Documente Academic
Documente Profesional
Documente Cultură
Agradecimientos
Contenido
1. Introducci
on y conocimientos previos
19
1.1. Motivaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2. Computadoras y programas . . . . . . . . . . . . . . . . . . . . . . 20
1.2.1. Computadoras . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2.2. Programa inform
atico y usuario . . . . . . . . . . . . . . . . 21
1.2.3. Lenguajes de programacion . . . . . . . . . . . . . . . . . . 21
1.2.4. Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.2.5. Programaci
on estructurada o secuencial . . . . . . . . . . . 24
1.2.6. Programaci
on orientada a eventos . . . . . . . . . . . . . . 26
1.3. Aproximaciones y errores de redondeo y error de truncamiento . . 27
1.3.1. Error absoluto y error relativo . . . . . . . . . . . . . . . . 27
1.4. Notaci
on cientfica . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.5. Cifras significativas . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.6. Notaci
on punto flotante . . . . . . . . . . . . . . . . . . . . . . . . 32
1.6.1. Punto flotante de un n
umero por corte o redondeo . . . . . 34
1.6.2. Error de redondeo y error de corte . . . . . . . . . . . . . . 36
1.7. Dgitos significativos, precisi
on y exactitud . . . . . . . . . . . . . . 38
1.8. Aritmetica de punto flotante . . . . . . . . . . . . . . . . . . . . . . 40
1.9. Preliminares matem
aticos . . . . . . . . . . . . . . . . . . . . . . . 44
1.9.1. Funciones continuas y acotadas . . . . . . . . . . . . . . . . 44
9
10
CONTENIDO
1.9.2. Sucesiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
1.9.3. Series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
1.9.4. Convergencia y divergencia de series . . . . . . . . . . . . . 54
1.9.5. Series alternadas . . . . . . . . . . . . . . . . . . . . . . . . 55
1.9.6. Serie de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . 61
1.9.7. Aproximaci
on de derivadas e integrales . . . . . . . . . . . . 69
1.9.8. Resto de una serie de potencias y cota del error . . . . . . . 70
1.10. Rapidez de convergencia (O de Landau) . . . . . . . . . . . . . . . 72
1.11. Ejercicios del captulo . . . . . . . . . . . . . . . . . . . . . . . . . 74
2. Races de ecuaciones
77
2.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.2. Metodo gr
afico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
2.3. Metodo de bisecci
on . . . . . . . . . . . . . . . . . . . . . . . . . . 80
2.3.1. Cota del error y metodo de paro . . . . . . . . . . . . . . . 84
2.3.2. Ventajas y desventajas del metodo de biseccion . . . . . . . 89
2.3.3. El metodo de bisecci
on en Excel . . . . . . . . . . . . . . . 90
2.4. Metodo de la secante . . . . . . . . . . . . . . . . . . . . . . . . . . 96
2.4.1. Metodo de paro . . . . . . . . . . . . . . . . . . . . . . . . . 100
2.4.2. Ventajas y desventajas del metodo de la secante . . . . . . 102
2.4.3. El metodo de la secante en Excel . . . . . . . . . . . . . . . 103
2.5. Metodo de la falsa posici
on . . . . . . . . . . . . . . . . . . . . . . 108
2.5.1. Ventajas y desventajas del metodo de la falsa posicion . . . 109
2.5.2. Metodo de la falsa posici
on modificado . . . . . . . . . . . . 110
2.6. Metodo de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . 111
2.6.1. Deducci
on de la f
ormula recurrente . . . . . . . . . . . . . . 113
2.6.2. Ventajas y desventajas del metodo de Newton-Raphson . . 115
2.6.3. Implementaci
on de metodo Newton-Raphson . . . . . . . . 116
2.7. Metodo del punto fijo . . . . . . . . . . . . . . . . . . . . . . . . . 121
2.7.1. Aproximaci
on de puntos fijos . . . . . . . . . . . . . . . . . 128
2.7.2. Convergencia del algoritmo del punto fijo . . . . . . . . . . 129
2.7.3. Implementaci
on de metodo del punto fijo . . . . . . . . . . 135
CONTENIDO
11
. . . . . . . . . . . . . . 145
2.8.4. An
alisis del metodo Newton-Raphson . . . . . . . . . . . . 152
2.9. Ejercicios del captulo . . . . . . . . . . . . . . . . . . . . . . . . . 158
3. Sistemas de ecuaciones
163
3.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
3.2. Resoluci
on de sistemas de ecuaciones . . . . . . . . . . . . . . . . . 165
3.2.1. Metodo gr
afico . . . . . . . . . . . . . . . . . . . . . . . . . 165
3.2.2. Metodos algebraicos cl
asicos . . . . . . . . . . . . . . . . . . 169
3.3. Eliminaci
on de Gauss simple . . . . . . . . . . . . . . . . . . . . . 184
3.3.1. Eliminaci
on de Gauss y las matrices elementales . . . . . . 190
3.3.2. Implementaci
on en lenguaje V.B. . . . . . . . . . . . . . . . 198
3.3.3. Limitaciones del metodo de eliminacion . . . . . . . . . . . 199
3.3.4. Pivoteo parcial . . . . . . . . . . . . . . . . . . . . . . . . . 201
3.4. Descomposici
on LU de una matriz . . . . . . . . . . . . . . . . . . 207
3.4.1. Metodo de factorizaci
on LU . . . . . . . . . . . . . . . . . . 209
3.4.2. Implementaci
on de la factorizacion LU . . . . . . . . . . . . 213
3.4.3. Descomposici
on P T LU de una matriz . . . . . . . . . . . . 215
3.4.4. Resolver sistemas de ecuaciones lineales mediante la descomposici
on LU . . . . . . . . . . . . . . . . . . . . . . . . 217
3.4.5. Inversos de matrices . . . . . . . . . . . . . . . . . . . . . . 222
3.5. Error y condicionamiento . . . . . . . . . . . . . . . . . . . . . . . 224
3.5.1. Matrices inversas para el estudio del condicionamiento de
una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
3.5.2. N
umero de condici
on de una matriz . . . . . . . . . . . . . 226
3.5.3. C
omo escoger de una precision, seg
un el nivel del mal condicionamiento de la matriz . . . . . . . . . . . . . . . . . . 230
3.6. Metodos iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
3.6.1. Metodo de paro . . . . . . . . . . . . . . . . . . . . . . . . . 233
3.6.2. Metodo de Jacobi
. . . . . . . . . . . . . . . . . . . . . . . 234
12
CONTENIDO
3.6.3. Metodo de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . 240
3.7. Resoluci
on de sistemas no lineales
. . . . . . . . . . . . . . . . . . 248
3.7.1. Representaci
on de un sistema no lineal como una funcion
de Rn en Rn . . . . . . . . . . . . . . . . . . . . . . . . . . 248
3.7.2. Metodo de punto fijo para funciones de Rn en Rn
. . . . . 249
263
4.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
4.2. El proceso de interpolaci
on . . . . . . . . . . . . . . . . . . . . . . 264
4.3. Diferencias divididas . . . . . . . . . . . . . . . . . . . . . . . . . . 267
4.3.1. Interpolaci
on lineal . . . . . . . . . . . . . . . . . . . . . . . 267
4.3.2. Interpolaci
on cuadr
atica . . . . . . . . . . . . . . . . . . . . 271
4.3.3. Interpolaci
on polinomial . . . . . . . . . . . . . . . . . . . . 276
4.3.4. Error cometido para el polinomio interpolante de Newton
por diferencias divididas . . . . . . . . . . . . . . . . . . . . 280
4.3.5. Implementaci
on de la interpolacion de Newton mediante
diferencias divididas . . . . . . . . . . . . . . . . . . . . . . 289
4.4. Polinomio de interpolaci
on de Lagrange . . . . . . . . . . . . . . . 291
4.4.1. Interpolaci
on lineal de Lagrange . . . . . . . . . . . . . . . 291
4.4.2. Interpolaci
on cuadr
atica de Lagrange . . . . . . . . . . . . . 292
4.4.3. Interpolaci
on polinomial de grado mayor que 2 mediante
Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
4.4.4. Implementaci
on de la interpolacion de Lagrange . . . . . . 298
4.5. Polinomio osculante e interpolaci
on de Hermite . . . . . . . . . . . 298
4.6. Regresi
on lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
4.6.1. Metodo de mnimos cuadrados . . . . . . . . . . . . . . . . 309
4.6.2. Calidad de la representacion R2 . . . . . . . . . . . . . . . . 312
4.6.3. Implementaci
on de la regresion lineal . . . . . . . . . . . . . 313
4.6.4. Linealizaci
on de datos para regresion . . . . . . . . . . . . . 314
4.7. Ejercicios del captulo . . . . . . . . . . . . . . . . . . . . . . . . . 321
CONTENIDO
13
5. Derivaci
on e integraci
on num
erica
325
5.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
5.2. Derivaci
on numerica . . . . . . . . . . . . . . . . . . . . . . . . . . 326
5.2.1.
C
alculo del error . . . . . . . . . . . . . . . . . . . . . . . . 328
5.2.2. F
ormulas de diferencias divididas finitas con mas de dos
puntos para f 1 . . . . . . . . . . . . . . . . . . . . . . . . . 330
5.2.3. F
ormulas de diferencias divididas finitas con mas de dos
puntos para f 2 . . . . . . . . . . . . . . . . . . . . . . . . . 334
5.3. Integraci
on numerica . . . . . . . . . . . . . . . . . . . . . . . . . . 339
5.3.1. Metodo de integraci
on de Newton-Cotes . . . . . . . . . . . 342
5.4. Cuadratura gaussiana . . . . . . . . . . . . . . . . . . . . . . . . . 362
5.4.1. F
ormula de Gauss-Legendre de dos puntos (mejora de la
regla del trapecio) . . . . . . . . . . . . . . . . . . . . . . . 364
5.4.2. F
ormula de Gauss-Legendre con n puntos . . . . . . . . . . 368
5.5. Ejercicios del captulo . . . . . . . . . . . . . . . . . . . . . . . . . 372
6. Soluci
on num
erica de ecuaciones diferenciales ordinarias
377
6.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 377
6.2. Ecuaciones diferenciales ordinarias (EDO) . . . . . . . . . . . . . . 377
6.2.1. Soluci
on de una EDO . . . . . . . . . . . . . . . . . . . . . 381
6.2.2. Problema de valor inicial y valor frontera . . . . . . . . . . 383
6.3. Metodos de un paso para EDO . . . . . . . . . . . . . . . . . . . . 384
6.3.1. Metodo de Euler . . . . . . . . . . . . . . . . . . . . . . . . 384
6.3.2. Metodos de Taylor . . . . . . . . . . . . . . . . . . . . . . . 395
6.3.3. Metodo de Euler mejorado . . . . . . . . . . . . . . . . . . 399
6.3.4. Metodos de Runge-Kutta . . . . . . . . . . . . . . . . . . . 403
6.4. Metodo de pasos m
ultiples para EDO . . . . . . . . . . . . . . . . 408
6.4.1. Metodos de Adams . . . . . . . . . . . . . . . . . . . . . . . 410
A. Programaci
on e introducci
on a Excel
425
A.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 425
A.2. Introducci
on a Visual Basic para Excel . . . . . . . . . . . . . . . . 425
A.2.1. El ambiente de programacion en Excel . . . . . . . . . . . . 426
14
CONTENIDO
A.2.2. Controles . . . . . . . . . . . . . . . . . . . . . . . . . . . . 428
A.2.3. Ingreso de datos en VB para Excel . . . . . . . . . . . . . . 430
A.2.4. Variables en el lenguaje Visual Basic de Excel . . . . . . . . 433
A.2.5. Condicionales y la toma de decisiones . . . . . . . . . . . . 436
A.2.6. Bucle o ciclos . . . . . . . . . . . . . . . . . . . . . . . . . . 438
A.2.7. Introducci
on a las funciones . . . . . . . . . . . . . . . . . . 441
A.2.8. Arreglos en Visual Basic . . . . . . . . . . . . . . . . . . . . 443
A.3. Depuraci
on de un programa . . . . . . . . . . . . . . . . . . . . . . 446
A.3.1. Corridas paso a paso . . . . . . . . . . . . . . . . . . . . . . 446
A.3.2. Monitoreo de variable durante la ejecucion
. . . . . . . . . 449
453
Indice alfab
etico
499
Presentaci
on
La presente obra contiene temas relativos a los metodos numericos que forman
parte de cualquier curso a nivel universitario, tanto para estudiantes de ingeniera,
ense
nanza de la matem
atica y matem
atica. Esta dirigida a todas las personas que
deseen ver en la matem
atica, m
as que conceptos abstractos, una herramienta que
permita resolver problemas concretos del mundo real.
Este libro surge de la experiencia del autor en los cursos de Metodos numericos
para ingeniera y Metodos numericos para los estudiantes de la carrera Ense
nanza
de la matematica asistida por computadora en el Instituto Tecnologico de Costa
Rica. Inicialmente, se trat
o de material didactico empleado en clases, pero luego
se condenso y ahora constituye una valiosa herramienta para los estudiantes de
estas areas.
El contenido combina muchos conocimientos matematicos con otros propios
de metodos numericos; por lo tanto, es necesario que el lector posea conocimientos en matem
atica general, c
alculo diferencial e integral en una y varias variables,
algebra lineal y ecuaciones diferenciales ordinarias. Esto constituye, por lo general, los requisitos necesarios para poder cursar la asignatura de metodos numericos a nivel universitario. No obstante, durante el desarrollo de la obra se realizan
repasos de los conocimientos requeridos, de manera que el lector pueda recordarlos y aplicarlos en la deducci
on y justificacion de los metodos desarrollados y
abordados.
Ademas, la obra posee un enfoque teorico-practico, lo cual combina tanto
la aplicacion de los metodos estudiados a problemas concretos del mundo real,
as como las deducciones o justificaciones de estos. Se realizaran las demostraciones de los resultados que sean accesibles desde el punto de vista de la teora
previa conocida y enriquezcan el desarrollo de los contenidos. En algunos casos,
se daran justificaciones no formales de los resultados, con el proposito de que
el lector pueda apropiarse de una idea sobre el funcionamiento de los metodos
estudiados sin recurrir necesariamente a la demostracion formal. En todo caso,
15
16
Metodos numericos
17
Captulo 1
Introducci
on y conocimientos
previos
Introducci
on
En este captulo se hace una introduccion al lector a los metodos numericos, con el prop
osito de aclarar conceptos como metodo numerico, lenguaje de
programacion, algoritmo, convergencia de algoritmos, entre otros. Tambien se estudiara el concepto de error, cifras significativas, aproximaciones, notacion punto
flotante, notaci
on cientfica y aritmetica punto flotante. Ademas, se hace un repaso de los principales conceptos que se deben dominar para poder comprender
temas como sucesiones, convergencia y divergencia de sucesiones, series, series de
potencia y polinomio de Taylor.
1.1.
Motivaci
on
(1.1)
20
M
etodos num
ericos
1.2.
1.2.1.
Computadoras y programas
Computadoras
La palabra computadora proviene del latn computare, que significa calcular. Las computadoras, tambien conocidas como ordenadores o computador, son
maquinas electr
onicas cuya funci
on es recibir datos para procesarlos y posteriormente convertirlos en informaci
on u
til e interpretable por un usuario.
Una computadora se puede concebir como una coleccion de circuitos integrador y otros componentes que puede ejecutar con extrema precision y rapidez una
variedad de secuencias o rutinas de instrucciones dadas por un usuario u otro
programa. Estas u
ltimas se denominan programas, y el usuario que dicta dichas
rutinas se conoce como programador.
La computadora, adem
as de la rutina o programa informatico, requiere una serie de datos especficos llamados datos de entrada o input. Dichos datos deben ser
suministrados al momento de la ejecuci
on. Luego de procesarlos, la computadora
debera proporcionar los datos de salida, que son el producto final y resultado del
procesamiento; tambien se les llaman output.
La caracterstica principal que diferencia a una computadora de otros dispositivos como la calculadora no programable la constituye que dicho artefacto es
una maquina de prop
osito general, es decir, puede realizar tareas muy diversas,
de acuerdo con las posibilidades que brinden las rutinas y procesos indicados
por el programador. Sus secuencias e instrucciones son adaptables y pueden ser
redefinidas parcial o totalmente.
1.2.2.
21
Programa inform
atico y usuario
1.2.3.
Lenguajes de programaci
on
22
M
etodos num
ericos
programacion est
an constituidos por un conjunto de smbolos y reglas sintacticas y semanticas que definen su estructura y el significado de sus elementos y
expresiones.
Existen diversos lenguajes de programacion, as como diversas plataformas de
programacion. Una plataforma puede tener uno o varios lenguajes entre los que el
usuario puede escoger cual se amolda mejor a sus necesidades y requerimientos.
En esta obra se utilizar
a Visual Basic para Excel (en adelante se denominara VB)
como lenguaje de programaci
on empleado para implementar los metodos estudiados. Antes de continuar se recomienda al lector consultar el apendice A, de
modo que pueda comprender la estructuracion basica de dicho lenguaje.
1.2.4.
Algoritmo
23
Bloque de cdigo
Iteraciones o repeticiones
Nodo de convergencia del algoritmo
Conector
24
M
etodos num
ericos
Inicio
Los coeficientes
a,b,c del polinomio
S
a=0
No
El polinomio no
:= b 4ac
es cuadrtico
S
s1:=
No
>0
b+
2a
b
s2:=
2a
s:=
=0
b
2a
No
El polinomio no
tiene ceros
reales
El cero es s
Fin
Figura 1.2: Diagrama de flujo para determinar los ceros de un polinomio cuadr
atico a partir de sus coeficientes.
1.2.5.
Programaci
on estructurada o secuencial
Es un paradigma de programaci
on que busca mejorar la calidad, claridad y
eficiencia de los programas computacionales. La programacion estructurada usa
u
nicamente subrutinas y tres estructuras basicas y algunas variantes de la misma:
Bloques de c
odigo: secciones de c
odigo en las que se hace una manipulacion
o procesamiento de datos por medio de calculos.
Instrucciones
Condicionales: es la evaluaci
on l
ogica de una proposicion que, de ser verdadera, determina un camino del flujo del programa; de ser falsa, establece
otro camino para el flujo del programa.
25
Prueba
lgica
Instrucciones
1
No
Instrucciones
2
Diagrama de flujo
Pseudocdigo
Iteraciones: es la repetici
on de una seccion de codigo; puede hacerse una
cantidad conocida de repeticiones (ciclo para o for) o por medio de una
prueba l
ogica (ciclo mientras o while).
No cumple
Prueba lgica
o contador
Cumple
fin ciclo
Instrucciones
Diagrama de flujo
Pseudocdigo
En la programaci
on estructurada o secuencial es el programador quien define
el flujo del programa, el cual posee un inicio, se ejecuta en secuencia hasta llegar al
fin, pues no se pueden ejecutar secciones del codigo sin iniciar todo el programa de
nuevo. Estos programas tienen la caracterstica de no poseer una interfaz grafica
muy elaborada, la cual se presenta generalmente desde una consola.
En la figura 1.5 se muestra la estructura base de un programa estructurado, donde en el cuerpo de dicho programa esta presente al menos una de las
estructuras descritas anteriormente.
26
M
etodos num
ericos
Inicio
Ingreso de datos
Cuerpo del
programa
Retorno de datos
Fin
Figura 1.5: Programa estructurado.
1.2.6.
Programaci
on orientada a eventos
Es un paradigma de programaci
on en donde su programa o secciones son
ejecutados dependiendo de los sucesos que se den en el sistema. De este modo,
cualquier suceso o evento, ya sea generado por un usuario o bien por el mismo
programa, puede usarse para la ejecuci
on de secciones de codigo.
El lenguaje Visual Basic es orientado a eventos de este modo cada ejecucion
requiere de un evento que lo invoque; un programa grande puede tener varios
eventos que al ejecutarse pueden realizar diferentes tareas. De esta forma un
programa, en un lenguaje orientado a eventos, se puede interpretar como un conjunto de peque
nos programas estructurados para los cuales el inicio corresponde
al evento que lo ejecuta, el cuerpo del programa corresponde al procesamiento de
los datos de entrada del evento, y finalmente en la fase fin se hace la devolucion
de los datos de salida, ya sea al usuario, o bien, al programa general.
En la programaci
on orientada a eventos el usuario posee incidencia en el flujo
del programa, pues la ejecuci
on de las diferentes secciones de codigo depende de
eventos muchas veces provocados por el usuario, por ejemplo, dar clic a un boton,
mover el cursor del rat
on, escribir en un cuadro de texto, entre otros.
27
1.3.
Existen muchas aplicaciones en donde no es posible, o bien, no es facil encontrar el valor exacto de la soluci
on a un problema; en estos casos se podran
conformar con una aproximaci
on del valor real, aunque este u
ltimo sea desconocido. Construir metodos matem
aticamente validos para determinar aproximaciones
de las soluciones a problemas que no pueden ser resueltos en forma analtica o
cuya solucion es complicada y tediosa es una de las tareas de las que se encargan
los metodos numericos. As, un metodo de aproximacion o metodo numerico se
puede interpretar como el proceso por el cual se obtienen valores relativamente
cercanos al valor real, los cuales reciben el nombre de aproximaci
on.
Una aproximaci
on puede ser considerada mala o buena; por esta razon, es
deseable poder medir, de alguna forma, su calidad. De esta necesidad surge el
concepto de error, el cual solventa, de alguna manera, la necesidad de medir la
calidad de una aproximaci
on.
Cuando que se determina una aproximacion se comete el llamado error de
aproximaci
on que est
an presentes en todo proceso de calculo.
1.3.1.
Definici
on 1 (Error absoluto)
Sea x el valor exacto de una cantidad real y sea x una aproximacion real de x,
entonces de define el error absoluto de la aproximacion x y se denota Ex , como:
Ex |x x|
El error absoluto mide la diferencia que existe entre el valor real y la aproximacion. Por ejemplo, si se mide el largo de una mesa y se obtiene 234 cm, y se
sabe que el valor real de dicha medida es de 235 cm se puede asegurar que la
medida del largo de la mesa es de 234 cm con un error absoluto de 1cm.
El error absoluto no es buen par
ametro para indicar si una aproximacion es
buena o mala, debido que un error absoluto de un centmetro podra ser favorable
si lo que se mide es un campo de f
utbol, pero podra ser desfavorable si se trata de
28
M
etodos num
ericos
un lapiz. Es decir, el mismo error absoluto podra asegurar que una aproximacion
es excelente y otra aproximaci
on es pesima. Por esta razon se define un nuevo
concepto de error, denominado error relativo, que tiene mejor efecto para indicar
si una aproximaci
on es buena o no.
Definici
on 2 (Error relativo)
Sea x el valor exacto de una cantidad y sea x una aproximacion de x, entonces
se define el error relativo de la aproximacion x y se denota rx , como:
rx
|x x|
Ex
|x|
|x|
0.004 0.4 %
x
250
mientras que en el segundo caso se tiene que::
rx
rx
Ex
1
0.1 10 %
|x|
10
Note que el error relativo cometido en la medicion del lapicero es mas grande
que el cometido al medir la mesa, lo cual significa que la calidad de la primera
aproximacion es mejor con respecto a la segunda.
Es importante mencionar que las definiciones anteriores tienen un inconveniente practico, ya que si cada vez que se aproxima una cantidad se conoce el valor
exacto, entonces que sentido tiene aproximar? El hecho es que si no se tiene el
valor exacto tampoco es posible calcular el error absoluto y el error relativo, por
lo que, en teora, no se puede saber que tan buena o mala es la aproximacion. Sin
embargo, aunque no se tenga el valor exacto del error, existen dos alternativas
que se pueden usar para cuantificar dicha calidad:
Existencia de cotas para los errores: en muchos de los casos se conoce una
cota teorica para el error absoluto. Es decir, si x es una aproximacion de
un valor real x, en muchos casos es posible determinar la existencia de K
real tal que:
29
Ex |x x| K
Esto u
ltimo tiene una importancia vital para poder medir la calidad de la
aproximaci
on x; en la medida que la cota K sea suficientemente peque
na,
se puede garantizar que el error es peque
no y la aproximacion es buena.
Aproximaci
on de los errores: el uso del error relativo normalizado como
aproximaci
on del error relativo, mismo que se presenta en la definicion 3, es
una opci
on viable y ser
a empleada posteriormente en los metodos iterativos
de aproximaci
on. Bajo la misma idea es posible definir una aproximacion
para el error absoluto.
Definici
on 3 (Error relativo normalizado)
Suponga que se tiene una aproximaci
on x
de una cantidad real x, y suponga que
se calcula una nueva aproximaci
on x
p que se supone mejor que x
. Entonces se
define el error relativo normalizado y se denota xp como:
xp
xx
|
|p
100 %
|p
x|
1.4.
|aproximaci
on actual aproximaci
on anterior|
100 %
|aproximaci
on actual|
Notaci
on cientfica
30
M
etodos num
ericos
Ejemplo 2
Expresar los siguientes n
umeros en notacion cientfica:
1235.54
0.00003657
0.000245
15436.154
F Soluci
on
1235.54 en notaci
on cientfica se expresa como: 1.23554 103
0.00003657 en notaci
on cientfica se expresa como: 3.657 105
0.000245 en notaci
on cientfica se expresa como: 2.45 104
15436.154 en notaci
on cientfica se expresa como: 1.5436154 104
F
1.5.
Cifras significativas
31
A continuaci
on se exponen las normas o reglas para determinar las cifras
significativas de una cantidad dada:
Cualquier dgito diferente de cero es significativo.
Por Ejemplo, 235.654 tiene seis cifras significativas.
Los ceros situados en medio de cifras significativas son significativos.
Por Ejemplo, 230.054 tiene seis cifras significativas.
Los ceros a la izquierda del primer n
umero distinto a cero no son significativos.
Por Ejemplo, 0.00654 tiene tres cifras significativas.
Los ceros de la derecha de la coma de n
umeros mayores que uno son considerados cifras significativas.
Por Ejemplo, 2.200 tiene cuatro cifras significativas.
Considere un n
umero sin punto decimal tal que termina en uno o mas
ceros, estos pueden ser o no considerados dgitos significativos. Para poder establecer el n
umero de dgitos significativos es necesario contar con
informaci
on adicional sobre manera en que se determino el n
umero. Para
indicar que todos los ceros terminales de un n
umero sin punto decimal son
significativos, se suele poner el punto decimal.
Por ejemplo, 2500 puede tener: dos cifra significativa (el dos y cinco), tres
cifras significativas (dos, cinco y cero), cuatro cifras significativa (dos, cinco,
y los dos ceros), en este u
ltimo caso se escribe 2500. para indicar que los
dos ceros son significativos. Para saber cual es el n
umero correcto de cifras
significativas se necesitan m
as informacion sobre el procedimiento con que
se obtuvo la medida (el instrumento, la incertidumbre de este, etc.).
Ejemplo 4
Suponga que se desea medir la masa de un toro para las fiestas de Zapote; dos
ganaderos ponen a disposici
on sus b
asculas. La primera de ellas solo puede medir
la masa del toro de 100 kg en 100 kg, mientras que la segunda puede medir la
masa del toro de 10 kg en 10 kg (ver figura 1.6).
0
70
5
10
65
15
60
x100
55
50
20
x10
45 40 35
Figura 1.6: b
asculas con diferentes escalas.
25
30
32
M
etodos num
ericos
Por lo tanto que se decide medir la masa del toro con las dos basculas. En
ambas se obtiene el resultado 600 kg, tal y como se puede apreciar en la figura
1.7.
0
70
5
10
65
15
60
7
6
55
50
x100
20
x10
45 40 35
25
30
Ejercicios 1.1
Determine el n
umero de cifras significativas que posee cada una de las
siguientes cantidades:
234.0012
0.0008263
0.0000000001
4000098
1.6.
Notaci
on punto flotante
33
34
M
etodos num
ericos
1. 124.32 1.2432 102
2. 0.001254 1.2540 103
3. 0.0000089465 8.9465 106
4. El n
umero 65.496587 no puede ser representado en forma exacta por medio
de una mantisa de cinco campos.
F
1.6.1.
Punto flotante de un n
umero por corte o redondeo
Muchos n
umeros no pueden ser representados en forma exacta en un sistema de punto flotante, debido al tama
no de la mantisa. Para estos casos, se
entendera que representar el n
umero r en notacion punto flotante consiste en
determinar un representante r m be en el sistema tal que r se considera una
aproximacion del n
umero real r. Las formas mas comunes de hacerlo son por
medio de corte, tambien llamado truncamiento o redondeo de n
umeros.
Definici
on 4 (Corte y redondeo de n
umeros)
Si se tiene un n
umero r 0.d1 d2 d3 dk dk`1 dk`2 , donde los di son dgitos
tales que 0 di 9 para todo i y d1 0, entonces:
El corte o truncamiento del n
umero r a los primeros k dgitos se define por
r 0.d1 d2 d3 dk .
El redondeo de r a sus primeros k dgitos se define por:
r 0.d1 d2 d3 dk ,
si 0 dk`1 5.
01,
r 0.d1 d2 d3 dk ` 0.000
looomooon
si 5 dk`1 9.
k1 ceros
Donde r, ya sea por corte o redondeo, es considerado una aproximacion del valor
por representar r. Adem
as, en cualquiera de los casos, r es representado por flprq.
Para realizar el corte o redondeo de un n
umero r en k cifras decimales se debe
hacer uso de la notaci
on cientfica en base 10, de tal forma que el valor absoluto
de la mantisa (que podra tener infinitos campos) se encuentre en r0.1, 1r. Luego
se debe aplicar el metodo anterior para redondear o cortar la mantisa, seg
un sea
el caso.
Ejemplo 6
Aplique a los siguientes n
umeros un redondeo a cuatro dgitos:
35
r3 0.0002465721
r2 654.165454
r4 0.0000000000000045653
F Soluci
on Primero se deben expresar los n
umeros en notacion punto flotante
de forma que la mantisa de cada uno de ellos cumpla que su valor absoluto sea
menor que 1.
r1 0.65421865 0.65421865 100 .
r2 654.165454 0.654165454 103 .
r3 0.0002465721 0.2465721 103 .
r4 0.0000000000000045653 0.45653 1014 .
De esta forma se tiene que las aproximaciones por redondeo a cuatro cifras decimales de cada uno de los n
umeros anteriores esta dada por:
flpr1 q 0.6542 100
Ejercicios 1.2
1. Para cada uno de los valores que se presentan a continuacion, determine
el intervalo de valores representados por redondeo al n
umero de cifras
indicadas en cada caso:
a) x 1.325 a 4 cifras.
c) z 32.154 a 5 cifras.
b) y 2.6541 a 5 cifras.
d) w 0.012001 a 5 cifras.
36
M
etodos num
ericos
2. Para cada uno de los valores que se presentan a continuacion, determine el intervalo de valores representados por corte al n
umero de cifras
indicadas en cada caso:
1.6.2.
a) x 1.325 a 4 cifras.
c) z 32.154 a 5 cifras.
b) y 2.6541 a 5 cifras.
d) w 0.012001 a 5 cifras.
x flpxq
10k`1
rflpxq
x
o Demostraci
on Sea x 0.d1 d2 . . . dk dk`1 . . . 10t , donde d1 0. Al aplicar
corte a k dgitos de x se obtiene flpxq 0.d1 d2 . . . dk 10t . As:
|x flpxq| 0.0000
. . . 0dk`1 dk`2 . . . 0.dk`1 dk`2 . . . 10tk
loooomoooon
k ceros
x flpxq
0.dk`1 dk`2 . . . 10tk
0.dk`1 dk`2 . . .
10k
x
0.d1 d2 . . . dk dk`1 . . . 10t
0.d1 d2 . . . dk dk`1 . . .
0.dk`1 dk`2 . . .
10k`1 10k`1
d1 .d2 . . . dk dk`1 . . .
p
37
x flpxq
5 10k
o Demostraci
on Sea x 0.d1 d2 . . . dk dk`1 . . . 10t , donde d1 0.
Si dk`1 5, entonces flpxq 0.d1 d2 . . . dk 10t . Al seguir la demostracion
del teorema 1 se tiene que:
x flpxq
0.dk`1 dk`2 . . .
10k
x
0.d1 d2 . . . dk dk`1 . . .
Como dk`1 5, entonces 0.dk`1 dk`2 . . . 0.5. Y como 1 d1 9, entonces
0.d1 d2 . . . dk dk`1 . . . 0.1. De esta forma se tiene que:
0.dk`1 dk`2 . . .
0.5
10k
10k 5 10k
0.d1 d2 . . . dk dk`1 . . .
0.1
Si dk`1 5, entonces flpxq p0.d1 d2 . . . dk ` 10k q 10t . Al distribuir se
tiene que:
flpxq 0.d1 d2 . . . dk 10t ` 10k 10t
0.d1 d2 . . . dk 10t ` 10k`t
As se tiene que:
x flpxq
0.d1 d2 . . . dk dk`1 . . . 10t 0.d1 d2 . . . dk 10t 10k`t
x
0.d1 d2 . . . dk dk`1 . . . 10t
0.d1 d2 . . . dk dk`1 . . . 10t
1 0.dk`1 dk`2 . . .
10k
0.d1 d2 . . . dk dk`1 . . .
0.dp dp . . .
k`1 k`2
10k
0.d1 d2 . . . dk dk`1 . . .
5 10k
pues dpk`1 5 y 1 d1 9 por lo que se puede utilizar el argumento del
caso anterior para establecer la desigualdad.
p
38
M
etodos num
ericos
Ejemplo 7
Suponga que se tiene un n
umero p con valor exacto de p 2.3254698, y sean
p1 2.3255 y p2 2.3254 aproximaciones de p generadas por redondeo y corte
al cuarto dgito respectivamente. Entonces:
p p1 |2.3254698 2.3255|
rp1
1.2986623176 105 5 105
p
2.3254698
p p2 |2.3254698 2.3254|
rp2
3.0015440320 105 104
p
2.3254698
1.7.
F Soluci
on
ra
|36 35.97|
0.03
8. 33 104 5 103
36
36
39
Ejemplo 9
Cuales valores puede tomar x para aproximar a 1000 con al menos cuatro dgitos
significativos?
F Soluci
on
|x 1000|
5 104 |x 1000| 5 104 1000
1000
1
|x 1000|
2
1
1
x 1000
2
2
1
1
` 1000 x ` 1000
2
2
2001
1999
x
2
2
999. 5 x 1000. 5
Por lo que x P r999. 5, 1000. 5s.
Definici
on 6 (Precisi
on)
Se define la precisi
on como el n
umero de dgitos significativos con los que se
trabaja en aritmetica de punto flotante al realizar una aproximacion o medicion.
Definici
on 7 (Exactitud)
Se define la exactitud de una aproximacion como t 1, donde t es el n
umero de
dgitos significativos de la aproximaci
on.
Ejemplo 10
Determine la precisi
on y la exactitud con la cual x 0.498467 aproxima el valor
real x 0.497945.
F Soluci
on Primero se debe determinar el n
umero de dgitos significativos con
que x aproxima a x.
x x
40
M
etodos num
ericos
F
Ejemplo 11
Suponga que se realiza la aproximaci
on de una cantidad x 3.41892354 y se
obtiene como valor x 3.4189. Determine la precision y la exactitud con la cual
x aproxima a x.
F Soluci
on Primero se debe determinar el n
umero de dgitos significativos con
que x aproxima a x.
x x
6.885208085... 106 0.6885208085... 105 5 105
rx
x
De donde se tiene que x aproxima a x con:
cinco dgitos significativos.
una exactitud de 4.
una precisi
on de 5.
F
Teorema 3
Si se utiliza la forma de punto flotante con un corte de k dgitos, entonces flpxq
se aproxima a x con al menos k 1 dgitos significativos.
o Demostraci
on Del teorema 1 y la definicion 5 se tiene que:
x flpxq
10k`1 5 10k`1 5 10pk1q
rflpxq
x
Por lo cual queda demostrado el resultado.
1.8.
Aritm
etica de punto flotante
Es la aritmetica empleada por las calculadoras y computadoras para realizar los calculos internos. Tales dispositivos aplican aritmetica de punto flotante
con redondeo; sin embargo, es posible definir una aritmetica de punto flotante
utilizando corte.
En cualquier caso, consiste en definir nuevas operaciones , a, m y d definidas
por:
Sean x y y dos valores, entonces:
41
flpflpxq ` flpyqq
flpflpxq flpyqq
flpflpxq flpyqq
flpflpxq flpyqq
Ejemplo 12
Utilizando la aritmetica de punto flotante con redondeo a tres cifras calcule el
valor de las siguientes expresiones:
?
lnpe3 q ` p 3 2q3
1. senpq
3.
5
? 2
2. p 3q
4. 52lnp15q
F Soluci
on
1. Sea p senpq. As, p flpsenpflpqqq flpsenp3.14qq 0.00159.
?
?
2. Sea p p 3q2 . As, p flppflp 3qq2 q flp1.732 q 2.99.
?
lnpe3 q ` p 3 2q3
3. Sea p
. As, p esta dado por:
5
?
flrflplnp20.1qq ` 2.00s
flr3.00 ` 2.00s
5.00
fl
fl
fl
1.00
5
5
5
42
M
etodos num
ericos
4. Sea p 52lnp15q . As,
p flp5flpflp2qflplnpflp15qq q flp5flpflp2q2.71 q flp5flp22.71 q flp55.42 q 6140
F
Ejemplo 13
Considere la expresi
on
5 ?
` 2
6
?
3
Use aritmetica de punto flotante con redondeo al cuarto dgito para calcular su
valor.
F Soluci
on Lo que se busca es el valor de la expresion:
`?
5
fl fl
` fl 2
fl
fl pq
`?
fl
fl 3
`?
`?
5
0.8333; fl 2 1.414; fl pq 3.142; fl 3 1.732. As,
Donde fl
6
se tiene que:
`?
5
` fl 2 fl p0.8333 ` 1.414q flp2.2473q 2.247
fl fl
6
fl pq
3.142
`? fl
fl p1.814087759 . . .q 1.814
fl
1.732
fl 3
Finalmente se tendra que:
`?
5
fl fl
` fl 2
2.247
6
fl
fl 1.814 fl p1.2386990077 . . .q 1.209
fl pq
`?
fl
fl 3
El valor exacto de la expresi
on anterior es 1.239137547 . . ., de donde se puede
visualizar una propagaci
on del error debido al redondeo a cuatro cifras.
F
Note que el uso de la funci
on flpq en el ejercicio anterior resulta engorroso
durante el procedimiento. Una forma alternativa es denotarlo por medio de los
operadores , a, d y c; as, se tendra que:
43
`?
5
fl fl
` fl 2
?
?
6
5c6 2 c c 3
fl
fl pq
`?
fl
fl 3
Ejercicios 1.3
24 ` 8 lnp3q
a
utilizando aritmetica de punto flotante con corte
3 ` 7{9
a cuatro dgitos. Repita el ejercicio con aritmetica de redondeo a cuatro dgitos.
Compare ambos casos con el valor real.
1. Calcule el valor de
2. La f
ormula general para races de ecuaciones cuadr
aticas de la forma ax2 ` bx ` c 0
establece que las soluciones de dicha ecuaci
on est
an dadas por:
?
b b2 4ac
xi
2a
Utilice la aritmetica de redondeo a cuatro cifras para determinar las soluciones de la
ecuaci
on cuadr
atica x2 ` 62.10x ` 1 0. Compare con el valor real.
3. Repita el ejercicio anterior utilizando la f
ormula:
xi
2c
?
b2 4ac
1
3
3
b)
`
3
11
20
4 1
5 3
1
3
3
d)
`
3
11
20
c)
a)
5. Suponga que pp debe aproximar a p con un error relativo a lo sumo de 103 . Determine
el m
aximo intervalo en que debe estar pp para cada valor de p.
6. Sea f una funci
on con criterio:
f pxq
x cos x sen x
x sen x
a) Calcule lm f pxq.
x0
ex ex
x
44
M
etodos num
ericos
1.9.
3) 1547645.654325
4) 12453981
Preliminares matem
aticos
En esta secci
on se realiza un breve repaso de algunos topicos matematicos
necesarios para entender la teora adyacente a los metodos numericos. Estos u
ltimos son herramientas que toman como base gran cantidad de conocimientos de
matematica general, c
alculo,
algebra lineal, calculo superior y ecuaciones diferenciales; de ah la necesidad de retomarlos.
Algunos de estos temas ser
an repasados en forma general; sin embargo, otros
se repasaran en el transcurso de la teora previos a su necesidad en la presente obra, con el objetivo de no postergar mucho la permanencia del lector en
los conocimientos previos antes de iniciar con los temas propios de los metodos
numericos.
De manera general, en la presente seccion se repasaran conocimientos como
continuidad de funciones, sucesiones y series numericas, series de Taylor y series
de potencia, entre otros, que ser
an necesarios para poder abarcar el siguiente
captulo.
1.9.1.
Definici
on 8
Sea f : A B una funci
on, con A, B R no vacos, y sea a P A, se dice que f
es continua en a, si y solo si f cumple simultaneamente las siguientes condiciones:
lm f pxq existe
xa
lm f pxq f paq
xa
45
lm f pxq f px2 q
xx`
1
xx
2
Ejemplo 14
Son funciones continuas, en sus dominios maximo, las funciones:
Polinomicas, de donde se tiene que lm P pxq P paq, para cualquier polixa
nomio P pxq.
Exponenciales, de donde se tiene que lm k x k a , para todo a P R y k
xa
constante positiva.
Logartmicas, de donde se tiene que lm logb x logb a, con a 0 y b
xa
constante, b 0, b 1.
Seno y coseno, de donde se tiene que:
lm sen x sen a
xa
lm cos x cos a
xa
Ejemplo 15
Considere la funci
on f definida por:
"
2x2 5 si x 2
f pxq
x ` 1 si x 2
Es f una funci
on continua en R?
F Soluci
on Note que para x 2 se tiene que f pxq 2x2 5, la cual es continua
pues es un polinomio. De igual forma, para x 2 se tiene que f pxq x ` 1 es
un polinomio y, por lo tanto, es continua.
Ahora se debe analizar la continuidad en x 2, para lo cual se debe analizar
si f cumple las condiciones dadas en la definicion 8.
f p2q 3, por lo que se tiene que la imagen de 2 existe.
C lm f pxq lm 2x2 5 3
lm f pxq
x2
x2`
x2`
lm f pxq lm x ` 1 3
x2
x2
46
M
etodos num
ericos
lm f pxq 3 f p2q, donde }} denota una norma en
x2
K
h
-K
D
Figura 1.8: Funciones acotadas y no acotadas.
Ejemplo 16
Las funciones trigonometricas f pxq sen x y gpxq cos x son acotadas en todo
47
y |cos x| 1
@x P R
o lo que es lo mismo:
1 sen x 1
1 cos x 1
@x P R
y
1
x
1
(b) Funci
on f pxq sen x
Teorema 4
Sea f una funci
on real de variable real y continua en un intervalo cerrado I con
I ra, bs, entonces f es acotada en I.
o Demostraci
on Sera equivalente demostrar la contrapositiva del teorema; en
este caso, bastar
a demostrar que si f no es acotada en I, entonces f no es continua
en I.
Si f no es acotada en I, entonces para todo M 0 existe x P I tal que
|f pxq| M , lo cual equivale a decir que existe c P I tal que:
lm 8 _ lm 8
xc
xc`
48
M
etodos num
ericos
p
@x P ra, bs
o Demostraci
on Se omite.
1.9.2.
Sucesiones
as:
ap1q
ap2q
ap3q
..
.
a1
a2
a3
..
.
apkq
..
.
ak
..
.
49
Ejemplo 17
Considere la sucesi
on de los n
umeros impares t1, 3, 5, 7, 9, 11, . . .u. Es posible de8
8
notar esta sucesi
on como t2n 1u, t2n ` 1u8
n0 , t2n 3un2 , t2n 5un3 , etc.
La representaci
on gr
afica de la sucesion se puede apreciar a continuacion:
x
Figura 1.10: Representacion grafica de t2n 1u.
Como se observa en el ejemplo 17, toda sucesion puede ser expresada de forma
que su dominio sea N, es decir, que inicie en n 1. Por esta razon, a partir de
aqu, se supondr
a que todas las sucesiones inician en 1 a menos que se indique
explcitamente lo contrario.
Definici
on 11 (Monotona de sucesiones)
Se dice que una sucesi
on tan u es:
50
M
etodos num
ericos
F Soluci
on Analice la desigualdad
2pn ` 1q!
2 n!
3n
3n`1
2 n! 3 3n 2pn ` 1q n! 3n
3n`1
donde esta u
ltima desigualdad es verdadera de n 2 en adelante por lo que
an an`1 a partir de n 2. Por lo tanto, la sucesion dada es creciente a partir
de n 2.
F
Definici
on 12 (Sucesi
on convergente)
Sea txn u una sucesi
on, se dice que la sucesion txn u es una sucesion convergente
si existe un L P R tal que
lm xn L
n8
"
Ejemplo 19
Determine si la sucesi
on
en
2en ` 5n2
*
converge o diverge.
F Soluci
on
en
lm
n8 2en ` 5n2
n8
lm
n
e
1
1
lm
2
0
n8
2
n 2 ` 5n
7
e
5n2
en
2 ` n
e
1
.
2
51
Ejercicios 1.4
Determine si las siguientes sucesiones convergen o divergen
"
*
" 2
*
1
2n ` 3n
n`4
n2 5
"
*
p1qn`2
tln p3n ` 5q ln p5n ` 8qu
n
+
#
`
" n
*
sen2 n1
3
1
1
`
1
7
n n`1
n2
n8
52
M
etodos num
ericos
53
)8
an
an1
n1
, donde tan u8
on
n0 es la sucesi
?
1` 5
2 .
Ejemplo 22
Considere la sucesi
on txn u definida por:
$
&
%
xn`1 xn
x0 1
f pxn q
f 1 pxn q
donde f es la funci
on con criterio f pxq x2 ` 3. Note que f 1 pxq 2x, por lo que
la sucesion sera:
$
x2 ` 3
&
xn`1 xn n
2xn
%
x0 1
y la sucesion dada por extensi
on corresponde a: t1, 1, 1, 1, 1, 1, 1, . . .u
Ejercicios 1.5
1. Para cada una de las funciones que se presentan a continuacion, determine los
primeros cinco terminos de las sucesiones:
$
$
f pxn q
f pan qpan an1 q
&
&
an`1 an
xn`1 xn 1
f pxn q
f pan q f pan1 q
%
%
x0 p
a0 p, a1 p ` 1
a) f pxq x3 2x ` 1; p 2.
c) f pxq lnpxq ` x2 ; p 2.
b) f pxq cospxq x; p .
d) f pxq cospxq x2 ; p 2.
2. Para cada una de las funciones del ejercicio anterior, escriba un programa en
Excel que reciba un n
umero natural k mayor que 2 y retorne la lista de los
primeros k terminos de las sucesiones indicadas.
1.9.3.
Series
Definici
on 14
8
Dada una sucesi
on tak u8
k1 , se define la serie
k1 ak como la suma de todos los
8
terminos de la sucesi
on tak uk1 . Es decir:
8
n1
an a1 ` a2 ` a3 ` a4 `
54
M
etodos num
ericos
an . En
Definici
on 15
Dada una serie an , se define su kesima suma parcial y se denota Sk como:
Sk
an a1 ` a2 ` a3 ` ` ak
n1
k`p1
np
kp
ak
ap`k1
k1
Por esta razon, a partir de este punto los resultados se estudiaran para series que
inicien en 1. Sin embargo, los resultados que se estudiaran podran ser aplicados
a series que dan inicio en n
umeros naturales distintos a la unidad, aplicando una
traslacion conveniente.
1.9.4.
Definici
on 16
8
Dada una serie
an , si la sucesi
on de las kesimas sumas parciales converge,
n1
entonces se dice que la serie es convergente. En caso contrario, se dice que la serie
es divergente.
Si la sucesion de las kesimas sumas parciales de una serie converge a S, entonces
la serie converge a S y se escribe:
8
n1
an lm
k8
n1
an S
55
an
converge
an
converge
np
n1
1.9.5.
Series alternadas
Definici
on 17
8
Dada un serie
an , se dice que es una serie alternada si y solo si an p1qn bn ,
n1
donde la sucesi
on tbn unPN siempre tiene el mismo signo. Es decir, bn 0, @n P N
o bn 0, @n P N.
8
8 p1qn`1
1 1 1 1
1 ` ` `
n
2 3 4 5
n1
8 p1qn
1 1 1 1
` ` `
2
3 4 5
n1 n ` 1
np
cumple simult
aneamente las condiciones:
tbn unp es decreciente.
lm bn 0
n8
56
M
etodos num
ericos
entonces la serie
np
p1qn bn es convergente.
o Demostraci
on Dado que cualquier serie se puede redefinir para que inicie en 1,
se realizara la demostraci
on suponiendo p 1, esto para minimizar los calculos.
8
8
n
Note que
p1q bn
p1qn1 bn ; de este modo, bastara demostrar la
n1
n1
convergencia de la serie
p1qn1 bn .
n1
n1
Sk
n1
n8
n8
n8
n8
n1
convergente.
n1
57
p1qk k
Demuestre si la serie
es convergente.
2k 2 ` 1
k1
k
es una sucesion decreciente y
F Soluci
on Se debe probar que bk
2k 2 ` 1
converge a cero.
lm
k8
k
k
1
lm
lm
0
2k 2 ` 1 k8 k p2k ` 1{kq k8 2k ` 1{k
f pxq
2x2 ` 1
x
1
f
pxq
2x2 ` 1
p2x2 ` 1q2
1
? , 8 se cumple f 1 pxq 0. As,
2
p1qk k
2k 2 ` 1
k1
Ejercicios 1.6
Determine cuales de las siguientes series alternadas son convergentes y cuales
no lo son:
58
M
etodos num
ericos
p1qn
n
n1
1.
p1qn en
2.
e2n ` 1
n1
3.
p1qn
n1
2n2 ` 2n 1
n2 ` 5n
p1qn en
4.
n`1
n1
Aproximaci
on de la suma de una serie alternada convergente
Si bien el criterio de las series alternadas no indica el valor de la suma en caso
de que haya convergencia, existe un resultado que permite aproximar el valor de
la suma total con una suma parcial, de manera que dicha aproximacion sea tan
precisa como se quiera.
Teorema 10 (Cota para el error en una serie alternada)
Sea
np
k`p1
np
p1qk
k3 ` 1
k1
59
k8 k 3
1
0
`1
1
1
`1
pk ` 1q3 ` 1
pk ` 1q3 ` 1 k 3 ` 1
k 3 ` 3k 2 ` 3k ` 2 k 3 ` 1
3k 2 ` 3k ` 1 0
k3
donde esto u
ltimo es cierto para todo k 1; de este modo, se tiene que
tbk u es decreciente.
8 p1qk
es convergente por el
3
k1 k ` 1
criterio de las series alternadas. Adem
as, la serie cumple las hipotesis del teorema
10; en consecuencia, debe darse que:
|S Sm | bm`1
1
pm ` 1q3 ` 1
p1qk
As, S9
0.4148742942... es la aproximacion buscada.
k3 ` 1
k1
Ejemplo 26
Considere la serie alternada
8
p1qn1
n1
1
n!
F Soluci
on
60
M
etodos num
ericos
1. Se demostrar
a que la serie es convergente al hacer uso del criterio de las
1
series alternadas. Considere la sucesion tan u definida por an , note que
n!
satisface las siguientes propiedades:
Es decreciente, pues:
an an`1
1
pn ` 1q!
1
1 n ` 1 1
pn ` 1q!
n!
n!
Converge a cero:
1
0
n8 n!
lm
1 1
1
1
1
91
`
`
0.631944.
2 6 24 120 720
144
3. Ahora, al hacer uso del teorema 10 se tiene que el error cometido por S6
1
1
esta dado por a7
, as:
7!
5040
|S S6 | a7
S 91 1
144 5040
1
91
1
S
5040
144
5040
199
177
S
315
280
199 177
,
315 280
61
Ejercicios 1.7
Para cada una de las series alternadas convergentes que se muestran a continuacion, estime el n
umero de terminos que se deben considerar para que la
suma parcial aproxime a la suma real con un error absoluto menor que la cota
presentada en cada caso.
1.
3p1qn
cota 0.001
n2 1
n1
2.
p1qn
cota 0.00001
n5 ` n
n1
3.
n1
4.
1.9.6.
p1qn 2n
cota 0.0000001
pn ` 3q2
n1
Serie de Taylor
Definici
on 18 (Serie de potencias)
Sea f : A B, con A, B R y sea c P A, se dice que f admite un desarrollo
en series de potencias alrededor de x c, si existe una sucesion tan u8
n0 y r 0
8
n0
|an | es convergente.
62
M
etodos num
ericos
Notaci
on
Para poder hacer uso siempre de la misma notacion, en adelante se considerara que px cq0 1, aun cuando x c.
r puede tomar los valores extremos: r 0, en cuyo caso se dice que la serie
converge absolutamente solo en x c; o bien, r 8, en cuyo caso se dice que la
serie converge absolutamente en R.
Teorema 11 (Radio de convergencia)
8
a
an
1
lm n |an |
o bien,
r lm
n8 an`1
r n8
La demostraci
on del resultado anterior es directa del criterio de la razon y el
criterio de la raz, respectivamente.
Ejemplo 27
Determine el radio de convergencia de las siguientes series de potencias:
1.
3.
px 3qn
n0
3n
px 1qn
2.
2n
pn
`
1q
n0
8
4.
3n n!
px ` 1qn
pn
`
1q!
n0
8
n!
px ` 1qn
n
`
1
n0
F Soluci
on
1. Para la serie
n0
an
lm 1 1
r lm
n8 an`1
n8 1
de donde se tiene que r 1 y que la serie converge absolutamente para
todo x Ps2, 4r.
3n
3n
n
px
1q
se
tiene
que
a
, as:
n
2n
pn ` 1q2n
n0 pn ` 1q
d
d
n
n
1
3
3
3
n
n
lm
lm
lm
0
2n
2
n8
n8 pn ` 1q2
r n8
pn ` 1q
pn ` 1q
2. Para la serie
63
3n n!
3n n!
px ` 1qn se tiene que an
as:
pn ` 1q!
pn ` 1q!
n0
3n n!
an
pn
`
1q!
pn
`
2q!n!
lm
lm
r lm
n8 3n`1 pn ` 1q!
n8 3 pn ` 1q! pn ` 1q!
n8 an`1
pn ` 2q!
1 pn ` 2q pn ` 1q!n! 1
n ` 2 1
lm
lm
n8 3 pn ` 1q! pn ` 1q n!
3 n8 n ` 1 3
3. Para la serie
1
por lo que el radio de convergencia es r . De ah se concluye que la serie
3
4 2
converge absolutamente para todo x P , .
3 3
4. Para la serie
n!
n!
px ` 1qn se tiene que an
, as:
n`1
n`1
n0
n!
an
lm n ` 1 lm n! pn ` 2q
r lm
n8 pn ` 1q!
n8 an`1
n8 pn ` 1q pn ` 1q!
n ` 2
n`2
n! pn ` 2q
0
lm
lm
n8 pn ` 1q pn ` 1q n!
n8 pn ` 1q2
Por lo que r 0. As se concluye que el u
nico punto donde la serie converge
absolutamente es en x 1.
F
Teorema 12 (Propiedades de las
8 series de potencias)
f pxq
an px cqn
n0
n1
8
n0
an npx cqn1 y
x
pt cqn
an
c
an
px cqn`1
n
`
1
n0
64
M
etodos num
ericos
f pnq pcq
n!
an px cqn a0 ` a1 px cq ` ` ak px cqk `
n0
8
8
dk
n
n!
px cqnk
a
px
cq
an pnk1q!
n
dxk n0
nk
n!
an pnk1q!
pc cqnk
nk
de esta manera, el u
nico termino que no es nulo es en n k, y entonces resulta
que:
f pkq pcq
f pkq pcq ak k! o equivalentemente ak
k!
p
8
pnq
f pcq
px cqn se le conoce como serie de Taylor
De esta forma, a la serie
n!
n0
an px cqn
n0
el dominio de la funci
on f es el intervalo de convergencia de la serie. En este
caso, es necesario estudiar la convergencia de la serie en los extremos de dicho
intervalo, con el objetivo de identificar si estan o no contenidos en el dominio de
la funcion.
65
f 2 pcq
f pnq pcq
px cqn f pcq ` f 1 pcq px cq `
px cq2 ` (1.2)
f pxq
n!
2!
n0
Ejemplo 28
Utilice la formula presentada en (1.2) para calcular la serie de Maclaurin para la
funcion f : R R` definida por f pxq ex .
F Soluci
on Para la funci
on f se tiene que:
f pxq
f 1 pxq
..
.
f pnq pxq
..
.
=
=
=
ex
ex
..
.
x
e
..
.
f p0q
f 1 p0q
..
.
f pnq p0q
..
.
=
=
=
1
1
..
.
1
..
.
8
8
f pnq p0q n
xn
x x2 x3
xk
x
1` `
`
` `
`
n!
n!
1
2!
3!
k!
n0
n0
66
M
etodos num
ericos
Ejemplo 29
Utilice tres terminos de la serie de Maclaurin para la funcion gpxq ex para
aproximar el valor de e2 . Repita el ejercicio utilizando cuatro terminos de la
misma serie. Cu
al de las dos aproximaciones es mejor? Por que?
F Soluci
on
2 22 23
2 22
`
`
6.33 x1
5 x2
y
e2 1 ` `
1
2!
3!
1
2!
En este caso, x1 es mejor aproximaci
on que x2 , pues en x1 se utilizaron mas
F
terminos que los empleados en la aproximacion x2 .
e2 1 `
Ejemplo 30
Utilice cuatro terminos de la serie de Maclaurin para la funcion f pxq ex y
?
?
aproxime 3 e y e. Justifique cu
al de las dos aproximaciones es mejor e indique
la causa.
F Soluci
on
?
p1{2q1 p1{2q2 p1{2q3
e e1{2 1 `
`
`
1.64583
1!
2!
3!
p1{3q1 p1{3q2 p1{3q3
113
`
`
1.395061728
1!
2!
3!
81
?
?
Para este caso, la aproximaci
on de 3 e es mejor que la aproximacion de e
1
1
1
debido a que 0 , es decir, esta mas cerca del centro de la serie que
3
2
3
1
. Esto tambien se puede verificar al calcular el error relativo para ambas
2
aproximaciones.
?
Para el caso de e
?
e 1.64583
0.00175 0.175 %
?
r?e
e
?
Para el caso de 3 e
?
3 e 1.395061728
?
0.000394 0.0394 %
?
r3e
3
e
?
Sin duda es mejor aproximaci
on la realizada para 3 e
F
?
3
e e1{3 1 `
Ejemplo 31
Use la formula presentada en (1.2) para determinar la serie de Maclaurin para la
funcion f : R r1, 1s definida por f pxq sen x.
67
sen x
=
=
=
=
=
sen x
cos x
sen x
cos x
sen x
..
.
=
=
=
=
=
f p0q
f 1 p0q
f 2 p0q
f 3 p0q
f p4q p0q
..
.
0
1
0
1
0
..
.
f pnq pcq n
x3
x5
x 0`x`0
`0`
`
n!
3!
5!
n0
p1qn x2n`1
x3 x5
`
`
`
x
3!
5!
p2n ` 1q!
sen x
p1qn x2n`1
p2n ` 1q!
n0
Ejemplo 32
Use la formula presentada en (1.2) para determinar la serie de Taylor para la
funcion f : R` R definida por f pxq ln x y centrada en x 1.
F Soluci
on Se tiene que:
f pxq
ln x
f p1q
f 1 pxq
1
x
f 1 p1q
f 2 pxq
1
x2
f 2 p1q
f 3 pxq
2
x3
f 3 p1q
f p4q pxq
6
x4
f p4q p1q
f p5q pxq
..
.
24
x5
f p5q p1q
..
.
24
..
.
..
.
68
M
etodos num
ericos
ln x
8
8
f pnq p1q
f pnq pcq
px cqn
px 1qn
n!
n!
n0
n0
`
2!
3!
4!
5!
px 1q2 2 px 1q3 6 px 1q4 24 px 1q5
px 1q
`
`
2!
3!
4!
5!
px 1q2 px 1q3 px 1q4 px 1q5
px 1q
`
`
2
3
4
5
0 ` px 1q
ln x
p1qn1 px 1qn
n
n1
F Soluci
on Se tiene que:
x2 x3 x4
xn
`
`
` `
`
2!
