Libro de Metodos Numericosss

UNMSM MTODOS NUMRI COS
PROFESOR: LUCI O AVI LI O MALASQUEZ RUI Z Pg. 1

UNIVERSIDAD NACIONAL MAYOR DE SAN
MARCOS
(Decana de Amrica)
FACULTAD DE CIENCIAS MATEMATICAS

CURSO METODOS NUMERICOS I - II

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ.

--2012



I NDI CE

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.



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



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.



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.



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 -
0 -
1 -
2 +



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 ,
- , -



|

()()

i=2 ,
- , -

()()

i=3 ,
- , -

()()

i=4 ,
- , -

X* = -0.03125

Ejemplo 02.
()
X* [-2,1]

i=0 ; ,
- ,-

()()



i=1 ; ,
- , -

()()

i=2 ,
- , -

()()

i=3 ,
- , -

()()

i=4 ,
- , -

()()

i=5 ,
- , -

X* = -1.953125



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.
Paso 1: Dada la ecuacin ()=0
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 ,
- ,-



) (
)

|
)(

i=2 ,
- ,-
) (
)

|

X*=0.804

Ejercicio 2
()
; Con X* [-2,2]

i=0 ,
- ,-
) (
)

(
)(

i=1 ,
- , -
) (
)

|

X*=-0.20713



MTODO DE PUNTO FIJO O MTODO DE APROXIMACIONES
SUCESIVAS

Algoritmo:
Paso 1: Dado la ecuacin ()=0 / exista la raz X* [a, b] por el T.B.
De ()=0 despejar 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:
{x
n
} x*
Mediante la siguiente relacin:
Xn+1 = g (X
n
) ; 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 {x
n
} x* Si se cumple lo siguiente:
a) g (x) , b]
b) g() | g()| L ; b>

L es llamado constante de Lipschitz
L = Max {| g (a) |, | g (b) |}



Donde tambin consideramos obvio () es continua y diferenciable en [a, b].
L ,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
0 -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 (
) = g(x)

Anlisis para g(x) = arcsen(
)

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
, -



S g () arcsen(
) ---> g () (
)
| g () | = 0.11 < 0.9

| g () | = 0.25 < 0.9

L = max{| g () | , | g () | }
L L , --- g () , cumple 2 condicin

Siendo su relacin de recurrencia lo siguiente:
Xn+1 = g(X
n
) = arcsen(
) ; n = 0,1,2,

Obtener una solucin con 2 cifras significativas exactas.

OBSERVACIN: x
0
puede tomar cualquier valor /.x
0
[a, b]
Sea x
0
=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.



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
0 -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:



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
0 -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:



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 {x
n
} x*
Si: |
()()
(())
| < 1



Ejemplo:
Sea f(x)=
-3x; donde x* ,-
Primero analizamos su convergencia:

|
()()
(())
| X = 0 < 1
= 0.2479 <1
Si:
()=
-3x
()=
-3
()

|
()()
(())
| x = 1 < 1 Existe {x
n
} 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:
= 0.52493063
Observacin: Si
=0.5, estara ms cercano a la raz.

n=1
=0.61315951
n =2
= 0.619033363



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



2 Paso:
Generar la sucesin:
{Xn} x
k

^

{yn} Y
k

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} x
k
^
{yn} Y
k

Si se cumple lo siguiente:

|
|(
) |
|(
)
^
|
|(
) |
|(
)

Ejemplo:
Sea el sistema.

(1)

(2)

|
|



Localizar el intervalo inicial (x
0
, y
0
) 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:
( )
() ()
,-
() ()
, -



De:
( )
( )

Se requiere que se cumpla: (
|(
) |
|(
)
0 + 1 = 1 < 1

|
.
|( )

Como L = 1 1 la solucin puede converger o no
^ |
|(
) |
|(
)
0.9 + 0 = 0.9 < 1

|( )

Obtener una solucin con dos cifras significativas exactas (m = 2)
Se deja de iterar si:
|
|

0.5*10
m-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

^



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 =



^

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} x
k

^



{yn} Y
k

Mediante la siguiente relacin de recurrencia:

^

Parar si:

C.C. ir al 2 Paso.

Ejemplo:

( )

( )

( )
)
( )
(
)
;

)
( )
(
)
;
|
|



*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

( )
.



Si:
|
| = 0.0003 = 0.3*10
-3

0.5*10
-3

^
|
| = 0.0005 = 0.5*10
-3
0.5*10
-3

Cumple con las condiciones dadas, por tanto deja de iterar.

INTERPOLACIN
Supongamos que se conoce f
0
, f
1
, f
2
, .fn valores correspondientes a X
0
, X
1
, X
2
, .., Xn
valores independientes de una variable independiente X.( X0<X1<<Xn) entonces tenemos
dos tipos de interpolacin.

a) I nterpolacin directa.- consiste en que dado un valor X
P
diferente de los X
i
pero
correspondido entre X
0
y Xn, se desea hallar el valor de su imagen f
P

b) I nterpolacin inversa.- consiste en que dado el valor de la imagen f
P
se desea hallar
el valor X
P
que genera dicha imagen.



(X
1
,f
1
)

1.- INTERPOLACIN DIRECTA LINEAL
X
P
= valor a interpretar f
F
P
= f (X
P
) imagen de X
P

Xo X
P
X
1
X
n
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
dado al principio de la tabla o
sector de la tabla.
Utiliza la siguiente frmula.

Donde
-
Utiliza la siguiente Tabla de omisin de Trminos (T.0.T)

P(P)
!
P(P)(P)
!
P(P)(P(n))
n!

F(X)
(X
0
,f
0
)
(X
P
,f
P
)



Newton Progresivo
Newton Regresivo
4 8 12 16

Observacin:

Si |
|<4 Se tiene Inter. Directa Lineal y se utiliza la frmula de N.P. hasta la
Diferencia, o
sea;
.

Si |
|<8 Se tiene Inter. Directa No Lineal (IDNL) y se utiliza la frmula de N.P. hasta la

Diferencia, o sea;
P(P)
!
.

Si |
|<12 Se utiliza IDNL y en la formula de NP se utiliza hasta la
diferencia, osea

P(P)
!
+
P(P)(P)
!
.

