Ampliación de Matemáticas

Ampliacin de Matemticas
Grado en Ingeniera Informtica.

Grado en Ingeniera Informtica de Sistemas.
ndice
1 Series 1
1.1 Series de nmeros reales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Algunas propiedades de las series. . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Series de trminos positivos. . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Series alternadas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.4 Convergencia condicional y absoluta. . . . . . . . . . . . . . . . . . . 7
1.2 Series de potencias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Representacin de funciones en series de potencias. . . . . . . . . . . 10
1.3 Series de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.1 Desarrollos de Fourier con slo cosenos o slo senos. . . . . . . . . . 17
1.3.2 Series de Fourier en un intervalo general [a,b]. . . . . . . . . . . . . . 18
1.4 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Interpolacin Polinmica 23
2.1 Polinomio interpolador de Lagrange . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Forma de Newton del polinomio interpolador. . . . . . . . . . . . . . . . . . 26
2.3 Interpolacin polinmica segmentaria. . . . . . . . . . . . . . . . . . . . . . 28
2.4 Interpolacin de Hermite. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 Splines. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.6 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3 Producto interior. Ajuste 37
3.1 Producto interior. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Normas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.3 ngulo y Ortogonalidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4 Proyeccin y componente ortogonal. . . . . . . . . . . . . . . . . . . . . . . 43
3.5 Expresin de la proyeccin en una base arbitraria. . . . . . . . . . . . . . . 45
3.6 Ecuaciones normales en IR
n
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.7 Aplicaciones de la proyeccin. Ajuste Discreto. . . . . . . . . . . . . . . . . 48
3.7.1 Recta de ajuste. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.7.2 Caso general discreto. . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.8 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4 Resolucin Numrica de Sistemas 55
4.1 Errores de redondeo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.1.1 Situaciones que merecen atencin. . . . . . . . . . . . . . . . . . . . 56
4.2 Aspectos computacionales de la eliminacin gaussiana. . . . . . . . . . . . . 57
4.2.1 Necesidad computacional de pivotaje. . . . . . . . . . . . . . . . . . 57
i
ii
4.2.2 Nmero de operaciones de la eliminacin gaussiana. . . . . . . . . . 58
4.2.3 Implementacin prctica. . . . . . . . . . . . . . . . . . . . . . . . . 62
4.3 Normas matriciales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.4 Anlisis del problema del acondicionamiento. . . . . . . . . . . . . . . . . . 64
4.5 Mtodos iterativos para la resolucin de sistemas lineales. . . . . . . . . . . 65
4.5.1 Mtodos de Jacobi y Gauss-Seidel . . . . . . . . . . . . . . . . . . . 67
4.6 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5 Clculo diferencial en varias variables 73
5.1 Funciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.1.1 Representacin grca. . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.2 Lmites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5.3 Continuidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.4 Diferenciabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.5 Extremos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.5.1 Polinomio de Taylor. . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.5.2 Extremos relativos condicionados. . . . . . . . . . . . . . . . . . . . . 90
5.6 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6 Programacin Lineal 99
6.1 Un primer ejemplo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.2 Deniciones y Terminologa. . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.3 Solucin grca de problemas en IR
2
. . . . . . . . . . . . . . . . . . . . . . 101
6.4 Ejercicios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Tema 1
Series
1.1 Series de nmeros reales.
Denicin 1 Llamaremos serie de nmeros reales a una sucesin {s
n
}
n=1
denida a par-
tir de otra sucesin de nmeros reales, {a
n
}
n=1
, de la forma
s
n
=
n
i=1
a
i
= a
1
+ +a
n
(1.1)
Los trminos de la sucesin {s
n
}
n=1
de la denicin anterior reciben el nombre de sumas
parciales y a
n
recibe el nombre de trmino general de la serie.
Qu utilidad o inters tiene una sucesin como la de la denicin anterior? La res-
puesta est en el signicado de su lmite. Puesto que s
n
es la suma de n nmeros reales
(a
1
, a
2
, . . . , a
n
), s
n+1
es la suma de los anteriores y a
n+1
y as sucesivamente, el
s = lim
n
s
n
(1.2)
en caso de que exista, ser la denicin matemtica de una suma con innitos sumandos.
Si el lmite s en (1.2) existe y es nito diremos que la serie es convergente, si es innito,
divergente y si no existe diremos que la serie es oscilante. A la condicin convergente,
divergente u oscilante de una serie se le llama carcter de la misma.
El lmite s en (1.2) recibe el nombre de suma de la serie y se denota
i=1
a
i
(1.3)
Esta notacin puede resultar confusa porque (1.3) se emplea tanto para denotar la propia
serie como su lmite, as, una armacin del tipo

i=1
a
i
es convergente, divergente u
oscilante lo que signica es que la sucesin {s
n
}
n=1
lo es.
Otra manera de representar la idea de sumar innitas cantidades a
i
es escribir
a
1
+a
2
+ +a
n
+
donde los ltimos puntos suspensivos son los ms importantes" porque son los que conlle-
van precisamente la idea de continuar sumando (hasta innito). Ntese que a
1
+a
2
+ +a
n
no es una suma de innitos trminos; es slo una suma de n trminos.
Ampliacin de Matemticas Series 2
Ejercicio 1 Completa lo que consideres necesario en la tabla siguiente (puede haber re-
sultados que todava no sean conocidos):
a
n
a
1
+a
2
+ +a
n
+
i=1
a
i
s
n
=
n
i=1
a
i
s = lim
n
s
n
1 1 + 1 + + 1 +
i=1
1 s
n
=
n
i=1
1 = n s = lim
n
n = +
1
5
1
5
+
1
5
+ +
1
5
+
i=1
1
5
s
n
=
n
i=1
1
5
=
n
5
s = lim
n
n
5
= +
3 3 3 3
i=1
3 s
n
=
n
i=1
(3) = 3n s = lim
n
3n =
n 1 + 2 + +n +
i=1
i s
n
=
n
i=1
i =
(n + 1)n
2
s = lim
n
n(n + 1)
2
= +
2
n
2 + 2
2
+ + 2
n
+
i=1
2
i
s
n
=
n
i=1
2
i
= 2
n+1
2 s = lim
n
(2
n+1
2) = +
1
n
1 +
1
2
+ +
1
n
+
i=1
1
i
s
n
=
n
i=1
1
n
=? s = lim
n
s
n
= +
(1)
n
(1)
n
+ 1
Ejemplo 1 Consideremos la serie
i=0
q
i
. Para estudiar su carcter debemos hallar el
lmite de la sucesin {s
n
}
n=1
.
s
n
=
n1
i=0
q
i
=
_
q
n
1
q1
si q = 1
n si q = 1
(1.4)
(Obsrvese que s
n
es, para esta serie, la suma de los n primeros trminos de una progresin
geomtrica de razn q).
lim
n
q
n
1
q 1
=
_
(1 q)
1
si |q| < 1
si q > 1
(1.5)
El lmite anterior no existe si q 1. Concluimos entonces que este tipo de series son
convergentes cuando |q| < 1, divergentes si q 1 y oscilantes para q 1.
1.1.1 Algunas propiedades de las series.
1. El carcter de una serie
i=1
a
i
se mantiene si se suprimen o modican los k primeros
trminos de la sucesin {a
n
}
n=1
.
2. Las series
i=1
a
i
y
i=1
ca
i
, siendo c cualquier nmero real no nulo, tienen el mismo
carcter. Si son convergentes se verica la relacin
i=1
ca
i
= c
i=1
a
i
(1.6)
3. Si
i=1
a
i
y
i=1
b
i
son convergentes, tambin lo es
i=1
(a
i
+b
i
) y se verica
i=1
(a
i
+b
i
) =
i=1
a
i
+
i=1
b
i
(1.7)
Estas tres propiedades pueden demostrarse sin ms que tener en cuenta lo que signica
el carcter de una serie y aplicar algunas propiedades de los lmites.
Ejercicio 2 Extender la tercera de las propiedades anteriores, si es posible, al caso en
que
i=1
a
i
,
i=1
b
i
o ambas sean divergentes u oscilantes.
Si una serie resulta convergente parece razonable que las cantidades que se van aa-
diendo (los a
i
) tiendan a cero. As ocurre, en efecto, como puede verse en el siguiente
teorema.
Teorema 1 Si
i=1
a
i
es convergente entonces
lim
n
a
n
= 0. (1.8)
Demostracin. Sea s la suma de la serie. Se verica entonces
lim
n
s
n
= s (1.9)
as como
lim
n
s
n1
= s, (1.10)
por tanto
lim
n
a
n
= lim
n
(s
n
s
n1
) = s s = 0. (1.11)
La condicin dada en el teorema anterior es necesaria pero no suciente para la con-
vergencia. Por ejemplo la serie
1 +
1
2
+
1
2
+
1
3
+
1
3
+
1
3
+
1
4
+
1
4
+
1
4
+
1
4
+
es divergente con a
n
0.
Para que una serie

i=1
a
i
sea convergente no basta, segn se ha dicho, con que
la sucesin {a
n
}
n=1
tienda a cero sino que adems habr de hacerlo "sucientemente
rpido". La serie

n=1
(1/n), denominada serie armnica, es divergente mientras que
la serie
n=1
(1/n
2
) es convergente. La demostracin de su carcter se ver en la siguiente
seccin. Ambas cumplen que el lmite de la sucesin {a
n
}
n=1
es cero.
1.1.2 Series de trminos positivos.
En este apartado veremos algunos resultados tiles para determinar el carcter de series
de trminos positivos.
Ejercicio 3 Puede una serie de trminos positivos ser oscilante?
Teorema 2 (Primer criterio de comparacin ) Sean

i=1
a
i
y

i=1
b
i
dos series de
trminos positivos tales que a
i
b
i
i IN. Entonces
1. Si

i=1
b
i
es convergente,

i=1
a
i
tambin lo es.
2. Si

i=1
a
i
es divergente,

i=1
b
i
tambin lo es.
Teorema 3 (Segundo criterio de comparacin ) Sean

i=1
a
i
y

i=1
b
i
dos series
de trminos positivos tales que existe
lim
n
a
n
b
n
(1.12)
Entonces
1. Si el lmite es nito y distinto de cero, ambas series tienen el mismo carcter
2. Si el lmite es nulo se verica
(a) Si

i=1
b
i
es convergente,

i=1
a
i
tambin lo es.
(b) Si

i=1
a
i
es divergente,

i=1
b
i
tambin lo es.
3. Si el lmite es innito se verica
(a) Si

i=1
b
i
es divergente,

i=1
a
i
tambin lo es.
(b) Si

i=1
a
i
es convergente,

i=1
b
i
tambin lo es.
Ejercicio 4 Demostrar los dos teoremas anteriores.
En los dos teoremas anteriores el carcter de la serie se obtena por comparacin con
el de otra. En los resultados que siguen el carcter se obtendr a partir de la serie objeto
de estudio nicamente.
Teorema 4 (Criterio del cociente ) Sea

i=1
a
i
una serie de trminos positivos tal
que
lim
n
a
n+1
a
n
= c (1.13)
Entonces
1. Si c < 1 la serie es convergente.
2. Si c > 1 o c = + la serie es divergente.
Si c = 1 no se puede asegurar nada sobre el carcter de la serie.
Teorema 5 (Criterio de la raz ) Sea

i=1
a
i
una serie de trminos positivos tal que
lim
n
n
a
n
= c. (1.14)
Entonces
1. Si c < 1 la serie es convergente.
2. Si c > 1 o c = + la serie es divergente.
Si c = 1 no se puede asegurar nada sobre el carcter de la serie.
Teorema 6 (Criterio de la Integral ) Sea f : [1, ) IR decreciente y positiva. Sea
a
n
= f(n) n IN. Entonces la serie
n=1
a
n
(1.15)
y la integral

1
f(t)dt (1.16)
tienen el mismo carcter.
Ejercicio 5 Estudiar el carcter de las series de la forma
n=1
1
n
c
(1.17)
para cualquier c IR.
La idea del primer criterio de comparacin suele ser la simplicacin de una serie
eliminando partes poco signicativas para de esta manera poder compararla con otra ms
simple. En el segundo criterio de comparacin, necesitamos "intuir cmo va" el trmino
general de la serie por lo que tienen mucha importancia los innitsimos equivalentes
estudiados en Fundamentos de Matemticas. El criterio del cociente suele ser adecuado
con trminos generales que se simplican mucho al hacer el correspondiente cociente. El
criterio de la raz es adecuado para trminos generales que se simplican al tomar races
n-simas; este criterio es ms fuerte que el criterio del cociente, pues si el del cociente
funciona, tambin lo har el de la raz (en virtud del criterio de Cauchy para el clculo de
lmites de sucesiones).
Los resultados de esta seccin son tambin aprovechables para el estudio del carcter
de series de trminos negativos. Basta tener en cuenta que la multiplicacin por constantes
no altera el carcter. En particular, una serie y su opuesta tienen el mismo carcter, y si
la de partida era de trminos negativos, su opuesta ser de trminos positivos.
Ejercicio 6 Averigua el carcter de las series siguientes indicando el criterio empleado:
serie criterio paso clave carcter (razonado)
n=1
1
2
n
n=1
sen
1
n
n=1
1
n!
n=1
_
2n + 1
3n + 2
_
n
n=1
1
n
2
1.1.3 Series alternadas.
De no estar ante una serie de trminos positivos (o negativos) que es la situacin ms
deseable en lo que al estudio del carcter se reere, lo ms que se puede pedir es conocer
los cambios de signo de la sucesin {a
n
}
n=1
. Esto es lo que sucede con las series alternadas.
Denicin 2 Llamaremos series alternadas a las de la forma
n=1
(1)
n
a
n
con a
n
0
n IN.
Ejercicio 7 Razona si las siguientes series son alternadas o no:
serie Alternada (SI/NO/?) (razonado)
n=1
1
2
n
n=1
(1)
n
2
n
n=1
(1)
n
(2)
n
n=1
(1)
(n+1)
5
n
n=1
cos( n)
2
n
n=1
sen n
Por supuesto no todas las series que no son de trminos positivos o negativos son
alternadas. Para stas se dispone de un resultado bastante til a la hora de estudiar su
carcter.
Teorema 7 (Criterio de Leibnitz) Sea
n=1
(1)
n
a
n
una serie alternada tal que
a
1
a
2
. . . a
n
. . . con lim
n
a
n
= 0.
Entonces la serie es convergente y, si s
n
es su suma parcial n-sima y s su suma, se tiene
que
|s
n
s| a
n+1
Ejercicio 8 Estudiar el carcter de la serie armnica alternada
n=1
(1)
n
1
n
1.1.4 Convergencia condicional y absoluta.
Cuando se quiere estudiar el carcter de una serie cuyos trminos cambian de signo una
solucin puede ser pasar a considerar la serie de los valores absolutos.
Denicin 3 Diremos que la serie
n=1
a
n
es absolutamente convergente si la serie
n=1
|a
n
|
es convergente.
Teorema 8 Las series absolutamente convergentes son convergentes.
Ejercicio 9 Determinar el carcter de
Serie Carcter Explicacin
n=1
sen n
2
n
n=1
(sen n)
n
n
n=1
(1 n)
n
(n
2
+ 1)
n
La convergencia absoluta es una condicin suciente para la convergencia pero no nece-
saria. La serie armnica alternada proporciona el contraejemplo puesto que es convergente
pero no absolutamente convergente.
Denicin 4 Las series convergentes pero no absolutamente convergentes se denominan
condicionalmente convergentes.
Denicin 5 Dada la serie

n=1
a
n
llamaremos reordenacin suya a cualquier serie de
la forma

n=1
a
(n)
donde : IN IN es una biyeccin cualquiera.
Las series absoluta y condicionalmente convergentes tienen comportamientos muy di-
ferentes con respecto a la reordenacin de sus trminos como puede verse en el siguiente
teorema.
Teorema 9 Si una serie es absolutamente convergente cualquier reordenacin suya tam-
bin lo es y la suma de cualquier reordenacin coincide con la de la serie de partida.
Si una serie es condicionalmente convergente entonces dado un valor real arbitrario, se
puede reordenar la serie de modo que la suma sea ese valor. Es tambin posible reordenar
la serie de modo que resulte divergente.
El teorema anterior implica que no se tiene la propiedad conmutativa en general a la
hora de sumar innitos trminos. Por ejemplo, con la serie armnica alternada
n=1
(1)
n
n
podemos conseguir reordenar sus trminos de manera que se converja hacia l nmero
100. Primero sumaramos los primeros trminos positivos hasta sobrepasar por primera
vez el 100. Luego sumaramos negativos hasta bajar de 100. Y as sucesivamente. Es fcil
imaginar algo anlogo para irnos hacia + o hacia .
1.2 Series de potencias.
El objetivo de las series es tratar de alguna forma sumas con innitos sumandos. En el
caso numrico esto generaliza las sumas nitas de nmeros, en el de series de funciones, se
generalizan las funciones denidas mediante un nmero nito de sumas. De estas funciones
sin duda las ms conocidas son los polinomios. Cuando el nmero de sumandos de un
polinomio se aumenta hacia innito aparecen las series de potencias.
Denicin 6 Llamaremos serie de potencias centrada en c a toda serie de funciones de
la forma
n=0
a
n
(x c)
n
(1.18)
Las series de potencias tienen un comportamiento muy especco en lo que a conver-
gencia se reere como puede verse en el siguiente teorema.
Teorema 10 Sea

