNMSM
MTODOS NUMRICOS
Del sistema Ax = b LLt x = b , luego Ly = b y Lt x = y

Para Ly = b
2 0 0 y1 2
1

1 2 0 y2 = 3 y = 1
0 1 2 y 5
2
Para Lt x = y
1

2 1 0 x1 1

2
0 2 1 x2 = 1 x = 0
0 0 2 x 2
1
2. Segunda versin de cholesky
Pg. 56
UNMSM
MTODOS NUMRICOS
Pg. 57
UNMSM
MTODOS NUMRICOS
Pg. 58
UNMSM
MTODOS NUMRICOS
TERCER METODO DIRECTO:
MTODO TRIDIAGONAL PARA SISTEMAS DE ECUACIONES

LINEALES.
Sea el sistema de ecuaciones de la forma:
+( +

. (1)
. (2)
. (3)
. (n-1)
. (n)
ALGORITMO TRIDIAGONAL:
P-1:
Del sistema
P-2:
Sea
, expresarlo como
* +
, C es constante arbitraria /
De la Ec. (1) despejar

.
De la Ec. (n-1) despejar
De la Ec. (n) despejar
Pero como no existe
se hace lo siguiente:

Tal que:
Se tiene
(
(
donde R: vector residual

)
Pg. 59
UNMSM
Si
Si
MTODOS NUMRICOS
es solucin de
es solucin de
P-3:
Del sistema
llegando a lo siguiente:
Tal que:
Se tiene
Si
Si
y sea
, se procede como P-2,
donde S: vector residual

)
es solucin de
es solucin de
.. ( )
.. ( )
Se tiene:
()
expresarlo como
( )
)
0
Se busca una relacin:

(
Tal que:
Ejemplo:
Resolver:
2
2
Del sistema
(1)
Sea
* +
... (2)
(3)
(4)
Pg. 60
UNMSM
De (1):
De (2):
De (3):
MTODOS NUMRICOS
De la ec. (4) despejo , pero como no existe
(
(
Del sistema
Sea
, luego se procede como P-2
,
,
, en
en
en
Observacin: Si
(
cambiar el valor inicial de

)
Se busca una solucin

Tal que:
Pg. 61
UNMSM
MTODOS NUMRICOS
Verificando:
2
)
2(
Ejemplo 2
(Solucin de sistemas lineales en Tribanda)
Sea
en Tribanda.
( )
( )
( )
( )
Algoritmo del sistema Tridiagonal
Solucin:
Del sistema
( )
( )
( )
( )
Sea
, C vector arbitrario talque
* +
Entonces:
De (1) despejo :
Pg. 62
UNMSM
( )
MTODOS NUMRICOS
De (2) despejo :
( )
De (3) despejo :
( )
De (4) despejar ; pero :

( )
Y se tiene que:
(
(
es un vector nulo.
( )
( )
( )
Ahora expresarlo como

( )
Pg. 63
UNMSM
MTODOS NUMRICOS
* +
Sea
De (1) despejar :
( )
De (2) despejar :
( )
De (3) despejar :
( )
De (4) despejar , pero entonces:

( )
Entonces:
( )
( )
Pg. 64
UNMSM
MTODOS NUMRICOS
Comprobacin:
-46+24+13
-22+13=-9
CUARTO METODO DIRECTO
MTODO PENTADIAGONAL PARA

SISTEMAS DE ECUACIONES LINEALES.
Ec (1)
Ec (2)
+
(
Ec (n)
) (
x
Algoritmo Pentadiagonal
P-1 Dado el sistema Ax=b , expresarlo en la forma A =b y definir =C
=D
Donde C D son constantes arbitrarias.
P-2 De Ec (1) despejar
De Ec (2) despejar
Pg. 65
UNMSM
MTODOS NUMRICOS
De Ec (n-2) despejar
De Ec (n-1) despejar
De Ec (n) despejar
Como no existe se hace lo siguiente :
Como no existe se hace lo siguiente :
Donde
Si
* es un vector residual.
( ) es solucin del sistema A.x = b
Si
P-3 : La primera solucin homognea del sistema A.x = b se debe expresar como
; luego definir
en la cual se
considera C y D como constantes arbitrarias, finalmente se procede similar al paso
anterior (P-2) llegando a la siguiente solucin
Si
en donde
. / es un vector residual.
( ) es solucin del sistema A.x = b
Si
P-4 : La segunda solucin homognea del sistema A.x = b se debe expresar como
; luego definir
en la cual se
considera C y D como constantes arbitrarias, finalmente se procede similar al paso P-2

llegando a la siguiente solucin.
Pg. 66
UNMSM
MTODOS NUMRICOS
en donde
( * es un vector residual.
(

) es solucin del sistema A.x = b
Si
Si
P-5
: Finalmente se llegar al siguiente sistema

( )
( )
( )
Luego hacemos (1) ( )
A(
( )
( ))
( ) y se llega a lo siguiente
Se busca luego una solucin en donde R
= /
Entonces la solucin del sistema A.x = b estar dado por
Pg. 67
UNMSM
MTODOS NUMRICOS
Ejemplo
Resolver el siguiente sistema pentadiagonal
2 +3 +
3 +2
= 8 Ec(1)
+4
+4
= 15 Ec(2)
+4
+4
+2
+2
= 13 Ec(2)
= 19 EC(4)
+7
= 15 EC(5)
PASO DEL ALGORITMO
P-1: Expresar el sistema como A. = b