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

Ejemplo 1: En la Sgte. Tabla si
=1.05, hallar

1 1.1 1.2 1.3
()
4 4.3 4.6 4.9

Sol:

Como|
|<4 se aplica IDL y se

utiliza
de NP hasta la Diferencia anterior o sea hasta

la

diferencia

|
|=0<4

()

1
x
p
=1.05
1.1

1.2

1.3

4
f
p
=? 3=

4.3 0=

3
4.6 0
3
4.9



P=0.5 <0,1>
()

Ejemplo 2: Si

Hallar
en la Sgte. Tabla

x
()
g ()

6.2 0.79239=

Xp=6.36 fp=? 1279=

6.4 0.30618=
-43=

1336=
4
6.6 0.8195 =
-39=

1297=
1
6.8 0.83251=
-38=

1259=
2
7 0.84510=
-36=

1223=

7.2 0.85733=
P(P )
!
()
( )()
!

Si
()
()

()

6.2 6.4 6.6 6.8 7 7.2
()
g () 0.79239 0.30618 0.81954 0.83251



2) Interpolacin de Newton Regresivo (NR)

Se utiliza cuando se quiere interpolar un valor en la parte final de la tabla. Su frmula es

Donde
-

Ejemplo Si
=3.9 hallar

x
()

3 20.08
4.45
3.2 24.53 0.98
5.43 .22
3.4 29.96 1.20 6
6.63 .28
3.6 36.59 1.48 2
8.11 .30
3.8 49.7 1.78
9.89
4.0 54.59
|
|<12 Se aplica
de NR hasta la

diferencia

P(P )
!
P(P )(P )
!
()()
( )()
!
( )( )()
!

P(P)
!
P(P)(P)
!
P(P)(P(n))
n!



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
+ S
1
(
-1/2
+
1/2
) + S
2
0
+ S
3
(
-1/2
+
1/2
) + S
4
0
+
Donde:
S
1
=
; S
2
=
; S
3
=
(
)
!
; S
4
=
)
!
; S
5
=
(
)(
)
!
;

b) Interpolacin de Bessel:
Se aplica si p
Su formula es:

p
=

0
+
1

1/2
+

2
(
0
+
1
) +
5
1/2
+
Donde:
1
= ;
2
=
()
!
;
3
=
()(
)
!
;
4
=
()()(
)
!
;



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 20 500 100
Everett 4 no existe 20 no existe 100

Ejemplos resueltos:
En la siguiente tabla se tiene:
X f(x)=
+ x +1
0 1 0.111 0.026 0.006 0

0.1 1.111 0.137 0.032 0.006 0
0.2 1.248 0.169 0.038 0.006 0
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.



Entonces hallar: f
p

a) Si

Solucin a):
Se sabe que:

Entonces:

Como:
|
|
Se aplica Stirling y Everett porque
Para Stirling su
es hasta su 2diferencia, como y |
| 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
+ S
1
(
-1/2
+
1/2
) + S
2
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)
p
=1.285415424



INTERPOLACIN PARA EL CASO DE DATOS NO EQUIDISTANTES

POLINOMIO DE APROXIMACIN DE LAGRANGE

Sean (X
0
, f
0
), (X
1
, f
1
),, (Xn, f
n
) (n+1) ptos
Entonces existe un polinomio de grado que para por dichos puntos
(X
0
<X
1
<X
2
<. <Xn)
F(X) = a
0
(X-X
1
) (X-X
2
)..(X-Xn)+a
1
(X-X
0
)(X-X
2
).(X-Xn)++a
n
(X-X
0
)(X-X
1
)(X-X
2
)...(X-Xn-1)

OBS: en el primer termino falta (X-X
0
), en el 2 termino (X-X
1
), y as sucesivamente en el
ultimo termino falta (X-X
n
) esto es una cualidad de dicho polinomio.
Como f(x) debe contener a los puntos dados
Si X = X
0
; f(X
0
)= a
0
(X
0
-X
1
) (X
0
-X
2
)..(X
0
-Xn)
a0=
f(o)
(X0X1)(X0X2)(X0X3)(X0Xn)

Si X = X1 ; f(X
1
)= a
1
(X
1
-X
0
) (X
1
-X
2
)..(X
1
-X
n
)
a1=
f(1)
(X1X0)(X1X2)(X1X3)(X1Xn)

.
.
.
Si X = Xn ; f(X
n
)= a
n
(X
n
-X
0
)(X
n
-X
1
)(X
n
-X
2
)..(X
n
-X
n-1
)
an=
(n)
(XnX1)(XnX2)(XnX3)(XnXn1)



Remplazando los as en el polinomio P(X)

f(X)=
(XX1)(XX2)(XXn)
(X0X1)(X0X2)(X0Xn)
f0+
(
1
0
)(
2
)(X1Xn)
(X1X0)(X1X2)(X1Xn)
f1++
(XX0)(XX1)(XXn1)
(XnX0)(XnX1)(XnXn1)
fn

L
0
(X) L
1
(X) L
n
(X)
F(X) = L
0
(X)fo + L
1
(X)f1 + . + L
n
(X)fn
Polinomio de Lagrange

Donde:
i(X)=
(XX0)..(XXi1)(XXi+1)(XXn)
(XiX0)..(XiXi1)(XiXi+1)(XiXn)

Funcin multiplicadora de Lagrange

TEOREMA.- Sean (X
0
, f
0
), (X
1
, f
1
),, (Xn,f
n
) para los puntos (n+1) y adems
(X
0
<X
1
<X
2
<<Xn)
Entonces existe un nico polinomio de grado 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)



R(X) es de grado (ya que el grado de P(X) y Q(X) es )

Adems:
R(X
0
)= P(X
0
) - Q(X
0
)= f
0
-f
0
=0
R(X
1
)= P(X
1
) - Q(X1)= f
1
-f
1
=0

En general
R (Xi) = 0 i 0, 1, 2, 3,n

Entonces.
X
0
, X
1
, X
2
,., 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 0 2
Fx 2 1 5
El polinomio P(X) = X
2
+1 pasa por estos puntos, tambin pasa por estos puntos el
polinomio Q(X) = X
3
-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



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 n.
Sea el siguiente polinomio () () a determinar:

Observacin:
El polinomio () se caracteriza por:
En el 1 trmino falta el factor (
), en el 2 trmino falta el factor (
) , en el 3 termino falta
el factor (
) y as sucesivamente, en el n-simo termino falta 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=

()
)(
)(
) (
)(
)(
) (
)(
)(
) (
) .