n=0
a
n
(x c)
n
una serie de potencias que converge para un cierto
x
0
= c. Sea IR tal que 0 < < |x
0
c|. Entonces la serie
n=0
a
n
(x c)
n
converge absolutamente en [c , c +].
Del resultado anterior se concluye que si una serie de potencias centrada en c converge
para un cierto x
0
, tambin lo hace para los x que estn a menos distancia de c. Al con-
junto formado por los nmeros reales para los cuales una serie de potencias es convergente
se le denomina campo de convergencia de la serie. Si el conjunto anterior est acotado
llamaremos radio de convergencia R al siguiente nmero
R = sup{ |x c| /
n=0
a
n
(x c)
n
converge } (1.19)
Si el campo de convergencia no est acotado, diremos que el radio de convergencia es
. Si la serie slo converge cuando x = c, diremos que el radio de convergencia es 0.
Obsrvese que si el radio de convergencia es R > 0, el teorema 10 nos dice que la
serie de potencias converge en (c R, c +R) y no converge en (, c R) y (c +R, ).
En los extremos del intervalo x = c R y x = c + R puede ocurrir cualquier cosa. Es
decir, el campo de convergencia ha de ser necesariamente uno de estos cuatro conjuntos:
(c R, c +R), [c R, c +R), (c R, c +R] o [c R, c +R].
Para determinar el radio de convergencia resulta til el siguiente teorema.
Teorema 11 Sea

n=0
a
n
(x c)
n
una serie de potencias tal que
lim
n
n
|a
n
| = l (1.20)
Entonces R = 1/l si l = 0. Si el lmite es 0, el radio de convergencia es innito y si el
lmite es innito, R = 0.
El lmite que aparece en el teorema anterior se calcula con frecuencia utilizando el
criterio de Cauchy. Veamos algunos ejemplos en los que se determina el radio y campo de
convergencia de una serie de potencias.
n=0
2
2n
x
n
.
lim
n
n
|a
n
| = lim
n
n
2
2n
= 4 (1.21)
Entonces R = 1/4. Veamos qu sucede en c R y c +R, que en nuestro caso son 1/4 y
1/4.
En x = 1/4 la serie es
n=0
2
2n
_
1
4
_
n
=
n=0
1 (1.22)
y por tanto divergente. En x = 1/4 la serie es
n=0
2
2n
_
1
4
_
n
=
n=0
(1)
n
(1.23)
de carcter oscilante.
Entonces el campo de convergencia se reduce al intervalo (1/4, 1/4).
n=0
x
n
n!
.
lim
n
n
|a
n
| = lim
n
1
n
n!
(1.24)
Aplicando el criterio de Cauchy
lim
n
1
n
n!
= lim
n
n!
(n + 1)!
= 0 (1.25)
Entonces R = y por tanto el campo de convergencia es IR.
1.2.1 Representacin de funciones en series de potencias.
Teorema 12 Sea s(x) =
n=0
a
n
(xc)
n
una serie de potencias con radio de convergencia
R > 0. Entonces, para cada x (c R, c +R), existe s
(x) y se verica
s
(x) =
n=1
na
n
(x c)
n1
Por lo tanto, s
(x) vuelve a ser una serie de potencias y en (c R, c + R), la derivada

de la serie (suma innita) es la suma (innita) de las derivadas, pues
s
(x) =
d
dx
_

n=0
a
n
(x c)
n
_
=
d
dx
_
a
0
+a
1
(x c) +a
2
(x c)
2
+ +a
n
(x c)
n
+
_
= a
1
+ 2 a
2
(x c) + +n a
n
(x c)
n1
+
=
n=1
na
n
(x c)
n1
Nota: Esta propiedad (la derivada de una suma nita de funciones derivables es la suma de
sus derivadas) no siempre es cierta para una suma innita. Es otro ejemplo de propiedad
(vase la conmutatividad en series numricas condicionalmente convergentes) que se pierde
cuando se pasa del caso nito al innito.
Si volvemos a aplicar el teorema 12 a la serie s
(x) obtenemos
s
(x) =
n=2
n(n 1)a
n
(x c)
n2
x (c R, c +R) (1.26)
y as sucesivamente. Podemos armar entonces que para la funcin s(x), suma de la serie
de partida, se verica que es C
(de clase innito o indenidamente derivable) y

s
k)
(x) =
n=k
n(n 1) . . . (n k + 1)a
n
(x c)
nk
x (c R, c +R), k IN (1.27)
Si evaluamos las series dadas en la ltima expresin en x = c se obtiene
s
k)
(c) = k!a
k
k = 1, 2, . . . (1.28)
es decir
s(x) =
n=0
a
n
(x c)
n
=
n=0
s
n)
(c)
n!
(x c)
n
(1.29)
Hemos visto as que las series de potencias son siempre series de Taylor (lmites de
polinomios de Taylor) de su funcin suma. Cabe ahora preguntarse si, dada una funcin
f indenidamente derivable y su serie de Taylor
n=0
f
n)
(c)
n!
(x c)
n
(1.30)
esta serie tiene siempre una funcin suma que resulte ser la propia f. En contra de lo que
podra esperarse la respuesta es negativa, es decir, es posible que se verique
f(x) =
n=0
f
n)
(c)
n!
(x c)
n
(1.31)
Ejemplo 4 Sea f(x) = e
1
x
2
si x = 0 y f(0) = 0. La funcin anterior cumple que
f
n)
(0) = 0 n IN (1.32)
por lo que su serie de McLaurin (es decir, la serie de Taylor centrada en c = 0) resulta
idnticamente nula y su suma no coincide con f para ningn x = 0.
Cmo saber entonces si la serie de Taylor de una funcin tiene por suma la propia
funcin? Los siguientes ejemplos muestran algunas formas de conseguir averiguarlo.
Ejemplo 5 Sea f(x) = e
x
. Su serie de McLaurin es

n=0
x
n
n!
. Se vio en el ejemplo 3
que esta serie converga para todo x real. Es su suma e
x
?. Como para series de Taylor
la suma n-sima s
n
(x) es el polinomio de Taylor de grado n de la funcin,
f(x) s
n
(x) =
f
n+1)
(
x
)
(n + 1)!
x
n+1
=
e
x
(n + 1)!
x
n+1
x
(min(0, x), max(0, x)) (1.33)
Entonces
|f(x) s
n
(x)|
max(1, e
x
)
(n + 1)!
|x|
n+1
(1.34)
y
lim
n
|x|
n+1
(n + 1)!
= 0 (1.35)
por tratarse del trmino general de una serie convergente.
Ejemplo 6 La serie de McLaurin de la funcin f(x) = (1 + x)
1
es

n=0
(x)
n
. Al
tratarse de una serie geomtrica converge para x (1, 1) y su suma es
n=0
(x)
n
=
1
1 (x)
(1.36)
En este caso por tanto la convergencia de la serie hacia f es inmediata.
Ejemplo 7 Como se ha visto en el ejemplo anterior que x (1, 1) se tiene que
f(x) =
1
1 +x
=
n=0
(x)
n
, aplicando el teorema 12 de derivacin, obtenemos que
f
(x) =
n=1
(1) n (x)
n1
, es decir,
1
(1 +x)
2
= f
(x) =
n=1
(1)
n
n x
n1
x (1, 1)
Y una nueva aplicacin de dicho teorema dara
2
(1 +x)
3
= f
(x) =
n=2
(1)
n
n (n 1) x
n2
x (1, 1)
Nota: Estos resultados nos permiten obtener la suma de algunas series concretas, por
ejemplo:
e
5
=
n=0
5
n
n!
Desarrollo de e
x
en x = 5
e
1
1 =
n=1
(1)
n
n!
Desarrollo de e
x
en x = 1
27
32
=
n=2
(1)
n
n(n 1)
3
n2
Desarrollo de
2
(1 +x)
3
en x = 1/3
Un resultado anlogo a la derivacin de una serie de potencias se verica para la
integracin.
Teorema 13 Si el intervalo [a, b] est contenido en el campo de convergencia de la serie
de potencias
n=0
a
n
(x c)
n
, entonces se tiene
b
a
_

n=0
a
n
(x c)
n
_
dx =
n=0
_
a
n
b
a
(x c)
n
dx
_
Ejemplo 8 Como x (1, 1) se tiene que f(x) =
1
1 +x
=
n=0
(x)
n
, aplicando el
teorema anterior para a = c = 0,
b
0
1
1 +x
dx = ln(1 +b) =
n=0
b
0
(x)
n
dx =
n=0
(1)
n
b
n+1
n + 1
Es decir que ln(1+b) =
n=0
(1)
n
b
n+1
n + 1
, b (1, 1), que llevado a la forma ms habitual
(x en lugar de b) nos conduce a otra funcin representada por su serie de Taylor en (1, 1)
ln(1 +x) =
n=0
(1)
n
x
n+1
n + 1
, x (1, 1)
Las funciones representables por su serie de Taylor (tambin llamadas funciones analti-
cas) pueden ser aproximadas (en principio, en cualquier proceso donde intervengan) por
polinomios truncando su serie de Taylor. Esta aproximacin ser "muy buena" si nos
quedamos con un nmero sucientemente elevado de trminos. Por ejemplo,

6
0
e
x
2
dx no
posee una expresin sencilla en trminos de funciones elementales pues, es sabido que una
primitiva de e
x
2
no puede conseguirse as. Pero como
e
x
2
=
n=0
x
2n
n!

6
0
e
x
2
dx
m
n=0
6
0
x
2n
n!
dx
A continuacin ponemos una tabla con algunas de estas aproximaciones (nota:

6
0
e
x
2
dx
3.644831077 10
14
)
m
m
n=0
6
0
x
2n
n!
dx
1 78
5 3.290229974 10
5
10 4.088873580 10
8
20 1.799203394 10
12
40 2.997050140 10
14
80 3.644831077 10
14
100 3.644831077 10
14
Algunas funciones analticas (funciones representables por su serie de Taylor) de uso
habitual son:
1) e
x
=
n=0
x
n
n!
, x IR
2) sen x =
n=0
(1)
n
x
2n+1
(2n + 1)!
, x IR
3) cos x =
n=0
(1)
n
x
2n
(2n)!
, x IR
4)
1
1 x
=
n=0
x
n
, x (1, 1)
5) ln(1 +x) =
n=0
(1)
n
x
n+1
n + 1
, x (1, 1)
1.3 Series de Fourier
En el apartado anterior se ha visto que algunas funciones pueden representarse mediante su
serie de Taylor. Esto signica que pueden ser aproximadas por polinomios, consiguindose
una precisin tan alta como se desee. El hecho de que se puedan utilizar polinomios, no
signica que sea la mejor eleccin posible para el aproximante (la funcin por aproximar
puede tener propiedades, como son la periodicidad o la acotacin, que los polinomios no
poseen). En esta seccin se considerarn nuevos aproximantes inicialmente aptos para
funciones peridicas. Estos aproximantes sern combinaciones lineales de las funciones
sen(nx) y cos(nx).
Denicin 7 Llamaremos serie trigonomtrica a cualquier serie de funciones de la forma
a
0
2
+
n=1
(a
n
cos(nx) +b
n
sen(nx)) (1.37)
Las constantes a
0
, a
n
y b
n
reciben el nombre de coecientes de la serie trigonomtrica.
Ejemplo 9 Si a
0
= 1 y para n = 1, 2, . . . ponemos a
n
= b
n
=
1
n
2
, entonces la serie
trigonomtrica
1
2
+
n=1
cos(nx) + sen(nx)
n
2
es convergente para cada x IR pues | cos(nx) + sen(nx)| 2 y consecuentemente la
correspondiente serie de los valores absolutos es convergente. As que por el teorema 8, la
serie dada es convergente para cada x IR. Podramos llamar s(x) al valor de la serie y
de esta forma tendramos una funcin denida en todo IR.
Obviamente es complicado calcular el valor exacto de cada s(x) pero si lo aproximamos
por la serie truncada a los, pongamos m + 1 primeros sumandos (relacin directa con las
sumas parciales), deniendo
s
m
(x) =
1
2
+
m
n=1
cos(nx) + sen(nx)
n
2
entonces las grcas de s
5
(x) y s
100
(x) son:
Grca de s
5
(x) Grca de s
100
(x)
Si la serie trigonomtrica de la frmula (1.37) converge x IR y denotamos por s(x)
a su suma, es decir
s(x) =
a
0
2
+
n=1
(a
n
cos(nx) +b
n
sen(nx)) x IR (1.38)
se tiene que tanto s(x) como todas las sumas parciales son funciones 2-peridicas. Por
ello, si queremos aproximar una funcin f(x) por una serie trigonomtrica, entonces f(x)
debe ser 2-peridica. Adems, como
cos(nx) dx =
sen(nx) dx = 0 , n = 1, 2, . . .
si pretendemos que
f(x) =
a
0
2
+
n=1
(a
n
cos(nx) +b
n
sen(nx)) (1.39)
y se vericase que la integral de la serie fuera la serie de las integrales (hecho que no
siempre es cierto, pero que bajo ciertas hiptesis que no detallamos s sucede), se llegara
(integrando en la frmula anterior suponiendo f(x) integrable) a que
f(x) dx =
_
a
0
2
+
n=1
(a
n
cos(nx) +b
n
sen(nx))
_
dx = a
0
Observamos que, anlogamente a lo que sucede con las series de potencias (donde los
coecientes vienen dados por las derivadas de la funcin), ahora el coeciente a
0
est
determinado por la integral de la funcin segn la frmula
a
0
=
1
f(x) dx
De forma similar se puede proceder al multiplicar en (1.39) por las funciones cos(kx) y
sen(kx), k = 1, 2, . . . y posteriormente integrar entre y . Empleando las propiedades
sen(nx) cos(kx)dx = 0
sen(nx) sen(kx)dx = 0 si n = k
sen
2
(nx)dx = si n = 0
cos(nx) cos(kx)dx = 0 si n = k
cos
2
(nx)dx = si n = 0
se llega a que, para que la serie trigonomtrica represente a la funcin f(x), los coecientes
estn obligados a ser
a
0
=
1
f(x)dx (1.40)
a
n
=
1
f(x) cos(nx)dx n IN (1.41)

b
n
=
1
f(x) sen(nx)dx n IN (1.42)

Entonces si f es una funcin integrable en [, ] es posible construir la serie trigo-
nomtrica cuyos coecientes sean los de las tres ecuaciones anteriores. Llamaremos a esta
serie serie de Fourier de f(x). Converge esta serie de Fourier hacia la funcin f que la
gener?
Teorema 14 Sea f 2-peridica, montona a trozos y acotada en (, ]. Entonces su
serie de Fourier converge en (, ]. En los puntos de continuidad de f, la suma es f.
En los puntos de discontinuidad, la suma es la media de los lmites laterales, es decir, si c
es un punto de discontinuidad y s es la funcin suma
s(c) =
lim
xc
+ f(x) + lim
xc
f(x)
2
Veamos algn ejemplo de serie de Fourier de una funcin 2-peridica.
Ejemplo 10 Sea f una funcin 2-peridica con la siguiente denicin en (, ].
f(x) =
_
0 si < x 0
x si 0 < x
Los coecientes de la serie son
a
0
=
1

0
xdx =

2
a
n
=
1

0
xcos(nx)dx =
_
_
_
2
n
2
si n impar
0 si n par
b
n
=
1

0
xsen(nx)dx =
_
_
1
n
si n impar
1
n
si n par
Entonces para los puntos de continuidad de f se verica
f(x) =