2
+3
+2
+4
+4
+4
+2
= 13 Ec(3)
+4
+2
= 19 Ec(4)
+7
= 15 Ec(5)
2
Sea
= 8 Ec(1)
= 15 Ec(2)
=0
=1
cte arbitrario
P-2:
DE Ec(1) despejar
=5
pues 0 + 3(1) +
DE Ec(2) despejar
=8
= 7
pues 0 + 2(1) +4(8) +
DE Ec(3) despejar
= 15
= 16
Pg. 68
UNMSM
MTODOS NUMRICOS
pues 0 + 4(1) + 5 + 4( 7) + 2
DE Ec(4) despejar
+4
+2
; como
De la Ec(5) despejar
; como
= 45
hacemos
+ 7 = 15 +
2(5) + ( 7) +7(16) = 15 +
R=
, hacemos lo sgte. :
= 19 +
1 + 4(5) + 2( 7) + 16 = 19 +
2 +
= 13
( ) , como R
= 100
; A.
=b+R
Se tiene:
=
(
=(
P-3:
Primera solucin homognea del sistema A.x = b, expresarlo
Como A. =
2+ 3+
= 0 Ec(1)
3+ 2+ 4+
= 0 Ec(2)
+ 4+ + 4+ 2
= 0 Ec(3)
+ 4+ 2+
= 0 Ec(4)
2+ + 7
= 0 Ec(5)
Sea = 10
= 20
Pg. 69
UNMSM
MTODOS NUMRICOS
De Ec(1) despejar ;
= 80
pues 2(10) + 3(29) + = 0
De Ec(2) despejar ;
= 250
(
pues 3(10) +2(20) + 4( 8) + = 0

De Ec(3) despejar ;
pues 10 + 4(20) + ( 80) + 4(250) + 2 =0

De Ec(3) despejar ; como hacemos
+ 4+ 2+ = 0 +
20 + 4( 80) + 2(250) + ( 505) = 0 +
= 1445
De Ec(5) despejar ; como hacemos

2+ + 7= 0 +
S=
)
2(
)+ (250) + 7(
)= 0 +
=0
P-4: Segunda solucin homognea del sistema A.x = b

expresar A. = 0
+ 3
+
= 0 Ec(1)
+ 2
+ 4
+
= 0 Ec(2)
+ 4
+
+4
+ 2
= 0
Ec(3)
+ 4
+2
+
= 0
Ec(4)
+
+ 7
= 0
2
Ec(5)
= 20
Sea
= 10
Pg. 70
UNMSM
MTODOS NUMRICOS
;
De Ec(1) despejar
pues 2(20) + 3(10) + = 0
De Ec(2) despejar
+ 2
+ 4
+
= 0
3
) + = 0
3(20) + 2(10) + 4(
De Ec(3) despejar
= 395
+ 4
+
+ 4
+ 2
= 0
20 + 4(10) + (
= 0
)+ 4(200) + 2
como
, hacemos
De Ec(4) despejar
+ 4
+2
+
= 0 +
10 + 4(
= 1925
) 2(200) + 395 = 0 +
; como
De Ec(5) despejar
+
+7
= 0 +
2
T = . /= (
);
)
(
A.
= +T
P-5: Y se llega a lo siguiente

A. = b + R
A. = 0 + S
A. = 0 + T
Pg. 71
UNMSM
MTODOS NUMRICOS
=0
R= .
/+
=R
1445 + 1925
2705
S=.
/= .
T=.
= 100
/
/
= 0.025992507
= 0.003865364
X=
X=
+ 0.025992507
+ 0.003865364
(
X=
)
Comprobacin :
Ec(1)
2 +3 +
=8
0.6744647 + 4.67551134 + 2.65002396 = 8

8
Y tambien cumple tod
Cumple!!!
Pg. 72
UNMSM
MTODOS NUMRICOS
NORMA DE UNA MATRIZ

La Norma de una matriz
es un nmero real tal que satisface las siguientes condiciones
()

()
||
()
()
Principales Normas
-Norma m o Norma ""

-Norma l,
-Norma k,
| |
| |
| |
Ejemplo 1:
Sea
*|
*|
Para el vector X =
|
|
+
+
* +
| |
| |
Pg. 73
UNMSM
MTODOS NUMRICOS

| |
| |
| |
Ejemplo 2:
Sea X = (
)
*|
|
)
|+
|
(
Pg. 74
UNMSM
MTODOS NUMRICOS
SOLUCION ITERATIVA DE SISTEMAS DE ECUACIONES

LINEALES
PRIMER METODO:
METODO DE JACOBI
Dado el sistema AX=b (1)
Despejamos X de la ecuacin 1 obteniendo un sistema equivalente de la forma: X = + X (2)
De la siguiente manera.
Ec.(1) a11X1+a12X2+ .. +a1mXm = b1

Ec.(1) a21X1+a22X2+ .. +a2mXm = b2
Ec.(1) a31X1+a32X2+ .. +a3mXm = b3
.
.
.
Ec.(1) am1X1+am2X2+ ..
+ammXm = b1
Donde:
A=
Despejamos X; de la Ec. (i);
b = | | y si aii
0
X =| |
i=1,2,3, . , m
X = + i-1X
X1 =
X2 =
. (2)
.
.
.
Pg. 75
UNMSM
MTODOS NUMRICOS
Donde:
= (1,2, ,m)t
= bi/aii ; aii 0 ;
= ij = -aij/aii
El sistema (2) anterior se puede expresar en la siguiente forma X = + X
+ |
| (2)
El Sistema (2) sugiere Jacobi la siguiente relacin de recurrencia
X (k+1) = + X (k), k=0, 1, 2,
.. (3)
X (k) = + X (k-1),
k=1 , 2,
De la relacin (3) se obtiene la sucesin {Xk} k=0 tomando como valor inicial X (0) arbitrario, que
generalmente X (0)=0 X (0)= =1
Obs.
X (k+1) = (X1(k+1),X2(k+1), , Xm(k+1))t

X (0) = (X1(0), X2(0), , Xm (0)) t
Pg. 76
UNMSM
MTODOS NUMRICOS
ALGORITMO DE JACOBI:
P-1
Dado el Sistema Ax = b (1)

Expresarlo en el sistema equivalente X = + x (2)
P-2
Tomando como solucin inicial X (0) arbitrario generar la sucesin {X (k)} X (*) mediante la
relacin de recurrencia:
X (k+1) = + x (k)
k=0, 1, 2, ..
X (k) = + X (k-1)
P-3
k=1,2,
Dejar de iterar si
(|| X (k) X (k-1) ||)/ || X (k) || <= = 10-m

C.C. ir al P-2
NOTACION MATRICIAL DEL METODO DE JACOBI

Sea el sistema Ax = b
Donde:
A=
La matriz A se le puede descomponer en la forma A = D +L + U, donde
Matriz Diagonal
( - )
Matriz Triangular inferior
Matriz Triangular superior
Pg. 77
UNMSM
MTODOS NUMRICOS
As el sistema Ax = b se le puede expresar como:

(D + L + U)X = b
DX + (L + U) X = b
DX = b (L + U) X
X = D-1b D-1(L + U) X
X = D-1b + [-D-1(L + U)] X
= D-1b
Si el mtodo de Jacobi es
X = + X
= -D-1(L + U)
Matricialmente es: X = D-1b D-1(L + U) X

Su relacin de recurrencia es
X (k+1)= D-1b D-1 (L + U) X (k)
k=0, 1, 2
Ejemplo. 1
Sea el sistema siguiente:
Con un = 10-1
Verificar su convergencia
{X (k)} X (+) Si || | | < 1
Obs. Para que se cumpla || | | < 1 es necesario que del sistema Ax = b, A sea diagonalmente
dominante.
De
(1) X1: X1 = 12/10
(-1/10) X2-(1/10)X3
(2) X2: X2 = 12/10 (1/10)X1
(-1/10)X3
(3) X3: X3 = 12/10 (1/10)X1 (1/10)X2
Pg. 78
UNMSM
MTODOS NUMRICOS
|| | | = || | |m = Max {0 + |-0.1| + |-0.1|, |-0.1| + 0 + |-0.1|, |-0.1| + |-0.1| + 0}

= Max {0.2, 0.2, 0.2} || | | = 0.2 <= 1 {X (k)} X (+)
POR EL MTODO DE JACOBI

Obs. Se toma como valor inicial X(0) arbitrario
X (0) = 0
X (0) =
X (0) = 1
X (0)
K=0
Iteracin Inicial:
X (k+1) = + X (k)
X (1) = + X (0)
y sea X(0) = = ( X(0)1 X(0)2 X(0)3 )t
Donde
(1)
( )
( )|
( )
=|
] |
Donde
X1(1) = 1.2 + (0 -0.1-0.1)(
X2(1) = 1.2 + ( -0.1 0 -0.1)(
K=1
)(
)(
1 Iteracin:
X (2) = + X (1)
(2)
=|
( )
( )|
( )
] |
Pg. 79
UNMSM
MTODOS NUMRICOS
Donde:
X2(2) = 1.2 + (0 -0.1 -0.1)(
K=2
+ = 1.008
2 iteracin:
X (3) = + X(2)
( )
( )
X (3)= |
] |
( )
Donde:
X (3) = 1.2 + (0 -0.1 -0.1)(
+ = 0.9984
Veremos si ya se consigui la solucin:
||
( )
||
( )
||
{|
( ) ||
{|
|}
{|
|}
|}
10-1 =
X (3) = X (*) con =10-1
Ejemplo 2:
Sea el siguiente sistema

Ec (1) 20x1
+ 5x3 =2
Ec (2) x1 + 20x2 + 2x3 = 4
Ec (3) x1 + 9x2 + 20x3 = 6
Pg. 80
UNMSM
MTODOS NUMRICOS
Por Jacobi verificar su convergencia
CONVERGENCIA DE JACOBI
{
( )
} X*
Si |||| <
.. (i)
Observacin
Para que se cumpla (i)
Es necesario que A del sistema original Ax = b sea diagonalmente dominante, es decir
aii > |aij| de su fila y de su columna
As: a11 = 20 > = 0 + 5 de su fila
a11 = 20 > = 1 +1 de su columna
a22 = 20 > = 1 + 2 de su fila
a22 = 20 > = 0 + 9 de su columna
Igual para a33
x1 =
+0+0-
x2 =
+0-
x3 =
+0
. . .
x = +
|
|
| = |
|
|| ||
mx.{ 0 + 0 + |
|| ||
mx.{0.25, 0.15, 0.5 }
|| ||
0.5 <
|,|
|+0+|
|,|
|+|
|+0}
} X* por jacobi
Pg. 81
UNMSM
MTODOS NUMRICOS
Por jacobi obtener una solucin con

Si la relacin de jacobi es
=+
,k
0, 1,2
Para k = 0
Interaccin inicial
=+
Observacin
Sea
es arbitraria
..
.
+
Para k = 1
Primera iteracin
Donde
= 0.1 +
= 0.1 + (0)(0.1) + (0)(0.2) + (-0.25)(0.3) = 0.025\

= 0.2 +
Pg. 82
UNMSM
MTODOS NUMRICOS
= 0.2 + (-0.05)(0.1) + (0)(0.2) + (-0.1)(0.3) = 0.165

= 0.205
Para k = 2
Segunda iteracin
..
....
k =3
+
Tercera iteracin
..
....
Verificamos si se llego a la solucin
=
=
= 0.03289625 < =
* con <
Pg. 83
UNMSM
MTODOS NUMRICOS
SOLUCION MATRICIAL DE JACOBI
Del sistema Ax = b
Sea A = D + L + U
=
b + [k = 0, 1, 2
( D + L + U )x = b
Dx + ( L + U)x = b
Dx = b + [-( L + U)x]
x=
b + [
x=
la relacin matricial de jacobi

( L + U )]
Observacin
=( L + U ) es igual al despejar
xi de la ecuacin (i), i = 1, 2, 3
( L + U )]x
..
+
Pg. 84
UNMSM
MTODOS NUMRICOS
SEGUNDO METODO:
METODO DE GAUSS- SEIDEL
Tambin determina la solucin del sistema

De la relacin matricial del sistema
(
iterativamente.
:
)
(
( )
De ( ) se obtiene la relacin matricial de G-S , siguiente:

(
( ) (
( ) ()
Observacin:
*Si
)
{
*La relacin ( ) se puede obtener al igual que Jacobi del sistema

despejar la variable , para obtener la Matriz .
, de la ecuacin
Algoritmo del mtodo de Gauss-Seidel:

Paso1: Dado el sistema
obtener su sistema
( )
Paso 2: Para un punto inicial arbitrario

siguiente relacin:
(
Paso 3: Dejar de iterar si
(
( )
(
( )
)
)
generar la sucesin {
)
( )
( )
( )
mediante la
; caso contrario ir al paso 2.
Pg. 85
UNMSM
MTODOS NUMRICOS
Observacin:
En la convergencia del mtodo de Gauss-Seidel tambin se cumple que:
( )
Ejercicios resueltos:
1) Dados:
( )
+,
( +
Resuelva el sistema Ax = b por el mtodo de Gauss-Seidel.
Solucin:
Utilizando Gauss-Seidel:
(
( )
( )
Operando obtenemos la secuencia:

( )
( )
( )
( )
Claramente converge a la solucin exacta (
( )
( )
) .
La tasa de convergencia del mtodo de Gauss-Seidel viene dada por la norma de:
(
+
Pg. 86
UNMSM
MTODOS NUMRICOS
Cuyas normas son: = 227/500 = 0.454 y = 2/5 = 0.4.
2) Considere el siguiente sistema de ecuaciones:

(
( +
Puede resolver este sistema por el mtodo de Gauss-Seidel? Por qu? Si lo puede hacer,
haga solo dos iteraciones a partir de la solucin nula y determine la tasa numrica de
convergencia. Adems calcula la tasa exacta de convergencia. Cuntas iteraciones
necesitar para alcanzar un error absoluto de
.
Solucin:
El mtodo de Gauss-Seidel es aplicable porque por que la matriz es simtrica definida
positiva. Dos iteraciones conducen a:
( )
( )
( )
(
(
)
)
Y la tasa de convergencia numrica la podemos calcular como (en norma infinito)

( )
( )
Que se parece poco a la tasa de convergencia exacta:

((
NOTA: Calculando con ms iteraciones nos acercamos a la tasa terica, por ejemplo:
(
( )
Para alcanzar (en norma infinito) un error absoluto menor que

iteraciones.
se requieren 13
Pg. 87
UNMSM
MTODOS NUMRICOS
Ejemplo 1
Sea el sistema:
Por el mtodo de Gauss-Seidel

Analizar su divergencia
Hallar su solucin con
Solucin:
[
Luego:
(L
][
{X (k)}
+
X*
Pg. 88
UNMSM
MTODOS NUMRICOS
De
][ ]
L-[
( )
( )
( )
( )
Sea
[ ]
( )
( )
L-[
( )
( )
( )
( )
( )
( )
( )
( )
][ ]
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
Pg. 89
UNMSM
MTODOS NUMRICOS
: 1era Iteracin
( )
L-[
( )
( )
( )
( )
( )
( )
( )
( )
][
( )
( )
( )
( )
( )
( )
( )
( )
: 2da Iteracin
( )
L-[
( )
( )
( )
( )
( )
( )
( )
( )
( )
][
( )
( )
( )
( )
( )
( )
( )
( )
Pg. 90
UNMSM
MTODOS NUMRICOS
: 3era Iteracin
( )
L-[
( )
( )
( )
( )
( )
( )
( )
( )
][
( )
( )
( )
( )
( )
( )
( )
( )
( )
Pg. 91
UNMSM
MTODOS NUMRICOS
Ejemplo 2
Sea el sistema:

Solucin:
[
Luego:
(
][
][ ]
{X (k)}
X*
De
-[
( )
Pg. 92
UNMSM
MTODOS NUMRICOS
( )
Sea
( )
( )
[ ]
( )
( )
( )
-[
( )
( )
( )
( )
( )
( )
( )
][ ]
( )
( )
( )
( )
( )
( )
: 1era Iteracin
( )
( )
-[
( )
( )
( )
( )
( )
( )
( )
][
( )
( )
Pg. 93
UNMSM
MTODOS NUMRICOS
( )
( )
( )
( )
: 2da Iteracin
( )
-[
( )
( )
( )
( )
( )
( )
( )
( )
][
( )
( )
( )
( )
( )
( )
( )
( )
( )
Pg. 94
UNMSM
MTODOS NUMRICOS
Ejemplo 3
Sea el sistema:

Solucin:
[
Luego:
(
][

*
{X (k)}
+
X*
][ ]
Pg. 95
UNMSM
De
MTODOS NUMRICOS
-[
( )
( )
( )
( )
( )
Sea
[ ]
( )
( )
-[
( )
( )
( )
( )
( )
( )
( )
][ ]
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
: 1era Iteracin
( )
-[
( )
( )
( )
( )
( )
( )
( )
( )
][
( )
Pg. 96
UNMSM
MTODOS NUMRICOS
( )
( )
( )
( )
( )
( )
( )
: 2da Iteracin
( )
-[
( )
( )
( )
( )
( )
( )
( )
( )
( )
][
( )
( )
( )
( )
( )
( )
( )
( )
: 3era Iteracin
( )
-[
( )
( )
Pg. 97
UNMSM
MTODOS NUMRICOS
( )
( )
( )
( )
( )
( )
( )
][
( )
( )
( )
( )
( )
( )
( )
( )
Pg. 98
UNMSM
MTODOS NUMRICOS
DIFERENCIA NUMERICA
Aproximaciones a la Derivada
Generacin de Formulas de Diferenciacin Numrica
Primera y Segunda Derivada Aplicando los Mtodos de Newton Progresivo y

Regresivo y Mtodos Centrales.
Diferenciacin numrica
Dado una tabla de (n+1) puntos igualmente espaciados de la forma:
(X0, f0), (X1, f1), (Xn, fn) continua y diferenciable en [X0, Xn]. El problema de la
Diferenciacin Numrica es que dado un valor Xp [X0, Xn] se desea hallar el valor
( )
, donde:
P
tal que
( )
P
(
)
(
P )
( )
Frmula de Newton Progresivo (N P):
Si
Xp = X0 en (i) P = 0
frmula de NP es:
P(P
)
!
)(P
P(P
P(P
)(P
)(P
Segn (ii)
0
(P
P)
!
(P
P)
!
(P
P
!
P)
Pg. 99
UNMSM
( P
MTODOS NUMRICOS
( P
( P
1( )
Si XP=X0 en (i) P=0 en (iii)
DIFERENCIACION DE ORDEN SUPERIOR

(
Se desea hallar
(
) en forma aproximada
. Adems P
( (
))
Si se sabe
En general se tiene
Para Newton Progresivo - hacia adelante

(P
Si XP=X0 P=0
. /
Formula de Newton Regresivo (NR). Su formula de interpolacin es:

P(P
)(P
!
P(P
)(P
P(P
)(P
Segn (ii)
,
,
(P
P)
!
(P
( P
( P
!
P)
(P
P
!
!
P
!
( P
P)
)
Pg. 100
UNMSM
MTODOS NUMRICOS
Si XP=0 P=0
1
Nota: Para determinar la 1ra derivada se debe tomar una diferencia ms que la que indica la
T O T en el caso de interpolacin.
DIFERENCIACION DE ORDEN SUPERIOR
(P
. /
PARA NEWTON REGRESIVO
/
1
Ejemplo: En la siguiente tabla determinar (a)

X
0.00
0.05
0.10
0.15
0.20
0.25
f(X)
1.0000
1.0513
1.1052
1.1618
1.2214
1.2840
y (b)
) por NP
513
539
566
596
626
26
27
30
30
3
1
3
0
Solucin(a):
0
1
1
Solucin (b)
es una derivada que esta al principio de la tabla se emplea la formula de Newton

Progresivo, como XP=0.055 es un punto intermedio XP *0.05,0.10+, X0=0.05. Se halla
su valor de P de:P
.
(
Pg. 101
UNMSM
MTODOS NUMRICOS
H=0.05 P
f0
X0
0.05 1.0513
( P
f0
539
)
!
( P
2f0
27
P
!
)(
3f0
3
1
0
1(
)1
Ejemplo de la Frmula Newton Regresivo

Hallar(a) (
) y (b) (
Solucin (a)
Para P=0 y |
se utiliza
porque X0=0.25 en la tabla de NR
Solucion(b)
P
( P
P
)
!
( P
P
!
1(
1(
)1
Pg. 102
UNMSM
MTODOS NUMRICOS
FRMULA DE DIFERENCIACIN DE BESSEL

(
)
)
P
P(P
P(P
)(P
Si XP es un punto tabulado XP=X0 P=0

(
FRMULA DE DIFERENCIACIN DE STIRLING

(
P
[ (
P
1
)(P
P(P
)
)
( !)
P (P
S
P
S
P
)(P
!
( P
En XP=X0 P=0
0
Pg. 103
UNMSM
MTODOS NUMRICOS
Ejemplo 3: Hallar(a)
), (b)
Solucin(a)
(
)
( )
Como 0.10 [0.10, 0.15]
P
P
|
g
P
()
S
S
]( )
P
En la tabla se tiene:
(
)
(
Solucin (b)
(
P
|
()
P
()
Pg. 104
UNMSM
(
MTODOS NUMRICOS
,( )(
)(
)-
INTEGRACIN NUMERICA
Para intervalos Simples
Mtodo del trapecio
( )
( )
Donde
( )=
max * |
,
( )|
m *X0, X1]
|
( )|
Mtodo de Simpson de 1/3
Pg. 105
UNMSM
MTODOS NUMRICOS
( )
Donde
*|
( )
m [X0, X1]
( )|
( )|
Mtodo de Simpson de 3/8
( )
( )
( )
*|
( )|
( )|
Ejemplo:
Por el trapecio Simple
Pg. 106
UNMSM
MTODOS NUMRICOS
Solucin:
f(x)
X0=1
f0=0.841471
X0+h=X1=2
f1=1.818595
Obs: Los puntos Xi son dela forma Xi=X0+hi

Determinacin del
Si
( )
( )
( )
*|
*|
( )
( )
( )
( )|
( )|
| |
+
|+
Entonces
Solucin por el mtodo Simpson de 1/3 para intervalo simple

Sol:
Pg. 107
UNMSM
MTODOS NUMRICOS
f(x)
X0=1
f0=0.841471
X0+h=1.5
f1=1.496242
X0+2h=2
f2=1.818595
Determinacin del
Si
( )
( )
( )
*|
( )
( )|
( )|
( )
Entonces:
( )
Por Simpson 3/8 para intervalo Simple
Sol:
, es igual al ejemplo anterior

X
f(X)
X0=1
f0=0.841471
X1=4/3
f1=1.295917
X2=5/3
f2=1.659013
X3=2
f3=1.818595
Pg. 108
UNMSM
*
( )
MTODOS NUMRICOS
+
( )
Integracin Numrica para intervalos compuestos
Mtodo del trapecio compuesto
m veces h
Demostracin:
( )
( )
( )
Pg. 109
UNMSM
( )
MTODOS NUMRICOS
(
Entonces la suma todas las integrales seria:
( )
,(
Determinacin del
)-
del trapecio
)
( )
Mtodo de Simpson de 1/3 compuesta.
Demostracin:
Pg. 110
UNMSM
MTODOS NUMRICOS
Entonces la suma de todas las integrales seria:
,(
( )
Determinacin del
)-
de Simpson de 1/3 compuesta
( )
( )
( )
( )
Ejemplo:
Por trapecio compuesto con m=5

Sol:
f(X)
X0=1
X1=1.2
X2=1.4
X3=1.6
X4=1.8
f0
f1
f2
f3
f4
X5=2
f5
(
( )
( )
,(
Es igual al ejemplo
del trapecio simple
)
( )
)-
= 1.436070589 +
Pg. 111
UNMSM
MTODOS NUMRICOS
Simpson de 1/3 compuesto con m=3
X
X0=1
X1=7/5
X2=8/6
X3=9/6
X4=10/6
X5=11/6
X6=2
(
f(X)
f0
f1
f2
f3
f4
f5
f6=fm
(
( )
,(
Es igual al ejemplo
de Simpson de 1/3
( )
)-
2.493614005 +
Pg. 112
UNMSM
MTODOS NUMRICOS
EXTRAPOLACION DE RICHARDSON- (E.R)