(
)(
)(
) (
)(
)(
) (
)(
)(
) (
)
(
)(
)(
) (
)(
)(
)(
)

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 ()

26



a) Solucin:
El polinomio de Lagrange ()
()

, ser:

()
(
)(
)(
)(
)
(
)(
)(
)(
)(
)(
)(
)
(
)(
)(
)(
)(
)(
)(
)
(
)(
)(
)(
)(
)(
)(
)
(
)(
)(
)(
)(
)(
)(
)
(
)(
)(
)(

()
()()()()
()()()()

()()()()
()()()()

()()()()
()()()()

()()()()
()()()()

()()()()
()()()()

Luego, resolviendo tenemos:
()

b) Solucin:
Como: ()

() (
) ()

() ()
)
Aprox. E interpolacin de un polinomio de newton.
()
)
()
)
()
)
()
)
()

Donde:
(
)
()
(
)
(
)
()
(
)(
)
(
)
()
(
)(
)(
)
(
)
()
(
)(
)(
)(
)



(
)
()
|
( )( ) ( )( )( )
(
)
()
|
( )( )( ) ( )( )( )
( )( )( )

Ejemplo: 2
Aproximar la siguiente tabla a un polinomio de newton

x
()

1.1 1.04 =

0.04
1.2 1.08=
-0.02
0.03 0.02
1.3 1.11=
-0.01
0.04
1.4 1.15=

Donde: h=1.4-1.3=0.1
( )
()
( )
( )
()
( )( )

( )
()
( )( )( ()() )

()
( )
()()
)()
()()
)()
()()

()



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.
-> |
() ()
()
|=0.47 = 0.5 < 1 -> {x

n
} ->

n=0 Xn+=Xn-
(n)
(n)
=> Xn+1 = Xn
n
(n)

Con X=1
X = X
()

X=0.683939
1ra Iteracin.
X = X
()

X=0.5774544772
2da Iteracin.
X = X
()

|X - X|=0.01=0.01*

n=1 -> X=
con 1 cifra significativa.

n=
1
n=
2
1



(Mtodo del Punto fijo)
Resolver por el mtodo por el punto fijo con 1 cifra decimal exacta.
Solucin:
{}
X=
de (1)
Remplazando en (2)
F (y)=

Y F (y)
0 -
1 +
2 +
Y F (y)
0 -
0.5 -
0.6 +
1
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
-> f
Y= LnX -> g
fx=0 fy=

g
x
=
g
y
=0

f
x
(1.6;1.5)=0 f
y
(1.6;1.5)=0.5773502642
g
x
(1.6;1.5)=0.625 g
y
(1.6;1.5)=0

|f
x
(1.6;1.5)+f
y
(1.6;1.5)|=0.57785026 < 1
|g
x
(1.6;1.5)+g
y
(1.6;1.5)|=0.625 < 1
->{Xn} ->

{Y
n
} ->
Mediante la Sgte. Relacin.

2
X
-1 =0 (1)

(2)
F (0).F(1)<0 ->

[0,1]
F (0.5).F(0.6)<0 ->
,-(*)
1er intervalo para F(y)=



X
n+
=2
n=0, 1, 2
Y
n+
=L
n
(X
n
) n=0, 1, 2
Dejar de iterar
|X
n+
-X
n
|0.5*

Iterando como punto inicial *X,Y+=*1.6;1.5
X=2
=1.732050
Y=0.4700036292

X=1.765328965
Y=0.5493061446

X=1.671242364
Y=0.5683370555

X=1.645591676
Y=0.5135672804

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.

n=0
n=1
n=2
n=3
n=
4
n=5



(Mtodo del Punto fijo)
Por el mtodo de N-R, resolver el sistema:
{}
a) 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 F(x)
1 -
2 +
x F(x)
1.6 -
1.7 +
Sea X=1.6 ; Y?
De (1) -> Y=Lnx = Ln(1.6)=0.47 -> Y=0.47
Entonces:
{

b) Sea
F(x,y)=X
-1
G(x,y)=

F
x
(x,y)=
F
y
(x,y)=-X.

G
x
(x,y)=2X G
y
(x,y)=8y

3
X
-1 =0 (1)

(2)
F (1).F(2)<0 ->
[1,2]
F(1.6).F(1.7)<0 ->

[1.6,1.7]
X 1.6
Y 0.47
Pto ms cercano de la raz.



Fx F
Gx G

J(x,y)=| |=| |

= 5.550020142 0
Y como (XY) es muy cercano:
->-> {xn} ->
y -> {yn} ->

c) Dejamos de iterar si:
|Xn-Xn+|0.5*
=0.5*

|Yn-Yn+|0.5*
=0.5*

Ahora:

| |=| |

8Y [X
-1]+ X.
-

| |=| |=
]-2x [-X.
]

Veamos que la formula de recurrencia asi:
Xn+=Xn -
n,
- n
;
n=0, 1, 2,..
Yn+=Yn -
,n

n=0, 1, 2,
Siendo P inicial: (1.6;0.47)=(X;Y)

X=1.6
()
=1.700250715
Y=0.47-
()
= 0.53265975

X.

2x 8y
F Fy
G Gy
X
-1 -X.
8y

-X.

n=0
Fx(x,y) Fy(x,y)
Gx(x,y) Gy(x,y)



X=1.700250715
()
=1.697250462
Y=0.53265975-

()
= 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.

n=1
n=2



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.