4

n=1
_
2
(2n 1)
2
cos((2n 1)x) +
(1)
n
n
sen(nx)
_
A continuacin se muestra la grca de la funcin f junto con la suma parcial hasta n = 4
de su serie de Fourier:
Observar que en los saltos de la funcin aproximada f(x) (considerada como extendida
de forma peridica) las aproximaciones por las sumas parciales oscilan bastante y parecen
aproximar peor que en las zonas donde f(x) es continua. Adems, las sumas parciales de
la serie trigonomtrica parecen "coser" la grca de f(x). Estas dos peculiaridades son
habituales con este tipo de aproximaciones.
1.3.1 Desarrollos de Fourier con slo cosenos o slo senos.
Recordemos que se dice que una funcin g(x) es par si g(x) = g(x) (simtrica respecto al
eje vertical, por ejemplo x
2
+ 1, cos x, cos(5x), ...) y que es impar si g(x) = g(x) (por
ejemplo x
3
x, sen x, sen(4x), ...). Para estas funciones se tienen las propiedades:
1. El producto de dos funciones pares es una nueva funcin par.
2. El producto de dos funciones impares es una nueva funcin par.
3. El producto de una funcin par por una funcin impar es una nueva funcin impar.
4. si g es una funcin impar,
a
a
g(x)dx = 0 a IR (1.43)
y si g es una funcin par,
a
a
g(x)dx = 2
a
0
g(x)dx a IR (1.44)
Como consecuencia de las propiedades anteriores y de las frmulas para hallar los
coecientes de la serie de Fourier de una funcin f(x) se tiene que los clculos pueden
reducirse a la mitad en los siguientes casos:
1. Si f(x) es par, su serie de Fourier tendr slo cosenos.
2. Si f(x) es impar, su serie de Fourier tendr slo senos.
Nota: De todas formas, si nuestro objetivo es nicamente aproximar una funcin f(x)
en el intervalo [0, ] por una serie trigonomtrica, podemos prolongarla o extenderla al
intervalo [, ] simetrizndola respecto al eje vertical (es decir, llevarla a una funcin
par) mediante la denicin
f
p
(x) =
_
f(x) si 0 x
f(x) si x 0
As, f
p
(x) es una funcin par que coincide con f(x) en [0, ], por lo que su serie de Fourier
(que contendr slo cosenos) aproxima a los valores de f(x) en [0, ]. Obviamente, algo
similar puede hacerse respecto a prolongaciones impares, deniendo
f
i
(x) =
_
f(x) si 0 x
f(x) si x 0
As se obtendran aproximaciones a los valores de f(x) en [0, ] mediante una serie trigo-
nomtrica que contendra slo senos.
Observacin: Ya hemos comentado que la continuidad favorece la bondad de las aproxi-
maciones. La prolongacin par, mantiene la continuidad en x = 0 y x = ; pero la impar
no, si f(0) = 0 o bien f() = 0.
1.3.2 Series de Fourier en un intervalo general [a,b].
Si f(x) es una funcin denida en un intervalo [a, b], podemos trasladarla al intervalo
[, ] mediante el cambio de variable x =
l
t + c, donde para abreviar la escritura se

denen l =
b a
2
y c =
a +b
2
. As cuando t recorre el intervalo [, ], la variable
x va recorriendo el intervalo [a, b], pero los valores funcionales (las alturas) son idnticas.
Grcamente:
Si ahora aproximamos la funcin g(t) = f
_
l
t +c
_
, t [, ] por su serie de Fourier
g(t)
a
0
2
+
n=1
(a
n
cos(nt) +b
n
sen(nt))
donde, debido al cambio de variable t =

l
(x c), los coecientes son
a
n
=
1
g(t) cos(nt) dt =
1
l
b
a
f(x) cos
_
n
l
(x c)
_
dx , n = 0, 1, 2, . . .
b
n
=
1
g(t) sen(nt) dt =
1
l
b
a
f(x) sen
_
n
l
(x c)
_
dx , n = 1, 2, 3, . . .
se tiene que la aproximacin, ya en la variable x tras deshacer el cambio en la frmula
anterior para aproximar g(t), es
f(x)
a
0
2
+
n=1
_
a
n
cos
_
n
l
(x c)
_
+b
n
sen
_
n
l
(x c)
__
, x [a, b]
Nota: Si f(x) est denida en [a, b] podemos prolongarla a un intervalo de doble
longitud de forma par o de forma impar respecto del centro del intervalo nal. Entonces
la serie de la frmula anterior tendra slo cosenos o slo senos (respectivamente) como
suceda cuando tratamos funciones denidas en el intervalo [, ].
1.4 Ejercicios
1. Razonar si son verdaderas o falsas las siguientes armaciones:
(a) Sea

n=1
a
n
una serie divergente, entonces lim
n
a
n
=
(b) Una serie alternada no puede ser divergente
(c) Si

n=1
a
n
es divergente,

n=1
(a
n
+b
n
) tambin lo es
2. Si la ensima suma parcial de la serie
n=1
a
n
es s
n
=
n1
n+1
, calcular a
n
y
n=1
a
n
3. Si una serie de trminos estrictamente positivos
n=1
a
n
es convergente, demostrar
que
n=1
1
a
n
es divergente.
4. Expresar los siguientes nmeros como cociente de enteros: 0.2222. . . ; 0.7343434. . . ;
3. 415415415. . . , 2.3474747. . . , 0.33333. . . ; 0.9999. . . .
5. Estudiar el carcter de las siguientes series y en caso de convergencia hallar su suma:
a)
n=1
1
2n
b)
n=0
n + 1
2n 3
c)
n=2
n
2
n
2
1
d)
n=1
2
1
n
e)
n=0
1 + 2
n
3
n
f)
n=1
[0.8
n1
0.3
n
]
g)
n=0
arctan n h)
n=0
(cos 1)
n
i)
n=1
1
(n + 2)(n + 3)
j)
n=1
a(1 a)
n
a IR k)
n=1
ln
_
1 + (n + 1)
1
1 +n
1
_
l)
n=1
1
n(n + 1)(n + 2)
6. Estudiar el carcter de las siguientes series:
a)
n=2
1
lnn
b)
n=1
cos( n)
n
c)
n=1
1
n
1+
1
2
+...+
1
n
d)
n=1
(1)
n
arctg
1
2n + 1
e)
n=1
lnn
n
f)
n=1
(2
n
3 1)
n
2
g)
n=1
1 +n
2
n!
h)
n=1
1 + (1)
n
n
n
i)
n=1
2
n
+ 3
n
n
2
+ 5
n
j)
n=1
(1)
n
sen
1
n
k)
n=1
ln
_
1 + tg
2
1
n
_
l)
n=1
2
2n
3
1n
m)
n=1
1
2
ln n
n)
n=1
3e
n
2
+1
o)
n=1
2 + cos n
n
p)
n=1
(n
3
+ 2n + 2)
1
2
q)
n=1
cos(na)
e
na
(a > 0) r)
n=1
_
n + 1
2n 1
_
n
s)
n=1
n
lnn
ln
n
a
(a > 1) t)
n=1
3n 1
(
2)
n
u)
n=2
1
nlnn
v)
n=1
cos
n
3 1
n
w)
n=1
(n + 1)! n!
4
n
x)
n=1
ln
_
1 +
1
n
_
7. Hallar el campo de convergencia de las siguientes series de potencias
a)
n=1
(1)
n
x
n
n
b)
n=1
(x + 1)
n
n
c)
n=1
(1)
n
2
n
(x + 5)
n
3
n
d)
n=0
n(x + 7)
n
n
2
+ 1
e)
n=1
(1)
n
(n + 1)
1/3
(x 2)
n
f)
n=1
(n!)
2
(2n)!
(x + 1)
n
g)
n=1
(x + 2)
n
2
n
n
2
h)
n=1
x
n
n
n
i)
n=1
3
n
2
(x 1)
n
j)
n=2
(x 2)
n
n ln n
k)
n=1
x
n
n3
n
l)
n=1
x
n
5
n
n
5
m)
n=1
nx
n
n)
n=1
n
2
x
n
2.4.6 . . . (2n)
8. (a) Hallar el desarrollo de McLaurin de f(x) = ln(1 +x)
(b) Hallar el campo de convergencia de la serie obtenida en el apartado anterior
(c) Probar que ln 2 =
n=1
(1)
n+1
n
9. Desarrollar la funcin f(x) = cos x en serie de potencias justicando que la suma
obtenida es f(x).
10. Hallar una funcin f(x) denida en un entorno de x = 0 tal que
f(0) = 1 y f
n)
(0) =
n!
2
n
, n = 1, 2, . . . .
11. Una funcin f est denida por
f(x) = 1 + 2x +x
2
+ 2x
3
+x
4
+. . .
esto es, sus coecientes son c
2n
= 1, c
2n+1
= 2 para todo n 0. Determinar el
intervalo de convergencia de la serie y deducir una frmula explcita para f(x).
12. Si f(x) =
n=0
c
n
x
n
donde c
n+4
= c
n
para todo n 0, determinar el intervalo de
convergencia de la serie y dar una frmula para f.
13. Dar el radio de convergencia y la funcin suma de las series:
a)
n=1
n(n + 1)x
n+3
b)
n=0
x
n+5
n + 2
14. Hallar el desarrollo de Fourier de la funcin
f(x) =
_
_
-1 si x < 0
1 si 0 x <
15. Utilizando el desarrollo en senos de la funcin f(x) = 1 en el intervalo (0, ), calcular
la suma de la serie
1
1
3
+
1
5

1
7
+. . .
Tema 2
Interpolacin Polinmica
La utilizacin de un polinomio en sustitucin de una funcin en algn proceso matemtico
trae consigo casi siempre una simplicacin del problema, y la introduccin de un error.
En conjunto la sustitucin suele ser ventajosa, sobre todo si se elige adecuadamente el
polinomio, y por tanto muy frecuente.
Por qu se eligen los polinomios como sustitutos cuando se quiere simplicar un pro-
blema? Se pueden citar como razones su sencillez de evaluacin (slo se necesita un nmero
nito de sumas y productos), la obtencin inmediata de sus primitivas y derivadas o la
facilidad para modicarlos mantenindonos en la clase de los polinomios (obsrvese que si
P(x) es un polinomio de grado menor o igual que n, P(ax +b) tambin lo es).
A las razones anteriores hay que aadir que los polinomios son buenos aproximantes
para funciones de una clase tan amplia como la de las funciones continuas, como se deduce
del siguiente teorema debido a Weierstrass.
Teorema 15 Sea f : [a, b] IR continua. Entonces dado > 0 existe un polinomio P(x)
tal que
|f(x) P(x)| < x [a, b] (2.1)
2.1 Polinomio interpolador de Lagrange
Consideremos el siguiente problema: de una funcin f(x) se conoce su valor en n+1 nodos
distintos x
0
, x
1
, . . . , x
n
. Es posible encontrar un polinomio P
n
(x) de grado menor o igual
que n que coincida con f en los mencionados nodos? Responderemos a esta pregunta
construyendo el polinomio.
Para cada i = 0, 1, 2, . . . , n, sea L
i
(x) un polinomio de grado menor o igual que n que se
anula sobre todos los nodos excepto x
i
y tal que L
i
(x
i
) = 1. Obsrvese que las condiciones
impuestas sobre el grado y las races de L
i
(x) determinan que sea de la forma
L
i
(x) = c
i
(x x
0
)(x x
1
) . . . (x x
i1
)(x x
i+1
) . . . (x x
n
) (2.2)
y la condicin L
i
(x
i
) = 1 proporciona el valor de c
i
:
c
i
=
_
_
_
_
_
_
n
j = 0
j = i
(x
i
x
j
)
_
_
_
_
_
_
1
(2.3)
Ampliacin de Matemticas Interpolacin Polinmica 24
Entonces
L
i
(x) =
n
j = 0
j = i
(x x
j
)
(x
i
x
j
)
(2.4)
La obtencin del polinomio interpolante es inmediata utilizando estos polinomios.
P
n
(x) =
n
i=0
f(x
i
)L
i
(x) (2.5)
Ejercicio 10 Demostrar que el polinomio interpolante que se acaba de obtener es nico.
Ejemplo 11 Sea f(x) = sen x, x
0
= 0, x
1
=

4
, x
2
=
3
4
y x
3
= 2. El polinomio
interpolador que se obtiene con los datos anteriores es:
P
3
(x) = f(x
0
)L
0
(x) +f(x
1
)L
1
(x) +f(x
2
)L
2
(x) +f(x
3
)L
3
(x)
Dado que tanto f(x
0
) como f(x
3
) son nulos, el polinomio se reduce a:
P
3
(x) =
2
2
x(x
3
4
)(x 2)
4
(
4

3
4
)(
4
2)
+
2
2
x(x

4
)(x 2)
3
4
(
3
4

4
)(
3
4
2)
Su representacin grca junto con la de f(x) es la siguiente:
f(x)
P
3
(x)
Como puede verse en la grca anterior, la aproximacin que proporciona el polinomio
interpolante es mejor en unas "zonas" que en otras. (Obsrvese por ejemplo la diferencia
entre f(x) y P
3
(x) en x =

2
y x =
3
2
)
El siguiente resultado proporciona, bajo ciertas condiciones, una expresin de la difer-
encia f(x) P
n
(x) que permitir en ocasiones acotar el error que se comete al sustituir la
funcin por el polinomio.
Teorema 16 Sea f : [a.b] IR con f C
(n)
([a, b]) y tal que existe la derivada n + 1
en (a,b). Sean x
0
, x
1
, . . . , x
n
[a, b], n + 1 nodos distintos y P
n
(x) el polinomio de grado
menor o igual que n tal que f(x
i
) = P
n
(x
i
) para i = 0, 1, . . . , n. Entonces para cada
x [a, b] existe
x
(min(x
0
, x
1
, . . . , x
n
, x), max(x
0
, x
1
, . . . , x
n
, x)) tal que
f(x) P
n
(x) =
f
n+1)
(
x
)
(n + 1)!
(x x
0
)(x x
1
) . . . (x x
n
) (2.6)
Al igual que sucede con la expresin del error en el polinomio de Taylor, su acotacin
depender del conocimiento de una cota de la derivada en un intervalo adecuado.
Ejemplo 12 Utilizando la expresin del error que proporciona el teorema 16, vamos a
acotar el error que se comete al utilizar el polinomio del ejemplo 11 en los siguientes casos:
1. x =

2
, x =
3
2
y x =
4
2. x [0,]
3. x [
2
,

2
]
(Obsrvese que la funcin sen x satisface en los tres casos las hiptesis del teorema)
Segn el teorema 16 se dispone de la siguiente expresin para el error:
f(x) P(x) =
f
iv)
(
x
)
4!
x
_
x

4
__
x
3
4
_
(x 2)
Dado que f
iv)
(x) = sen x y que
x
[0,2] o un intervalo mayor, la nica cota disponible
para el mdulo de la derivada que aparece en (2.6) es 1:
|f(x) P(x)|
1
4!
x
_
x

4
__
x
3
4
_
(x 2)
Si llamamos (x) al polinomio del segundo miembro y particularizamos la acotacin

anterior a los puntos que nos interesan tenemos:
|f
_
2
_
P
_
2
_
|
1
4!
|
_
2
_
| = 0.190252
|f
_
3
2
_
P
_
3
2
_
|
1
4!
|
_
3
2
_
| = 2.85378
|f
_
4
_
P
_

4
_
|
1
4!
|
_

4
_
| = 1.14151
En la grca de la funcin y el interpolante puede apreciarse lo exagerado de esta
acotacin para el segundo de los puntos.
Para los dos casos que quedan el objetivo es encontrar una cota de |f(x) P(x)| vlida
en un intervalo. Puesto que la derivada que aparece en la expresin del error est acotada
por uno, vamos a hallar
max
x[0,]
|(x)| y max
x[
2
,
2
]
|(x)|
Las races de
(x) expresadas con seis cifras signicativas son:

r
1
= 0.342278 r
2
= 1.68440 r
3
= 5.04189
Como |(x)| es una funcin continua y los intervalos son cerrados, los mximos bus-
cados se alcanzarn en un punto del intervalo abierto que necesariamente ser una raz de
(x) o un extremo del intervalo. (Obsrvese que en los puntos en los que |(x)| no sea
derivable no se puede alcanzar el mximo buscado porque el mdulo de un polinomio slo
puede ser no derivable en una raz de ste.) Entonces:
max
x[0,]
|(x)| = max{|(r
1
)|, |(r
2
)|, |(0)|, |()|} = |()|
max
x[
2
,
2
]
|(x)| = max{|(r
1
)|, |(
2
)|}, |(
2
)|} = |(
2
)|
Llegamos as a la siguiente acotacin para el error:
max
x[0,]
|f(x) P(x)|
|()|
4!
= 0.761008
max
x[
2
,
2
]
|f(x) P(x)|
|(
2
))|
4!
= 4.75630
Como puede verse la utilizacin del polinomio en un intervalo exterior al determi-
nado por los nodos (extrapolacin) puede aumentar considerablemente la cota del error.
Adems, la grca del ejemplo 11, induce a pensar que no estamos ante un problema de
cota de error exagerada sino de mala aproximacin. Si se desea aproximar en [
2
,