Definicin ER: Consiste en que a partir de dos estimacin (o aproximaciones) de una integral, obtener
una tercera aproximacin (muchas veces la mejor).
Se tiene los siguientes casos:
Para intervalos simples:
ER entre la Regla del trapecio y la 1 formula abierta (Integracin abierta) ambas de precisin uno
porque ( )
Sea
( )
por dos mtodos anteriores se tiene:
Regla Trapecio (RT):
( )
( )
( )
( )
1 Regla Abierta de Newton Cotes:
( )
( )
( )
El valor de la integral I* (generalmente es el mejor).
Que se cumple:
( )
Tomando el cociente de errores
(
(
)
)
( )
( )
Supongamos que:
( )
( )
( )
Pg. 113
UNMSM
MTODOS NUMRICOS
(2) en (1)
(3) en (1)
)
( )
E.R. entre la R. trapecio Simple y la primera formula abierta
FORMULA EXTRAPOLACION -(ER) ENTRE TRAPECIO SIMPLE

Y 1RA FORMULA ABIERTA.
Ejemplo:
Calcular (
( )
Aplicando: 4 es decir:
= 1 + 1(1)
=2
= 1 + 2(1)
=3
(
Pg. 114
UNMSM
MTODOS NUMRICOS
( )
f(X)
f1
( )( )
Aplicando (4)
x0
x1
x2
)
( )
E.R. ENTRE LAS FORMULAS DE SIMPSON DE 1/3 Y 3/8 SIMPLE
Se sabe que para Simpson de 1/3 para intervalo simple es:
( )
(
(
Y que para Simpson de 3/8 es:
Pg. 115
UNMSM
MTODOS NUMRICOS
(
( )
( )
Sea el siguiente cociente de errores:
(
Si
( )
(2) en (1):
(
)( )
(3) en (1):
(
(4)`
Formula De Extrapolacin entre

Simpson de 1/3 y Simpson de 3/8
para Intervalo Simple
Ejemplo:
Aplicando la frmula
para hallar:
Solucin:
Pg. 116
UNMSM
MTODOS NUMRICOS
( )
(
( )
()
X0+1h =
()
(
( )
( )
)}
(E.R) PARA EL TRAPECIO COMPUESTO
Sea:
( )
Para
aplicaciones de la Regla Del Trapecio Compuesto, anlogamente:
Para
aplicaciones de la Regla Del Trapecio Compuesto tomando el cociente de errores:
Pg. 117
UNMSM
MTODOS NUMRICOS
(
Si:
( )
(2) en (1):
. /
. /
. / ]
( )
(3) en (1):
Para
en (3). Se tiene:
.
( )
(4) en (1)
(
Extrapolacin de Richardson (E.R.)

para el Trapecio Compuesto para n1 y
n2.
Pg. 118
UNMSM
MTODOS NUMRICOS
Ejemplo 1:
)
) y despues cuatro
Calcular (
usando 1 dos aplicaciones (
) de la regla del Trapecio compuesto y despues aplicar E.R. para encontrar una
aplicaciones (
3 aproximacion (que es la mejor).
Solucin:
( )
Se tiene:
y
Para:
Como
()
1
2
1
9
2.5
Para:
( ))
Como
()
1
1.5
2.5
3
1
4
9
15
25
Pg. 119
UNMSM
MTODOS NUMRICOS
.
(
.
)/
)/
Aplicando:
Ejemplo 2:
Evaluar
igual a la pregunta anterior.
Solucin:
Para:
()
1
2
1
1/2
1/3
( )
(
(
)
. /*
Para:
Pg. 120
UNMSM
MTODOS NUMRICOS
()
1
1.5
1
2/3
1/2
2.5
1/3
2.5
3
( )
. /
/*
. /
E.R. PARA LAS REGLAS DE SIMPSON DE 1/3 COMPUESTO
Sea
( )
,
Donde
Aplicando
donde:
Si
( )
son aproximaciones de
^
aplicaciones de la R. de Simpson de 1/3 compuesto y su cociente de errores,
. /
. /
)( )
( )
( )
. /
Pg. 121
UNMSM
MTODOS NUMRICOS
. /
( )
Para:
en ( )
(
( )
) ( )
( )
(
Extrapolacin de Richardson (E.R.)

entre las reglas de Simpson de 1/3
compuesto para y
aplicaciones.
( )
Ejemplo (1):
Para :
X
X0=1
X1=2
f(X)
f0
f1
Para :
X
X0=1
X1=1.5
X2=2
f(X)
f0
f1
f2
Pg. 122
UNMSM
MTODOS NUMRICOS
(
)(
Entonces:
Pg. 123
UNMSM
MTODOS NUMRICOS
INTEGRACION DE ROMBERG
Es un mtodo que combina la convergencia de las reglas del Trapecio o Simpson con las tcnicas de
extrapolacin de Richardson para retener una sucesin que converge hacia el verdadero valor de la
integral.
Descripcin de la tcnica de integracin de Romberg
Vamos a introducir la
Trapecio Compuesto para

Para:
, la aproximacion de la integral
( )
utilizando la regla del
; se sugiere la siguiente tabla:
La integracin de Romberg da su respuesta en forma matricial:
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Se sugiere hallar
. .
con la siguiente formula.
()
Nos generamos las siguientes sucesiones
()
Pg. 124
UNMSM
MTODOS NUMRICOS
( )
( ( )
( ))
Obs: Para las dems filas y columnas se sugiere hallar con la siguiente formula
De la segunda columna hacia adelante se calculara con la siguiente frmula:
i = 2, 3, 4,n
j = 2, 3, 4,n
Para la segunda columna se utilizara:
k = 2,3,
Para la tercera columna k=3 ser:
k = 3,4,
Para la cuarta columna k=4 ser:
k = 4,5,
Para la quinta columna k=5 ser:
k = 5,6,
Para la sexta columna k=6 ser:
k = 6,7,
Pg. 125
UNMSM
MTODOS NUMRICOS
Ejercicio 1
Hallar
; con n=6 por Romberg
Solucin:
Tenemos de datos:
a=0
b=0.8
n=6
( )
Realizando la tabla
1
16
32
0.8
0.4
0.2
0.1
0.05
0.025
Hallamos la primera fila y columna
( )
( )
Cuando K = 1
[ ( )
, ( )
)-
)]
( )
( )
(
Calculando la primera columna y dems filas.