. 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
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
+(

+
L U
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=

(

+ = (
0 -1
4

+(

)
L U



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:



Ejemplo:

Sea la matriz

(

+(
+ (
+

Para

(

)(
+ (
+

Para

(

)(
+ (



SEGUNDO METODO DIRECTO
METODO DE CHOLESKY
Tambin para resolver el sistema Ax = b para aplicar cholesky se debe cumplir lo siguiente:
Simetrico
1 que X
t
AX>0 / X=|
| X
t
= (X
1
X
2
X
3
)
A definida Positiva 2 cada sub determinante sea positiva es decir: A
33

|| |

| |

|

1 versin de cholesky
Ejemplo: 1
Aplicar cholesky al sistema siguiente:
|

| |
| |
|
A es simtrico
A es definida positiva?
Se debe de cumplir que X
t
AX>0
,

- |

| |
|

( ) ( ) ( )



Se puede aplicar cholesky
Ax = b
A = L*L
t

|

| |

| |

|
l
11
=2
l
21
=
l
31
= 1
l
22
=

l
32
=

l
33
=

L*L
t
=
|
|

|
|
|
|

|
|

Ax = b

L*L
t
X = b
L*L
t
X = b
Y =
L
t
X
L*Y = b
L
t
*X = Y
L
t
*X = Y
L*Y = b



Para L*Y = b

|
|

|
|
|
| |
|

Y
1
=
Y
2
=

Y
3
= 4*

Para Lt*X = Y

|
|

|
|
|
|
|
|
|
|

X
1
= 28/27 X
2
= 35/27 X
3
= -16/27
Ejemplo: 2
(Mtodos de Cholesky para hallar el sistema Ax=B)
Resolver el siguiente sistemas por Cholesky.

|
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
|
.
|
\
|
5
3
2
=
6 2 0
2 5 2
0 2 4
3
2
1
x
x
x



Solucin:

t
A A= , entonces A es simtrica.
0 > Ax x
t
, luego A es definida positiva.
Factorizamos la matriz
T
LL A=

|
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
|
.
|
\
|
33
32 22
31 21 11
33 32 31
22 21
11
0 0
0 0
0 0
=
6 2 0
2 5 2
0 2 4
=
u
l l
l l l
l l l
l l
l
A
Para la
ra
1 columna tenemos:

0 = 0 =
1 = 2 =
2 = 4 =
31 11 31
21 11 21
11
2
11
l l l
l l l
l l

Para la
da
2 columna tenemos:

1 = 2 =
2 = 5 =
2 =
32 22 32 21 31
22
2
22
2
21
21 11
l l l l l
l l l
l l
+
+
Para la
ra
3 columna tenemos:

2 = 6 =
2 =
0 =
33
2
33
2
32
2
31
32 22 31 21
31 11
l l l l
l l l l
l l
+ +
+

|
|
|
.
|
\
|
|
|
|
.
|
\
|
2 0 0
1 2 0
0 1 2
= ,
2 1 0
0 2 1
0 0 2
=
t
L L



Del sistema b x LL b Ax
t
= = , luego b Ly = y y x L
t
=
Para b Ly =

|
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
|
.
|
\
|
2
1
1
=
5
3
2
=
2 1 0
0 2 1
0 0 2
3
2
1
y
y
y
y

Para y x L
t
=

|
|
|
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
|
.
|
\
|
1
0
2
1
=
2
1
1
=
2 0 0
1 2 0
0 1 2
3
2
1
x
x
x
x

2. Segunda versin de cholesky







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 , expresarlo como

P-2: Sea
, 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: ( )
donde R: vector residual

Se tiene
+(
+ (
+



Si
es solucin de
Si
es solucin de

P-3: Del sistema expresarlo como
y sea
, se procede como P-2,

llegando a lo siguiente:

Tal que: ( )
donde S: vector residual

Se tiene

Si
es solucin de
Si
es solucin de

Se tiene:
.. ()

.. ()

() () (
) ( )

0

Se busca una relacin:

Tal que: ( )

Ejemplo:

Resolver:

Del sistema
(1)

2
... (2)

2
(3)

(4)

Sea
, *+



De (1):

De (2):
0
De (3):

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:



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



()

De (2) despejo
:
()

De (3) despejo
:
()

De (4) despejar
; pero
:
()

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

()

()

()



Sea
*+

De (1) despejar
:
()

De (2) despejar
:
()

De (3) despejar
:
()
( )
De (4) despejar
, pero
entonces:
()

Entonces:

) (
) (
)
(
) (



Comprobacin:

-46+24+13
-22+13=-9

CUARTO METODO DIRECTO
MTODO PENTADIAGONAL PARA
SISTEMAS DE ECUACIONES LINEALES.

(

+
(
=
(

A x b

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

Ec (1)
Ec (2)
Ec (n)



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 (
* es un vector residual.
Si
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
en donde .
/ es un vector residual.

Si

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.



en donde (
* es un vector residual.

Si

Si

P-5 : Finalmente se llegar al siguiente sistema

()

()

()

Luego hacemos (1) () () y se llega a lo siguiente

A (
() ()) ( )

X

Se busca luego una solucin en donde R = /

Entonces la solucin del sistema A.x = b estar dado por



Ejemplo
Resolver el siguiente sistema pentadiagonal
2
+ 3
= 8 Ec(1)
3
+ 2
+ 4
= 15 Ec(2)
+ 4
+ 4
+ 2
= 13 Ec(2)

+ 4
+ 2
= 19 EC(4)
2
+ 7
= 15 EC(5)

PASO DEL ALGORITMO
P-1: Expresar el sistema como A. = b
2
+ 3
= 8 Ec(1)
3
+ 2
+ 4
= 15 Ec(2)

+ 4
+ 4
+ 2
= 13 Ec(3)

+ 4
+ 2
= 19 Ec(4)
2
+

+ 7
= 15 Ec(5)
Sea
= 0
= 1 cte arbitrario
P-2:
DE Ec(1) despejar
= 5
pues 0 + 3(1) +
= 8
DE Ec(2) despejar
= 7
pues 0 + 2(1) +4(8) +
= 15
DE Ec(3) despejar
= 16



pues 0 + 4(1) + 5 + 4(7) + 2
= 13
DE Ec(4) despejar

; como

, hacemos lo sgte. :

+ 4

+ 2
= 19 +

1 + 4(5) + 2(7) + 16 = 19 +
= 45
De la Ec(5) despejar
; como
hacemos
2
+ 7
= 15 +