3!
4!
n!
` 2 2 ` 2 3 ` 2 4
` 2 n
` 2
x
x
x
x
1 ` x `
`
`
` `
`
2!
3!
4!
n!
x4 x6 x8
p1qn x2n
1 x2 `
`
` `
`
2!
3!
4!
n!
p1qn`1 x2n
x4 x6 x8
1 ` x2
`
` `
`
2!
3!
4!
n!
p1qn`1 x2n
x4 x6 x8
x2
`
` `
`
2!
3!
4!
n!
p1qn`1 x2n
x2
x4
x6
x8
` `
`
2
2 2! 2 3! 2 4!
2n!
se tiene que la serie de Taylor para la funcion f es:
ex 1 ` x `
ex
ex
ex
1 ex
1 ex
2
De esta forma
p1qn`1 x2n
2n!
n1
69
Ejercicios 1.8
1. Para cada una de las siguientes funciones, determine la serie de Taylor
centrada en el punto que se da con cada una:
a) f pxq arctanpxq centrada en x 0.
b) gpxq
1
1x
centrada en x 0.
1
1`x2
centrada en x 0.
1.9.7.
ex ex
.
2
x
x
e `e
.
2
Aproximaci
on de derivadas e integrales
Por el teorema 12 se sabe que una funcion f definida mediante de una serie de
potencia centrada en x c y con radio de convergencia r es continua, derivable
e integrable en el interior del intervalo de convergencia sc r, c ` rr. Ademas:
f 1 pxq
x
f ptqdt
c
n1
8
n0
an npx cqn1 y
x
pt cqn
an
c
an
px cqn`1
n
`
1
n0
Al utilizar lo anterior y la cota del error absoluto para series alternadas, presentada en el teorema 10, es posible aproximar el valor de integrales definidas para
funciones que por sus caractersticas son muy difciles o imposibles de calcular en
forma analtica.
2
2
Ejemplo 34
1 ex
Utilice una serie de potencias para calcular
dx con un error menor
2
0
que 0.001.
70
M
etodos num
ericos
F Soluci
on Al utilizar el resultado que se obtuvo en el ejemplo 33 se tiene:
2
0
1 ex
dx
2
2
8
p1qn`1 x2n
dx
2n!
0 n1
8
n1
n1
p1qn`1
2n!
ff
x2n dx
n1
p1qn`1
2n!
2 ff
x2n`1
2n ` 1 0
ff
ff
p1qn`1 22n`1
p1qn`1 4n
2n!
2n ` 1
n! p2n ` 1q
n1
4n
se quiere que En 0.001, y como se sabe que
n! p2n ` 1q
en virtud del teorema 10, basta que:
Al tomar an
En an`1
an`1 0, 001
1
pn ` 1q! p2n ` 3q
1000
pn ` 1q! p2n ` 3q
1000
4n`1
4n`1
2
2
12
p1qn`1 4n
1 ex
dx
0.55864
2
n! p2n ` 1q
0
n1
El valor real de la integral anterior es 0.5589593046...
1.9.8.
f pnq px0 q
px x0 qn
n!
n0
Rm pxq
f pm`1q px q
px x0 qm`1
pm ` 1q!
71
Ejemplo 35
8 xn
F Soluci
on
e2 Pm p2q ` Rm p2q
donde Rm p2q
2n
` Rm p2q
n!
n0
f pm`1q p2 q p2 0qm`1
con 2 P r0, 2s, as:
pm ` 1q!
Rm p2q
2m`1 e2
2m`1 e2
2m`1 9
pm ` 1q!
pm ` 1q!
pm ` 1q!
2n
e2
n!
n0
con un error menor que 0.0001.
72
M
etodos num
ericos
Ejercicios 1.9
1. Use las series de potencias ya conocidas y calculadas en ejercicios anteriores para determinar la serie de potencia para las funciones que se
presentan a continuaci
on:
x
1
2
Sug: Anad) Kpxq
et dt.
a) F pxq
p1
xq2
0x
lice cual funcion derivada da
senptq
b) Gpxq
dt.
Kpxq.
t
0x
arctanptq
c) Hpxq
dt
t
0
2. Utilizando el desarrollo en series de potencias de las funciones dentro
de cada integral, calcular una aproximacion de cada integral con una
exactitud de hasta E, donde este u
ltimo es el que se presenta en cada
caso:
1
a)
x2
1
dx, con E 0.001.
1
2 senpxq
x dx,
0
0
1
d)
b)
1.10.
c)
con E 0.000001
arctanpxq
dx, con E
x
0
0.001.
Definici
on 19
Sean f y g funciones tales que lm g pxq 0 y lm f pxq L. Si existe k 0 tal
x0
x0
73
p1qn x2n`1
, para todo x P R
p2n ` 1q!
n0
h3
cosph q ,
3!
con h entre 0 y h.
sen h
h
h2
h 1 3! cosph q 6 0
1
se tiene que:
6
sen h
1 ` Oph2 q
h
F
Ejercicios 1.10
1. Utilice el polinomio de Maclaurin de grado conveniente para la funcion
cos x, para probar que:
1
cos h ` h2 1 ` Oph4 q
2
2. Utilice el polinomio de Taylor con resto para la funcion gpxq ex cen-
74
M
etodos num
ericos
1.11.
ex x 1
x2
1
con una rapidez de convergencia Ophq.
2
1. Determine el n
umero de cifras significativas que posee cada uno de los
siguiente n
umeros:
a) 1.2354 102
b) 1.2003054
c) 0.007508
d) 8.2000
e) 25470000
2. Sea f la funci
on definida por f pxq senpxq. Determine la serie de Maclaurin
para f y determine un polinomio de Taylor en el que se pueda garantizar
que aproxime el valor de senp1q con un error absoluto menor que 0.0000001.
3. Considere la funci
on f definida por f pxq x2 cos x.
a) Aproxime f con un polinomio de Taylor de grado 4, alrededor cero.
b) Utilice la aproximaci
on anterior para aproximar f p0.5q.
4. Considere el desarrollo en series de potencias (series de Maclaurin) que se
presenta a continuaci
on:
8
p1qn 2n
cos x
x
p2nq!
n0
Determine el menor n
umero natural para el que se pueda garantizar que
Pm p0.5q aproxime a cos p0.5q con un error absoluto menor que 105 donde
Pm pxq es el polinomio de Taylor de grado m.
5. Calcule la cantidad de terminos que se debe sumar en la serie
2ex1
2 px 1qn
n!
n0
75
3
e ` lnp5q
a) Usando redondeo al quinto dgito.
b) Usando truncamiento al quinto dgito.
c) Compare el resultado anterior utilizando el valor real redondeado al
quinto decimal.
8. Utilice aritmetica de punto flotante con un corte al quinto dgito para calcular las races de la ecuaci
on:
x2 5000.002x ` 10 0
Compare con el valor real, use una calculadora o computadora para determinar el valor real y calcule cu
al es el error relativo y el error absoluto de
cada una de las soluciones.
Nota: recuerde que las soluciones de la ecuacion ax2 ` bx ` c 0 estan
dadas por la f
ormula:
?
b 4
xi
2a
2
donde 4 b 4ac
9. La serie de Maclaurin para el sen x esta dada por:
sen x x
p1qn x2n`1
x3 x5
`
`
`
p2n ` 1q!
3!
5!
76
M
etodos num
ericos
a) Tres dgitos significativos.
b) Cinco dgitos significativos.
Captulo 2
Races de ecuaciones
2.1.
Introducci
on
En matem
atica, muchas ecuaciones no se pueden resolver en forma algebraica;
por esta razon se debe recurrir a tecnicas de aproximacion que permitan tener
una idea suficientemente acertada de la solucion.
Existe una infinidad de ecuaciones que no se pueden resolver de manera algebraica o analtica. Entre ellas:
ex x2 ,
cos x x,
ex x,
ln x x3
2.2.
M
etodo gr
afico
Es uno de los m
as comunes para determinar aproximaciones de las soluciones
de ecuaciones o de ceros de funciones. Sin embargo, las aproximaciones determinadas por este metodo por lo general son malas y no es posible medir la calidad
de ellas.
Se utiliza principalmente para determinar intervalos que contenga una solucion; esto alimentar
a a los metodos de aproximacion que se veran posteriormente,
78
M
etodos num
ericos
-2
F Soluci
on Primero se deben graficar las funciones f pxq cos x y gpxq x2 en
un mismo sistema de coordenadas rectangulares.
Las soluciones de la ecuaci
on corresponden al valor de la coordenada x de
los puntos de intersecci
on entre las gr
aficas de las funciones. En la figura 2.1 se
puede observar que la ecuaci
on posee dos soluciones reales y que se encuentran
en los intervalos r2, 0s y r0, 2s.
Si se requiere una aproximaci
on numerica de las soluciones de la ecuacion es
posible seleccionar un n
umero conveniente de cada intervalo. Por ejemplo: 1 y 1
pueden ser consideradas aproximaciones de la solucion; sin embargo, la calidad
F
de estas aproximaciones no podr
a ser determinada sin tener el valor real.
Ejemplo 38
Determine el n
umero de soluciones que posee la ecuacion cos x x. Proporcione
un intervalo que contenga a cada soluci
on determinada.
79
F Soluci
on Considere las funciones f pxq cos x y gpxq x, para las cuales se
construyen, en un mismo sistema de coordenadas, las graficas de ambas funciones.
De la figura 2.2 se puede observar que la ecuaci
on cos x x posee una solucion
u
nica, y esta se encuentra en el intervalo 0, 2 . Una aproximacion numerica de
dicha solucion la puede constituir el n
umero 1 o bien 0.8, entre otros.
F
Aunque el metodo gr
afico para la aproximacion de soluciones de ecuaciones
brinda una idea bastante clara sobre la existencia y ubicacion de soluciones en
una ecuacion, no es posible garantizar la calidad de ellas, ya que la especulacion
desempe
na un rol importante en este metodo. El ejemplo 39 da una idea clara
sobre este aspecto.
Ejemplo 39
Use el metodo gr
afico para determinar si la ecuacion ln x x2 0.83 tiene o no
soluciones reales.
F Soluci
on Considere las funciones f pxq ln x y gpxq x2 0.83 al realizar
las graficas de f y g en un mismo sistema de coordenadas rectangulares. Parece
existir un punto de intersecci
on con coordenada x alrededor del 1; sin embargo,
si se observa con m
as atenci
on, mediante un acercamiento (figura 2.3) se puede
constatar que las gr
aficas de las funciones f y g no se intersecan, por lo que la
ecuacion no tiene soluciones reales.
As, en este ejemplo se puede observar que el metodo grafico no es confiable,
ya que la representaci
on gr
afica de una ecuacion podra inducir a conjeturas
erroneas.
F
80
M
etodos num
ericos
2.3.
M
etodo de bisecci
on
Es un metodo iterativo de b
usqueda de ceros o races de funciones reales. Se
basa en el seccionamiento de intervalos que contiene la raz o cero de la funcion, de
manera que se determina, en cada iteraci
on, un intervalo cada vez mas peque
no
que contiene dicha raz. Por lo general es el primer metodo numerico estudiado
para resolver ecuaciones en una variable real, debido a su sencillez y facil intuicion,
lo que permite entender el funcionamiento del metodo sin mayor problema.
El metodo de bisecci
on surge como una consecuencia directa del teorema del
valor intermedio para funciones continuas. Este teorema se enuncia a continuacion:
Teorema 15 (Teorema del valor intermedio: T.V.I.)
Sea f una funci
on continua en ra, bs tal que f paq f pbq, entonces para todo c
entre f paq y f pbq existe un k P ra, bs tal que f pkq c.
81
y
f (a)
f (b)
a
o Demostraci
on Sea c un valor entre f paq y f pbq. Si c f paq o c f pbq, la
demostracion queda lista.
Suponga que c f paq y c f pbq. Defina A tx P ra, bs tal que f pxq cu.
Note que el conjunto A no es vaco, pues a o b esta en A. Ademas, esta acotado
inferiormente y superiormente por a y b respectivamente. Sea k1 nf A y k2
sup A, as se tienen los tres posibles casos:
Si k1 a y k2 b, entonces considere dos sucesiones txn u, tyn u, ambas
contenidas en A tales que xn a y yn b. Por ser f una funcion continua
(ver teorema 7), se tiene que: lm f pxn q f paq y lm f pyn q f pbq, y como
txn u A y tyn u A, entonces para todo n P N se satisface que:
f pxn q c lm f pxn q c f paq c
f pyn q c lm f pyn q c f pbq c
De donde se concluye que c f paq o c f pbq, lo cual contradice el supuesto.
Por lo tanto, no es posible que se de simultaneamente que k1 a y k2 b.
Suponga que k2 b. Se probar
a que f pk2 q c. Considere una sucesion
txn u A tal que xn k2 . Como f es una funcion continua (teorema 7), se
tiene que f pxn q f pk2 q, donde para todo n P N se cumple que f pxn q c,
lo cual implica que:
lm f pxn q lm c f pk2 q c
Falta demostrar que f pk2 q c. Se sabe que sk2 , bs y ademas @x Psk, bs
se cumple que f pxq c. Considere una sucesion txn u sk2 , bs tal que xn
k2 . Como f es continua f pxn q f pk2 q y para todo n P N se cumple que
f pxn q c, lo cual implica que:
lm f pxn q lm c f pk2 q c
82
M
etodos num
ericos
De donde se tiene que f pk2 q c.
El caso k1 a es an
alogo al anterior.
p
A continuaci
on se presenta un corolario del teorema 15, mismo que da forma a
la prueba que se realiza en el metodo de biseccion para determinar el subintervalo
que contiene a la raz o cero de la funci
on.
Corolario 1
Sea f una funci
on continua en ra, bs tal que f paq f pbq 0, entonces existe
k P sa, br tal que f pkq 0.
o Demostraci
on Como f paq f pbq 0, entonces f paq y f pbq tienen signos
opuestos. As que 0 est
a entre f paq y f pbq. Por el teorema 15 se tiene que existe
un k P sa, br tal que f pkq 0.
p
y
f (a)
b
a
f (b)
Figura 2.5: Corolario del T.V.I.
Ejemplo 40
Demuestre que la ecuaci
on ex x2 tiene una solucion en el intervalo r1, 0s.
F Soluci
on Considere la funci
on f definida por f pxq ex x2 . Note que:
f es una funci
on continua en R, pues es resta de funciones continuas.
f p1q f p0q 0.
As, por el corolario 1 se tiene que existe un k P s1, 0r tal que:
f pkq ek k 2 0 ek k 2
por lo que la soluci
on existe dentro del intervalo s1, 0r.
83
Con base en esta herramienta, y dado un intervalo que contiene el cero de una
funcion, es posible determinar intervalos cada vez mas peque
nos que tambien contengan dicho cero. As, cualquier valor en dicho intervalo puede ser considerado
una aproximaci
on del cero real. En particular, el punto medio de cada intervalo
sera concebido como la mejor aproximacion en el, ya que garantiza una cota para el error absoluto y relativo m
as peque
na que cualquier otro punto dentro del
mismo intervalo.
De esta forma, el metodo de la biseccion no es mas que una b
usqueda sistematica del cero de la funci
on en estudio y se basa en el siguiente procedimiento:
Dada una funci
on f en variable x. Y sea ra1 , b1 s un intervalo que satisface
que f pa1 q f pb1 q 0, entonces:
1
Paso 1: Sea x1 b1 `a
2 , que corresponde al punto medio del intervalo ra1 , b1 s.
Esta ser
a considerada como una aproximacion del cero de la funcion f .
Considere los subintervalos ra1 , x1 s y rx1 , b1 s.
Paso 2: Para estos dos subintervalos se satisface una de las siguientes posibilidades:
La soluci
on se encuentra en el intervalo ra1 , x1 r.
La soluci
on se encuentra en el intervalo sx1 , b1 s.
La soluci
on exacta es x1 .
Para identificar cu
al de las condiciones anteriores se satisface se procede
con la siguiente prueba.
on real esta en el intervalo sx1 , b1 s. Tome
Si f px1 q f pb1 q 0, la soluci
a2 x1 y b2 b1 .
Si f px1 q f pa1 q 0, la soluci
on real esta en el intervalo ra1 , x1 r. Tome
b2 x1 y a2 a1 .
Si f px1 qf pa1 q 0, la soluci
on exacta de la ecuacion es x1 y el proceso
termina con exito.
En este punto se tiene un intervalo ra2 , b2 s que contiene la solucion de
la ecuaci
on en estudio. Sin embargo, la longitud de dicho intervalo se ha
reducido a la mitad con respecto al intervalo anterior.
Paso 3: Regresa al paso 1, para determinar una aproximacion x2 , que sera el
punto medio del nuevo intervalo.
Luego basta continuar con el proceso las veces que sean necesarias hasta
obtener una aproximaci
on aceptable.
En la figura 2.6 se puede observar el proceso descrito del metodo de biseccion,
as como que cada nuevo intervalo tiene una longitud igual a la mitad de la
84
M
etodos num
ericos
longitud del intervalo anterior. En cada uno de los intervalos se puede apreciar
el punto medio que corresponde a la aproximacion de este.
Cero de la funcin
Primer intervalo
x1
a1
b1
a2
Segundo intervalo
x2
b2
a3 x3 b3
Tercer intervalo
a4
Cuarto intervalo
Quinto intervalo
b4
a5 b5
2.3.1.
El metodo de bisecci
on, tambien conocido como el metodo de corte binario
de intervalos o el metodo de Bolzano, realiza en cada iteracion una reduccion
del intervalo que contiene la soluci
on de la ecuacion. As, cuando el intervalo es
suficientemente peque
no, existe seguridad de que la aproximacion es aceptable.
En todo metodo iterativo es necesario definir una condicion de parada, que
son proposiciones l
ogicas que al ser verificadas le indican al algoritmo que se
detenga. En los metodos de aproximaci
on estas condiciones deben garantizar que
al momento de detener el algoritmo este cuente con una aproximacion aceptable
del valor por aproximar, o bien, un mensaje de fracaso.
Sin duda, una condici
on de parada ideal sera iterar hasta que el error absoluto
o el error relativo sea menor que , para alg
un 0 suficientemente peque
no.
Sin embargo, para esto es estrictamente necesario conocer el valor real, el cual
dejara obsoleta cualquier aproximaci
on. Por lo tanto, es necesario explorar otras
opciones de paro.
Para el caso particular del metodo de biseccion es posible definir una condicion
de paro de alguna de las siguientes dos formas:
Cota del error absoluto: sea ra, bs el intervalo original que contiene al cero
de la funci
on. En la iesima iteraci
on del metodo se cumple que:
Exi
bi ai
2
(2.1)
85
donde xi es la aproximaci
on actual en el intervalo rai , bi s y Exi es el error
absoluto cometido por xi .
xi- ai
xi
ai
bi- xi
bi
bi ` ai
, por lo que
2
bi ai
2
De modo que si se cumple para todo x en el intervalo, tambien se cumplira para el valor real, ya que el mismo se encuentra en rai , bi s.
A
un mas, para el c
alculo de esta cota no es necesario conocer el valor de
ai y bi . Note que en cada iteraci
on el intervalo se reduce a la mitad con
respecto al anterior, de modo que en la primera iteracion la cota es ba
2 ;
en la segunda iteraci
on ser
a la mitad de la primera, es decir ba
.
De
este
22
modo en la iesima iteraci
on se ha partido el intervalo ra, bs a la mitad i
veces, de donde se tiene que:
bi ai
ba
2
2i
As, la cota del error queda simplificada por:
Exi
ba
2i
(2.2)
|aproximaci
on actual aproximaci
on anterior|
100 %
|aproximaci
on actual|
|xi xi1 |
100
|xi |
donde xi es la aproximaci
on obtenida en la iesima iteracion y xi1 es la
aproximaci
on obtenida en la pi 1qesima iteracion.
86
M
etodos num
ericos
El procedimiento anterior define una sucesion txi uiPN recursiva que converge
al cero de la funci
on.
g
2
-2
h
Figura 2.8: Ecuacion: ex x2
Ejemplo 41
Aproxime la soluci
on de la ecuaci
on ex x2 con un error relativo normalizado
menor al 35 %.
F Soluci
on Primero se debe buscar un intervalo que contenga la solucion de
la ecuacion, para esto se puede recurrir al metodo grafico tomando las funciones
definidas por f pxq ex y gpxq x2 .
Se debe notar que resolver la ecuaci
on ex x2 es equivalente a determinar
los ceros de la funci
on hpxq ex x2 . En la figura 2.8 se muestran las graficas
de las tres funciones f , g y h de donde se observa que la coordenada x del punto
de interseccion entre f y g tambien corresponde al valor sobre el eje x, donde la
grafica de la funci
on h lo corta. As, es posible garantizar que la solucion de la
ecuacion ex x2 se encuentra en el intervalo r2, 0s, resultado que es posible
verificar al hacer uso del corolario 1. Una vez definido el intervalo y la funcion
por analizar, se debe realizar el procedimiento descrito en la pagina 83.
`
0 ` 2
1
2
87
2
2
Paso 2: Se estudia en cu
al subintervalo esta la solucion:
h p1q h
1
2
1 1
1 e 2
0.225 37 0
4
1 1
Ex 1
2 2
por lo que el error absoluto de la aproximacion x2
1
2
no excede a 12 .
x2
|x2 x1 |
2
100 %
100 % 100 %
1
|x2 |
2
88
M
etodos num
ericos
2
4
3 1
y considere los subintervalos 1, 3
y 4 , 2 .
4
Paso 2: Se realiza nuevamente el estudio de los subintervalos:
3
h p1q h
0.05697 5 0
4
el intervalo
3
4
, 1
contiene la solucion.
2
1 3 1
Ex
2
4 4
por lo que el error absoluto de la aproximacion x3 43 no excede a 14 .
El error relativo normalizado para x3 es:
3 1
4
|x3 x2 |
2
x3
100 %
100 % 33. 333 %
3
|x3 |
4
3
es la aproximacion buscada.F
4
Es posible notar que cada vez que se realiza una iteracion, tanto la cota
para el error absoluto como la aproximacion del error relativo disminuyen. Esto
indica que la aproximaci
on encontrada en cada iteracion mejora a la anterior.
De esta manera, se debe iterar las veces que sea necesario para determinar una
aproximacion cuyos errores satisfagan las demandas de exactitud y precision.
Notese que x3 35 %, de modo que x3
89
2
|0 2|
i 21i
i
2
2
por lo que si se toma i tal que 21i 0.001, entonces se puede asegurar que:
Exi 0.001
As,
21i 0.001 log2 p21i q log2 p0.001q
1 i log2 p0.001q
i log2 p0.001q ` 1 10.965
Por lo que se debe tomar como mnimo 11 iteraciones para poder garantizar un
error absoluto menor que 0.001.
F
2.3.2.
90
M
etodos num
ericos
bn
xn
an
Figura 2.9: La escogencia del punto medio del intervalo no necesariamente es una buena aproximacion del cero de la funcion.
2.3.3.
El m
etodo de bisecci
on en Excel
El m
etodo de la bisecci
on en una hoja de c
alculo
La implementaci
on se realizar
a para el ejemplo de la ecuacion ex x2 estudiada anteriormente.
El metodo de bisecci
on busca los ceros o races de una funcion; en este caso,
para resolver la ecuaci
on ex x2 se buscaran los ceros de la funcion f pxq
x
2
e x . Seg
un lo visualizado en la figura 2.8, ambos procesos son equivalentes.
1
2
3
A
a
B
b
C
xi
D
f(a)*f(xi)
E
f(xi)*f(b)
F
Cot Er Abs
G
Er Rela Nor
Paso 2: Introduzca en las celdas correspondientes las instrucciones que se muestran en la tabla 2.1.
91
1
2
3
4
5
6
7
8
9
Celda
A2
B2
C2
D2
E2
F2
G3
A3
B3
C
odigo
-2
0
=(A2+B2)/2
=(EXP(A2)-A22)*(EXP(C2)-C22)
=(EXP(C2)-C22)*(EXP(B2)-B22)
=ABS(A2-B2)/2
=ABS(C3-C2)/ABS(C3)
=SI(D20;A2;C2)
=SI(E20;B2;C2)
1
2
3
4
5
A
a
B
b
-2
-1
C
xi
0
0
-1
D
f(a)*f(xi)
2,44293402
E
F
G
f(xi)*f(b)
Cot Er Abs Er Rela Nor
-0,632120559
1
#DIV/0!
Se debe seleccionar el rango E2:F2 y halar una fila hacia abajo para que Excel
calcule los valores en C3, D3, E3 y F3. Una vez hecho esto, seleccione el rango
A3:G3 y hale varias filas; cada fila de la tabla corresponde a una iteracion del
algoritmo de bisecci
on y para cada una de ellas se puede observar el intervalo, la
aproximacion, la cota del error absoluto y el error relativo normalizado.
92
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
M
etodos num
ericos
A
a
B
b
-2
-1
-1
-0,75
-0,75
-0,75
-0,71875
-0,71875
-0,7109375
-0,70703125
-0,705078125
-0,704101563
-0,703613281
-0,703613281
-0,703491211
-0,703491211
-0,703491211
-0,703475952
-0,703468323
0
0
-0,5
-0,5
-0,625
-0,6875
-0,6875
-0,703125
-0,703125
-0,703125
-0,703125
-0,703125
-0,703125
-0,703369141
-0,703369141
-0,703430176
-0,703460693
-0,703460693
-0,703460693
C
xi
-1
-0,5
-0,75
-0,625
-0,6875
-0,71875
-0,703125
-0,7109375
-0,70703125
-0,705078125
-0,704101563
-0,703613281
-0,703369141
-0,703491211
-0,703430176
-0,703460693
-0,703475952
-0,703468323
-0,703464508
D
f(a)*f(xi)
2,44293402
-0,22537036
0,056975205
-0,01303658
-0,002719806
0,002635546
-1,90394E-05
0,000416637
9,67091E-05
2,08042E-05
3,69757E-06
3,34643E-07
-5,18495E-08
1,25504E-08
-3,20466E-09
-5,78973E-10
7,33893E-10
2,77734E-11
-9,48967E-12
E
F
G
f(xi)*f(b)
Cot Er Abs Er Rela Nor
-0,632120559
1
0,35653066
0,5
1
-0,032135337
0,25 0,33333333
0,051567321
0,125
0,2
0,004364452
0,0625 0,09090909
-0,000882341
0,03125 0,04347826
1,96481E-05
0,015625 0,02222222
-9,27773E-06
0,0078125 0,01098901
-4,41939E-06 0,00390625 0,00552486
-1,99584E-06 0,00195313 0,00277008
-7,85467E-07 0,00097656 0,00138696
-1,80631E-07 0,00048828 0,00069396
1,217E-07 0,00024414
0,0003471
-8,45584E-09 0,00012207 0,00017352
1,32394E-08 6,1035E-05 8,6768E-05
9,06505E-10 3,0518E-05 4,3382E-05
-2,07597E-10 1,5259E-05 2,1691E-05
-2,19106E-11 7,6294E-06 1,0845E-05
7,09322E-11 3,8147E-06 5,4227E-06
93
si Test 0 entonces
b xi
si no, si Test 0 entonces
a xi
si no
ErrorAbs 0
fin si
xi1 xi
ii`1
fin mientras
retornar xi , ErrorRela, ErrorAbs, i
si no
Mensaje de error: No se garantiza la existencia de soluciones.
fin si
Mtodo de la biseccin
Intervalo
[ txtA ,
txtB
cmd_OK
Tolerancia txtTolerancia
Cota del error absoluto txtErrorAbs
Aproxi del error relativo txtErrorRela
Aproximacin txtAproxi
OK
Abra una nueva hoja de Excel y agregue los controles, tal y como se muestra en
la figura 2.13. Asigne a cada uno el identificador correspondiente que se muestra
en la figura.
94
M
etodos num
ericos
Para brindar el n
umero de iteraciones realizadas se hara uso de una caja de
dialogo que mostrar
a esta informaci
on una vez finalizado el programa. Ademas,
se debera definir la funci
on F de forma que reciba un n
umero real x y retorne
ex x2 . Esta definici
on se muestra a continuacion:
Private Function F(X As Double) As Double
F = Exp(X)-X2
End Function
M
etodo de paro: se toma como el metodo de paro que la cota del error absoluto sea menor para suficientemente peque
no y definido por el usuario. De
esta forma, el algoritmo se repetir
a hasta que esta condicion sea verdadera.
En los algoritmos iterativos siempre es recomendable definir una segunda
condicion de paro con un n
umero m
aximo de iteraciones. Esta segunda condicion de parada evita que, en caso de sucesiones divergentes, el programa
95
Test = F(a)*F(Xi)
If Test <0 Then
b = Xi
ElseIf Test>0 Then
a = Xi
Else
Tol = 0
End If
En la secci
on de c
odigo que se muestra primero se realiza dos veces la
evaluaci
on de F paq F pxi q, mientras que en la seccion de codigo que se
presenta posteriormente, la evaluacion se realiza una u
nica vez.
Infinito: en muchas ocasiones, en los pseudocodigos se pide asignar el valor
infinito p8q a una o varias variables. En la mayora de los lenguajes de
programaci
on no existe el valor infinito, por lo que generalmente lo que se
hace es asignar un n
umero elevado. Por ejemplo, 99999999999.
A partir de este momento se desarrollaran, de una manera intuitiva, los metodos de aproximaci
on de la secante y Newton. Posterior a este desarrollo se formalizaran algunos conceptos como la velocidad de convergencia de cada uno como
las condiciones necesarias para garantizar su convergencia.
96
M
etodos num
ericos
Ejercicios 2.1
1. Si se sabe que f es una funci
on continua tal que f p2q f p4q 0 (la
funcion f tiene al menos un cero en r2, 4s), determine el n
umero de
iteraciones del metodo de bisecci
on necesarias para calcular una aproximacion del cero, para el cual se asegure que el error absoluto real sea
menor que 104 .
2. Considere la ecuaci
on cos x x.
a) Demuestre que dicha ecuacion posee una solucion real en el intervalo r0, 1s.
b) Determine el n
umero de interaciones necesarias con el metodo de
bisecci
on para asegurar que la aproximacion determinada tenga un
error absoluto real menor que 106 .
c) Aplique seis iteraciones del metodo de biseccion para determinar
una aproximaci
on del cero de la funcion. Calcule la cota del error
absoluto real para dicha aproximacion.
3. Demuestre que la ecuaci
on dada por:
ln q ` eq q 2 ` cos q
tiene al menos una soluci
on en el intervalo s0, 1s. Utilice el metodo de
bisecci
on para aproximar dicho cero con un error absoluto real menor
que 102 .
4. Considere la funci
on f : R R y definida por f pxq senpxq.
a) Realice un estudio grafico de la funcion y realice una conjetura de
cuales podran ser los ceros de la funcion.
b) Muestre que si a Ps 1, 0r y b Ps2, 3r, entonces el metodo de
bisecci
on aplicado a la funcion f en el intervalo ra, bs converge a:
0, si a ` b 2.
2, si a ` b 2.
1, si a ` b 2.
2.4.
M
etodo de la secante
97
f(x1)
f(x0)
x1 x0
x1
l1
Figura 2.14: Interpretaci
on gr
afica del procedimiento descrito en
los pasos 1 y 2 para el metodo de la secante para los valores
iniciales x1 y x0 .
98
M
etodos num
ericos
Al seguir este proceso es posible calcular los terminos de la sucesion que sean
necesarios para conseguir una aproximacion aceptable, siempre que la sucesion
recursiva sea convergente. De esta forma, en la iteracion iesima se tiene los
puntos xi2 y xi1 . As, el siguiente termino de la sucesion esta dado por la
coordenada x del punto de intersecci
on entre la recta `i y el eje x. Donde `i es
la recta secante a la gr
afica de f en los puntos pxi2 , f pxi2 qq y pxi1 , f pxi1 qq.
Si la sucesion anterior converge, entonces se espera que su lmite sea un cero
de la funcion en estudio, es decir:
lm xk c
k8
Sin embargo, el metodo de la secante no garantiza convergencia cuando las soluciones iniciales dadas al metodo est
an lejos del cero de la funcion. Esta caracterstica se conoce como convergencia local y mas adelante se abordara con
detalle.
x-1
x1
x2
x4
x3 x0
x3
x2
x1
x0
x-1
99
yi yi1
xi xi1
b yi m x i
As, la ecuaci
on de la recta `i`1 es:
y
yi yi1
yi yi`1
x ` yi
xi
xi xi1
xi xi`1
El punto de intersecci
on entre la recta `i`1 y el eje x esta dado por
lo que la coordenada x del punto anterior se simplifica como sigue:
b
, 0 , por
m
yi yi1
x i yi
b
xi xi1
x x
i y i1
x
y
i
i
i yi1
m
yi yi1
xi xi1
De esta forma, basta tomar dicha coordenada como xi`1 , de donde se tiene que:
xi`1 xi f pxi q
xi xi1
f pxi q f pxi1 q
xi`1 xi f pxi q
f pxi q f pxi1 q
&
x1 a
%
x0 b
(2.3)
donde f es la funci
on por estudiar, y tanto a como b son valores iniciales
cercanos al cero de f .
100
M
etodos num
ericos
2.4.1.
M
etodo de paro
xi xi1
100 %
xi
xi
Estas aproximaciones se basan en tomar la mejor aproximacion existente
como valor real; sin embargo, no hay garanta de que estas sean buenas. En
la parte 3 del ejercicio 2.8 se demuestra para cual tipo de convergencia es
eficiente este metodo de paro.
De esta forma, es posible iterar el metodo mientras que la aproximacion no
sea menor que una tolerancia predefinida por el usuario.
Ejemplo 43
Utilice el metodo de la secante para aproximar la solucion de la ecuacion ex x2
de tal forma que el error relativo normalizado sea menor que 15 %. Utilice como
condiciones iniciales x1 1 y x0 3.
F Soluci
on Recuerde que esta ecuaci
on posee una solucion en el intervalo
r2, 0s, lo cual se puede apreciar en la figura 2.8 con el metodo grafico. Para
este ejercicio se deben ir calculando los terminos de la sucesion recursiva que se
presenta en la ecuaci
on (2.4), donde la funcion f , presente en la misma, tiene
criterio f pxq ex x2 .
$
f pxi q pxi xi1 q
xi`1 xi
f pxi q f pxi1 q
&
x1 1
%
x0 3
(2.4)
xi xi1
100 % 15 %
xi
101
x1 x0
As, el error relativo normalizado para dicha iteracion esta dado por:
x1
|3 0.63313|
100 % 373.84 %
0.63313
Iteraci
on 2:
f px1 qpx1 x0 q
f px1 q f px0 q
f p0.63313qp0.63313 3q
0.63313
f p0.63313q f p3q
0.267 70
x2 x1
As, el error relativo normalizado para dicha iteracion esta dado por:
x2
|0.26770 0.63313|
100 % 136.51 %
0.26770
Iteraci
on 3:
f px2 qpx2 x1 q
f px2 q f px1 q
f p0.267 70qp0.267 70 0.63313q
0.267 70
f p0.267 70q f p0.63313q
1. 557 3
x3 x2
As, el error relativo normalizado para dicha iteracion esta dado por:
x3
| 1.5573 0.26770|
100 % 117.19 %
| 1.5573|
Iteraci
on 4:
f px3 qpx3 x2 q
f px3 q f px2 q
f p1.5573qp1.5573 0.267 70q
1.5573
f p1.5573q f p0.267 70q
0.385 79
x4 x3
As, el error relativo normalizado para dicha iteracion esta dado por:
x4
| 0.3858 1.5573|
100 % 303.65 %
| 0.3858|
102
M
etodos num
ericos
Iteraci
on 5:
f px4 qpx4 x3 q
f px4 q f px3 q
f p0.385 79qp0.385 79 1. 557 3q
0.385 79
f p0.385 79q f p1. 557 3q
0.6124
x5 x4
As, el error relativo normalizado para dicha iteracion esta dado por:
x4
| 0.6124 0.38579|
100 % 37.002 %
| 0.6124|
Iteraci
on 6:
f px5 qpx5 x4 q
f px5 q f px4 q
f p0.6124qp0.6124 0.385 79q
0.6124
f p0.6124q f p0.385 79q
0.7164
x6 x5
As, el error relativo normalizado para dicha iteracion esta dado por:
x4
| 0.7164 0.6124|
100 % 14.511 %
| 0.7164|
2.4.2.
103
pues f px1 q f px0 q. Por otro lado, en la figura 2.17(b) se observa como una
escogencia inadecuada puede generar aproximaciones lejanas al valor real del
cero de la funci
on; si este comportamiento persiste a lo largo de las iteraciones,
el metodo puede resultar divergente.
y
f(x1)=f(x0)
x1
x0
y
l1
x1
x0
(b) Muestra de una escogencia de valores iniciales que genera una aproximaci
on del cero de la funci
on de menor
calidad que x1 y x0 .
2.4.3.
El m
etodo de la secante en Excel
A continuaci
on se realizar
a la implementacion del metodo de la secante tanto
en una hoja de c
alculo como en el c
odigo de VBA para Excel. En ambos casos se
trabajara con la funci
on f definida por f pxq ex x2 .
El m
etodo de la secante en una hoja de c
alculo
Se tomaran como primeras aproximaciones los valores x1 1 y x0 3. Para
realizar la implentaci
on siga los pasos que se exponen a continuacion:
Paso 1: Construya la plantilla que se muestra en la figura 2.18.
104
1
2
3
4
M
etodos num
ericos
A
xi-1
B
xi
C
f(xi-1)
D
f(xi)
E
Aprox(xi+1)
F
Er Rela Nor
Paso 2: Introduzca en las celdas correspondientes las instrucciones que se muestran en la tabla 2.2:
1
2
3
4
5
6
7
8
Celda
A2
B2
C2
D2
E2
F2
A3
B3
C
odigo
1
3
=EXP(A2)-A22
=EXP(B2)-B22
=(D2*A2-B2*C2)/(D2-C2)
=ABS(A2-B2)/ABS(B2)
=B2
=E2
A
xi-1
B
xi
C
D
E
F
f(xi-1)
f(xi)
Aprox(xi+1)
Er Rela Nor
1
3 1.7182818284591 11.0855369231877 0.6331301302073 0.6666666667
3 0.6331301302073
Paso 3: Seleccione el rango C2:F2 y hale una fila hacia abajo para actualizar
todas las celdas del rango C3:F3. As se completan los calculos de la segunda
iteracion.
1
2
3
4
5
A
xi-1
B
xi
C
D
E
F
f(xi-1)
f(xi)
Aprox(xi+1)
Er Rela Nor
1
3 1.7182818284591 11.0855369231877 0.6331301302073 0.6666666667
3 0.6331301302073 11.0855369231877 1.4826431908312 0.2676961689621 3.7383623948
105
A
xi-1
B
xi
1
3
0.6331301302073
0.2676961689621
-1.5572820167054
-0.3858011697768
-0.6124026245576
-0.7163564186986
-0.7029924965809
-0.7034650088042
-0.7034674229521
3
0.6331301302073
0.2676961689621
-1.5572820167054
-0.3858011697768
-0.6124026245576
-0.7163564186986
-0.7029924965809
-0.7034650088042
-0.7034674229521
-0.7034674224984
C
f(xi-1)
1.7182818284591
11.0855369231877
1.4826431908312
1.2352887488362
-2.2144192851354
0.5310631554423
0.1670099933877
-0.0246375063200
0.0009030449719
4.590362347E-06
-8.628047721E-10
D
f(xi)
11.0855369231877
1.4826431908312
1.2352887488362
-2.2144192851354
0.5310631554423
0.1670099933877
-0.0246375063200
0.0009030449719
4.590362347E-06
-8.628047721E-10
9.992007222E-16
E
Aprox(xi+1)
0.6331301302073
0.2676961689621
-1.5572820167054
-0.3858011697768
-0.6124026245576
-0.7163564186986
-0.7029924965809
-0.7034650088042
-0.7034674229521
-0.7034674224984
-0.7034674224984
F
Er Rela Nor
66.6666667%
373.8362395%
136.5107176%
117.1899608%
303.6488582%
37.0020385%
14.5114627%
1.9010049%
0.0671693%
0.0003432%
0.0000001%
106
M
etodos num
ericos
La aproximaci
on encontrada por el programa debera cumplir que su error
relativo normalizado sea menor que la tolerancia predefinida por el usuario. Como
existe la posibilidad de que el metodo de la secante diverja, entonces es necesario
definir una condici
on de paro auxiliar con un n
umero maximo de iteraciones por
realizar. El programa se describe en el siguiente pseudocodigo.
Algoritmo 2 Metodo de la secante
Entrada: f , xi2 , xi1 , Tol, M axItera.
Salida: Aproximaci
on,
um. de interaciones
xi y el n
1: ErrorRela 8
2: NumItera 0
3: mientras ErrorRela Tol y i M axItera hacer
4:
5:
6:
7:
8:
9:
10:
11:
12:
13:
14:
15:
ii`1
f pxi1 qpxi1 xi2 q
f pxi1 q f pxi2 q
|xi xi1 |
ErrorRela
|xi |
xi2 xi1
xi1 xi
fin mientras
si i M axItera entonces
Mensaje de fracaso.
Termina el programa sin existo.
si no
retornar xi , ErrorRela, i.
fin si
xi xi1
xi xi1
La implementaci
on en el lenguaje Visual Basic para Excel se hace a continuacion.
107
Mtodo de la secante
x-1=
Ok
txtXm1
x0=
cmdOK
Tolerancia
txtX0
txtTol
Mximo Iteraciones
txtMaxItera
txtErRelaNor
txtAprox
Abra una hoja de Excel y pegue los controles, tal y como se muestra en la
figura 2.22. Col
oquele a cada control los identificadores que se proporcionan con
la figura.
Es necesario definir la funci
on por analizar, de manera que, en necesidad de
cambiar el criterio de la funci
on, u
nicamente se deba cambiar el codigo de la
funcion correspondiente, sin la necesidad de cambiar codigo del algoritmo en s.
Para esto se define con el siguiente c
odigo, al igual que se hizo en el metodo de
biseccion.
Private Function F(X As Double) As Double
F = Exp(X) - X2
End Function
Ejercicios 2.2
1. Escriba el c
odigo para implementar el metodo de la secante en Visual
Basic para Excel, utilizando la interfaz que se muestra en la figura 2.22.
2. Utilice el metodo de la secante para calcular una aproximacion de la
soluci
on de la ecuaci
on cos x x tal que el error relativo normalizado
sea menor que 0.0001. Utilice como aproximaciones iniciales x1 1 y
x0 0.
3. Considere la siguiente ecuaci
on
log 2 ` logp11 x2 q 2 logp5 xq
Utilice el metodo de la secante para aproximar una de las dos soluciones
de la ecuaci
on con un error relativo normalizado menor que 0.00001,
use como aproximaciones iniciales x1 1 y x0 0. Calcule la solucion
exacta de la ecuaci
on y compare.
108
2.5.
M
etodos num
ericos
M
etodo de la falsa posici
on
Paso 4: Realice la prueba f px0 q f px1 q 0; en caso de ser afirmativo, seleccione los
valores x0 y x1 para la siguiente iteracion. En caso de no serlo, seleccione
los valores x1 y x1 para la siguiente iteracion.
Paso 5: Repita los pasos del 3 al 5 con los valores seleccionados en el paso anterior.
El pseudocodigo de la implementaci
on del metodo de la falsa posicion se
presenta a continuaci
on. En la lnea 7 se puede apreciar la prueba que hace la
correccion, de manera que el cero de la funcion se mantenga siempre contenido
entre dos iteraciones, no tiene que ser necesariamente consecutivas.
109
6:
7:
8:
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
20:
21:
22:
23:
2.5.1.
ii`1
f pxi1 qpxi1 xi2 q
f pxi1 q f pxi2 q
xi xi1
ErrorRela
xi
Test f pxi q f pxi1 q
si Test 0 entonces
xi2 xi1
xi1 xi
si no
xi1 xi
fin si
si Test 0 entonces
ErrorRela 0
fin si
fin mientras
si i M axItera entonces
Mensaje de fracaso.
Termina el programa sin existo.
si no
retornar xi , ErrorRela, i.
fin si
xi xi1
110
M
etodos num
ericos
x0
x1
2.5.2.
M
etodo de la falsa posici
on modificado
Como se apreci
o en la figura 2.23, el metodo de la falsa posicion podra tener
una convergencia mucho m
as lenta que el metodo de la biseccion o el metodo de
la secante.
Esto se debe a un estancamiento en uno de los extremos del intervalo de
iteracion, mientras que el otro extremo avanza lentamente hacia el cero de la
funcion (figura 2.23). De esta manera, la mejora del metodo consiste en evitar
que alguno de los extremos del intervalo se estanque demasiado tiempo. Para
lograrlo se realiza una prueba que consiste en ir contabilizando el n
umero de
veces que uno de los extremos se mantiene fijo. De esta manera, si alguno de los
extremos ha estado fijo por dos iteraciones, se procede a dividir a la mitad el
valor de la funci
on en el punto de estancamiento.
A manera de ejemplo, si el extremo xi1 del intervalo se ha mantenido fijo
durante dos iteraciones, en la tercera iteracion se procedera a utilizar f pxi1 q{2
en lugar de f pxi1 q, para realizar para el calculo del xi . Esto acelerara en buena
111
Ejercicios 2.3
1. La velocidad v de un paracaidista que cae esta dada por:
v
gm
p1 epc{mqt q
c
ip1 ` iqn
p1 ` iqn 1
2.6.
M
etodo de Newton-Raphson
xi`1 xi
f pxi q f pxi1 q
&
x1 a
%
x0 b
112
M
etodos num
ericos
i1 q
xi xi1
pxi1 q
donde f pxxi qf
es la pendiente de la recta `i`1 secante a la grafica de la
i xi1
funcion f en los puntos pxi1 , f pxi1 qq y pxi , f pxi qq.
i8
f pxi q f pxi1 q
xi xi1
$
f pxi q
& xi`1 xi 1
f pxi q
%
x0 a
donde a se supone cercano al cero real de la funcion.
La interpretaci
on gr
afica del metodo de Newton-Raphson se muestra en la
siguiente figura:
113
x0
x0 x
2.6.1.
Deducci
on de la f
ormula recurrente
Definici
on 20
Sea f una funci
on, se dice que f es de clase C n en el intervalo ra, bs y se denota
f P C n ra, bs si f y sus primeras n derivadas existen y son continuas en ra, bs.
Sea f una funci
on tal que f posea un cero c P ra, bs y f P C 2 ra, bs, y sea
x0 P ra, bs un valor cercano al cero de f . Entonces la ecuacion de la recta tangente
a la grafica de f en el punto px0 , f px0 qq es:
y f 1 px0 qx ` b
donde
b f px0 q f 1 px0 q x0
As, la coordenada x del punto de interseccion de esta recta con el eje x es:
x
pf px0 q f 1 px0 q x0 q
f px0 q
x0 1
1
f px0 q
f px0 q
114
M
etodos num
ericos
f px0 q
f 1 px0 q
Ejemplo 44
Considere ecuaci
on ex x2 . Aplique cuatro iteraciones del metodo de NewtonRaphson para aproximar la soluci
on de la ecuacion. Tome como aproximacion
inicial x0 1. Calcule el error relativo normalizado para la u
ltima aproximacion.
F Soluci
on Resolver la ecuaci
on ex x2 es equivalente a encontrar el cero de la
x
funcion con criterio f pxq e x2 , la cual es una funcion infinitamente derivable
y continua en todo R.
De esta forma, la sucesi
on recurrente para el metodo de Newton-Rapshon
esta dada en la expresi
on (2.5).
$
&
%
xi`1 xi
x0 1
exi x2i
exi 2xi
(2.5)
f p1q
f px0 q
1 1
1. 392 2
1
f px0 q
f p1q
x2 x1
f px1 q
f p1. 392 2q
1. 392 2 1
0.835 08
f 1 px1 q
f p1. 392 2q
x3 x2
f px2 q
f p0.835 08q
0.835 08 1
0.709 83
f 1 px2 q
f p0.835 08q
x4 x3
f px3 q
f p0.709 83q
0.709 83 1
0.703 48
f 1 px3 q
f p0.709 83q
|x4 x3 |
|0.703 48 0.709 83|
100 %
100 % 0.902 66 %
|x4 |
|0.703 48|
F
115
2.6.2.
x
x1
x0
116
M
etodos num
ericos
x0
2.6.3.
Implementaci
on de m
etodo Newton-Raphson
El m
etodo de Newton-Raphson en una hoja de c
alculo
Al igual como se ha realizado para los metodos anteriores, la implementacion
del metodo de Newton-Raphson se realizara para la funcion f definida por f pxq
ex x2 y como aproximaci
on inicial se escogio x0 3. Los siguientes pasos
conduciran a la implementaci
on del metodo sobre una hoja de calculo.
Paso 1: Construya la plantilla que se muestra en la figura 2.28.
117
1
2
3
4
5
B
f(xi)
C
f '(xi)
D
xi+1
E
Er Rela Nor
Paso 2: Introduzca en las celdas correspondientes las instrucciones que se muestran en la tabla 2.3:
1
2
3
4
5
6
Celda
A2
B2
C2
D2
A3
F3
C
odigo
3
EXP(A2)-A22
=EXP(A2)-2*A2
=A2-B2/C2
=D2
=ABS(D2-A2)/ABS(D2)
A
xi
3
2,212984426
B
f(xi)
11,08553692
C
f '(xi)
14,08553692
D
xi+1
2,212984426
E
Er Rela Nor
35,5635%
Paso 3: Seleccione el rango B2:D2 y hale una fila hacia abajo para actualizar
todas las celdas del rango B3:D3. As se completan los calculos de la segunda
iteracion.
118
M
etodos num
ericos
1
2
3
4
5
A
xi
3
2,212984426
B
f(xi)
11,08553692
4,245662142
C
f '(xi)
14,08553692
4,71699336
D
xi+1
2,212984426
1,312906386
E
Er Rela Nor
35,5635%
Paso 4: Finalmente, seleccione el rango A3:E3 y hale varias filas hacia abajo
para actualizar las celdas correspondientes. Cada fila es una iteracion del
metodo de Newton-Raphson.
1
2
3
4
5
6
7
8
9
A
xi
3
2,212984426
1,312906386
-0,51382789
-0,71937009
-0,70356659
-0,70346743
-0,70346742
B
f(xi)
11,08553692
4,245662142
1,993237773
0,334182249
-0,030434355
-0,000188607
-7,40069E-09
0
C
f '(xi)
14,08553692
4,71699336
1,091148179
1,625857115
1,925799136
1,901950525
1,901801265
1,90180126
D
xi+1
2,212984426
1,312906386
-0,513827885
-0,719370086
-0,703566592
-0,703467426
-0,703467422
-0,703467422
E
Er Rela Nor
35,5635%
68,5561%
355,5148%
28,5725%
2,2462%
0,0141%
0,0000%
119
La aproximaci
on encontrada por el programa debera cumplir que su error
relativo normalizado sea menor que la tolerancia predefinida por el usuario. El
programa se describe en el siguiente pseudocodigo.
Algoritmo 4 Metodo de Newton-Raphson
Entrada: f , xi , Tol, M axItera.
Salida: Aproximaci
on,
um. de interaciones
xi`1 y el n
1: ErrorRela 8
2: i 0
3: mientras ErrorRela Tol y i M axItera hacer
4:
5:
6:
7:
8:
9:
10:
11:
12:
13:
14:
ii`1
f pxi q
f 1 pxi q
|xi`1 xi |
ErrorRela
|xi`1 |
xi xi`1
fin mientras
si i M axItera entonces
Mensaje de fracaso.
Termina el programa sin existo.
si no
retornar xi`1 , ErrorRela, NumItera.
fin si
xi`1 xi
La implementaci
on en el lenguaje Visual Basic para Excel se hace a continuacion. Abra una hoja de Excel y agregre los controles, tal y como se muestran
en la figura 2.32. Coloque como identificador de cada control el mismo que se
proporciona en la figura:
Mtodo de Newton-Raphson
x0 = txtX0
OK
Toleracia
Mx Iteraciones
txtTol
txtMaxItera
cmdOK
txtCotErRelaAbs
txtAprox
120
M
etodos num
ericos
El algoritmo 4 recibe como uno de sus parametros la funcion por analizar; sin
embargo, al igual que se hizo para le metodo de la secante y biseccion, la funcion
debe que ser definida como una function en el lenguaje VBA de Excel. Para el
metodo de Newton-Raphson, adem
as de la funcion por analizar se debe definir
su derivada, ya que ambas son necesarias en el calculo del siguiente termino de
la sucesion recurrente.
De esta forma, en el editor de c
odigo de la hoja de calculo correspondiente
defina las dos funciones que se muestran en el siguiente codigo:
Private Function F(X As Double) As Double
F = Exp(X) - X2
End Function
Private Function FPrima(X As Double) As Double
FPrima = Exp(X) - 2 * X
End Function
Ejercicios 2.4
1. Escriba el c
odigo para implementar el metodo de Newton-Raphson en
Visual Basic para Excel utilizando la interfaz que se muestra en la figura
2.32.
2. Utilice el metodo de Newton-Raphson para calcular una aproximacion de
la soluci
on de la ecuaci
on cos x x tal que el error relativo normalizado
sea menor que 0.0001. Utilice como aproximacion inicial x0 3.
3. Considere la siguiente ecuaci
on
x3 4x2 7x ` 9 0
Aplique el metodo de Newton-Raphson de forma que el error relativo
normalizado sea menor que 0.001 %. Tome como valores iniciales los
siguientes:
a) x0 6
b) x0 2
c) x0 3
121
21`
1
1
1
2 12 408
21`
1
2`
2`
2`
2`
2`
2`
1
2
5. Utilice
? el metodo de Newton-Raphson para calcular una aproximacion
de 3.
2.7.
M
etodo del punto fijo
122
M
etodos num
ericos
y
p3
p2
p1
p1
p2
p3
Figura 2.34: M
ultiples puntos fijos.
n8
donde f ppq p
123
o Demostraci
on Si gpaq a o gpbq b, entonces g tienen un punto fijo en uno
de los extremos del intervalo y el punto fijo existe.
y
b
a
a
y=x
a
a
Considere la funci
on h definida por hpxq gpxq x, la cual es continua en
ra, bs, pues g lo es. Adem
as, hpaq gpaq a 0 y hpbq gpbq b 0; por el
corolario del teorema 15 (teorema del valor intermedio) se tiene que existe un
p Psa, br tal que hppq 0, donde:
hppq gppq p 0 gppq p
as, se tiene que p es un punto fijo de g.
124
M
etodos num
ericos
p
f(a)=f(b)
c2
c1
f pbq f paq
ba
o Demostraci
on Es f
acil probar que la ecuacion de la recta que pasa por los
puntos pa, f paqq y pb, f pbqq tiene ecuaci
on:
y f paq `
f pbq f paq
px aq
ba
Considere la funci
on g definida por:
gpxq f pxq y f pxq f paq
f pbq f paq
px aq
ba
f pbq f paq
ba
125
f pbq f paq
f pbq f paq
0 f 1 pcq
ba
ba
p
y
a
ct
Re
e
nt
ge
n
ta
a
ct
Re
ca
se
e
nt
x
a
te
en
g
n
ta
a
t
te
c
an
Re
c
se
ta
c
Re
a
ct
Re
a c1
e
nt
ge
n
ta
x
c2
126
M
etodos num
ericos
o Demostraci
on Suponga que p y q son puntos fijos distintos de g en ra, bs;
sin perdida de generalidad suponga que p q. Ademas, suponga que |g 1 pxq| 1
para todo x Psa, br.
Como g es continua en ra, bs y derivable en sa, br, entonces la funcion es
continua en rp, qs y derivable en sp, qr. Por el teorema 18 se tiene la existencia de
un c entre p y q tal que:
gpqq gppq g 1 pcqpq pq
De esta manera se tiene que:
|q p| |gpqq gppq| |g 1 pcq| |q p| |q p|
de lo cual se concluye que
|q p| |q p|
(2.6)
127
Mnimo
De esta forma se tiene que el?valor mas grande que toma la funcion en el
intervalo r1, 0.5s es f p1q e1 0.60653, y el?valor mas peque
no que
0.5
toma la funci
on f en el mismo intervalo es
0.77880. Por
? f p0.5q? e
lo tanto, se puede asegurar que f pxq P r e0.5 , e1 s r1, 0.5s para todo
x P r1, 0.5s.
En virtud del teorema 16 y lo anterior, se tiene la existencia de al menos un
punto fijo de f en el intervalo r1, 0.5s.
Falta demostrar que dicho punto fijo es u
nico. Para esto se debe demostrar
1
que |f pxq| 1 para todo x P r1, 0.5s, donde:
ex
ex{2
f 1 pxq ? x
2
2 e
ex{2
0 para todo
4
1
x P r1, 0.5s, por lo que f es siempre decreciente en dicho intervalo. As, el
valor mas grande que toma f 1 es f 1 p1q 0.303265, mientras que el valor mas
peque
no que toma f 1 est
a dado por f 1 p0.5q 0.389400.
Analogamente a lo realizado se tiene que f 2 pxq
@x P r1, 0.5s
128
M
etodos num
ericos
Ejercicios 2.5
Determine si al utilizar los teoremas 16 y 19 es posible garantizar la existencia
de un punto fijo u
nico en el intervalo que se proporciona junto con el criterio
de la funcion.
1. f pxq
px2 1q
en el intervalo r1, 1s.
3
2.7.1.
Aproximaci
on de puntos fijos
Teorema 20
Considere la sucesi
on recurrente presentada en (2.7). Si lm xn p y f es una
n8
funcion continua en x p, entonces p es un punto fijo de f .
o Demostraci
on Suponga que la sucesi
on txn u8
n0 converge en p y f es continua
en x p. Se debe demostrar que f ppq p.
p lm xn`1 lm f pxn q f
n8
n8
lm xn f ppq
n8
por lo que
f ppq p
y p es un punto fijo de f.
Graficamente se puede visualizar como la iteracion de punto fijo; de converger, lo hace a un punto fijo de la funci
on f . En la figura 2.41 se muestra la
representacion gr
afica del metodo de iteracion de punto fijo.
129
f (x1)
f (x3)
f (x5)
f (x4)
f (x2)
f (x0)
x1
x0
x2
x3 x5 x6 x4
Figura 2.41: Iteraci
on grafica de punto fijo.
y
f (x1)
f (x3)
f (x5)
f (x4)
f (x2)
f (x0)
x1
x2
x0
x3 x5 x6 x4
Figura 2.42: Iteraci
on gr
afica simplificada de punto fijo.
2.7.2.
130
M
etodos num
ericos
x
x0
Figura 2.43: Iteraci
on convergente del punto fijo.
x1
x0
131
x3
x
x2
x1 x0
xn`1 f pxn q
x0
c
(2.8)
(2.9)
f pxn q f ppq
xn p
|f 1 pcn q| En En`1
132
M
etodos num
ericos
Esto indica que el error absoluto real en la iteracion n ` 1 esta dada por el
error en la iteraci
on n multiplicado por |f 1 pcn q|, donde cn P rxn , ps.
De este modo, si |f 1 pcn q| 1, entonces el error en la iteracion n`1 sera menor
que el error en al iteraci
on n, lo cual garantiza que la aproximacion en la iteracion
n ` 1 es mejor que la aproximaci
on en la iteracion anterior. Es decir, la nueva
aproximacion se encuentra m
as cerca del punto fijo que la aproximacion anterior.
De esta forma se tiene que si |f 1 pcn q| 1 para todo n N para alg
un N P N se
tiene que la sucesi
on del punto fijo converge.
Por otro lado, si |f 1 pcn q| 1, entonces el error real absoluto en la iteracion
n ` 1 es mayor que el error absoluto real en la iteracion n; esto significa que la
aproximacion obtenida en la iteraci
on n ` 1 esta mas lejos del punto fijo que la
aproximacion obtenida en la iteraci
on anterior. De esta forma, si |f 1 pcn q| 1 para
todo n N para alg
un N P N, se tiene que la sucesion del punto fijo diverge.
De la deducci
on anterior se desprende el terorema 21, que se enuncia a continuacion.