2
] sera
ms conveniente otra eleccin de nodos.
Ejercicio 11 Sea f(x) = sen x, x
0
=
4
, x
1
= 0, y x
2
=

4
. Hallar el polinomio
interpolador que, para la funcin sen x, determinan los nodos anteriores. Acotar el error
que se comete al utilizar ese polinomio para aproximar la funcin sen x en [
4
,

4
].
2.2 Forma de Newton del polinomio interpolador.
La expresin del polinomio interpolador obtenida en la seccin anterior, conocida con el
nombre de Lagrange, tiene algunas desventajas desde el punto de vista de su utilizacin
prctica:
1. El nmero de operaciones necesarias para la evaluacin de un polinomio interpolador
de grado n escrito en la forma de Lagrange es muy superior al que requerira la
evaluacin del mismo polinomio escrito en potencias de x.
2. Si se desea aumentar el grado del polinomio interpolador aadiendo un nodo ms,
hay que volver a construir el polinomio desde el principio.
La forma de Newton del polinomio interpolador consiste en expresar dicho polinomio
como
P(x) = f[x
0
] +f[x
0
, x
1
](xx
0
)+. . . +f[x
0
, x
1
, . . . , x
n
](xx
0
)(xx
1
) . . . (xx
n1
) (2.7)
donde f[x
0
], . . . , f[x
0
, x
1
, ..., x
n
] son valores numricos que llamaremos coecientes del poli-
nomio interpolador expresado en forma de Newton. Puede probarse que dichos coecientes
verican las siguientes propiedades:
1. f[x
0
, x
1
, . . . x
i
] = f[x
(0)
, x
(1)
, . . . x
(i)
], para cualquier permutacin de los ndices.
2. f[x
0
] = f(x
0
)
3. Se verica la siguiente relacin
f[x
0
, x
1
, . . . x
i
] =
f[x
1
, . . . x
i
] f[x
0
, . . . x
i1
]
x
i
x
0
i = 1, 2, . . . n (2.8)
Los coecientes f[x
0
, x
1
, . . . x
i
] sern llamados en adelante diferencias divididas. La
ltima de las propiedades anteriores justica el nombre y permite obtener los coecientes
necesarios para el polinomio interpolador de grado n a partir de una tabla. Para cuatro
nodos, por ejemplo, la tabla sera como sigue:
x
0
f[x
0
]
f[x
0
, x
1
]
x
1
f[x
1
] f[x
0
, x
1
, x
2
]
f[x
1
, x
2
] f[x
0
, x
1
, x
2
, x
3
]
x
2
f[x
2
] f[x
1
, x
2
, x
3
]
f[x
2
, x
3
]
x
3
f[x
3
]
(2.9)
y el polinomio
P
3
(x) = f[x
0
] +f[x
0
, x
1
](x x
0
) +f[x
0
, x
1
, x
2
](x x
0
)(x x
1
)
+f[x
0
, x
1
, x
2
, x
3
](x x
0
)(x x
1
)(x x
2
).
(2.10)
Obsrvese que si se quiere obtener P
4
basta aadir un elemento en la parte inferior de
cada columna de la tabla para hallar f[x
0
, x
1
, x
2
, x
3
, x
4
].
Ejemplo 13 Obtengamos la forma de Newton del polinomio interpolante del ejemplo 11:
0 0
2
2
2

8
2
3
2
0
128
2
105
3
3
4
2
2

8
2
35
2
2
5
2 0
P
3
(x) = 0 +
2
x
8
2
3
2
x
_
x

4
_
+
128
2
105
3
x
_
x

4
__
x
3
4
_
2.3 Interpolacin polinmica segmentaria.
Utilizando la forma de Newton del polinomio interpolante, es sencillo aumentar el grado
del polinomio. Es sta una buena medida para mejorar la aproximacin? El teorema de
Weierstrass puede inducir a pensar que s, pero en general no es cierto. Runge demostr
que los polinomios interpolantes de la funcin
f(x) =
1
1 +x
2
(2.11)
en el intervalo [10, 10], construdos utilizando nodos equidistantes (diremos que los
nodos son equidistantes cuando la diferencia entre dos consecutivos sea una cantidad cons-
tante h > 0 que llamaremos tamao de paso), slo convergen a f(x) en la parte central del
intervalo. Las siguientes grcas muestran la funcin f(x) junto con sus polinomios
interpolantes de grado 6
(izquierda) y 12 (derecha),
construdos a partir de no-
dos equidistantes. Obsr-
vese cmo las oscilaciones
de los polinomios inter-
polantes en las proximi-
dades de los extremos del
intervalo aumentan con el
grado.
P
6
(x)
P
12
(x)
Una eleccin ms adecuada de los nodos puede conseguir mejorar la aproximacin, pero
esta eleccin vara con la funcin, y el grado a que se puede llegar hace que el camino no
sea rentable.
Una solucin mejor puede ser dividir el intervalo en el que se desea un polinomio
interpolador y considerar en cada subintervalo un polinomio interpolador distinto. A esta
forma de interpolacin polinmica se le llama segmentaria o interpolacin a trozos.
Normalmente los polinomios utilizados en cada subintervalo son del mismo tipo y el grado
suele ser menor o igual que 3.
El error en la interpolacin segmentaria depende del grado de los polinomios utilizados
y de la proximidad de los nodos. Veamos un ejemplo:
Ejemplo 14 En el intervalo [a,b] se utiliza interpolacin lineal a trozos con nodos equidis-
tantes. Sea h la distancia entre dos nodos consecutivos. Cualquier punto de [a, b] se hallar
entre dos nodos consecutivos x
i1
y x
i
. El error de interpolacin para ese x ser entonces
f(x) P
1
(x) =
f
(
x
)
2!
(x x
i
)(x x
i1
). (2.12)
Supongamos que se conoce una cota M del mdulo de la derivada segunda de f en [a, b].
Como el valor mximo de |(x x
i
)(x x
i1
)| en [x
i1
, x
i
] es h
2
/4 (por qu?) tenemos
|f(x) P
1
(x)|
M
2!
h
2
4
x [a, b] (2.13)
Obsrvese que en una situacin como la descrita la acotacin (2.13) asegura que los inter-
polantes lineales a trozos convergen a la funcin cuando h tiende a 0.
La interpolacin segmentaria tiene el inconveniente de que la funcin aproximante que
se obtiene, en general no es derivable en los puntos comunes a dos intervalos consecutivos
de la particin considerada.
2.4 Interpolacin de Hermite.
El polinomio de Taylor de una funcin se obtuvo imponiendo la coincidencia de las derivadas
en un punto; el polinomio interpolador de Lagrange se consigui imponiendo la coinciden-
cia de imgenes en un conjunto de puntos. Plantearemos ahora un problema general del
que las situaciones anteriores son casos particulares.
De una funcin f(x) se conoce su valor en n + 1 nodos distintos x
0
, x
1
, . . . , x
n
. En
cada uno de los nodos anteriores se conocen los valores de derivadas sucesivas de la funcin
hasta un determinado orden (en general distinto para cada nodo). Es posible encontrar
un polinomio que tenga en comn con la funcin las imgenes y derivadas mencionadas?
De existir este polinomio tendra que vericar:
f(x
0
) = P(x
0
) f
(x
0
) = P
(x
0
) . . . f
m
0
)
(x
0
) = P
m
0
)
(x
0
)
f(x
1
) = P(x
1
) f
(x
1
) = P
(x
1
) . . . f
m
1
)
(x
1
) = P
m
1
)
(x
1
)
.
.
.
.
.
.
.
.
.
f(x
n
) = P(x
n
) f
(x
n
) = P
(x
n
) . . . f
m
n
)
(x
n
) = P
m
n
)
(x
n
)
(2.14)
Para simplicar la notacin, si hacemos N = n + m
0
+ . . . + m
n
, tendremos con las
ecuaciones anteriores N + 1 condiciones o igualdades que cumplir. As que sera deseable
que el polinomio buscado tuviera grado menor o igual que N, pues entonces el nmero de
sus coecientes es igual al de condiciones que tenemos.
Puede probarse que tal polinomio, que denotamos por P
N
(x), existe y es nico. Lla-
maremos al polinomio obtenido polinomio de Hermite y a este tipo de interpolacin
interpolacin de Hermite.
Aunque los coecientes de P
N
(x) pueden obtenerse resolviendo un sistema de ecua-
ciones lineales al imponer las condiciones dadas en (2.14), es ms eciente construirlo
mediante una tabla similar a la tabla de diferencias divididas empleada para la obtencin
de la forma de Newton del polinomio interpolador.
Para ello es necesario ampliar la denicin de diferencia dividida en el siguiente sentido:
si x
0
, x
1
, . . . , x
s
verican x
i
x
i+1
i = 0, 1, . . . s y x
i
, x
i+1
, . . . , x
j
es un subconjunto suyo
con ndices consecutivos se dene
f[x
i
, x
i+1
, . . . x
j
] =
f[x
i+1
, . . . x
j
] f[x
i
, . . . x
j1
]
x
j
x
i
si x
i
= x
j
(2.15)
f[x
i
, x
i+1
, . . . x
j
] =
f
ji)
(x
i
)
(j i)!
si x
i
= x
j
(2.16)
Para obtener el polinomio de Hermite del problema (2.14) basta con hacer una tabla
de diferencias divididas de este tipo en la que los nodos estn en orden creciente y cada x
i
se repita m
i
+ 1 veces (tantas como datos se conocen de l).
Ejemplo 15 Obtengamos el polinomio de Hermite de la funcin f(x) = ln x que cumple
P(1) = f(1), P
(1) = f
(1), P
(1) = f
(1), P(2) = f(2) y P
(2) = f
(2).
1 0.000000
1.000000
1 0.000000 0.500000
1.000000 0.193147
1 0.000000 0.306853 0.079441
0.693147 0.113706
2 0.693147 0.193147
0.500000
2 0.693147
El polinomio ser pues
P(x) = 0 + 1(x 1) 0.5(x 1)
2
+ 0.193147(x 1)
3
0.079441(x 1)
3
(x 2)
Podemos ampliar la denicin de diferencias divididas de la siguiente manera: si
x
i
, x
i+1
, . . . , x
j
es un conjunto de nodos (repetidos o no), denimos
f[x
i
, x
i+1
, . . . , x
j
] = f[x
(i)
, x
(i+1)
, . . . , x
(j)
] (2.17)
con x
(i)
x
(i+1)
. . . x
(j)
.
Utilizando esta denicin, el polinomio de Hermite puede obtenerse colocando los nodos
en la tabla en un orden arbitrario aunque, desde un punto de vista prctico, resulta ms
conveniente agrupar los nodos repetidos.
Teorema 17 Sea f : [a, b] IR con f C
(N)
([a, b]) y tal que existe la derivada N +1 en
(a,b). Sean x
0
, x
1
, . . . , x
n
[a, b], n+1 nodos distintos y P
N
(x) el polinomio de Hermite que
satisface f
j)
(x
i
) = P
j)
N
(x
i
), j = 0, 1, . . . m
i
, i = 0, 1, . . . , n con m
0
+m
1
+. . . +m
n
+n = N.
Entonces para cada x [a, b] existe
x
(min(x
0
, x
1
, . . . , x
n
, x), max(x
0
, x
1
, . . . , x
n
, x)) tal
que
f(x) P
N
(x) =
f
N+1)
(
x
)
(N + 1)!
(x x
0
)
m
0
+1
. . . (x x
n
)
m
n
+1
(2.18)
Obsrvese que cuando m
0
= . . . = m
n
= 0 (no hay derivadas) tenemos la interpolacin
de Lagrange y que si n = 0 (slo un nodo, el x
0
) tenemos el polinomio de Taylor centrado
en x
0
.
Por otra parte, el polinomio de Hermite obtenido para m
0
= m
1
= . . . m
n
= 1 es el
ms usual y recibe el nombre de interpolacin osculatoria. Obsrvese que si se hace una
interpolacin segmentaria con polinomios de este tipo, el problema comentado en la seccin
anterior de la no existencia de derivada en los nodos desaparece. Puesto que las condiciones
que se imponen son dos para cada nodo de los que determinan los subintervalos de la
particin, los polinomios de Hermite que aparecen sern de grado 3. Esto hace que a esta
interpolacin se la conozca como interpolacin cbica de Hermite y al interpolante
(que ya no es un polinomio, pues son varios trozos "pegados") se le llama interpolante
cbico de Hermite o trazador cbico de Hermite.
Una de las ventajas de la interpolacin segmentaria de Hermite es que permite ir
logrando aproximaciones en cada subintervalo de manera independiente de los dems. As,
si deseamos modicar el perl del trazador en un tramo podemos cambiar all sus valores
que esto no afectar a los trozos donde los valores se mantengan. Esta ser una diferencia
con el tipo de interpolacin que comentaremos en el prximo apartado.
2.5 Splines.
La interpolacin segmentaria utilizando polinomios de Hermite no es la nica forma de
utilizar polinomios diferentes para conseguir aproximantes globales que satisfagan ciertas
condiciones de regularidad. Los splines son otra alternativa. Trataremos nicamente el
caso de los splines cbicos.
En un intervalo [a, b] se tiene la particin a = x
0
< x
1
< . . . < x
n
= b y se desea un
interpolante, en cada subintervalo determinado por la particin, de grado menor o igual
que tres que coincida con la funcin en los nodos y de forma que el aproximante nal sea
de clase 2 en todo el intervalo. Denominaremos a este aproximante spline cbico.
Analicemos si las condiciones que se le imponen a un spline cbico son razonables. En
cada subintervalo [x
i1
, x
i
] tenemos que determinar un polinomio
P
i
(x) = a
i
(x x
i1
)
3
+b
i
(x x
i1
)
2
+c
i
(x x
i1
) +d
i
(2.19)
lo que supone 4n coecientes para determinar. Estos polinomios han de vericar:
P
i
(x
i1
) = f(x
i1
) i = 1, 2, . . . n (2.20)
P
i
(x
i
) = f(x
i
) i = 1, 2, . . . n (2.21)
P
i
(x
i
) = P
i+1
(x
i
) i = 1, 2, . . . n 1 (2.22)
P
i
(x
i
) = P
i+1
(x
i
) i = 1, 2, . . . n 1 (2.23)
lo que signica que se tienen 2n + 2n 2 condiciones, dos menos por tanto que el nmero
de coecientes que hay que determinar. La expresin de los polinomios P
i
(x) en potencias
de (x x
i1
) resulta ventajosa a la hora de buscar relaciones entre los coecientes de los
polinomios, que faciliten la resolucin del sistema. Puede probarse que el sistema planteado
tiene solucin que por supuesto no es nica. Para igualar el nmero de condiciones y el
de coecientes se suelen imponer condiciones suplementarias. Las dos ms usuales son:
derivada segunda nula en a y b (spline natural) o jar los valores de la derivada primera
en a y b (spline sujeto).
La eleccin de una interpolacin cbica de Hermite o de un spline cbico depende de
las particularidades del problema que se desea resolver.
2.6 Ejercicios
1. Sea f(n) =
n
i=1
i
2
para cada n N. Sabiendo que la funcin anterior admite una
expresin polinmica, determinarla mediante interpolacin.
2. Sea f(x) = 2
x
.
(a) Se desea aproximar f(x) en [2, 2]. Demostrar que el polinomio de McLaurin
de grado menor o igual que 5 es suciente para garantizar mdulo del error
menor que 16/45.
(b) Calcular el polinomio de Hermite basado en los nodos 0,0,1,1. Es preferible
este polinomio o el de McLaurin del apartado anterior para aproximar f(x) en
[0,1]? Justicar la respuesta.
3. Un proyectil lanzado desde el origen en IR
2
alcanzar su altura mxima M > 0 a una
distancia d > 0 cayendo al suelo a una distancia 2d. Sabiendo que su trayectoria fue
una parbola, qu mtodo de los propuestos resulta mejor para aproximarla? Y
peor?
1. Interpolacin de Lagrange en los puntos (0,0), (d, M), (2d, 0).
2. Interpolacin de Hermite con los datos (0,0), (d, M), (2d, 0). y la derivada en d.
3. Spline natural correspondiente a los datos (0,0), (d, M), (2d, 0).
Con qu ngulo fue lanzado el proyectil desde el origen?
4. Qu espaciado debemos utilizar para que al aproximar f(x) = e
x
2
mediante interpo-
lacin cuadrtica segmentaria en [a, b] podamos asegurar un error menor que 10
3
?
5. (a) Obtener el spline natural que pasa por (0,1) y (1,0).
(b) Obtener el spline sujeto que pasa por (-1,0), (0,1) y (1,0) y cumple s
(1) = 1,
s
(1) = 1.
6. Sea f : [1, 1] IR tal que f(1) = 3, f(0) = 2, f
(0) = 0, f
(0) = 0, y f(1) = 4.
Se sabe que |f
(x)| < 5, x (1, 1).