2(5) + (7) +7(16) = 15 +
= 100

R = (
) , como R ; 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



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
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
= 20
= 10



De Ec(1) despejar
=
pues 2(20) + 3(10) +
= 0
De Ec(2) despejar
=
3
+ 2
+ 4
= 0
3(20) + 2(10) + 4() +
= 0
De Ec(3) despejar
= 395
+ 4
+ 4
+ 2
= 0
20 + 4(10) + ()+ 4(200) + 2
= 0

De Ec(4) despejar
como
, hacemos
+ 4
+2
= 0 +
= 1925
10 + 4() 2(200) + 395 = 0 +

De Ec(5) despejar
; como
+7
= 0 +

T = .
/= (
) ;
=
(

A.
= + T
P-5: Y se llega a lo siguiente
A.
= b + R
A.
= 0 + S
A.
= 0 + T



R = 0 R= .
/
+ = R S = .
/

.
/+ .
/= .
/ T = .
/

1445 + 1925 = ; = 0.025992507
2705 = 100 ; = 0.003865364
X =

X =
(
=
(
+ 0.025992507
(
+ 0.003865364
(

X =
(

Comprobacin : Ec(1)
2
+ 3
= 8

0.6744647 + 4.67551134 + 2.65002396 = 8
8 = 8 Cumple!!!
Y tambien cumple tod



NORMA DE UNA MATRIZ

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

Principales Normas

Ejemplo 1:

Sea

*|| || + *+

*|| || + *+

()
()

Para el vector X =

*+

|
| |
| |
|

()
()
()
|| ||

()
-Norma m o Norma ""

-Norma l,

-Norma k,



Ejemplo 2:

Sea X = ( )

*|| ||+

|| ||

()
()



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) a
11
X
1
+a
12
X
2
+ .. +a
1m
X
m
= b
1

Ec.(1) a
21
X
1
+a
22
X
2
+ .. +a
2m
X
m
= b
2

Ec.(1) a
31
X
1
+a
32
X
2
+ .. +a
3m
X
m
= b
3

Ec.(1) a
m1
X
1
+a
m2
X
2
+ .. +a
mm
X
m
= b
1

Donde:

Despejamos X; de la Ec. (i); i=1,2,3, . , m
X = +
i-1
X
X
1
=

X
2
=

.
.
.
.
.
.

. (2)
X =|
|
A =

b = |
| y si a
ii

0



Donde:
= b
i
/a
ii
; a
ii
0 ; = (
1
,
2
, ,
m
)
t

=
ij
= -a
ij
/a
ii
=

El sistema (2) anterior se puede expresar en la siguiente forma X = + X
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 {X
k
}

k=0
tomando como valor inicial X (0) arbitrario, que
generalmente X
(0)
=0 X
(0)
= =1
Obs. X
(k+1)
= (X
1
(k+1)
,X
2
(k+1)
, , X
m
(k+1)
)
t

X
(0)
= (X
1
(0)
, X2
(0)
, , X
m
(0)
)
t

*

+



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)
, k=1,2,
P-3 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:

La matriz A se le puede descomponer en la forma A = D +L + U, donde

Matriz Diagonal Matriz Triangular inferior Matriz Triangular superior

*

(-)
*

+
A =



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
-1
b D
-1
(L + U) X
X = D
-1
b + [-D
-1
(L + U)] X = D
-1
b ^ = -D
-1
(L + U)
Si el mtodo de Jacobi es X = + X
Matricialmente es: X = D
-1
b D
-1
(L + U) X
Su relacin de recurrencia es X
(k+1)
= D
-1
b 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: X
1
= 12/10 (-1/10) X2-(1/10)X
3

(2) X2: X
2
= 12/10 (1/10)X
1
(-1/10)X3
(3) X3: X
3
= 12/10 (1/10)X
1
(1/10)X2

(

+



|| | |

= || | |
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)

K=0 Iteracin Inicial:
X
(k+1)
= + X
(k)

X
(1)
= + X
(0)

Donde
y sea X
(0)
= = ( X
(0)
1
X
(0)
2
X
(0)
3
)
t

X
(1)
= |
()
()
()
| |
| [

] |
| |
|
Donde
X
1
(1)
= 1.2 + (0 -0.1-0.1)(
+ ()() ()()
X
2
(1)
= 1.2 + ( -0.1 0 -0.1)(
+

K=1 1 Iteracin:
X
(2)
= + X
(1)

X
(2)
= |
()
()
()
| |
| [

] |
| |
|
X
(0)
= 0
X
(0)
=
X
(0)
= 1



Donde:
X
2
(2)
= 1.2 + (0 -0.1 -0.1)(
+ = 1.008

K=2 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



Por Jacobi verificar su convergencia

CONVERGENCIA DE JACOBI

{
()
} X* Si |||| < 1 .. (i)
Observacin
Para que se cumpla (i)
Es necesario que A del sistema original Ax = b sea diagonalmente dominante, es decir
a
ii
> |a
ij
| de su fila y de su columna
As: a
11
= 20 > = 0 + 5 de su fila
a
11
= 20 > = 1 +1 de su columna
a
22
= 20 > = 1 + 2 de su fila
a
22
= 20 > = 0 + 9 de su columna
Igual para a
33

x
1
=
+ 0 + 0 -

x
2
=
+ 0 -

x
3
=
+ 0
. . .
x = +

|
|

|
|
= |

|
|| || mx.{ 0 + 0 + |
| , |
| + 0 + |
| , |
| + |

| + 0 }
|| || mx.{0.25, 0.15, 0.5 }
|| || 0.5 < 1
{ } X* por jacobi



Por jacobi obtener una solucin con
Si la relacin de jacobi es = + , k 0, 1,2

Para k = 0
Interaccin inicial
= +

Observacin es arbitraria

Sea =

= = +
.. .
+

Para k = 1
Primera iteracin +
= = +
Donde
= 0.1 +
= 0.1 + (0)(0.1) + (0)(0.2) + (-0.25)(0.3) = 0.025\
= 0.2 +



= 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 <



SOLUCION MATRICIAL DE JACOBI

Del sistema Ax = b
Sea A = D + L + U
( D + L + U )x = b
Dx + ( L + U)x = b
Dx = b + [-( L + U)x]
x = b + [- ( L + U )]x
..
x = +

la relacin matricial de jacobi
= b + [- ( L + U )]
k = 0, 1, 2

Observacin
= - ( L + U ) es igual al despejar
xi de la ecuacin (i), i = 1, 2, 3



SEGUNDO METODO:
METODO DE GAUSS- SEIDEL

Tambin determina la solucin del sistema iterativamente.
De la relacin matricial del sistema :
( )

) (
) ()
De () se obtiene la relacin matricial de G-S , siguiente:

Observacin:
*Si
( )
{

*La relacin () se puede obtener al igual que Jacobi del sistema , de la ecuacin
despejar la variable
, para obtener la Matriz .