Teorema 21 (Condici
on de convergencia)
Sea f P Cra, bs una funci
on tal que f posea un punto fijo p en ra, bs. Entonces
para cualquier valor inicial x0 P ra, bs el metodo del punto fijo:
converge a p, si existe una constante k con 0 k 1 tal que:
1
f pxq k 1, @x P ra, bs
diverge, si existe k 1 tal que:
k f 1 pxq , @x P ra, bs
para cualquier condici
on inicial x0 P ra, bs.
o Demostraci
on Por el teorema 18 se tiene que:
|xn p| |f pxn1 q f ppq| |f 1 pcn q||xn1 p| k|xn1 p|
A su vez, al aplicar el teorema 18 nuevamente se tiene que:
k|xn1 p| k|f pxn2 q f ppq| k|f 1 pcn1 q||xn2 p| k 2 |xn2 p|
De esta forma, al aplicar el teorema 18 inductivamente se demuestra que:
|xn p| k|xn1 p| k 2 |xn2 p| k n |x0 p|
Como 0 k 1, entonces se tiene que:
lm |xn p| lm k n |x0 p| 0 |x0 p| 0
n8
n8
133
lm xn p
n8
La demostraci
on de la divergencia se realiza en forma analoga.
Aplicaci
on del m
etodo del punto fijo
El metodo del punto fijo brinda una herramienta que permite aproximar la
solucion de una ecuaci
on de la forma f pxq x. Este conocimiento puede ser
utilizado para resolver ecuaciones no lineales de la forma f pxq gpxq, donde f y
g son funciones reales.
Para resolver ecuaciones no lineales utilizando el metodo del punto fijo se
procede a expresar la ecuaci
on de la forma Hpxq x, donde H cumple las
hipotesis del teorema 21 para la convergencia del metodo. Note que una manera
de realizar esta tarea es tomar Hpxq f pxq gpxq ` x; sin embargo, la forma de
escoger la funci
on H no es u
nica, y no todas las escogencias generan funciones
en las cuales se puede garantizar la convergencia.
Ejemplo 46
Considere la funci
on ex x2 . Tres posibles trasformaciones para expresar la
ecuacion anterior como un problema de punto fijo son:
ex x2 ` x x, por lo que bastara tomar Hpxq ex x2 ` x.
x lnpx2 q, por lo que bastara tomar Hpxq lnpx2 q.
?
?
?
x ex , por lo que bastara tomar Hpxq ex o Hpxq ex dependiendo de si el punto fijo buscado se encuentra en R o en R` .
Sin embargo, en la primera y segunda escogencia no es posible garantizar la
convergencia del metodo, mientras que en la u
ltima de ellas s lo es. Este detalle
se muestra en el ejemplo 45.
Ejercicios 2.6
Para el ejemplo 46 demuestre que las dos primeras escogencias no garantizan
la convergencia del metodo de punto fijo en el intervalo r1, 0s.
Ejemplo 47
Utilice el metodo del punto fijo para aproximar la solucion de la ecuacion ex x2 ,
con un error relativo normalizado menor a 0.001 % y tomando como aproximacion
inicial el punto x0 0.6.
134
M
etodos num
ericos
F Soluci
on Por lo realizado en el ejemplo 45 se tiene que el metodo del punto
?
fijo converge para todo x0 Ps 1, 0.5r. Utilizando la trasformacion x ex ,
pues el punto fijo buscado se encuentra en R .
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
Iteracion
0
1
2
3
4
5
6
7
8
9
10
11
Aproximaci
on
x0 0.6
x1 f px0 q 0.7408182206
x2 f px1 q 0.690451802
x3 f px2 q 0.708060384
x4 f px3 q 0.701853777
x5 f px4 q 0.704035225
x6 f px5 q 0.703267736
x7 f px6 q 0.703537663
x8 f px7 q 0.703442717
x9 f px8 q 0.703476112
x10 f px9 q 0.703464366
x11 f px10 q 0.703468498
F Soluci
on
1. Primero se debe demostrar que f pxq P r0, 1s para todo x P r0, 1s. Para esto
determine el m
aximo y mnimo absoluto de f en r0, 1s.
Como f 1 pxq senpxq 0 para todo x P r0, 1s; entonces la funcion f
siempre decrece en dicho intervalo, por lo que f alcanza su maximo absoluto
en f p0q 1 y su mnimo absoluto en f p1q cos 1 0.540302. As queda
demostrado que f pxq P rcos 1, 1s r0, 1s para todo x P r0, 1s. En virtud del
teorema 16 se garantiza la existencia de un punto fijo en r0, 1s.
135
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
Iteraci
on
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Aproximaci
on
x0 0.5
x1 f px0 q 0.877582562
x2 f px1 q 0.639012494
x3 f px2 q 0.802685101
x4 f px3 q 0.694778027
x5 f px4 q 0.768195831
x6 f px5 q 0.719165446
x7 f px6 q 0.752355759
x8 f px7 q 0.730081063
x9 f px8 q 0.745120341
x10 f px9 q 0.735006309
x11 f px10 q 0.741826523
x12 f px11 q 0.737235725
x13 f px12 q 0.740329652
x14 f px13 q 0.738246238
x15 f px14 q 0.739649963
2.7.3.
Implementaci
on de m
etodo del punto fijo
El m
etodo del punto fijo en una hoja de c
alculo
a la implementaci
on en una hoja de Excel para la funcion f pxq
?Se realizar
on inicial x0 0.6.
ex tomando como aproximaci
136
M
etodos num
ericos
B
Aproxi.
x0
x1
x2
x3
x4
C
Err. Rela. Nor.
-0,6
Paso 2: Introduzca en las celdas correspondientes las instrucciones que se muestran en la tabla 2.6:
Celda
B2
B3
C3
1
2
3
C
odigo
0.6
=-RAIZ((EXP(B2)))
=ABS((B3-B2)/B3)
x0
x1
x2
x3
x4
B
Aproxi.
-0,6
-0,74081822
C
Err. Rela. Nor.
19,00847%
No olvide cambiar el formato de celda, para toda la columna C, por porcentaje con cuatro o cinco decimales.
Paso 3: Seleccione el rango B3:C3 y hale varias fila hacia abajo para realizar las
siguientes iteraciones. En este caso, cada fila de la hoja de calculo corresponde a una iteraci
on del metodo de punto fijo para la funcion en cuestion.
Una vez realizada la tarea anterior, la plantilla debe lucir como se muestra
en la figura 2.48.
Si se desea cambiar la funci
on en estudio, basta actualizar la columna B
por los de la nueva funci
on. Para esto basta con modificar los calculos en
la celda B3 y luego actualizar halando esta celda a traves de las restantes.
137
x0
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
x11
x12
x13
x14
x15
B
Aproxi.
C
Err. Rela. Nor.
-0,6
-0,74081822
-0,6904518
-0,70806038
-0,70185378
-0,70403523
-0,70326774
-0,70353766
-0,70344272
-0,70347611
-0,70346437
-0,7034685
-0,70346704
-0,70346756
-0,70346738
-0,70346744
19,00847%
7,29470%
2,48688%
0,88432%
0,30985%
0,10913%
0,03837%
0,01350%
0,00475%
0,00167%
0,00059%
0,00021%
0,00007%
0,00003%
0,00001%
El m
etodo del punto fijo en Visual Basic
Se construir
a un programa que encuentre los ceros de la funcion f pxq ex x2
en el lenguaje Visual Basic para Excel; en este caso,
? se trabajara equivalentemente buscando el punto fijo de la funcion gpxq ex . Las caractersticas del
programa son:
Entradas del programa: el programa recibira
Una funci
on g a la cual se le calculara el punto fijo.
Un valor inicial x0 .
Una tolerancia T ol para el error relativo normalizado.
Un n
umero m
aximo de iteraciones M axItera, para el metodo de paro
alternativo.
Salida del programa: el programa retornara
La aproximaci
on encontrada.
El error relativo normalizado para la aproximacion retornada.
El n
umero de iteraciones realizadas.
La aproximaci
on encontrada por el programa debera cumplir que su error
relativo normalizado sea menor que la tolerancia predefinida por el usuario. El
programa se describe en el siguiente pseudocodigo.
138
M
etodos num
ericos
xi`1 gpxi q
5:
ErrorRela
6:
7:
8:
9:
10:
11:
12:
13:
14:
|xi`1 xi |
|xi`1 |
xi xi`1
ii`1
fin mientras
si i M axItera entonces
Mensaje de fracaso.
El programa finaliza.
si no
retornar xi`1 , ErrorRela, NumItera.
fin si
La implementaci
on en el lenguaje Visual Basic para Excel se hace a continuacion.
Abra una hoja de Excel y agregue los controles, tal y como se muestra en la
figura 2.49. Asigne a cada control el identificador que se proporciona en la figura.
Mtodo del Punto Fijo
Tolerancia
X_0=
txtTol
txtX0
OK
cmdOK
txtCotErRelaAbs
txtAprox
Defina en el editor de c
odigo de la hoja de trabajo la siguiente funcion:
Private Function G(X As Double) As Double
G =-sqr(exp(X))
End Function
139
Ejercicios 2.7
1. Escriba el c
odigo necesario para implementar el metodo del punto fijo
en Visual Basic para Excel utilizando?la interfaz que se muestra en la
figura 2.49, para la funci
on f pxq ex .
2. Considere la ecuaci
on x2 2x 6 0.
a) Utilice la f
ormula general para determinar el valor exacto de las dos
soluciones de la ecuaci
on.
b) Exprese la ecuaci
on como un problema convergente de punto fijo y determine intervalos para la condicion inicial de manera que
el metodo de iteraci
on de punto fijo converja a cada una de las
soluciones de la ecuaci
on.
c) Utilice diez iteraciones del metodo de punto fijo para determinar
una aproximaci
on para cada una de las soluciones de la ecuacion.
Determine el error absoluto para cada una.
3. Considere la ecuaci
on cos x x2 .
a) Utilice el metodo grafico para determinar el n
umero de soluciones
que posee la ecuaci
on anterior.
b) Exprese la ecuaci
on anterior como un problema convergente de
punto fijo. Para este problema de punto fijo, determine intervalos
para la condici
on inicial, de manera que el metodo del punto fijo
converja a cada una de las soluciones de la ecuacion.
c) Utilice diez iteraciones del metodo de punto fijo para determinar
una aproximaci
on para cada una de las soluciones.
2.8.
An
alisis de la convergencia de los m
etodos iterativos
En esta secci
on se pretende realizar un analisis de la convergencia de los
metodos iterativos estudiados en la seccion anterior.
Definici
on 23 (Orden de convergencia)
Sea txi u8
on convergente a x, donde xn x para todo n P N. Para
i1 una sucesi
p 1:
1. Se dice que la sucesi
on txi u8
i0 converge a x por lo menos con orden p o que
140
M
etodos num
ericos
la convergencia es por lo menos de orden p si existe k 0 y N P N tal que:
|xn`1 x| k|xn x|p
para n N
donde k 1 si p 1.
Si p 1 se dice que la convergencia es por lo menos lineal, o bien, que la
sucesion txi u8
i0 converge a x por lo menos linealmente. La convergencia es
por lo menos cuadr
atica si p 2 y por lo menos c
ubica si p 3.
2. Se dice que la sucesi
on txi u8
i0 converge a x con orden p si
lm
n8
|xn`1 x|
L0
|xn x|p
n8
|xn`1 x|
0
|xn x|p
1
np
141
Ejercicios 2.8
1. Demuestre que si txi u8
i1 converge a x con orden p 1, entonces
txi u8
converge
a
x
superlinealmente.
Implica la superconvergencia
i1
de orden p 1, la convergencia de orden p?
2. Demuestre que si txi u8
i1 converge a x con orden p 1, entonces
txi u8
converge
a
x
por
lo menos con orden p.
i1
3. Pruebe que si txi u8
i1 converge a x superlinealmente, entonces
lm
n8
|xn`1 xn |
1
|xn x|
Definici
on 25 (convergencia local y global)
Se dice que un metodo iterativo que aproxima el cero c de una funcion f es
convergente a nivel local, si existe un intervalo sc , c ` r tal que para todo
valor inicial x0 Psc , c ` r la sucesi
on generada txi u8
i0 converge a c.
Si es posible tomar 8 se dice que el metodo es globalmente convergente.
En este caso, se considera sc , c ` r R.
142
M
etodos num
ericos
f pkq pcq 0
te.
A continuaci
on se presenta el an
alisis de los metodos estudiados anteriormen-
2.8.1.
An
alisis de m
etodo de bisecci
on
o Demostraci
on Ejercicio para el lector.
2.8.2.
An
alisis del m
etodo de la secante
Teorema 23
Sea f P C 2 ra, bs y sea c es un cero simple de la funcion f en ra, bs tal que f 2 pcq 0.
Si el metodo de ?la secante converge a c, entonces lo hace con un orden de
convergencia p 1`2 5 . Y la constate asintotica al error esta dada por:
f 2 pcq
2f 1 pcq
2?
1` 5
o Demostraci
on Considere los polinomios de Taylor con resto centrado en x c
para la funcion f , tanto de grado uno como de grado cero:
f pxq f pcq ` f 1 pcqpx cq ` 12 f 2 px qpx cq2
1
(2.10)
(2.11)
143
xn xn1
c
f pxn q f pxn1 q
f pxn qpxn c xn1 ` cq
f pxn q f pxn1 q
(2.12)
Al tomar C
f 2 pcq
2f 1 pcq
f 2 pcq
y n suficientemente grande se tiene que:
2f 1 pcq
|En`1 | C|En ||En1 |
(2.13)
144
M
etodos num
ericos
|En | K|En1 |p
de donde se tiene que:
|En`1 | K|En |p KpK|En1 |p qp K p`1 |En1 |p
(2.15)
(2.16)
(2.17)
f 2 pcq
2f 1 pcq
1{p
f 2 pcq
2f 1 pcq
2?
1` 5
Ejemplo 49
Sea h : R R una funci
on definida por hpxq x3 3x2 ` x 3. Considere la
8
sucesion txn un1 , generada por el metodo de la secante para dos valores iniciales
cualesquiera tales que dicha sucesi
on converge. Determine la constante asintotica
al error.
F Soluci
on Note que hpxq px 3qpx2 ` 1q, de donde se tiene que h P C 2 s8, 8r
y la sucesion txn u8
nico cero real de la funcion.
n1 converge a 3, pues es el u
Ademas, 3 es un cero simple de h, el cual satisface que h2 p3q 12 0. De
donde se tiene que dicha funci
on satisface las condiciones del teorema 23. En
virtud de este teorema ?se tiene que el metodo de la secante converge con orden
de convergencia p 1`2 5 y la constante asintotica al error es:
f 2 p3q
2f 1 p3q
2?
1` 5
2?
3 1` 5
5
F
145
2.8.3.
An
alisis del m
etodo del punto fijo
(2.18)
donde qppq 0.
Sin embargo, es necesario tener presente que la representacion en la forma
(2.18) de una funci
on con puntos fijos de orden m puede no ser algebraicamente
evidente. El ejemplo 50 muestra este detalle.
Ejemplo 50
Considere la funci
on hpxq 3 ` px2 6x ` 9q senp3 xq. Pruebe que x 3 es
un punto fijo de g y establezca su orden. Exprese h de la forma mostrada en la
ecuacion (2.18).
F Soluci
on Note que hpxq 3`px2 6x`9q senp3xq 3`px3q2 senp3xq,
de donde se tiene que:
hp3q 3 ` p3 3q2 senp0q 3
por lo que tres es un punto fijo de h. Ahora es necesario estudiar su orden. Note
que h es una funci
on al menos 3 veces derivable (de hecho h P C 8 ) y:
h1 pxq 2px 3q senp3 xq px 3q2 cosp3 xq
h2 pxq 4px 3q cosp3 xq px2 6x ` 7q senp3 xq
h3 pxq px2 6x ` 3q cosp3 xq 6px 3q senp3 xq
146
M
etodos num
ericos
senp3 xq si x 3
&
x3
qpxq
%
1 si x 3
Dicha funcion es continua en todo R, particularmente es continua en x 3 pues:
senp3 xq
1 qp3q
x3
x3
lm
Ejemplo 51
Considere la funci
on gpzq z cospz 1q z ` 1. Pruebe que z 1 es un punto
fijo de g y establezca su orden. Exprese g de la forma mostrada en la ecuacion
(2.18).
F Soluci
on Note que:
gp1q 1 cos 0 1 ` 1 1
por lo que z 1 es punto fijo de g. Ahora es necesario estudiar su orden. La
funcion g es al menos dos veces derivable (de hecho g P C 8 ). Note que:
g 1 pzq cospz 1q z senpz 1q 1 g 1 p1q cos 0 1 sen 0 1 0
g 2 pzq z cospz 1q 2 senpz 1q g 2 p1q 1 cos 0 2 sen 0 1 0
De donde se puede indicar que z 1 es un punto fijo de orden 2, para g.
Finalmente es necesario expresar gpzq como 1 ` pz 1q2 qpzq. Note que para
z 1 se cumple que:
gpzq 1 ` zrcospz 1q 1s 1 ` pz 1q2 z
cospz 1q 1
pz 1q2
147
cospz 1q 1
1
2
z1
pz 1q
2
lm
& z pz 1q2
qpzq
%
2
si z 1
si z 1
k 1, 2, . . . , m 1
y,
g pmq ppq 0
(2.19)
g pm`1q px q
g pkq ppq
px pqk `
px pqm`1
k!
pm
`
1q!
k0
gppq `
g pmq ppq
g pm`1q px q
px pqm `
px pqm`1
m!
pm ` 1q!
g pmq ppq
g pm`1q pxn q
pxn pqm `
pxn pqm`1
m!
pm ` 1q!
(2.20)
g pmq ppq
g pm`1q pxn q
pxn pqm `
pxn pqm`1
m!
pm ` 1q!
(2.21)
`
pxn pq
pxn pqm
m!
pm ` 1q!
(2.22)
148
M
etodos num
ericos
(2.23)
lm
n8 |xn p|m
m!
De donde se tiene que de converger el metodo de iteracion de punto fijo lo
pmq
hace con orden m. Y la constante asint
otica del error es |g m!ppq| . Para el caso
m 1 el resultado se obtiene de la igualdad (2.23) siempre que |g 1 ppq| 1. p
Del teorema 24 se tiene que si el punto fijo de la funcion es de orden m,
con m 1, entonces el metodo de punto fijo converge para alg
un valor inicial
cercano al punto fijo. En caso de que el punto fijo sea simple, es necesario estudiar
la condicion de convergencia dada en el teorema 21. En el ejemplo 52 se puede
observar esta diferencia.
Ejemplo 52
Considere las funciones h, g y f definidas por:
hpxq 3 ` px2 6x ` 9q senp3 xq
gpxq x cospx 1q x ` 1
f pxq 2 2 ln x ` x ln x
Estudie la covergencia del metodo de punto fijo aplicadas a cada una de las funciones dadas. En caso de que exista convergencia, determine el orden de convergencia
de la sucesion recursiva generada.
F Soluci
on De los ejemplos 50 y 51, as como del teorema 24, se tiene que el
metodo de punto fijo converge para las funciones h y g con un orden de convergencia respectivo de 3 y 2, para valores iniciales cercanos al punto fijo.
Para el caso de la funci
on f se tiene que:
f pxq 2 ` px 2q ln x
donde ln 2 0, por lo que 2 es un punto fijo de orden 1 o simple para f .
De este modo, para establecer si la sucesion generada por el metodo de punto
fijo converge o diverge es necesario estudiar las condiciones del teorema 21.
La derivada de la funci
on f est
a dada por:
f 1 pxq ln x `
x2
x
149
c
2`
b
2`
2`
?
2 `
150
M
etodos num
ericos
z 2`
z z2
pz 2q z
2
z 2 4z ` 4 z
z 2 5z ` 4 0
pz 1qpz 4q 0
1
g pzq 1
1
1
? 1 ?
1
2 z
2 z
?
1 ?
z
1 2 z
2
1
1
z z P
,8
4
4
Se puede concluir que |gpzq| 1 para todo z 14 . Y en virtud del teorema 21,
el metodo de punto fijo converge al u
nico punto
fijo en dicho intervalo, es decir,
1
converge a 4 para cualquier valor inicial z0 P
,8 .
4
Finalmente se concluye que el valor de z es 4.
F
Ejercicios 2.9
1. Formule un metodo de punto fijo que converja al valor exacto de cada una de las
expresiones. Indique el mayor conjunto donde se puede escoger la aproximacion
inicial x0 de manera que se garantice la convergencia. De ser posible, indique
el valor real del punto fijo.
151
a)
b
a
?
2 ` 2 ` 2 `
c) 2 `
2`
2`
b) 1 `
1
1`
2. Sea gpxq
1`
?5
x
1
2
1
p2` q2
1
1
1`
una funci
on de iteracion de punto fijo.
gpxq
1 ` p2x 1q lnp2xq
` px q sen2 pxq
hpxq
x3 5x2 ` 2x 5
152
2.8.4.
M
etodos num
ericos
An
alisis del m
etodo Newton-Raphson
El metodo de Newton-Raphson puede ser desarrollado desde varias perspectivas. Se dice que los metodos que pueden ser visualizados como casos particulares
del metodo de punto fijo pertenecen a la clase de los metodos iteractivos de punto
fijo. El metodo de Newton-Raphson pertenece a esta clase.
A continuaci
on se presentan dos posibles formas de abordar el metodo de
Newton-Raphson, el primero como una linealizacion de la funcion por analizar,
y el segundo como un caso particular del metodo de punto fijo. Este u
ltimo es el
que permite realizar un an
alisis del orden de convergencia del metodo, as como
el establecimiento de condiciones que garanticen su convergencia.
Linealizaci
on de funciones
El metodo de Newton-Raphson puede ser deducido del desarrollo en series de
potencia de la funci
on por analizar. Recuerde que si f es una funcion m ` 1 veces
derivable, entonces por el desarrollo en series de potencias f pxq Pm pxq`Rm pxq,
donde:
m
f pnq px0 q
Pm pxq
px x0 qn
n!
n0
Rm pxq
f pm`1q pq
px x0 qm`1
pm ` 1q!
f pnq px0 q
f 2 px q
px x0 qn `
px x0 q2
n!
2!
n0
f px0 q `
f 1 px0 q
f 2 px q
px x0 q `
px x0 q2
1!
2!
f px0 q ` f 1 px0 q px x0 q `
f 2 px q
px x0 q2
2!
153
f px0 q
f 1 px0 q
f 2 pq
px xi q2
2!
con entre x y xi . Llame xi`1 al valor de x tal que f pxi q ` f 1 pxi qpxi`1 xi q 0,
entonces se tiene que:
f pxi`1 q f pxi q ` f 1 pxi qpxi`1 xi q 0
f pxi`1 q 0
As, si f 1 pxi q 0 se tiene que:
xi`1 xi
f pxi q
f 1 pxi q
154
M
etodos num
ericos
i8
f pxq
f 1 pxq
f ppq
f ppq
p 1
0 f ppq 0
1
f ppq
f ppq
f pxq
f 1 pxq
155
156
M
etodos num
ericos
px cqqpxq
qpxq ` px cqq 1 pxq
(2.25)
Donde f 1 pcq qpcq 0. Es posible probar que (2.25) se puede escribir como:
gpxq c ` px cq2
q 1 pxq
qpxq ` px cqq 1 pxq
(2.26)
(2.27)
(2.28)
De donde la funci
on de iteraci
on de punto fijo es:
gpxq x
px cqqpxq
mqpxq ` px cqq 1 pxq
(2.29)
donde qpcq ` px cqq 1 pcq 0. Es posible demostrar que (2.29) se puede escribir
como:
qpxqpm 1q ` px cqq 1 pxq
gpxq c ` px cq
(2.30)
mqpxq ` px cqq 1 pxq
donde
Qpxq
157
Ejercicios 2.10
1. Para las siguientes funciones, determine el orden de convergencia del
metodo de Newton-Raphson, en caso de que converja. Realice el estudio
en cada uno de los ceros de las funciones.
a) f pxq 2x3 ` 11x2 20x `
12
b) gpxq ln x 3x2 ` 2
c) hpxq 3x3 1
2. Si f es una funci
on y c es un cero simple de f , entonces demuestre
que el metodo de Newton-Raphson tiene como constante asintotica del
error:
2
f pcq
2f 1 pcq
Que se puede decir si c es un cero de orden m con m 1?
3. Considere la funci
on gpxq ln x cos x.
Realice cuatro iteraciones del metodo de Newton tomando como
valor inicial x0 1.
Utilice la aproximaci
on anterior para aproximar la constante
asint
otica del error.
Al final del presente captulo se deseara poder indicar cual de los metodos
estudiados es mejor; sin embargo, es importante se
nalar que no existe tal. Cada
metodo posee sus virtudes y sus limitaciones; algunos, como por ejemplo biseccion, garantiza la convergencia a un cero de la funcion; sin embargo, su velocidad
de convergencia es lenta. Por otro lado, metodos mas rapidos como Newton Raphson y secante poseen el inconveniente de no poder garantizar convergencia.
Otro detalle por destacar, corresponde a la influencia que poseen las caractersticas propias de las funciones en la convergencia del metodo y su velocidad.
En este sentido, para algunas funciones un metodo puede resultar eficiente y
rapido; sin embargo, para otras podra no serlo. Ejemplo de esto lo constituye
el metodo del Newton Raphson, en el cual se evidencio que la multiplicidad del
cero disminuye su velocidad de convergencia.
158
M
etodos num
ericos
De este modo, para cada uno de los problemas por resolver se deben analizar
condiciones y caractersticas de las funciones antes de decidir cual metodo es el
mas conveniente. Caractersticas como continuidad, derivabilidad, multiplicidad
de los cero, entre otras, pueden tener una influencia importante en la convergencia
y rapidez de los metodos estudiados. La condicion de la convergencia local y
global tambien debe considerarse durante la implementacion de los metodos, dado
que la adecuada escogencia de los valores iniciales puede incidir en la calidad y
efectividad de cada uno de ellos.
2.9.
1. Determine el n
umero de iteraciones que se deben realizar con el metodo
de bisecci
on para que al aproximar los ceros de la funcion cuyo criterio
esta dado por f pxq x3 ` 4x2 10 se garantice que el error absoluto sea
menor que 103 , tomando como intervalo inicial a r1, 2s.
2. Aplique dos iteraciones del metodo de biseccion, para determinar la raz de
?
la funcion f pxq x cos x en el intervalo r0, 1s.
3. Considere la funci
on f pxq 2 ` cospex 2q ex
a) Demuestre que f tiene una raz en el intervalo r1, 1.2s.
b) Mediante bisecci
on aproxime la raz de f con un error menor que 103 .
4. Considere la funci
on f pxq x 2x
a) Demuestre que f tiene una raz en el intervalo r0, 1s.
b) Determine el n
umero de iteraciones que se requiere, del metodo de
bisecci
on, para aproximar la raz de f con un error absoluto menor
que 105 .
c) Mediante bisecci
on aproxime la raz de f con un error menor que 103 .
?
5. Utilice bisecci
on para determinar una aproximacion de 3 con un error
absoluto menor que 103 . Tome un intervalo inicial adecuado.
6. Aplique tres iteraciones del metodo de la secante para hallar una aproxi?
macion del cero de la funci
on f pxq x cos x usando como primeras
aproximaciones x1 0 y x0 1. Compare la solucion con la obtenida en
la pregunta 2.
7. Considere la funci
on f pxq 2 ` cospex 2q ex . Mediante el metodo de la
secante aproxime la raz de f con un error relativo normalizado menor que
104 . Compare con el obtenido en el ejercicio 3.
?
8. Utilice el metodo de la secante para determinar una aproximacion de 3
con un error relativo normalizado menor que 103 . Compare con el obtenido
en el ejercicio 4 y compare ambos con el valor real.
159
1 1 2
1
` x x sen x cosp2xq
2 4
2
Usando p0
.
2
160
M
etodos num
ericos
para n 1
18. Use alguna tecnica para determinar races locales para calcular el maximo
de la funci
on f pxq 2x6 1.5x4 `10x`2. Realice las iteraciones necesarias
hasta obtener una aproximaci
on con un error relativo normalizado menor
que 5 %. Si usted usa bisecci
on tome el intervalo inicial igual a r0, 1s. Si
usted usa Newton-Raphson tome x0 1. Si usa el metodo de la secante o
el de la falsa posici
on, tome x1 0 y x0 1. Asuma que la convergencia
no es problema y escoja el metodo que considere mejor para dicha tarea.
19. Cuando se trata de encontrar la acidez de una solucion de hidroxido de
magnesio en
acido clorhdrico, se obtiene la siguiente ecuacion:
Apxq x3 ` 3.5x2 40
donde x es la concentraci
on de iones hidronio. Encontrar la concentracion
de iones hidronio de una soluci
on saturada (nota: una solucion se dice saturada si la acidez es igual cero). Implemente en Excel varias tecnicas que le
permitan resolver el problema. Implemente los metodos de biseccion, secante, falsa posici
on y Newton-Raphson. Escoja para cada una el o los valores
iniciales enteros m
as cercanos posibles y compare los resultados obtenidos
(n
umero de interacciones, precisi
on de las aproximaciones obtenidas).
20. Suponga que se desea dise
nar un tanque esferico para almacenar agua para
un poblado peque
no en las afueras de Cartago. El volumen del lquido
almacenado se calcula con la f
ormula:
V h2
p3R hq
3
161
a
rh
2
2
V r arc cos
pr hq 2rh h L
r
Realice un programa en VBA para Excel que reciba:
a) Valores para r, L y V en rms, rms y rm3 s, respectivamente.
b) Una tolerancia T OL para el error relativo normalizado.
El programa deber
a retornar un mensaje de error si el tanque con el radio r
y el largo L no puede contener el volumen V de agua. O bien, la profundidad
h en metros que debe tener el nivel del agua en el tanque, de manera que el
volumen almacenado sea V . Adem
as, debe indicar el n
umero de iteraciones
realizadas. Debe utilizar el metodo de Newton-Raphson con el valor inicial
h0 r.
Puede usar la siguiente funci
on para el calculo del arccospxq.
Private Function ArcCos(X As Double) As Double
If X = 1 Then
ArcCos=0
ElseIf X=-1 Then
ArcCos= pi
Else
ArcCos = Atn(-X / Sqr(-X * X + 1)) + 2 * Atn(1)
End Function
Captulo 3
Sistemas de ecuaciones
3.1.
Introducci
on
164
M
etodos num
ericos
Definici
on 28 (Sistema de m ecuaciones con n inc
ognitas)
Un sistema con m ecuaciones y n inc
ognitas es una expresion de la forma:
$
F1 px1 , x2 , . . . , xn q c1
& F2 px1 , x2 , . . . , xn q c2
(3.1)
..
%
Fm px1 , x2 , . . . , xn q cm
Donde x1 , x2 , . . ., xn son n variables y Fi px1 , x2 , , xn q es una expresion escrita
en funcion de las n variables y ci son constantes, para todo i 1, 2, . . . , m.
.
.
%
am1 x1 ` am2 x2 ` ` amn xn cm
(3.2)
Ejemplo 55
El sistema:
2x ` 3y z 5
2x ` y 5z 1
%
x y ` 6z 3
"
3x2 ` 2y 1
?
2x z 5
$
xy ` 3y 5z 5
&
6x2 ` y 3 18z 8
%
2x 8y 7z 21
$
&
Al utilizar la multiplicaci
on de matrices, todo sistema de m ecuaciones
lineales con n inc
ognitas se puede denotar matricialmente de la forma Ax c,
165
c1
x1
a11 a12 a1n
a21 a22 a2n x2 c2
(3.3)
..
..
.. .. ..
.
.
.
.
.
. . .
cm
xn
am1 am2 amn
Para el caso de x y c, tambien son vistos como vectores en Rn y Rm respectivamente. Estrictamente, no se har
a diferencia entre una matriz de tama
no r 1
r
y un vector en R , pues en ocasiones es mejor visualizarlos como matrices y en
otras como vectores. Adem
as, los conjuntos Rr , M1r y Mr1 son equipotentes,
por lo que este convenio no representa ning
un abuso en la notacion matematica.
Definici
on 29
Sea Ax c un sistema de m ecuaciones y n incognitas, entonces una solucion
`
T
del sistema es un vector x a1 a2 an tal que al sustituir la variable
xi por la entrada ai para todo i 1, 2, 3, . . . , n se genera una igualdad verdadera
en todas las m ecuaciones del sistema.
3.2.
Resoluci
on de sistemas de ecuaciones
En esta secci
on se abordar
a un conjunto de tecnicas que permitiran determinar la soluci
on de un sistema de ecuaciones. El esquema por seguir sera el
siguiente: primero se tratar
a el metodo grafico para aproximar la solucion de un
sistema; posteriormente los metodos exactos y por u
ltimo los metodos iterativos
para aproximar la soluci
on.
3.2.1.
M
etodo gr
afico
166
M
etodos num
ericos
"
*
x1
x2
x
S
,
,..., k
y1
y2
yk
Ejemplo 56
Considere el siguiente sistema de ecuaciones:
"
xy 2
x2 ` y 2 4
F Soluci
on Las gr
aficas de las curvas involucradas en el sistema son:
y
2
-2
-2
167
"
F Soluci
on Las gr
aficas de las curvas involucradas en el sistema son:
y
3
De la figura 3.2 es f
acil ver que la solucion del sistema es p1, 1qT . As,
S tp1, 1qT u
F
Ejemplo 58
Considere el sistema de ecuaciones:
"
ex y 3
x2 ` y 2 4
F Soluci
on Las gr
aficas de las curvas involucradas en el sistema son:
168
M
etodos num
ericos
y
2
-2
-2
De donde es f
acil notar que una soluci
on del sistema corresponde a p0, 2qT ;
sin embargo, el sistema tiene otra soluci
on que resulta imposible de identificar
en forma exacta. Se podra decir que esta puede ser aproximada por p1.5, 1.5qT ,
pero en estas circunstancias no se podr
a garantizar la exactitud de la solucion.
F
En la figura 3.4(a) se muestra la representacion grafica de un sistema con solucion vaca, mientras que en las figuras 3.4(b) y 3.4(c) se muestra la representacion
grafica de sistemas con soluci
on u
nica y con infinitas soluciones, respectivamente.
169
y
b
x
(a) Soluci
on vaca
(b) Soluci
on u
nica
x
(c) Infinitas soluciones
3.2.2.
M
etodos algebraicos cl
asicos
En este primer acercamiento a los sistema de ecuaciones se trabajara principalmente con tecnicas exactas para la resolucion de sistemas, y posteriormente
se abordaran algunos algoritmos de aproximacion para la b
usqueda de soluciones
de un sistema de ecuaciones.
Entre los metodos algebraicos est
an el metodo de suma y resta, y el metodo
de sustitucion, los cuales son eficientes para sistemas peque
nos; sin embargo,
el metodo de suma y resta tiene efectividad en sistemas u
nicamente lineales,
mientras que el metodo por sustituci
on, efectivo en todo tipo de sistema, tiene el
inconveniente de que sus c
alculos son engorrosos cuando el n
umero de incognitas
y de ecuaciones es elevado.
A continuaci
on se exponen los tres metodos mas utilizados en la resolucion
de sistemas: el metodo de sustituci
on, el metodo de Gauss-Jordan para sistemas
lineales y la regla de Cramer para sistemas lineales cuadrados con solucion u
nica.
M
etodo de sustituci
on
Consiste en despejes y sustituciones sucesivas de cada una de las ecuaciones
para reducir el n
umero de ecuaciones y de incognitas en el sistema.
170
M
etodos num
ericos
Ejemplo 59
Resuelva el sistema que se muestra a continuacion:
$
& 2x 3y ` 5z 1
x`yz 3
%
2x y ` 2z 1
(3.4)
F Soluci
on De la segunda ecuaci
on se despeja la variable x, as
x3y`z
con este resultado se sustituye la variable x en la primera y la segunda ecuacion
del sistema (3.4), con lo cual resulta:
"
"
2p3 y ` zq 3y ` 5z 1
6 5y ` 7z 1
(3.5)
2p3 y ` zq y ` 2z 1
6 3y ` 4z 1
En este punto, el sistema (3.5) tiene dos ecuaciones y dos incognitas. De la
segunda ecuacion del sistema (3.5) es posible despejar la variable z, as:
6 3y ` 4z 1 4z 1 6 ` 3y z
5 ` 3y
4
Al utilizar este resultado, se puede sustituir la variable z en la primera ecuacion del sistema (3.5), con lo cual se genera una ecuacion en una variable relativamente facil de resolver:
5 ` 3y
1
6 5y ` 7
4
35 ` 21y
5 ` 5y
4
35 ` 21y
5 ` 5y
4
35 ` 21y 20 ` 20y
21y 20y 20 ` 35
y 15
5 ` 3p15q
40
Luego, si y 15, entonces z
101 y x 3 15 ` 10 2
4
4
por lo que:
(
S p2, 15, 10qT
F
Sin embargo, por el tipo de trabajo algebraico que se realiza, el metodo de
sustitucion no es rentable cuando el n
umero de ecuaciones e incognitas es considerablemente elevado.
171
&
(3.6)
a11 a12 a1n
x1
c1
a21 a22 a2n x2 c2
A x c .
..
.. .. ..
.
.
.
. . .
am1 am2 amn
xn
cm
(3.7)
pA|cq .
..
..
..
.
.
| c1
| c2
(3.8)
..
| .
172
M
etodos num
ericos
2
3
1
por:
3 5 1 | 1
6 7 2 | 4
5 1 6 | 0
Definici
on 31 (Matriz reducida por filas)
Sea Amn una matriz, se dice que A es una matriz reducida por filas si y solo si
cumplen simult
aneamente las siguientes condiciones:
El primer elemento distinto de cero de cada fila es un 1.
Si el primer elemento distinto de cero de la fila i se encuentra en la columna
j, entonces el primer elemento distinto de cero de la fila siguiente (Fila i`1)
se encuentra en la columna k tal que k j.
Si existen filas llenas de ceros, estas se ubican en las u
ltimas filas de la
matriz.
Ejemplo 61
Las matrices A, B y C que se presentan a continuacion son matrices reducidas
por filas, pues cumplen simult
aneamente las tres condiciones indicadas en las
definicion 31.
1 0 0 0 2
1 2 0 0 5 1
1
0
0
0
5
1
0 1 0 0 0
B 0 0 1 0 0 1 C 0 0 1 0 0 1
A
0 0 0 1 1 2
0 0 1 0 1
0 0 0 1 1 2
0 0 0 1 4
0 0 0 0 0 0
Definici
on 32 (Operaciones elementales sobre las filas de una matriz)
Sea Amn una matriz, se definen para A tres operaciones elementales sobre sus
filas:
Escalamiento: se denota por k Fi y se interpreta como la multiplicacion de
una constante k por todos los elementos de la fila i, donde k 0.
Permutaci
on: se denota por Fij y se interpreta como la permutacion de la fila
i con la fila j.
Pivoteo: se denota por Fi ` kFj y se interpreta como sumarle a la fila i, k veces
el valor correspondiente en la fila j.
Las operaciones elementales pueden ser realizadas mediante la multiplicacion
de matrices. De esta forma, existe una matriz denominada matriz elemental y
denotada por E, para la cual:
B EA
tal que
AB
173
Las matrices elementales pueden ser determinadas por escalamiento, permutacion y pivoteo sobres las filas de una matriz identidad.
Definici
on 33 (Matrices elementales)
Considere la matriz identidad de orden n y denotela In . Se define tres matrices
elementales de dimensi
on n n de la siguiente forma:
1. Escalamiento: EkFi que resulta de multiplicar la fila i de In por una
constante k, con k 0.
2. Permutaci
on: EFij que resulta de permutar la fila i con la fila j de la
matriz In .
3. Pivoteo: EF i `kFj que resulta de sumarle a la fila i, k veces la fila j. Con
k 0.
Seg
un la definici
on anterior, se tiene que In EFij , In EkFi y In
EF i `kFj
Ejemplo 62
Las matrices elementales para el caso de I3 son:
1. Por escalamiento:
k 0
EkF1 0 1
0 0
Sea k P R t0u:
0
1 0 0
0 EkF2 0 k 0
1
0 0 1
2. Por permutaci
on:
0 1 0
EF12 1 0 0
0 0 1
3. Por pivoteo: Sea k
1 k
EF 1 `kF2 0 1
0 0
EF23
1 0 0
0 0 1
0 1 0
P R t0u:
0
1 0 0
1 0 0
0 EF 2 `kF1 k 1 0 EF 3 `kF1 0 1 0
1
0 0 1
k 0 1
1 0 k
1 0 0
1 0 0
0 1 0 EF 2 `kF3 0 1 k EF 3 `kF2 0 1 0
0 0 1
0 0 1
0 k 1
EF 1 `kF3
EF13
0 0 1
0 1 0
1 0 0
EkF3
1 0 0
0 1 0
0 0 k
174
M
etodos num
ericos
Ejercicios 3.1
1. Demuestre que si E es una matriz elemental, entonces detpEq 0.
Concluya que todas las matrices elementales son invertibles.
2. Determine las matrices inversas de todas la matrices elementales de
orden 3.
3. Demuestre para los elementos de M33 que:
a) EF1
EFTij
ij
b) EF1`kF EF i kFj
i
c)
1
EkF
ij
E 1 Fij
k
Definici
on 34 (Matrices equivalentes)
Sean A y B dos matrices, se dice que A y B son matrices equivalentes si es posible
obtener B de A al aplicar una cantidad finita de operaciones elementales sobre
sus filas. Y se escribe:
AB
Definici
on 35 (Sistemas equivalentes)
Sean A1 x b1 y A2 x b2 dos sistemas de ecuaciones lineales, se dice que los
sistemas anteriores son equivalentes si y solo si las matrices aumentadas de ambos
sistemas son equivalentes, es decir:
pA1 |b1 q pA2 |b2 q
De la definici
on de sistemas equivalentes y de la definicion de las operaciones
elementales se desprende el siguiente resultado:
Teorema 27
Sean A1 x b1 y A2 x b2 dos sistemas lineales equivalentes, entonces ambos
tienen el mismo conjunto soluci
on.
El proceso de resoluci
on de sistemas de ecuaciones lineales por el metodo de
Gauss-Jordan se describe a continuaci
on:
175
3 5 3 | 2
4 2 1 | 1
3 2 1 | 0
Se debe buscar la matriz reducida por fila de la matriz anterior
3
5 3 | 2
3 5 3 | 2
F2 `p1qF1
4 2 1 | 1 1 3 4 | 1
3 2 1 | 0
3 2 1 | 0
1 3 4 | 1
1 3
4
| 1
F1,2
F `3F
5 3 | 2 3 1 0 14 15 | 5
3
3 2 1 | 0 F2 `p3qF1 0 7 11 | 3
1 3
1
F
14 2
0 1
0 7
4
15
14
11
| 1
5 F3 `7F2
| 14
| 3 F1 `3F2
1 0 11
14
0 1 15
14
0 0
7
2
1
| 14
5
| 14
|
| 12
176
M
etodos num
ericos
1 0 11
14
F
7 3
15
0 1 14
0 0
1
| 14
|
11
5 F1 ` 14 F2
| 14
F
F2 ` 15
14 2
|
1
| 7
9
1 0 0 | 49
0 1 0 | 10
49
|
1
0 0 1 | 7
Regresando a la notaci
on de sistema, se tiene:
$
9
x 49
&
10
y 49
%
z 17
de donde es sencillo visualizar la soluci
on del sistema:
#
+
9 10 1 T
, ,
S
49 49 7
F
Ejemplo 64
Resuelva, con el metodo de Gauss-Jordan, el siguiente sistema:
$
& x y ` 2z 3
4x ` y ` z 2
%
8x ` 2y ` 2z 1
F Soluci
on Primero note que la matriz aumentada corresponde a:
1 1 2 | 3
4 1 1 | 2
8 2 2 | 1
de donde se tiene que:
1 1 2 | 3
1 1
2
| 3
`4F1
4 1 1 | 2 F 2
0 5
7 | 14
F 3 `8F1
8 2 2 | 1
0 10 14 | 25
1 1
1
F
5 2
0 1
10
| 3
7
14 F 1 `F2
5 | 5
F 3 `10F2
|
14 | 25
1 0 35
0 1 7
5
0 0
| 51
14
| 5
|
| 3
177
1 0 53
1
F3
3
0 1 7
0 0
| 15
|
1
14 F 1 ` 5 F3
| 5
F3
F 2 ` 14
5
|
| 1
1 0 35
0 1 7
5
0 0
| 0
|
| 0
|
| 1
1 0 3{5 | 0
0 1 7{5 | 0
0 0
0
| 1
En notacion de sistema es:
$
x ` 35 z 0
&
y 75 z 0
%
01
Note que la u
ltima igualdad es falsa, por lo que el sistema no tiene solucion.
De este modo:
S
F
Ejemplo 65
Resuelva el sistema
"
2x ` 10y ` 3z 4
x ` 6y ` 4z 2
F Soluci
on La matriz aumentada del sistema es
2 10 3 | 4
1 6 4 | 2
Al aplicar operaciones elementales a la matriz aumentada
2 10 3 | 4
1 6 4 |
F
1 6 4 | 2 1,2
2 10 3 |
1 6 4 | 2
1
1
1 6F2
2 F1 0 1 5 | 0 F
0
1 6
4 | 2
2
F 2F
4 21 0 2 5 | 0
0 11 | 2
5
1
| 0
2
178
M
etodos num
ericos
O que es lo mismo
"
x 2 ` 11z
y
52 z
"
`
x y z
*
5z
: x 2 ` 11z ^ y ^ z P R
2
(3.9)
De esta forma, el sistema tiene infinitas soluciones, una para cada valor de z. F
Ejercicios 3.2
Resuelva, con el metodo de
"
2x ` 3y 7
aq
4x 6y 2
$
& 2x ` 3y 5z
2x 3y ` z
bq
%
3x y ` z
Regla de Cramer
Es un metodo para resolver sistemas de ecuaciones lineales cuadrados (n
ecuaciones lineales con n inc
ognitas) con solucion u
nica. El teorema 28 brinda
condiciones para determinar la existencia de la solucion del sistema.
Teorema 28
Sea A x c un sistema en notaci
on matricial tal que A es una matriz cuadrada
de tama
no n n, entonces:
Si |A| 0, el sistema tiene soluci
on u
nica.
Si |A| 0, existen dos posibilidades, a saber: el sistema lineal tiene infinitas
soluciones, o bien, el sistema lineal no tiene solucion.
179
x1
c1
a11 a12 a1n
a21 a22 a2n x2 c2
..
..
.. .. ..
.
.
. . .
xn
cn
an1 an2 ann
a
11 a12
a21 a22
Tal que D .
..
..
.
an1 an2
c1 a12 a1n
c2 a22 a2n
.
..
..
.
.
.
.
c
a
a
x1
n2
nn
a1n
a2n
.. 0 , entonces:
.
ann
, x2
a11
a21
.
.
.
a
n1
c1
c2
..
.
cn
a1n
a2n
..
.
ann
, . . . , xn
a11
a21
.
.
.
a
n1
a12
a22
..
.
an2
D
c1
c2
..
.
cn
Implementaci
on de la regla de Cramer en Excel
Excel cuenta con una serie de funciones matriciales que permiten realizar algunas tareas sobre matrices en la hoja de calculo. Por ejemplo, es posible calcular
determinantes, suma de matrices, productos, inversas, entre otras.
La funcion MDETERM es una funci
on matricial que recibe un rango de n filas
y n columnas de la hoja de c
alculo, y representa una matriz cuadrada de orden
n. Esta funcion retorna, en la celda que se invoca, el determinante de la matriz
seleccionada.
En el caso de que la matriz no sea cuadrada, entonces mostrara #VALOR!
como se
nal de no haber recibido el par
ametro esperado.
Ejemplo 66 (Empleo de la funci
on MDETERM )
Utilice el Excel para calcular el determinante la matriz:
2
0 3 5
3 3 3 5
A
5
2 5 3
2 4 5 15
F Soluci
on Copie en la hoja de c
alculo los datos de la matriz anterior, tal y
como se visualiza en la figura 3.5.
Introduzca en la celda F2 la expresi
on =MDETERM(A1:D4), la cual es la funcion
que calculara el determinante de la matriz A en dicha celda.
180
M
etodos num
ericos
A
1
2
3
4
2
3
5
-2
0
-3
2
4
3
3
5
5
D
5
5
-3
15
2
3
5
-2
0
-3
2
4
D E
F
5
Determinante
5
-268
-3
15
3
3
5
5
F
Ejemplo 67
Realice un programa que reciba un n
umero n que representa la dimension de la
matriz cuadrada (n
umero de filas y de columnas) y una matriz de tama
no n n.
Y calcule en otra celda el determinante.
F Soluci
on Considere la siguiente plantilla en una hoja de calculo en Excel.
A
1
2
3
4
5
6
7
8
9
10
11
12
13
14
B C D E
9
8 -8 -3
5
-7
2 -9
8 10
-2
7
6
3
1
-1 -10 -6 -4 -2
0 -6 -2
3
5
10 -9
6
5 -3
1 10 -6 -10
8
4
1
8
3 -3
0
1 -1 -10 -9
1 -6
7 -6 -4
-7
4
5 -8
6
-5
8 -8 -6
6
-7 -2 -1
9 -6
3 -3
9 -6
5
F G H
-8
2
9
1
2 -3
4 -9 -9
-5 -8 -3
-8
1 -3
-7
4 -6
1
1
9
-5
5 -10
9
8
5
-1
6 -3
1
7 10
-8
2 -5
-8
0
0
6
6 -8
I
5
-3
1
6
0
3
-1
2
1
3
-1
-6
-4
9
J
K
-8 -5
3
6
0
3
8 10
-6
4
-2
0
6
1
2 -9
-6
5
-9
4
0
3
9 -1
6
8
-8
4
L M N
-6
1
-3
1
-4 -4
5
2
4 -6
9 -5
0
0
-4
2
10 -3
-5
6
-7
6
-6
4
-1 -10
-8 -3
O
Orden de la Matriz
Nmero entre
1 y 13
Calcular Det
Detrminante
181
F
Una forma pr
actica y directa de realizar la tarea anterior es emplear las
funciones definidas en la hoja de Excel dentro del lenguaje de VB. Las funciones
como =MDETERM, =SUMA, =MIN, entre otras, pueden ser utilizadas en el lenguaje
VB sin la necesidad de emplear la hora de calculo directamente, para esto se debe
emplear la instrucci
on Application.WorksheetFunction.NombreDeLaFunci
on,
donde NombreDeLaFunci
on corresponde al nombre de la funcion que se desea
aplicar escrito en ingles.
De esta manera, el c
odigo del procedimiento del boton presentado en el programa anterior puede ser remplazado por:
Ejercicios 3.3
1. Indague sobre el metodo Address empleado en el codigo del ejemplo 67. Determine lo retornado por dicho metodo aplicado a: Cells(1,1).Address,
Cells(3,5).Address y Range(Cells(1, 1), Cells(3, 5)).Address .
2. Aplique el teorema 28 para determinar si los sistemas planteados tienen solucion
u
nica o no. En caso de tener solucion u
nica, determine mediante la regla de
Cramer.
182
M
etodos num
ericos
$
& 2x ` 3y ` 5z 1
3x 2y ` z 0
a)
%
x`yz
1
$
4
& x`y`z
2x y ` 2z 3
b)
%
x y ` 4z 0
$
x`y`z
&
2x ` 4w
c)
y
3z w
%
xz
1
3
1
2
El programa deber
a: resolver el sistema Ax b y retornar dichas soluciones.
F Soluci
on Considere la plantilla que se muestra en la figura 3.8.
A
1
2
3
4
5
6
7
8
9
10
J K L M
x1
x2
x3
x4
x5
x6
x7
x8
x9
x10
O
1 Orden
2
3
4
5
6
7
8
9
10
Resolver
Q
x1=
x2=
x3=
x4=
x5=
x6=
x7=
x8=
x9=
x10=
183
184
M
etodos num
ericos
(3.10)
Ejercicios 3.4
1. Demuestre la relaci
on que se muestra en (3.10) para el caso de un
sistema de orden 2 y de orden 3. Para esto utilice matrices elementales
para calcular A1 .
2. Resuelva por despeje los
"
2x ` 3y 2
a)
4x 5y 4
$
& 3x ` 2y ` 4z
2x ` 6y ` 7z
b)
%
9x ` 9y ` 2z
3.3.
Eliminaci
on de Gauss simple
Es una variante del metodo de Gauss-Jordan que consta de dos procesos para
determinar la soluci
on real de un sistema lineal con solucion u
nica. El primer
proceso, denominado eliminaci
on hacia adelante, consiste en utilizar operaciones elementales para transformar la matriz asociada del sistema en una matriz
equivalente triangular superior. El segundo proceso, denominado sustituci
on hacia atr
as, consiste en ir determinando las soluciones del sistema desde la u
ltima
ecuacion hasta la primera, con sustituciones sucesivas.
El metodo se describir
a con mayor detalle a continuacion. Considere el sistema
de n ecuaciones lineales con n inc
ognitas que se presenta en (3.11):
$
a11 x1 ` a12 x2 ` ` a1n xn b1
%
an1 x1 ` an2 x2 ` ` ann xn bn
(3.11)
185
..
..
..
..
..
..
.
.
.
.
.
| .
an1 an2 an3 . . . ann | bn
i1
Para realizar la eliminaci
on se aplica la operacion elemental F i aa11
F1
para i 2 . . . n a la matriz aumentada del sistema (3.12). Este proceso
eliminar
a la variable x1 de todas las ecuaciones del sistema, con excepcion
de la ecuaci
on 1. Esto da como resultado la matriz equivalente:
1
1
1
1
0 a
32 a33 . . . a3n | b3
(3.13)
..
..
..
..
..
.
.
.
.
.
.
.
| .
1
1
1
0 an2 an3 . . . ann | b1n
ai1
ai1
a1j y b1i bi
b1 . La fila que no cambia y que
a11
a11
es tomada como referencia para realizar los cambios a las demas filas se
denomina fila pivote; en este caso, la fila pivote es la fila 1.
donde: a1ij aij
Seguidamente se debe repetir el proceso anterior, pero es necesario eliminar la variable x2 desde la ecuaci
on 3 hasta la ecuacion n. Tomando la fila
2 como la fila pivote, continua el proceso de aplicar la operacion elemena1
tal F i a1i2 F2 para i 3, 4, 5, . . . , n, a la matriz (3.13), la cual da como
22
resultado la matriz equivalente:
0
0 a233
..
..
..
.
.
.
2
0
0 an3
donde: a2ij a1ij
. . . a1n
. . . a12n
. . . a23n
..
..
.
.
2
. . . ann
| b1
| b12
| b23
.
| ..
(3.14)
| b2n
1
a1i2 1
2 b1 ai2 b1 .
a
y
b
i
i
a122 2j
a122 2
186
M
etodos num
ericos
0
0 a233
0
0
0
..
.
..
..
.
.
0
0
0
0
a14
a124
a234
a3
44
..
.
...
...
...
...
..
.
a1,n1
a2,n1
a3,n1
a4,n1
..
.
a1n
a12n
a23n
a3
4n
..
.
pn2q
pn2q
| bn1
pn1q
| bn
pn2q
. . . an1,n1 apn1qpn1q
...
pn1q
b1
b12
b23
b3
4
..
.
|
|
|
|
ann
(3.15)
&
a12 x2 `
a13 x3 `
a14 x4 `
a1pn1q xn1
`a1n xn
b1
a122 x2 `
a123 x3 `
a124 x4 `
a12pn1q xn1
`a12n xn
b12
a233 x3 `
a234 x4 `
a23pn1q xn1
`a23n xn
b23
..
.
..
.
..
.
apn2q
x
pn1qpn1q n1
`apn2q
x
pn1qn n
bn1
pn1q
ann
xn
pn2q
pn1q
bn
xn
bn
pn1q
ann
n1
an1
x
` apn1qn
xn bn1
pn1qpn1q n1
187
pn1q
apn1q
x
` apn1qn
pn1qpn1q n1
bn
pn2q
pn1q
ann
pn2q
bn1
pn1q
pn1q
apn1q
x
bn1 apn1qn bnpn1q
pn1qpn1q n1
ann
pn2q
bn1
xn1
pn1q
pn1q bn
apn1qn pn1q
ann
pn1q
apn1qpn1q
pn2q
xn1
pn1q
bn1 apn1qn xn
pn1q
apn1qpn1q
La ecuaci
on n 2 del sistema triangulizado posee u
nicamente tres
inc
ognitas: xn2 , xn1 y xn2 ; sin embargo, ya los valores de xn y
xn1 son conocidos, por lo que se puede determinar el valor de xn2 .
Si se contin
ua con este proceso, se puede determinar el valor de todas
las inc
ognitas y por lo tanto determinar la solucion real del sistema.
En general, se puede demostrar que:
pi1q
bi
xi
pi1q
aij
xj
ji`1
pi1q
aii
para i n 1, n 2, . . . , 1
Ejemplo 69
Considere el sistema:
$
x1
&
2x1
x
% 1
x1
x2
x2
x2
x2
` 2x3 x4
` 3x3 3x4
` x3
` 4x3 ` 3x4
8
20
2
1 1 2 1 | 8
2 1 3 3 | 20
1 1 1 0 | 2
1 1 4 3 |
4
188
M
etodos num
ericos
Fase 1: Eliminaci
on hacia adelante:
1 1 2 1 | 8
1 1 2 1 | 8
2 1 3 3 | 20 F 2 2F1 0 1 1 1 | 4
1 1 1 0 | 2 F 3 F1 0 2 1 1 | 6
F 4 F1
2
4 | 12
1 1 4 3 |
4
0 0
1 1 2 1 | 8
1 1 2 1
0 1 1 1 | 4
0 1 1 1
F 2F
F 2F
32 0 0
1
3 | 14 43 0 0
1
3
0 0
2
4 | 12
0 0
0 2
| 8
| 4
| 14
| 16
&
x2 x3 x4
x3 ` 3x4
%
2x4
8
4
14
16
(3.16)
Fase 2: Sustituci
on hacia atr
as:
16
8
2
14 3x4
x4
x3
x2 4 ` x3 ` x4
x1 8 ` x2 2x3 ` x4
de donde se tiene que la soluciones del sistema es:
x4 8
x3 14 3 8 10
x2 4 10 ` 8 6
x1 8 6 2 10 ` 8 14
de donde
S
!`
14 6 10 8
T )
189
Ejercicios 3.5
Utilice el metodo de eliminaci
on de Gauss de dos fases, eliminacion hacia
adelante y eliminaci
on hacia atras, para resolver los sistemas:
$
& 3x ` 2y ` 4z 2
2x ` 6y ` 7z 0
1.
%
9x ` 9y ` 2z 3
$
& 51x ` 32y 10z 0
67x ` 42y 13z 1
2.
%
72x 45y ` 14z 5
$
x1 x2 ` 2x3
2
&
2x1 x2 ` 3x3 3x4 10
3.
3x1 ` x2 ` x3 ` 4x4 4
%
2x1 x2 ` 4x3 ` 2x4 0
190
M
etodos num
ericos
3.3.1.
Eliminaci
on de Gauss y las matrices elementales
a11
a21
a31
..
.
a12
a22
a32
..
.
a13
a23
a33
..
.
a1n
x1
b1
x2 b2
a2n
a3n
x3 b3
.. .. ..
..
.
. . .
ann
xn
bn
(3.17)
191
M p1q
a21
a
11
a31
a11
..
.
an1
a11
0 0 0
1 0 0
0 1 0
.. .. . . ..
. .
. .
0 0 1
0 0 0
1 0 0
0 1 0
.. .. . . ..
. .
. .
0 0 1
a21
a
11
a31
a11
..
.
an1
a11
(3.18)
a11
0
M p1q pA|bq 0
..
.
0
a12
a122
a132
..
.
a13
a123
a133
..
.
a1n2 a1n3
ai1
ai1
a1j y b1i bi
bi ,
a11
a11
a1n b1
a12n b12
a13n b13
..
..
..
.
.
.
1
ann b1n
(3.19)
para i 2, 3, . . . n y j 2, 3, . . . , n.
M p2q
0
.
..
0
1
a132
a122
..
.
a1n2
a122
1
0 0
1
0
0 0
1 0
0
.
.. . . ..
..
. .
.
0 1
0
0
1
a132
a122
..
.
a1n2
a122
0 0
0 0
1 0
.. . . ..
. .
.
0 1
0 a233
M p2q M p1q pA|bq 0
..
..
..
.
.
.
0
0 a2n3
donde a2ij a1ij
1
a1i2 1
2 b1 ai2 b1 ,
a
y
b
i
i
a122 2j
a122 i
a1n b1
a12n b12
a23n b23
..
..
..
.
.
.
2
ann b2n
para i 3, 4, . . . n y j 3, 4, . . . , n.