(a) Demostrar que puede asegurarse la misma acotacin para f
y f
.
(b) Con los datos disponibles y las acotaciones del apartado anterior, construir el
polinomio que aproxima a f en [-1,1] para el que pueda asegurarse la menor
cota de error.
7. Determinar razonadamente en cada uno de los siguientes casos si la funcin dada es
el spline natural correspondiente a los datos: (1, 0), (0, 1), (1, 0).
1. f(x) =
1 + cos x
2
, para x [1, 1]
2. g(x) =
_
1 3x
2
2x
3
si x [1, 0)
1 3x
2
+ 2x
3
si x [0, 1]
3. h(x) =
x
2
|x|
2
+
2 3x
2
2
, para x [1, 1]
8. La grca representada, en la que slo aparecen las imgenes de los puntos de [-2,2],
se ha obtenido mediante interpolacin polinmica.
(a) Razonar si es posible que la grca representada
haya sido obtenida de las siguientes formas:
1. Interpolacin de Lagrange correspondiente a
datos (-2,2),(0,1),(2,0).
2. Interpolacin de Hermite con datos f(0) =
1, f
(0) = 1, f(2) = 0, f
(2) = 0.5.
3. Interpolacin de Hermite con datos f(0) = 1, f
(0) = 1, f
(0) = 0,
f(2) = 0, f
(2) = 3.5.
4. Polinomio de McLaurin de f(x) = cos(x) de orden 3.
(b) Obtener una expresin para P(x) de modo que su grca en [-2,2] pueda ser
aproximadamente la representada, justicando el parecido.
9. Para la funcin f(x) =

x, responder a las dos preguntas siguientes:
(a) Hallar el polinomio interpolador de Lagrange basado en los nodos: 1, 4. Qu
cota ptima se obtiene a partir de la expresin del error para x [
1
2
, 4]?.
(b) Hallar el polinomio interpolador de Hermite basado en los nodos: 1,1,1,4.
10. (a) Hallar el interpolador cbico de Hermite a trozos para la funcin f(x) = cos(x)
con datos en , 0, .
(b) Acotar el error que se comete al utilizar el interpolador del apartado anterior
para aproximar f(x) en [, ].
11. Sea f(x) = (x 1)
3
(a) Dar su polinomio interpolador de Hermite correspondiente a f(1), f
(1),
f(0), f
(0), f(1), f
(1).
(b) Dar su spline cbico sujeto a s
(1) = 12, s
(1) = 0, para a la particin 1 <

0 < 1
(c) Dar su polinomio de McLaurin de grado 2 y acotar el error que se comete al
utilizar ese polinomio para aproximar la funcin en [-1,1].
12. La grca representada, se ha obtenido con mtodos de interpolacin.
(a) Razonar si es posible que haya sido obtenida de las siguientes formas:
1. Interpolacin de Lagrange correspondiente a los datos (1, 0), (0, 0), (1, 4).
2. Interpolacin de Hermite con datos f(1) = 0, f(0) = 0, f
(0) = 0 y
f(1) = 4.
3. Un spline natural de datos (1, 0), (0, 0), (1, 4), (2, 3).
4. Un polinomio cbico de Hermite, cuyos datos no nos especican.
(b) Obtener una expresin para alguna funcin parecida a la de la grca, razonando
la respuesta.
13. Hallar el polinomio interpolador de Hermite correspondiente a la funcin cos x en
los nodos

2
,

2
,

2
,

2
y representar en una misma grca la funcin y el
interpolante.
14. De una funcin f(x) denida en toda la recta real se sabe que |f
n)
(x)| 4,
x [1, 0], n = 1, 2, . . . y que su grca en [1, 1] es la de la g. 1 adjunta.
Adems se dispone de los datos exactos reejados en la tabla T anexa:
x f(x) f
(x) f
(x)
-1 0
0 2 0
1 0 0 0
Tabla T: Datos de f.
Fig. 1: f(x), x [1, 1]
(a) Hallar el polinomio de Hermite H(x) correspondiente a los 6 datos dados en
la tabla y comprobar que no sera una buena eleccin como aproximante a la
funcin f(x) por culpa de su derivada en x = 1.
(b) Construir un nuevo aproximante Q(x) que s se parezca a f en [1, 0], basado
en una interpolacin a trozos y que verique todos los datos dados en la tabla.
(c) Hallar una cota del error |f(x) Q(x)| slo para los puntos x [1, 0].
15. Los datos de la siguiente tabla corresponden a cierta funcin f.
x f(x) f
(x)
-1 2 0
0 1 0
1 1 0
(a) Se sabe que hay valores a, b tales que la funcin S(x) denida mediante:
S(x) =
_
_
ax
3
+ 3x
2
(a +b)x + 4
4
, 1 x 0
bx
3
+ 3x
2
2x + (a +b)
2
4
0 x 1
es el spline cbico natural correspondiente. Hallar los valores de a y de b y
comprobar todas las condiciones que corresponden a dicho spline natural.
(b) Hallar el interpolante cbico a trozos de Hermite para los datos de f(x) dados
y acotar el valor absoluto del error para x [1, 1] sabiendo que en dicho
intervalo
|f
n)
(x)|
3n
cos x
, n = 1, 2, . . .
16. Probar que la interpolacin lineal a trozos para la funcin f(x) =

x en el inter-
valo [1, 2] con 33 nodos equiespaciados (x
i
= 1 +
i
32
, i = 0, 1, . . . , 32) producira
aproximaciones con error menor o igual que 2
15
.
17. Respecto de la gura dada a la derecha
(a) Hallar un interpolante a trozos em-
pleando los datos reejados en la
grca para aproximar el perl dado.
(b) Explicar por qu un spline (ni sujeto,
ni natural) no sera una eleccin ade-
cuada para ese mismo propsito.
18. Los datos de la siguiente tabla corresponden a cierta funcin f.
x f(x) f
(x)
-1 4 -2
1 4
2 11 12
(a) Hallar la parbola que resuelve el problema de inter-
polacin de Lagrange correspondiente a los datos ex-
trados de la tabla dada.
(b) Analizar si la funcin S(x) denida mediante:
S(x) =
_
x
2
+ 3, 1 x 1
x
3
+ 3, 1 x 2
es el spline cbico sujeto que interpola a f en -1, 1 y 2.
(c) Hallar el interpolante cuadrtico a trozos que satisface todos los datos reejados
en la tabla dada.
19. Se desea aproximar la funcin ln x mediante interpolacin de Hermite empleando sus
valores en 1, en 2 y su derivada en 2.
(a) Calcular dicho polinomio de Hermite.
(b) Dar una cota del valor absoluto del error en el punto x = 1.5, a partir de la
frmula del error vista en teora.
(c) De forma anloga, qu cota global puede obtener para x [1 , 2.5]?
20. Los datos de la tabla siguiente corresponden a cierta funcin f
x f(x) f
(x)
0 0 0
1 0
2 1 0
(a) Hallar el interpolante de Hermite a trozos que emplea todos los datos conocidos.
(b) Se sabe que el spline sujeto correspondiente a los datos dados de f(x) es
3
4
(x
3
x
2
) en [0, 1]
pero se desconoce su expresin en [1, 2]. Ajustarla a la forma
a(x 2)
3
+b(x 2)
2
+c(x 2) +d
y hallar los valores correspondientes de las incgnitas a, b, c, d.
Tema 3
Producto interior. Ajuste
3.1 Producto interior.
Denicin 8 Sea V un espacio vectorial. Llamaremos producto interior en V a cualquier
aplicacin
< ., . >: V V IR
( u, v ) < u, v >
que verique las siguientes propiedades:
1. < u, v >=< v , u >, u, v V .
2. < u +v, w >=< u, w > + < v, w >, u, v, w V .
3. < ku, v >= k < u, v >, u, v V, k IR.
4. < v , v > 0, v V y < v , v >= 0 si y slo si v = 0.
Algunos ejemplos de producto interior son:
1. El producto escalar habitual o eucldeo en IR
n
: si x = (x
1
, x
2
, . . . x
n
) y y = (y
1
, y
2
, . . . y
n
)
< x, y >=
n
i=1
x
i
y
i
. (3.1)
2. En el espacio de matrices M
22
:
<
_
a
11
a
12
a
21
a
22
_
,
_
b
11
b
12
b
21
b
22
_
>= a
11
b
11
+ 2a
12
b
12
+ 3a
21
b
21
+ 4a
22
b
22
.
Ejercicio 12 Utilizando la denicin, probar que cualquier producto interior verica las
siguientes propiedades:
1. < u, v +w >=< u, v > + < u, w >, u, v, w V
2. < u, kv >= k < u, v >, u, v V, k IR
3. < v , 0 >= 0, v V.
Ampliacin de Matemticas Producto interior. Ajuste 38
3.2 Normas.
Si consideramos el producto interior denido en IR
n
en (3.1) para el caso n = 2, 3, no es
difcil ver una relacin entre < v, v > y la longitud (mdulo) del vector v:
|v| =

< v, v >.
El producto interior va a permitir as extender la idea de mdulo de un vector de IR
2
o IR
3
a un vector general como se recoge en la siguiente denicin.
Denicin 9 Sea V un e.v. con producto interior (en adelante p.i.). Denominaremos
norma asociada al producto interior a la siguiente aplicacin
. : V IR
v v =

< v, v >
Deniremos distancia entre dos vectores u y v de V por d(u, v) = u v.
Nota 1 Con el producto interior eucldeo denido en (3.1), si V = IR, ||v|| = |v| es el
valor absoluto del nmero real v y si V = IR
2
y V = IR
3
, la norma coincide con la "longitud
del vector".
Ejemplo 16 En
2
, espacio de los polinomios de grado menor o igual que 2, con el pro-
ducto interior < p(x), q(x) >=
1
1
p(x)q(x)dx se tiene:
< x, x
2
>= 0 1 =
2, x =
2/3, d(1, x) =
8/3
Las normas asociadas a productos interiores son slo un caso particular (y especialmente
importante) del concepto general de norma que a continuacin denimos:
Denicin 10 Sea V un e.v. Llamaremos norma a cualquier aplicacin
. : V IR
v v
que verique las siguientes propiedades:
1. v 0, v V y v = 0 v = 0.
2. u +v u +v, u, v V .
3. kv = |k| v, v V, k IR.
Ya hemos dicho que las normas asociadas al producto escalar en IR
2
y IR
3
representan
la longitud del vector. Las normas en general pueden entenderse como una forma de medir
vectores. Esta medida puede no ser identicable con una longitud (recurdese que los
vectores pueden ser cualquier cosa (funciones, matrices,...). An cuando nos centremos en
IR
n
, es posible denir normas que para IR
2
y IR
3
no sean la longitud del vector. Veamos
dos ejemplos.
Norma uno: v = (v
1
, v
2
, . . . , v
n
) IR
n
,
v
1
=
n
i=1
|v
i
|. (3.2)
Norma innito: v = (v
1
, v
2
, . . . , v
n
) IR
n
,
v
= max{|v
i
| : i = 1, 2, . . . , n}. (3.3)
La norma asociada al producto interior (3.1) (la que da la longitud del vector) se
denomina norma eucldea o norma 2.
No es difcil ver que las normas innito, uno y dos, en general, no coinciden.
Ejemplo 17 Sea v = (1, 2, 3). Para este vector
v
= 3, v
1
= 6, v
2
=
14.
Los siguientes grcos representan los vectores (x, y) IR
2
unitarios (esto es, cuya
norma es 1) para las tres normas consideradas.
Fig. 3.1. v
1
= 1 Fig. 3.2. v
2
= 1 Fig. 3.3. v
= 1
3.3 ngulo y Ortogonalidad.
Volvamos a las normas que derivan de productos interiores. Para estas normas es posible
extender los conceptos de ngulo y ortogonolidad conocidos en IR
2
y IR
3
. Este ser nuestro
siguiente objetivo.
Teorema 18 (Desigualdad de Cauchy-Schwarz) Sea V un e.v. con p.i., entonces
u, v V se verica
< u, v >
2
< u, u >< v, v > . (3.4)
Si u y v son no nulos, la desigualdad (3.4) puede escribirse as:
< u, v >
2
u
2
v
2
1
o en cualquiera de las dos formas equivalentes siguientes:
< u, v >
u v
1 o
1
< u, v >
u v
1.
El cociente anterior puede ser visto como el coseno de un ngulo [0, ] y podemos
tomar tal ngulo como el que forman u y v.
Denicin 11 Sea V un e.v. con p.i. y u, v V ambos no nulos. Llamaremos ngulo
entre los vectores u y v al nmero [0, ] dado por:
= arccos
_
< u, v >
u v
_
. (3.5)
Denicin 12 Sea V un e.v. con p.i. y u, v V . Diremos que u y v son ortogonales
(se denotar u v) si < u, v >= 0.
Nota 2 Obsrvese que una consecuencia de las dos deniciones anteriores es que u y v
no nulos son ortogonales cuando el ngulo que forman es /2.
Teorema 19 (Pitgoras generalizado) Sea V e.v. con p.i. y u, v V . Entonces
u v u +v
2
= u
2
+v
2
.
Demostracin:
u +v
2
=< u +v , u +v >=< u, u > +2 < u, v > + < v , v >= u
2
+v
2
puesto que al ser u y v ortogonales, < u, v >= 0.
Denicin 13 Sea V e.v. con p.i., v V y W V . Diremos que v es ortogonal a W
(v W) si v es ortogonal a todos los vectores de W.
Ejercicio 13 Sea W = lin(S). Demostrar que v W v S.
Denicin 14 Sea V e.v. con p.i. y S V . Se dene el ortogonal de S de la siguiente
manera,
S
= { v V / v S}.
Ejercicio 14 Demostrar las siguientes armaciones:
1. S
es un subespacio vectorial.
2. S
= (lin(S))
.
3. Si A B V , entonces B
.
4. V
= {0}, {0}
= V .
5. Sea W subespacio de V , entonces W W
= {0}.
Denicin 15 Diremos que un subconjunto U de V es ortogonal si cualquier par de
vectores del conjunto resulta ortogonal.
Diremos que un subconjunto de V es ortonormal si es ortogonal y todos sus vectores
son unitarios.
Al proceso de multiplicar un vector no nulo por un escalar, de forma que el vector
resultante sea de norma 1, se le llama normalizar el vector. Un conjunto ortogonal se
convierte en ortonormal si normalizamos todos los vectores.
Ejercicio 15 Cul es el escalar por el que hay que multiplicar un vector para nor-
malizarlo?
Teorema 20 Sea V e.v. con p.i. y S = {v
1
, v
2
, . . . , v
r
} V {0} con S ortogonal.
Entonces S es linealmente independiente
Demostracin: Consideremos una combinacin lineal de los elementos de S igualada a
cero y veamos que todos los coecientes deben ser nulos.
r
i=1
i
v
i
= 0 = <
r
i=1
i
v
i
, v
j
>= 0.
Aplicando ahora las propiedades de linealidad del producto interior,
<
r
i=1
i
v
i
, v
j
>= 0 =
r
i=1
<
i
v
i
, v
j
>= 0 =
r
i=1
i
< v
i
, v
j
>= 0.
y al ser S ortogonal, la expresin anterior se reduce a
j
< v
j
, v
j
>= 0.
Como v
j
es no nulo, necesariamente
j
= 0.
La ortogonalidad tiene sus ventajas a la hora de considerar bases y coordenadas como
podemos ver en el siguiente resultado.
Teorema 21 Sea V e.v. con p.i. y B = {v
1
, v
2
, . . . , v
n
} una base ortonormal de V .
Entonces u, w V
1. u =
n
i=1
< u, v
i
> v
i
.
2. < u, w >=
n
i=1
< u, v
i
>< w, v
i
>.
3. u =
_
n
i=1
< u, v
i
>
2
.
Demostracin:
1. Sean (
1
,
2
, . . . ,
n
) las coordenadas de u en la base B
u =
n
i=1
i
v
i
= < u, v
j
>=
n
i=1
i
< v
i
, v
j
>=
j
< v
j
, v
j
>=
j
lo que prueba el apartado.
2. Sean (
1
,
2
, . . . ,
n
) las coordenadas de w en la base B.
< u, w >=
n
i=1
i
< v
i
, v
i
>=
n
i=1
i
y aplicamos el primer apartado.
3. Con la notacin introducida,
u
2
=< u, u >=
n
i=1
2
i
< v
i
, v
i
>=
n
i=1
2
i
y aplicamos el apartado primero.
El primer apartado del teorema anterior dice que las coordenadas de un vector en una
base ortonormal son los productos interiores del vector con los vectores de la base (muy
fciles de calcular por tanto). El segundo y tercer apartado del teorema permiten ver que
si en un espacio vectorial con p.i. identicamos cada vector con sus coordenadas en una
base ortonormal, el p.i. se reduce al habitual de IR
n
(segundo apartado del teorema) y lo
mismo puede decirse de la norma asociada al p.i. (tercer apartado).
Una consecuencia inmediata del teorema anterior es el siguiente resultado.
Teorema 22 Sea V un e.v. con p.i. Entonces la matriz P de cambio de base entre dos
bases ortonormales de V cumple que P
1
= P
t
.
Ejercicio 16 Por qu el resultado anterior es consecuencia inmediata del teorema (21)?
(Recurdese qu es cada columna de una matriz de cambio de base)
Las matrices cuadradas que cumplen A
1
= A
t
se denominan matrices ortogonales.
Ejemplo 18 En IR
3
con el producto interior eucldeo
B = {u
1
= (0, 1, 0), u
2
= (4/5, 0, 3/5), u
3
= (3/5, 0, 4/5)}
es una base ortonormal.
Si v = (1, 1, 1) entonces
[v]
B
= (1, 7/5, 1/5) y v =
1
2
+ (7/5)
2
+ (1/5)
2
=
3
Si u = u
1
+ 2u
2
+ 3u
3
entonces
u =
1
2
+ 2
2
+ 3
2
.
Cual sera la matriz de cambio de la base cannica de IR
3
a B?
De lo visto hasta ahora se deduce la ventaja de trabajar con bases ortonormales, pero
es esto siempre posible? Vamos a ver que as es si estamos en un e.v. de dimensin nita,
porque siempre es posible modicar una base cualquiera para convertirla en ortonormal.
3.4 Proyeccin y componente ortogonal.
Consideremos el espacio vectorial IR
3
con las operaciones y el p.i. habituales y sea W
un plano de IR
3
. No es difcil admitir, a nivel intuitivo, la posibilidad de descomponer
cualquier vector v de IR
3
en suma de un vector de W (v
p
) y otro de W
(v
o
) como se
muestra en la gura, de forma que v = v
p
+ v
o
. Veamos que esto se puede generalizar a
cualquier e.v. con p.i. y cualquier subespacio W de dimensin nita. Empezaremos por el
caso en que se conoce una base ortonormal de W.
v
v
p
v
o
W
Teorema 23 Sea V e.v. con p.i., W sub-
espacio de V y B = {u
1
, u
2
, . . . , u
r
} base
ortonormal de W. Entonces v V existen
unos nicos v
p
W y v
o
W
tales que
v = v
p
+v
o
.
Los vectores v
p
y v
o
reciben el nombre de proyeccin y componente ortogonal de
v con respecto a W, respectivamente.
Demostracin: Sea
v
p
=
r
i=1
< v, u
i
> u
i
y
v
o
= v v
p
(Obsrvese que si v W, por el teorema 21, v
p
= v)
Las deniciones dadas garantizan que v = v
p
+v
o
y que v
p
W. Veamos que v
o
W
y la unicidad de la descomposicin. Para ver lo primero basta probar que