Algoritmo del mtodo de Gauss-Seidel:
Paso1: Dado el sistema obtener su sistema .
Paso 2: Para un punto inicial arbitrario
()
generar la sucesin {
()
}
()
mediante la
siguiente relacin:
()

)
()
(
)
()
;
Paso 3: Dejar de iterar si
()
()
()

; caso contrario ir al paso 2.

()

)
()
(
)
()



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:
( )
(

+



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
se requieren 13
iteraciones.



Ejemplo 1
Sea el sistema:

Por el mtodo de Gauss-Seidel
Analizar su divergencia
Hallar su solucin con

Solucin:

[

]
L [

]
Luego:

(L )

[

] [

] [

]

[

]

* +
{X (k)} X*



[

] [
] [
]

De
()

L-[
()
] ,
-
()

Sea
()

()
()
()
[
]

()

L-[
()
] ,
-
()

()

()
()
()
[
] [

]
()
()
()
[

] [
()

()

()
()

()

()

()

()
()
()
[
]



: 1era Iteracin

()

L-[
()
] ,
-
()

()

()
()
()
[
] [

]
()
()
()
[

] [
()

()
()

()

()

()
()
()
[
]

: 2da Iteracin

()

L-[
()
] ,
-
()

()

()
()
()
[
] [

]
()
()
()
[

] [
()
*
()

()
()
+

()

()

()

()
[
]



: 3era Iteracin

()

L-[
()
] ,
-
()

()

()
()
()
[
] [

]
()
()
()
[

] [
()

()

()

()
[
()

()
()
|
|
|

()



Ejemplo 2

Sea el sistema:


Solucin:


[

]

[

]

Luego:

( )

[

] [

] [

]

* +

{X
(k)
} X
*

[

] [
] [
]

De
()

-[
()
] ,
-
()



Sea
()

()
()
()
[
]

()

-[
()
] ,
-
()

()

()
()
()
[
] [

]
()
()
()
[

] [
()
()
()

()
()
[
]

: 1
era
I teracin

()

-[
()
] ,
-
()

()

()
()
()
[
] [

]
()
()
()
[

] [
()



()
()
()

()
[
]

: 2da I teracin

()

-[
()
] ,
-
()

()

()
()
()
[
] [

]
()
()
()
[

] [
()
()
()
()
[
()

()
()

()



Ejemplo 3
Sea el sistema:


Solucin:


[

]

[

]

Luego:

( )

[

] [

] [

]

[

]

* +
{X
(k)
} X
*

[

] [
] [
]



De
()

-[
()
] ,
-
()

Sea
()

()
()
()
[
]

()

-[
()
] ,
-
()

()

()
()
()
[
] [

]
()
()
()
[

] [
()

()

()
()

()

()

()

()
()
()
[
]

: 1
era
I teracin

()

-[
()
] ,
-
()

()

()
()
()
[
] [

]
()
()
()
[

] [
]



()

()
()

()

()

()
()
()
[
]

: 2
da
I teracin

()

-[
()
] ,
-
()

()

()
()
()
[
] [

]
()
()
()
[

] [
()
*
()

()

()
+

()

()

()

()
[
]

: 3
era
I teracin

()

-[
()
] ,
-
()



()

()
()
()
[
] [

]
()
()
()
[

] [
()

()

()

()
[
()

()
()
|
|
|

()



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:
(X
0
, f
0
), (X
1
, f
1
), (X
n
, f
n
) continua y diferenciable en [X
0
, X
n
]. El problema de la
Diferenciacin Numrica es que dado un valor Xp [X
0
, X
n
] se desea hallar el valor
tal que
, donde:

P
()

P

(
P)

()

Frmula de Newton Progresivo (N P):

Si Xp = X
0
en (i) P = 0

frmula de NP es:

P(P)
P(P)(P)
P(P)(P)(P)
!

Segn (ii)

(P
P)
(P
P)
(P
P)
!
1



(P)
(P
P)
(P
P)
!
1 ()

Si X
P
=X
0
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
n

Para Newton Progresivo - hacia adelante

(P )
.
P
1

Si X
P
=X
0
P=0

1

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 )
!



Si X
P
=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
PARA NEWTON REGRESIVO

(P )
.
P
1

P
1

Ejemplo: En la siguiente tabla determinar (a)
y (b)
() por NP

X

f(X)
2

3

0.00 1.0000 513 26 1
0.05 1.0513 539 27 3
0.10 1.1052 566 30 0
0.15 1.1618 596 30
0.20 1.2214 626
0.25 1.2840

Solucin(a):

Solucin (b)

()
es una derivada que esta al principio de la tabla se emplea la formula de Newton

Progresivo, como X
P
=0.055 es un punto intermedio X
P
*0.05,0.10+, X
0
=0.05. Se halla
su valor de P de:P
.



H=0.05 P

X
0
f
0
f
0
2
f
0
3
f
0

0.05 1.0513 539 27 3

S
P
(P)
(P
P)
!
1

()
0
()()
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)
(P
P)
!
1

()
0 0
()
1 () 0
()
()
1 ()1

()



FRMULA DE DIFERENCIACIN DE BESSEL

]

S
P(P)
P(P)(P)

Si X
P
es un punto tabulado X
P
=X
0
P=0

1

FRMULA DE DIFERENCIACIN DE STIRLING

) ]

S
P(P)(P)
(!)

P S
(P)(P)
!