(
Pg. 126
UNMSM
MTODOS NUMRICOS
Cuando K = 2
)1
)1
)1
)1
)1
Cuando K = 3
Cuando K = 4
Cuando K = 5
Cuando K = 6
PARA LOS VALORES DE LA SEGUNDA COLUMNA:
Cuando K = 2
Cuando K = 3
Cuando K = 4
Cuando K = 5
Pg. 127
UNMSM
MTODOS NUMRICOS
Cuando K = 6
PARA LOS VALORES DE LA TERCERA COLUMNA:
Cuando K = 3
Cuando K = 4
Cuando K = 5
Cuando K = 6
PARA LOS VALORES DE LA CUARTA COLUMNA:
Cuando K = 4
Cuando K = 5
Cuando K = 6
Pg. 128
UNMSM
MTODOS NUMRICOS
PARA LOS VALORES DE LA QUINTA COLUMNA:
Cuando K = 5
Cuando K = 6
PARA LOS VALORES DE LA SEXTA COLUMNA:
Cuando K = 6
LA MATRIZ FINAL SER:
0.712173
0.594777
0.55545
0.564899
0.554939
0.554891
0.557395
0.554889
0.554889
0.554888
0.555517
0.554890
0.554890
0.554890
0.554890
0.555047
0.554890
0.554889
0.554889
0.554889
0.554889
Pg. 129
UNMSM
MTODOS NUMRICOS
SOLUCIN NUMRICA DE ECUACIONES DIFERENCIALES

ORDINARIAS CON VALOR INICIAL.
I) De un solo paso:
Dada la Ecuacin Diferencial Ordinaria:
( ) /
Con la condicin inicial:
( )
a) Mtodo de Euler:
Es de la forma:
( )
Observacin:
Euler es un caso particular de Taylor de orden 1.
Ejemplos resueltos:
1 forma de pregunta
1) Dado:
Con:
( )
Hallar: (
Pg. 130
UNMSM
MTODOS NUMRICOS
Solucin:
Como:
Entonces:
Para i=0 ,
Donde:
(
( )
Luego:
( )
Donde:
Reemplazando en ( ):
)( )( )( )
Pg. 131
UNMSM
MTODOS NUMRICOS
2 forma de pregunta
2) Dado:
Con:
( )
Hallar: (
) para
- , con n=4
Solucin:
Como:
0
1.25 1.5
(
Para i=1, con (
Para i=2, con (
Para i=0, con (
1.75
Pg. 132
UNMSM
MTODOS NUMRICOS
Para i=3, con (
Para i=4, con (
b) Mtodo de Taylor de orden K:

Es de la siguiente forma:
( )
( )
( )
!
( )
!
( )
!
( )
( )
Donde:
El error local es de la forma:
(
( )
Ejemplos resueltos:
1 forma de pregunta
Dado:
( )
Con:
( )
Pg. 133
UNMSM
MTODOS NUMRICOS
Por Taylor de orden 3 hallar: (
Solucin:
Como:
Y de (
) se sabe que:
Luego, Taylor de orden 3 es de la forma:
!
Para i=0 con (
Se requiere hallar:
( )
( )
Derivando ( )
( )
( )
( )( )
Derivando ( )
(( )( )
( )( ))
Pg. 134
UNMSM
MTODOS NUMRICOS
Por ltimo, reemplazando:

)( )
!
) ( )
!
) ( )
!
2 forma de pregunta
Dado:
( )
Con:
( )
,
Por Taylor de orden 3 en el segmento
- con n=2, hallar: (
Solucin:
Como:
Determinamos los puntos:
Para i=0 con (
Para i=1 con (
(Resuelto anteriormente)
Pg. 135
UNMSM
MTODOS NUMRICOS
Se requiere hallar:
De ( )
( )
Derivando ( ):
( )
)(
Derivando ( )
((
)
)(
)(
))
Luego, reemplazando:
!
(
)(
)
!
) (
) (
)
!
Pg. 136
UNMSM
MTODOS NUMRICOS
Para i=2 con (
Se requiere hallar:
De ( )
( )
Derivando ( ):
( )
( )
)(
Derivando ( )
((
)
)(
)(
))
Luego, reemplazando:
!
(
)(
)
!
) (
)
!
) (
)
!
Pg. 137
UNMSM
MTODOS NUMRICOS
PREDICTOR CORRECTOR
Como su nombre lo indica
se predice un valor
, despus se usa una formula diferente para
corregir este valor.
Los mtodos Predictor-Corrector hallar el valor del pto(
) utiliza informacin del
pto(
) y sus precedentes donde cada pto precedente indica un paso, de aqu su nombre como
mtodo de mltiples pasos. A diferencia de los mtodos de Runge-Kuta, Taylor, Euler, que son
mtodos de un solo paso (Para
utiliza la informacin de )
Ejemplo:
Usando el mtodo predictor corrector
Predictor:
Corrector:
Con h=0.5, hallar
( )
sabiendo que satisface:
Solucin:
;
Por condicin del problema.
(
Y h=0.5
)
( )
Para aplicar el predictor corrector, se necesita hallar

(puede ser Taylor, o RK), Sea RK-4.
(
(
orden
( )
)
(
por un mtodo no menor de
( )(
( ))
)(
)(
Pg. 138
UNMSM
MTODOS NUMRICOS
)(
))
)(
))
)(
)
( )
)(
)(
Aplicando el predictor:
( )
)(
( )
( )
( )(
Aplicando el corrector:
(
( )
( )
)
(
este es el corrector
Pg. 139
UNMSM
MTODOS NUMRICOS
ECUACIONES DIFERENCIALES DE ORDEN SUPERIOR

Una ecuacin diferencial ordinaria de orden n se puede transformar en un sistema de EDO de orden
1.
As se tiene una EDO de orden n:
()
con las condiciones iniciales
( )
n condiciones iniciales
Sea las sgtes transformaciones
.
n
(n
Se tiene
.
n
Sea
(
( )=
( )
( )
( )
( )
( )
( )
n( )
Ejemplo 1: La Sgte. EDO de

Con
( )
( )
orden
( )
Como un conjunto de ecuaciones de
orden
Solucin: De
Sea
( )
( )
( )
( )
( )
( )
Pg. 140
UNMSM
La EDO de
MTODOS NUMRICOS
orden se expresa como un conjunto de 3 ecuaciones de
orden sgte:
Matricialmente se tiene:
=
Con las Sgts. condiciones iniciales