< v
o
, u
j
>= 0, j = 1, 2, . . . , r. (3.6)
< v
o
, u
j
>= < v v
p
, u
j
> = < v
_
r
i=1
< v, u
i
> u
i
_
, u
j
> =
= < v , u
j
> <
r
i=1
< v, u
i
> u
i
, u
j
> = < v, u
j
> < v, u
j
>< u
j
, u
j
> = 0
lo que prueba (3.6).
En cuanto a la unicidad, si
v = v
p
+v
o
y
v = v
p
+v
o
con v
p
, v
p
W y v
o
, v
o
W
, igualando los lados derechos de las expresiones anteriores

tenemos
v
p
v
p
= v
o
v
o
.
Dado que el lado derecho de la igualdad anterior pertenece a W
y el izquierdo a W,
ambos lados han de ser nulos (ver ejercicio 14 del apartado anterior), lo que garantiza la
unicidad de la descomposicin.
Vemos ahora cmo ortonormalizar una base cualquiera de un e.v. con p.i. de dimensin
nita.
Teorema 24 (Mtodo de ortonormalizacin de Gram-Schmidt). Sea V un e.v. de
dimensin nita con p.i.. Entonces existe una base ortonormal.
Demostracin: Sea B = {v
1
, v
2
, . . . , v
n
} una base cualquiera de V . Vamos a construir
a partir de ella una base ortonormal. Sean
u
1
=
v
1
v
1
y W
1
= lin(u
1
).
Tomaremos como u
2
la componente ortogonal de v
2
con respecto a W
1
normalizada,
es decir, sean
u
2
=
v
2
< v
2
, u
1
> u
1
v
2
< v
2
, u
1
> u
1
y W
2
= lin(u
1
, u
2
).
Tomemos u
3
como la componente ortogonal de v
3
con respecto a W
2
normalizada, es
decir
u
3
=
v
3

2
i=1
< v
3
, u
i
> u
i
v
3

2
i=1
< v
3
, u
i
> u
i
y W
3
= lin(u
1
, u
2
, u
3
).
Repitiendo este proceder tendremos nalmente un conjunto de n vectores
u
j
=
_
_
v
1
v
1
, si j = 1
v
j

j1
i=1
< v
j
, u
i
> u
i
v
j

j1
i=1
< v
j
, u
i
> u
i
, si j = 2, 3, . . . , n.
(3.7)
Obsrvese que lin(u
1
, u
2
, . . . , u
i
) = lin(v
1
, v
2
, . . . , v
i
), i = 1, 2, . . . , n (por qu?) y
por tanto los vectores construidos forman una base de V . Por otra parte, al ser cada u
i
ortogonal a todos los anteriores y unitario, la base obtenida es ortonormal.
Una consecuencia inmediata de los dos teoremas anteriores es el siguiente resultado.
Teorema 25 Sea V e.v. con p.i., W subespacio de dimensin nita de V. Entonces v V
existen unos nicos v
p
W y v
o
W
tales que
v = v
p
+v
o
.
La proyeccin de un vector sobre un subespacio tiene un signicado de gran importancia
y aplicacin: representa la aproximacin ptima del vector por vectores del subespacio. En
la gura puede verse, para el caso particular de IR
3
, cmo la mejor aproximacin a v por
vectores de W (la de diferencia ms pequea en norma) es la dada por la proyeccin.
Teorema 26 Sea V e.v. con p.i., W subespacio de dimensin nita de V, sea v V y
v
p
W la proyeccin de v sobre W. Entonces w W
v v
p
v w.
v
v
p
v
o
w
v
p
w
v w
W
Demostracin:
v w = v v
p
. .
v
o
W
+v
p
w
. .
W
Aplicando entonces el teorema 19 tene-
mos
vw
2
= vv
p
2
+v
p
w
2
= vw
2
vv
p
2
= vw vv
p
.
Nota 3 De acuerdo con lo anterior deniremos distancia de un vector v a un subes-
pacio W como la norma de la componente ortogonal de v respecto de W, esto es,
d(v, W) = v v
p
.
3.5 Expresin de la proyeccin en una base arbitraria.
En la seccin anterior hemos visto cmo obtener la proyeccin de un vector sobre un
subespacio de dimensin nita encontrando una base ortonormal del espacio sobre el que
se quera proyectar. Veamos cmo encontrar la proyeccin de un vector utilizando una
base cualquiera, no necesariamente ortonormal.
Sea V un e.v. con p.i., W un subespacio de dimensin nita, B = {w
1
, w
2
, . . . , w
r
}
una base arbitraria de W y v V . Sabemos que existe una descomposicin nica de v de
la forma
v = v
p
+v
o
con v
p
W y v
o
W
. Otra forma de decir esto es que v

p
es el nico elemento de W tal
que
v v
p
W
o equivalentemente
< v v
p
, w
i
>= 0, i = 1, 2, . . . , r. (3.8)
Puesto que v
p
W podr expresarse en la base B de W en la forma
v
p
=
r
j=1
c
j
w
j
. (3.9)
Sustituyendo esta ltima expresin en (3.8) tenemos
< v
_
_
r
j=1
c
j
w
j
_
_
, w
i
>= 0, i = 1, 2, . . . , r (3.10)
que aplicando las propiedades del producto interior se convierte en
< v , w
i
>
r
j=1
c
j
< w
j
, w
i
>= 0, i = 1, 2, . . . , r. (3.11)
Tenemos as un sistema de r ecuaciones con r incgnitas que matricialmente podemos
escribir de la siguiente manera:
_
_
_
_
_
_
< w
1
, w
1
> < w
1
, w
2
> . . . < w
1
, w
r
>
< w
2
, w
1
> < w
2
, w
2
> . . . < w
2
, w
r
>
.
.
.
.
.
.
.
.
.
.
.
.
< w
r
, w
1
> < w
r
, w
2
> . . . < w
r
, w
r
>
_
_
_
_
_
_
_
_
_
_
_
_
c
1
c
2
.
.
.
c
r
_
_
_
_
_
_
=
_
_
_
_
_
_
< v , w
1
>
< v , w
2
>
.
.
.
< v , w
r
>
_
_
_
_
_
_
(3.12)
Las ecuaciones anteriores reciben el nombre de ecuaciones normales. Estas ecua-
ciones tienen siempre solucin nica puesto que los valores c
i
que las satisfacen son las
coordenadas de la proyeccin de v sobre W que sabemos que existen y son nicas.
Ejemplo 19 Sea W = lin{1, cos(x)}. Vamos a encontrar la aproximacin ptima a
f(x) = |x| por elementos de W con respecto al producto interior
< f, g >=
f(x)g(x)dx.
Los vectores 1 y cos(x) forman una base de W puesto que claramente son generadores
y la independencia se sigue de considerar la combinacin lineal + cos(x) = 0 en x = 0
y x = /2, por ejemplo.
Planteemos entonces las ecuaciones normales para obtener la proyeccin buscada.
_
< 1 , 1 > < 1 , cos(x) >
< cos(x) , 1 > < cos(x) , cos(x) >
__
c
1
c
2
_
=
_
< |x| , 1 >
< |x| , cos(x) >
_
.
Calculemos cada uno de los trminos:
< 1 , 1 >=
1 dx = 2,
< 1 , cos(x) >=< cos(x) , 1 >=
cos(x) dx = sin(x))
= 0,
< cos(x) , cos(x) >=
cos
2
(x) dx =
1 + cos(2x)
2
dx =
1
2
_
x +
sin(2x)
2
_
= ,
< |x| , 1 >=
|x| dx = 2

0
xdx =
2
,
< |x| , cos(x) >=
|x| cos(x)dx = 2

0
xcos(x)dx = 2[xsin(x) + cos(x)]
0
= 4.
Resolviendo ya las ecuaciones normales,
_
2 0
0
__
c
1
c
2
_
=
_

2
4
_
=
_
_
c
1
=

2
c
2
=
4
La aproximacin ptima a |x| por elementos de W, en el sentido del producto interior

dado, es entonces
f
(x) =

2

4
cos(x).
3.6 Ecuaciones normales en IR
n
.
Consideremos ahora el caso de IR
n
con el producto interior habitual. Sea W un subespacio
de IR
n
, B = {w
1
, w
2
, . . . , w
r
} una base cualquiera de W y v IR
n
. Las ecuaciones (3.11)
pueden ahora escribirse en forma matricial de la siguiente manera
w
t
i
v
r
j=1
c
j
w
t
i
w
j
= 0, i = 1, 2, . . . , r.
Expresando ahora el sumatorio como producto matricial y sacando factor comn a w
t
i
tenemos
w
t
i
_
_
_
_
_
_
v (w
1
w
2
. . . w
r
)
_
_
_
_
_
_
c
1
c
2
.
.
.
c
r
_
_
_
_
_
_
_
_
_
_
_
_
= 0, i = 1, 2, . . . , r.
Llamando A a la matriz que tiene por columnas los vectores de la base de W y c a la
matriz de coordenadas de la proyeccin, la ecuacin anterior puede expresarse como
w
t
i
(v Ac) = 0, i = 1, 2, . . . , r
o equivalentemente
A
t
(v Ac) = 0
lo que nos lleva a la forma habitual de las ecuaciones normales (3.12) en IR
n
A
t
Ac = A
t
v (3.13)
La matriz A
t
A recibe el nombre de matriz normal.
Qu hubiera sucedido si en lugar de considerar una base de W hubiramos trabajado
con un sistema generador, es decir, si las columnas de A no hubieran sido linealmente
independientes? El planteamiento de las ecuaciones normales garantiza que el sistema
tiene solucin puesto que hay una combinacin lineal (en este caso no nica) del sistema
generador de W que se corresponde con la proyeccin. El sistema tendr por tanto solucin
pero no nica. Obsrvese que la proyeccin sigue siendo nica, lo que no lo es, es su
expresin como combinacin lineal de un sistema generador que no es base.
3.7 Aplicaciones de la proyeccin. Ajuste Discreto.
Veremos ahora alguna de las aplicaciones de la proyeccin como aproximacin ptima. En
concreto, resolveremos el problema de encontrar una curva que se adapte adecuadamente
a una nube de puntos.
3.7.1 Recta de ajuste.
Sea (x
1
, y
1
), (x
2
, y
2
) . . . (x
m
, y
m
) un conjunto de puntos del plano. Nuestro objetivo es
encontrar una recta que se adapte (en un sentido que deniremos) lo mejor posible a este
conjunto. Si los puntos estuvieran sobre una recta y = c
1
+c
2
x, sta sera la buscada y se
vericara y
i
= c
1
+c
2
x
i
, i = 1, 2, . . . , m, es decir
_
_
_
_
_
_
1 x
1
1 x
2
.
.
.
.
.
.
1 x
m
_
_
_
_
_
_
_
c
1
c
2
_
=
_
_
_
_
_
_
y
1
y
2
.
.
.
y
m
_
_
_
_
_
_
(3.14)
Llamando A a la primera matriz e y al segundo miembro
A
_
c
1
c
2
_
= y (3.15)
En general esto no ser as y el sistema anterior ser por tanto incompatible. Buscare-
mos entonces para c
1
y c
2
valores que si bien no van a poder satisfacer (3.15), van a hacer
que la diferencia entre los dos miembros sea lo ms pequea posible. Puesto que queremos
minimizar una diferencia de vectores (los dos miembros de (3.15)) utilizaremos una norma
para medir el tamao de ese vector diferencia: la norma eucldea.
Resumiendo lo dicho: buscamos c
1
, c
2
tales que
_
_
_
_
_
A
_
c
1
c
2
_
y
_
_
_
_
_
sea mnima. Obsrvese que A
_
c
1
c
2
_
es una combinacin lineal de las columnas de A de
coecientes c
1
y c
2
, es decir,
_
_
_
_
_
A
_
c
1
c
2
_
y
_
_
_
_
_
= c
1
w
1
+c
2
w
2
y
siendo w
1
, w
2
las columnas de A. La combinacin lineal que hace mnima la norma anterior
es, como sabemos, la proyeccin de y sobre W = lin{w
1
, w
2
}, puesto que
||y
p
y|| ||wy||, w W.
Como y
p
es una proyeccin sobre W (que puede verse como un subespacio de IR
m
)
con respecto al producto interior habitual, la determinaremos resolviendo las ecuaciones
normales (3.13)
A
t
A
_
c
1
c
2
_
= A
t
y
donde A es la matriz cuyas columnas son w
1
y w
2
.
Repasemos las etapas que nos han llevado de la recta inicialmente buscada a la proyec-
cin con la que hemos resuelto nalmente el problema:
1. Empezamos buscando una recta (sus coecientes) que "pasara cerca" de una nube
de puntos.
2. Ese "pasar cerca" se concret en buscar c
1
, c
2
que hicieran mnima
_
_
_
_
_
A
_
c
1
c
2
_
y
_
_
_
_
_
.
3. La interpretacin de A
_
c
1
c
2
_
como combinacin lineal de las columnas de A pre-
sent el problema de minimizar la norma como el de encontrar la combinacin lineal
de las columnas de A ms cercana a y (aproximacin ptima).
4. La aproximacin ptima a y por vectores de W = lin{w
1
, w
2
} es la proyeccin de y
sobre W.
Encontrados los coecientes de la proyeccin, estos son los de la combinacin lineal ms
cercana, los que minimizan la norma, es decir, los de la recta buscada.
3.7.2 Caso general discreto.
Veamos ahora cmo encontrar una funcin de la forma f
(x) = c
1
g
1
(x) + c
2
g
2
(x) + . . . +
c
n
g
n
(x) que se adapte lo mejor posible al conjunto de puntos (x
1
, y
1
), (x
2
, y
2
) . . . (x
m
, y
m
)
con m > n.
La recta estudiada en el apartado anterior es un caso particular de este planteamiento
con g
1
(x) = 1 y g
2
(x) = x.
La situacin ptima sera poder determinar f
(x) de forma que y