1 P
(P
)

En X
P
=X
0
P=0

0
(
1



Ejemplo 3: Hallar(a)
(), (b)
( )

Solucin(a)

()

Como 0.10 [0.10, 0.15]
P -
Sg

g |
Sg

] ()

P ()
1

En la tabla se tiene:

1

Solucin (b)

()
P
,-

P
| ()

()
()



()
,()() ( ) ()()-

INTEGRACIN NUMERICA
Para intervalos Simples

Mtodo del trapecio

()
()
, m *X
0
, X
1
]

Donde
()
= max * |
()
| |
()
| +

Mtodo de Simpson de 1/3



()
, m [X
0
, X
1
]

Donde
()
* |
()
| |
()
| +

Mtodo de Simpson de 3/8

()

()

()
* |
()
| |
()
| +

Ejemplo:

)

Por el trapecio Simple



Solucin:

X f(x)
X
0
=1 f
0
=0.841471
X
0
+h=X
1
=2 f
1
=1.818595

Obs: Los puntos X
i
son dela forma X
i
=X
0
+h
i

Determinacin del
Si
()

()

()

()
* |
()
| |
()
| +

()
* || || +

()
()
Entonces

)

Solucin por el mtodo Simpson de 1/3 para intervalo simple
Sol:



X f
(x)

X
0
=1 f
0
=0.841471
X
0
+h=1.5 f
1
=1.496242
X
0
+2h=2 f
2
=1.818595

Determinacin del

Si
()

()

()
* |
()
| |
()
| +

()
* +

()
()

Entonces:

()

Por Simpson 3/8 para intervalo Simple
Sol:

, es igual al ejemplo anterior

X f(X)
X
0
=1 f
0
=0.841471
X
1
=4/3 f
1
=1.295917
X
2
=5/3 f
2
=1.659013
X
3
=2 f
3
=1.818595



()
* +

()
()

Integracin Numrica para intervalos compuestos

Mtodo del trapecio compuesto

m veces h

Demostracin:
()

()

()



()

Entonces la suma todas las integrales seria:
()
,(
) (
)-

Determinacin del del trapecio

( )
()

Mtodo de Simpson de 1/3 compuesta.

Demostracin:



Entonces la suma de todas las integrales seria:

()
,(
) (
) (
)-

Determinacin del de Simpson de 1/3 compuesta

()
()
()

( )
()

Ejemplo:

Por trapecio compuesto con m=5
Sol:

X f
(X)

X
0
=1 f
0

X
1
=1.2 f
1

X
2
=1.4 f
2

X
3
=1.6 f
3

X
4
=1.8 f
4

X
5
=2 f
5

()
()

()
()

()
,(
) (
)-
= 1.436070589 +

Es igual al ejemplo
del trapecio simple



Simpson de 1/3 compuesto con m=3

X f
(X)

X
0
=1 f
0

X
1
=7/5 f
1

X
2
=8/6 f
2

X
3
=9/6 f
3

X
4
=10/6 f
4

X
5
=11/6 f
5

X
6
=2 f
6
=f
m

( )
()

( )
()
,(
) (
) (
)-
2.493614005 +

Es igual al ejemplo
de Simpson de 1/3



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:
()
()
()

() (
)

(

()
( )

() (
)

( )
()
( )



(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 1
RA
FORMULA ABIERTA.

Ejemplo:
Calcular (
()

Aplicando: 4 es decir:

= 1 + 1(1)
= 2

= 1 + 2(1)
= 3
( )



()

()()

Aplicando (4)
()
()

()

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:
f1
f(X)
x0 x2 x1



()
() (
()
( )
() ( )

()
Sea el siguiente cociente de errores:
( )
()
( )
()
( )
Si
()
()
()
(2) en (1):
) ()

(3) en (1):
)

(4)`

Ejemplo:
Aplicando la frmula
para hallar:
(

Solucin:

()

Formula De Extrapolacin entre
Simpson de 1/3 y Simpson de 3/8
para Intervalo Simple



()
()
( () )

()

()
()
( () () )

()
()

}

(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:

()

X
0
+1h =

()



( )
()
( )
()
; ( )
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.



Ejemplo 1:
Calcular (
usando 1 dos aplicaciones (
) y despues cuatro
aplicaciones (
) de la regla del Trapecio compuesto y despues aplicar E.R. para encontrar una
3 aproximacion (que es la mejor).

Solucin:

- ()
Se tiene:

Para:

)
Como

( ())

Para:

)
Como

()

()
1 1

2 9

2.5

()
1 1

1.5 4

2.5 15

3 25



. (
)/

. (
)/

Aplicando:

()
()

Ejemplo 2:
Evaluar
igual a la pregunta anterior.

Solucin:
Para:

()
/*

Para:

()
1 1

2 1/2

1/3



()
/*

E.R. PARA LAS REGLAS DE SIMPSON DE 1/3 COMPUESTO

Sea

()
) (
-
Donde
son aproximaciones de

Aplicando
aplicaciones de la R. de Simpson de 1/3 compuesto y su cociente de errores,

donde:

( )
()
( )
()
; ( ) ()

Si
()
()
()

()
()

()
1 1

1.5 2/3

1/2

2.5 2.5

3 1/3



()

Para:

en ()
) ()

()
()
)

()

Ejemplo (1):

Para
( )

Para

X f(X)
X
0
=1 f
0

X
1
=1.5 f
1

X
2
=2 f
2

X f(X)
X
0
=1 f
0

X
1
=2 f
1

Extrapolacin de Richardson (E.R.)
entre las reglas de Simpson de 1/3
compuesto para

aplicaciones.



()()

Entonces:



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
, la aproximacion de la integral ()
utilizando la regla del

Trapecio Compuesto para
.
Para:
; se sugiere la siguiente tabla:

1 2 3 4 n
1 2 4 8

La integracin de Romberg da su respuesta en forma matricial:

Se sugiere hallar
con la siguiente formula.