( )
( )
( )
( )
Ejemplo 2:
Dado
con
( )
( )
Expresar como un sistema de EDO de
( )
( )
orden
Solucin
Sea
El sistema de EDO de
( )
( )
orden es:
( )
( )
Pg. 141
UNMSM
MTODOS NUMRICOS
Matricialmente
=
=
( )
,i=0,1,2
( )
( )
( )
Sea
( )
( )
( )
( )
( )
( )
Pg. 142
UNMSM
MTODOS NUMRICOS
CONCLUSIONES
Ventajas y desventajas de los mtodos iterativos comparados con los mtodos directos
Ventajas:
Probablemente son ms eficientes que los mtodos directos para sistemas de orden
muy alto.
Ms simples de programar.
Pueden aprovecharse una aproximacin a la solucin, si tal aproximacin existe.
Se obtiene fcilmente bajo aproximaciones burdas de la solucin.
Son menos sensibles a los errores de redondeo (valiosos en sistemas mal
condicionados).
Se requiere menos memoria de maquina. Generalmente, las necesidades de
memoria son proporcionales al orden de la matriz.
Desventajas:
Si se tiene varios sistemas que comparten la matriz coeficiente, esto no representara
ahorro de clculos ni tiempo de maquina, ya que por cada vector a la derecha de A
tendr que aplicarse el mtodo seleccionado.
Aun cuando la convergencia este asegurada, puede ser lenta y, por; lo tanto, los
clculos requeridos para obtener una solucin particular no son predecibles.
El tiempo de maquina y la exactitud del resultado dependen del criterio de
convergencia.
Si la convergencia es lenta, los resultados deben interpretarse con cautela.
No se tiene ventaja particular alguna (tiempo de maquina por iteracin) si la matriz
coeficiente es simtrica.
No se obtiene la inversa de A ni el determinante de A.
Pg. 143
UNMSM
MTODOS NUMRICOS
INTEGRANTES
1. ALARCON MONRROY, ALEXANDER..
08190032
2. ALVARADO LACMA, MARCIAL09190023

3. CORREA GALLUFFE, BORIS..08190144
4. CESPEDES BURGOS, JUAN.04190205
5. CAQUI PINTADO, GABRIEL...09190107
6. CASTILLO VELASQUEZ, JUAN.09190026
7. CALDERON HUAMAN, DAVID JESUS..10190264
8. DELGADO ARPITA, MIGUEL.07190020
9. GOMERO GOMERO, CARLOS J.09100168
10. HUAMANI QUISPE, JUAN PABLO.03190038
11. LOPEZ PORRAS, JUAN JOSE..09190116
12. MARIANO CABELLO, ISIDRO...09190118
13. MENDOZA GUZMAN, JORGE07190151
14. MEJIA SANCHEZ, JOSE EDUARDO08190173
15. ROSALES LEON, FERNANDO JESUS09190171
16. RODRIGUEZ ALVARADO, JORGE...08190051
17. RIVERA YANAC, VLADIMIR..09190139
18. SUEROS ZARATE, JONATHAN.08190094
19. TUOQUE MEZA, JOB JOSUE05190041
20. VILLA FLORES, DANIEL..06190148
21. ZAMORA MONTENEGRO, RONEL.09190020
22. ZELADA LOPEZ, ROYBHER FRANK.09190153
Pg. 144

Metodos Numericos

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Metodos Numericos

Încărcat de

Drepturi de autor:

Formate disponibile

UNMSM

UNIVERSIDAD NACIONAL MAYOR DE SAN

CURSO METODOS NUMERICOS I - II

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ.

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

Mtodo Pentadiagonal para sistemas de ecuaciones lineales..65

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

Ahora hallaremos el nmero de cifras significativas exactas:

Aplicacin del Teorema de Bolzano:

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

Como f(1).f(2) < 0 ---> existe x* que pertenece a [1,2]

P-4. - Dejar de iterarse

Caso contrario ir al paso numero 2.

Obtener una solucin con 2 cifras ex

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

Obtener una solucin con 2 cifras ex

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

MTODO DE REGULA FALSI O MTODO DE FALSA POSICIN

Paso 1: Dada la ecuacin

Paso 2: Generar la sucesin: {xn} x* mediante la relacin:

Obtener una solucin con 2 cifras ex

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

Obtener una solucin con 2 cifras ex

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

MTODO DE PUNTO FIJO O MTODO DE APROXIMACIONES

[a, b] por el T.B.

de diferentes formas y obtener una ecuacin de la siguiente forma:

Si x = x* es raz o solucin de (2) tambin lo ser de ( )=0, X* que satisface (2) es

Paso 3: Dejar de iterar si:

Caso contrario ir al paso 2.

L es llamado constante de Lipschitz

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

Donde tambin consideramos obvio

( ) es continua y diferenciable en [a, b].

Verificamos su condicin de convergencia, veremos si cumple 1 condicin.

Anlisis para g(x) = arcsen(

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

) | = 0.25 < 0.9

Siendo su relacin de recurrencia lo siguiente:

| X - X| = 0.05 = 0.5x10 0.5x10

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

Paso 2: Generar la {xi} x* Mediante:

; Donde i =2, 3,4,

Paso 3: Dejar de iterar si:

Caso contrario ir al paso 2.

Primero hallaremos el intervalo donde exstela raz.

Se observa que: f (0).f (0.5) <0 ---> Existe x*

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

x = f(0.5).0 - f(0).0.5 = 0.551

x = f(0.551).0.5 - f(0.5).0.551 = 0.022

F(x) = 0.91X - 4.9X + 11.9X 5

Se observa que: f(0.5).f(1.5)<0 ---> Existe x*

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

x = f(0.596).1.5 - f(1.5).0.596 = 1.20

MTODO DE NEWTON RAPHSON

Paso 2: Generar la sucesin {xn} x* mediante la siguiente relacin de recurrencia.

Paso 3: Dejar de iterar si:

Caso contrario ir al paso 2.

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ

Primero analizamos su convergencia:

| x = 1 < 1 Existe {xn} x* Por el mtodo de N-R con

Obtendremos una solucin con 4 cifras significativas exactas.

| = 0.02 = 0.210-1 0.510-1