192
M
etodos num
ericos
pkq
1
0
.
.
.
0
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
..
.
..
.
..
.
pk1q
ank
pk1q
akk
pk1q
apk`1qk
apk`2qk
pk1q
akk
pk1q
..
.
..
pk1q
akk
..
0
0
..
para k 1, 2, 3, . . . n 1.
Para estas matrices de eliminaci
on se cumple que:
0 a233
M pn1q M p2q M p1q pA|bq 0
..
..
..
.
.
.
0
0
0
..
.
a1n
a12n
a23n
..
.
pn1q
ann
b1
b12
b23
..
.
(3.20)
pn1q
bn
De esta forma, el proceso de eliminacion hacia adelante se obtiene al premultiplicar n 1 matrices de eliminaci
on a la matriz aumentada del sistema.
Ejemplo 70
Utilice la eliminaci
on gaussiana con eliminacion hacia adelante y sustitucion hacia
atras para resolver el sistema
$
4x
&
2x
3x
%
2x
5y ` 3z ` 5w 2
4y ` z ` w 0
3y 2z 4w 1
3y
3w 1
F Soluci
on
La notacion matricial del sistema est
a dado por:
193
4
5
3
5
x
2
2 4 1
y 0
1
3
3 2 4 z 1
2 3 0 3
w
1
4
2
pA|bq
3
2
5
3
5
2
4 1
1
0
3 2 4 1
3 0 3 1
2
4
M p1q 3
4
2
4
1
0 0 0
1 0 0 12
0 1 0 34
0 0 1
12
0 0 0
1 0 0
0 1 0
0 0 1
4
0
M p1q pA|bq
0
5
23
34
0 11
2
5
2
17
4
32
7
2
31
4
11
2
1
0
0 0
1
0
0
1
0 0 0
3{4
M p2q
1
0
0 12
3{2
0 11
0 11{2
0 1
3
3{2
As,
4 5
0 3
2
5
2
11
2
32
3
2
1
12
2
0 0
0 0
1 0
0 1
7
2
19
2
55
3
1 0
0
0
1 0
0
0 1
0
0
0
1
0
M p3q 0 0
1
0
0 0
1
64
0
0
0 0 32{3
1
33
11{2
2
1
1
17
3
0
0
0
1
194
M
etodos num
ericos
De este modo,
4 5
0 3
2
0 0
5
2
11
2
5
7
3
y `
z `
w
&
2
2
2
11
19
z
w
2
2
%
w
11
2
1
1
41
11
7
2
19
2
1
11
equivalente al sistema:
41
11
w 41
11
19
11
19
z w 1 z
p41q 1 z 71
2
2
2
2
3
5
7
3
5
7
y ` z ` w 1 y ` p71q ` p41q 1 y 22
2
2
2
2
2
2
4x ` 5y ` 3z ` 5w 2 4x ` 5p22q ` 3p71q ` 5p41q 2 x 29
De donde se tiene que:
S
!`
T )
29 22 71 41
F
Ejemplo 71
Aplique el metodo de eliminaci
on gaussiana con eliminacion hacia adelante y
sustitucion hacia atr
as para calcular la solucion del sistema:
$
x 2y ` 3z
2
&
4y ` 5z 2w 1
3y 4z ` w 3
%
x
y
` 2z ` 2w 2
Use las matrices elementales de eliminaci
on durante la eliminacion hacia adelante.
195
1 2 3
0
2
0 4 5 2 1
0 3 4 1 3
1 1 2
2
2
0
M p1q
0
1
es:
0
1
0
0
0
0
1
0
0
0
0
1
1 2 3
0
2
0 4 5 2 1
M p1q pA|bq
0 3 4 1 3
0 1 1 2
0
De esta forma, la segunda matriz de eliminacion es:
1 0 0 0
0 1 0 0
M p2q
0 43 1 0
0
0 1
1
4
1 2
0 4
3
5
0
2
1
4
1
4
1
2
3
2
1 0 0
0 1 0
M p3q
0 0 1
0 0 1
2
1
9
4
1
4
eliminacion es:
0
0
0
1
3
5
0
2
1
4
1
2
2
1
9
4
2
196
M
etodos num
ericos
&
4y `
3z
2
5z 2w 1
1
9
1
4 z 2w
4
w 2
w 2
1
9
1
1
9
1
z w
z p2q
z 13
4
2
4
4
2
4
4y ` 5z 2w 1 4y ` 5p13q 2p2q 1 y 17
x 2y ` 3z 2 x 2p17q ` 3p13q 2 x 3
As, el conjunto soluci
on del sistema anterior es:
S
!`
3 17 13 2
T )
Ejercicios 3.6
1. Utilice el metodo de eliminaci
on de Gauss de dos fases, eliminacion
hacia adelante y eliminaci
on hacia atras, para resolver los siguientes
sistemas de ecuaciones. Utilice las matrices elementales para realizar el
procedimiento de eliminaci
on:
$
4x 4y 4z 3w
3
&
4x ` 2y 5z 5w 1
a)
x 2y 4z
3
%
3x ` 3y ` 5z ` 2w
2
$
4x ` 3y ` 5z ` 4w
0
&
x ` y 5z 2
b)
3x z 3w
1
%
2x ` 2y ` 3z ` 2w
2
2. Resuelva, mediante la eliminaci
on gaussiana simple, utilizando matrices elementales para realizar el proceso de eliminacion hacia adelante.
197
5x ` y 2z ` 2w s
2
&
3x 3y ` 4z 4w ` 2s
3
a)
4y
4z
3w
4s
%
3x ` 2y 3z ` 2w 4s
2
$
3x ` 3y ` w ` 2s
0
& 4x ` y 4z 5w ` 2s 2
3y 4z ` 3w ` 3s
1
b)
x
`
4y
`
2z
3w
%
3x ` 3y ` 4z ` s
1
La fase de eliminaci
on hacia adelante puede ser implementada con el uso de
matrices elementales; para esto es necesario tener disponible una funcion que
realice la multiplicaci
on de matrices, la cual esta a disposicion en Excel. Si M es
la matriz aumentada del sistema por resolver, entonces el algoritmo 8 realiza la
fase de eliminaci
on hacia adelante por medio de las matrices elementales.
Algoritmo 8 Proceso de eliminaci
on hacia adelante: metodo de Gauss simple
Entrada: M : Matriz aumentada de tama
no n n ` 1.
Salida: M : Matriz equivalente resultado del proceso de eliminacion hacia adelante.
1: para j 1 hasta n hacer
2:
E In
3:
para i j ` 1 hasta n hacer
mij
4:
eij
'Donde mij y eij representa la entrada ij de M y E
mjj
'respectivamente.
5:
fin para
6:
M E M
7: fin para
La instrucci
on de la lnea 6 del algoritmo 8 en Excel se logra por medio del
codigo M = Application.WorksheetFunction.MMult(E, M).
Es importante mencionar que la implementacion de la fase de eliminacion
hacia adelante que muestra el algoritmo de 6 es mas eficiente que la mostrada en
el algoritmo 8, a pesar de que en esta segunda implementacion solo se observan dos
ciclos para, en comparaci
on con el algoritmo 6, que muestra tres de estos ciclos.
Esto se debe a que la multiplicaci
on de matrices es computacionalmente costosa
198
M
etodos num
ericos
3.3.2.
Implementaci
on en lenguaje V.B.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
O
x1=
x2=
x3=
x4=
x5=
x6=
x7=
x8=
x9=
x10=
x11=
x12=
x13=
x14=
x15=
Q
Orden
5
OK
Nombre al bot
on OK con el identificador cmd OK y coloque el siguiente codigo
en el evento clic del bot
on.
Private Sub cmd OK Click()
Dim n As Integer, i As Integer, j As Integer, k As Integer
Dim Factor As Double
Dim M As Variant
Dim suma As Double
####### Cargar lo datos de la matriz en la variable M #######
n = Range("Q2").Value
M=Range(Cells(1,1), Cells(n,n+1))
1
199
####### Impresi
on de datos #######
Range("P1:P15") = X
Range(Cells(16, 1), Cells(15 + n, n + 1)) = M
End Sub
1
3.3.3.
Limitaciones del m
etodo de eliminaci
on
Divisi
on por cero
Durante la fase de eliminaci
on hacia adelante pueden presentarse problemas
de division por cero. Este inconveniente hace que en algunos sistemas el procedimiento se trunque bajo una excepci
on de error.
Especficamente, este problema se presenta cuando la kesima ecuacion es la
pk1q
ecuacion pivote y esta tiene el coeficiente akk
0. Es decir, cuando el coeficiente sobre la diagonal principal de la matriz asociada al sistema y correspondiente
a la ecuacion pivote (kesima ecuaci
on) posee un valor de cero. En este caso,
para el proceso de eliminaci
on de la variable xk desde la ecuacion k ` 1 hasta la
ecuacion n se debe aplicar la operaci
on elemental:
pk1q
Fi
aik
F
pk1q k
akk
para i k ` 1, k ` 2, . . . , n
pk1q
aik
pk1q
akk
pk1q
0.
200
M
etodos num
ericos
5.291
fl
1764 101 17640
0.003000
Sin embargo, su valor real corresponde a:
52.91
17636.66
0.00300
As, el error absoluto cometido en el calculo anterior es de 3.33, mismo que
puede ser considerado como un error grande. El efecto puede ser catastrofico
cuando en un procedimiento aritmetico esta situacion se presenta repetidamente
y provoca una r
apida propagaci
on de los errores de redondeo o corte.
En el ejemplo 72 se pueden apreciar los efectos de la propagacion de los errores
durante la resoluci
on de un sistema de ecuaciones.
Ejemplo 72
Utilice aritmetica de redondeo a cuatro dgitos significativos para resolver el siguiente sistema:
"
0.003000x ` 59.14y 59.17
(3.21)
52.91x
6.130y 46.78
F Soluci
on Se considera la matriz aumentada del sistema por resolver:
5.291
0.003000
59.14
59.17
0.003000 59.14 59.17
F2
F1
0.001
104300 104400
5.291
6.130 46.78
0.003000
201
59.17 59.14y
0.003000
104400
104300
59.17 59.14y
59.17 59. 20
10.0
0.003000
0.003000
104400
1. 001
104300
3.3.4.
Pivoteo parcial
202
M
etodos num
ericos
Ejemplo 73
Utilice pivoteo parcial para resolver el siguiente sistema:
1
4
1
1
1
x
1 1
3
3 1 3 y 2
1 1 4 z 0
1
w
4 3 1
F Soluci
on
1 1
4 3
1 1
1 4
1
3 1
4
1
1 3
2
F12
1
1 4 0
3 1 1
1
F2 14 F1
F3 ` 14 F1
F4 14 F1
4
0
0
0
4
F3
0
0
1{4
F4 13{4
F2
0
7{4
13{4 F2
1
4
7
4
13
4
5
4
3
4
13
4
2
4
3
2
0
24
1 F
0
2
9
4
13
4
7
4
13
4
13
4
3 1 3
2
1 1
3 1
1 1 4 0
4 3 1 1
1
2
3
7
4
30
13
31
13
1
2
3
13
20
13
13
4
7
4
1
4
1
13
4
3
4
5
4
4
0
1
F4 1 F3
0
0
13
13
7
y
`
z
4
4
& 4
3
7
4
13
4
9
4
1
2
1
2
3
2
13
4
13
4
3
7
4
30
13
1
13
1
2
3
13
17
13
2
1
2
30
w
13
3
13
1
w
13
17
13
203
0.003000
5. 291 6. 13 46. 78
F2
F1
0.000 59. 14 59. 14
5.291
Al aplicar la sutituci
on hacia atr
as se tiene que:
59.14y 59.14 y 1
5.291x 6.13y 46.78 5.291x 6.13 46.78
5.291x 46.78 ` 6.13
5.291x 52. 91
52. 91
10.0
x
5.291
De donde se tiene que:
`
T
S t 10 1 u
F
204
M
etodos num
ericos
Ejercicios 3.7
1. Resuelva los siguientes sistemas mediante eliminacion gaussiana con pivoteo
parcial. Se
nale los pasos en los cuales se realiza el pivoteo.
$
$
& 4x ` y z 2
& 2x 6y z 38
5x ` y ` 2z 4
3x y ` 7z 34
a)
b)
%
%
6x ` y ` z 6
8x ` y 2z 20
2. Resuelva el sistema
$
&
x`yz
6x ` 2y ` 2z
%
3x ` 4y ` z
3
2
1
con a) eliminaci
on de Gauss simple. b) eliminaicion de Gauss con pivoteo parcial.
c) eliminaci
on de Gauss-Jordan. d) regla de Cramer.
C
odigo para implementar el pivoteo parcial
El siguiente c
odigo corresponde a la implementacion del pivoteo parcial en
el metodo de eliminaci
on gaussiana. Este codigo no es eficiente porque realiza
el pivoteo en forma fsica, al intercambiar las filas correspondientes entrada por
entrada, lo cual es computacionalmente caro desde el punto de vista de tiempo
de ejecucion.
####### PIVOTEO PARCIAL #######
k corresponde al n
umero de fila pivote, n el filas del sistema
1
y M la matriz aumentada del sistema.
Private Sub Pivoteo(k As Integer, n As Integer, ByRef M As Variant)
Dim p As Integer
Dim ii As Integer, jj As Integer
Dim Temp As Double
Dim Mayor As Double
p = k
Mayor = Abs(M(k, k))
1
For ii = k + 1 To n
Busca la mejor fila pivote
Temp = Abs(M(ii, k))
If Temp >Mayor Then
Mayor = Temp
p = ii
End If
Next
1
1
205
1
If p <> k Then
Si el mejor pivote no es el pivote actual
1
For jj = k To n
Hace el intercambio de filas
Temp = M(p, jj)
M(p, jj) = M(k, jj)
M(k, jj) = Temp
Next
Temp = M(p, n + 1)
M(p, n + 1) = M(k, n + 1)
M(k, n + 1) = Temp
End If
End Sub
Los procedimientos son secciones de codigo que tienen la tarea de realizar una
accion; en el caso anterior, realizar el pivoteo parcial. Para invocar un procedimiento basta invocarlo con el identificador y enviarle los parametros requeridos.
En este caso:
k: la fila pivote
n: la dimensi
on del sistema
M: la matriz aumentada del sistema.
Se puede notar que al nombre de la matriz se antepone la instruccion ByRef,
lo cual indica que la matriz enviada va como referencia, es decir, que sea la
la misma matriz recibida y cualquier cambio de esta dentro del procedimiento
afecta a la matriz original. Si en lugar de ByRef se escribe ByVal, entonces se
enva una copia de la matriz, por lo que cualquier cambio realizado a esta dentro
del procedimiento no cambia la matriz original. Al final del procedimiento, dicha
copia es destruida.
Para implementar la eliminaci
on de Gauss con pivoteo parcial basta realizar
un peque
no cambio al procedimiento original. Una vez definido el procedimiento
pivoteo, se modifica la instrucci
on original de la siguiente manera:
206
M
etodos num
ericos
####### Triangulizar la matriz #######
####### Eliminaci
on hacia adelante #######
For k = 1 To n - 1
pivoteo k, n, M 1 Se invoca el procedimiento de pivoteo
For i = k + 1 To n
Factor = M(i, k) / M(k, k)
For j = k To n
M(i, j) = M(i, j) - Factor * M(k, j)
Next
M(i, n + 1) = M(i, n + 1) - Factor * M(k, n + 1)
Next
Next
1
1
Ejemplo 75
Considere
1
2
A
3
4
1
2
3
4
1
2
3
4
1
`
2
y p 1 2 3 4
3
4
Considere la matriz B que resulta de intercambiar las filas 1 con la fila 4 y la fila
207
4
3
B
2
1
4
3
2
1
4
3
2
1
4
3
2
1
Ejercicios 3.8
Realice la implementaci
on eficiente del pivoteo parcial en la etapa de eliminacion hacia adelante, para mejorar el metodo de eliminacion de Gauss.
3.4.
Descomposici
on LU de una matriz
Sea A una matriz cuadrada de orden n, en algunas ocasiones es posible expresar A como la multiplicaci
on de una matriz L triangular inferior con unos
en la diagonal principal y una matriz U triangular superior. Si esto es posible,
se dice que A posee factorizaci
on LU . El siguiente teorema brinda condiciones
suficientes para garantizar la existencia de la factorizacion LU de una matriz A.
Nota: se dir
a que una matriz cuadrada A es singular si detpAq 0. En caso
contrario, se dir
a que A es no singular.
Teorema 31 (Existencia de la factorizaci
on LU )
Sea A una matriz cuadrada de orden n. Si el sistema de ecuaciones lineales Ax b
se le puede aplicar la eliminaci
on gaussiana sin la necesidad de emplear pivoteo
parcial, entonces A tiene descomposici
on LU . Ademas, si A es una matriz no
singular (det A 0), entonce la factorizacion LU de A es u
nica.
o Demostraci
on
Existencia: al sistema Ax b con A de tama
no n n se le puede aplicar la
eliminaci
on gaussiana sin la necesidad del pivoteo parcial, entonces existen
208
M
etodos num
ericos
matrices elementales M p1q , M p2q , . . . , M pn1q tales que:
M pn1q M p2q M p1q A
es una matriz triangular superior. Defina las matrices L y U como:
M pn1q M p2q M p1q A
1
L
M pn1q M p2q M p1q
L1 L2
209
3.4.1.
M
etodo de factorizaci
on LU
La demostraci
on del teorema 31 establece un metodo para calcular las matrices L y U para una matriz A; sin embargo, el calculo de la matriz L no se
visualiza sencillo en dicha demostraci
on. En la presente seccion se establece un
metodo alternativo que permite calcular L de una forma simple durante el proceso
de eliminacion gaussiana. Este proceso se desarrolla a continuacion.
Sea A una matriz dada por:
a11
a21
A a31
..
.
a12
a22
a32
..
.
a13
a23
a33
..
.
a1n
a2n
a3n
..
..
.
.
ann
si A admite descomposici
on LU , entonces se tiene que existen matrices
0 a233
U 0
..
..
..
.
.
.
0
0
0
..
.
a1n
a12n
a23n
..
.
1
f21
L f31
..
.
pn1q
0
1
f32
..
.
0
0
1
..
.
ann
0
0
. . ..
. .
1
donde U es la matriz triangular superior que produce la eliminacion hacia adelante de la eliminaci
on gaussiana simple estudiada en la seccion 3.3. La matriz L
se puede calcular, alternativamente, durante el proceso de eliminacion mediante
el uso de los factores empleados en las operaciones elementales del proceso de
eliminacion.
Suponga que a A se le puede realizar el proceso de eliminacion hacia adelante
sin la necesidad del pivoteo parcial. Al aplicar la eliminacion de Gauss simple con
la fila 1 como la fila pivote, se aplica la operacion sobre las filas
ai1
Fi
F1
a11
a11
0
p1
U
0
..
.
0
a12
a122
a132
..
.
a13
a123
a133
..
.
a1n2 a1n3
ai1
.
a11
a1n
a12n
a13n
..
..
.
.
1
ann
1 0 0
f21 1 0
p1
L
f31 0 1
..
.. .. . .
.
.
. .
fn1 0 0
0
0
..
.
1
210
M
etodos num
ericos
1
a
con i 3, 4, 5, . . . , n. Defina fi2 1i2
a22
0
0 a233 a234
p2
U
0
0 a243 a244
.
..
..
..
..
.
.
.
0
0 a2n3 a2n4
a1n
a12n
a23n
a24n
..
.
..
.
1
f21
f31
p2
L
f41
.
..
a2nn
fn1
0 0 0
1 0 0
f32 1 0
f42 0 1
..
.. .. . .
.
.
. .
fn2 0 0
0
0
..
.
a2i3
con i 4, 5, 6, . . . , n. Defina fi3 2 .
a33
0
0 a233 a234
p3
U
0
0
0 a3
44
.
.
.
..
.
.
.
.
.
.
.
3
0
0
0 an4
a1n
a12n
a23n
a3
4n
..
.
3
ann
a11 a12
0 a122
0
0
pn1
U U
0
0
..
..
.
.
0
p n1
LL
0
1
f32
f42
..
.
fn1 fn2
tiene que:
a13
a123
a233
0
..
.
a14
a124
a234
a3
44
..
.
1
f21
f31
f
41
.
..
1
f21
f31
p3
L
f41
.
..
..
.
0
1
f32
f42
..
.
0
0
1
f43
..
.
..
.
a1n
a12n
a23n
a3
4n
..
.
pn1q
ann
0
0
0
1
..
.
0
0
..
.
1
..
.
0 0
0 0
1 0
f43 1
..
.. . .
.
.
.
fn3 0
0
0
..
.
1
211
aij
pj1q
ajj
Ejemplo 76
Considere la matriz
1 1 3 1
4 5 5 2
A
1 2
4 7
3 4 6 2
Determine, en caso de ser posible, la factorizacion LU de la matriz A.
F Soluci
on
Con la fila 1 como pivote y al aplicar la operacion elemental:
ai1
Fi
F1
1
ai1
con i 2, 3, 4. Por lo cual se tiene que fi1
; de esta
1
1
1 1
3
1
4
0 1 17 2
p1
p1
y
L
U
1
0 3
1
6
3
0 1 3 1
forma se tiene:
0 0 0
1 0 0
0 1 0
0 0 1
ai2
; de esta forma
con i 3, 4. Por lo cual se tiene que fi2
1
1 0
1 1
3
1
0 1 17 2
4 1
p2
p2
y
L
U
1 3
0 0 50 0
0 0
14
1
3 1
se tiene:
0
0
1
0
0
0
0
1
14
7
con i 3, 4. Por lo cual se tiene que f43
1 1
3
1
1 0
0 0
0 0
p3 0 1 17 2
p 3 4 1
U U
y
L
L
0 0 50 0
1 3 1 0
0 0
0
1
3 1 7
1
25
212
M
etodos num
ericos
As, la descomposici
on LU de la matriz A es:
ALU
Ejercicios 3.9
Realice la descomposici
on LU de las siguientes matrices.
3 4
2
3 1 1
1 2
0
1. 18 18 5
4.
1 0
12
2
8
2
0
0 1
2
4
2
2 1 1
4
10
8
2. 3 3 9
5.
6 10 1
3 3 5
8
22 26
1
2 3
1
1
0
3
4 11 10
4
2
1
1
1
2 13
6.
3.
1 4 2
3 1 1 2
1 2
3 1
3 12 13
0
0
1
1
1
5
2
20
4 2
19 7
8 5
12 14
26 13
La implementaci
on de la factorizaci
on LU de una matriz A, no singular,
puede hacerse al seguir la gua del procedimiento anterior en la presente seccion.
El algoritmo 9 muestra el pseudoc
odigo que permite la obtencion de la matriz L
y la matriz U para A, donde aij y lij representan las entradas que se encuentran
en la fila i y columna j de la matriz A y L, respectivamente.
213
Algoritmo 9 Factorizaci
on LU de una matriz A cuadrada de orden n.
Entrada: A: matriz cuadrada de orden n.
Salida: Matrices L y U tal que A LU .
1: LIn
2: para k 1 hasta n hacer
3:
para i k ` 1 hasta n hacer
aik
4:
lik
akk
5:
aik 0
6:
para j k ` 1 hasta n hacer
7:
aij aij ` lik akj
8:
fin para
9:
fin para
10: fin para
11: U A
3.4.2.
Implementaci
on de la factorizaci
on LU
####### Factorizaci
on LU #######
Private Sub Descomponer(ByRef M As Variant, n As Integer,
ByRef L As Variant, ByRef U As Variant)
Dim i As Integer, j As Integer, k As Integer
For k = 1 To n
For i = k + 1 To n
L(i, k) = A(i, k) / A(k, k)
A(i, k) = 0
For j = k + 1 To n
A(i, j) = A(i, j) - L(i, k) * A(k, j)
Next
Next
Next
U = A
End Sub
1
Al finalizar la ejecuci
on se tiene la factorizacion LU de la matriz A. La implementacion completa en Excel se muestra a continuacion:
Considere la plantilla de Excel que se muestra en la figura 3.10
214
M
etodos num
ericos
A
1
2
3
4
5
15
16
17
18
19
20
30
AD
Orden
A
L
Factorizar
En las secciones de c
odigo presentadas anteriormente para la factorizacion LU
de una matriz, la instrucci
on Range(Cells(a,b),Cells(c,d)).ClearContents
borra el contenido comprendido entre las celdas indicadas, pero mantienen el
formato, como color de fondo, color y tipo de fuente, bordes, entre otros.
Es importante mencionar que la implementacion de la descomposicion LU de
una matriz A usando pivoteo parcial brinda una factorizacion que no cumple,
necesariamente, que A LU . En el caso especfico de la utilizacion del pivoteo
parcial, se tiene la relaci
on:
A LU
215
A la factorizaci
on de una matriz A determinada mediante pivoteo parcial se
denomina P T LU , debido a la aparici
on de una matriz P denominada matriz de
permutacion, donde P se obtiene a partir de la matriz identidad intercambiando
sus filas.
3.4.3.
Descomposici
on P T LU de una matriz
0
0
2
2 1 3
A
6 2 12
4 3
1
1
4
14
5
F Soluci
on Se partir
a de P A; de esta forma, P se utilizara para contrarrestar
el intercambio entres las filas de la matriz. Por lo que P puede ser considerado
un registro de los intercambios entre las filas.
216
M
etodos num
ericos
1
0
PA
0
0
0 0 1
0 1 0
1 0 0
0 0 0
0 0 1
0 1 0
1 0 0
0 0 0
0 0 1
0 0 0
1 0 0
0 1 0
0 0 1
0 0 0
1 0 0
0 1 0
0 0 1
0 0 0
1 0 0
0 1 0
0
1
0
0
0
0
1
0
0
0
2
0
0 6
4
1
0
0
2
0
0 6
4
1
0
0
2
0
0 6
1
4
0
0
1
2
0 6
0
4
0
0
2
1
0 6
0
4
0
0
2
1
0 6
0
4
0
1
2
3
0
1
2
3
2
3
12
1
0
1
2
3
2
3
12
1
0
1
2
3
2
3
12
1
0
1
2
3
2
3
12
1
0
1
2
3
2
3
12
1
2 1
3
4
12 14
1 5
6
2 12
1 0 0 0
1
F
13
0 1 0 0 2
1 3
4
0 0 1 0 0
0
2
14
4
3
1
0 0 0 1
5
1 F2 2 F1
1
0 0 0
6 2
6 2
0 1
4
1
0
0
6
3
14 F ` 4 F 0
0 1 00
0
4 6 1
4
5
5
0
0 0 1
6
3
1
1
0 0 0
6 2 12
F24 4 1 0 0 0
5
9
4
6
3
0
0
2
0 1 00
14
1
2
0
5
0
0
1
1
6
3
1
0
0 0
6
1 F ` 1{3 F
4
1
5{3
4
0
1
0
0
4
0
0
1 00
14
1{3
2
0 1
5
0
6
5{3
1
0
0 0
6
1 F4 4{5 F1
4
2
0
1
0
0
4
0
0
1 00
14
2
1
2
1
0
5
6
5
5
14
4
1
5
12
1
2
9
14
14
2
3
1
13
3
13
3
1
2
3
12
9
2
2
5
3
0
0
2
5
3
0
0
14
13
3
4
5
12
9
2
0
1
5
14
13
3
1
3
5
0
0
P
1
0
0
0
0
1
1
0
0
0
0
1
, de donde P T P
0
0
0
0
A
1
0
0
0
0
1
1
0
0
0
1
0
4
1 6
0 0
2
0
6
0
1
0
0
0
1
1{3
5{3
4{5
2
0
6 2 12 14
5
0
9 13
3
0 3
0 0 0
2 1
3
0 0
0
1
5
217
Ejercicios 3.10
1. Demuestre que si P es una matriz cuadrada de orden n que se consigue
al permutar las filas de la matriz In , entonces
a) P 1 P T
b) detpP q 1
2. Determine la factorizaci
on P T LU para las siguientes
0
1
2 3 1
3 1
a) 4 6 3
c)
9 2
2 4 5
6 4
3 2
0 3 2 2
3 2
1 2 1
3
d)
b)
6 6
2 1 4 1
9
4
3 3 6 2
3.4.4.
matrices:
2 2
2
0
4 2
6 7
1
4
0
6
3 8
0 11
218
M
etodos num
ericos
a11
a21
A a31
..
.
a12
a22
a32
..
.
a1n
a2n
a3n
..
..
.
.
ann
a13
a23
a33
..
.
x1
x2
x x3
..
.
b1
b2
b b3
..
.
xn
bn
0 a233
U 0
..
..
..
.
.
.
0
0
0
a1n
a12n
a23n
..
.
..
.
1
f21
L f31
..
.
pn1q
0
0
1
..
.
ann
As, el sistema Ly b
1
f21
f31
..
.
0
1
f32
..
.
0
0
. . ..
. .
1
est
a dado por:
0
1
f32
..
.
0
0
1
..
.
0
y1
b1
y2 b2
0
0
y3 b3
.
. .
. . .
. . .. ..
1
yn
bn
a11 a12
0 a122
0
0
..
..
.
.
0
pn1q
ann
xn
yn
219
1 2 3
1 0 0
1 2
3
A 5 1 3 5 1 00 9 12
10 11 4
10 1 1
0 0 14
1 0 0
y1
4
5 1 0y2 5
10 1 1
y3
1
de donde se tiene que:
y1
5y1 ` y2
10y1 ` y2 ` y3 1
As y1 4, y2 15 y y3 26. Y la solucion del sistema Ly b es:
`
T
y 4 15 26
220
M
etodos num
ericos
Finalmente, se debe resolver el sistema U x y dado por:
4
x1
1 2
3
0 9 12x2 15
26
x3
0 0 14
x1 ` 2x2 ` 3x3 4
9x2 12x3 15
14x3 26
26
13
17
1
, x2
y x1 . As, la solucion del segundo
14
7
21
21
sistema, y por lo tanto la soluci
on del sistema original, es:
De donde x3
1
21
17
21
13
7
F
A continuaci
on se brinda la implementacion en VBA para Excel de la descomposicion LU para resolver sistemas de ecuaciones lineales.
Implementaci
on de las dos fases de sustituci
on
Para resolver en Excel el sistema Ax b por medio de la descomposicion LU
y las dos fases de sustituci
on, considere la siguiente interfaz:
A
1
2
3
4
5
15
16
17
18
19
20
30
A
L
R S
Orden
Resolver
Sistema
AD
AE
221
Ejercicios 3.11
Utilice la descomposici
on LU para resolver los siguientes sistemas de ecuaciones lineales.
$
& 3x 4y ` 2z 2
18x 18y ` 5z 1
1.
%
12x ` 2y 8z 2
$
& 2x y z 1
3x ` 3y ` 9z 0
2.
%
3x ` 3y ` 5z 1
222
M
etodos num
ericos
$
3x y z 3
&
x ` 2y
2
3.
x
`
2z
w
4
%
z ` w
1
$
x ` y ` 3w
1
&
2x ` y z ` w
4
4.
3x
z
`
2w
%
x ` 2y ` 3z w 1
$
x1 ` 2x2 3x3 ` 4x4 2x5
%
3x1 ` 12x2 ` 13x3 ` 26x4 ` 13x5
3.4.5.
3
2
1
0
2
Inversos de matrices
ApIn qA1
pA In qA1
A1
In
Asociatividad
Neutro Multi
Neutro Multi
223
p
Dada la matriz A tal que detpAq 0 y que A admita una factorizacion LU ,
entonces A1 U 1 L1 , por lo que una forma de calcular la inversa de una
matriz es calcular la matriz inversa de las matrices L y U ; al ser estas matrices
triangulares, el c
alculo de la inversa de cada una es mas sencillo que el calculo
de la matriz original. El metodo de inversa por cofactores sera el mas acertado
en este caso.
Sin embargo, al combinar la descomposicion LU de A con lo visto en la seccion
anterior sobre la resoluci
on de sistemas de ecuaciones de la forma Ax b, se
consigue una forma alternativa para el calculo de A1 .
Sea A una matriz cuadrada de orden n tal que A admite descomposicion LU ,
y considere los vectores:
`
T
bi 0 0 1 0 0
de tama
no n tal que bi tiene un 1 en la posicion i y cero en las entradas restantes.
Para i 1, 2, 3, . . . , n. Es decir, bi es la iesima columna de la matriz identidad
de orden n.
Al resolver los sistema Ax bi con i 1, 2, 3, . . . , n el resultado de el iesimo
sistema tiene como soluci
on la iesima columna de la matriz A1 .
2 3
4
Ejemplo 79
Calcule la matriz inversa de la matriz A 5 8 51
1 2
4
F Soluci
on Utilice los metodos estudiados anteriormente para resolver cada uno
de los sistemas que se muestran a continuacion.
$
,
2 3
4
x1
1
& 70 .
5 8 51x2 0, de donde se obtiene S1 71 .
%
1 2
4
x3
0
18
$ ,
0
2 3
4
x1
& 4 .
5 8 51x2 1, de donde se obtiene S1 4 .
%
1 2
4
x3
0
1
$
,
2 3
4
x1
0
& 121 .
5 8 51x2 0, de donde se obtiene S1 122 .
%
x3
1
31
1 2
4
224
M
etodos num
ericos
Finalmente, se tiene que la matriz inversa de A es la matriz:
70 4
121
A1 71 4 122
18 1
31
F
Ejercicios 3.12
Use la descomposici
on LU para determinar, en caso de
cada una de las matrices dadas a continuacion:
4 3 3
4 4
6 4
1
0
1. 2
4.
4 1
2
1
1
0
0
1 4
1 3 1
3 7
2. 8 2 1
5.
1
2
6 1 1
7 8
1 8
5
5
3 4 8 10
4 6 1 3
6. 9 2
3.
0 1
6 3 3 1
3 7
1 3 4 3
3.5.
existir, la inversa de
5 7
1
5
2 1
3 2
0 4
3 8
0 6
1 7
9
4
9
4 4 6
4
2
0
3
1 5
9 6 7
Error y condicionamiento
225
3.5.1.
Las matrices inversas pueden dar una pista sobre la posibilidad del mal condicionamiento de un sistema de ecuaciones lineales. Este metodo se presenta a
continuacion.
Sea A una matriz, escale la matriz asociada al sistema de manera que el
mayor elemento dentro de la matriz, en valor absoluto, sea 1; denote a esta nueva
matriz A . Si los elementos de A1
as grandes que los elementos de
son mucho m
la matriz A , entonces se puede sospechar el mal condicionamiento de la matriz
A.
Ejemplo 80
Considere el sistema
"
x ` 2y
10
1.1x ` 2y 10.4
1 2
A
1.1 2
de donde se tiene que:
1
A
2
1 2
1.1 2
0.5 1
0.55 1
226
M
etodos num
ericos
y al calcular la inversa de A se tiene que:
A1
20 20
11 10
3.5.2.
N
umero de condici
on de una matriz
227
1{p
}x}p
|xi |
i1
}x}1
(3.23)
|xi |
i1
}x}2
1{2
x2i
i1
1{p
n
p
}x}8 lm
|xi |
m
ax |xi |
(3.24)
p8
i1
1in
Definici
on 38 (Norma matricial)
Sea Mn el conjunto de todas las matrices cuadradas de orden n. Una norma
matricial es una funci
on }} : Mn R tal que satisface las siguientes propiedades:
1. }A} 0 para todo A P Mn .
no n n.
2. }A} 0 si y solo si A O, donde O es la matriz nula de tama
3. }kA} |k| }A}, para todo A P Mn y k P R.
4. }A ` B} }A} ` }B} para toda A, B P Mn .
5. }AB} }A} }B} para toda A, B P Mn .
228
M
etodos num
ericos
(3.25)
(3.26)
}u}p 1
}A}1 m
ax
|aij |
1jn
i1
#
}A}8
m
ax
1in
|aij |
j1
Definici
on 39 (N
umero de condici
on de una matriz)
Sea A una matriz cuadrada de orden n tal que detpAq 0, entonces se define el
n
umero de condici
on de una matriz y se denota condpAq como:
condpAq }A}p }A1 }p
seg
un la norma que se este trabajando.
Si el n
umero de condici
on es relativamente alto se dice que la matriz esta mal
condicionada, mientras que si es cercano a la unidad se dice que la matriz esta bien
condicionada. Cuanto m
as alto sea el n
umero de condicion de una matriz, mayor
debera ser la precisi
on empleada para resolver un sistema con solucion u
nica que
posea como matriz asociada la matriz en cuestion.
Ejemplo 82
Determine el n
umero de condici
on para la matriz A que se muestra a continuacion:
1 2
3
A 2 2 1
3 2
3
Utilice las normas 1 e 8.
229
1 1
1 2
3
2
2 2 1
9
8
5
3 2
3
1
2
7
8
3
4
3
4
1
2
condpAq
condpAq
1
1
0
2
2
9 3
161
7
8
4
8
8 20. 1
5
1
3
1
4
2
4 1
1
1
1 2
0
3
2
2
9 3
7
2 2 1
8
4
8
22
3 2
1
3
3
8
5
1 2
3
2 2 1
3 2
3
F
Ejemplo 83
Determine el n
umero de condici
on de la matriz asociada al sistema que se presenta
en el ejemplo 81.
"
x ` 2y 10
1.1x ` 2y 10.4
Utilice la norma infinito para dicho c
alculo.
F Soluci
on La matriz asociada al sistema es:
1 2
A
1.1 2
De donde se procede a realizar el c
alculo de la matriz inversa de A.
..
2
1 2 . 1 0F2 1.1F1 1
..
1.1 2 . 0 1
0 0.2
..
.
1
0
..
. 1. 1 1
..
..
1
1 2 . 1
0
1 0 . 10 10
F2
F 2F
..
.
12
0.2
0 1 .. 5. 5 5
0 1 . 5.5 5
De esta forma se tiene que
A
10 10
5. 5 5
230
M
etodos num
ericos
Ahora se debe determinar el n
umero de condicion para A.
condpAq
1 2
10
1.1 2
5. 5
3. 1 20
10
5
62
El n
umero de condici
on es relativamente grande a pesar de que el sistema
posee una dimensi
on bastante reducida. De ah se puede concluir que la matriz
A esta mal condicionada y por tanto el sistema lo esta. Esto indica que para
precisiones peque
nas, en la aritmetica de punto flotante se espera una propagacion
del error de redondeo o corte.
F
Como se puede observar, el valor de condpAq no basta para garantizar el mal
condicionamiento de la matriz; adem
as, es necesario considerar la dimension de
esta y la precisi
on utilizada durante el c
alculo. Un n
umero de condicion de 62
podra ser aceptable si la dimensi
on de la matriz es grande y si la aritmetica
empleada posee una precisi
on elevada.
3.5.3.
C
omo escoger de una precisi
on, seg
un el nivel del mal
condicionamiento de la matriz
Matrices con n
umero de condici
on grande pueden ser consideradas mal condicionadas dependiendo de la precisi
on con la que se trabaje para resolver los
sistemas correspondientes. Por esta raz
on parece razonable estudiar la precision
con la cual se recomienda trabajar, seg
un el nivel del mal condicionamiento de la
matriz.
En la practica, si A es una matriz para la cual existe la sospecha del mal
condicionamiento, se recomienda realizar alguna de las siguientes pruebas para
escoger la precisi
on adecuada por utilizar en los calculos:
La precision recomendada es aquella que garantice al menos una de las siguientes igualdades a la hora de realizar los calculos mediante su uso.
pA1 q1 A
A A1 I, con I la matriz identidad correspondiente.
Si la precisi
on m
as alta posible en una computadora no garantiza ninguna
de las igualdades anteriores, entonces se puede decir que la matriz o cualquier
sistema correspondiente est
a mal condicionado.
231
12
15
3
A 12 14.9999999 3
4
1
6
A1
pA1 q1
0.999999992549419 0 0
0.000000007450581 1 0
0
0 1
A A1
Ejercicios 3.13
1. Calcule, mediante la norma 1 y la norma 8, el n
umero de condicion de
la matriz:
2 3.01
4
6
Que se puede decir sobre el condicionamiento de dicha matriz?
2. Construya una funci
on en VBA para Excel que reciba una matriz cuadrada de orden n y calcule el determinante de dicha matriz (no use la
funci
on de Excel para el calculo de determinantes).
3. Construya una funci
on en VBA para Excel que reciba una matriz cua-
232
M
etodos num
ericos
1 8 9
4
9
2
7
0
1
2 7
5
5 4 4 6
3
6
b)
5 3 6
2
0
3
a)
9 2 4
0 1 3
1 5
0 8 5 2
3 7 9 6 7
Utilice las normas 1 e 8.
3.6.
M
etodos iterativos
Los metodos iterativos son una alternativa para determinar una solucion aproximada de un sistema lineal por medio de una sucesion que converge a la solucion
real del sistema. Estos metodos son similares a los utilizados para determinar las
races de ecuaciones, es decir, se supone que se tiene una aproximacion inicial
suficientemente buena; luego se debe iterar para mejorar dicha aproximacion.
Los metodos de Jacobi y Gauss-Seidel son los mayormente mencionados para
aproximar soluciones de sistemas lineales.
Los metodos iterativos para resolver un sistema lineal de la forma Ax b
consisten en transformar el sistema en otro equivalente de la forma x T x ` c,
donde T es una matriz fija y c es un vector fijo, y el vector x es el mismo que
satisface el sistema original Ax b.
Note que la expresi
on x T x ` c indica que x es un punto fijo de la funcion
multivariada f pxq T x`c, de donde es natural pensar en el algoritmo del punto
fijo estudiado en la secci
on 2.7 en la p
agina 121.
De esta forma, dada una aproximaci
on inicial xp0q , seg
un el metodo del punto
fijo estudiado en la secci
on 2.7 se tiene que la nueva aproximacion xp1q se consigue
con:
xp1q T xp0q ` c
o bien,
xp1q f pxp0q q
233
o bien,
xp2q f pxp1q q
3.6.1.
o bien,
xpiq f pxpi1q q
M
etodo de paro
p }p
}x x
}x}p
p }8
}x x
}x}8
o bien
xpiq
}xpiq xpi1q }p
}xpiq }p
234
M
etodos num
ericos
Ejemplo 85
Considere el sistema Ax b que se muestra
$
& 12x1 ` 6x2
4x1 16x2
%
5x1 4x2
a continuacion:
3x3 2
5x3 1
11x3 3
x1
0x1
`
1
12
&
&
4x1 ` 5x3 1
1
x2
x2 x1 `
16
4
5x
`
4x
`
3
1
2
% x 5x
% x3
1
3
11
11
1
x2
2
0x2
4
x2 `
11
1
x3
4
5
x3 `
16
0x3
1
6
1
16
3
11
11
11
T 1
4
5
11
1
2
0
4
11
1
4
5
16
1
6
1
y c 16
3
11
La descomposici
on realizada en el ejemplo 85 da origen al metodo de Jacobi,
el cual se expone con m
as detalle a continuacion.
3.6.2.
M
etodo de Jacobi
%
an1 x1 ` an2 x2 ` ` ann xn bn
235
x2
..
.
xn
(3.27)
a12
x2
a11
a13
x3
a11
a1n
xn
a11
b1
a11
a21
x1
a22
a23
x3
a22
a2n
xn
a22
b2
a22
(3.28)
anpn1q
an2
bn
an1
x1
x2
xn1 `
ann
ann
ann
ann
De donde se puede expresar en forma matricial como:
a1pn1q
b
a13
a1n
a12
1
0
a11
a11
a11
a11
a11
x1
x1
a
2pn1q
a23
a2n
21
0
x2 b2
x2
a
a
a
a
22
22
22
22
a
22
x3 a31 a32
a3pn1q
a3n x3 ` b3
a (3.29)
a33
0
a33
a22
a22 .
33
..
.
..
. .
.
.
.
.
.
.
.
..
..
..
..
..
..
xn
xn
bn
a
npn1q
an2
an3
an1
ann
0
ann
ann
ann
ann
xn
`
T
Una vez as, basta tomar un vector inicial xp0q x01 x02 x0n que se
supone una aproximaci
on de la soluci
on del sistema; esta solucio`n puede sustituir-
se en (3.29) para as obtener una nueva aproximacion xp1q x11 x12 x1n
que se considera con mayor exactitud que la primera.
(8
De esta manera, si el algoritmo converge, se genera una sucesion xpiq i1
que tiene como lmite la soluci
on exacta del sistema Ax b.
Transformaci
on matricial del Jacobi
La transformaci
on del sistema Ax b a la forma x TJ x ` cJ se puede
hacer en forma matricial; esto es u
til cuando el n
umero de ecuaciones y variables
del sistema original es elevado.
236
M
etodos num
ericos
Considere el sistema
a11
a21
a31
..
.
a32 a33 a3n
(3.30)
x3 b3
..
..
.. .. ..
..
.
.
.
.
.
.
xn
bn
a11
0
.
..
0
0
a22
0
..
.
0
0
0
a33
..
.
0
..
.
0
0
0
..
.
0
a21
a31
`
.
..
ann
an1
0
0
a32
..
.
an2
0
0
0
..
.
an3
..
.
0
0
0
0
0
` 0
.. ..
. .
0
0
a12
0
0
..
.
0
a13
a23
0
..
.
0
a1n
a2n
a3n
..
.
0
..
.
a12
a11
a13
a11
a23
a22
a
21
a22
a31
TJ
a33
..
.
a32
a33
..
.
0
..
.
an1
ann
an2
ann
an3
ann
..
a1pn1q
a11
a2pn1q
a22
a3pn1q
a22
..
.
anpn1q
ann
a1n
a11
a2n
a22
a3n
a22
b1
a11
b2
a22
b3
a
33
y cJ
.
..
.
.
.
bn
ann
0
Ejemplo 86
Aproxime la soluci
on del sistema planteado en el ejemplo 85 utilizando el metodo
`
T
de Jacobi con la aproximaici
on inicial xp0q 0 0 0 . Itere hasta obtener
}xpiq xpi1q } 103
237
0
x1
x2
1
4
5
x3
11
1
2
0
4
11
1
4
x1
5
x2 `
16
x3
0
1
6
1
16
3
11
`
T
Al tomar como aproximaci
on inicial xp0q 0 0 0 , en la siguiente tabla
se muestran los resultados obtenidos en cada iteracion:
xp0q
0
0
0
xp1q
0.16667
0.0625
0.27273
xp6q
0.00235
0.16549
0.33077
xp2q
0.06723
0.18940
0.21970
xp7q
0.001231
0.16645
0.33184
xp3q
0.01704
0.14796
0.31104
xp8q
0.000481
0.16651
0.33270
xp4q
0.01492
0.16396
0.31878
xp5q
0.00499
0.16585
0.32556
xp9q
0.000239
0.16659
0.33306
}xp2q xp1q }2
0.1697085
}xp3q xp2q }2
0.1121531
}xp4q xp3q }2
0.0178999
}xp6q xp5q }2
0.0058468
}xp7q xp6q }2
0.0018232
}xp8q xp7q }2
0.001142
}xp9q xp8q }2
0.0004417
}xp5q xp4q }2
0.0121761
Ejercicios 3.14
Exprese cada uno de los sistemas que se presentan a continuacion en la forma
x TJ x ` cJ . Aproxime su soluci
on u
nica con un error menor que 103 en la
norma 8. Utilice el metodo de Jacobi con la aproximacion inicial xp0q 0 en
cada caso.
238
M
etodos num
ericos
$
&
1.
7x y ` 2z
2x 15y z
%
3x 2y ` 10z
2.
$
& 15x 3y 2z
2x 10y z
%
x ` y ` 7z
&
2
3
1
3
1
0
3.
15x y z w
2x 20y ` 5z w
x ` y ` 11z w
%
x y 3z ` 15w
4.
$
25x1 ` 3x2 ` 4x3 ` 5x4 x5
2x
%
3x1 3x3 21x5
12
23
30
4
50
32
20
16
14
Implementaci
on del m
etodo de Jacobi
pk`1q
xi
pkq
donde xj
aij pkq
bi
xj `
aii
aii
j1,jk
239
p0q
nj1,jk aij xj ` bi
5:
xi
aii
6:
fin para
7:
8:
9:
10:
11:
12:
13:
14:
15:
ErrorAprox }x xp0q }p
k k`1
x xp0q
fin mientras
si k MaxItera entonces
Mensaje de fracaso. Se ha superado el maximo de iteraciones sin exito.
si no
retornar x, ErrorAprox
fin si
C
alculo de la l
nea # 5
For j = 1 To n
If j <>i Then
X(i,1) = X(i,1) + A(i, j) * X0(j,1)
End If
Next
X(i,1) = (-X(i,1) + B(i,1))/A(i,i)
1
Por otro lado, se recomienda que el calculo del error aproximado se realice
mediante una funci
on que reciba los dos vectores y sus dimensiones, y retorne el
valor }x xp0q }2 .
240
M
etodos num
ericos
Public Function CalError(X1 As Variant, X2 As Variant,
n As Integer) As Double
1
Se trabajar
a con la norma 2, pero esta funci
on puede ser
1
modificada para que trabaje con cualquier otra norma
Dim i As Integer, Sum As Double
For i = 1 To n
Sum = Sum + (X1(i,1) - X2(i,1))^ 2
Next
CalError = Sqr(Sum)
End Function
3.6.3.
M
etodo de Gauss-Seidel
%
an1 x1 ` an2 x2 ` ` ann xn bn
el sistema (3.31) se puede reescribir, tal y como se realizo en el metodo de
Jacobi como:
x1
x2
..
.
xn
(3.32)
241
de la aproximaci
on anterior xpiq en las variables de cada una de las siguientes
ecuaciones:
pi`1q
x1
pi`1q
x2
piq
piq
piq
piq
piq
..
.
piq
pi`1q
xn
piq
piq
(3.33)
piq
De esta forma, el c
alculo de xpi`1q depende exclusivamente de los valores de
las entradas de xpiq ; sin embargo, el metodo de Gauss-Seidel incorpora la variante
de realizar el c
alculo de las entradas de xpi`1q al utilizar los valores calculados
mas recientemente de las variables requeridas.
Mas puntualmente, para realizar el c
alculo de la entrada kesima de xpi`1q se
utilizan los valores ya calculados del mismo vector xpi`1q y los restantes valores se
completan con los del vector xpiq , es decir, las primeras k 1 variables se toman
de xpi`1q y las restantes del vector correspondiente a la aproximacion anterior
xpiq , ya que estas u
ltimas variables no han sido calculadas en xpi`1q .
pi`1q
pi`1q
xk
bk ak1 x1
pi`1q
ak2 x2
pi`1q
piq
piq
para k 1, 2, 3, . . . , n.
o lo que es lo mismo,
bk
pi`1q
xk
k1
pi`1q
akj xj
j1
jk`1
akk
piq
akj xj
(3.34)
para k 1, 2, 3, . . . , n.
242
M
etodos num
ericos
x1
pi`1q
a2j xj
piq
a2j xj
j3
a22
b3
pi`1q
piq
a1j xj
j2
j1
x3
a11
b2
pi`1q
pi`1q
a1j xj
j1
x2
pi`1q
a3j xj
j4
j1
piq
a3j xj
a33
..
.
bn
n1
pi`1q
aj xj
jn`1
j1
xpi`1q
piq
anj xj
ann
a11 x1
piq
a1j xj ` b1
j2
pi`1q
a22 x2
pi`1q
a2j xj
j1
pi`1q
a33 x3
piq
a2j xj ` b2
j3
pi`1q
a3j xj
j1
piq
a3j xj ` b3
j4
..
.
ann xpi`1q
`
n
n1
pi`1q
aj xj
bn
j1
Al desarrollar las sumas para poder visualizar notacion matricial se tiene que:
pi`1q
0
pi`1q
`a22 x2
pi`1q
`a32 x2
a11 x1
pi`1q
a21 x1
a31 x1
pi`1q
0
0
pi`1q
`a33 x3
..
.
pi`1q
an1 x1
0
0
= 0 a12 x2
= 0
0
= 0
..
pi`1q
`an2 x2
pi`1q
`an3 x3
piq
..
.
piq
a13 x3
piq
a23 x3
pi`1q
`ann xn
= 0
piq
a1n xn `b1
piq
a2n xn `b2
piq
a3n xn
..
..
.
`b3
`bn
243
a11
a21
a31
.
..
an1
0
a22
a32
0
0
a33
an2
an3
..
.
pi`1q
x1
0
pi`1q
0
x
2
pi`1q
x
3
0
.
..
pi`1q
ann
0
xn
0
0
0
a12
0
0
a13
a23
0
..
.
piq
x1
b1
a1n
xpiq b
a2n
2
piq 2
b3
a3n
x3 `
.. ..
piq
bn
0
xn
pD ` L ` U qx b
pD ` Lqx ` U x b
pD ` Lqx U x ` b
F Soluci
on
Tome
12
0
0
0
0 0
0 6 3
16
0 , L 4 0 0, U 0 0 5
D 0
0 0 0
0
0
11
5 4 0
244
M
etodos num
ericos
0.166666
0
0.5
0.25
TG 0 0.125 0.25 , cG 0.104166
0 0.1818 0.2045
0.234848
As, se tiene que la transformaci
on buscada es:
0
0.5
0.25
0.166666
x
x
y 0 0.125 0.25 y ` 0.104166
0 0.1818 0.2045
z
z
0.234848
F
Ejemplo 88
Aplique el metodo de Gauss-Seidel a la transformacion realizada en el ejemplo 87
para obtener una aproximaci
on xpiq que cumpla }xpiq xpi1q } 103 . Compare
el valor de i (n
umero de iteraciones) con el obtenido en el ejemplo 85.
F Soluci
on
Al realizar las iteraciones correspondientes se nota que
xp0q
0
0
0
xp1q
0.16667
0.104167
0.23485
xp2q
0.05587
0.149858
0.30183
xp3q
0.01628
0.160891
0.32383
xp4q
0.00526
0.16501
0.33033
xp5q
0.00158
0.166125
0.33242
xp6q
0.0005
0.166506
0.33305
xp7q
0.00015
0.166615
0.33325
Los errores aproximados al utilizar la norma 2 en cada una de las aproximaciones anteriores se muestran en la siguiente tabla:
}xp1q xp0q }2
0.30624
}xp2q xp1q }2
0.13729
}xp3q xp2q }2
0.04662
}xp5q xp4q }2
0.00438
}xp6q xp5q }2
0.00130
}xp7q xp6q }2
0.00041
}xp4q xp3q }2
0.01344
0.00015
xp7q 0.166615
0.33325
Por otro lado, la aproximaci
on determinada por el metodo de Jacobi en la novena
iteracion fue:
0.000239
xp9q 0.16659
0.33306
F
Y el error absoluto aproximado obtenido fue 0.0004417.
245
xk
k1
pi`1q
akj xj
j1
piq
akj xj
jk`1
akk
piq
pi`1q
es la jesima
i1
aij xj
j1
ji`1
5:
xi
6:
fin para
7:
ErrorAprox }x xp0q }p
8:
9:
10:
11:
12:
13:
14:
15:
p0q
aij xj
aii
k k`1
x xp0q
fin mientras
si k MaxItera entonces
Mensaje de fracaso. Se ha superado el maximo de iteraciones sin exito.
si no
retornar x, ErrorAprox
fin si
246
M
etodos num
ericos
Convergencia del M
etodo de Jacobi y Gauss-Seidel
Uno de los problema de los metodos iterativos es determinar las condiciones en
las que se puede garantizar la convergencia de la sucesion asociada. En algunos
metodos de aproximaci
on iterativa existen criterios sencillos que indican si el
metodo converge o no; un ejemplo de esto es el metodo del punto fijo estudiado
en la seccion 2.7.
Existen ejemplos en los cuales el metodo de Jacobi converge y el metodo de
Gauss-Seidel diverge; tambien existen ejemplos en donde Gauss-Seidel converge
y el metodo de Jacobi diverge.
Para el metodo de Jacobi y el de Gauss-Seidel se conoce un criterio necesario
pero no suficiente para su convergencia, el cual se basa en la matriz asociada al
sistema. Esto es, si las condici
on de criterio se cumplen, se puede garantizar que
los metodos de Jacobi y Gauss-Seidel convergen a la solucion u
nica del sistema;
sin embargo, si las condiciones del criterio no son satisfechas, entonces no es
posible garantizar la convergencia de ninguno de los dos metodos. Por lo tanto,
tampoco es posible garantizar la divergencia de ellos.
Definici
on 41 (Matriz diagonalmente dominante)
Sea A una matriz cuadrada de orden n, se dice que A es una matriz diagonalmente
dominante si y solo si:
n
|xAyii |
|xAyij |, @i 1, 2, . . . , n
j1
ji
10
2
0
1
1
2 17 2
5
1
1
20
2
3
A 3
4
3
2 47 1
2
0
3
3
52
La matriz A es diagonalmente dominante.
Teorema 35
Sea Ax b un sistema de n ecuaciones lineales con n incognitas, si la matriz
247
2
3 7
con matriz asociada 11 1 4
2
9 4
11 1 4
& 11x y ` 4z 6
2x ` 9y 4z 2 , con matriz asociada 2
9 4
%
2x ` 3y 7z 2
2
3 7
$
7 2
3
& 7z ` 2x ` 3y 2
4z ` 11x y 6 , con matriz asociada 4 11 1
%
4z ` 2x ` 9y 2
4 2
9
En tales casos, la matriz asociada al reordenamiento del sistema resulta diagonalmente dominante, y es posible garantizar la convergencia tanto del metodo de
Jacobi como el metodo de Gauss-Seidel.
Ejercicios 3.15
1. Aplique el metodo de Gauss-Seidel para aproximar la solucion de los
siguientes sistemas con un error menor que 104 (Use la norma 8 para
el calculo del error). Tome como aproximacion inicial xp0q 0:
248
M
etodos num
ericos
$
& 11x ` 2y ` 4z 3
3x ` 15y ` 2z 2
a)
%
4x ` 3y 21z 5
$
& 23x 5y ` z 2
3x ` 29y 3z 7
b)
%
5x ` 6y ` 31z 2
2. Aplique varias iteraciones del metodo de Jacobi y del metodo de GaussSeidel y verifique la existencia de sistema en donde el metodo de Jacobi
converge y el metodo de Gauss-Seidel diverge, y viceversa.
$
$
& 2x1 x2 ` x3 1
& x1 ` 2x2 2x3 7
2x1 ` 2x2 ` 2x3 4
x1 ` x2 ` x3 2
a)
b)
%
%
x1 x2 ` 2x3 5
2x1 ` 2x2 ` x3 5
3.7.
Resoluci
on de sistemas no lineales
Dado el sistema
$
f1 px1 , x2 , . . . , xn q 0
& f2 px1 , x2 , . . . , xn q 0
..
%
fn px1 , x2 , . . . , xn q 0
(3.35)
se dice que es un sistema no lineal si al menos una de las ecuaciones del sistema
no es una ecuaci
on lineal.
Ejemplo 91
Los siguientes sistemas son no lineales.
"
3.7.1.
x2 ` y 2 3 0
2x 2y 2 0
$
& x ` 2y 3z 1 0
3x ` 2y 6z 0
%
xy ` ez 2
0
Representaci
on de un sistema no lineal como una funci
on
n
n
de R en R
Dado un sistema (3.35), este se puede representar como una funcion que toma
un elemento de Rn y lo enva a otro elemento en Rn . Esto se hace al definir una
funcion F : Rn Rn como:
f1 px1 , x2 , . . . , xn q
f2 px1 , x2 , . . . , xn q
Fpx1 , x2 , . . . , xn qT
..
.
fn px1 , x2 , . . . , xn q
249
2xy 2 ` 3x 10
0
3x 5x2 y y 2 0
(3.36)
3.7.2.
M
etodo de punto fijo para funciones de Rn en Rn
Definici
on 42
Sea G : D Rn Rn una funci
on, y sea p P D un vector. Se dice que p es un
punto fijo de G si y solo si p Gppq.
Ejemplo 93
Considere la funci
on F : R2 R2 definida por:
x
3x ` 3y 1
F
y
2x2 6y 2 ` 1
Note que
5
es un punto fijo de F, pues:
3
5
3 5 ` 3 3 1
5
F
3
2 52 6 p3q2 ` 1
3
250
M
etodos num
ericos
Bgi pxq K
Kk
}xp1q xp0q }8
1K
(3.37)
Note que la desigualdad (3.37) establece una cota para el error absoluto al
utilizar la norma 8. Esto permitir
a definir un metodo de parada que garantice
que el error absoluto sea menor que una tolerancia predefinida.