i
= c
1
g
1
(x
i
) +
c
2
g
2
(x
i
) +. . . +c
n
g
n
(x
i
), i = 1, 2, . . . , m, es decir,
_
_
_
_
_
_
g
1
(x
1
) g
2
(x
1
) g
n
(x
1
)
g
1
(x
2
) g
2
(x
2
) g
n
(x
2
)
.
.
.
.
.
.
.
.
.
.
.
.
g
1
(x
m
) g
2
(x
m
) g
n
(x
m
)
_
_
_
_
_
_
_
_
_
_
_
_
c
1
c
2
.
.
.
c
n
_
_
_
_
_
_
=
_
_
_
_
_
_
y
1
y
2
.
.
.
y
m
_
_
_
_
_
_
(3.16)
Como suceda en el caso de la recta de ajuste, el sistema anterior en general es incom-
patible y nuestro objetivo es entonces determinar los parmetros c
1
, c
2
, . . . , c
n
de forma
que
||c
1
w
1
+c
2
w
2
+. . . +c
n
w
n
y||
sea mnima, siendo la norma considerada la eucldea y donde w
i
es el i-simo vector columna
de la matriz que aparece en (3.16).
Planteado en trminos vectoriales, el problema se reduce a encontrar el elemento de
W = lin{w
1
, w
2
, . . . , w
n
} que ms prximo se encuentra de y, es decir, la proyeccin de
y sobre W.
Al tratarse de nuevo de una proyeccin en IR
m
las ecuaciones normales son
A
t
Ac = A
t
y
donde A es la matriz cuyas columnas son w
i
, i = 1, 2, . . . , n.
La expresin de la norma eucldea en trminos de cuadrados hace que los ajustes que
estamos considerando se conozcan como ajustes en el sentido de mnimos cuadrados.
Una vez hallada la funcin f
, podemos querer medir la bondad del ajuste que esa

funcin proporciona. Una primera medida para ello es calcular la cantidad que nos pro-
ponamos minimizar:
i=1
c
i
w
i
y
. (3.17)
Ms razonable es la expresin
1
i=1
c
i
w
i
y
pues de otra forma (3.17) podra ser grande por causa de un nmero de puntos elevado.
3.8 Ejercicios
1. Hallar un subespacio vectorial de R
4
no trivial que sea ortogonal al subespacio
W = {(x, y, z, t) IR
4
: 2x + 3y +z + 2t = 0}.
2. Sea IR
5
con el producto interior habitual. Hallar la proyeccin de (1, 2, 0, 11) sobre
W = lin{(1, 0, 1, 0, 0), (1, 2, 1, 0, 1)}.
3. Calcular la proyeccin ortogonal del vector (1, 2, 0) sobre el subespacio W de IR
3
de
ecuacin x y z = 0.
4. Hallar la distancia del vector v = (1, 1, 1, 1) al subespacio generado por los vectores
v
1
= (1, 1, 1, 0) y v
2
= (1, 1, 0, 0).
5. Hallar la distancia del vector v = (1, 1, 1, 1) al subespacio
W = {(s +t, s +t, s r, 0) : s, r, t IR}.
6. Dados U = lin{(1, 0, 1, 0), (1, 0, 3, 2)} y V = lin{(1, 0, 0, 1), (1, 1, 2, 3)}
(a) Encontrar una base de U V .
(b) Razonar, sin operar, cules son las proyecciones sobre U de los vectores de la
base obtenida en el apartado anterior.
7. Sean {u, v, w} un conjunto ortogonal de vectores de un espacio V con producto
interior, A = Lin{u, v } y B = Lin{u, w }. Demostrar que para cualquier a de A,
la proyeccin ortogonal de a sobre el subespacio B pertenece a A B.
8. En M
22
se dene el producto interior A, B =
2
j=1
2
i=1
(a
ij
b
ij
)
(a) Encontrar la matriz triangular inferior ms prxima a
A =
_
3 6
2 4
_
en el sentido del producto interior anterior.
(b) Puede encontrarse con tcnicas similares la matriz inversible ms prxima a A
en el sentido del producto interior denido? Justica la respuesta.
9. Consideremos en el espacio vectorial de las matrices M
22
el producto interior
denido por:
A, B = a
11
b
11
+2(a
12
b
12
+a
21
b
21
)+4a
22
b
22
si A = (a
ij
)
i,j=1,2
, B = (b
ij
)
i,j=1,2
Encontrar la matriz simtrica ms prxima a A =
_
3 6
2 7
_
en el sentido del pro-
ducto interior anterior.
10. Sea
3
el espacio de los polinomios de grado menor o igual que 3.
(a) Probar que la aplicacin <, >:
3

3
IR denida por
< p(x), q(x) >=
3
i=0
a
i
b
i
donde p(x) = a
0
+a
1
x +a
2
x
2
+a
3
x
3
y q(x) = b
0
+b
1
x +b
2
x
2
+b
3
x
3
, es un
producto interior.
(b) Hallar el elemento del subespacio V = {a + bx + bx
2
+ ax
3
: a, b IR} de
3
ms prximo a p(x) = 1 + x en el sentido del producto interior denido en el
primer apartado.
11. En IR
4
se considera el producto interior x, y =
4
i=1
ix
i
y
i
donde x = (x
1
, . . . , x
4
)
e y = (y
1
, . . . , y
4
). Encuentra la mejor aproximacin a v = (1, 2, 0, 1) por vectores
del subespacio
W
_
x
2
+x
3
= 0
x
2
x
3
+x
4
= 0
12. Sea V = {f : IR IR /f(x) = ae
x
+ be
2x
, a, b IR} el espacio vectorial con la
suma y el producto por escalares habitual de funciones.
(a) Se dene la aplicacin <, >: V V IR por < f, g >= f(0)g(0). Es un
producto interior?
(b) Considerar V con el producto interior < f, g >= f(0)g(0) + f(1)g(1). Sea
W = Lin{e
x
} y v(x) = e
x
+ e
2x
. Hallar la descomposicin de v(x) en su
proyeccin sobre W y su componente ortogonal. Calcular la distancia de v(x)
a W.
13. Sea V el espacio vectorial de las funciones continuas denidas en [0, ] con el producto
interior
< f, g >=

0
f(x)g(x)dx.
Encontrar la recta que mejor aproxime a la funcin h(x) = sin x en el sentido del
producto interior anteriormente denido.
14. Considerar el espacio
2
de los polinomios de grado menor o igual que dos con el
producto interior
< p(x), q(x) >=
1
0
p(x)q(x)dx
para p(x), q(x)
2
. Hallar la mejor aproximacin, en el sentido de mnimos cuadra-
dos, al polinomio x
2
por un polinomio de grado uno.
15. Sea
3
el espacio de los polinomios de grado menor o igual que 3 con el producto
interior
< p(x), q(x) >=
3
i=0
a
i
b
i
para p(x) = a
0
+a
1
x +a
2
x
2
+a
3
x
3
y q(x) = b
0
+b
1
x +b
2
x
2
+b
3
x
3
.
Sea W el subespacio de
3
formado por los polinomios de la forma a+bx
2
+(a+b)x
3
con a, b IR . Hallar la distancia del polinomio p(x) = 1 +x al subespacio W.
16. En el espacio vectorial
1
de los polinomios de grado menor o igual que uno en el
intervalo [0, 2] se considera el producto interior
< p(x), q(x) >=
2
0
p(x)q(x)dx
y los subespacios W
1
= lin{1}, W
2
= lin{x}. Hallar las aproximaciones ptimas
v
1
(x) y v
2
(x) al polinomio v(x) = 1 +x por elementos de W
1
y W
2
respectivamente
y decidir cul de las dos aproximaciones halladas es mejor en el sentido de mnimos
cuadrados.
17. Probar que la aproximacin ptima de la forma f
(x) = c (un polinomio de grado 0)

a los m datos siguientes (m 3)
x 1 2 3 m
y 10 0 0 0
est dada por:
(a) c = 5 para la norma .
(b) c = 10/m para la norma 2.
(c) c = 0 para la norma 1.
18. Hallar el ajuste de mnimos cuadrados de los datos
x 1 2 4 5
y 6 5
2 21 16
5
por
una funcin del tipo cx
3
2
.
19. Dada la tabla
x
2
0

2

y 2.8 2 8 4 3.2
(a) Encontrar la combinacin lineal de las funciones 1, sin x y cos x que mejor se
adapte a los datos de la tabla anterior en el sentido de mnimos cuadrados.
(b) Encontrar la parbola que mejor se adapte a los datos de la tabla anterior.
20. El nivel de agua en el Mar de Norte est determinado principalmente por una funcin
cuyo periodo es de 12 horas y tiene la forma
H(t) = c
1
+c
2
sin
_
2
t
12
_
+c
3
cos
_
2
t
12
_
.
Se tienen las medidas
t 0 2 4 6 8 10
H(t) 1.0 1.6 1.4 0.6 0.2 0.8
Utilizar los datos anteriores para predecir el nivel del agua a las 5h.
21. Si denotamos por x la concentracin (gramos/litro) de alcohol en la sangre y por
f(x) el factor multiplicativo de riesgo que tal imprudencia conlleva al arrancar un
vehculo, los datos de varios experimentos han sido:
x 0.2 0.8 1 1.2 1.5
f(x) 1 5 10 15 35
(a) Realizar un ajuste de mnimos cuadrados a los datos por polinomios de grados
2, 3 y 4.
(b) Realizar un ajuste exponencial de la forma f
(x) = e
a+bx
tomando ln para
linealizar la dependencia de los parmetros a y b. El ajuste exponencial hallado,
es realmente ptimo en el sentido de mnimos cuadrados? (Indicacin: probar
a variar ligeramente los valores obtenidos para a y b y recalcular las distancias.)
(c) Representar grcamente los puntos dato y las curvas obtenidas en el intervalo
[0,2]. Cul parece ser el que mejor aproxima los datos globalmente?
Tema 4
Resolucin Numrica de Sistemas
Sea A una matriz cuadrada n n tal que det(A) = 0. Podemos clasicar los mtodos de
resolucin de sistemas del tipo Ax = b en dos bloques:
1. Mtodos directos: proporcionan la solucin exacta del sistema, salvo errores de
redondeo, tras un nmero nito de operaciones. Son mtodos directos, por ejemplo,
la eliminacin gaussiana o la regla de Cramer.
2. Mtodos Iterativos: proporcionan una sucesin de aproximaciones x
(1)
, . . . , x
(n)
a
la solucin del sistema. Los ejemplos ms conocidos de este tipo de mtodos son los
de Jacobi y Gauss-Seidel que veremos ms adelante.
No todos los mtodos son utilizables en cualquier situacin. Los mtodos iterativos, por
ejemplo, pueden generar aproximaciones que no converjan a la solucin. En cuanto a los
mtodos directos, adems de las limitaciones tericas de ciertos algoritmos (la eliminacin
gaussiana sin pivotaje, por ejemplo, slo puede implementarse si no aparecen pivotes nulos)
hay que tener en cuenta las de carcter prctico como excesivo nmero de operaciones o
una mala propagacin del error de redondeo. Estas consideraciones prcticas hacen que
sea absolutamente intil la regla de Cramer pues, en cuanto el sistema pase de dimensin
3 o 4, el nmero de multiplicaciones que requiere el clculo de los n+1 determinantes que
se necesitan lo hace totalmente prohibitivo. (Un ordenador que realizara 10,000,000,000
operaciones por segundo necesitara del orden de 10
18
aos para resolver mediante la regla
de Cramer un sistema 30 30).
La eleccin de un mtodo u otro depende del sistema que se desee resolver. Si el sistema
no es muy grande (aqu el calicativo grande" ha de entenderse en un sentido relativo a
la mquina que se va a utilizar para su resolucin) son preferibles los mtodos directos. Los
mtodos iterativos se utilizan (cada vez menos debido a que cada vez es mayor el nmero de
problemas que pueden ser abordados por mtodos directos) principalmente para resolver
sistemas grandes con matriz dispersa (muchos ceros) y estructurada (los elementos no nulos
se agrupan por ejemplo en torno a la diagonal principal). Este tipo de sistemas aparece
por ejemplo en la resolucin numrica de ecuaciones en derivadas parciales.
Antes de entrar en las cuestiones propias de la resolucin de sistemas veamos algunas
generalidades sobre el error de redondeo.
Ampliacin de Matemticas Resolucin Numrica de Sistemas 56
4.1 Errores de redondeo.
La resolucin de sistemas de ecuaciones se efecta la mayora de las veces con la ayuda
de un ordenador. Es sabido que no todos los nmeros reales tienen representacin exacta
en un ordenador. Al introducir los datos de un sistema en un ordenador es habitual que
estemos trabajando ya con aproximaciones ms o menos buenas de los datos exactos. Por
otra parte las operaciones que el ordenador realiza con esos datos tampoco se correspon-
den exactamente siempre con las que nosotros haramos a mano (con precisin innita).
Los errores procedentes de la capacidad limitada de representacin de nmeros de los or-
denadores, as como de la precisin en las operaciones reciben el nombre de errores de
redondeo.
Los errores de redondeo pueden conducir a soluciones muy imprecisas o totalmente
distintas de las correctas en la resolucin de un sistema.
Sea x un valor y x
una aproximacin del mismo. El error absoluto y el relativo (en

caso de que x sea no nulo) de esta aproximacin viene dado por |x x
| y |x x
|/|x|
respectivamente. Las siguientes deniciones precisan la bondad de una aproximacin en
trminos de error absoluto y de error relativo respectivamente.
Denicin 16 Diremos que x
es una aproximacin a x con d cifras decimales

correctas si
|x x
|
1
2
10
d
.
Diremos que x
es una aproximacin a x = 0 con d cifras signicativas correc-

tas si
|x x
|
|x|
5 10
d
.
Obsrvese que la denicin de "aproximacin con d cifras decimales correctas" selec-
ciona de entre los decimales con d dgitos el (o los) que est ms cerca del nmero que
se quiere aproximar y lo mismo sucede con la aproximacin con d cifras signicativas
correctas.
Puede sorprender la presencia de un 5 en lugar del 1/2 esperable en la denicin de
nmero de cifras signicativas correctas, pero obsrvese que si en la denicin apareciera
1/2, el nmero 0.1235 10
3
no sera una aproximacin con 4 cifras signicativas correctas
de 0.12347 10
3
por ejemplo.
4.1.1 Situaciones que merecen atencin.
Los errores de redondeo son en general difciles de controlar, pero en ocasiones su ampli-
cacin puede paliarse con un algoritmo adecuado. Veamos algunas de estas situaciones.
1. Resta de nmeros prximos. Esta situacin puede conducir a una amplicacin del
error relativo. Veamos un ejemplo. Sea x
1
= 1.23456728 una aproximacin de
x
e
1
= 1.23456730 y x
2
= 1.23456739 una aproximacin de x
e
2
= 1.23456740. Los
errores relativos de ambas son, entonces, respectivamente:
x
1
=
|x
1
x
e
1
|
|x
e
1
|
1.62 10
8
y
x
2
=
|x
2
x
e
2
|
|x
e
2
|
0.81 10
8
.
El error relativo de su diferencia es
x
1
x
2
=
|x
1
x
2
(x
e
1
x
e
2
)|
|x
e
1
x
e
2
|
= 0.1
varios rdenes mayor que el de los trminos que intervienen en la resta.
En ocasiones puede evitarse la cancelacin de cifras signicativas que venimos co-
mentando reescribiendo la expresin. Por ejemplo
1 +x
x =
1
1 +x +
x
pero mientras la expresin del primer miembro de la ecuacin anterior puede conducir
a cancelacin de cifras signicativas para valores grandes de x, no sucede lo mismo
con la segunda.
2. Suma de nmeros de magnitudes muy diferentes. En este caso el problema es la limi-
tacin de cifras signicativas en la representacin de nmeros en un ordenador. Por
ejemplo si se quiere sumar 0.1 10
5
con 0.5 10
1
y se est trabajando con cuatro
cifras signicativas, la suma sera el primer nmero. Se debe, por tanto, evitar en la
medida de lo posible la suma de nmeros excesivamente descompensados.
El ejemplo anterior se presta para comentar otra cuestin a tener en cuenta y es que
la asociatividad de las operaciones algebraicas (como la suma) no se mantiene a nivel
numrico. Para ver esto, supongamos que se quiere sumar un nmero grande, como
0.110
5
, y 10
5
veces un nmero pequeo como 0.510
1
. Si se suma al nmero grande
el pequeo (siempre con la limitacin de las cuatro cifras signicativas disponibles),
una y otra vez, la suma nal ser 0.1 10
5
, mientras que si se suman los nmeros
pequeos entre s (por grupos de dos por ejemplo, que luego se agrupan a su vez de
dos en dos etc.) las cifras signicativas no se perdern, al no darse nunca una suma
entre nmeros de muy distintos tamaos.
3. Divisin por nmeros pequeos. Este fenmeno afecta frecuentemente a la resolu-
cin de sistemas va eliminacin gaussiana y se produce por la presencia de pivotes
pequeos. Las divisiones por nmeros pequeos tienen el inconveniente de la apari-
cin de nmeros grandes (en el caso de la eliminacin gaussiana, los multiplicadores)
que pueden amplicar el error de redondeo.
4.2 Aspectos computacionales de la eliminacin gaussiana.
4.2.1 Necesidad computacional de pivotaje.
La necesidad de intercambio de las ante un pivote nulo es evidente pero veamos que no
es la nica situacin en que el pivotaje es conveniente.
Consideremos el siguiente sistema:
_
0.0001 1
1 1
__
x
y
_
=
_
1
2
_
cuya solucin exacta es x = 1.