Nos generamos las siguientes sucesiones

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . .
() () (
()



()
(() ())
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:

Para la segunda columna se utilizara:

Para la tercera columna k=3 ser:

Para la cuarta columna k=4 ser:

Para la quinta columna k=5 ser:

Para la sexta columna k=6 ser:

()

( (

i = 2, 3, 4,n
j = 2, 3, 4,n
k = 2,3,

k = 3,4,

k = 4,5,

k = 5,6,

k = 6,7,



Ejercicio 1
Hallar
; con n=6 por Romberg

Solucin:
Tenemos de datos:
a=0
b=0.8
n=6
()

Realizando la tabla
1 2 3 4 5 6
1 2 4 8 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.
()

( (



Cuando K = 2

0
()

( (
1

Cuando K = 3

0
()

( (
1

Cuando K = 4

0
()

( (
1

Cuando K = 5

0
()

( (
1

Cuando K = 6

0
()

( (
1

PARA LOS VALORES DE LA SEGUNDA COLUMNA:

Cuando K = 2

Cuando K = 3

Cuando K = 4

Cuando K = 5



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



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



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:

O

Observacin:
Euler es un caso particular de Taylor de orden 1.
Ejemplos resueltos:
1 forma de pregunta
1) Dado:

Con:
()
Hallar: ()
( ) /

( )



Solucin:
Como:

Entonces:
Para i=0 ,

Donde:

() (

Luego:

()
Donde:

Reemplazando en ():

()()()()

()



2 forma de pregunta
2) Dado:

Con:
()
Hallar: () para , - , con n=4
Solucin:
Como:

0 1 2 3 4

1 1.25 1.5 1.75 2

()

()

()

()

Para i=0, con (
) ( )

Para i=1, con (
) ( )

Para i=2, con (
) ( )



Para i=3, con (
) ( )

Para i=4, con (
) ( )

b) Mtodo de Taylor de orden K:
Es de la siguiente forma:
()
!

O
(
) (
)
!

)
!
)
!

()
(
)
!

Donde:
El error local es de la forma:

()
(
)
!

Ejemplos resueltos:
1 forma de pregunta
Dado:
()
Con:
()



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 ()

(()() ()())



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 (
) ( )

(Resuelto anteriormente)

Para i=1 con (
) ( )



!

Se requiere hallar:

De ()

()

Derivando ():

()

() ()()

Derivando ()

(()() ()())

Luego, reemplazando:

()()
!
()
()
!
()
()
!



Para i=2 con (
) ( )

!

Se requiere hallar:

De ()

()

Derivando ():

()

() ()()

Derivando ()

(()() ()())

Luego, reemplazando:

()()
!
()
()
!
()
()
!



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

Con h=0.5, hallar
()
sabiendo que satisface:

Solucin:

()

Y h=0.5
Por condicin del problema.

()

()

Para aplicar el predictor corrector, se necesita hallar
por un mtodo no menor de
orden
(puede ser Taylor, o RK), Sea RK-4.

()
()
()()

)

(())

()
()()
()()

Predictor:

Corrector:
)



)

( ()())

()

()
()()

(())

()

()
()()

()
()()
()()

Aplicando el predictor:

()
()()
()

()
()
()()

Aplicando el corrector:
()

( )
()
este es el corrector



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
)
=

Ejemplo 1: La Sgte. EDO de
orden

Con
()

()

()

Como un conjunto de ecuaciones de
orden

Solucin: De

Sea

()

()

()

()

()

()
n(
()

(
()
)



La EDO de
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:

()
()
()
()

()

()

()



Matricialmente
= = ,i=0,1,2

Sea
)

()

=
()

()

()

()

()

()

()

()



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.



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

Libro de Metodos Numericosss

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

Libro de Metodos Numericosss

Încărcat de

Drepturi de autor:

Formate disponibile

UNMSM MTODOS NUMRI COS

PROFESOR: LUCI O AVI LI O MALASQUEZ RUI Z Pg. 1

- --> X*. El mtodo de R.F. determina el promedio ponderado

=0.5, estara ms cercano a la raz.

con 4 cifras significativas exactas.

, en la tabla, se debe hallar su imagen

. Hay dos tipos de Interpolacin.

se debe hallar su imagen

, se debe hallar el valor

dado al principio de la tabla o

|<4 Se tiene Inter. Directa Lineal y se utiliza la frmula de N.P. hasta la

|<12 Se utiliza IDNL y en la formula de NP se utiliza hasta la

|<4 se aplica IDL y se

de NP hasta la Diferencia anterior o sea hasta

0 1 0.111 0.026 0.006 0

; cumple con la T.O.T, segn P se aplica Bessel, Stirling o Everett.

es hasta su 2diferencia, como y |

| se aplica Everett o hasta su

de Everett es hasta la 2 diferencia.

), en el 2 trmino falta el factor (

) y as sucesivamente, en el n-simo termino falta el factor (

) no necesariamente son igualmente espaciados, es

|=0.47 = 0.5 < 1 -> {x

con 1 cifra significativa.

Mediante la Sgte. Relacin.

son raices con una cifra significativa.

y -> {yn} ->

con 4 cifras significativas decimales exactas.

con 4 cifras significativas decimales exactas.

donde R: vector residual

, se procede como P-2,

donde S: vector residual

, pero como no existe

, luego se procede como P-2

, C vector arbitrario talque *+

es solucin del sistema A.x = b

es solucin del sistema A.x = b

es solucin del sistema A.x = b

es un nmero real tal que satisface las siguientes condiciones

, para obtener la Matriz .

; caso contrario ir al paso 2.

Para Newton Progresivo - hacia adelante

P(P )(P )(P )

PARA NEWTON REGRESIVO

es una derivada que esta al principio de la tabla se emplea la formula de Newton

porque X0=0.25 en la tabla de NR

, es igual al ejemplo anterior

por dos mtodos anteriores se tiene:

aplicaciones de la Regla Del Trapecio Compuesto, anlogamente:

aplicaciones de la Regla Del Trapecio Compuesto tomando el cociente de errores:

usando 1 dos aplicaciones (

igual a la pregunta anterior.

aplicaciones de la R. de Simpson de 1/3 compuesto y su cociente de errores,

utilizando la regla del

; se sugiere la siguiente tabla:

con la siguiente formula.

; con n=6 por Romberg

, despus se usa una formula diferente para

) utiliza informacin del

por un mtodo no menor de

orden se expresa como un conjunto de 3 ecuaciones de

S-ar putea să vă placă și