Similar a lo que se realiz
o en el metodo del punto fijo para funciones en
una variable, la funci
on Fpxq pf1 pxq, f2 pxq, . . . , fn pxqqT debe transformarse de
modo que:
Fpxq 0 x Gpxq
La forma de lograr esta transformaci
on se evidencia en el siguiente ejemplo:
Ejemplo 94
Para el sistema presentado en el ejemplo 92 determine la funcion G de iteracion
de punto fijo.
F Soluci
on Para el sistema
"
2xy 2 ` 3x 10
0
2
3x 5x y y 2 0
251
2xy 2
x
0
y
0
10
2y 2 `3
23x
5x2 1
2 3x T
10
x
,
G
y
2y 2 ` 3 5x2 1
de esta manera, se tiene que: Fpxq 0 x Gpxq.
Otras posibilidades corresponden a:
G
T
10 2xy 2
x
, 3x 5x2 y 2
y
3
10 3x 2 ` y 3x T
x
G
,
y
2y 2
5x2
F
x2 10x ` y 2 ` 8 0
xy 2 ` x 10y ` 8 0
252
M
etodos num
ericos
G
,
y
10
10
Demuestre que G satisface las hip
otesis del teorema 36 en la region D r0, 23 s
3
r0, 2 s.
F Soluci
on
xy 2 ` x ` 8
x2 ` y 2 ` 8
y g2 px, yq
, cuConsidere las funciones g1 px, yq
10
10
yas graficas se muestran a continuaci
on:
1.5
1.0
1.5
1.0
0.5
0.5
0.0
0.0
1.2
1.2
1.1
1.0
1.0
0.9
0.8
0.8
0.0
0.0
0.5
0.5
1.0
1.0
1.5
(a) Gr
afica de g1
1.5
(b) Gr
afica de g2
`
5
4
g1 px, yq g1 23 , 32
5
4
`3
3
2, 2
@px, yq P D
`
103
4
g2 px, yq g2 23 , 32
5
80
@px, yq P D
As, se tiene que Gpxq P D para todo x P D, y que existe un punto fijo para G
en D.
253
px, yq
10
Bx
Bg2
0
px, yq
By
0
x
3
0.3
5
10
y
3
0.3
5
10
y2 ` 1
13
0.325
10
40
xy
9
0.225
5
40
13
1, donde se tiene que:
20
Bgi
K
Bxi px1 , x2 q 2
por lo que el punto fijo es u
nico.
Ejemplo 96
Determine el n
umero de iteraciones del metodo de punto fijo que se deben realizar
para resolver el sistema planteado en el ejemplo 95, mediante la transformacion
propuesta en el mismo ejercicio y el vector inicial xp0q p0, 0qT , con un error
absoluto menor que 107 con norma 8.
F Soluci
on
De lo realizado en el ejercicio 95 se tiene que la funcion F : R2 R2 que
representa al sistema es:
x
F
px2 10x ` y 2 ` 8 , xy 2 ` x 10y ` 8qT
y
La funcion de iteraci
on de punto fijo es:
G
2
T
x ` y 2 ` 8 xy 2 ` x ` 8
x
,
y
10
10
La constante K 13
20 es la constate indicada en el teorema 36, con la cual se
demuestra la unicidad y convergencia del metodo de punto fijo.
De esta manera, la desigualdad (3.37) presentada en el teorema 36 indica una
cota para el error absoluto.
}xpkq p}8
Kk
}xp1q xp0q }8
1K
254
M
etodos num
ericos
Se debe calcular xp1q Gpxp0q q p 54 , 45 q, donde se tiene que
}x
p1q
p0q
}8
4 4
4
,
5 5 8 5
De esta manera,
}xpkq p}8
13 k
p 20
q
4
13 5
1 p 20 q
x
0
0.8
0.928
0.972831744
0.989365606
0.995782611
0.998318801
0.999328437
0.999731521
0.999892632
0.999957057
y
0
0.8
0.9312
0.973269983
0.989435095
0.995793654
0.998320563
0.999328719
0.999731566
0.999892639
0.999957058
# Ite.
11
12
13
14
15
16
17
18
19
20
21
x
0.999982823
0.999993129
0.999997252
0.999998901
0.99999956
0.999999824
0.99999993
0.999999972
0.999999989
0.999999995
0.999999998
y
0.999982823
0.999993129
0.999997252
0.999998901
0.99999956
0.999999824
0.99999993
0.999999972
0.999999989
0.999999995
0.999999998
3.7.3.
M
etodo de Newton-Raphson para funciones de Rn en Rn
255
256
M
etodos num
ericos
F Soluci
on Defina las funciones f1 px, yq x2 10x ` y 2 ` 8 y f2 px, yq
2
xy ` x 10y ` 8. Adem
as, considere xpkq pxk , yk qT y la sucesion recursiva
mostrada en (3.38) y dada por:
xpk`1q xpkq J 1 pxpkq qFpxpkq q
o lo que es lo mismo:
xk`1
xk
x
1 xk
J
F k
yk`1
yk
yk
yk
x0
3
y:
donde xp0q
y0
2
Bf
Bf1
1
Bx px, yq By px, yq
2x 10
2y
x
Bf
2
Bf
2
2
y ` 1 2xy 10
px, yq
px, yq
Bx
By
por lo que la sucesi
on recursiva queda reducida a:
2xk 10
2yk
2`8
xk`1
xk
x
10x
`
y
k
k
k
yk`1
yk
xk yk2 ` xk 10yk ` 8
2
yk ` 1 2xk yk 10
xp0q
x
y
3
2
y
10.851852
1.6790981
xp1q
x
y
x
y
0.5039588
1.0136240
y
8.992082356
2.027433651
x
y
8.0569914
1.9901654
0.9715043
0.9950705
1.9901411
8.0665694
y
0.1321704
0.0326088
y
8.0002409
1.9998652
1.9998652
8.0003756
y
0.1333274
0.0333280
xp5q
0.0264572
0.1173534
y
4.2418199
1.114497
0.0326084
0.1320135
y
0.2189430
0.0172511
0.0333280
0.133325
y
0.0008288
0.0002982
J 1
J 1
0.9998796
0.9999326
2.0272480
8.9783505
y
0.1171742
0.0264595
0.0158983
0.1046789
y
13.119770
15.525569
F
J 1
xp4q
x
y
1.6481481
9.2980110
y
0.0896902
0.0161969
0.0370370
0.0370370
y
9
43
J 1
xp3q
x
y
4
22
y
0.2037037
0.0462963
J 1
0.425925926
0.8240741
xp2q
y
4
5
0.999999997
257
Ejercicios 3.16
1. Reescriba cada uno de los sistemas no lineales que se muestran a continuaci
on, como un problema de iteracion de punto fijo y aplique el
metodo de punto fijo hasta aproximar la solucion con un error absoluto
aproximado menor que 105 . Si no converge el metodo, busque otra
transformaci
on que s lo haga. En caso de no encontrar ninguna transformaci
on de modo que el metodo de punto fijo converja, indquelo.
" 2
"
x ` y2 x 0
x y senpxq 1 0
a)
d)
x2 y 2 y 0
y 3 yx cospxq 0
" 2
x ` y 37 0
b)
x y2 5 0
$
1
0
3x cospyzq
&
x2 81py ` 0.1q2 ` senpzq ` 1.06 0
c)
10 3
%
exy ` 20z `
0
3
2. Resuelva los sistemas aq, bq y cq de la parte 1, con base en el metodo
de Newton-Raphson para sistemas no lineales. Utilice en todas la aproximaci
on inicial xp0q p1, 1qT e itere hasta alcanzar un error absoluto
menor que 105 con norma 8.
3.8.
1. Para el sistema
2x2 ` 5x3
9
2x1 ` x2 ` x3 9
%
3x1 ` x2
10
$
&
"
4x1 8x2 24
x1 ` 6x2 34
258
M
etodos num
ericos
3. Considere el sistema
"
0.5x1 x2 9.5
1.02x1 2x2 18.8
& x1 ` x2 x3
5. Considere el sistema: 6x1 ` 2x2 ` 2x3
%
3x1 ` 4x2 ` x3
el sistema original.
3
2
1
259
1 1{2 1{3
10. La siguiente matriz A 1{2 1{3 1{4 se denomina matriz de Hilbert
1{3 1{4 1{5
de orden 3. Analcela y determine si tiene altas posibilidades de ser una
matriz mal condicionada 2 .
11. Utilice descomposici
on LU para determinar la matriz inversa de la matriz
A, donde:
5 3 4
A 2 4 2
4 2 3
12. Considere el sistema:
$
& 3x1 ` 7x2 15x3 2
7x1 ` 2x2 3x3 10
%
2x1 5x2 ` x3 4
2
Se dice que una matriz A es mal condicionada si y solo un sistema que la tiene como matriz
asociada es un sistema mal condicionado.
260
M
etodos num
ericos
Es el sistema anterior diagonalmente dominante3 ?
En caso de no serlo, es posible determinar un sistema equivalente que sea
diagonalmente dominante?
&
6x 2y ` 3z 9
6x 2y ` 14z ` 2w 2
a)
c)
%
4x ` 5y 11z 5
2x ` 15y 5z 4w 5
%
$
2x ` 5y 3z ` 12w 3
& 12x ` 5y ` 2z 8
b)
%
6x 2y ` 14z 2
2x ` 15y 5z 5
}x}1
|xi |
i1
261
xy 2 ` x 10y ` 8 0
x f1 px, yq x ` y ` 8
&
10
% y f2 px, yq
xy 2 ` x ` 8
10
x
f1 px, yq
b) Use el teorema 36 para demostrar que la funcion F
y
f2 px, yq
tiene un punto fijo en el conjunto D, donde:
*
"
3
3
x
D
x P 0, 2 ^ y P 0, 2
y
c) Aproxime la soluci
on del sistema al aplicar el metodo de punto fijo
con el valor inicial xp0q p0, 0qT . Itere hasta que el error absoluto sea
menor que 105 . Para dicho error use la norma 2.
Captulo 4
Interpolaci
on num
erica y
regresi
on lineal
4.1.
Introducci
on
Habitantes
800 875
1 336 274
1 871 780
2 416 809
3 810 179
4 586 353
264
M
etodos num
ericos
1950
1960
1970
1980
1990
2000
2010
Figura 4.1: Gr
afico de dispersion de los datos.
4.2.
El proceso de interpolaci
on
265
donde n es un n
umero natural y ai son los coeficientes del polinomio para i
1, 2, . . . , n. A este tipo de interpolaci
on se le conoce como interpolaci
on polinomial
y al polinomio P pxq polinomio interpolante. Sin embargo, existen aproximaciones
por medio de funciones exponenciales, logartmicas, entre otras.
El siguiente teorema garantiza la existencia y unicidad del polinomio interpolante.
Teorema 37
Sea f : A B una funci
on real de variable real y sean x0 , x1 , . . . , xn , n ` 1
n
umeros distintos en el dominio de f , entonces existe un u
nico polinomio P pxq
de grado menor o igual a n que satisface que:
para cada k 0, 1, 2, . . . , n
f pxk q P pxk q
o Demostraci
on
Primero se desea probar que existen coeficientes reales an , an1 , . . . , a2 , a1 , a0
tales que el polinomio P pxq an xn ` an1 xn1 ` ` a2 x2 ` a1 x ` a0 cumpla
que P pxk q f pxk q para todo n 0, 1, 2, 3, . . . , n. Si este polinomio existiera, sus
coeficientes deber
an satisfacer el sistema (4.1),el cual se muestra a continuacion:
$
an xn0 ` an1 xn1
` ` a2 x20 ` a1 x0 ` a0
n1
n
2
& an x1 ` an1 x1 ` ` a2 x1 ` a1 x1 ` a0
n1
n
an x2 ` an1 x2 ` ` a2 x22 ` a1 x2 ` a0
%
an xnn ` an1 xn1
` ` a2 x2n ` a1 xn ` a0
n
f px0 q
f px1 q
f px2 q
..
.
(4.1)
f pxn q
f px0 q
an
1
an1 f px1 q
1
.. f px2 q
.
..
.. a2
.
.
a1 f pxn1 q
1
f pxn q
a0
n
x0 xn1
0
xn xn1
1
1
xn xn1
2
2
.
..
..
.
xnn xn1
n
x20
x21
x22
x0
x1
x2
..
.
.
..
x2n xn
(4.2)
De donde queda claro que la existencia y la unicidad del polinomio quedan condicionadas a la existencia y la unicidad de la solucion del sistema (4.2). La matriz
asociada al sistema (4.2) tiene determinante no nulo, pues xi xj para todo
266
M
etodos num
ericos
n
x
0
xn
1
n
x2
..
.
xn
xn1
0
xn1
1
xn1
2
..
.
x20
x21
x22
.
..
x0
x1
x2
..
.
1
1
1
..
.
xn1
x2n xn 1
n
px0 x1 qpx0 x2 q px0 xn q px1 x2 qpx1 x3 q
que satisface
f pxk q P pxk q
para cada k 0, 1, 2, . . . , n
existe y es u
nico
p
El siguiente resultado justifica que el uso de funciones polinomiales es una
excelente opcion para aproximar funciones aparentemente continuas en un proceso de interpolaci
on numerica. Dicho resultado garantiza, para cualquier funcion
definida y continua, la existencia de un polinomio que aproxime dicha funcion
con un error tan peque
no como se desee.
Teorema 38 (Teorema de aproximaci
on de Weierstrass)
Dada una funci
on f definida y continua en un intervalo ra, bs y dado 0,
siempre es posible determinar un polinomio P pxq, que cumpla la propiedad:
267
P(x)
A continuaci
on se estudiar
an casos especficos de polinomios interpolantes.
Posteriormente se realiza un an
alisis del error que se comente al utilizar los polimonios interpolantes para aproximar la imagen de una funcion en un punto
dado.
4.3.
Diferencias divididas
4.3.1.
Interpolaci
on lineal
268
M
etodos num
ericos
P1
f
f ( x1)
f ( x0)
x0
x1
f px1 q f px0 q
f px1 q f px0 q
P1 pxq
x ` f px0 q
x0
x1 x0
x1 x0
f px0 q `
f px1 q f px0 q
px x0 q
x1 x0
Definici
on 43
Sea f una funci
on definida y continua en el intervalo ra, bs y sean x0 y x1 dos
puntos cualesquiera contenidos en ra, bs. Se define la primera diferencia dividida
de f con respecto a x0 y x1 , y se denota f rx0 , x1 s, como:
f rx0 , x1 s
f px1 q f px0 q
x1 x0
En virtud de la definici
on 43 se tiene que la ecuacion de la recta P1 queda
reducida a:
P1 pxq f px0 q ` f rx0 , x1 spx x0 q
En este caso, f rx0 , x1 s es la pendiente de la recta secante a la grafica de f
que pasa por los puntos px0 , f px0 qq y px1 , f px1 qq. De esta forma, f rx0 , x1 s puede
ser considerada como una aproximaci
on de la primera derivada de f evaluada en
cualquier valor entre x0 y x1 . Y se le denomina aproximacion en diferencias divididas finitas de la primera derivada de la funcion f . Note que dicha aproximacion
es buena en la medida que x0 y x1 esten cercanos.
Ejemplo 98
?
?
Estime, mediante una interpolaci
on lineal, el valor de 3 si se sabe que 1 1
?
y 4 2.
269
P1 pxq f p1q `
f px1 q f px0 q
px x0 q
x1 x0
f p4q f p1q
px 1q
41
1
P1 pxq 1 ` px 1q
3
?
1
2
3 P1 p3q 1 ` p3 1q 1 ` 1.66
3
3
F
?
?
Para el ejemplo anterior, el valor real de 3 esta dado por 3 1.732050807...
de donde se puede observar que la aproximacion obtenida por la interpolacion
lineal no es muy buena; esto se debe a que los valores conocidos se encuentran
relativamente alejados del valor a aproximar. En la figura 4.4 se muestra geometri?
camente la interpolaci
on lineal para la funcion f pxq x en el intervalo r1, 4s.
En la misma figura se observa una interpretacion geometrica del error cometido
durante la interpolaci
on lineal.
De esta manera se tiene que
2
1.66
1
Valor real
Aproximacin
Error
3
3.
270
M
etodos num
ericos
a1
a2
Valor real
x
x0
x1
x2
x3
La calidad de la aproximaci
on obtenida por interpolacion lineal depende en
gran medida de la cercana que tengan los datos conocidos con el valor por aproximar. Otro factor que influye en dicha calidad lo constituye la variacion que tenga
la funcion dentro del intervalo de interpolacion. El exito de la interpolacion lineal proviene de suponer que la funci
on f se comporta aproximadamente lineal
en el intervalo de interpolaci
on. Si esto no es as, la calidad de la aproximacion
obtenida no ser
a aceptable.
En la figura 4.5 se puede apreciar el error que ocasiona realizar la interpolacion
lineal con valores relativamente alejados del valor por aproximar; en este caso, se
puede observar que la aproximaci
on a2 es mucho mejor que la aproximacion a1 .
Ejercicios 4.1
1. Sea f una funci
on desconocida y continua en el intervalo ra, bs y sea
p Psa, br. Si se sabe que la funci
on se comporta aproximadamente lineal
en ra, bs determine una aproximacion en terminos de a y b para la aproximaci
on de f ppq obtenida por interpolacion lineal. Suponga conocidos
los valores f paq y f pbq.
2. Estime el valor de cosp1q, si se sabe que cosp0q 1 y cospq 1.
Compare el valor obtenido con el valor real (use como valor real lo que
brinda la calculadora). Dibuje la funcion y la recta de interpolacion, u
sela
para explicar el resultado.
3. Estime el valor de senp{2q si se sabe que senp0q 0 y senpq 0.
271
4.3.2.
c) f pxq px 2q lnpxq,
con a 1 y b 2.
d) f pxq 2x ,
con a 0 y b 1.
Interpolaci
on cuadr
atica
El exito de la interpolaci
on lineal proviene de suponer que la funcion desconocida se comporta aproximadamente lineal dentro del intervalo de interpolacion.
De esta forma, la aproximaci
on lineal de la funcion desconocida f dada por la
recta secante que pasa por los puntos px0 , f px0 qq y px1 , f px1 qq es un buen estimador de f , y por lo tanto, las aproximaciones obtenidas seran aceptables. Sin
embargo, no en todos los caso es posible suponer que la funcion desconocida se
comporta aproximadamente lineal, y por consiguiente, que la recta secante no
sea un buen estimador de la funci
on desconocida f .
En caso de que la funci
on no se comporte aproximadamente lineal dentro del
intervalo de interpolaci
on, es necesario establecer una aproximacion de la funcion
que tenga la capacidad de adaptarse, en alguna medida, a las variaciones que
tenga la funci
on dentro del intervalo.
Una estrategia que podra mejorar satisfactoriamente la aproximacion consiste en realizar la interpolaci
on con tres puntos que generen una aproximacion
cuadratica en lugar de una lineal. Es decir, se busca ya no una la mejor recta
de aproximaci
on, sino la mejor par
abola que aproxime la funcion en cuestion. Lo
anterior se puede observar en la figura 4.6.
272
M
etodos num
ericos
P2
x0
x1
x2
Ejemplo 99
Considere tres puntos distintos px0 , f px0 qq, px1 , f px1 qq y px2 , f px2 qq no colineales.
Demuestre, sin usar directamente el teorema 37, que siempre existe una una
funcion polinomial con criterio P2 pxq ax2 ` bx ` c tal que los tres datos estan
contenidos en su gr
afico.
F Soluci
on Sea y0 f px0 q, y1 f px1 q, y2 f px2 q y sea P2 pxq ax2 ` bx ` c
un polinomio cuadr
atico. Si todos los datos estan contenidos en el grafico de P2 ,
entonces necesariamente se cumple que:
P2 px0 q ax20 ` bx0 ` c y0
P2 px1 q ax21 ` bx1 ` c y1
P2 px2 q ax22 ` bx2 ` c y2
Lo anterior puede ser considerado como un sistema con tres ecuaciones lineales
y tres incognitas a, b y c. As, la notaci
on matricial de dicho sistema esta dada
por:
2
x0 x0 1
a
y0
x21 x1 1 b y1
x22 x2 1
c
y2
por lo que bastara demostrar que dichos sistemas tienen solucion u
nica y que
a 0.
x2
0
2
x1
2
x2
x0 1
x 1
x 1
x 1
1
0
0
x1 1 x20
x21
` x22
x2 1
x2 1
x1 1
x2 1
273
pues x0 , x1 y x2 son distintos entre s. As, queda demostrado que el sistema tiene
solucion u
nica. Falta demostrar que a 0.
Por la regla de Cramer se sabe que:
y
0
y1
y2
x0 1
x1 1
x2 1
D
(4.3)
por la no coli-
Si se define A px0 , y0 q, B px1 , y1 q y C px2 , y2 q, entonces
`
nealidad de los puntos se tiene que los vectores u AB x1 x0 y1 y0
`
y v AC x2 x0 y2 y0 son linealmente independientes.
Lo anterior sucede si
x x
1
0
y1 y0
x2 x0
0
y2 y0
x0 1
x x x x
1
0
2
0
x1 1
0
y1 y0 y2 y0
x2 1
El polinomio cuadr
atico que se presenta en el teorema 99 se puede expresar
de la forma:
P2 pxq b0 ` b1 px x0 q ` b2 px x0 qpx x1 q
donde
b0 f px0 q
b1
b2
f px1 q f px0 q
x1 x0
f px2 q f px1 q f px1 q f px0 q
x2 x1
x1 x0
x2 x0
(4.4)
274
M
etodos num
ericos
Ejercicios 4.2
Demuestre que px0 , f px0 qq, px1 , f px1 qq y px2 , f px2 qq pertenecen al grafico de
la funcion P2 presentada en 4.4.
El calculo de b2 puede hacerse en funci
on de las primeras diferencias divididas
de la funcion f en los valores x1 , x2 y x0 , x1 respectivamente. En la definicion
44 se nombra el valor b2 como la segunda diferencia dividida de f en los valores
x0 , x1 y x2 . De esta manera, el polinomio interpolante de grado dos se puede
expresar en terminos de primeras y segundas diferencias divididas de la funcion
f.
Definici
on 44
Sea f una funci
on definida y continua en el intervalo ra, bs y sean x0 , x1 , x2 P ra, bs.
Se define la segunda diferencia dividida de f con respecto a x0 , x1 y x2 , y se denota
f rx0 , x1 , x2 s, como:
f px2 q f px1 q f px1 q f px0 q
x2 x1
x1 x0
f rx0 , x1 , x2 s
x2 x0
Notese que es posible expresar la segunda diferencia dividida de f en funcion de
las primeras diferencias divididas de f ; para esto basta notar que:
f rx0 , x1 s
f px1 q f px0 q
x1 x0
As se tiene que:
f rx0 , x1 , x2 s
f rx1 , x2 s
f px2 q f px1 q
x2 x1
f rx1 , x2 s f rx0 , x1 s
x2 x0
(4.5)
Ejemplo 100
?
Utilice interpolaci
on cuadr
atica para aproximar el valor de 3 si se sabe que
?
?
?
1 1, 4 2 y 9 3.
F Soluci
on Se debe calcular la ecuaci
on de la funcion cuadratica P2 . Esto se
puede hacer de dos formas distintas, la primera es utilizar la formula de diferencias
?
divididas para la funci
on f con criterio f pxq x; en este caso se tendra que:
275
f rx0 , x1 , x2 s
f p4q f p1q
1
f px1 q f px0 q
x1 x0
41
3
f px2 q f px1 q f px1 q f px0 q
x2 x1
x1 x0
x2 x0
?
9 4 1
94
3 1
91
60
Por lo tanto:
P2 pxq 1 `
1
1
px 1q `
px 1q px 4q
3
60
5
3
1 2
x ` x`
60
12
5
As, el polinomio interpolante de grado dos cuya grafica contiene a los puntos
p1, 1q, p4, 2q y p9, 3q es:
P2 pxq
1 2
5
3
x ` x`
60
12
5
1
5
3
donde al resolver el sistema se obtiene a , b , c . As, el polinomio
60
12
5
1 2
5
3
interpolante es P2 pxq x ` x ` .
F
60
12
5
Note que la aproximaci
on obtenida en el ejemplo 100, que corresponde a 1.7
es mejor que la aproximaci
on obtenida en el ejemplo 98, que corresponde a 1.66.
276
M
etodos num
ericos
(4.6)
4.3.3.
Interpolaci
on polinomial
La interpolaci
on lineal y la interpolaci
on cuadratica, estudiadas en la seccion
anterior, son dos casos particulares de la interpolacion polinomial. Al hacer uso
de las diferencias divididas, es posible determinar un polinomio de grado menor
o igual que n que satisfaga n ` 1 condiciones.
Definici
on 45 (Diferencias divididas)
Dada una funci
on f continua en ra, bs y dados n ` 1 datos pxk , f pxk qq tales que
xk P ra, bs, con k 0, 1, 2, 3, . . . , n, entonces se definen:
Las diferencias divididas cero f rxi s f pxi q.
Las primeras diferencias divididas f rxi , xj s por:
f rxi , xj s
f pxj q f pxi q
xj xi
con i, j 0, 1, 2, . . . , n y i j
Las segundas diferencias divididas f rxi , xj , xk s por:
f rxi , xj , xk s
f rxj , xk s f rxi , xj s
xk xi
con i, j, k 0, 1, 2, . . . , n y i j k i
Las terceras diferencias divididas f rxi , xj , xk , xp s por:
f rxi , xj , xk , xp s
f rxj , xk , xp s f rxi , xj , xk s
xp xi
277
k1
n
f rx0 . . . xk s
px xi q
Pn pxq
k0
i0
(4.8)
xi
x0
x1
x2
x3
x4
f pxi q
f px0 q
f px1 q
f px2 q
f px3 q
f px4 q
Primera
f rx0 , x1 s
f rx1 , x2 s
f rx2 , x3 s
f rx3 , x4 s
Segunda
f rx0 , x1 , x2 s
f rx1 , x2 , x3 s
f rx2 , x3 , x4 s
Tercera
f rx0 , x1 , x2 , x3 s
f rx1 , x2 , x3 , x4 s
Cuarta
f rx0 , x1 , x2 , x3 , x4 s
Ejemplo 101
?
Encuentre una aproximaci
on para 3, mediante interpolacion de la funcion f pxq
278
?
M
etodos num
ericos
x y los datos p1, 1q, p4, 2q, p9, 3q, p16, 4q.
F Soluci
on Se tiene x0 1, x1 4, x2 9 y x3 16. As, el calculo de las
diferencias divididas finitas se muestra en las tablas 4.3 y 4.4.
i
0
1
2
3
xi
x0
x1
x2
x3
f pxi q
f px0 q
f px1 q
f px2 q
f px3 q
Primera
f rx0 , x1 s
f rx1 , x2 s
f rx2 , x3 s
Segunda
f rx0 , x1 , x2 s
f rx1 , x2 , x3 s
Tercera
f rx0 , x1 , x2 , x3 s
i
0
1
2
3
xi
1
4
9
16
f pxi q
1
2
3
4
Primera
1{3
1{5
1{7
Segunda
1{60
1{210
Tercera
1{1260
3 est
a dada por: P3 p3q
359
1.709523809
210
F
`8
0
tz1 et dt
279
Dicha funci
on est
a definida para todo x P r0, 8r. Sin embargo, cumple la
propiedad pnq pn 1q! para cualquier n P Z` .
Sin realizar el c
alculo de la integral, determine una aproximacion de p 52 q.
Utilice los datos p1q, p2q, p3q y p4q.
F Soluci
on Primero que todo, por la propiedad mencionada de la funcion se
tiene que:
p1q 0! 1; p2q 1! 1; p3q 2! 2; p4q 3! 6
i
0
1
2
3
xi
1
2
3
4
pxi q
1
1
2
6
Primera
0
1
4
Segunda
1{2
3{2
Tercera
1{3
Tabla 4.5: C
alculo de las diferencias divididas.
As, con base en la igualdad (4.8) se tiene que el polinomio interpolante para
la funcion est
a dado por:
1
1
P3 pxq 1 ` 0px 1q ` px 1qpx 2q ` px 1qpx 2qpx 3q (4.9)
2
3
x3 3x2 13x
`
(4.10)
3
2
6
5
De esta forma, la aproximaci
on de p 52 q es P3 p 25 q 1.25. Para este ejemplo,
4
?
3
5
1.329340388.
el valor real de p 2 q es
F
4
Ejemplo 103
Determine un modelo de interpolaci
on polinomial para aproximar la poblacion
de Costa Rica. Utilice la siguiente tabla de datos.
A
no
1950
1963
1973
1984
2000
2011
Habitantes
800 875
1 336 274
1 871 780
2 416 809
3 810 179
4 586 353
280
M
etodos num
ericos
F Soluci
on
En los calculos se mostrar
an u
nicamente cuatro cifras decimales.
i
0
1
2
3
4
5
xi
1950
1963
1973
1984
2000
2011
f pxi q
800875
1336274
1871780
2416809
3810179
4586353
Primera
41184.5385
53550.6000
49548.0909
87085.6250
70561.2727
Segunda
537.6548
190.5957
1390.2790
612.0130
Tercera
21.4191
42.7263
52.6919
Cuarta
1.2829
1.9879
Quinta
0.0536
de este, la poblaci
on de Costa Rica en 1957 se puede aproximar por: P5 p1957q
987 096 habitantes. Mientras que la poblacion en 1996 fue aproximadamente de
F
3 391 018 habitantes.
4.3.4.
(4.11)
281
f pn`1q px q
px x0 qn`1
pn ` 1q!
(4.12)
o Demostraci
on
Se proceder
a por inducci
on sobre n. Sin perdida de generalidad suponga que
x0 x1 x2 xn
Para n 1. Si f P Cra, bs, entonces f es derivable y continua en ra, bs, tal
que f px0 q f px1 q 0, de donde al aplicar el teorema 17 (de Rolle) se
tiene la existencia de Psa, br tal que f 1 pq 0. El resultado es valido para
n 1.
Suponga que el resultado es v
alido para n, esto es: si f P C n ra, bs tal que
existan n valores x0 , x1 , x2 , . . . , xn en los cuales:
f px0 q f px1 q f px2 q f pxn q 0
entonces existe Psa, br tal que f pnq pq 0.
282
M
etodos num
ericos
Se debe probar que el resultado es valido para n ` 1. Sea f P C n`1 ra, bs y
sean x0 , x1 , x2 , . . . , xn , xn`1 valores tales que:
f px0 q f px1 q f px2 q f pxn`1 q 0
Como f P C n`1 ra, bs, entonces f es continua y derivable en cada uno de los
subintervalos rxk , xk`1 s para k 0, 1, 2, . . . , n. Al aplicar el teorema 17 en
cada uno de ellos se tiene la existencia de constantes c0 , c1 , c2 , . . . , cn , con
ck P rxk , xk`1 s tal que f 1 pck q 0 para todo k 0, 1, 2, . . . , n.
Ahora se tiene que f 1 P C n ra, bs para la cual existen n ` 1 constantes reales
tales que:
f 1 pc0 q f 1 pc1 q f 1 pc2 q f 1 pcn q 0
as, por la hip
otesis de inducci
on se tiene que para f 1 existe una constante
1
pnq
pn`1q
Psa, br tal que pf q pq f
pq 0.
Por lo que el resultado es v
alido para n`1. As, por el principio de induccion
matematica se tiene que el resultado es valido para todo n P N.
p
Teorema 41
Sea f P C n`1 ra, bs una funci
on y sean a x0 , x1 , x2 , . . . , xn b valores distintos
en ra, bs. Sea Pn pxq el polinomio interpolante de Newton por diferencias divididas
tal que:
f pxq Pn pxq ` Rn pxq
donde Rn pxq es el resto del polinomio. Entonces, para todo x Psa, br existe un
x Psa, br para el cual se cumple que:
Rn pxq
n
f pn`1q px q
px xk q
pn ` 1q! k0
o equivalentemente
Rn pxq
f pn`1q px q
px x0 qpx x1 qpx x2 q px xn q
pn ` 1q!
Mn`1
|Rn pxq|
px xk q
pn ` 1q!
k0
donde
Mn`1 m
ax
xPra,bs
)
!
pn`1q
pxq
f
(4.13)
283
Se debe demostrar que existe x Psa, br tal que f pxq Pn pxq ` Rn pxq, donde
Pn pxq es el polinomio interpolante de Newton por diferencias divididas y Rn pxq
es el resto dado en la ecuaci
on (4.13).
Por el teorema 39 se tiene que para todo xk con k 0, 1, 2, . . . , n se cumple
que f pxk q Pn pxk q, y adem
as se tiene que Rn pxk q 0. Por lo tanto, para estos
valores:
f pxk q Pn pxk q ` Rn pxk q
Sea x arbitrario y fijo en ra, bs. Adem
as, considere la funcion g definida por:
gptq f ptq Pn ptq rf pxq Pn pxqs
pt xk q
px xk q
k0
(4.14)
Como f P C n`1 ra, bs y P pxq es un polinomio, y por lo tanto derivable infinitamente, se deduce que g P C n`1 ra, bs.
Note que para todo r 0, 1, 2, . . . , n se cumple que:
gpxr q f pxr q Pn pxr q rf pxq Pn pxqs
pxr xk q
0
px xk q
k0
(4.15)
px xk q
0
gpxq f pxq Pn pxq rf pxq Pn pxqs
px xk q
k0
(4.16)
pn`1q
px q f
pn`1q
dn`1
dtn`1
pt xk q
px xk q
k0
tx
pt xk q
son polinomios de grado n y n`1 respectivamente,
px xk q
k0
pn`1q
n
n
n
dn`1 pt xk q
1
dn`1
pt
x
q
k
n`1
dtn`1 k0 px xk q
px
x
q
dt
k
k0
k0
tx
1
n
px xk q
k0
pn ` 1q!
tx
284
M
etodos num
ericos
pt xk q es 1, por lo que su n ` 1
k0
n
f pn`1q px q
px xk q
pn ` 1q! k0
Mn`1 m
ax f pn`1q pxq
xPra,bs
tal que:
Mn`1
|Rn pxq|
px xk q
pn ` 1q! k0
El teorema 41 brinda una forma de calcular cotas para el error de interpolacion; sin embargo, para realizar el c
alculo de dicha cota es necesario tener
conocimiento del criterio de la funci
on y su n ` 1 derivada, el cual se desconoce
en la practica.
Una alternativa para resolver este problema lo constituyen las mismas diferencias divididas de la funci
on, ya que la kesima diferencia dividida esta relacionada
con la kesima derivada de la funci
on por interpolar. El teorema 42 formaliza
esta idea.
Teorema 42
Sea f P C n ra, bs una funci
on y sean a x0 , x1 , x2 , , xn b, n ` 1 puntos
distintos en ra, bs, entonces existe Psa, br tal que:
f rx0 , x1 , x2 , . . . , xn s
f pnq pq
n!
o Demostraci
on
La demostraci
on de este resultado se deja como ejercicio al lector (ejercicio
9, pagina 322).
Sugerencia: Considere la funci
on g definida por:
gpxq f pxq Pn pxq
285
f pn`1q pq
pn ` 1q!
(4.17)
px xi q
(4.18)
i0
` x`
1260 36 90
7
As, por el teorema 41 se tiene que:
f p3`1q p q
x
|R3 pxq|
px 1qpx 4qpx 9qpx 16q
p3 ` 1q!
donde
M
|px 1qpx 4qpx 9qpx 16q|
4!
M m
ax
xPr1,16s
)
!
p4q
f pxq
(4.19)
286
M
etodos num
ericos
15
. Es facilmente verificable que f p4q pxq
7{2
16x
alcanza su maximo en r1, 16s cuando x 1; de esta forma se tiene que M 15
16 .
Ademas, se sabe que f p4q pxq
15
|px 1qpx 4qpx 9qpx 16q|
16 4!
(4.20)
Ejemplo 105
Considere los datos de la tabla 4.8 que representa los valores aproximados que
toma la funcion seno en los valores enteros de 0 a 6.
1. Utilice los valores desde 0 a 6 para determinar el polinomio interpolante de
grado 6 y u
selo para aproximar el valor de senp2.5q y senpq.
2. Determine una aproximaci
on de la cota del error absoluto para las dos
aproximaciones anteriores utilizando el dato extra
senp3.5q 0.3507832
3. Use la calculadora para determinar el error absoluto real para cada uno de
los valores aproximados (use como valor real lo que indica la calculadora
con un redondeo a cinco cifras decimales).
x
senpxq
0
0
1
0.84147
2
0.90930
3
0.14112
4
-0.75680
5
-0.95892
6
-0.27942
F Soluci
on
i
0
1
2
3
4
5
6
senpxi q
0.000000
0.841471
0.909297
0.141120
-0.756802
-0.958924
-0.279415
xi
0
1
2
3
4
5
6
Primera
0.841471
0.067826
-0.768177
-0.897923
-0.202122
0.679509
Segunda
-0.386822
-0.418002
-0.064873
0.347900
0.440815
Tercera
-0.010393
0.117710
0.137591
0.030972
Cuarta
0.032026
0.004970
-0.026655
Quinta
-0.005411
-0.006325
Sexta
-0.000152
287
As, la aproximaci
on de resto R6 pxq de la funcion esta dada por:
R6 pxq f rx0 , x1 , x2 , , x7 sxpx 1qpx 2qpx 3qpx 4qpx 5qpx 6q
o bien:
R6 pxq 0.000163xpx 1qpx 2qpx 3qpx 4qpx 5qpx 6q
De esta manera, las aproximaciones de las cotas son:
|R6 p2.5q| 0.002006
(4.21)
(4.22)
Finalmente, se requiere determinar el error absoluto real (al tomar una aproximacion con seis posiciones decimales como valor real).
288
M
etodos num
ericos
De esta manera se tiene que:
|P6 p2.5q senp2.5q| |0.596509 0.598472| 0.001963
|P6 pq senpq| |0.000807 0| 0.000807
(4.23)
(4.24)
En este caso, se puede observar que las aproximaciones encontradas en 4.21 y 4.22
son aceptables si se comparan con las encontradas en 4.23 y 4.24, respectivamente.
F
Ejercicios 4.3
1. Considere la funci
on f definida por f pxq cosp2xq ` x y considere los
siguientes datos para dicha funci
on:
x
0
1
2
3
4
cosp2xq ` x
1
0.583853163
1.346356379
3.960170287
3.854499966
0
0
75
3
225
77
5
383
80
8
623
74
13
993
72
4.3.5.
289
Implementaci
on de la interpolaci
on de Newton mediante
diferencias divididas
Fi,j`2
5:
fin para
fin para
6:
retornar F
4:
Fi`1,j`1 Fi,j`1
Fi`j,1 Fi,1
290
M
etodos num
ericos
Algoritmo 13 Construcci
on y evaluaci
on del polinomio intepolante para el calculo de aproximaciones.
Entrada: n grado del polinomio interpolante por construir. Matriz Fn,n`2 que
contiene las tabla de diferencias divididas. X preimagen del valor por aproximar.
Salida: P pXq: Imagen por aproximar donde P pxq es el polinomio interpolante
de Newton por diferencias divididas.
1: PX F(1,2)
2: Prod 1
3: para j 1 hasta n hacer
4:
Prod ProdpX F pj, iqq
5:
PX PX`F p1, j ` 2qProd
6: fin para
7: retornar PX
Implementaci
on en Excel
En una hoja de Excel, construya la interfaz que se muestra en la figura 4.7.
Donde los botones Construir tabla de DD y Calcular P(x) tienen como nombre cmd ConstruirTabla y cmd CalcularPX, respectivamente. El siguiente codigo corresponde a la implementacion de la interpolacion de Newton
por diferencias divididas, que corresponden a la presentada en los algoritmos 12
y 13.
Grado del
polinomio
291
4.4.
Polinomio de interpolaci
on de Lagrange
La interpolaci
on de Lagrange brinda una formula alternativa para determinar
el polinomio interpolador de grado n que pasa por n ` 1 puntos de la forma
pxi , f pxi qq con i 0, 1, 2, . . . , n. Al igual que se realizo durante la interpolacion
de Newton por diferencias divididas, se realizara una construccion que inicie
con la interpolaci
on lineal posteriormente cuadratica, para luego realizar una
generalizacion a la iterpolaci
on polinomial.
4.4.1.
Interpolaci
on lineal de Lagrange
y1 y0
px x1 q ` y1
x1 x0
(4.25)
y1 y0
px x1 q ` y1
x1 x0
py1 y0 qpx x1 q ` y1 px1 x0 q
x1 x0
y1 x y0 x ` y0 x1 y1 x0
x1 x0
y1 px x0 q y0 px x1 q
x1 x0
x x0
x x1
y1 `
y0
x1 x0
x0 x1
x x1
x x0
Si se define L0 pxq
y L1 pxq
se tiene que 4.25 se puede
x0 x1
x1 x0
expresar como:
P1 pxq L0 pxqy0 ` L1 pxqy1
(4.26)
292
M
etodos num
ericos
F Soluci
on
Para este caso se tienen los datos p1, 1q y p4, 2q. Para calcular el polinomio
lineal presentado en 4.26 se debe calcular L0 pxq y L1 pxq, calculo que se hace a
continuacion:
L0 pxq
L1 pxq
x4
x4
14
3
x1
x1
41
3
x1
x4
1`
2
3
3
o bien:
x 2
`
3 3
Note que el polinomio obtenido coincide con el determinado en el ejemplo 98
mediante las diferencias divididas finitas.
F
P1 pxq
4.4.2.
Interpolaci
on cuadr
atica de Lagrange
Teorema 43
Sea f una funci
on continua en un intervalo ra, bs para la cual se conocen tres datos
no colineales dentro de dicho intervalo: px0 , y0 q, px1 , y1 q y px2 , y2 q. Entonces el
polinomio interpolante de grado 2 est
a dado por:
P2 pxq L0 pxqy0 ` L1 pxqy1 ` L2 pxqy2
donde:
L0 pxq
px x0 qpx x2 q
px x0 qpx x1 q
px x1 qpx x2 q
; L1 pxq
y L2 pxq
px0 x1 qpx0 x2 q
px1 x0 qpx1 x2 q
px2 x0 qpx2 x1 q
o Demostraci
on
Es claro que P2 pxq es un polinomio de grado menor o igual que dos. En este
caso se tiene que los datos son puntos no colineales, lo cual no deja posibilidad de
293
donde,
L0 px0 q
px0 x1 qpx0 x2 q
1
px0 x1 qpx0 x2 q
L1 px0 q
px0 x0 qpx0 x2 q
0
px1 x0 qpx1 x2 q
L2 px0 q
px0 x0 qpx0 x1 q
0
px2 x0 qpx2 x1 q
As, P2 px0 q y0 .
El caso para px1 , y1 q y px2 , y2 q es an
alogo.
p
Ejemplo 107
Sea f una funci
on continua para la cual se conocen tres datos: p1, 5q, p2, 3q y
p3, 6q. Determine una estimaci
on para f p2.3q.
F Soluci
on
Primero se debe determinar L0 pxq, L1 pxq y L2 pxq, de la siguiente manera:
como se tiene que: x0 1; x1 2 y x2 3, entonces:
L0 pxq
px 2q px 3q
px x1 qpx x2 q
px0 x1 qpx0 x2 q
2
L1 pxq
px 1q px 3q
px x0 qpx x2 q
px1 x0 qpx1 x2 q
1
L2 pxq
px 1q px 2q
px x0 qpx x1 q
px2 x0 qpx2 x1 q
2
294
M
etodos num
ericos
px 2q px 3q
px 1q px 3q
px 1q px 2q
5`
3`
6
2
1
2
5 px 2q px 3q
3 px 1q px 3q ` 3 px 1q px 2q
2
5 2 19
x x ` 12
2
2
y
6
4.4.3.
Interpolaci
on polinomial de grado mayor que 2 mediante
Lagrange
295
Li pxqf pxi q
(4.27)
i0
donde
Li pxq
x xj
x xj
j0,ji i
o Demostraci
on
De esta forma bastara demostrar que para todo k 0, 1, 2, . . . , n se cumple
que Pn pxk q f pxk q. Sea k un entero mayor o igual que 0 pero menor o igual que
n, entonces:
n
Pn pxk q
Li pxk qf pxi q
i0
k1
i0
Li pxk qf pxk q
(4.28)
ik`1
xk xj
1
x xj
j0,jk k
n
xk xj
0
x xj
j0,ji i
(4.29)
El smbolo
j1
aj a1 a2 an
296
M
etodos num
ericos
F Soluci
on El polinomio buscado tiene la forma
P3 pxq L0 pxqf px0 q ` L1 pxqf px1 q ` L2 pxqf px2 q ` L3 pxqf px3 q
donde Li pxq
px xj q
x xj
j0,ji i
3
x xj
L0 pxq
x
0 xj
j0,j0
3
x xj
L1 pxq
x
1 xj
j0,j1
3
x xj
L2 pxq
x
2 xj
j0,j2
3
x xj
L3 pxq
x
3 xj
j0,j3
x x1 x x2 x x3
x0 x1 x0 x2 x0 x3
x x 2
2
2
2
x x0 x x2 x x3
x1 x0 x1 x2 x1 x3
x x x 2
2
2
x x0 x x1 x x3
x2 x0 x2 x1 x2 x3
x0 x 2 x 2
2
2
x x0 x x1 x x2
x3 x0 x3 x1 x3 x2
3
x0 x 2 x
2
2
L1 pxq
L2 pxq
L3 pxq
4
1
3
x
px
q
3 3
2
2
0.04300 2 px 4. 712 4q px 3. 141 6q px 1. 570 8q
1
4
x
px
q
x
4
1
3
3x x
x 0.129 01x px 4. 712 4q px 1. 570 8q
2
2
4
3
x px q x 0.129 01x px 4. 712 4q px 3. 141 6q
3
2
297
Ejercicios 4.4
1. Realice nuevamente el ejercicio 2 del bloque 4.3 de la pagina 288 con
base en el polinomio interpolante de Lagrange. Compare los resultados
con los obtenidos en el bloque 4.3.
2. Por medio del polinomio interpolante de Lagrange, halle el valor aproximado de f pxq en el punto x 3.5, si f es una funcion para la cual se
conocen los puntos:
x
f pxq
1
1.5709
4
1.5727
6
1.5751
2
-9.0907
4
-10.7568
5
-10.9589
6
-10.2794
8
-9.0106
10
-10.5440
298
M
etodos num
ericos
4.4.4.
Implementaci
on de la interpolaci
on de Lagrange
El polinomio interpolante de Lagrange, corresponde al mismo polinomio interpolante de Newton por diferencias divididas; en s, el metodo de interpolacion
de Lagrange es una forma alternativa de determinar el mismo polinomio. En el
algoritmo 14 se puede observar el pseudocodigo necesario para calcular la aproximacion de la imagen de una funci
on desconocida mediante dicha alternativa.
Un detalle importante que se debe mencionar es que para cada valor de X
el programa debe ejecutarse por completo, pues el calculo de Prod depende del
valor X. As la salida del programa corresponde, luego del calculo, al valor P pXq.
La implementaci
on del metodo de interpolacion de Lagrange en Excel queda
como ejercicio para el lector.
Algoritmo 14 Interpolaci
on de Lagrange
Entrada: n: grado del polinomio interpolante por utilizar. X: la preimagen del
valor por aproximar. XY : matriz de tama
no n ` 1 2 con los puntos de
interpolaci
on pxi , f pxi qq, tal que xi XY pi, 1q y f pxi q XY pi, 2q.
Salida: P pXq: donde P pxq es el polinomio interpolante de Lagrange.
1: Suma 0.
2: para i 1 hasta n ` 1 hacer
3:
Prod 1.
4:
para j 1 hasta n ` 1 hacer
5:
si i j entonces
X XY pj, 1q
6:
Prod Prod
XY pi, 1q XY pj, 1q
7:
fin si
8:
fin para
9:
Suma Suma+XY pi, 2qProd
10: fin para
11: retornar Suma
4.5.
Definici
on 48 (Polinomio de Hermite)
Sea f P C 1 ra, bs y sean x0 , x1 , x2 , . . . , xn puntos distintos en ra, bs. El polinomio
de Hermite que interpola a f en los puntos xi con i 0, 1, 2, . . . , n es el polinomio
Hpxq de menor grado que cumple que:
Hpxi q f pxi q
H 1 pxi q f 1 pxi q,
@i 0, 1, 2, . . . , n
(4.30)
299
1
1
H 1 p4q ?
4
2 4
1
1
H 1 p9q ?
6
2 9
Con base en las condiciones que debe cumplir Hpxq y H 1 pxq se tiene el sistema
dado por:
2
Note que como se requiere satisfacer seis condiciones, se tiene que el menor polinomio que
las podra satisfacer debe tener a lo sumo seis coeficiente, y tomando en cuenta el coeficiente
constante dar
a un polinomio de grado 5. Sin embargo, no hay garanta de que el coeficiente
principal de dicho polinomio sea distinto de cero, por lo que dicho polinomio podra tener grado
menor o igual a 5.
300
M
etodos num
ericos
$
a`b`c`d`e`f 1
&
1
5a ` 4b ` 3c ` 2d ` e
%
32 805a ` 2916b ` 243c ` 18d ` e
6
(4.31)
Cuya soluci
on est
a dada por los valores
a
361
4117
73 009
4571
381
37
,b
,c
,d
,e
,f
432 000
144 000
144 000
432 000
6000
1000
37
361
4117 3
73 009 2 4571
381
x5
x4 `
x
x `
x`
432 000
144 000
144 000
432 000
6000
1000
3 H5 p3q
37
361 4
4117 3
73 009 2 4571
381
35
3 `
3
3 `
3`
432 000
144 000
144 000
432 000
6000
1000
10 411
1. 735 166
6000
?
Note que el valor real est
a dado por 3 1. 732 050 808, por lo que su error
absoluto esta dado por:
6000
F
Observe que la unicidad del polinomio interpolante de Hermite presentado en
el ejemplo 109 queda garantizado por la unicidad de la solucion del sistema de
ecuaciones (4.31).
Un inconveniente del metodo de interpolacion de Hermite es que muchas
veces se debe resolver un sistema de ecuaciones con un n
umero considerable de
ecuaciones y variables.
El siguiente metodo brinda una forma mas sencilla para realizar el calculo del
polinomio interpolante de Hermite con base en el metodo de diferencias divididas
de Newton.
301
f 1 pq
1!
para alg
un Psz2i , z2i`1 r
para todo i 0, 1, 2, . . . , n
Ejemplo 110
Realice nuevamente el ejercicio del ejemplo 109, mediante diferencias divididas
para calcular el polinomio de Hermite. Compare el resultado con los obtenidos
en el ejercicio del ejemplo 109.
F Soluci
on Recuerde que el polinomio Hpxq buscado debe cumplir:
?
?
?
Hp1q 1 1
Hp4q 4 2
Hp9q 9 3
1
1
1
1
1
1
H 1 p1q ?
H 1 p4q ?
H 1 p9q ?
2
4
6
2 1
2 4
2 9
Considere los siete datos z0 , z1 , z2 , z3 , z4 , z5 , tales que z2i z2i`1 xi definidos
por:
z0 z1 1; z2 z3 4 y z4 z5 9. Ahora se debe construir la tabla
de diferencias divididas, que fue elaborada en Excel y se muestra en la tabla 4.10.
i
0
1
2
3
4
5
i
0
1
2
3
4
5
zi
z0
z1
z2
z3
z4
z5
zi
1
1
4
4
9
9
Quinta
8.56481 105
Quinta
f rz0 , z1 , z2 , z3 , z4 , z5 s
Cuarta
0.00087963
0.000194444
Cuarta
f rz0 , z1 , z2 , z3 , z4 s
f rz1 , z2 , z3 , z4 , z5 s
Tercera
0.009259259
0.002222222
0.000666667
Tercera
f rz0 , z1 , z2 , z3 s
f rz1 , z2 , z3 , z4 s
f rz2 , z3 , z4 , z5 s
Segunda
0.055555556
0.027777778
0.01
0.006666667
Segunda
f rz0 , z1 , z2 s
f rz1 , z2 , z3 s
f rz2 , z3 , z4 s
f rz3 , z4 , z5 s
Primera
0.5
0.333333333
0.25
0.2
0.166666667
Primera
f 1 px0 q
f rz1 , z2 s
f 1 px1 q
f rz3 , z4 s
f 1 px2 q
f pzi q
1
1
2
2
3
3
f pzi q
f pz0 q
f pz1 q
f pz2 q
f pz3 q
f pz4 q
f pz5 q
303
?
3 H5 p3q, as:
F
Note que salvo diferencias por el truncamiento durante el calculo de las diferencias divididas, la aproximaci
on calculada en los ejemplos 109 y 110 es la
misma.
Ejercicios 4.5
1. Considere los datos que se tienen a continuacion:
x
2
3
f pxq
0.693147
1.098612
f 1 pxq
0.5
0.333333
x
0
3
6
gpxq cospxq
1
0.989992497
0.960170287
g 1 pxq senpxq
0
0.141120008
0.279415498
x
1.7
2
2.3
hpxq
1.039072
1.1071487
1.1606689
h1 pxq
0.2570694
0.2
0.1589825
304
M
etodos num
ericos
0
0
5
5
23
10
10
55
9
15
78
13
4.6.
Regresi
on lineal
1
5
2
20
3
19
4
20
5
29
6
35
7
30
8
32
9
40
10
45
11
35
12
50
305
F Soluci
on Los datos de unidades vendidas por periodo se visualizan en la figura
4.10, que corresponde a un gr
afico de dispersion.
60
50
40
30
20
10
0
0
10
12
14
Figura 4.10: Gr
afico de dispersion de los datos.
60
50
40
30
20
10
0
0
10
12
14
306
M
etodos num
ericos
60
50
40
30
20
10
0
0
10
12
14
La ecuacion de la funci
on de regresi
on lineal mostrada en la figura 4.12 es
y 3.202x ` 9.181, para la cual se tiene que la estimacion del trigesimo periodo
es 50.8 unidades vendidas.
F
En el ejemplo anterior se muestran las ventajas de la realizacion del regresion lineal, iniciando con la posibilidad de realizar estimaciones de datos fuera
de los datos hist
oricos conocidos. Es importante mencionar que el exito de estas aproximaciones depende de suponer de que los datos siguen una dispersion
aproximadamente lineal, lo cual no siempre se cumple.
As, es necesario realizar un estudio adecuado de los datos antes de realizar
la regresion; se debe saber con anterioridad la factibilidad que tienen los datos al
ser ajustados a una funci
on.
307
En este sentido, una serie de datos muestra una tendencia funcional para una
funcion f si los datos se encuentran concentrados a lo largo de la grafica de f .
Ejemplo 112
La figura 4.13(a) muestra una gr
afica de dispersion de una serie de datos que
muestran una tendencia cuadr
atica. La grafica de la curva de tendencia cuadratica
se muestra en la figura 4.13(b).
120
100
80
60
40
20
0
0
10
15
20
-20
-40
(a) Gr
afico de dispersi
on.
120
100
80
60
40
20
0
0
10
15
20
-20
-40
308
M
etodos num
ericos
1
3
x
y
2
15
3
8
4
12
5
2
6
9
7
15
8
3
9
7
10
9
11
14
12
4
13
6
x
y
1
25
2
23
3
24
4
21
5
15
6
18
7
10
8
13
9
10
10
7
11
3
12
4
13
5
x
y
1
25
2
3
3
22
4
7
5
15
6
10
7
15
8
16
9
8
10
18
11
3
12
23
13
2
F Soluci
on
El analisis gr
afico de los datos se realiza al construir los graficos de dispersion
de cada una de los conjuntos de datos, en las figuras 4.14(a), 4.14(b) y 4.14(c) se
pueden observar la dispersi
on de los datos lo que permitira analizar la evidencia
grafica de una posible tendencia lineal o no.
16
30
14
25
12
10
20
15
6
10
4
5
2
0
10
12
14
(a) Datos 1.
10
(b) Datos 2.
30
25
20
15
10
5
0
0
10
12
14
(c) Datos 3.
Figura 4.14: Gr
aficos de dispersion.
12
14
309
4.6.1.
M
etodo de mnimos cuadrados
x x1 x2 x3 xn
`
y y1 y2 y3 yn
Al vector x se le denomina el vector de causas, mientras que al vector y
el vector de efectos. Para poder realizar el proceso de regresion es necesario
suponer que es posible explicar el vector y desde el vector x, y que ademas estan
relacionados de forma lineal. De esta manera, la regresion tratara de explicar la
relacion que existe entre el vector x y el vector y.
i+2
i+1
i
i-1
Se supondr
a que existen valores m y b para los cuales se tiene que:
yi mxi ` b ` i , para i 1, 2, . . . , n
donde m y b son cantidades fijas y i son cantidades aleatorias que explican la
diferencia que existe entre el modelo lineal y los valores reales observados. A estos
valores se les denomina errores o errores aleatorios y se espera que su promedio
sea cero.
As, el modelo de regresi
on consiste en determinar los parametros m y b tales
que haga mnima la suma de los errores en valor absoluto, esto es equivalente a
minimizar la suma de los cuadrados de los errores.
310
M
etodos num
ericos
La funcion objetivo de la optimizaci
on es:
Epm, bq
2i
i1
o bien
Epm, bq
pmxi ` b yi q2
(4.32)
i1
BE
Bm
BE
Bb
i1
n
2pmxi ` b yi qxi
(4.33)
2pmxi ` b yi q
(4.34)
i1
BE
& Bm 0
& 2pmxi ` b yi qxi 0
i1
(4.35)
n
BE
2pmxi ` b yi q 0
%
0
Bb
i1
para las variables m y b.
Dicho sistema se expresa como:
$ n
n
n
m
x
`
b
x
yi x i
i
i
&
i1
i1
xi ` nb
% m
i1
i1
n
yi
i1
n
n
n
2
xi yi xi
xi
i1
i1 m i1
n
n
xi
n
yi
i1
(4.36)
(4.37)
i1
n xi yi xi yi
m
n x2i p xi q2
2
x i yi x i x i yi
b
n x2i p xi q2
(4.38)
(4.39)
311
xi yi m x2i
(4.40)
b
xi
yi m xi
b
(4.41)
n
Hasta el momento se ha demostrado que el punto pm, bq es un punto crtico de
la funcion objetivo; sin embargo, se puede probar, al aplicar el criterio de las
segundas derivadas de la funci
on E, que el punto pm, bq es un mnimo. Para esto
basta realizar el estudio del determinante:
E
2
2xi
mm Emb 2xi
D
(4.42)
Ebm Ebb 2xi
2n
2
4n x2i 2 xi
(4.43)
4n pxi xq2
(4.44)
1
xi . Por lo tanto, D 0 y Emm 0, por lo que el punto es un
n
mnimo local. De esta forma, pm, bq minimiza el cuadrado de los errores.
donde x
As, si se tiene tpxi , yi quni1 datos distintos, la recta de mejor ajustes esta dada
por y mx ` b, donde
n xi yi xi yi
m
n x2i p xi q2
2
x i yi x i x i yi
b
n x2i p xi q2
sin embargo, en la pr
actica se tiene que para el calculo del b se utiliza la ecuacion
(4.41), si de antemano se calcula el valor de m.
Ejemplo 114
Una empresa ha determinado que sus ganancias en cientos de miles de dolares
durante los u
ltimos ocho a
nos se establecen en la siguiente tabla.
x
1
2
3
4
5
6
7
8
y
2.3
3.5
3.3
4.6
4.7
6.5
6.6
7.5
312
M
etodos num
ericos
Si contin
ua con la tendencia creciente que ha tenido durante los pasados ocho
a
nos, la empresa desea saber cu
al ser
a la ganancia para el noveno a
no.
F Soluci
on Se debe determinar el valor de
xi 36
yi 39
xi ,
yi ,
x2i y
x i yi .
x2i 204
xi yi 206.3
8 206.3 36 39
11
n xi yi xi yi
m
2
2
2
8 204 36
15
n xi p xi q
y
yi m
n
xi
39
11
36
63
15
8
40
(4.45)
11
63
x`
15
40
As, para el noveno a
no se espera una ganancia de 8.175 cientos de miles de
dolares.
F
De esta manera, la curva de mejor ajuste es: y
4.6.2.
Calidad de la representaci
on R2
donde varpyq
varpp
yq
varpyq
n
n
1
1
pyi yq2 con y
yi
n i1
n i1
313
p
y
Al aplicar la f
ormula para la varianza, se tiene que
varpyq
n
8
1
1
pyi yq2
pyi yq2 2.951875
n i1
8 i1
varpp
yq
n
8
1
1
pp
yi ypq2
pp
yi ypq2 2.823333333
n i1
8 i1
varpp
yq
2.823333333
0.956454231
varpyq
2.951875
as, es posible apreciar que el ajuste obtenido es de buena calidad, debido a que
el valor R2 es cercano a 1.
F
4.6.3.
Implementaci
on de la regresi
on lineal
El metodo de regresi
on lineal simple se encuentra implementado en una gran
variedad de programas inform
aticos como Excel e incluso muchas de las calculadoras cientficas que com
unmente se utilizan. En esta seccion se muestra el
pseudocodigo para la implementaci
on del metodo de regresion lineal simple y el
calculo del R2 , que se puede visualizar en el algoritmo 15.
314
M
etodos num
ericos
Algoritmo 15 Interpolaci
on de Lagrange
Entrada: n: n
umero de puntos pxi , yi q por utilizar en la regresion. Pn,2 : matriz
de tama
no n 2 con los puntos de interpolacion pxi , yi q, tal que xi P pi, 1q
y yi P pi, 2q.
Salida: m, b y R2 tal que y mx ` b es la recta de mejor ajuste por mnimos
cuadrados.
py0
1: SumX = SumY = SumX2 = SumXY = y
2: para i 1 hasta n hacer
3:
SumX = SumX `P pi, 1q
4:
SumY = SumY `P pi, 2q
5:
SumX2 = SumX2 `pP pi, 1qq2
6:
SumXY = SumXY `P pi, 1q P pi, 2q
7: fin para
8:
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
20:
21:
SumY m SumX
n
Las instrucciones que se encuentran entre las lneas 10 y 20 en el algoritmo 15 se encargan de realizar el c
alculo de R2 para la regresion lineal, lo que
permitira tener una idea clara sobre la calidad de las aproximaciones.
4.6.4.
Linealizaci
on de datos para regresi
on
Existen datos a los cuales no se les puede aplicar una regresion lineal simple,
pues no siguen un modelo aproximadamente lineal.
315
40
35
30
4
25
20
15
10
1
5
0
-2
-1
-5
-1
Para estos modelos, indudablemente una regresion lineal no responde correctamente a la naturaleza de los datos. Para la figura 4.16(a), un modelo exponencial de la forma y ex se adapta mejor a los datos, mientras que en el caso de
la figura 4.16(b), un modelo logartmico de la forma y lnpxq, o un modelo
x
de crecimiento de la forma y
podra ser mas acertado.
`x
40
35
30
4
25
20
15
10
1
5
0
-2
-1
-5
-1
De esta manera se desea idear una forma para poder linealizar los datos
existentes, de manera que sea factible realizar una regresion lineal.
Modelo exponencial:
316
M
etodos num
ericos
x
Figura 4.18: Modelo exponencial y ex
lnpyq lnpex q
lnpyq x ` lnpq
x
Figura 4.19: Modelo de potencias y x
logpyq logpx q
317
x
Figura 4.20: Modelo exponencial y
x
`x
x
`x
x
, donde se tienen las siguientes
`x
1
`x
y
x
1
1
1
`
y
x
x
se puede ver como un modelo lineal
`x
1
1
1
de la forma Y X ` , donde Y y X .
y
x
Ejemplo 116
En una investigaci
on se realiza el estudio del crecimiento de una poblacion en 41
periodos; sin embargo, u
nicamente se recolectaron datos cada cuatro periodos y
entre cada medici
on se dejaron tres periodos sin medir (tabla 4.19).
El investigador principal del estudio considera importante contar con el dato
para el periodo 41; no obstante, este dato nunca se tomo. Utilice una transformacion conveniente y regresi
on lineal simple para aproximar el tama
no de la
poblacion en el periodo 41.
Periodos de tiempo
Poblaci
on (en cientos)
1
1.25
5
1.31
9
2.25
13
2.77
17
3.5
21
3.94
25
4.7
29
8.83
33
12.57
37
21.9
318
M
etodos num
ericos
F Soluci
on
Por la naturaleza de los datos, se puede suponer un modelo exponencial de la
forma y ex . Esta decisi
on se fundamenta de la observacion de la representacion grafica de los datos en la figura 4.21.
La transformaci
on de los datos consiste en transformar el modelo y ex a
un modelo lineal de la forma Y x ` lnpq, donde Y lnpxq.
25
20
15
10
0
0
10
15
20
25
30
35
40
Figura 4.21: Gr
afico de dispersi
on para los datos de la tabla 4.19.
De esta manera, los datos de la tabla 4.19 se transforman y cambian los datos
de la variable dependiente por su logaritmo natural, mientras que la variable
independiente permanece invariante.
x
lnpyq
x
lnpyq
1
0.22314355
25
1.54756251
5
0.27002714
29
2.17815501
9
0.81093022
33
2.53131302
13
1.01884732
37
3.08648664
17
1.25276297
21
1.37118072
La representaci
on gr
afica de los datos transformados corroboran las sospechas
de que un modelo exponencial se ajusta mejor a los datos.
3,5
3
2,5
2
1,5
1
0,5
0
0
10
15
20
25
30
35
40
Figura 4.22: Gr
afico de dispersi
on para los datos de la tabla 4.20.
319
` x2
x2
1
4.15
2
2.11
3
1.55
4
1.21
5
0.98
F Soluci
on
320
M
etodos num
ericos
1. Note que:
d
y
` x2
x2
` x2
x2
1
1
y2 2 `
x
y2
1
X ` , donde Y y 2
1
. As, los datos transformados corresponden a:
x2
1
17.2225
1
x2
y2
0.25
4.4521
0.111
2.4025
0.0625
1.4641
0.04
0.9604
20
15
10
2
5
1
0
0
0
0,2
0,4
0,6
0,8
1,2
16.834546
321
4.7.
1. Utilice interpolaci
on por diferencias divididas finitas de Newton para estimar el logaritmo natural de 10 con:
a) Interpolaci
on lineal, conociendo los datos: ln 5 1.60943 y ln 12
2.4849.
b) Interpolaci
on cudr
atica, conociendo los datos: ln 5 1.60943, ln 12
2.4849 y ln 8 2.07944.
c) Interpolaci
on polinomial, conociendo los datos: ln 5 1.60943, ln 12
2.4849, ln 8 2.07944 y ln 14 2.63906.
2. Repita el ejercicio anterior con base en el polinomio interpolante de Lagrange. Compare el resultado.
3. Considere la funci
on f : R R` definida por f pxq ex . Determine un
polinomio de grado 3 tal que cumpla:
P3 p1q e , P3 p2q e2 , P3 p3q e3 y P3 p4q e4
4. En la siguiente tabla se muestra el n
umero de habitantes de Estados Unidos
en diferentes a
nos.
A
no
Poblaci
on en miles
de habitantes
1940
1950
1960
1970
1980
1990
132 165
151 326
179 323
203 302
226 542
249 633
322
M
etodos num
ericos
8. Considere la tabla siguiente donde se muestran algunas temperaturas tomadas en la superficie del mar.
A
no
1900
1905
1910
1915
1920
1925
1930
1935
Temperatura
0.191
0.370
0.441
0.161
0.290
0.244
0.152
0.171
2003
2432
2004
2673
2005
3021
2006
3001
2007
3592
2008
3892
2009
4500
2010
4286
2011
4800
50
4725
70
3800
105
3103
140
2500
165
2100
180
1269
200
800
240
560
270
200
323
a) Represente gr
aficamente los datos y determine si graficamente existe
cierta dependencia lineal entre las variables.
b) Halle la ecuaci
on de la recta de regresion del n
umero de habitaciones
ocupadas dado el precio.
c) Halle la ecuaci
on de la recta de regresion del precio dado el n
umero
de habitaciones ocupadas.
d) Cu
antas habitaciones se ocuparan si el precio es de US$150?
e) Cu
anto habra que cobrar por habitacion para que la ocupacion de
dichas habitaciones sea de US$1000 anual?
13. Seg
un investigaciones, el porcentaje de desembolso por empresas manufactureras estadounidenses en plantas y equipo que fue destinado al control
de contaminaci
on durante el periodo 1975-1987 se muestra en la siguiente
tabla:
A
no
% desembolso
1975
9.3
1980
4.8
1981
4.3
1984
3.3
1987
4.3
?
` x 2
?
y
x
donde y son par
ametros por estimar. Realice una transformacion para
linealizar la ecuaci
on anterior y aplique regresion lineal a los datos transformados para determinar los valores de los parametros y . Con base en
lo anterior, prediga el valor de y para x 1.6 y para x 6; establezca la
calidad de la aproximaci
on al calcular el R2 .
x
y
0.5
10.4
1
5.8
2
3.3
3
2.4
4
2
15. Se sabe que los datos de la tabla 4.25 pueden modelarse con la ecuacion:
x epyq{
donde y son par
ametros por estimar. Realice una transformacion para
linealizar la ecuaci
on anterior y aplique regresion lineal a los datos transformados para determinar los valores de los parametros y . Con base en
324
M
etodos num
ericos
lo anterior, prediga el valor de y para x 2.6 y para x 6. Establezca la
calidad de la aproximaci
on al calcular el R2 .
x
y
1
0.5
2
2
3
2.9
4
3.5
5
4
Captulo 5
Derivaci
on e integraci
on
num
erica
5.1.
Introducci
on
f g ^
326
M
etodos num
ericos
5.2.
Derivaci
on num
erica
f 1 paq lm
f 1 paq lm
f 1 paq
f pa ` hq f paq
h
327
a+h
x
Figura 5.1: Aproximacion de la derivada.
Ejemplo 118
1
Considere la funci
on f pxq 2 . Utilice el metodo expuesto anteriormente para
x
estimar una aproximaci
on del valor f 1 p1q. Use para esto los valores de h: 0.01,
0.001 y 0.0001. Compare estas aproximaciones con el valor real. Use corte a seis
decimales.
F Soluci
on Seg
un lo estudiado anteriormente, se tiene que:
1
1
2
2
p1 ` hq
1
f 1 p1q
h
Con h 0.01 de donde se tiene que:
1
1
2
0.980 296 1
0.019 704
p1 ` 0.01q
1
f 1 p1q
1. 970 4
0.01
0.01
0.01
Con h 0.001 de donde se tiene que:
1
1
2
0.998 003 1
0.001 997
p1 ` 0.001q
1
f 1 p1q
1. 997
0.001
0.001
0.001
Con h 0.0001 de donde se tiene que:
1
1
2
0.999 800 03 1
p1 ` 0.0001q
1
f 1 p1q
1. 999 7
0.0001
0.0001
328
M
etodos num
ericos
2
Por otro lado, se tiene que f 1 pxq 3 de donde f 1 p1q 2. De esta max
nera, los errores absolutos respectivos para cada una de las aproximaciones
anteriores son:
5.2.1.
Ex1
Ex2
Ex3
C
alculo del error
d f 2 px q
1
1
px x0 qpx x1 q
f pxq P1 pxq `
dx
2!
d
`
dx
P11 pxq
d
px x0 q
dx
f 2 px q
2!
f 2 px q
2!
px x0 qpx x1 q
px x1 q `
f 2 px q
2!
px x0 q
d
px x1 q
dx
f 2 px q
f 2 px q
f 3 px q 1
px x0 q `
px x1 q `
px qpx x0 qpx x1 q
2!
2!
2!
dx
Note que x depende de x, por lo que
1 pxq x1 . As, f 3 px qx1 es un
dx
valor desconocido. Sin embargo, al tomar x x0 , dicha expresion se anula, y se
obtiene:
329
f 2 px0 q
px0 x1 q
2!
(5.2)
Por otro lado, como P1 pxq L0 pxqf px0 q ` L1 pxqf px1 q, donde:
L0 pxq
x x1
x0 x1
L1 pxq
x x0
x1 x0
Se deduce que:
P11 pxq
P11 pxq
1
1
f px0 q `
f px1 q
x0 x1
x1 x0
f px1 q f px0 q
x1 x0
(5.3)
Si en a la ecuaci
on (5.2) se sustituye (5.3) se concluye:
f 1 px0 q
donde x0 est
a en alg
un lugar entre x0 y x1 . Si se realiza el cambio de variable
h x1 x0 se obtiene que:
f 1 px0 q
f px0 ` hq f px0 q h 2
f px0 q
h
2
(5.4)
Ahora bien, si f 2 pxq es acotada en I ra, bs, esto es, si existe un M P R` tal
que |f 2 pxq| M , @x P I. Entonces:
1
f px0 q f px0 ` hq f px0 q |h| M
(5.5)
h
2
px0 q
por lo que para valores peque
nos de h se cumple que f px0 `hqf
es una
h
|h|
1
aproximacion de f px0 q con un error absoluto menor que 2 M .
De la ecuaci
on (5.5) se desprende que la rapidez de convergencia que tiene
la formula es Ophq, es decir: cuando h tiende a cero, la parte izquierda de (5.5)
tiende a cero tan r
apido como h lo hace.
Si h 0, a la f
ormula (5.4) se le denomina diferencias progresivas, mientras
que si h 0, a esta se le denomina diferencias regresivas.
330
M
etodos num
ericos
f 2 px q
px x0 qpx x1 q
2!
d
dx
f 2 px q
px x0 qpx x1 q
2!
Y al derivar este u
ltimo producto y luego escoger x x0 se obtiene
f 1 px0 q f rx0 , x1 s `
f 2 px0 q
px0 x1 q
2
f px1 q f px0 q
x1 x2
Ejercicios 5.1
1. Determine una aproximaci
on para f 1 p2q, donde f es una funcion con
criterio: f pxq lnpxq. Use h 0.001
2. Un autom
ovil se desplaza por una carretera recta, desde un punto A
hasta un punto B. En este recorrido se tomaron las siguientes datos de
la distancia recorrida por el automovil, luego de pasar por el punto A y
dirigirse hacia B.
Tiempo (s)
Distancia (m)
3
10
6
16
9
35
12
40
5.2.2.
F
ormulas de diferencias divididas finitas con m
as de dos
puntos para f 1
331
f 3 px q
px x0 qpx x1 qpx x2 q
3!
(5.6)
d f 3 px q
1
1
px x0 qpx x1 qpx x2 q
f pxq P2 pxq `
dx
3!
d f 3 px q
1
px x0 qpx x1 qpx x2 q
P2 pxq `
dx
3!
`
f 3 px q
f 3 px q
px x1 qpx x2 q `
px x0 qpx x2 q
3!
3!
f 3 px q
px x0 qpx x1 q
3!
f 3 px0 q
px0 x1 qpx0 x2 q
3!
f 3 px1 q
px1 x0 qpx1 x2 q
3!
f 3 px2 q
px2 x0 qpx2 x1 q
3!
f 3 px0 q
f 3 px0 q
phqp2hq P21 px0 q ` h2
3!
3
f 3 px1 q
f 3 px1 q
phqphq P21 px1 q h2
3!
6
f 3 px2 q
f 3 px2 q
p2hqphq P21 px2 q ` h2
3!
3
(5.7)
332
M
etodos num
ericos
Por otro lado, se tiene que
P2 pxq f rx0 s ` f rx0 , x1 spx x0 q ` f rx0 , x1 , x2 spx x0 qpx x1 q
(5.8)
(5.9)
con
f rx0 , x1 s
f px1 q f px0 q
x1 x0
y
f px2 q f px1 q f px1 q f px0 q
x2 x1
x1 x0
f rx0 , x1 , x2 s
x2 x0
Para simplificar la notaci
on t
omese fi f pxi q, ademas, se debe recordar que
h x2 x1 x1 x0 . Con esto presente se consigue que:
f rx0 , x1 s
f1 f0
h
f2 f1 f1 f0
f0 2f1 ` f2
h
h
f rx0 , x1 , x2 s
2h2
2h
por lo que al regresar a la ecuaci
on (5.9) e introducir la nueva notacion se obtiene
que:
f1 f0 f0 2f1 ` f2
P21 pxq
`
ppx x1 q ` px x0 qq
h
2h2
Al sustituir x por x0 , x1 y x2 , respectivamente, se obtiene:
P21 px0 q
f1 f0 f0 2f1 ` f2
`
phq
h
2h2
P21 px1 q
P21 px2 q
f1 f0 f0 2f1 ` f2
`
phq
h
2h2
f1 f0 f0 2f1 ` f2
`
p3hq
h
2h2
333
P21 px0 q
2h
2h
2h
P21 px1 q
2h
2h
2h
P21 px2 q
2h
2h
2h
h2 M
|f 3 px0 q|
3
3
Ef 1 px1 q h2
|f 3 px1 q|
h2 M
6
6
Ef 1 px2 q h2
|f 3 px2 q|
h2 M
3
3
0
0
3
25
6
63
9
110
12
164
15
229
18
303
21
386
24
477
27
560
30
639
F Soluci
on
Si dptq representa el criterio de la funcion de distancia recorrida por la motocicleta en funcion del t, entonces la velocidad en el tiempo t del recorrido esta dada
por d1 ptq.
334
M
etodos num
ericos
En promedio, la f
ormula con mayor exactitud para aproximar d1 ptq corresponde a la formula central; sin embargo, para t 0s dicha formula no es aplicable,
dado que solo existen datos laterales al rededor del punto de interes. Lo mismo
pasara para t 30s. De esta manera:
Al usar la f
ormula lateral izquierda, con t0 0, t1 3 y t2 6, se tiene
que:
d1 p0q
6.16
2h
23
6
dpt2 q dpt0 q
63 0
21
10.5
2h
23
2
dpt2 q dpt0 q
560 386
29
2h
23
5.2.3.
F
ormulas de diferencias divididas finitas con m
as de dos
2
puntos para f
f 3 px q
pxx0 qpxx1 qpxx2 q
3!
(5.10)
d f 3 px q
f pxq f rx0 , x1 s ` f rx0 , x1 , x2 sp2x x1 x0 q `
px x0 qpx x1 qpx x2 q
dx
3!
(5.11)
1
335
f 2 pxq
d2 f 3 px q
px
x
qpx
x
qpx
x
q
0
1
2
dx2
3!
x
qpx
x
qpx
x
q
0
1
2 (5.12)
h2
dx2
3!
2f rx0 , x1 , x2 s `
Donde,
d2 f 3 px q
px x0 q px x1 q px x2 q
dx2
3!
d f 3 px q
f 3 px q
px x0 q px x1 q px x2 q `
px x1 q px x2 q
dx
3!
3!
f 3 px q
f 3 px q
px x0 q px x2 q `
px x0 q px x1 q
`
3!
3!
3
d
d f px q
px x0 q px x1 q px x2 q
dx dx
3!
3
d f px q
d f 3 px q
px x1 q px x2 q `
px x0 q px x2 q
`
dx
3!
dx
3!
d f 3 px q
px x0 q px x1 q
`
dx
3!
3
f 3 px q
f 3 px q
d f px q
px x2 q `
px x1 q
px x1 q px x2 q `
`
dx
3!
3!
3!
d f 3 px q
f 3 px q
f 3 px q
px x2 q `
px x0 q
`
px x0 q px x2 q `
dx
3!
3!
3!
3
d f px q
f 3 px q
f 3 px q
`
px x0 q px x1 q `
px x1 q `
px x0 q
dx
3!
3!
3!
En el caso de la f
ormula central para la aproximacion de f 2 px1 q se debe
evaluar la expresi
on anterior en x1 y saber que h x2 x1 x1 x0 . La
expresion anterior se reduce a:
3
p4q p q 1
f px q
x1 x1
2 d
2f
2h
dx
3!
3
xx1
de donde se tiene que la ecuaci
on (5.12) evaluada en x x1 se reduce a:
336
M
etodos num
ericos
f 2 px1 q
p4q p q 1
f px2 q 2f px1 q ` f px0 q
x1 x1
2f
h
2
h
3
f 2 px1 q
f 2 px2 q
Ejemplo 120
Una motocicleta se desplaza por una autopista de prueba que posee una trayectoria rectilnea. La distancia, en metros, recorrida por la motocicleta es tomada
cada tres segundos por una computadora que al final del recorrido muestra la
siguiente tabla de datos:
Tiempo ptq
Distancia pmq
0
0
3
25
6
63
9
110
12
164
15
229
18
303
21
386
24
477
27
560
30
639
Determine la aceleraci
on de la motocicleta en t 0s, t 3s y t 24s; use la
formula por diferencias divididas m
as exacta. La motocicleta esta acelerando o
desacelerando en estos tiempos?
F Soluci
on
Si dptq representa el criterio de la funcion de distancia recorrida por la motocicleta en funci
on del t, entonces la aceleracion en el tiempo t del recorrido
esta dada por d2 ptq.
Por otro lado, la f
ormula con mayor exactitud para aproximar d2 ptq corresponde a la formula central; sin embargo, para t 0s dicha formula no es aplicable,
337
dado que solo existen datos laterales alrededor del punto de interes; lo mismo
pasara para t 30s. De esta manera:
Mediante el empleo de la f
ormula lateral izquierda se tiene que
d2 p0q
1.4
2
2
h
3
9
63 2 25 ` 0
13
dpt2 q 2dpt1 q ` dpt0 q
1.4
2
2
h
3
9
0.8
2
2
h
3
9
338
M
etodos num
ericos
Ejercicios 5.2
1. Considere una funci
on f continua en ra, bs y sean x0 , x1 , x2 y x3 puntos
igualmente espaciados en ra, bs. Demuestre que las formulas para estimar
la derivada con los cuatro valores anteriores esta dada por:
P31 px0 q
P31 px1 q
P31 px2 q
P31 px3 q
2. Un autom
ovil recorre una pista en 65 segundos. La distancia recorrida
por el auto se determina cada cinco segundos del recorrido. Los datos
se representan en la siguiente tabla:
Tiempo
Distancia
0
0
5
10
15
20
25
30
35
54 115 175 250 330 400 460
Tiempo
45
50
55
60
65
Distancia 566 628 698 774 844
40
516
1
1750
2
1900
3
2150
4
2270
5
2350
339
5.3.
Integraci
on num
erica
En la secci
on anterior se hace uso de la interpretacion geometrica de la derivada para definir tecnicas que permitan aproximar dicho valor. De esta misma
forma se puede hacer uso de la interpretacion geometrica de la integral definida
para construir una serie de tecnicas que permitan aproximarla, esto es, aproximar
el valor de:
b
f pxqdx
(5.13)
I
a
340
M
etodos num
ericos
El problema de la regla anterior es que parte del supuesto de que f posee una
antiderivada elemental, lo cual muchas veces no es cierto. El ejemplo 121 muestra algunas funciones para las cuales no es posible determinar una antiderivada
elemental.
Ejemplo 121
Las funciones siguientes no poseen derivada elemental.
1. f pxq ex
2. gpxq
sen x
x
3. hpxq ee
4. rpxq
ex
x
7. upxq cospex q
1
lnpxq
5. spxq lnpln xq
8. vpxq
6. tpxq ex ln x
9. wpxq senpx2 q
Esto quiere decir que las integrales de las funciones presentadas no pueden
ser calculadas mediante la regla de Barrow.
De ah la necesidad de los metodos numericos para el calculo de este tipo de
integral, ya que muchas de estas son necesarias en el estudio de algunas aplicaciones. En la probabilidad y la estadstica, por ejemplo, se presentan algunas, como
b
1
2
ex {2 dx, la cual es fundamental para el calculo
por ejemplo la integral ?
2 a
de probabilidades en una distribuci
on normal con media cero y varianza 1.
Si f es una funci
on continua y no negativa en ra, bs, entonces
b
A
f pxqdx
a
341
donde c es un valor que puede estar o no dentro del intervalo ra, bs.
Teorema 47 (Teorema del valor medio ponderado para integrales)
Suponga que f P Cra, bs, y que g es una funcion integrable en ra, bs. Suponga que
gpxq no cambia de signo en ra, bs. Entonces existe un n
umero c en sa, br para el
cual se cumple que:
b
b
f pxqgpxqdx f pcq gpxqdx
a
Definici
on 51 (Partici
on de un intervalo)
Sea I ra, bs con a b un intervalo real y sea n un n
umero natural, se define
una particion de I en n ` 1 puntos, como el conjunto P definido por:
P tx0 , x1 , x2 , x3 , . . . , xn u
donde x0 a, xn b y xi1 xi para i 1, 2, 3, . . . n.
342
M
etodos num
ericos
5.3.1.
M
etodo de integraci
on de Newton-Cotes
f pn`1q px q
px x0 q px xn q
pn ` 1q!
b
f pxqdx
b
Pn pxqdx `
f pn`1q px q
px x0 q px xn qdx
pn ` 1q!
343
f 1 px q
(5.14)
1!
con x P rx0 , x1 s. Al integrar a ambos lados de la igualdad 5.14 se tiene lo siguiente:
f pxq f px0 q ` px x0 q
b
a
x1
f 1 px q
f pxqdx
f px0 q ` px x0 q
dx
1!
x0
x1
x1
f 1 px q
f px0 q
dx `
px x0 q
dx
1
x0
x0
x1
f px0 qpx1 x0 q `
f 1 px q px x0 q dx pq
x0
x0
de esta manera:
x1
1
pq f px0 qpx1 x0 q ` f pq
px x0 q dx
x0
f px0 qpx1 x0 q ` f 1 pq
hf px0 q ` h2
1
px1 x0 q2
2
f 1 pq
2
Las f
ormulas de Newton-Cotes se dividen en dos: las primeras se denominan f
ormulas cerradas de Newton-Cotes y la segundas, f
ormulas abiertas de Newton-Cotes. La diferencia radica
en que las primeras utilizan los valores a y b, que son los extremos del intervalo de integraci
on, mientras que las segundas no los emplean. En la presente obra se estudiar
an las f
ormulas
cerradas de Newton-Cotes.
344
M
etodos num
ericos
(5.17)
(5.18)
xx01
x0
Las formulas 5.17 y 5.18 se conocen como la regla rectangular izquierda y derecha,
respectivamente; la interpretaci
on gr
afica de estas aproximaciones aparece en las
figuras presentadas en 5.3. En este caso, SD1 denota la suma derecha, mientras
que SI1 denota la suma izquierda.
f(x1)
f(x0)
x
x
x0
x1
(a) Rect
angulo derecho.
x0
x1
(b) Rect
angulo izquierdo.
Ejemplo 123
Considere la funci
on f definida por f pxq ex , determine una aproximacion para
1 x
ormulas derecha e izquierda de Newton-Cotes. Compare
0 e dx mediante las f
con el valor real (tome como valor real lo que indica una calculadora).
F Soluci
on Al tomar h x1 x0 1 se obtiene
345
SI1
SD1
hf px0 q e0 1
hf px1 q e1 e 2. 718 281 83
1
0
ESI
ESD
|S SD1 | |e 1 e| 1
(a) Rect
anglo derecho
(b) Rect
angulo izquierdo
F
Regla compuesta del rect
angulo
Una forma de mejorar la aproximacion encontrada, cuando el intervalo de
integracion es considerablemente grande, es realizar una particion del intervalo
de integracion y aplicar la regla del rect
angulo en cada una de los subintervalos.
La efectividad de esta estrategia se sustenta en el error cometido por la regla en un
intervalo cualquiera ra, bs. Recuerde que el error cometido por dicha aproximacion
esta dado por:
h2 f 1 pq
2
346
M
etodos num
ericos
x1
f pxqdx
x2
f pxqdx `
x0
xn
f pxqdx
f pxqdx ` `
x1
xn1
ba
Como la partici
on P es regular, entonces se puede tomar h
xi xi1
n
para i 1, 2, 3, . . . , n. As, las aproximaciones mediante la regla compuesta del
rectangulo estan dadas por:
b
f pxqdx SIn hf px0 q ` hf px1 q ` ` hf pxn1 q h
a
b
f pxqdx SDn hf px1 q ` hf px2 q ` ` hf pxn q h
a
n1
f pxi q
i0
n
f pxi q
i1
Para dicha regla es posible determinar una formula de error que cuantifique que tan buena es la aproximaci
on determinada dependiendo del n
umero de
subintervalos en la partici
on. En el intervalo iesimo de la particion se tiene que:
xi`1
f 1 pi q
2
x
xi`1i
1
f pi q
f pxqdx hf pxi`1 q ` h2
2
xi
f pxqdx hf pxi q ` h2
(5.19)
(5.20)
347
i0
b
f pxqdx
a
n1
xi`1
f pxqdx h
xi
n1
xi`1
f pxi q `
i0
f pxqdx h
i0 xi
n
n1
n1
n1
h2 1
f pi q
2 i0
f pxi`1 q `
i0
f pxi q `
i1
n
h2
n1
h2 1
f pi q
2 i0
f 1 pi1 q
i1
Es posible notar que salvo la escogencia del i P rxi , xi`1 s, el termino de error
para la regla del rect
angulo con el uso de los extremos izquierdos y derechos
coincide en su forma, y est
a dada por:
n1
h2 1
f pi q
2 i0
(5.21)
Ahora bien, como f P C 2 ra, bs, entonces f 1 P Cra, bs, por lo que al aplicar el
teorema 5, de los valores extremos de una funcion en un intervalo cerrado se tiene
la existencia de valores cmn y cmax en ra, bs para los cuales se cumple que:
f 1 pcmn q f 1 pxq f 1 pcmax q
@x P ra, bs
f 1 pcmn q
f 1 pi q
f 1 pcmax q
i0
nf 1 pcmn q
f 1 pcmn q
i0
n1
i0
f pi q nf 1 pcmax q
i0
n1
1
n
f 1 pi q f 1 pcmax q
i0
n1
1 1
f pi q
n i0
1 n1 1
f pi q existe
n i0
348
M
etodos num
ericos
ba
n ,
n1
h2 1
h2 1
ba
hba 1
f pi q
nf p q
nf p q
hf 1 p q
2 i0
2
2
n
2
n1
i0
n
f pxqdx SDn h
a
i1
donde P ra, bs y h
f pxi q `
ba 1
hf p q
2
f pxi q
ba 1
hf p q
2
ba
n
Ejemplo 124
Resuelva nuevamente el ejemplo 123 con base en la regla compuesta del rectangulo
(primera formula de Newton-Cotes) usando tres subintervalos igualmente espaciados.
F Soluci
on Se desea integrar la funci
on f pxq ex en el intervalo r0, 1s utilizando
1
1
2
la
partici
o
n
P
t0
1u;
en
este
caso,
los
subintervalos
son:
0, 3 ,
3
3
1 2 2
,
y
,
1
.
As
,
las
aproximaciones
al
usarse
las
sumas
derecha
e
izquierda
3 3
3
estan dadas respectivamente por:
SI3
SD3
h
h
i0
3
f p0 ` ihq
f p0 ` ihq
i1
SD3
2
i
1
f
3 i0
3
3
1
i
f
3 i1
3
1 0
e ` e1{3 ` e2{3
1 ` e1{3 ` e2{3 1. 447 782 16
3
3
1
1 1{3
e ` e2{3 ` e1
e1{3 ` e2{3 ` e 2. 020 542 77
3
3
349
ESI
ESD
1
0
1
1{3
2{3
0.270 499 673...
1`e `e
|S SI3 | e 1
1 1{3
2{3
|S SD3 | e 1
e ` e ` e 0.302 260 936...
3
Lo cual muestra que las aproximaciones han mejorado, al comparar con las obtenidas en el ejemplo 123. Gr
aficamente este proceso se muestra en la figura 5.5.
y
(a) Rect
angulo derecho
(b) Rect
angulo izquierdo
F
Ejemplo 125
`
Considere la funci
on f definida por f pxq cos x2 , y considere el intervalo I
r0, 1s. Determine el tama
no de una particion regular
1 P del intervalo I, de manera
que se pueda garantizar que la aproximacion de 0 f pxqdx con el uso de la regla
compuesta del rect
angulo con la particion P y el extremo izquierdo tenga un
error absoluto menor que 0.00001.
F Soluci
on Suponga que P t0 x0 x1 x2 . . . xn 1u una particion
regular. Se desea saber el valor de n P N para la cual se cumpla que:
b a 1 1 1
2 hf p q 2n f p q 0.00001.
senp x2 q
donde f 1 pxq
. Se sabe que para todo x P R se cumple que |f 1 pxq| 12 .
2
De
manera,
1 esta
se desea determinar el valor de n para el cual se cumple que:
f 1 p q 1 0.00001. De donde basta tomar n 25 000.
F
2n
4n
350
M
etodos num
ericos
Ejercicios 5.3
1. Repita el ejemplo 123 con base en la regla compuesta del rectangulo;
use cinco rectangulos y calcule el error absoluto real (tome como valor
real el brindado por una calculadora).
2. Repita el ejemplo 123 con base en la regla compuesta del rectangulo;
use diez rectangulos y calcule el error absoluto real (tome como valor
real el brindado por una calculadora).
2
3. Considere la funci
on f definida por f pxq ex y considere el intervalo
r0, 4s. Si se sabe que f es integrable
en r0, 4s, use la regla compuesta
4
2
del rectangulo para aproximar 0 ex dx. Use:
a) 4 rectangulos.
b) 8 rectangulos.
c) 16 rectangulos.
d) 32 rectangulos.
4. Considere una funci
on f definida e integrable en el intervalo r1, 3s, tal
que |f 1 pxq| M , con M P R` para todo x P r1, 3s. Determine el
tama
no de una partici
on regular P de manera que la aproximacion de la
integral de f en r1, 3s al utilizar la regla compuesta del rectangulo con
la partici
on P y con los extremos derechos, tal que el error sea menor
que 0.001.
5. Considere una funci
on f definida e integrable en el intervalo r1, 1s,
1
tal que |f pxq| M , con M P R` para todo x P r1, 1s. Ademas,
1 1
1 1 3
considere la partici
on P t1, 3
el
4 , 2 , 4 , 0, 4 , 2 , 4 , 1u. Determine
1
valor que debe tomar M si se sabe que la aproximacion de 1 f pxqdx
al usar la regla compuesta del rectangulo con el extremos derecho tiene
un error absoluto menor que 0.1.
Implementaci
on de la regla compuesta del rect
angulo
Suponga que se posee una funci
on f y un intervalo ra, bs en el cual f esta definida y es integrable. Sea n un n
umero natural que indica el n
umero de subintervalos en que la partici
on regular P divide a ra, bs, con:
P ta x0 x1 x2 xn bu
Note que para todo i 0, 1, 2, . . . , n se cumple que xi a ` ih, donde
ba
h
.
n
351
En el pseudoc
odigo presentado en el algoritmo 16 se muestran las instrucciones generales para la implementaci
on del metodo.
Algoritmo 16 Regla compuesta del rectangulo: sumas derechas e izquierdas
Entrada: n: n
umero de intervalos por formar en la particion. f : funcion integrando. a y b: extremos del intervalo de
b integracion con a b.
Salida: SI y SD : La aproximaci
on de a f pxqdx calculada con la regla del
rectangulo compuesta al usar n rectangulos y sus extremos izquierdos y derechos, respectivamente.
ba
1: h
n
2: SI 0, SD 0
3: para i 1 hasta n hacer
4:
SI SI ` f pa ` pi 1qhq
5:
SD SI ` f pa ` ihq
6: fin para
7: SI h SI
8: SD h SI
9: retornar SI , SD
Segunda f
ormula de Newton-Cotes o regla del Trapecio
Sea f P C 3 ra, bs una funci
on integrable en el intervalo ra, bs. Suponga que se
desea determinar el valor de:
b
f pxqdx
a
f 2 px q
px x0 qpx x1 q
2!
(5.22)
x1
f pxqdx
x1
f px0 qdx `
x0
x1
f rx0 , x1 spx x0 qdx `
x0
x0
f 2 px q
px x0 qpx x1 qdx
2!
Como la funci
on gpxq px x0 qpx x1 q es integrable y f 2 P C 1 rx0 , x1 s no
cambia de signo en rx0 , x1 s, entonces por el teorema 47 (teorema del valor medio
ponderado para integrales) existe P rx0 , x1 s para el cual se cumple que:
352
M
etodos num
ericos
x1
x0
f 2 px q
f 2 pq
px x0 qpx x1 qdx
2
2
x1
px x0 qpx x1 qdx
x0
x1
x1
f 2 pq x1
f pxqdx f px0 q
dx ` f rx0 , x1 s
px x0 qdx `
px x0 qpx x1 qdx
2
a
x0
x0
x0
1
f 2 pq 1
px0 x1 q3
f px0 q px1 x0 q ` f rx0 , x1 s px0 x1 q2 `
2
2! 6
h3 f 2 pq
1
f pxqdx hf px0 q ` h2 f rx0 , x1 s
2
12
a
hf px0 q `
h2 f px0 q f px1 q h3 f 2 pq
2
h
12
h
h3 f 2 pq
rf px0 q ` f px1 qs
2
12
x1
f pxqdx
x0
h
rf px0 q ` f px1 qs
2
(5.23)
donde h x1 x0 .
3 2
h f pq
donde P rx0 , x1 s. De ah es
El error absoluto cometido en 5.23 es
12
posible analizar que para h peque
no el error de aproximacion es peque
no.
La regla anterior se conoce como regla del trapecio, debido a que es equivalente
a aproximar el valor de la integral; para ello se utilizan areas del trapecio de bases
f px0 q y f px1 q y altura h x1 x0 , esta se aprecia en la figura 5.6.
353
f(x1)
f(x0)
x0
x1
Ejemplo 126
Repita el ejemplo 123 con base en la regla del trapecio y compare el resultado.
Considere
la funci
on f definida por f pxq ex . Determine una aproximacion
1 x
para 0 e dx. Compare con el valor real (tome como valor real lo que indica una
calculadora).
F Soluci
on En este caso, h x1 x0 1 0 1, as que:
1
ex dx
T1
0
h x0
1
re ` ex1 s re ` 1s 1. 859 140 91
2
2
(5.24)
ET1
Graficamente, la aproximaci
on se aprecia en la figura 5.7.
354
M
etodos num
ericos
Es posible observar que el error cometido por la regla del rectangulo, en sus
dos versiones, fue mucho mayor que el error cometido por la regla del trapecio.
Esto significa que la aproximaci
on determinada por la regla del trapecio tiene
mayor exactitud.
F
n1
i0
h
rf pxi q ` f pxi`1 qs
2
(5.25)
donde h ba
on
n . En la figura 5.8 se puede apreciar la mejora en la aproximaci
al utilizar una partici
on en tres subintervalos.
355
y
f(x3)
f(x2)
f(x1)
f(x0)
x0
x1
x2
x3
La formula (5.25) puede ser simplificada, ya que en ella existen calculos redundantes. Por ejemplo, el c
alculo del
area del primer trapecio se realiza con la
formula:
h
rf px0 q ` f px1 qs
2
mientras que para el segundo trapecio es
h
rf px1 q ` f px2 qs
2
Es posible notar que ambas f
ormulas poseen en com
un f px1 q; de esta forma,
la suma de las dos
areas correspondientes al primer y segundo trapecio se puede
simplifciar tal y como se muestra a continuacion:
h
h
h
rf px0 q ` f px1 qs ` rf px1 q ` f px2 qs rf px0 q ` 2f px1 q ` f px2 qs
2
2
2
el calculo de f px1 q se realiza solo una vez. Este proceso puede ser realizado en
general para obtener una simplificaci
on de la formula presentada en (5.25).
b
f pxqdx
a
n1
i0
h
rf pxi q ` f pxi`1 qs
2
h
pf px0 q ` f px1 q ` f px1 q ` f px2 q ` ` f pxn1 q ` f pxn qq
2
h
pf px0 q ` 2f px1 q ` 2f px2 q ` ` 2f pxn1 q ` f pxn qq
2
n1
h
pf px0 q ` 2
f pxi q ` f pxn qq
2
i1
356
M
etodos num
ericos
ba
.
n
Para la regla compuesta del trapecio, es posible demostrar la existencia de
P ra, bs tal que el error cometido al aplicar la regla esta dado por:
donde h
b a 2 2
12 h f pq
(5.26)
b
n1
h
ba 2 2
f pxqdx
f paq ` 2
f pxi q ` f pbq
h f p q (5.27)
2
12
a
i1
donde P ra, bs y h
ba
n
Ejemplo 127
Repita el ejemplo 126 con base en la regla compuesta del trapecio con cuatro
1
subintervalos. Calcule una aproximaci
on de 0 ex dx.
F Soluci
on
Para este caso se utilizar
a una particion regular P t0, 14 , 12 , 34 , 1u; de esta
1
manera se tiene que h 4 . Por lo que la regla compuesta del trapecio establece
que:
1
3
1{4
x
0
xi
1
e dx
e `2
e `e
2
0
i1
Al simplificar se tiene que:
T4
1{4 0
e ` 2 e1{4 ` e1{2 ` e3{4 ` e1 1. 727 221 91
2
1
El valor real es 0 ex dx e 1, de donde se tiene que el error absoluto
cometido por dicha aproximaci
on es:
ET4 8. 940 076 10 103
Graficamente, la aproximaci
on se muestra en la figura 5.9.
357
Ejercicios 5.4
1. Repita el ejemplo 127 con base en el la regla compuesta del trapecio
con ocho rectangulos y calcule el error absoluto real (tome como valor
real el brindado por una calculadora).
2
2. Considere la funci
on f definida por f pxq ex y considere el intervalo
r0, 4s. Si se sabe que f es integrable
en r0, 4s, use la regla compuesta
4
2
del trapecio para aproximar 0 ex dx. Use:
a) 2 rectangulos.
b) 4 rectangulos.
c) 8 rectangulos.
3. Considere la funci
on g definida por gpxq cospxq ` lnpxq y considere
el intervalo r1, 5s. Si se sabe que g es integrable
en r1, 5s, use la regla
5
compuesta del trapecio para aproximar 1 gpxqdx. Use:
a) 2 rectangulos.
b) 4 rectangulos.
c) 8 rectangulos
Implementaci
on de la regla compuesta del trapecio
Suponga que se posee una funci
on f y un intervalo ra, bs en el cual f esta definida y es integrable. Sea n un n
umero natural que indica el n
umero de subin-
358
M
etodos num
ericos
359
=
=
=
=
=
Range("C2").Value
Range("D2").Value
Range("C5").Value
(b - a) / n
0
For i = 1 To n - 1
S = S + f(a + i * h)
Next
S = h / 2 * (f(a) + 2 * S + f(b))
Range("C8").Value = S
End Sub
360
M
etodos num
ericos
con P ra, bs y h
ba
.
2
y
f(x2)
f(x1)
f(x0)
x0
x1
x2
fi
n 1
n
2
2
h
b a 4 p4q
f pxqdx
h f p q
f paq ` 2
f px2i q ` 4
f px2i1 q ` f pbqfl
3
180
i1
i1
(5.28)
ba
donde h
y P ra, bs
n
361
Ejercicios 5.5
1. Aproxime las siguientes integrales mediante la regla de rectangulo, regla
del trapacio y la regla de Simpson. Compare con el valor real.
1.6
1
4
a)
x dx
c)
0.5
1.5
b)
x2 ln xdx
d)
2x
dx
4
x2
cospxq ` 2x dx
Implementaci
on de la regla de Simpson compuesta
Suponga que posee una funci
on f y un intervalo ra, bs en el cual f esta definida
y es integrable. Sea n un n
umero natural que indica el n
umero de subintervalos
en que la partici
on regular P divide a ra, bs, con:
P ta x0 x1 x2 xn bu
Como la partici
on P es regular, cada subintervalo tiene un tama
no h, con
ba
h
; as, se tiene que xi a ` ih para i 0, 1, 2, . . . , n.
n
En el pseudoc
odigo presentado en el algoritmo 18 se muestran las instrucciones generales para la implementaci
on del metodo del trapecio compuesto.
362
M
etodos num
ericos
5.4.
Cuadratura gaussiana
363
La perdida de precisi
on responde a la imposibilidad de adaptacion que tiene
la regla del trapecio a las curvas de funciones que poseen gran variabilidad.
Una situaci
on similar sucede con el metodo de Simpson; sin embargo, la rigidez
de dichos metodos radica en que las cuadraturas dependen de los extremos del
intervalo de integraci
on. Es posible modificar dichas formulas de manera que las
cuadraturas no dependan de los extremos del intervalo de integracion, sino de
puntos interiores a este.
Para el caso de la funci
on y la regla del trapecio presentados en la figura
5.12, se podran considerar dos puntos x0 y x1 en el interior de ra, bs para los
cuales la aproximaci
on determinada, al hacer uso de estos, sea mucho mejor que
la obtenida mediante los extremos del intervalo de integracion (figura 5.13).
364
M
etodos num
ericos
f
a
x0
x1
5.4.1.
F
ormula de Gauss-Legendre de dos puntos (mejora de la
regla del trapecio)
365
& c f px q ` c f px q
0 1 0
1 1 1
c0 f2 px0 q ` c1 f2 px1 q
%
c0 f3 px0 q ` c1 f3 px1 q
1
1 f0 pxqdx
1
1 f1 pxqdx
1
1 f2 pxqdx
1
1 f3 pxqdx
(5.29)
&
c0 ` c1
c0 x0 ` c1 x1
c x2 ` c1 x21
% 0 30
c0 x0 ` c1 x31
2
0
32
0
(5.30)
c
c
/
0
0
& 1 /
.
c
c
1
1
?3
S
x0 x0 /
/
?3
/
% x1
x1
33
De lo anterior se deduce la f
ormula de Gauss-Legendre de dos puntos, la cual
se enuncia a continuaci
on:
F
ormula de Gauss-Legendre de dos puntos:
Sea f una funci
on definida por f pxq ax3 ` bx2 ` cx ` d donde a, b, c
y d son constantes reales, entonces:
?
?
1
3
3
`f
(5.31)
f pxqdx f
3
3
1
Ejemplo 128
1
Considere la funci
on f pxq 3x3 `2x2 `x`1. Calcule el valor exacto de 1 f pxqdx
mediante la formula de Gauss-Legendre de dos puntos. Verifique su respuesta por
medio del calculo de la integral.
F Soluci
on
f pxq 3x3 ` 2x2 ` x ` 1
366
M
etodos num
ericos
Al aplicar la f
ormula de Gauss-Legendre para dos puntos se tiene que:
?
?
1
3
3
`f
f pxqdx f
3
3
1
?
2
5 2?
5
`
3`
3
3
3
3 3
10
3 4 2 3 1 2
f pxqdx
x ` x ` x ` x
4
3
2
1
3 2 1
3
2
1
` ` `1
p1q4 ` p1q3 ` p1q2 ` p1q
4 3 2
4
3
2
5
10
35
12
12
3
Con lo cual se obtiene el resultado esperado.
Ejemplo 129
Considere la funci
on gpxq xex , use la f
ormula de Gauss-Legendre de dos puntos
1
para calcular el valor de la integral 1 gpxqdx y compare el resultado con la regla
de trapecio y el valor exacto.
F Soluci
on Con la f
ormula de Gauss-Legendre se tiene que:
?
?
1
3
3
gpxqdx g
`g
3
3
1
1. 028 441 063... ` 0.324 115 153 8...
0.704 325 909 5...
Por otro lado, la aproximaci
on obtenida por la regla del trapecio simple fue:
1
1 p1q
pg p1q ` g p1qq 2. 350 402 387
gpxqdx
2
1
Finalmente, se tiene que el valor real de la integral (calculada por partes) esta dado por:
1
1
gpxqdx
de donde se tiene que el error absoluto cometido con la formula de GaussLegendre es:
EGL 3. 143 297 286 102
367
Para este caso se visualiza que el metodo de Gauss-Legendre cuenta con mayor
F
exactitud.
Note que la f
ormula de Gauss-Legendre fue deducida para integrales cuyo
intervalo de integraci
on fuera r1, 1s, por lo que es necesario saber como aplicar
b
dicha formula a integrales m
as generales a f pxqdx, con la u
nica restriccion a b.
b
Dada una funci
on f integrable en ra, bs, entonces la integral a f pxqdx se puede
1
transformar en 1 gpuqdu mediante un simple cambio de variable, de la siguiente
forma:
b
Considere la integral a f pxqdx y tome el cambio de variable.
x
a ` b ` pb aqu
ba
, de donde se tiene que dx
du
2
2
b
1
ba
a ` b ` pb aqu
f pxqdx
f
du
2
2
a
1
Por lo que basta tomar
gpuq f
a ` b ` pb aqu
2
ba
2
Ejemplo 130
Calcule una aproximaci
on de la integral
5
x lnpxqdx
1
Con base en la f
ormula de Gauss-Legendre para dos puntos. Calcule el valor real
y compare.
F Soluci
on
Primero se realizar
a un cambio de variable que permita reescribir dicha integral como otra cuyo intervalo de integracion sea r1, 1s, para esto tome:
x
1 ` 5 ` p5 1qu
2u ` 3
2
donde
dx 2du
de esta manera:
5
1
x lnpxqdx
1
1
368
M
etodos num
ericos
x lnpxqdx 14.09559865 . . .
Por otro lado se tiene que el valor real (integral calculada por partes) esta dado
por:
5
2
5
x ln x x2
25
x lnpxqdx
ln p5q 6 14. 117 973 91 . . .
2
4
2
1
1
Por lo que el error absoluto cometido en la aproximacion es:
EGL 2. 911 291 493
F
5.4.2.
F
ormula de Gauss-Legendre con n puntos
Se considerar
a una generalizaci
on del procedimiento realizado para el caso de
dos puntos. Sea f una funci
on integrable en r1, 1s, entonces:
1
f pxqdx
1
n1
ci f pxi q
i0
1
4
1
f pxqdx f p1q ` f p0q ` f p1q
3
3
3
369
Los valores
optimos de los par
ametros xi y ci seran aquellos que anulen el
error para funciones polinomiales de grado menor o igual a 2n 1, esto debido a
que son 2n par
ametros por estimar, por lo que se requieren 2n ecuaciones para
definir un sistema adecuado con soluci
on u
nica, que permita calcular los valores
deseados.
El sistema resultante quedar
a definido
$ 2n1
cj f0 pxj q
j0
2n1
& j0 cj f1 pxj q
2n1
j0 cj f2 pxj q
% 2n1
j0 cj f2n1 pxj q
por:
1
1 dx
1
1 xdx
1
1 x2 dx
..
.
1
1 x2n1 dx
(5.32)
xi
?
3
x0
? 3
x1 33b
ci
c0 1
c1 1
x0
x1 0
b
x2 35
c0
c1
x0
x1
x2
x3
3
5
c2
0.861136312
0.339981044
0.33998104
0.861136312
c0
c1
c2
c3
5
9
8
9
5
9
0.3478548
0.6521452
0.6521452
0.3478548
F
omula de Gauss-Legendre de n puntos
Sea f una funci
on polinomial definida por f pxq
2n1
ak xk con ak cons-
k0
n1
ck f pxk q
(5.33)
k0
donde los ck y xk son las soluciones del sistema (5.32) y para los valores
de n 2, n 3 y n 4 se pueden tomar de la tabla 5.1.
2
Ejemplo 131
Considere la integral definida dada por I
x2 senpx2 qdx. Aproxime el valor
1
370
M
etodos num
ericos
de I mediante:
1. La regla del rect
angulo (suma derecha y suma izquierda).
2. Regla del trapecio.
3. Regla de Simpson.
4. Formula de Gauss-Legendre con
a) Dos puntos.
b) Tres puntos.
Compare los resultados obtenidos.
F Soluci
on
1. Para la regla del rect
angulo se toma h b a 3, x0 1 y x1 2; de
este modo se tiene que:
Izquierda: I SI1 hf px0 q 3pp1q2 senpp1q2 q 2.524412954
Derecha: I SD1 hf px1 q 3p22 senp22 q 9.081629943
2. Para la regla del trapecio se toma h b a 3, x0 1 y x1 2; de este
modo se tiene que:
I
3
h
rf px0 q ` f px1 qs rp1q2 senpp1q2 q ` 22 sen x2 s 3.278608494
2
2
3
a`b
1
ba
, x0 1, x1
2
2
2
2
h
rf px0 q ` 4f px1 q ` f px2 qs
3
ff
2
2
3
1
1
2
2
2
2
p1q senpp1q q ` 4
sen
` 2 senp2 q
6
2
2
0.9691675185
4. Gauss-Legendre.
Para este caso se tiene que:
2
x sen x dx
2
1 ` 3u
2
sen
1 ` 3u
2
3
du
2
371
1 ` 3u
Al realizar el cambio de variable x
. De este modo, se define la
2
funcion g por:
1 ` 3u
1 ` 3u 2 3
gpuq
sen
2
2
2
a) La f
ormula de dos puntos indica que:
?
?
3
3
Ig
`g
2.704782482
3
3
b) La f
ormula de tres puntos indica que:
I c0 gpx0 q ` c1 gpx1 q ` c2 gpx2 q
c
c
5
3
8
5
5
g
` gp0q ` g
9
5
9
9
9
1.090403480
Con base en metodos m
as precisos, como las reglas compuestas se determina que
una aproximaci
on muy exacta de I corresponde a 1.066485318. Si se considera
dicha aproximaci
on como valor real se puede construir la tabla 5.2, la cual muestra
tanto las aproximaciones obtenidas en cada metodo como el error absoluto y
relativo para cada aproximaci
on.
De la tabla 5.2 se puede apreciar, para este ejemplo, que la aproximacion con
mayor exactitud corresponde a la f
ormula de tres puntos de Gauss-Legendre. Es
claro que la precisi
on de dichas aproximaciones depende en gran medida de la
funcion integrando y del intervalo de integracion; sin embargo, para intervalos
grandes de aproximaci
on las f
ormulas de Gauss-Legendre son una buena opcion.
Por otro lado, las f
ormulas de aproximacion del rectangulo no son muy confiables.
Es importante recordar que con excepcion de las formulas de Gauss-Legendre,
los demas metodos se basan en el supuesto de que el intervalo de integracion es
peque
no. Esto podra justificar los resultados obtenidos.
Regla del rect
angulo izquierda
Regla del rect
angulo derecha
Regla del trapecio
Regla de Simpson
Gauss-Legendre de dos puntos
Gauss-Legendre de tres puntos
Aproximaciones
2.524412954
9.081629943
3.278608494
0.969167519
2.70478248
1.09040348
2
1
Error absoluto
1.457927636
10.14811526
4.345093812
2.035652837
1.638297162
0.023918162
Error relativo
136.70396 %
951.54758 %
407.42181 %
190.87490 %
153.61648 %
2.24271 %
372
M
etodos num
ericos
Ejercicios 5.6
1. Demuestre la igualdad (5.31) para f pxq ax3 ` bx2 ` cx ` d, donde
a, b, c y d son constantes.
2. Sea f la funci
on polinomial definida por f pxq
ak xk . Demuestre
k0
que:
c
c
1
3
8
5
3
5
` f p0q ` f
f pxqdx f
9
5
9
9
5
1
3. Aplique la f
ormula de Gauss-Legendre de dos puntos para calcular una
aproximaci
on de las siguientes integrales.
1
a)
1
3
b)
1
2
dx
3x 5
1
c)
0
x
dx
x2 ` 3
d)
ex
dx
2
p0.13x9 3x5 ` x3 qdx
4. Aplique la f
ormula de Gauss-Legendre de tres puntos para calcular una
aproximaci
on de las siguientes integrales.
1
a)
1
3
b)
1
5.5.
2
dx
3x 5
1
c)
0
x
dx
2
x `3
d)
ex
dx
2
p0.13x9 3x5 ` x3 qdx
1. Utilice las f
ormulas de derivaci
on con tres puntos para completar las siguientes tablas con las aproximaciones de las derivadas.
a)
x
0.5
0.6
0.7
f px)
0.4794
0.5646
0.6442
b)
x
0.0
0.2
0.4
f px)
0.00000
0.74140
1.37180
f 1 pxq
f 1 pxq
373
0.2
0.9798652
0.4
0.9177710
0.6
0.808038
0.8
0.6386093
1.0
0.3843735
a) Aplique la f
ormula m
as exacta de tres puntos para aproximar el valor
1
2
de f p0.4q y f p0.4q.
b) Aplique la f
ormula m
as exacta de tres puntos para aproximar el valor
de f 1 p0.6q y f 2 p0.6q.
3. Para un cohete se recabaron los siguientes datos sobre la distancia recorrida
versus el tiempo:
t en segundos
d en Km
0
0
25
32
50
58
75
78
100
92
125
100
Use diferenciaci
on numerica para estimar la velocidad y aceleracion del
cohete en cada momento. Aplique la formula de tres puntos mas exacta
posible.
4. Considere la funci
on f pxq senpxq cuyos datos conocidos son:
x
f pxq
0.1
0.099833
0.2
0.198669
0.3
0.295520
0.4
0.389418
0.5
0.479425
374
M
etodos num
ericos
a) Regla de rect
angulo simple.
b) Regla de trapecio simple.
c) Mejore las aproximaciones anteriores al realizar una particion del intervalo r0, 3s en tres subintervalos igualmente espaciados.
b
P pxqdx, donde P pxq es un
8. Explique por que al aproximar la integral
a
0
0
0
2
1
0.1
4
1.5
0.12
6
3
0.2
8
3.5
0.25
10
3.2
0.3
12
2
0.15
14
1
0.05
16
0
0
Determine el
area de la secci
on transversal y el caudal del ro. Para realizar
el calculo utilice las reglas compuestas del:
a) Rect
angulo
b) Trapecio
c) Simpson
Sugerencia: El
area de la regi
on transversal At y el caudal Q se calculan
con las siguientes integrales:
D
At
D
P pdqdd
P pdqV pdqdd
0
375
Captulo 6
Soluci
on num
erica de ecuaciones
diferenciales ordinarias
6.1.
Introducci
on
Las ecuaciones diferenciales constituyen uno de los temas mas trascendentales en la matem
atica aplicada, por su gran utilidad en las distintas ramas de
las ciencias. Las ecuaciones diferenciales permites modelar fenomenos y estudiar
comportamientos de diferentes situaciones con el objetivo de establecer modelos
predictivos para estudiar la evoluci
on de un sistema con base en algunas de sus
condiciones iniciales. De ah la importancia de su estudio, no solo desde el punto
de vista analtico, sino desde el numerico.
En el presente captulo se hace una introduccion de los principales conceptos
para el estudio de las ecuaciones diferenciales ordinarias, de manera que el lector
pueda refrescarlos y que esto no constituya un obstaculo para el entendimiento
del tema. Posteriormente se hace un abordaje de las tecnicas numericas que permiten determinar soluciones a problemas de valor inicial referentes a ecuaciones
diferenciales ordinarias de primer orden.
6.2.
378
M
etodos num
ericos
Problema introductorio
Considere los intervalos reales I1 y I2 , defina D I1 I2 R2 . Sea
f : D R una funci
on. De esta manera, para cada punto px, yq P D se
tiene que f px, yq es un valor en R.
Considere el problema de determinar una funcion : I1 I2 que satisfaga la ecuaci
on:
d
f px, yq
dx
o bien
(6.1)
1 pxq f px, yq
cos y sen x
dx
dx
en este caso, se tiene que una soluci
on y pxq de la ecuacion diferencial sera una
funcion : r3, 3s r3, 3s que cumpla que para todo a P r3, 3s. La pendiente
de su grafica en el punto pa, paqq en D esta dada por f pa, paqq.
y
3
379
-3
-3
-3
-3
380
M
etodos num
ericos
una serie de trayectorias que puede seguir una solucion de la ecuacion diferencial
en cuestion. Dichas trayectorias se pueden visualizar en la figura 6.2. De las
figuras 6.1 y 6.2 se puede observar que existen muchas soluciones de la ecuacion
diferencial en la regi
on D; para esto se puede observar la figura 6.3 en donde se
presentan tres diferentes soluciones.
Del ejemplo 132 se puede observar que la solucion de una ecuacion diferencial
definida en una regi
on D I1 I2 R2 no es una u
nica funcion : I1 I2 ,
sino que corresponde a una familia indexada de funciones tc u donde cada una
de ellas es una funci
on de I1 en I2 .
Definici
on 52 (Ecuaci
on diferencial ordinaria (EDO))
Una ecuacion diferencial ordinaria definida sobre una region D corresponde a una
igualdad de la forma:
F px, y, y 1 , y 2 , . . . , y pnq q 0
donde y denota una funci
on desconocida en terminos de la variable independiente
x, y y 1 , y 2 , . . ., y pnq denotan las primeras n derivadas ordinarias de la funcion y.
Ejemplo 133
La ecuacion diferencial definida en el ejemplo 132
dy
cos y sen x
dy
puede representarse como:
F px, y, y 1 q 0
donde
381
1. 4y 2 ` 2y 1 3y 0 es una ecuaci
on diferencial ordinaria de segundo orden.
2. 2y 1 y 3 es una ecuaci
on diferencial ordinaria de primer orden.
Si la derivada de mayor orden est
a elevada a la k, con k P N, entonces se dice que
la ecuacion diferencial ordinaria es de grado k. Se debe notar que los conceptos
de orden y grado en una ecuaci
on diferencial son independientes entre s.
Definici
on 54
Una ecuacion diferencial ordinaria lineal de orden n es aquella que puede escribirse
de la forma:
a0 pxqy pnq ` a1 pxqy pn1q ` ` an1 pxqy 1 ` an pxqy F pxq, con a0 0
donde tanto F como ai representan funciones en variable x.
En caso de que todos los ai sea funciones constantes, se dice que la ecuacion
diferencial es lineal ordinaria de coeficientes constantes. De lo contrario se dira que
la ecuacion diferencial es ordinaria lineal de coeficientes variables.
Ejemplo 135
Considere las siguientes ecuaciones diferenciales.
5y 2 ` 3y tanp2xq es una ecuaci
on ordinaria lineal de coeficientes constantes.
5x2 y 2 5 senpxqy 1 `3xy x es una ecuacion ordinaria lineal con coeficientes
variables.
La importancia pr
actica de las ecuaciones diferenciales ordinarias lineales es
que se pueden resolver analticamente, mientras que muchas de las ecuaciones no
lineales no se pueden resolver de dicha manera; por lo tanto, es indispensable el
uso del metodo de aproximaci
on.
6.2.1.
Soluci
on de una EDO
382
M
etodos num
ericos
Definici
on 55 (Soluci
on general, particular y singular de una EDO)
Dada una ecuaci
on diferencial F px, y, y 1 , y 2 , . . . , y pnq q 0 de orden n, se define la
solucion general de dicha ecuaci
on como una familia de funciones y que depende
de n parametros C1 , C2 , . . . , Cn para la cual se cumple que cada uno de sus
miembros satisface la ecuaci
on diferencial.
Por su parte, se define una soluci
on particular de la ecuacion diferencial como
una funcion y que se obtiene a partir de la solucion general al asignar valores a
los parametros C1 , C2 , . . . , Cn .
Finalmente, una soluci
on singular de una ecuacion diferencial es aquella que
no se puede obtener a partir de la soluci
on general; este tipo de soluciones aparece
frecuentemente en ecuaciones diferenciales no lineales.
Ejemplo 136
Considere la ecuaci
on diferencial definida por:
dy
y 1{2
dx
en la regi
on D r0, 1s r0, 1s
x`C 2
Pruebe que su soluci
on general est
a dada por ypxq
. Ademas,
2
pruebe ademas, que y 0 es una soluci
on singular de dicha ecuacion diferencial.
F Soluci
on
Primero se demostrar
a que la funci
on y definida por ypxq
x`C
2
2
es la
x`C
. De este modo
solucion general de la ecuaci
on diferencial, donde y 1 pxq
2
se tiene que:
d
x`C
x`C 2
1
1{2
y pxq y pxq
2
2
x ` C
x`C
2
2
Donde la igualdad es cierta, pues 0 ypxq 1 0 x ` C 2. As queda
demostrado que la soluci
on general de la ecuacion diferencial es:
ypxq
x`C
2
383
x`C 2
0
2
Lo anterior es cierto u
nicamente si C x, lo cual implica que C no es constante.
De esta manera se concluye que la funci
on nula ypxq 0 es una solucion singular
de la ecuacion diferencial.
F
6.2.2.
Definici
on 56
Un problema de valor inicial es una ecuacion diferencial para la cual se busca
una solucion particular sujeta a condiciones sobre la funcion desconocida y sus
derivadas en un mismo valor de la variable independiente. A estas condiciones se
les denomina condiciones iniciales.
Definici
on 57
Un problema de valor frontera o lmite es una ecuacion diferencial para la cual se
busca determinar una soluci
on particular sujeta a condiciones sobre las funciones
desconocidas y sus derivadas, en dos o mas valores de la variable independiente.
Estas son denominadas condiciones fronteras.
Ejemplo 137
Resuelva la ecuaci
on xy 1 y 3x3 y sujeto a la condicion inicial yp1q 1.
F Soluci
on
Mediante diferenciales, la ecuaci
on anterior se puede escribir como:
dy
y 3x3 y xdy ydx 3x3 ydx
dx
xdy yp1 ` 3x3 qdx
dy
1 ` 3x3
dx
y
x
384
M
etodos num
ericos
dy
1 ` 3x3
dx ln |y| ln |x| ` x3 ` C
x
y
ln x3 ` C
x
y
3
ex `C
x
y
3
eC ex
x
y Kxex
De esta manera, se tiene que ypxq Kxex es la solucion general de la ecuacion diferencial. Ahora se debe buscar una solucion particular que satisfaga la
condicion inicial dada; para esto basta determinar el valor de K que garantice el
cumplimiento de la condici
on inicial yp1q 1.
De esta manera:
yp1q Ke 1 K
1
e
1
3
Por lo que la soluci
on del problema de valor inicial es: ypxq xex , o lo que es
e
3
F
lo mismo: ypxq xex 1 .
A continuaci
on se desarrollan, desde el punto de vista numerico, los metodos
para aproximar los problemas de valor inicial.
6.3.
M
etodos de un paso para EDO
A continuaci
on se hace un abordaje de los principales metodos para aproximar
soluciones de problemas de valor inicial en ecuaciones diferenciales ordinarias de
primer orden. Se iniciar
a al exponer los metodos de Taylor, incluido el metodo e
Euler; posteriormente se estudiar
an los metodos de Runge-Kutta.
6.3.1.
M
etodo de Euler
Es una forma r
apida y sencilla de aproximar soluciones de problemas de valor
inicial para ecuaciones diferenciales de la forma:
dy
f px, yq
con ypx0 q y0
(6.2)
dx
Este metodo tambien es conocido como el metodo de las tangentes o de las quebradas de Euler. Aplica el hecho de que y 1 px0 q representa la pendiente de la recta
tangente a la gr
afica de y en el punto px0 , ypx0 qq.
385
La condici
on inicial del problema establece que la pendiente de la recta tangente a la curva de la funci
on y en el punto px0 , y0 q esta dada por f px0 , y0 q. Esta
recta tangente es una linealizaci
on de la funcion y alrededor del punto px0 , y0 q y
da una idea clara de la direcci
on que sigue la grafica de la funcion y a partir del
punto.
As, en peque
nos recorridos alrededor del punto px0 , y0 q se puede tomar el
valor de la recta tangente como si fuera el valor real de la funcion. Con esto se
puede determinar una aproximaci
on y1 del valor ypx0 ` hq para un h suficientemente peque
no y fijo. Una vez en el nuevo punto px0 ` h, y1 q, se puede repetir el
proceso para determinar una nueva aproximacion y2 del valor ypx0 ` 2hq que siga
la trayectoria que indica la pendiente f px0 ` h, y1 q de la grafica de la funcion y.
El siguiente ejemplo da una idea m
as clara del proceso que se sigue al aplicar
el metodo de Euler para aproximar la solucion de una ecuacion diferencial.
Ejemplo 138
Considere el problema de valor inicial:
dy
cos y sen x
dx
con yp2q 0
La funcion buscada cumple que su grafica pasara por el punto p2, 0q. El
campo vectorial en dicho punto indica la direccion que toma la grafica de y a
partir de este. De esta manera, se construira una aproximacion segmentada de
la solucion real del problema de valor inicial a partir de segmentos de las rectas
tangentes en cada punto de aproximaci
on.
Considere el incremento h 1, as se representaran las aproximaciones para
los valores yp1q, yp0q, yp1q, yp2q y yp3q, tal y como se muestra en la figura 6.4:
Analticamente, de nuevo en el problema de valor inicial presentado en 6.2, si
y es la funcion desconocida que se debe aproximar, y px0 , y0 q es un punto en el
grafico de dicha funci
on, la recta tangente a la grafica de y el punto anterior es:
l1 pxq y 1 px0 qpx x0 q ` y0
de este modo, l1 es la linealizaci
on de y alrededor de px0 , y0 q, por lo que l1 se
considera una aproximaci
on de y cerca del punto. Sea h un incremento fijo, al
hacer uso de la aproximaci
on de y por l1 se aproxima el valor de ypx0 ` hq por
y1 l1 px0 ` hq, es decir: ypx0 ` hq l1 px0 ` hq y1 . Denote x1 x0 ` h.
Finalizado el primer paso, se tiene la aproximacion px1 , y1 q del valor real
px1 , ypx1 qq. Si se supone que dicho valor es real, se puede repetir el procedimiento
con el nuevo punto px1 , y1 q, si se sabe que la pendiente de la recta tangente
esta dada por f px1 , y1 q en este punto. As, la nueva linealizacion de la funcion y
en px1 , y1 q es:
l2 pxq f px1 , y1 qpx x1 q ` y1
386
M
etodos num
ericos
-3
-2
-3
-3
-2
-1
-3
(b) Construcci
on de las quebradas.
387
(x0,y0)
error
(x1,y1)
Curva de solucin
x0
x1
Ejemplo 139
Considere el problema de valor inicial que se presenta a continuacion:
dy
py 2 ` 1q sen x
con
yp1q 1
(6.3)
dx
Si es la soluci
on del problema de valor inicial, utilice el metodo de Euler para
aproximar el valor de p0q y p1q. Emplee un tama
no de paso h 1.
F Soluci
on Como es la soluci
on del problema de valor inicial, entonces debe
cumplirse que:
1 pxq py 2 ` 1q sen x
y p1q 1
de donde se tiene que la recta tangente a la curva de la funcion en el punto
p1, 1q esta dada por:
l1 pxq y0 ` f px0 , y0 qpx x0 q
1 2 senp1qpx ` 1q
De esta forma, la aproximaci
on de px0 `hq px1 q p0q es l1 p0q 2 senp1q
1 2.682941969.
Por lo que el punto px1 , y1 q p0, 2 senp1q1q. En este nuevo punto se puede
repetir el proceso.
l2 pxq y1 ` f px1 , y1 qpx x1 q
2 senp1q 1 ` 0 px 0q
2 senp1q 1
388
M
etodos num
ericos
(6.4)
F Soluci
on
Primero note que: x0 1, x1 0.5, x2 0, x3 0.5 y x4 1 La
linealizacion de en el punto p1, 1q es:
l1 pxq 1 ` 1.682941969px ` 1q
As, y1 l1 p0.5q 1.841470984, de donde se tiene el nuevo punto px1 , y1 q
dado por p0.5, 1.841470984q.
La linealizaci
on de en px1 , y1 q es:
l2 pxq 1.841470984 ` 2.105164915px ` 0.5q
de esta manera, la siguiente aproximaci
on es y2 l2 p0q 2.894053443. De
donde se tiene el nuevo punto px2 , y2 q dado por p0, 2.894053443q.
La linealizaci
on de en px2 , y2 q es:
l3 pxq 2.894053443 ` 0 px 0q
de donde se tiene que la siguiente aproximacion es y3 l3 p0.5q 2.894053443.
As, se obtiene el nuevo punto px3 , y3 q dado por p0.5, 2.894053443q.
Finalmente, la linealizaci
on de en px3 , y3 q es:
l4 pxq 2.894053443 ` 4.494875871 px 0.5q
de donde se tiene que la siguiente aproximacion y4 l4 p1q 0.646615508. A
partir de lo anterior, el nuevo punto px4 , y4 q dado por p1, 0.646615508q.
Por lo tanto, las aproximaciones en los puntos indicados son:
p0q 2.894053443
p1q 0.646615508
F
389
dy
f px, yq
dx
con
ypx0 q y0
(6.5)
De esta manera, la f
ormula recursiva del metodo de Euler para aproximar
datos de la soluci
on del problema de valor inicial (6.5) y con un paso h esta dada
por:
$
& yn`1 yn ` hf pxn , yn q
%
y0
(6.6)
ypx0 q
390
M
etodos num
ericos
y0
y0
x
x0+h
x0
x0
(a) Aproximaci
on segmentada 1.
x0+h
x0+2h
(b) Aproximaci
on segmentada 2.
y0
x
x0
h
h
h
(c) Aproximaci
on segmentada 3.
Ejemplo 141
Utilice el metodo de Euler para aproximar la solucion de la ecuacion diferencial
y 1 2xy
yp1q 1
F Soluci
on
Con base en el metodo de separaci
on de variables se tiene que la solucion
2
exacta de la ecuaci
on diferencial est
a dada por y ex 1 . Luego, con la formula
presentada en (6.6) se obtienen las aproximaciones presentadas en la tabla 6.1.
391
yn
1.0000
1.2000
1.4640
1.8154
2.2874
2.9278
Valor Exacto
1.0000
1.2337
1.5527
1.9937
2.6117
3.4904
Error Abs
0.0000
0.0337
0.0887
0.1784
0.3244
0.5625
% Error Rel.
0.00
2.73
5.71
8.95
12.42
16.12
y
3
2.5
2
1.5
1
1
1.1
1.2
1.3
1.4
1.5
F
Ejemplo 142
Repita el ejercicio anterior con h 0.05.
F Soluci
on
Al utilizar la f
ormula 6.6 se obtienen las aproximaciones presentadas en la
tabla 6.1.
392
M
etodos num
ericos
xn
1.00
1.05
1.10
1.15
1.20
1.25
1.30
1.35
1.40
1.45
1.50
yn
1.0000
1.1000
1.2155
1.3492
1.5044
1.6849
1.8955
2.1419
2.4311
2.7714
3.1733
Valor Exacto
1.0000
1.1079
1.2337
1.3806
1.5527
1.7551
1.9937
2.2762
2.6117
3.0117
3.4904
Error Abs.
0.0000
0.0079
0.0182
0.0314
0.0483
0.0702
0.0982
0.1343
0.1806
0.2403
0.3171
%Error Rel.
0.00
0.72
1.47
2.27
3.11
4.00
4.93
5.90
6.92
7.98
9.08
1
1
1.1
1.2
1.3
1.4
1.5
F
En los ejemplos anteriores se puede observar que la aproximacion obtenida
para x 1.5 es mejor cuando se utiliz
o un paso de h 0.05. Esto evidencia que al
utilizar un paso relativamente peque
no se produce una mejora en la aproximacion
de la solucion de una ecuaci
on diferencial.
Ejercicios 6.1
1. Considere
dy
px2 ` 1qey sujeta a la condicion inicial yp1q 2. Si
dx
393
es la soluci
on, aproxime el valor de p2q. Utilice el metodo el Euler
con un tama
no de paso 0.5.
dy
pxy ` yq sujeta a la condicion inicial yp1q 1. Si
dx
es la soluci
on, aproxime el valor de p2q.Utilice el metodo el Euler con
un tama
no de paso 0.5.
2. Considere
3. Use una hoja de Excel y repita los dos ejercicios anteriores un tama
no
de paso h 0.2.
Implementaci
on del m
etodo Euler en Excel
X x0
N m
ax
para n 1 hasta N m
ax hacer
NXYpn ` 1, 1q n
NXYpn ` 1, 2q NXYpn, 2q ` h
NXYpn ` 1, 3q NXYpn, 3q ` hf pNXYpn, 2q,NXYpn, 3qq
fin para
retornar NXY
h
Si bien la implementaci
on del metodo de Euler puede ser realizada facilmente
en la hoja de Excel sin la necesidad de realizar una programacion desde codigo,
en esta seccion se decidi
o realizarla de manera que se ejemplifique y funcione
de gua para la implementaci
on en otros lenguajes de programacion diferentes al
abordado en esta obra.
En el algoritmo 19 se puede observar el pseudocodigo para la implementacion
del metodo.
Para implementar en Excel el metodo de Euler simple cuyo pseudocodigo se
394
M
etodos num
ericos
xn
yn
Defina como c
odigo del bot
on el que se muestra a continuacion. Con esto
finaliza la implementaci
on para el metodo de Euler simple. Si se desea aplicar
para otras ecuaciones diferenciales de primer orden, basta realizar el cambio de
la funcion f .
Private Sub cmd Resolver Click()
Dim h As Double, Nmax As Integer
Dim X As Double, NXY As Variant
Dim n As Integer
'Cargar los datos del formulario
X = Range("B7").Value
Nmax = Range("B9").Value
Range(Cells(3, 4), Cells(1000, 6)).ClearContents
NXY = Range(Cells(3, 4), Cells(3 + Nmax + 1, 6))
'Carga los valores iniciales del problema de valor inicial
'en la primera fila del vector NXY
NXY(1, 1) = 0
NXY(1, 2) = Range("B3").Value 'Carga el valor de x0
NXY(1, 3) = Range("B5").Value 'Carga el valor de y0
h = (X - NXY(1, 2)) / Nmax 'Define el tama
no de paso
For n = 1 To Nmax
NXY(n + 1, 1) = n
NXY(n + 1, 2) = NXY(n, 2) + h
NXY(n + 1, 3) = NXY(n, 3) + h * f(NXY(n, 2), NXY(n, 3))
Next
Range(Cells(3, 4), Cells(3 + Nmax + 1, 6)) = NXY
End Sub
395
6.3.2.
M
etodos de Taylor
y 2 paq
y pkq paq
y pk`1q px q
y 1 paq
px aq `
px aq2 ` `
px aqk `
px aqk`1 (6.8)
1!
2!
k!
pk ` 1q!
donde x es un n
umero entre x y a.
Se puede notar que al tomar k 1, a xn y x xn`1 xn ` h se obtiene
ypxn`1 q ypxn q `
y 1 pxn q
y 2 px q 2
h`
h
1!
2!
y 2 px q 2
h
2!
(6.9)
y 2 pxn q
` R2 pxn q
2
Bf px, yq Bf px, yq dy
`
.
Bx
By
dx
h2 1
f pxn , yn q
2
396
M
etodos num
ericos
Finalmente, el metodo de Taylor de orden 2 se presenta a continuacion:
M
etodo de Taylor de orden 2
Considere el problema de valor inicial:
dy
f px, yq,
dx
con
y 1 px0 q y0
% y
ypx0 q
0
donde y 1 f px, yq y y 2 f 1 px, yq
Bf px, yq Bf px, yq dy
`
.
Bx
By
dx
F Soluci
on
f px, yq 2xy de donde se tiene que:
f 1 px, yq
Bf px, yq Bf px, yq dy
`
Bx
By
dx
2y ` 2x f px, yq
2y ` 2x 2xy
2y ` 4x2 y
(6.11)
397
As se obtiene una f
ormula recurrente para aproximar la solucion del problema
de valor inicial anterior.
yn yn1 ` hp2xn1 yn1 q `
h2
p2yn1 ` 4x2n1 yn1 q
2
de donde en la tabla 6.3 se presentan las aproximaciones obtenidas por medio del
metodo solicitado, en la misma tabla es posible observar los errores absolutos y
relativos cometidos.
xn
1
1.1
1.2
1.3
1.4
1.5
yn
1.0000
1.2300
1.5427
1.9728
2.5721
3.4188
ypxn q
1.0000
1.2337
1.5527
1.9937
2.6117
3.4903
Error Abs
0.0000
0.0037
0.0100
0.0209
0.0396
0.0715
% Error Rel.
0.00 %
0.30 %
0.65 %
1.05 %
1.52 %
2.05 %
La representaci
on gr
afica de la solucion segmentada obtenida con las aproximaciones de la tabla anterior se puede apreciar en la figura 6.10.
y
3
2.5
2
1.5
1
1
1.1
1.2
1.3
1.4
1.5
F
El inconveniente de esta nueva aproximacion es que se debe calcular y 2 pxq,
lo que en algunos caso no es sencillo. Ademas, de requerir mayor precision es
necesario realizar el c
alculo de derivadas de orden superior, lo cual complica mas
el trabajo.
398
M
etodos num
ericos
Ejercicios 6.2
dy
px2 ` 1qey sujeta a la condicion inicial yp1q 2.
dx
Si es la soluci
on, aproxime el valor de p2q. Utilice Taylor de segundo
orden y un paso de 0.5.
1. Considere
dy
pxy ` yq sujeta a la condicion inicial yp0q 1. Si
dx
es la soluci
on, aproxime el valor de p2q. Utilice Taylor de segundo
orden y un paso de 0.5.
2. Considere
dy
xe3x 2y sujeta a la condicion inicial yp0q 0. Si es
dx
la soluci
on, aproxime el valor de p1q. Utilice Taylor de segundo orden
y un paso de 0.5.
3. Considere
dy
cosp2xq`senp3xq sujeta a la condicion inicial yp0q 1.
dx
Si es la soluci
on, aproxime el valor de p1q. Utilice Taylor de segundo
orden y un paso de 0.5.
4. Considere
5. Construya la sucesi
on recursiva para el metodo de Taylor de orden 3.
Implementaci
on del m
etodo de Taylor de orden 2
La programaci
on de metodo de Taylor de orden 2 es analoga a la implementacion realizada para el metodo de Euler con la variacion de la formula recursiva.
Para esto es necesario calcular tanto f pxn , yn q como f 1 pxn , yn q, que deberan ser
definidas previamente en el programa.
Si el lenguaje de programaci
on utilizado posee alg
un metodo de calculo simboli1
co para f px, yq dada f px, yq, puede ser empleado para simplificar el trabajo de
programacion; de lo contrario, deber
a ser el usuario el encargado de realizar dicho calculo y alimentar el programa con el codigo necesario. En el algoritmo 20
se puede observar el pseudoc
odigo necesario para la programacion del metodo
propuesto.
399
X x0
N m
ax
para n 1 hasta N m
ax hacer
NXYpn ` 1, 1q n
NXYpn ` 1, 2q NXYpn, 2q ` h
NXYpn ` 1, 3q
h
h2
NXYpn, 3q ` hf pNXYpn, 2q,NXYpn, 3qq ` f 1 pNXYpn, 2q,NXYpn, 3qq
2
9: fin para
10: retornar NXY
6.3.3.
M
etodo de Euler mejorado
El metodo de Taylor de segundo orden posee una precision mucho mayor que
el metodo de Euler para un mismo tama
no de paso. Sin embargo, la necesidad
d
del calculo de dx f px, yq hace que el metodo sea poco versatil; esta necesidad es
una limitante importante en su aplicaci
on. No obstante, es posible obtener una
formula que posea una precisi
on similar a la del metodo de Taylor de segundo
orden, la cual no requiere el c
alculo de derivadas. Posteriormente, este metodo
sera conocido con el nombre del metodo de Runge-Kutta de segundo orden.
El metodo de Euler consiste en tomar la direccion de la recta tangente en cada
punto de aproximaci
on pxn , yn q que dicta la pendiente f pxn , yn q; as, la direccion
del segmento siguiente de la soluci
on aproximada esta basada en la informacion
de un u
nico punto. La mejora del metodo radica en no basar la nueva direccion
en la informaci
on de un solo punto sino en un promedio de dos datos.
Mas precisamente, en lugar de tomar la pendiente del segmento siguiente
igual a f pxn , yn q, se toma igual al promedio de la pendiente f pxn , yn q en el punto
q en el punto px
400
M
etodos num
ericos
corresponde a:
yn`1 yn ` h
q
f pxn , yn q ` f pxn`1 , yn`1
2
donde
yn`1
yn ` hf pxn , yn q
q son aproximaciones de las pendientes de
Note que f pxn , yn q y f pxn`1 , yn`1
las rectas tangentes a la funci
on y en los puntos pxn , ypxn qq y pxn`1 , ypxn`1 qq,
respectivamente. De esta manera, el cociente:
& yn`1 yn ` h
2
%
y0
ypx0 q
(6.12)
donde xn`1 xn ` h.
No se omite indicar que las aproximaciones obtenidas por la formula (6.12)
poseen una precisi
on similar a las generadas por el metodo de Taylor de orden 2
con la formula (6.10), siempre que el tama
no de paso h sea el mismo. La ventaja
de este nuevo metodo radica en no tener que realizar el calculo de las derivadas,
lo cual simplifica el trabajo en forma considerable.
Ejemplo 144
Utilice la ecuaci
on (6.12) para aproximar la solucion del problema de valor inicial
1
y 2xy con yp1q 1, utilice un paso de h 0.1. Calcule el error absoluto y
relativo de cada aproximaci
on.
F Soluci
on
Para este ejemplo se tiene que:
f px, yq 2xy
px0 , y0 q p1, 1q
de esta manera, la f
ormula recurrente generada por los datos anteriores y la
formula 6.12 para este ejemplo est
a dada por:
$
2xn yn ` 2pxn ` 0.1qpyn ` 0.1 2xn yn q
&
yn`1 yn ` 0.1
2
%
y x 1
0
401
As, en la tabla 6.4 se presentan las aproximaciones obtenidas por medio del
metodo de Euler mejorado, en la misma tabla es posible observar los errores
absolutos y relativos cometidos.
xn
1.00
1.10
1.20
1.30
1.40
1.50
yn
1.0000
1.2320
1.5479
1.9832
2.5908
3.4509
ValorReal
1.0000
1.2337
1.5527
1.9937
2.6117
3.4904
Error Abs
0.0000
0.0017
0.0048
0.0105
0.0209
0.0395
% Error Rel.
0.00 %
0.14 %
0.31 %
0.53 %
0.80 %
1.13 %
La representaci
on gr
afica de la solucion segmentada obtenida con las aproximaciones de la tabla anterior se puede apreciar en la figura 6.11.
y
3
2.5
2
1.5
1
1
1.1
1.2
1.3
1.4
1.5
F
Es posible ver una peque
na diferencia entre las aproximaciones obtenidas en
cada uno de los ejemplos 143 y 144; sin embargo, se puede notar que los errores
cometidos son muy parecidos. M
as aun, en el caso particular de los ejemplos 143 y
144 se puede observar una mejora en la aplicacion del metodo de Euler mejorado
en comparaci
on con el metodo de Taylor de segundo orden.
Implementaci
on del m
etodo de Euler mejorado
La programaci
on de Euler mejorado obedece a una estructura muy parecida a
la empleada en los algoritmos de los metodos de Euler simple y Taylor de segundo
orden, con la variaci
on de la f
ormula recursiva.
402
M
etodos num
ericos
X x0
N m
ax
para n 1 hasta N m
ax hacer
NXYpn ` 1, 1q n
NXYpn ` 1, 2q NXYpn, 2q ` h
y NXYpn, 3q ` h f pNXYpn, 2q,NXYpn, 3qq
NXYpn`1, 3q NXYpn, 3q`h{2pf pNXYpn, 2q,NXYpn, 3qq`f pNXYpn`
1, 2q, y qq
fin para
retornar NXY
h
Ejercicios 6.3
1. Repita los ejercicios 6.2 de la pagina 398 con el mismo tama
no de paso propuesto y la f
ormula de Euler mejorado. Compare los resultados
obtenidos con los obtenidos en los ejercicios 6.2.
2. Considere el problema de valor inicial dado por:
y 2 dy xex{2 dx
con
yp0q 1
403
?
y
con
6.3.4.
M
etodos de Runge-Kutta
Los metodos de Taylor generan buenas soluciones para ordenes grandes; por
ejemplo, el metodo de Taylor de segundo orden, estudiado en la seccion 6.3.2,
mejora por mucho al metodo de Euler simple. Sin embargo, tiene el inconveniente
de requerir el c
alculo de derivadas, al igual que los metodos de Taylor de orden
superior.
El metodo de Euler mejorado, estudiado en la seccion 6.3.3, solventa el problema del calculo de las derivadas del metodo de Taylor con el uso de una pendiente
promedio, lo cual genera aproximaciones con una precision similar a la generada
por el metodo de Taylor de orden 2. Con este mismo principio, los metodos de
Runge-Kutta buscan aproximaciones con una precision similar a los metodos de
Taylor, pero sin la necesidad del c
alculo de derivadas.
De esta manera, el metodo de Euler simple, estudiado en la seccion 6.3.1,
es conocido como el metodo de Runge-Kutta de primer orden, mientras que el
metodo de Euler mejorado, estudiando en la seccion 6.3.3 es llamado metodo de
Runge-Kutta de segundo orden.
En general, el metodo de Runge-Kutta de orden n posee una precision similar
a la que presenta el metodo de Taylor de orden n. El metodo de Runge-Kutta de
orden 4 es el metodo que mayormente se ha utilizado por su gran precision y su
facil implementaci
on; tambien se denomina metodo de Runge-Kutta clasico.
404
M
etodos num
ericos
A continuaci
on se presentan los metodos de Runge-Kutta de orden dos y
cuatro, los cuales ser
an asumidos sin demostracion.
M
etodo de Runge-Kutta de segundo orden
Considere el problema de valor inicial con solucion u
nica dado por:
y 1 f px, yq
sujeto a
y0 ypx0 q
El metodo de Runge-Kutta de orden 2 consiste en la existencia de constantes a, b, y , las cuales cumplen que:
yn`1 yn ` ak1 ` bk2
donde:
k1 hf pxn , yn q
k2 hf pxn ` h, yn ` k1 q
1
2
y b
1
2
Las condiciones para las constantes generan un sistema de ecuaciones con infinitas
soluciones. En particular, el metodo de Euler mejorado se obtiene con la solucion
1
del sistema: 1 y a b ; de esta manera se tiene que:
2
yn`1 yn ` ak1 ` bk2
donde:
k1 hf pxn , yn q
k2 hf pxn ` h, yn ` k1 q
o lo que es lo mismo:
1
1
yn`1 yn ` hf pxn , yn q ` hf pxn ` h, yn ` hf pxn , yn qq
2
2
yn`1
yn ` h
(6.13)
405
sujeto a
y0 ypx0 q
k1
k2
k3
k4
hf pxn , yn q
hf pxn ` 1 h, yn ` 1 k1 q
hf pxn ` 2 h, yn ` 2 k1 ` 3 k2 q
hf pxn ` 3 h, yn ` 4 k1 ` 5 k2 ` 6 k3 q
k1 hf pxn , yn q
k2 hf pxn ` 12 h, yn ` 12 k1 q
k3 hf pxn ` 21 h, yn ` 12 k2 q
k4 hf pxn ` h, yn ` k3 q
Ejemplo 145
Considere el problema de valor inicial dado por:
dy
2xy
dx
yp0q
1
4
406
M
etodos num
ericos
F Soluci
on
En la tabla 6.5 se puede apreciar las primeras cuatro iteraciones del metodo
clasico de Runge-Kutta de cuarto orden.
i
0
1
2
3
4
xi
0
0.5
1
1.5
2
yi
0.25
0.32096354
0.67828623
2.34309034
13.0212364
k1
k2
k3
k4
0
0.16048177
0.67828623
3.51463551
0.0625
0.30090332
1.27178669
7.17571416
0.0703125
0.3535614
1.64272447
10.379158
0.16015625
0.67452494
3.48151606
25.4444966
xi
0
0.5
1
1.5
2
yi
0.25
0.32096354
0.67828623
2.34309034
13.0212364
ex {4
0.25
0.32100635
0.67957046
2.37193396
13.6495375
Error Abs
0
4.2813 105
0.00128422
0.02884362
0.62830109
Finalmente, las gr
aficas de la soluci
on real y la aproximacion segmentada se
muestran en la figura 6.12:
y
14
12
10
8
6
4
2
0.5
1.0
1.5
2.0
407
8:
h
k1
k2 hf NXYpn, 2q ` , NXYpn, 3q `
2
2
h
k2
k3 hf NXYpn, 2q ` , NXYpn, 3q `
2
2
k4 hf pNXYpn, 2q ` h, NXYpn, 3q ` k3 q
1
NXYpn ` 1, 3q NXYpn, 3q ` pk1 ` 2k2 ` 2k3 ` k4 q
6
fin para
retornar NXY
9:
10:
11:
12:
13:
14:
Ejercicios 6.4
1. Resuelva nuevamente los problemas planteados en los ejercicios 6.2 en
la pagina 398, pero con el metodo de Runge-Kutta clasico.
2. Considere el problema de valor inicial:
y 1 y cospxq
sujeto a la condicion
yp0q 2
408
M
etodos num
ericos
6.4.
M
etodo de pasos m
ultiples para EDO
Hasta este momento, los metodos estudiados para la aproximacion de soluciones de ecuaciones diferenciales son de un solo paso y tienen la caracterstica de
que la direccion del el siguiente segmento de la aproximacion segmentada depende
u
nicamente de punto actual y la funci
on f px, yq.
Es necesario aclarar que en cada iteracion de los metodos que se han estudiado
a lo largo de este captulo existe un remanente de informacion que perdura a lo
largo del tiempo. Sin embargo, aunque la aproximacion en la nesima iteracion
contiene informaci
on de las iteraciones anteriores, no es usada en forma directa
en el calculo de las aproximaciones futuras.
Una manera sencilla de entender la diferencia entre los metodos de pasos
m
ultiples y los metodos de un solo paso es pensar que los metodos de un solo paso
no tienen memoria, es decir, una vez calculado el nuevo punto de aproximacion
olvida como lleg
o all y se preocupa solo por ir a la siguiente posicion con base
en lo que se puede observar en la posici
on actual.
Mientras que los metodos de pasos m
ultiples mantienen una memoria de los
nodos calculados en el pasado; en este sentido, una vez que se calcula un punto de
aproximacion la decisi
on, de hacia donde dirigirse despues depende de la direccion
indicada por f px, yq y de d
onde se ha estado anteriormente.
La idea de los metodos de pasos m
ultiples es conservar la informacion existente
durante los calculos previos para usarla directamente en los siguientes calculos.
De esta manera, cualquier metodo que utilice mas de un punto para tomar la
decision de a d
onde debe dirigirse para encontrar la siguiente aproximacion se
denomina metodo multipasos o metodo de pasos m
ultiples.
Definici
on 58 (Memoria de un m
etodo multipasos)
Dado un metodo de aproximaci
on para la solucion de un problema de valor inicial,
409
con
ypx0 q y0
el intervalo x P rx0 , bs
yi`1
j1
akj yij`1 ` h
j0
410
M
etodos num
ericos
6.4.1.
M
etodos de Adams
@i 0, 1, 2, 3, . . .
con
ypx0 q y0
en el intervalo x P rx0 , bs
xi
411
f px, ypxqqdx
(6.14)
xi
Es notorio que dicha integral no puede ser calculada a menos que se tenga conocimiento de ypxq. Considere el polinomio interpolante por diferencias divididas de
Newton y de grado 1 para la funci
on f px, ypxqq, que pasa por los puntos pxi , fi q
y pxi1 , fi1 q y dado por:
P1 pxq fi1 ` f rxi1 , xi spx xi1 q
(6.15)
donde:
xi`1
xi`1
xi`1
f rxi1 , xi spx xi1 qdx
fi1 dx `
P1 pxqdx
xi
xi
xi
xi`1
fi fi1 xi`1
dx `
fi1
px xi1 qdx
xi xi1 xi
xi
fi fi1 pxi`1 xi1 q2 pxi xi1 q2
fi1 pxi`1 xi q `
2
2
xi xi1
Al considerar que los puntos son igualmente espaciados y si se define h
xi`1 xi xi xi1 se tiene que:
xi`1
fi fi1 p2hq2 h2
P1 pxqdx hfi1 `
2 2
h
xi
3h
hfi1 ` pfi fi1 q
2
h
p3f1 fi1 q
2
De esta manera se tiene que:
xi`1
xi`1
h
f px, ypxqqdx
P1 pxqdx p3f1 fi1 q
2
xi
xi
(6.16)
412
M
etodos num
ericos
F
ormula Adams-Bashforth de dos pasos
Considere el problema de valor inicial dado por:
y 1 f px, yq
con
ypx0 q y0
en el intervalo x P rx0 , bs
y considere la aproximaci
on y1 de ypx1 q dada por un metodo de un solo
pasos. De esta manera se tiene que:
ypxi`1 q yi`1 yi `
donde N
h
p3fi fi1 q
2
para i 1, 2, 3, . . . , N 1
bx0
h .
Ejemplo 146
Considere el problema de valor inicial:
y 1 y cos x
sujeta a la condici
on yp0q 2 y definido sobre r0, 8s
F Soluci
on
Es necesario determinar una aproximacion para ypx1 q. Para esto se empleara el
metodo de Runge-Kutta de cuarto orden, con el cual se obtiene ypx1 q yp1q
y1 4.623229. En este punto se tienen los valores px0 , y0 q y px1 , y1 q de donde,
al aplicar la formula de Adams-Bashforth se pueden obtener las aproximaciones
que se visualizan en la tabla 6.7. La f
ormula adaptada al problema particular es:
yi`1 yi `
h
p3yi cospxi q yi1 cospxi1 qq
2
para i 1, 2, 3, 4, 5, 6 y 7.
i
0
1
2
3
4
5
6
7
8
xi
0
1
2
3
4
5
6
7
8
yi
2
4.62322919
7.37014127
1.52057911
0.79606673
0.76823178
1.3552812
3.19827317
6.16440082
k1
2
k2
2.63274769
k3
2.91039185
k4
2.65309604
(6.17)
413
La grafica de la soluci
on segmentada dada por las aproximaciones anteriores
se muestra en la figura 6.13.
y
7
6
5
4
3
2
1
x
2
F
M
etodo de Adams-Moulton de memoria 1
Analogamente a lo realizado para el metodo Adams-Bashforth de dos pasos,
si se considera el problema de valor inicial dado por:
y 1 f px, yq
con
en el intervalo x P rx0 , bs
ypx0 q y0
entonces:
xi`1
f px, ypxqqdx
ypxi`1 q ypxi q `
(6.18)
xi
Recuerde que la integral que se pretende aproximar con el uso del polinomio interpolante de grado 1 para la funcion f px, ypxqq, que pasa por los puntos
pxi`1 , fi`1 q y pxi , fi q, genera la f
ormula de la regla del trapecio para aproximacion
de integrales. De esta forma se tiene que:
xi`1
h
f px, ypxqqdx pfi ` fi`1 q
(6.19)
2
xi
Al sustituir (6.19) en (6.18) y cambiando ypxi q por su aproximacion yi se
consigue la formula buscada:
ypxi`1 q yi`1 yi `
h
pfi`1 ` fi q
2
414
M
etodos num
ericos
F
ormula Adams-Moulton de un paso
Considere el problema de valor inicial dado por:
y 1 f px, yq
con
ypx0 q y0
en el intervalo x P rx0 , bs
h
pfi`1 ` fi q
2
para i 0, 1, 2, . . . , N 1
bx0
h .
Ejemplo 147
Considere el problema de valor inicial:
y 1 y cos x
sujeta a la condici
on yp0q 2 y definido sobre r0, 8s
F Soluci
on
1. Se debera determinar una aproximacion segmentada de la solucion del problema de valor inicial con base en el metodo de Adams-Moulton de un
paso.
Para este problema de valor inicial, la funcion de iteracion esta dada en
forma implcita por:
yi`1 yi `
h
pyi`1 cos xi`1 ` yi cos xi q
2
(6.20)
De la ecuaci
on (6.20) se puede despejar yi`1 , con lo cual se obtiene:
h
yi cos xi
2
h
1 cos xi`1
2
yi `
yi`1
(6.21)
Al aplicar la funci
on de iteraci
on en (6.21) con la condicion inicial y0 2
se consiguen las aproximaciones de la tabla 6.8.
415
xi
0
1
2
3
4
5
6
7
8
yi
2
4.11044014
4.32165811
2.28926055
0.87131909
0.68349366
1.50108099
3.56589631
4.57708214
2. La grafica de la soluci
on segmentada obtenida con el metodo de AdamsMoulton se muestra en la figura 6.14.
y
7
6
5
4
3
2
1
x
2
416
M
etodos num
ericos
Adams-Bashforth
2
4.623229186
7.370141271
1.520579114
0.796066732
0.768231777
1.355281204
3.198273166
6.164400819
Adams-Moulton
2
4.110440144
4.321658112
2.289260552
0.871319086
0.683493657
1.501080993
3.56589631
4.577082141
Valor Real
2
4.639553649
4.965155456
2.303125673
0.938328372
0.76660999
1.512451255
3.857941609
5.379015835
ErrorAbs A-B
0
0.016324463
2.404985815
0.782546559
0.14226164
0.001621787
0.157170051
0.659668443
0.785384984
y
Adams-Bashforth
7
Solucin real
6
5
4
3
2
Adams-Moulton
1
x
2
M
etodos de Adams con memoria k
Si se sigue un procedimiento similar al realizado para determinar los metodos
de Adams-Bashforth de memoria 2 y Adams-Moulton de memoria 1 se pueden
determinar formulas que posean una memoria mas extensa.
417
j f pxij`1 , ypxij`1 qq
(6.22)
j1
1
2
1
12
1
24
1
1
3
23
55
1
16
59
5
37
h
p3fi fi1 q.
2
3 pasos: yi`1 yi `
h
p23fi 16fi1 ` 5fi2 q.
12
4 pasos: yi`1 yi `
h
p55fi 59fi1 ` 37fi2 9fi3 q.
24
418
M
etodos num
ericos
M
etodo de Adam-Moulton de k pasos
Proviene de la integraci
on en el intervalo rxi , xi`1 s del polinomio interpolante de grado k ` 1, que pasa por los puntos
pxi`1 , fi`1 q, pxi , fi q, pxi1 , fi1 q, . . . , pxik`1 , fik`1 q.
Siempre tiene la forma:
yi`1 yi ` h
j f pxij`1 , ypxij`1 qq
(6.23)
j0
1
2
1
12
1
24
0
1
1
5
9
1
8
19
1
5
h
pfi`1 ` fi q.
2
2 pasos: yi`1 yi `
h
p5fi`1 ` 8fi fi1 q.
12
3 pasos: yi`1 yi `
h
p9fi`1 ` 19fi 5fi1 ` fi2 q.
24
sujeta a la condici
on incial yp0q 2 y definido sobre r0, 8s
Para h 1.
F Soluci
on
En este caso, la f
ormula de Adams-Bashfoth de memoria 4 esta dada por:
yi`1 yi `
h
p55fi 59fi1 ` 37fi2 9fi3 q
24
419
h
r55yi cospxi q 59yi1 cospxi1 q ` 37yi2 cospxi2 q 9yi3 cospxi3 qs
24
xi
0
1
2
3
4
5
6
7
8
yi
2
4.62322919
4.94756396
2.28617912
5.26193721
1.16703319
3.81243373
8.56137056
15.1332768
k1
2
2.49794139
2.05891309
k2
2.63274769
0.41538299
3.13896674
k3
2.91039185
0.34172581
2.7063277
k4
2.65309604
2.06615032
2.21880709
y
5
x
2
420
M
etodos num
ericos
F
h
p55fi 59fi1 ` 37fi2 9fi3 q
24
h
r55yi cospxi q 59yi1 cospxi1 q ` 37yi2 cospxi2 q 9yi3 cospxi3 qs
24
xi
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
6.5
7
7.5
8
yi
2
3.229718755
4.638379197
5.421528295
4.590319419
3.330471375
2.446905535
1.406474309
1.176294907
0.547231680
0.799070918
0.854862217
1.325660458
2.235848770
3.597704100
4.889251855
4.941760890
k1
1
1.41717243
1.253063488
k2
1.211140527
1.440806954
0.830072078
k3
1.262284697
1.445130234
0.796727415
k4
1.431462081
1.262915844
0.192232116
421
x
2
F
Ejemplo 150
Aplique el metodo de Adams-Moulton de memoria 3 para aproximar la solucion
del problema de valor inicial:
y 1 y cos x
sujeta a la condici
on incial yp0q 2 y definido sobre r0, 14s
Para h 1.
F Soluci
on La f
ormula de Adams-Moulton de cuarto orden esta dada por:
yi`1 yi `
h
p9fi`1 ` 19fi 5fi1 ` fi2 q
24
(6.24)
1
r9yi`1 cospxi`1 q ` 19yi cospxi q 5yi1 cospxi1 q ` yi2 cospxi2 qs
24
1
r19yi cospxi q 5yi1 cospxi1 q ` yi2 cospxi2 qs
24
9
1
cospxi`1 q
24
422
M
etodos num
ericos
i
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
xi
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
yi
2
4.62322919
4.94756396
2.10065698
0.79293848
0.81699381
1.59670668
3.82070667
5.49167329
3.22201189
0.90094006
0.88224652
1.34664877
3.35598358
5.82922664
k1
2
2.49794139
k2
2.63274769
0.41538299
k3
2.91039185
0.34172581
k4
2.65309604
2.06615032
y
5
x
2
10
12
14
423
y
5
x
2
10
12
14
Ejercicios 6.5
1. Para cada uno de los siguientes valores iniciales determine una aproximacion segmentada en la regi
on indicada al utilizar el metodo de AdamsBashforth de dos pasos. Utilice como tama
no h 0.5
a) y 1 y sen x sujeta a la condicion yp0q 2 en la region r0, 4s.
b) y 1 xy sujeta a la condicion yp1q 2 en la region r1, 3s.
?
c) y 1 y sujeta a la condici
on inicial yp0q 0 en la region r0, 2s.
2. Para cada uno de los siguientes valores iniciales determine una aproximaci
on segmentada en la region indicada con base en el metodo de
Adams-Moulton de un paso. Utilice como tama
no h 0.5
a) y 1 y sen x sujeta a la condicion yp0q 2 en la region r0, 4s.
b) y 1 xy sujeta a la condicion yp1q 2 en la region r1, 3s.
?
c) y 1 y sujeta a la condici
on inicial yp0q 0 en la region r0, 2s.
Implementaci
on del m
etodo de Adams-Bashforth de orden 4
La ejecuci
on del metodo de Adams-Bashforth de orden 4 supone que la memoria esta llena, es decir, que existen cuatro valores calculados del problema de
valor inicial, y por consiguiente, existen cuatro puntos iniciales px0 , y0 q, px1 , y1 q,
424
M
etodos num
ericos
8:
h
k1
k2 hf NXYpn, 2q ` , NXYpn, 3q `
2
2
h
k2
k3 hf NXYpn, 2q ` , NXYpn, 3q `
2
2
k4 hf pNXYpn, 2q ` h, NXYpn, 3q ` k3 q
1
NXYpn ` 1, 3q NXYpn, 3q ` pk1 ` 2k2 ` 2k3 ` k4 q
6
fin para
para n 4 hasta N m
ax hacer
NXYpn ` 1, 1q n
NXYpn ` 1, 2q NXYpn, 2q ` h
h
NXYpn ` 1 , 3q NXYpn, 3q `
p55f pNXYpn, 2q,NXYpn, 3qq
24
59f pNXYpn 1, 2q,NXYpn 1, 3qq ` 37f pNXYpn 2, 2q,NXYpn 2, 3qq
9f pNXYpn 3, 2q,NXYpn 3, 3qqq
fin para
retornar NXY
9:
10:
11:
12:
13:
14:
15:
16:
17:
18:
19:
Ap
endice A
Programaci
on e introducci
on a
Excel
A.1.
Introducci
on
A.2.
Introducci
on a Visual Basic para Excel
426
M
etodos num
ericos
A.2.1.
El ambiente de programaci
on en Excel
Ademas de la hoja de c
alculo, Excel cuenta con un ambiente de programacion
en lenguaje Visual Basic que permite programar desde una funcion basica para
el trabajo en hojas de c
alculo, como programaciones mas elaboradas con controles
y formularios. La interfaz de programacion se muestra en la figura A.1. Para
ingresar a la interfaz de programaci
on seleccione la opcion Visual Basic de la
pesta
na Programador1 .
Cada hoja de c
alculo cargada en Excel tiene asignado un archivo especfico,
en el cual se deber
a incluir el c
odigo de los procedimientos relacionados con los
controles presentes en la hoja de c
alculo correspondiente. En estos archivos se
1
Si la pesta
na del programador no parece en la cinta de opciones, puede agregarla de la siguiente manera: active la opci
on Programador del formulario Personalizar cinta de opciones
de la pesta
na Archivo|Opciones.
427
Programaci
on en m
odulo est
andar
Los modulos est
andar son archivos de codigo que no estan asociados a una
hoja de calculo o formulario especfico; en estos el programador puede definir
funciones y procedimientos que pueden ser accesados desde cualquier parte del
proyecto.
Para agregar un m
odulo basta seleccionar la opcion Insertar | M
odulo, esto
agregara al Microsft Excel Objetos una carpeta Modulos, que contendra el
objeto insertado, tal y como se aprecia en la figura A.3.
En los modulos est
andar se pueden definir variables globales o p
ublicas, al
igual que funciones y procedimientos que posteriormente pueden ser invocados
desde otras partes del programa.
En el caso de las funciones, una funcion p
ublica en un modulo estandar puede
ser invocada desde otros m
odulos est
andar, un archivo de codigo asociado a una
hoja de calculo o inclusive de una hoja de calculo en particular, accion que sera de
mucha utilidad posteriormente.
428
M
etodos num
ericos
Figura A.3: M
odulo estandar.
A.2.2.
Controles
C
omo insertar controles?
Para insertar un control en una hoja de calculo basta seleccionar el control
de la opcion Insertar en la pesta
na Programador. En la paleta de controles
que se muestra en la figura A.4 se pueden observar dos grupos, los controles
de formularios y los controles ActiveX; si bien cualquiera de los dos grupos
puede ser empleado, difieren en la forma de programacion.
Como no hay diferencia con respecto al uso o utilidad entre ambos grupos,
controles ActiveX ser
an los u
nicos empleados en las implementaciones estudiadas posteriormente.
La insercion puede hacerse al dar doble clic sobre el control deseado, accion
que pondra el control directamente sobre la hoja de calculo seleccionada. Cada
vez que se inserte un control al proyecto, a cada uno se le asignara, en forma
429
Prefijo
cmd
txt
img
chb
opb
scrll
430
A.2.3.
M
etodos num
ericos
Cada uno de los controles que se utilizan en una aplicacion posee una gama
de propiedades que pueden ser modificadas a gusto del programador. Para acceder al formulario de propiedades, de clic derecho sobre el control y escoja la
opcion Propiedades del men
u flotante que se despliega. En la figura A.5 se puede
observar el formulario de propiedades que se muestra para un cuadro de texto.
Manualmente, desde este formulario se pueden modificar las propiedades de
un control, como el nombre o identificador, el color, valor del control, fuente, entre
otros. Cada propiedad que aparece en el formulario depende exclusivamente del
tipo de control.
Las propiedades de los controles tambien pueden se modificadas por codigo,
pues de esta forma se pueden asignar datos a ciertas propiedades de un control
durante el tiempo de ejecuci
on. A manera de ejemplo, suponga que se tiene un
cuadro de texto cuyo identificador es txtCuadroDeTexto. El siguiente codigo
asigna la cadena de caracteres hola mundo a su propiedad text.
txtCuadroDeTexto.Text = "hola mundo"
431
Tambien es posible extraer esta informacion de la propiedad text de un control TextBox. Suponga que se tiene un segundo cuadro de texto con identificador
txtCuadroDeTexto2 y suponga que se tiene interes en asignar el valor de la propiedad text de txtCuadroDeTexto a la propiedad text de txtCuadroDeTexto2.
El codigo que realiza esta tarea es:
txtCuadroDeTexto2.Text = txtCuadroDeTexto.Text
F Soluci
on
Abra un documento nuevo de Excel y coloque sobre la hoja de calculo un
boton; asigne como identificador a dicho boton cmdOk y a la propiedad Caption
asigne OK.
Ubicado en modo de dise
no, de doble clic sobre el boton, con esto se abrira el
editor de codigo que se muestra en la figura A.6. Note que automaticamente se
definio un procedimiento OK Click que respondera al evento clic del boton. De
esta forma, ejecutado el evento clic del boton, sera el codigo que se encuentre
dentro de este procedimientos el que se ejecutara.
Escriba en el editor el c
odigo que se muestra a continuacion.
432
M
etodos num
ericos
Private Sub OK Click()
MsgBox "Mi primer programa en VB para Excel"
End Sub
Regrese a la hoja de c
alculo de Excel y salga del modo de dise
no; esto se
logra al desactivar el bot
on Modo Dise
no de la pesta
na Programador y presionar
F
el boton OK.
Celdas como instrumentos para el manejo de datos
Tambien es posible utilizar las celdas de la hoja de calculo para ingresar o
mostrar datos. Existen varias maneras de hacerlo, a continuacion se exponen
algunas.
Considere la informaci
on que se presenta en la figura A.7 referente a una hoja
de calculo de un archivo de Excel.
A
1
2
3
4
5
6
Nombre:
Apellido:
Edad:
Telfono:
Juan
Prez
88
5555555
Una primera forma de extraer los datos anteriores es mediante la intruccion Cells, la cual visualiza la hoja de c
alculo como una matriz; de esta forma,
Cells(a,b) permite recuperar la informacion almacenada en la fila a y la columna b, donde a y b son n
umeros enteros positivos.
De esta manera, la instrucci
on:
Dim
Dim
Dim
Dim
Nombre As String
Apellido As String
Edad As String
Tel
efono As String
Nombre = Cells(2,3)
Apellido = Cells(3,3)
Edad= Cells(4,3)
Tel
efono = Cells(5,3)
carga los datos contenidos en las celdas C2, C3, C4 y C5 en las variables correspondientes.
Otra manera de realizar esta asignacion es mediante el objeto Range. Este
puede representar una celda, una fila, una columna o una seleccion de celdas
contiguas. El objeto Range recibe como parametro una rango en forma de texto
433
(en el lenguaje Visual Basic los textos se representan entre comillas dobles),
como por ejemplo Range("C1") representa la celda C1 de la hoja de calculo.
Como todo objeto en un lenguaje de programacion, Range contiene una serie
de propiedades que ser
an de mucha utilidad. Para el proposito de esta seccion
se trabajara con la propiedad Value, que permite tener acceso a la informacion
contenida en la celda correspondiente. De esta manera, el codigo anterior podra
cambiarse por:
Dim
Dim
Dim
Dim
Nombre As String
Apellido As String
Edad As String
Tel
efono As String
Nombre = Range("C2").Value
Apellido = Range("C3").Value
Edad = Range("C4").Value
Tel
efono = Range("C5").Value
Nombre As String
Apellido As String
Edad As String
Tel
efono As String
Range("C2").Value = "Carlos "
Range("C3").Value = "Montero "
Cells(4,3) = 41
Cells(5,3) = "88888888"
B
Nombre:
Apellido:
Edad:
Telfono:
Carlos
Montero
41
88888888
Note que en el c
odigo anterior se hace la combinacion de las dos sintaxis.
A.2.4.
Las variables son espacios de memorias que se utilizan para almacenar datos
durante la ejecuci
on de un programa. Las variables, como su nombre lo indica,
434
M
etodos num
ericos
La palabra clave Dim define una variable en forma local, lo cual significa que
esta variable solo tiene alcance2 dentro del modulo o procedimiento donde fue
definida; as, se considera inexistente desde cualquier otra ubicacion.
La palabra clave Dim puede ser sustituida por otras que tienen efecto directo
en el alcance de la variable; estas palabras clave se describen a continuacion:
Private: es equivalente a Dim, la cual se usa para declarar variables de
tipo local y tiene la caracterstica de poseer poco alcance. Estas variables
tambien pueden ser declaradas en forma general en un modulo estandar, lo
cual quiere decir que cualquier procedimiento o funcion definida dentro del
modulo est
andar podr
a hacer referencia a ella.
Public: las variables definidas como p
ublicas se pueden utilizar en modulos
estandar o formularios; sin embargo, no es valido su utilizacion dentro de
funciones o procedimientos. El alcance de una variable p
ublica es el proyecto, siempre que el archivo de c
odigo en donde esta definida haya sido
cargado. Esto significa que mientras la variable siga cargada en memoria se
puede hacer referencia a ella desde cualquier parte del proyecto.
Global: es similar a las variables definidas como p
ublicas; sin embargo, su
uso esta restringido a los m
odulos estandar.
2
El alcance de la variable se define como el conjunto de ubicaciones desde las cuales se puede
hacer referencia a dicha variable.
435
436
M
etodos num
ericos
Ejemplo 152
El siguiente codigo se utiliza para definir las variables N
umero, Cadena, EnteroLargo
y Variante de tipo Integer, String, Long y Variant, respectivamente.
Como variables locales
Dim N
umero As Double
Dim Cadena As String
Private EnteraLargo As Long
Private Variante As Variant
A.2.5.
N
umero As Double
Cadena As String
EnteraLargo As Long
Variante As Variant
condici
on1 entonces
Instrucci
on1
Sino Y Si condici
on2 entonces
Instrucci
on2
Sino Y Si condici
on3 entonces
Instrucci
on3
.
.
.
Sino entonces
Instrucci
onN
Fin Si
condici
on1 Then
Instrucci
on1
ElseIf condici
on2 Then
Instrucci
on2
ElseIf condici
on3 Then
Instrucci
on3
.
.
.
Else
Instrucci
onN
End If
437
Significado
o
y
En lenguajes de programacion
Or
And
Q
F
V
V
F
P _Q
V
V
V
F
P ^Q
F
V
F
F
438
M
etodos num
ericos
Ejercicios A.1
1. Considere las siguientes proposiciones:
P : 31 es un n
umero primo.
Q : el fuego es fro.
R : Costa Rica fue al mundial de Sudafrica.
Determine el valor de verdad de las siguientes proposiciones:
P _Q
Q_R
pP ^ Rq _ Q
pP _ Rq ^ Q
2. Construya un programa que reciba de una caja de texto un n
umero k y
que al presionar un bot
on muestre:
k 2 , si k es positivo.
a
|k|, si k es negativo.
Hola a todos, si k 0.
A.2.6.
Bucle o ciclos
En programaci
on, un bucle o ciclo es una instruccion que permite repetir
un fragmento de c
odigo varias veces durante la ejecucion del programa. En los
lenguajes de programaci
on, los bucles mas populares son: para, mientras y
repetir hasta.
Bucle para
Es utilizado cuando un proceso deber repetirse una cantidad conocida de
veces, es decir, se recomienda su uso cuando el n
umero de repeticiones del ciclo
es conocido con anticipaci
on. La sintaxis de para es:
Para i k hasta p a pasos de s
Instrucci
on
Fin Para
El programa realizar
a b pk
on, donde la
s c ciclos en los que repita la instrucci
expresion bxc denota la funci
on piso o funcion parte entera de x. De esta manera
439
Ejemplo 153
El siguiente codigo se encarga de mostrar los n
umeros pares, inicia en 0 y termina
en 10, en un cuadro de mensaje.
For i=0 To 10 step 2
Msgbox i
Next
La instrucci
on Msgbox i, que enviara el valor de i en un mensaje a la
pantalla, se repetir
a seis veces durante la ejecucion, para i=0, i=2, i=4, i=6,
i=8, i=10 .
Bucle mientras
Se utiliza cuando se quiere que se repita una instruccion mientras se cumpla
una determinada condici
on. La gran importancia de este bucle es que no se precisa
el n
umero de ciclos por hacer, sino que depende de una condicion que inicialmente
debe ser verdadera para que entre al bucle y se detenga cuando la condicion sea
falsa.
Su sintaxis es:
Mientras condici
on
Instrucci
on
Fin Mientras
440
M
etodos num
ericos
El bucle se ejecutar
a mientras la condicion sea verdadera y se detendra u
nicamente cuando la condici
on llegue a ser falsa; en caso de que esto nunca
pase, el ciclo nunca se detendr
a y el programa dejara de responder.
La sintaxis del bucle mientras en el lenguaje Visual Basic para Excel es:
While condici
on
Instrucci
on
Wend
Ejemplo 154
El siguiente codigo se encarga de mostrar los n
umeros pares, inicia en 0 y termina
en 10, en un cuadro de mensaje.
i=0
While i<=10
MsgBox i
i=i+2
Wend
Este bucle se repite mientras que la condicion sea falsa y se detendra cuando
la condicion sea verdadera. Un detalle importante es que la condicion se eval
ua
al final del ciclo, por lo que se garantiza siempre al menos una ejecucion de las
sentencias internas del bucle.
Se debe aclarar que en el lenguaje Visual Basic este bucle no existe; sin
embargo, en su lugar se encuentra el ciclo Do...Loop While, cuya sintaxis es:
441
Instrucci
on
Loop While Condici
on
Para este caso, las instrucciones se ejecutan mientras la condicion sea verdadera y dejaran de repetirse cuando sea falsa. Esto constituye la principal diferencia
con respecto al ciclo Repeat...Until en Pascal.
Ejercicios A.2
Construya un programa en Visual Basic de Excel que reciba un n
umero natural
n
n y retorne
i si el n
umero n es par, y n2 si n es impar.
i1
A.2.7.
Introducci
on a las funciones
?
x
Los programadores pueden definir a conveniencia sus propias funciones, que luego
pueden ser invocadas desde otras secciones del codigo.
La definici
on de una funci
on puede ser privada o p
ublica; esto tiene efecto
directo en el alcance de la funci
on. Las funciones privadas pueden ser utilizadas
u
nicamente desde el mismo m
odulo de programacion en donde esta implementada
la funcion, mientras que las funciones p
ublicas pueden ser invocadas de cualquier
parte del proyecto, siempre que esten definidas en un modulo estandar.
La sintaxis para declarar nuevas funciones es:
Public Function NombreDeLaFunci
on(Var1 As Tipo1, Var2 As Tipo2) As Tipo
Dim Valor A Retornar As Tipo
(Procedimiento)
NombreDeLaFunci
on = Valor A Retornar
End Function
En este caso, la palabra clave Public puede ser sustituida por Private para
declarar la funci
on como de tipo privada.
Es recomendable que al definir una funcion se indiquen las variables con su
respectivo tipo que se van a recibir como parametros, ademas del tipo de datos que
442
M
etodos num
ericos
retornara la funci
on. Si estos datos se omiten, Visual Basic definira las variables
y el tipo de la funci
on como de tipo Variant.
Dentro del c
odigo de la funci
on, el identificador o nombre de la funcion
sera considerado como una variable del mismo tipo de datos con el cual se ha
definido la funci
on. Al finalizar el procedimiento de la funcion se retornara lo
contenido en el identificador, por lo que es importante asegurarse de que esta
variable contenga en memoria el dato que se pretende retornar.
Ejemplo 155
El siguiente codigo consiste en una funci
on que recibe dos n
umeros enteros a y
b, y retorna:
b
i, si a b.
ia
El residuo de la divisi
on a b, si a b.
Private Function PrimeraFunci
on(a As Integer, b As Integer) As Integer
Dim i As Integer
If a <b Then
For i = a To b
PrimeraFunci
on = PrimeraFunci
on + i
Next
Else
PrimeraFunci
on= a Mod b
End If
End Function
Ejecute el programa varias veces y observe lo que pasa. Realice las corridas
con valores distintos en las cajas txtA y txtB; pruebe combinaciones a b, a b
y a b.
443
Ejercicios A.3
1. Defina una funci
on que reciba un n
umero k y retorne: Es primo, si
|k| es primo, Es compuesto, si |k| es un n
umero entero compuesto,
y Es decimalsi |k| no es entero.
2. Construya una funci
on que reciba un n
umero natural menor que 1000 y
retorne: True si el n
umero es primo y False si el n
umero es compuesto.
3. Construya una funci
on que reciba un n
umero natural entre 1 y 1000, y
retorne un string con la factorizacion prima del n
umero. Por ejemplo: si
el programa recibe el 12, debera retornar 2*2*3.
4. Construya una funci
on que reciba dos n
umeros naturales entre 1 y 1000,
y retorne el maximo com
un division entre estos.
A.2.8.
a2
a3
an
a12
a22
..
.
a13
a23
..
.
am1
am2
am3
a1n
a2n
..
.
amn
Tambien es posible definir arreglos mas complejos que sobrepasen las dos
dimensiones; por ejemplo, considere el arreglo de tama
no m n p. La representacion grafica de un arreglo tridimensional se muestra en la figura A.9 para el
caso de 5 5 5.
444
M
etodos num
ericos
445
Se utilizar
a el siguiente c
odigo para cargar dicha matriz en una variable denotada por M y que estar
a definida como un arreglo de 5 5. El codigo se supone
en un boton cuyo identificador es cmdCargarMatriz.
446
M
etodos num
ericos
Ejercicios A.4
1. Realice un programa que tome una matriz de tama
no 3 4 ubicada
desde la celda A1 hasta la D3, y que muestre la matriz transpuesta en
las celdas desde la A7 hasta la C10.
2. Realice un programa que
Reciba: un n
umero n P N, dos vectores de tama
no 1 n ubicados
en la primera y segunda fila de la hoja de Excel.
Retorne: el producto punto entre los vectores anteriores.
El programa debe mostrar el resultado en un cuadro de mensaje
(MsgBox).
A.3.
Depuraci
on de un programa
A.3.1.
447
Ejemplo 157
Considere el c
odigo de un procedimiento y una funcion que se muestra a continuacion. Realice una corrida paso a paso por instruccion del procedimiento
anterior.
Sub EjecutarPrimeraFunci
on()
Dim x As Integer
PrimeraFunci
on(4,5)
End Sub
Private Function PrimeraFunci
on(a As Integer, b As Integer) As Integer
Dim i As Integer
If a <b Then
For i = a To b
PrimeraFunci
on = PrimeraFunci
on + i
Next
Else
PrimeraFunci
on= a Mod b
End If
End Function
448
M
etodos num
ericos
449
A.3.2.
Las corridas paso a paso por instruccion y paso a paso por procedimiento
no tendran ninguna utilidad si no existiera la posibilidad de visualizar el valor
almacenado que poseen las variables, as como los cambios que el mismo sufre
durante la ejecuci
on.
Basicamente existen tres formas de monitoriar el valor almacenado en una
variable durante la ejecuci
on paso a paso de un programa; estas se desarrollan a
continuacion.
Colocar el puntero del rat
on sobre la variable: es el procedimiento mas com
un
y sencillo para inspeccionar la informacion almacenada en una variable.
Mientras el programa se encuentre detenido, se coloca el cursor del raton
sobre la variable por analizar; momentos despues se mostrara el valor almacenado de la variable en un tooltips o infotips, tal y como se muestra en
al figura A.13.
Esta tecnica tambien puede ser utilizada para indagar los resultados de las
operaciones que a
un no se han realizado y que estan prontas a llevarse a
cabo. Lo que se debe hacer es seleccionar el conjunto de instruccion que se
espera analizar y mantener el curso de raton sobre la seleccion para ver la
informaci
on desea en un tooltips o infotips (figura A.13).
No es posible ver la informaci
on almacenada en una matriz al hacer uso de
esta tecnica; se recomienda hacerlo mediante de la ventana locales, que se
presenta a continuaci
on.
Ventana locales: es una herramienta que permite monitorear todas las variables locales que se encuentran definidas en el procedimiento o funcion
actual. Para hacer visible la ventana locales se selecciona la opcion del
men
u Ver|Ventana Locales.
450
M
etodos num
ericos
451
an an1 ` an2
a0 a1 1
452
M
etodos num
ericos
Es decir, cada termino de la sucesi
on se define como la suma de los dos
terminos anteriores, a excepci
on de los dos primeros que valen 1. De donde
se tiene que tan u8
n1 t1, 1, 2, 3, 5, 8, 13, ...u
Function Fibonacci(N As Integer) As Integer
'Calcula el t
ermino N de la sucesi
on de Fibonacci
If N >= 2 Then
Fibonacci= Fibonacci(N - 1) + Fibonacci(N - 2)
ElseIf N = 1 Or N = 0 Then
Fibonacci = 1
End If
End Function
entonces, sin importar el contenido previo de esta variable, ahora almacenara la cadena de caracteres hola mundo. As, es posible realizar pruebas
a una o varias variables con diferentes valores almacenados.
Ap
endice B
B.1.
Ejercicios 1.1.
7 cifras significativas.
4 cifras significativas.
1 cifra significativa.
7 cifras significativas.
Ejercicios 1.2.
1.
a) r1.3245, 1.3255r
b) r2.65405, 2.65415r
c) r32.1535, 32.1545r
d) r0.0120005, 0.0120015r.
2.
a) r1.325, 1.326r
b) r2.6541, 2.6542r
c) r32.154, 32.155r
454
M
etodos num
ericos
d) r0.012001, 0.012002r.
Ejercicios 1.3.
4.
(i)
(ii)
(iii)
(iv)
a) 1.133
a) 1.13
a) 1.13
Se omite
b) 0.2106
b) 0.211
b) 0.210
c) 0.266
c) 0.266
c) 0.266
d) 0.4560
d) 0.455
d) 0.456
7.
8.
a) El n
umero m
as grande representable es: 9 999 104 99 990 000; el
mas peque
no: 99 990 000.
b) El n
umero positivo m
as peque
no que se puede representar es: 0.0001
4
10 0.00000001.
c) La representaci
on solicitada es:
1) 0.3576 102
2) 2.354 100
3) 1548 103
4) 1245 104
Ejercicios 1.4.
455
n8
3
lm rlnp3n ` 5q lnp5n ` 8qs ln
n8
5
p1qn`2
0
n8
n
lm
1
n
lm
1
1
n8
n2
Ejercicios 1.5.
sen2
1.
lm
1
0
n`4
lm
n
1
3
1
`
0
lm
n8
7
n n`1
2. Programaci
on ().
Ejercicios 1.6.
1. Converge por el criterio de las series alternadas.
2. Converge por el criterio de las series alternadas.
3. Diverge por el criterio de divergencia.
4. Converge por el criterio de las series alternadas.
Ejercicios 1.7.
La aproximaci
on buscada es Sk , para k dado por:
1. k 54.
2. k 9.
3. k 16.
4. k 14 .
Ejercicio 1.8.
1.
a)
p1qn 2n`1
x
con |x| 1.
2n ` 1
n0
456
M
etodos num
ericos
b)
xn con |x| 1.
n0
c)
d)
p1qn 2n`1
x
, @x P R.
p2n ` 1q!
n0
8
n0
8
e)
x2n`1
, @x P R.
p2n ` 1q!
n0
f)
x2n
, @x P R.
p2nq!
n0
Ejercicios 1.9.
1.
a) F pxq
b) Gpxq
p1qn x2n`1
, @x P R.
n!p2n ` 1q
n0
8
p1qn x2n`1
, @x P R .
p2n
`
1q!p2n
`
1q
n0
p1qn x2n`1
c) Hpxq
, @x P R .
2
p2n
`
1q
n0
8
1
1
n1
2.
ex dx F p1q
0
p1qn
n!p2n ` 1q
n0
senpxq
p1qn p1{2q2n
dx Gp1{2q
x
p2n ` 1q!
n0
457
cospt2 qdt
p1qn x4n`1
p2nq!p4n ` 1q
n0
p1qn
p2n ` 1q2
n0
a) 5.
b) 8.
c) 4.
d) 5.
e) Pueden ser 8, 7, 6, 5 o 4, depende de la incertidumbre del instrumento
de medici
on.
2. senpxq
p1qn x2n`1
f pn`1q px qx2n`3
; por otro lado, el resto Rn pxq
,
p2n ` 1q!
p2n ` 3q!
n0
p1qn x2n`1
de Taylor es
.
p2n ` 1q!
n0
3.
a)
f pxq x2 cos x
f 1 pxq 2x ` sin x
f 2 pxq cos x ` 2
f 3 pxq sin x
f 4 pxq cos x
por lo que
f p0q 1
f 1 p0q 0
f 2 pxq 3
f 3 p0q 0
f 4 p0q 1
458
M
etodos num
ericos
P4 pxq
0
3
0
1 4
f pnq p0q n
x 1 ` x ` x2 ` x3 `
x
n!
1!
2!
3!
4!
n0
1 4 3 2
x ` x 1
24
2
f pm`1q pq
f pm`1q pq 1 m`1
pm ` 1q! 2
1
1
105
m`1
pm ` 1q! 2
f pk`1q pq p2 1qk`1
pk ` 1q!
k`1
41 3
105
pk ` 1q!
esta u
ltima desigualdad es v
alida a partir de k 17.
459
P5 pxq 2 `
b) hp1q P p1q
913
7. 608 33
120
3e 1 ` cos p1 q 6 3e1 ` 1
1
|R5 p1q|
6!
6!
3e ` 1 9 ` 1
1
0.01388
6!
6!
72
Lo cual es una cota del error cometido en la aproximacion anterior.
7.
a) 0.30025.
b) 0.30028.
c) Real 0.30027.
p1 0.101 y x
p2
8. Las races calculadas con corte al quinto dgito son: x
4999.9. El valor real es x1 0.002 y x2 5000.
x3 x5 x7
`
`
3!
5!
7!
De donde se tiene que:
9. sen pxq x
P1 pxq x
1
P3 pxq x x3
6
1 5 1 3
P5 pxq
x x `x
120
6
1 7
1 5 1 3
P7 pxq
x `
x x `x
5040
120
6
As, se tiene que:
P1 p2q 2
2
P3 p2q 0.666 67
3
14
P5 p2q
0.933 33
15
460
M
etodos num
ericos
P7 pxq
286
0.907 94
315
f pn`1q p q xn`1
x
El error absoluto de Pn pxq es |Rn pxq|
un x
, para alg
pn ` 1q!
entre 0 y x. Donde f pxq sen pxq. De esta manera se tiene que:
2
f p2 q 21`1 22
2
|R1 p2q|
p1 ` 1q! 2!
f p4q p q 23`1 24 2
3
|R3 p2q|
p3 ` 1q! 4! 3
f p6q p q 25`1 26
4
2
|R5 p2q|
p5 ` 1q!
6!
45
f p8q p q 27`1 28
2
2
|R7 pxq|
p7 ` 1q! 8! 315
El error real es:
|sen p2q 2|
sen p2q 2
sen p2q 14
15
315
10.
1. 090 702 6
0.242 630 76
2. 403 590 7 102
1. 360 918 9 103
a) 99.5 x 100.5.
b) 99.995 x 100.005.
14.
461
B.2.
Ejercicios 2.1.
1. Son necesarias al menos 16 iteraciones.
2.
a) La funci
on corta al eje x en los n
umeros enteros, por lo que el conjunto
de todos los ceros de la funci
on es Z.
b) Se sabe que el intervalo ra, bs posee los ceros 0, 1 y 2 de la funcion.
Al
aplicar el metodo de biseccion se deben considerar los intervalos
a`b
a`b
a,
y
,b .
2
2
a`b2
a`b
1
2
a`b
As, el intervalo a,
posee un solo cero de la funcion f y cum 2
a`b
plir
a que f paq f
0. Por lo que el metodo convergira a 0.
2
Los dem
as casos son an
alogos.
Ejercicios 2.2.
1. Programaci
on ()
2. Se requieren cinco iteraciones, en la u
ltima se obtiene 0.7390851332 con un
error relativo normalizado de 6.2644 107 .
3. Al tomar como aproximaciones iniciales x1 1 y x0 0, se requieren
cinco iteraciones y se obtiene 0.333333333333334 con un error relativo nor1
malizado de 2.67955 109 . El valor real es . Sin embargo, esta ecuacion
3
tambien posee como soluci
on a 3.
Ejercicios 2.3.
462
M
etodos num
ericos
4. Demostraci
on.
5. Al aplicar el metodo de Newton-Raphson a la funcion f pxq x2 3 para
la aproximaci
on inicial x 1, se requieren cinco iteraciones para obtener la
aproximaci
on 1.7320508076 con un error relativo normalizado de 1.41211
107 .
Ejercicios 2.5.
1. Note primero que si 1 x 1, entonces 0 x2 1; as, 1 x2 1 0,
1
de donde
f pxq 0. Por lo que en virtud del teorema 16 existe al
3
2x
menos un punto fijo en el intervalo. Note que f 1 pxq
, de donde si
3
2
2x
2
1 x 1, entonces 1
463
?
?
a) La soluci
on real S t1 7, 1 ` 7u.
?
?
b) x 2x ` 6?converge a 1 7 para
? cualquier valor inicial x0 P
r2, 1s. x 2x ` 6 converge a 1 ` 7 para cualquier valor inicial
x0 P r3, 5s. Los intervalos anteriores no son u
nicos, es decir, pueden
existir intervalos m
as grandes o mas peque
nos que tambien satisfacen
los teoremas de existencia y unicidad.
c) Para este caso, las aproximaciones y el error calculado dependen de
la aproximaci
? on inicial seleccionada. Por ejemplo, para la transformacion x 2x ` 6 y el valor inicial x0 4 se obtiene la aproximacion
3.6457521498 con un error absoluto aproximado de 8.38716 107 .
?
3
se
Para la transformaci
on x 2x ` 6 y el valor inicial x0
2
obtiene la aproximaci
on 1.6447666537 con un error absoluto aproximado de 0.000984657.
3.
a) Por el metodo gr
afico se identifica la existencia de dos soluciones.
a
b) x cospxq y converge
para cualquier x0 P r0, 1s (este intervalo no
a
es u
nico). x cospxq y converge para cualquier x0 P r1, 0s (este
intervalo no es u
nico).
c) El resultado obtenido depende del valor inicial escogido, para el caso
a
1
se obtiene 0.8240504594, y para el caso
x cospxq con x0
2
a
1
x cospxq con x0 se obtiene 0.8240504594.
2
Ejercicios 2.8.
1. Demostraci
on. Adem
as, la superconvergencia de orden p 1 no implica la
la convergencia de orden p.
2. Sugerencia:
Considere que
|xn`1 x|
|xn`1 x|
|xn x|p
|xn x|p
"
|xn`1 x|
|xn x|p
*
es convergente
464
M
etodos num
ericos
3. Sugerencia:
|xn`1 xn |
1.
|xn x|
|xn`1 x| ` |xn`1 xn |
Luego analice lm
yu
selo para probar que
n8
|xn x|
|xn`1 xn |
lm
1.
n8 |xn x|
Demuestre que lm
n8
4. Demostraci
on. Sugerencia: Realice un analisis de la sucesion tEn u.
Ejercicios 2.9.
1.
?
a) La funci
on de iteraci
on de punto fijo es gpxq 2 ` x, al tomar como
7
valor inicial x0 P
, 8 . El valor real de la expresion es 2.
4
1
b) La funci
on de iteraci
on de punto fijo es gpxq 1 ` , para el cual
x
?
?
5
1
5
1
y p2 `
. En el
existen dos puntos fijos distintos p1
2
2
2
2
caso de p1 el valor x0 debe escogerse en s 8, 1r y para p2 en s1, 8r.
1
c) La funci
on de iteraci
on de punto fijo es gpxq 2 ` 2 , al tomar
x
?
como valor inicial x0 P 3 2, 8 . El valor real de la expresion es p
2.205569430...
d) La funci
on de iteraci
on de punto fijo corresponde a gpxq lnp2 ` xq, si
se toma como valor inicial x0 P s1, 8r. El valor real de la expresion
es p 1.146193220... dicho valor fue calculado numericamente.
2.
a) Demostraci
on.
b) El punto fijo es p
?
3
25.
c) La constante asint
otica al error es
1
.
2
3. Por la demostraci
on del teorema 21 se tiene que TN p0.7qN 0.75 108 ,
de donde el valor de N buscado es 51 o superior.
4.
465
1 `1
.
donde I
,
2
2
c) Se deben determinar los valores de para los cuales exista un intervalo
que los contiene y satisface la condicion de convergencia del punto fijo.
Por la parte c) se tiene que I es el u
nico intervalo que cumple que
|g 1 pxq| 1. Por lo cual bastara verificar que P I para completar la
convergencia. Para que esto se cumpla debe pasar:
1 `1
P
1 1
,
2
2
De
manera,
para todo Ps 1, 1r y para todo valor inicial x0 P
1esta
`1
,
se
tiene
que el metodo de punto fijo para la funcion g
2
2
converge a .
d) Por la parte c) se tiene que para fijo I es el u
nico intervalo para el
cual se cumple que |g 1 pxq| 1. Por lo cual bastara determinar aquellos
intervalos I que contengan a 1.
1 P I 1 3
`1
,
se tiene que el metodo
As, para todo Ps1, 3r y todo x0 P 1
2
2
de punto fijo converge a 1.
5.
a) La funci
on f tiene a 1 como un punto fijo de orden 2. La funcion g
tiene a como un punto fijo de orden 3 y la funcion h tiene a 5 como
un punto fijo de orden 1 o simple.
b) Como para las funciones f y g los puntos fijos son de orden superior a 1, entonces se puede garantizar la convergencia del metodo de
punto fijo para alg
un valor inicial cercano a punto fijo. Y sus ordenes
de convergencia corresponden a 2 y 3, respectivamente. Ademas, la
|f 2 p3q|
3
constante asint
otica del error para la funcion f es:
; la
2!
2
|g 3 pq|
6
constante asint
otica del error para la funcion g es:
1.
3!
3!
Para el caso de la funci
on h note que esta se puede expresar como
hpxq 5 ` px 5qpx2 ` 2q, de donde se deduce que 5 es un punto fijo
simple de la funci
on h. Por otra parte, h1 pxq 3x2 10x ` 2, donde
1
h es continua y h1 p5q 27; de ah se deduce que alrededor de 5 la
condici
on |h1 pxq| 1 se cumple. As se deduce que el metodo de punto
fijo para la funci
on h diverge.
Ejercicios 2.10.
1.
3
(cero sim2
ple). De esta manera, la convergencia del metodo de Newton-Raphson
a) La funci
on posee dos ceros: 2 (cero con multiplicidad 2) y
466
M
etodos num
ericos
hacia el cero x 2 es lineal, mientras que la convergencia hacia el cero
3
atica.
x es por lo menos cuadr
2
?
6
1
1
6x, cuyo u
nico cero es x
(note que
b) Note que g pxq
x
6
`
el dominio de g es R ). Se puede probar que este, no es cero de la
funci
on g de donde, de existir un cero para g este debe ser simple y la
convergencia debe ser por lo menos cuadratica.
1
c) La funci
on h tiene como u
nico cero simple a x ?
, por lo que la con3
3
vergencia del metodo de Newton-Raphson es por lo menos cuadratica.
2. Demostraci
on (utilice la constante asintotica del error para la funcion que
genera el metodo de Newton-Raphson por medio del punto fijo).
3. En la cuarta iteraci
on se obtiene el valor 1.3029640012160 y la constante
asintotica del error es aproximadamente 0.0936540264556150.
Lista general del captulo 2
1. Se requieren al menos diez iteraciones para garantizar que el error absoluto
sea menor que 103 .
2. La aproximaci
on es 0.625.
3.
4.
5. Utilice la funci
on f pxq x2 3 y basta tomar un intervalo conveniente,
como por ejemplo r1, 2s. El n
umero de iteraciones depende del intervalo
escogido. Por ejemplo, para el intervalo anterior se requieren diez iteraciones
y la soluci
on obtenida es 1.7314453125.
6. La aproximaci
on con el metodo de la secante es 0.64172594, mientras que
con el metodo de bisecci
on fue de 0.625.
7. Se requieren cuatro iteraciones. La aproximacion encontrada es 1.0076239719.
Con bisecci
on la soluci
on fue 1.00703125 y se requieren ocho iteraciones.
467
a) Se puede tomar 0 o 1.
b) La aproximaci
on es 0.641185744475211 y se requieren tres iteraciones
si se inicia en x0 1; en caso de tomar x0 0 el resultado vara.
c) Es necesario realizar una iteracion mas y se obtiene una aproximacion
de 0.641185744504986, al tomar como valor inicial x0 1; en caso de
tomar x0 0 el resultado vara.
sin x ` 1
1 cos x
g 1 pxq ?
1
2 sin x ` 1
g pxq
@x P r0, 2s
c)
x0 1
x1 g px0 q 1. 357 008 1
x2 g px1 q 1. 406 141 602
x3 g px2 q 1. 409 423 644
x4 g px3 q 1. 409 612 592
a 1. 340 425 029 104
14.
g 1 pxq
1` 2
9x 1
x
468
M
etodos num
ericos
1 1
, . Ahora, note que estos no son ceros de la
3 3
funcion g, pues g p1{3q 1. 401 y el otro no esta en el dominio de g, por lo
que no hace falta comprobar. De esta forma, los ceros de g son simples y la
convergencia del metodo de Newton-Raphson es por lo menos cuadratica.
15. Para la primera parte se debe demostrar que hpr1, 2sq r1, 2s, es decir,
que para todo x P r1, 2s se cumple que hpxq P r1, 2s, o lo que es lo mismo
1 hpxq 2, para lo cual se puede hacer en dos partes. aq demuestre que
1 hpxq y luego bq hpxq 2. Otra forma de hacerlo es demostrar que el
mnimo y m
aximo absoluto de la funcion h en r1, 2s estan en r1, 2s. En la
segunda parte se debe demostrar que |h1 pxq| 1 para todo x P r1, 2s.
16. Se requieren ocho iteraciones del metodo del punto fijo para obtener una
aproximaci
on de 1.946527040.
1
1
2 es un punto fijo de la funcion f pxq x ` .
2
x
?
?
Luego demuestre que f pr 2, 8rq
r
2,
8r;
para
esto
pruebe
que
la
funci
o
?
?n
es estrictamente creciente en s 2, 8r, por lo que el mnimo se da en x 2.
As, faltara demostrar
que la iteracion del punto fijo converge, esto es
?
1
|f pxq| 1, @x Ps 2, 8r.
B.3.
Ejercicios 3.1.
1. Demostraci
on.
2. Respuesta
de
1{k
1
0
EkF
1
0
algunas:
0 0
1 0;
0 1
3. Demostraci
on.
Ejercicios 3.2.
1. S .
EF1`kF
1
1 k 0
0 1 0;
0 0 1
EF1
EFij .
ij
4 7 4
, ,
9 9 9
469
T +
.
#
3. S
+
T
t
, t, t
{t P Z .
2
Ejercicios 3.3.
1. Retorna una cadena de caracteres con la direccion alfanumerica de la celda
o el rango con el cual se ejecute. Por ejemplo: Cells(1,1).Address retorna
"$A$1"; por su parte Cells(3,5).Address retorna "$E$3"y finalmente la
instrucci
on dada por Range(Cells(1,1).Address,Cells(3,5)).Address
retorna "$A$1:$E$3".
2. Al aplicar el teorema 28 se tiene que todos los sistemas tienen solucion u
nica.
*
4 3 6
a) S
,
,
.
13 13 13
"
*
23 5 2
b) S
, ,
.
9 3 9
"
*
29 2 7 1
c) S
,
,
,
.
18 9 18 18
"
Ejercicios 3.4.
1. Demostraci
on.
2.
a) S t1, 0u.
b) S t72, 95, 102u.
c) S t2{3, 2u.
d) S t22, 41, 19u.
Ejercicios 3.5.
1. S t72, 95, 102u.
2. S t22, 41, 19u.
"
*
26 132 70 48
3. S
,
,
,
.
17 17
17 17
Ejercicios 3.6.
470
M
etodos num
ericos
1.
2.
Ejercicios 3.7.
1.
1.
2.
3.
4.
5.
1 0 0
3 4 2
6 1 00 6 7
4 3 1
0 0
5
1 0 0
3
2 1 1
9 15
1 0
2
0 2
2
3
0 0 4
1 1
2
1 1
0
3
1
0 0 0
2
1 0 0
0 1 1 5
3
3
13
4 1 00 0
1 3 0 1
0 0
0 13
3 1 1 0
1
0
0 0
1
0 5 1 0
1
0
0
3
3
3
1
1
8
1 0 0 0
1
3
5
5
5
3
0
0
1
0 0
0
8
8
1 0 0 0
2 4 2 1
2 1 0 0 0 2 4 3
3 1 1 00 0 3 2
0 0 0 3
4 3 2 1
471
4
2
1
0
6.
1 2 3 1
3
2
6 5
0
1
0
0
0
0
0 0
1
0
2 3 4 2
3 2
3
1
0 3 2 5
0 0
4 3
0 0
0
2
Ejercicios 3.10.
1. Demostraci
on.
1 0 0
1 0 0
2 3 1
2. a) 0 0 11 1 00 1 6
0 1 0
2 0 1
0 0 5
1 2 1
3
1 0 0 0
0 1 0 0
1 0 0 0 0 1 0 0 0 3 2 2
b)
0 0 0 13 1 1 00 0 1 9
0 0 0 5
2 1 0 1
0 0 1 0
3 1 2
0
1 0 0 0
0 1 0 0
1 0 0 0 0 1 0 0 0 1 2 2
c)
0 0 0 12 2 1 00 0
2
3
0 0
0 4
3 1 0 1
0 0 1 0
3 2 1 4
1 0 0 0
1 0 0 0
0 0 1 0 2 1 0 0 0 2 1 0
d)
0 1 0 0 1 0 1 00 0 1 2
0 0
0 3
3 5 2 1
0 0 0 1
Ejercicios 3.11.
"
1. S
2. S
3. S
4. S
5. S
*
44 23 29
,
,
.
15
5
5
*
"
1 1 1
, ,
.
2 4 4
"
*
14 4 29 32
, , ,
.
3 3 3 3
"
*
14 17
6
, , 1,
.
13 13
13
*
"
19987 3919 4079 1495 545
,
,
,
,
.
18
72
12
8
2
Ejercicios 3.12.
472
M
etodos num
ericos
3
1
0
2
2
1 1 3.
0 1 1
1 4 5
2 7 9
4 17 22
57 118
66
94
46
95
53 76
117
242 135 193
129 267 149
213
13
7
12
20
2
37 20 67 113
22
12 40
67
1.
2.
3.
4.
33
18
60
53
131
4
5.
117
79
4
73
53
6.
2
56
25
2
44
5
2
5
2
3
2
109
4
95
4
65
4
12
15
13
9
2
102
81
206
70
928
736
1874
677
2
710
537
2
563
684
319
2
253
2
637
465
487
219
2
1433
322
101
Ejercicios 3.13.
1. Con la norma 1 se tiene que condpAq 2252.5. Con la norma 8 se tiene
que condpAq 2252.5. Se puede decir, si se considera que la dimension de
la matriz es baja, que dicha matriz esta mal condicionada.
2. Programaci
on ().
3. Programaci
on ().
4. Programaci
on ().
5. Programaci
on ().
6. Con la norma 1 se tiene que:
a) condpAq 131051.
b) condpBq 17850.
Con la norma 8 se tiene que:
a) condpAq 135936.
b) condpBq 12384.
Ejercicios 3.14.
473
2
2
7
7
1
1
2
1. Tj
0 ; cj
5
15
15
3 1
1
0
10 5
10
La aproximaci
on con un error 0.00036018 se alcanza en la iteracion 7 y es:
`
T
0.330569575 0.140811253 0.227230378
1
7
1
5
1
2
15
5
1
1
; cj
10
10
0
0
1
2. Tj
0
5
1
1
7
7
La aproximaci
on con un error 0.000261224 se alcanza en la iteracion 5 y es:
`
T
0.222861497 0.149853878 0.0532
1
1
1
4
0
5
15
15
15
23
1
1
0
10
4
20
; cj 20
3. Tj
1
30
1
1
0
11
11
11
11
4
1
1
0
15
15
5
15
La aproximaci
on con un error 0.000385426 se alcanza en la iteracion 6 y es:
`
T
1.12908069 1.86120069 2.50704858 0.56862329
1
4. Tj
10
7
1
3
25
0
1
10
1
7
4
25
1
8
1
5
5
32
1
10
1
25
2
1
1
32
2
1
; cj
8
10
7
1
2
14
3
0
3
0
14
1
0
0
7
7
La aproximaci
on con un error 0.000385528 se alcanza en la iteracion 8 y es:
p1.661971, 0.585382, 1.926886, 0.358475, 0.704490qT
Ejercicios 3.15.
474
M
etodos num
ericos
1.
2
0
11
a) TG 0
55
34
0
1155
3
4
11
11
2
31
.
; cG
165
33
6
82
77
385
Se requieren cinco iteraciones para alcanzar un error absoluto aproximado de 7.94782 105 con base en la norma 8.
`
La aproximaci
on encontrada fue 0.37600208 0.18285618 0.19259810 T
2
5
1
0
23
23
23
15
72
167
b) TG 0
; cG
667
667
667
635
287
66
0
20 677
20 677
667
Se requieren cuatro iteraciones para alcanzar un error absoluto aproximado de 9.40519 105 al usar la norma 8.
`
La aproximaci
on encontrada fue 0.031590548 0.233818582 0.104676089 T
2. Aplique, en cada uno, varias iteraciones del metodo y analice el error. Observe que para el mismo problema uno de los metodos cumple que el error
converge a cero, mientras que en el otro metodo no. Concluya de lo anterior.
Ejercicios 3.16.
1.
a) Ninguna transformaci
on produce la convergencia del metodo.
?
?
b) Mediante la transformaci
on x 37 y y y x 5 se produce
una convergencia al punto
fijo p6, 1qT . Con base en la transformacion
?
?
x 37 y y y x 5 se produce la convergencia hacia el punto
fijo aproximado por p6.17107462, 1.08216201qT .
c) Converge con la transformaci
on:
x
y
z
1
1
cospyzq `
3
6
1a 2
x ` senpzq ` 1.06 0.1
9
1 xy 20 3
e
20
60
475
a) Se requieren cinco iteraciones para obtener un error absoluto aproximado de 1.89873107 y la aproximacion xp5q p0.771844506, 0.419643378qT .
b) Se requieren ocho iteraciones para obtener un error absoluto aproximado de 1.00039108 y la aproximacion xp8q p6, 1qT . En este caso,
el resultado es exacto a partir de este punto.
c) Se requieren siente iteraciones para obtener un error absoluto aproximado de 1.08506108 y la aproximacion xp7q p1.435712524, 0.439718337qT .
2. Las rectas parecen intersecar en el punto p4, 5q, lo cual se puede comprobar
si se toma x1 4 y x2 5. De donde se tiene que:
S tp4, 5qT u
3.
a) Con el metodo gr
afico no es f
acil determinar la solucion, pues las rectas
est
an muy juntas. La soluci
on real es p10, 14.5qT .
b) El determinante de la matriz asociada al sistema es 0.02.
c) Como el determinante es cercano a cero y las ecuaciones graficas de
las rectas son casi paralelas, se puede indicar que el sistema esta mal
condicionado. Sin embargo, se debera calcular el n
umero de condicion
para tener mayor certeza.
d) La soluci
on real es p10, 14.5qT .
e) La soluci
on del nuevo sistema es p10, 4.3qT . Note que esto evidencia
la mala condici
on del sistema, pues una muy peque
na variacion de uno
de los coeficientes provoca una cambio considerable en su solucion.
4. La soluci
on del sistema es: S tp14, 32, 5qT u.
#
+
1 1 9 T
5. La soluci
on del sistema es: S
,
,
.
4 2 4
"
*
491 3028 1734
6. a) La soluci
on del sistema es: S
,
,
.
502 521 251
1
0
0
10
2
1
3
27
17
1
0
0
b) 10
5
10 .
1
251
4
1
0
0
10
27
54
476
M
etodos num
ericos
c) En efecto L U A.
*
"
491 3028 1734
.
,
,
d) La soluci
on es S
502 521 251
"
*
510 936 216
e) La soluci
on es S
,
,
.
251 251 251
f ) Se omite.
7.
a) La soluci
on es p1, 1, 1qT .
b) Se omite.
31 23
3
312 312 104
25
1
7
c) A1
156 156
52
1
2
2
39
39
13
d) Se omite.
8.
a) La soluci
on es p4, 8, 2qT .
b) Se omite.
c) Si es posible, la descomposici
on LU es:
2 6
1
1
0 0
3
11
1 0 0 10
2
2
23
373
4
0
0
1
10
20
A1
1 b1 x
477
A2 x b2
M A2 x M b2
A1 x b1
la soluci
on de ambos sistemas est
a dada de manera respectiva por x A1 b
1
11
1
y y A b . Bastara demostrar que A1
1 b1 A2 b2 , lo cual es cierto,
ya que:
1
A1
2 b2 M A1 b1
10. condpAq 748 con la norma 8 o la norma 1, de donde se puede concluir
que la matriz est
a mal condicionada.
11. La matriz inversa es
A1
7
10
1
2
1
2
1
9
13
12. El sistema no es diagonalmente dominante. S es posible encontrar un sistema equivalente que lo sea. Una manera es cambiar la fila 1 con la 2 y luego
intercambiar la fila 2 con la 3.
13. Primero se debe buscar un sistema equivalente que sea diagonalmente dominante. Una vez as y con una solucion inicial p0, 0, 0q se requieren nueve iteraciones para obtener la soluci
on p1.515956518, 0.176413917, 0.087409613q
con un error relativo normalizado de 0.000851136.
14. Con una soluci
on inicial de p0, 0, 0q se obtiene, con solo cuatro iteraciones, la soluci
on p1.5166002, 0.1758288, 0.08793327q, con un error relativo
normalizado de 0.000621501.
15. No es posible garantizar la convergencia del metodo de Jacobi, ni con ning
un
reacomodo se puede generar un sistema equivalente que sea diagonalmente
dominante.
16.
a) La soluci
on real es:
p2.453, 2.64, 0.146qT
b) La soluci
on real es:
p0.389159..., 0.512856..., 0.382905...qT
c) La soluci
on real es:
p0.38097..., 0.52452..., 0.37234..., 0.06104...qT
478
M
etodos num
ericos
17. Demostraci
on.
18. Demostraci
on.
19. Demostraci
on.
20.
a) Verificaci
on.
b) Demostraci
on.
c) Se requieren 13 iteraciones del metodo de punto fijo para aproximar la
soluci
on real con un error absoluto de 5.82992106 . La aproximacion
obtenida es:
S tp0.999997252, 0.999997252qT u
B.4.
Ejercicios 4.1.
f pbq f paq
1. f pxq f paq ` f ra, bspx aq f paq `
px aq; de esta manera
ba
se tiene que:
f pbq f paq
f ppq f paq `
pp aq
ba
2. Se tienen los puntos p0, 1q y p, 1q; de esta manera, si el polinomio interpo2
1 1
px 0q, por lo tanto cosp1q 1 .
lante de grado 1 es: P1 pxq 1 `
0
1.0
0.5
-0.5
-1.0
479
-0.2
-0.4
a) 0.5.
b) 2.5.
c) 0.
d) 1.5.
Ejercicios 4.2.
Demostracion.
Ejercicios 4.3.
1.
32 senp2x q
b) R4 pxq
480
M
etodos num
ericos
c) Para esto se tiene que la cota buscada es
R4 pxq 0.141533508xpx 1qpx 2qpx 3qpx 4q
para todo x P r0, 4s.
2.
Ejercicios 4.4.
1. El polinomio es el mismo obtenido en el ejercicio correspondiente.
2. El valor es f p3.5q 1.57225.
3.
a) f p2.4q 9.42392.
b) Al usar los datos para x 4, x 5 y x 6 se tiene que f p4.9q
10.978362.
c) Al usar los datos para x 4, x 5, x 6 y x 8 se tiene que
f p5.1q 10.91934012.
Ejercicios 4.5.
1.
a) Tabla 4.11.
F3 pxq 0.693147`0.5px2q0.905465px2q2 `1.644263px2q2 px3q
b) Tabla 4.12.
H5 pxq 1.039072 ` 0, 2570694px 1.7q 0.100490222px 1.7q2
` 0.03583037px 1.7q2 px 2q 0.010430247px 1.7q2 px 2q2
` 0.002558642px 1.7q2 px 2q2 px 2.3q
c) Tabla 4.13
G5 pxq 1 ` 0, 221110277x2 0.131726851x2 px 3q
0.019464071x2 px 3q2 0.000756899x2 px 3q2 px 6q
481
a) El polinomio de interpolaci
on es
P1 pxq 1.609437912 ` 0.125066962px 5q
y el valor de ln 10 P1 p10q 2.234772725.
b) El polinomio de interpolaci
on es
P2 pxq 1.609437912`0.125066962px5q0.007900228px5qpx12q
y el valor de ln 10 P2 p10q 2.31377501.
c) El polinomio de interpolaci
on es
P3 pxq 1.609437912 ` 0.125066962px 5q
0.007900228px 5qpx 12q
` 0.000427971px 5qpx 12qpx 8q
y el valor de ln 10 P3 p10q 2.30521559.
2. Los resultados son los mismos del ejercicio 1, ya que el polinomio interpolante de Lagrange y el de Newton coinciden.
3. Existen dos formas de determinar este polinomio:
Mediante la construcci
on de Lagrange se tiene que el polinomio es:
P3 pxq
px 2qpx 3qpx 4q 1 px 1qpx 3qpx 4q 2
e `
e
p1 2qp1 3qp1 4q
p2 1qp2 3qp2 4q
`
Mediante la construcci
on por diferencias divididas de Newton:
P3 pxq e1 ` f r1, 2spx 1q ` f r1, 2, 3spx 1qpx 2q
` f r1, 2, 3, 4spx 1qpx 2qpx 3q
epe 1q2
e ` epe 1qpx 1q `
px 1qpx 2q
2
epe 1q3
`
px 1qpx 2qpx 3q
6
482
M
etodos num
ericos
4. En 1930 la poblaci
on se estima en 169 649 000 habitantes. En 1965 se estima en 191 767 359, 4 mil habitantes. En el 2010 la poblacion se estima en
171 351 000 habitantes.
5. El valor P0,1,2,3 p2.5q 2.875.
9
1
6. P3 pxq x3 x2 ` 11x 4
2
2
1
9
7. P3 pxq x3 x2 ` 11x 4
2
2
8. Para 1923 se tiene una temperatura aproximada de 0.3130, mientras que
para 1927 la temperatura aproximada fue de 0.1531.
9. Resultados
Datos 1: la recta de regresi
on es y 0.0989x ` 8.9231 con un
R2 0.0069. Por lo que se concluye que el ajuste es malo.
Datos 2: la recta de regresi
on es y 1.956x ` 27.385 con un
2
R 0.9275. Y se concluye que el ajuste es muy bueno.
Datos 3: la recta de regresi
on es y 0.489x ` 16.269 con un
R2 0.0574. Por lo que se concluye que el ajuste es malo.
10.
a) S es factible.
b) La recta de regresi
on es y 302, 66x603874, 55. Los pronosticos son:
para el 2012 es de 5090.777833, para el 2013 es de 5393.4445, para el
2014 es de 5696.111166, para el 2015 es de 5998.777833 y para el 2016
es de 6301.4445.
c) R2 0.96109, de donde se concluye que el ajuste es bueno.
11.
a) De la gr
afica se puede observar una dependencia lineal, por lo que es
factible realizar una regresi
on lineal.
b) La recta de regresi
on es y 19.75089x ` 5154.69232. c) La recta de
regresi
on es x 0.04761y ` 254.58895.
c) Para un precio de 150, la ocupacion sera aproximadamente de 2192
habitaciones en todo el pas.
d) Para que la ocupaci
on sea de 1000 habitaciones, aproximadamente, se
debe cobrar US$206.99.
12.
a) La recta de regresi
on es y 0.43473x ` 866.57217.
483
13. y
?
?
` x 2
` x
1
1
?
?
?
?
y
y ? `
x
x
1
1
De esta forma se tiene el modelo lineal Y X , donde X ?
x
?
y Y y. La regresi
on lineal de los datos transformados brinda la recta
de regresi
on de ecuaci
on Y 1.99213X ` 0.40979, de donde se tiene que
2.440274 y 4.861343. De donde el modelo ajustado para las datos
reales es:
?
4.861343 ` x 2
?
y
2.440274 x
Para el caso de x 1.6, la aproximacion buscada es y 3.939062, mientras
que para x 6 la aproximaci
on buscada es y 1.49590. En este caso, el
R2 0, 99989, lo cual garantiza un excelente ajuste de los datos al modelo
propuesto.
y
14. x epyq{ lnpxq
y lnpxq ` . De esta manera
B.5.
Ejercicios 5.1.
1. La aproximaci
on es f 1 p2q 0.499875042.
2. Se debe recordar que v
dD
. Se sabe Dp3q 10, Dp6q 16, Dp9q 35 y
dt
484
M
etodos num
ericos
Dp12q 40. Por lo que al tomar h 3 se puede calcular:
vp3q
vp6q
vp9q
Dp3 ` hq Dp3q
2m/s
h
Dp6 ` hq Dp6q
6.33m/s
h
Dp9 ` hq Dp9q
1.66m/s
h
Ejercicios 5.2.
1. Demostraci
on.
2. Para los datos intermedios se hizo uso de las formulas de tres puntos centrales, ya que tienen menor precisi
on teorica. Mientras que para los datos
de los extremos se requieren las f
ormulas laterales de tres puntos.
Velocidad:
0
5
10
15
20 25 30
35
40
45
50
55
60
65
10.1 11.5 12.1 13.5 15.5 15 13 11.6 10.6 11.2 13.2 14.6 14.6 13.4
Aceleracion:
0
5 10
15
20
25
30
35
40
45
50
55
60
65
0.36 0.2 0.2 0.34 0.15 0.25 0.34 0.24 0.04 0.26 0.34 0.14 0.12 0.36
3. Al utilizar la f
ormula de tres puntos se tiene:
Rapidez
0
100
Aceleracion
5
200
0
157.5
10
185
15
100
65
60
5
42.5
10
50
15
-63
65
17.5
Con la formula de cinco puntos se tiene: los resultados pueden variar dependiendo de la escogencia que se haga de la formula. En los datos extremos
se debe usar P31 px0 q y P31 px3 q. Esta respuesta se omite por la variedad de
escogencias.
4. Demostraci
on (se puede guiar del desarrollo de la teora)
?
30
5. Se requiere un tama
no de paso h tal que: 0 h
, por lo que basta
500
?
?
30
30
tomar cualquier x1 1, x0 P 1
, 1 y x2 P 1 `
, de manera
500
500
que x0 y x2 equidisten de 1.
6. Para
ambas f
ormulas se requiere un tama
no de paso h tal?que: 0 h
?
15
15
, por lo que basta tomar cualquier x1 1, x0 P 1
, 1 y x2 P
500
500 ?
15
1`
de manera que x0 y x2 equidisten de 1.
500
485
7. Para este caso se tiene que f 3 pxq ?senpxq, por lo que |f 3 pxq| 1 para
6
para que el intervalo buscado sea
todo x P R. Basta tomar 0
100
I r2 , 2 ` s.
8. Se estudiar
a un intervalo inicial al rededor de 3, se puede escoger cualquiera
que no involucre el cero. Para esta respuesta se analizara el intervalo r1, 5s.
2
Para este caso se tiene que g 3 pxq 3 cospxq, para lo cual se cumple que
x
para todo x P r1, 5s:
cospxq 2 ` cospxq 3
x2
12
?
5
3
y
por lo que |g pxq| 3 para todo x P r1, 5s. Basta tomar 0
500
el intervalo buscado ser
a r3 , 3 ` s. Tome en cuenta que esta respuesta
depende del intervalo inicial, por lo que para otras escogencias puede variar.
?
3
. Para
9. Para el ejercicio 7) se tiene que para las formulas laterales
100
?
10
el ejercicio 8) y el intervalo inicial r1, 5s se tiene que
.
1000
Ejercicio 5.3.
1. Con la suma izquierda se tiene la aproximacion SI5 1.552177436937. Con
la suma derecha se tiene la aproximacion SD5 1.895833802629. El valor
exacto de la integral es e 1 1.71828182845904523, por lo que el error
para SI5 es de 0.1661043915, mientras que para SD5 es de 0.1775519741.
2. Con la suma izquierda se tiene la aproximacion SI10 1.633799399966. Con
la suma derecha se tiene la aproximacion SD10 1.805627582812. El valor
exacto de la integral es e 1 1.71828182845904523, por lo que el error
para SI10 es de 0.08448242849, mientras que para SD10 es de 0.08734575435.
3.
h2 n1
4. Se quiere que
f 1 pi`1 q 0.001, pero se sabe que:
2 i0
h2 n1
h2
h2 n1
1
f pi`1 q
M M n
2 i0
2 i0
2
486
M
etodos num
ericos
31
2
, por lo que:
n
n
2
4
2
h
n2
M n M n M
2
2
n
Por lo que n
2M
.
0.001
5. Para este caso, para poder garantizar que el error absoluto de la aproxima2
cion sea menor que 0.1 se requiere que M .
5
Ejercicios 5.4.
1. Mediante la regla compuesta del rectangulo con n 8 se obtiene la aproximacion 1.720518592164, con un error absoluto de 0.002236764.
2.
a) 1.036631390313.
b) 0.886318546132.
c) 0.886226896509.
3.
a) 2.650641987901.
b) 2.334972078219.
c) 2.267954691436.
Ejercicios 5.5.
1.
487
Ejercicios 5.6.
1. Demostraci
on.
2. Demostraci
on.
3.
2
a) f pxq
3x 5
?
?
1
3
3
1?
5
1?
5
f pxqdx f
`f
3
`
3
3
3
11
11 11
11
1
10
0.909
11
1
4
Adem
as se sabe que:
f pxqdx ln 2 0.924 196 240 7
3
1
x
b) gpxq 2
al tomar x 2 ` u, de donde dx du
x `3
?
?
3
1
3
3
60
`g 2`
gpxqdx
gp2 ` uqdu g 2 `
3
3
109
1
1
0.550 458 7156...
Adem
as se sabe que:
1
2
ex
1`u
1
al tomar x
, de donde dx du
2
2
? 2
?
3
3
1
1
1`
1 1 ` 3
1`u
1
1
3
` h
h
du h
hpxqdx
2
2
2 2 2
2
c) hpxq
5`u
1
d) rpxq 0.13x9 3x5 ` x3 al tomar x
, de donde dx du
2
2
?
?
3
1
3
5`
1 5 ` 3
1
5`u
1
3
` r
rpxqdx
r
du r
2
2 2 2
2
2
1 2
429. 113 368 1
Adem
as se sabe que:
3
2
488
M
etodos num
ericos
4.
2
a) f pxq
3x 5
c
c
1
5
3
8
5
3
226
f pxqdx f
` f p0q` f
c
c
3
1
3
5
3
5
8
gpxqdx
gp2`uqdu g 2 `
` gp2`0q` g 2 `
9
5
9
9
5
1
1
0.549 280 177 2
Adem
as se sabe que:
1
2
ex
1`u
1
al tomar x
, de donde dx du
2
2
2
c
1
1
1`
1
1`u
5 1
8 1
1`0
5
hpxqdx
h
du h
`
` 9 2 h
2
9 2
2
2
0
1 2
c) hpxq
c
3
1`
5 1
5
0.373 407 292 1...
h
9 2
2
Adem
as se sabe que:
5`u
1
, de donde dx du
2
2
c
3
5`
1
5`u
5`0
5 1
5 8 1
r
du r
`
` r
9 2
2
2
9 2
2
2
1
rpxqdx
c
3
5`
5 1
5
438. 013 615 6...
r
9 2
2
Adem
as se sabe que:
3
2
a) Junto con la c)
489
f pxq
f 1 pxq Aprox
0.4794
0.88
0.5646
0.824
0.6442
0.768
con la c)
f px)
f 1 pxq Aprox
0.00000
3.9845
0.74140
3.4295
1.37180
2.8745
Exacta
0.87758
0.82533
0.76484
Exacta
4
3.42140
2.89182
Error
0.00242
0.00133
0.00316
Error
0.0155
0.0081
0.01732
25
1.16
0.0096
50
0.92
0.0096
75
0.68
0.0096
100
0.44
0.0096
125
0.2
0.0096
3.
Km{s
Km{s2
4.
|f 3 px1 q|
6
8. Explicaci
on.
20
.
3
10. La distancia recorrida
por el automovil en un tiempo T esta dada por la
T
funcion dpT q
vptqdt, donde v es la funcion velocidad de automovil en
9. Con la regla de Simpson se obtiene la aproximacion
un tiempo t.
490
M
etodos num
ericos
a) A los 24s el autom
ovil ha recorrido dp24q pies; al aplicar la regla de
Simpson se obtiene la aproximacion 5181 pies recorridos por el auto.
b) La pista se calcula con dp84q
84
11. Depende de la f
ormula de aproximacion que se utilice para el calculo. En
este ejercicio se deben separar los datos de manera que se trabaje con puntos igualmente espaciados; en este sentido, independientemente del metodo
empleado, se debe trabajar de cero a tres, de tres a siete y de siete a diez.
12. Demostraci
on: es similar a la deduccion realizada para la formula de error
de la regla compuesta del rect
angulo.
B.6.
Ejercicios 6.1.
1.
i
0
1
2
3
4
5
6
xi
1
0.5
0
0.5
1
1.5
2
yi
2
1.864664717
1.767822121
1.682469942
1.566273561
1.357451664
0.939313702
2.
i
0
1
2
3
4
5
6
xi
1
0.5
0
0.5
1
1.5
2
yi
2
2
2.5
3.75
6.5625
13.125
29.53125
f pxi , yi q
0.270670566
0.193685191
0.170704358
0.232392764
0.417643793
0.836275924
1.954480072
f pxi , yi q
0
1
2.5
5.625
13.125
32.8125
88.59375
491
3.
i
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
xi
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
yi
2
1.945865887
1.89900667
1.858283574
1.82210548
1.788475007
1.755032011
1.719068456
1.677486392
1.626665086
1.56218551
1.478314583
1.367040005
1.21616275
1.005150716
0.694791646
f pxi , yi q
0.270670566
0.234296085
0.203615479
0.18089047
0.168152367
0.167214977
0.179817776
0.207910319
0.254106529
0.32239788
0.419354636
0.55637289
0.754386278
1.055060167
1.551795353
2.495892216
i
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
xi
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
yi
2
2
2.08
2.2464
2.515968
2.91852288
3.502227456
4.342762045
5.558735418
7.337530752
9.979041823
13.97065855
20.11774831
29.77426751
45.25688661
70.60074311
Ejercicios 6.2.
1.
i
0
1
2
3
4
5
6
xi
1
0.5
0
0.5
1
1.5
2
yi
2
1.88934072
1.80929156
1.7240539
1.58408558
1.30662623
0.66838911
Valor Real
2
1.8866740
1.80100374
1.70730049
1.55231491
1.23277096
0.32862445
Error Abs
0
0.002667
0.008288
0.016753
0.031771
0.073855
0.339765
2.
i
0
1
2
3
4
xi
0
0.5
1
1.5
2
yi
1
0.75
0.6796875
0.764648438
1.0752869
Valor Real
1
0.6872893
0.606531
0.6872893
1
Error Abs
0
0.0627107
0.0731567
0.0773592
0.0752869
3.
i
0
1
2
xi
0
0.5
1
yi
0
0.125
2.957242972
Valor Real
0
0.2836165
3.2190993
Error
0
0.1586165
0.2618563
4.
i
0
1
2
xi
0
0.5
1
yi
1
1.875
2.460057351
Valor Real
1
1.7304898
2.1179795
Error Abs
0
0.1445102
0.3420778
f pxi , yi q
0
0.4
0.832
1.34784
2.0127744
2.91852288
4.202672947
6.079866864
8.893976669
13.20755535
19.95808365
30.73544881
48.28259595
77.41309551
126.7192825
211.8022293
492
M
etodos num
ericos
yn`1
&
`
%
y0
donde f 1 px, yq
h2 1
f pxn , yn q
2
ypx0 q
Bf px, yq Bf px, yq dy
`
y f 2 px, yq ???
Bx
By
dx
Ejercicios 6.3.
1.
a) Ejercicio #1 de la lista
xn
yn
1
2
0.5 1.86466472
0 1.76782212
0.5 1.68246994
1 1.56627356
1.5 1.35745166
2
0.9393137
de ejercicios 6.2
yn
Valor real
2
2
1.886674
1.88391106
1.7937367 1.80100374
1.69405414 1.70730049
1.53221414 1.55231491
1.21511678 1.23277096
0.48544803 0.32862445
Error Abs.
0
0.002762939
0.007267044
0.013246349
0.02010077
0.01765418
0.156823577
Error Abs
0
0.00021072
0.00496816
0.03885178
0.15332031
Error Abs
0
0.27659461
2.08239048
Error Abs
0
0.09604044
0.16783761
493
Euler simple:
xi
yi
0
1
0.5
1
1 1.32100635
1.5 1.79340368
2 2.28706149
2) Taylor de
i
xi
0
0
1 0.5
2
1
3 1.5
4
2
orden 2.
yi
1
1.16050318
1.49031985
1.90500469
2.37144536
Valor Real
1
1.1302282
1.4593017
1.8804081
2.3513347
Error Abs
0
0.1302282
0.1382953
0.0870044
0.0642732
Valor Real
1
1.1302282
1.4593017
1.8804081
2.3513347
Error Abs
0
0.030275
0.0310182
0.0245966
0.0201107
Valore real
1
1.1302282
1.4593017
1.8804081
2.3513347
Error Abs
0
0.03027498
0.05657673
0.06167283
0.06107112
2.2
2.0
1.8
1.6
1.4
1.2
0.5
d)
1.0
1.5
2.0
494
M
etodos num
ericos
2.2
2.0
1.8
1.6
1.4
1.2
0.5
3.
a) Euler simple
i
0
0.25
0.5
0.75
1
b) Euler mejorado
xi
0
0.5
1
1.5
2
i
0
0.25
0.5
0.75
1
1.0
1.5
2.0
yi
0
0
0
0
0
xi
0
0.5
1
1.5
2
yi
0
0
0
0
0
pxq
x2
4
a) Ejercicio #
i
xi
0 1
1 0.5
2
0
3 0.5
4
1
5 1.5
6
2
k3
k4
0.111884
0.083997
0.09183
0.152714
0.315478
0.861688
0.094598
0.082429
0.113135
0.211277
0.471741
1.725097
495
2.
a)
i
0
1
2
3
4
5
6
7
8
xi
0
1
2
3
4
5
6
7
8
yi
2
4.623229
4.947564
2.286179
0.932707
0.761552
1.498826
3.806533
5.303293
k3
k4
0.322266
0.081209
0.08055
0.31208
0.169434
0
0.17176
0.49966
k3
k4
0.132313
1.836308
0.98811
7.909463
k3
k4
0.899053
0.507727
0.485125
0.14901
k1
k2
k3
k4
2
2.497941
2.05891
2.2633
0.60966
0.216024
1.439128
2.869754
2.632748
0.415383
3.13897
1.08117
0.13235
0.616234
2.166452
1.816858
2.910392
0.341726
2.70633
1.63467
0.18266
0.758042
2.5216
1.634372
2.653096
2.06615
2.21881
0.42585
0.21276
1.459069
3.031008
0.79165
b) La gr
afica de la soluci
on segmentada corresponde a:
y
5
496
M
etodos num
ericos
c) Mediante la tecnica de separacion de variables se tiene que la solucion
general del problema de valor inicial es:
y Cesen x
Con la condici
on inicial yp0q 2 se obtiene que C 2, por lo que la
soluci
on particular del problema de valor inicial es y 2esen x .
d) La comparaci
on entre la gr
afica de la solucion real y la grafica de la
soluci
on segmentada corresponde a:
y
5
Ejercicios 6.5.
1.
a)
i
0
1
2
3
4
5
6
7
8
xi
0
0.5
1
1.5
2
2.5
3
3.5
4
yi
2
2.26043663
3.07321991
4.74181119
7.64275451
11.672424
13.4051579
13.2430572
11.2850945
b)
i
0
1
2
3
4
xi
1
1.5
2
2.5
3
yi
2
1.90679967
3.55194929
8.16482335
21.6978925
c)
i
0
1
2
xi
0
0.5
1
yi
0
0
0
k1
0
k2
0
k1
0
k2
0.24740396
k1
1
k2
1.5625
k3
0
k4
0
k3
0.262706139
k3
1.73828125
k4
0.542399555
k4
0.542399555
2.
a)
i
0
1
2
3
4
5
6
7
8
xi
0
0.5
1
1.5
2
2.5
3
3.5
4
yi
2
2.27235643
3.22265566
5.19645889
8.4023864
12.1268488
14.4510781
13.7546841
10.5520092
b)
i
0
1
2
3
4
xi
1
1.5
2
2.5
3
yi
2
4
11
44
286
c) Sin soluci
on.
497
Bibliografa
Bibliografa.
1. Chapra. S & Canale. R (2010). Metodos Numericos para Ingenieros. Sexta
edicion. Editorial McGrawHill. Mexico.
2. Burden. R & Faires. J (2001). An
alisis numericos. Septima edicion, Editorial Thomson. Mexico.
3. Stoer. J & Bulirsch. R (2002). Introduction to Numerical Analysis. Tercera
edicion. Editorial Springer. Estados Unidos.
4. Lemagne (2000). N
umero de condicion y determinante de una matriz. Revista investigaci
on operacional. Vol 21 No. 1.
5. Galbiati. J (s.f.). Regresi
on lineal simple. La revista Letra Media (www.letramedia.cl).
6. Vadillo. F (s.f.). Ecuaciones no lineales. Departamento de Matematica aplicada y estadstica de la Universidad del Pas Vasco.
7. Calderon. G (2007). Metodos iterativos para resolver ecuaciones no lineales. Revista Notas de Matem
atica. Vol. 3 (1). No. 250, pp33-44. http:/ /
www.matematica/ula.ve
8. Gallergo.M & Medina, M (1993). Algortmica y programacion para ingenieros. Editorial edicions ups. Barcelona.
9. Kaplan, W. (1985). C
alculo Avanzado. Compa
nia Editorial Continental,
S.A. Mexico.