0001, y = 0.

9998. Si se resuelve empleando eliminacin
gaussiana sin pivotaje en aritmtica de tres dgitos, se obtiene como solucin x=0.00,
y=1.00. El valor de y resulta razonable si se tiene en cuenta el nmero de dgitos utilizados,
pero el de x tiene un error relativo prximo a 1.
La explicacin de este resultado poco satisfactorio est en el multiplicador m
21
em-
pleado:
m
21
=
1.00
0.000100
que al ser extremadamente grande acta como amplicador de los errores de redondeo. Si
se resuelve el mismo sistema intercambiando las las ( es decir, con pivotaje) obtenemos
como solucin x=1.00, y=1.00 que es lo razonable para el nmero de dgitos empleado.
De los comentarios anteriores sacamos la conclusin de que aunque, desde un punto de
vista terico, el pivotaje slo es imprescindible en presencia de un pivote nulo, la presencia
de pivotes pequeos es tambin desaconsejable desde el punto de vista numrico (porque
generan multiplicadores grandes). Haremos siempre por tanto pivotaje (salvo casos de
buen comportamiento asegurado), es decir tomaremos en cada etapa como la de pivotaje
la que aporte un pivote ms grande para la variable en cuestin.
El pivotaje comentado recibe el nombre de pivotaje parcial para distinguirlo del pivo-
taje total en el que la bsqueda del mximo pivote posible no slo involucra intercambios
de las (de ecuaciones) sino de columnas (de variables). Este ltimo pivotaje no es muy
utilizado porque requiere muchas ms comparaciones de elementos que el pivotaje parcial
para la escasa ventaja que suele aportar.
4.2.2 Nmero de operaciones de la eliminacin gaussiana.
Vamos a dividir el cmputo del nmero de operaciones en tres bloques:
1. Factorizacin LU de la matriz.
2. Transformacin del segundo miembro. (Sustitucin progresiva)
3. Sustitucin regresiva.
Factorizacin LU de la matriz.
Para conseguir los ceros en la 1
a
columna (eliminacin de la primera variable) nece-
sitaremos:
(n 1) divisiones para la obtencin de los (n 1) multiplicadores.
(n 1)
2
productos de multiplicar cada multiplicador por los elementos de la la de
pivotaje.
(n 1)
2
restas ((n 1) de cada la a transformar).
Para la 2
a
columna
(n 2) divisiones para la obtencin de los (n 2) multiplicadores.
(n 2)
2
pivotaje.
(n 2)
2
restas ((n 2) de cada la a transformar).
En general, entonces, para la columna i-sima necesitamos
(n i) divisiones para la obtencin de los multiplicadores.
(n i)
2
pivotaje.
(n i)
2
restas ((n i) de cada la a transformar).
Como esto ha de hacerse desde la columna 1 hasta la n1 en total habremos realizado
n1
j=1
((n j) + (n j)
2
) =
n
3
3

n
3
multiplicaciones/divisiones y
n1
j=1
j
2
=
n
3
3

n
2
2
+
n
6
sumas/restas.
Transformacin del segundo miembro. (Sustitucin progresiva)
Como ya hemos comentado anteriormente la transformacin del segundo miembro se
reduce a resolver el sistema triangular:
_
_
_
_
_
_
_
_
1 0 0 0
m
21
1 0 0
m
31
m
32
1 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
m
n1
m
n2
m
n3
1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
c
1
c
2
c
3
.
.
.
c
n
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
b
1
b
2
b
3
.
.
.
b
n
_
_
_
_
_
_
_
_
Para obtener c
2
se necesita un producto y una suma, para c
3
dos productos y dos
sumas, . . ., para c
n
(n 1) productos y (n 1) sumas. En total:
n1
i=1
i =
n(n 1)
2
productos y el mismo nmero de sumas.
Nota 4 Obsrvese que las operaciones contabilizadas en el apartado anterior son exacta-
mente las mismas que se realizan cuando se modica el segundo miembro a la vez que la
matriz (cuando lo colocamos como ltima columna).
Sustitucin regresiva.
Slo falta por contabilizar la resolucin del sistema de matriz triangular superior:
_
_
_
_
_
_
_
_
u
11
u
12
u
13
u
1n
0 u
22
u
23
u
2n
0 0 u
33
u
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 u
nn
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
x
1
x
2
x
3
.
.
.
x
n
_
_
_
_
_
_
_
_
=
_
_
_
_
_
_
_
_
c
1
c
2
c
3
.
.
.
c
n
_
_
_
_
_
_
_
_
En este cmputo utilizaremos el trmino producto" para indicar producto o divisin.
Para obtener x
n
se necesita una divisin; para x
n1
dos productos y una suma; para
x
n2
tres productos y dos sumas, . . ., para x
1
n productos y (n-1) sumas. En total:
n
i=1
i =
n(n + 1)
2
productos y
n1
i=1
i =
n(n 1)
2
sumas.
Podemos resumir los resultados obtenidos en el siguiente cuadro:
Factorizacin LU T. seg. miembro Sust. regres. Cmputo total
Prod./div.
n
3
3

n
3
n(n 1)
2
n(n + 1)
2
n
3
3
+n
2
n
3
Sum./res.
n
3
3

n
2
2
+
n
6
n(n 1)
2
n(n 1)
2
n
3
3
+
n
2
2

5n
6
Veamos ahora el nmero de operaciones necesarias para calcular la inversa (por supuesto
por el mtodo de resolver n sistemas lineales con matriz comn). La factorizacin LU
requiere el nmero de operaciones comentado anteriormente. En cuanto a la modicacin
del lado derecho, puede probarse que para cada e
j
, desde j = 1 hasta n 2 inclusive, se
necesitan
nj1
i=1
i =
(n j)(n j 1)
2
productos y el mismo nmero de sumas, mientras que no se necesitan operaciones para
modicar e
n1
ni e
n
. Esto supone un total de
n(n 1)(n 2)
6
sumas y el mismo nmero de productos.
En cuanto a la sustitucin regresiva, necesitaremos en total
n
2
(n + 1)
2
productos y
n(n 1)
2
2
sumas. El clculo de la inversa supone pues
n
3
3

n
3
+
n(n 1)(n 2)
6
+
n
2
(n + 1)
2
= n
3
productos y
n
3
3

n
2
2
+
n
6
+
n(n 1)(n 2)
6
+
n(n 1)
2
2
= n
3
2n
2
+n
sumas.
De los datos sobre el nmero de operaciones que acabamos de dar podemos sacar
algunas conclusiones:
1. El nmero de operaciones en la resolucin de un sistema por eliminacin gaussiana es
del orden de n
3
tanto en sumas como en productos. De este nmero de operaciones la
mayor parte corresponde a la factorizacin LU de la matriz de manera que si se van a
resolver varios sistemas con la misma matriz es conveniente conservar la factorizacin
de sta.
2. Para resolver un sistema nunca es rentable la obtencin de la inversa puesto que
solamente este proceso ya requerira un nmero de operaciones que sera O(n
3
),
mientras que la resolucin completa del sistema sin utilizar la inversa slo requiere
O(n
3
/3) operaciones.
3. Podra pensarse que si son muchos los sistemas a resolver con matriz comn, podra
resultar rentable el clculo de la inversa. Esto no es as: si resolvemos m sistemas con
matriz comn utilizando la inversa necesitaremos los siguientes nmeros de productos
y sumas respectivamente:
n
3
+mn
2
n
3
2n
2
+n +mn(n 1)
donde el ltimo sumando corresponde a la multiplicacin de la inversa por el lado
derecho. Si resolvemos los mismos sistemas sin utilizar la inversa necesitaremos los
siguientes nmeros de productos y sumas.
n
3
3

n
3
+mn
2
n
3
3

n
2
2
+
n
6
+mn(n 1)
lo que conrma que para ningn nmero de sistemas es rentable el clculo de la
inversa.
4. El nmero de operaciones para calcular la inversa mediante la resolucin de n sistemas
lineales de matriz comn utilizando eliminacin gaussiana y una sola factorizacin
LU es del orden de n
3
, muy inferior por tanto al necesario para obtener la inversa
utilizando su expresin en trminos de cofactores y el determinante (slo el clculo
del determinante mediante cofactores requiere ms de n! multiplicaciones).
5. En consideracin al nmero de operaciones necesarias, el clculo del determinante de
una matriz debe hacerse a travs de la matriz U de la factorizacin LU y no mediante
desarrollo directo por cofactores.
4.2.3 Implementacin prctica.
Finalicemos el apartado sobre eliminacin gaussiana con algunos comentarios sobre su
implementacin prctica en un ordenador. Sealemos en primer lugar que aunque la base
terica de la eliminacin gaussiana es pasar por sistemas equivalentes al de partida hasta
llegar a uno triangular, no es necesario almacenar los resultados intermedios sino que
sobre la misma matriz (las mismas posiciones de memoria) se pueden ir efectuando las
operaciones necesarias. Ni tan siquiera es necesaria una matriz auxiliar para almacenar
los multiplicadores (necesarios para modicar nuevos segundos miembros) puesto que estos
pueden ser almacenados en las posiciones de los ceros a los que dan lugar.
En cuanto al intercambio de las del pivotaje, hay que sealar que no es necesario
un "intercambio real" de las las sino simplemente recoger este cambio en un vector de
posiciones (que inicialmente ser (1,2,3,...,n)) que ser el que utilicemos para acceder a los
elementos de la matriz. Este vector debe estar disponible si se desea resolver un sistema
para un nuevo segundo miembro, puesto que nos indica en qu orden deben ser consideradas
las componentes de este segundo miembro.
4.3 Normas matriciales.
El espacio vectorial de las matrices cuadradas nn puede ser visto como un caso particular
de IR
k
(de hecho como IR
n
2
) y por tanto las normas ms habituales (|| ||
2
, || ||
1
, || ||
)
son tambin normas para las matrices. Estas normas no resultan de demasiado inters
porque, as como en un vector de IR
n
el conocer su norma-2 (longitud en el caso n=2 y
n=3) o su norma innito (mximo mdulo de sus componentes) suele resultar provechoso,
en las matrices es ms interesante una norma que nos informe de su comportamiento como
aplicacin lineal, es decir, que relacione la norma en IR
n
del vector x con la del vector Ax.
(En lo sucesivo utilizaremos la misma notacin para un vector de IR
n
y para la matriz
columna que lo representa). Se tiene la siguiente denicin.
Denicin 17 Sea || || una norma vectorial en IR
n
. Llamaremos norma natural de-
ducida de la vectorial || || a la denida en el espacio de las matrices cuadradas n n
de la siguiente manera:
||A|| = sup
x=0
||Ax||
||x||
(4.1)
Obsrvese que el tamao de los cocientes
||Ax||
||x||
slo depende de la direccin de x y no
del tamao del vector, es decir
||Ax||
||x||
=
||A(tx)||
||tx||
(4.2)
y por tanto podemos reducir el conjunto en el que buscamos el supremo a vectores unitarios:
sup
x=0
||Ax||
||x||
= sup
||x||=1
||Ax||. (4.3)
El supremo que aparece en las normas naturales es de hecho un mximo, es decir, la
norma natural deducida de una vectorial nos da la mxima dilatacin sufrida por un vector
de la esfera unidad al someterlo a la transformacin de matriz A.
No es difcil comprobar que (4.1) es efectivamente una norma y que adems de las
propiedades que verican en su condicin de norma, las normas naturales verican las
siguientes:
1. ||Ax|| ||A|| ||x||.
2. ||AB|| ||A|| ||B||.
3. ||I|| = 1 siendo I es la matriz identidad.
donde las normas vectoriales que aparecen en las anteriores expresiones son las correspon-
dientes a la norma natural en cuestin.
Ejercicio 17 Demostrar las tres propiedades anteriores.
La expresin de las normas naturales que nos proporciona la denicin no resulta
demasiado manejable. Para las normas uno e innito es posible probar lo siguiente:
Teorema 27 Sea A una matriz cuadrada nn. Entonces las normas naturales deducidas
de las normas vectoriales 1 e innito, respectivamente, vienen dadas por las siguientes
expresiones:
||A||
1
= max
1jn
n
i=1
|a
ij
| (4.4)
||A||
= max
1in
n
j=1
|a
ij
| (4.5)
Para encontrar una expresin sencilla para la norma 2 necesitamos el concepto de radio
espectral.
Denicin 18 Sea A una matriz cuadrada n n. Llamaremos radio espectral de A y
lo denotaremos (A) al mximo de los mdulos de los autovalores de A.
Teorema 28 Si A es real se verica
||A||
2
=
(A
t
A) (4.6)
Nota 5 Si A es una matriz simtrica, entonces se verica ||A||
2
= (A).
El siguiente resultado seala una relacin existente entre el radio espectral de una
matriz y cualquier norma natural suya.
Teorema 29 Para cualquier norma matricial natural se verica
(A) ||A|| (4.7)
Demostracin: Sea x un autovector asociado al autovalor de A de mdulo mximo.
Entonces
||A||
||Ax||
||x||
=
|| ||x||
||x||
= || = (A).
4.4 Anlisis del problema del acondicionamiento.
Consideremos el siguiente sistema:
_
1 2
1 2.00001
__
x
y
_
=
_
3
3.00001
_
La solucin de este sistema es x = y = 1. Si en lugar del sistema anterior, resolvemos
el siguiente
_
1 2
1 1.99999
__
x
y
_
=
_
3
3.00002
_
que slo se diferencia en dos cantidades del orden de 10
5
del sistema original, la solucin
resulta ser x = 7, y = 2. Podemos interpretar el segundo sistema como una perturbacin
del primero y es sorprendente la repercusin que una pequea variacin en los coecientes
puede tener en la solucin nal. Como no hemos cometido errores de redondeo en la
resolucin de ninguno de los dos sistemas, hemos de concluir que el desplazamiento de
soluciones est en la esencia misma del sistema. La interpretacin grca de esto es sencilla:
las dos rectas cuyo punto de corte queremos hallar son "casi paralelas", es decir, con pen-
dientes muy prximas. Debido a esto una pequea modicacin en sus coecientes desplaza
enormemente el punto de corte.
Sin que esto pretenda ser una denicin rigurosa, llamaremos sistema mal acondi-
cionado a aquel cuya solucin vara mucho ante pequeas variaciones de los datos. Ntese
que los sistemas mal acondicionados pueden verse como sistemas prximos a la singula-
ridad. (Las rectas del ejemplo no son paralelas pero casi).
Veamos de qu manera podemos medir el buen o mal acondicionamiento de un sistema.
Empecemos por analizar el comportamiento de la solucin de un sistema con segundo
miembro perturbado (b +b) y matriz A regular sin perturbaciones. Sea x la solucin de
Ax = b y sea x +x la solucin de este sistema:
A(x +x) = b +b (4.8)
Restando los dos sistemas tenemos
x = A
1
b (4.9)
y, por tanto, para cualquier norma natural
||x|| ||A
1
|| ||b|| (4.10)
lo que nos da una relacin entre la perturbacin del lado derecho y la de la solucin. Si
queremos una medida que relacione perturbaciones relativas basta tener en cuenta que
||b|| ||A|| ||x|| (4.11)
para obtener la desigualdad de Turing para normas naturales y matriz regular
||x||
||x||
(||A|| ||A
1
||)
||b||
||b||
(4.12)
Denicin 19 Llamaremos nmero de condicin de una matriz regular A a
(A) = ||A|| ||A
1
||.
El nmero de condicin de una matriz nos da pues una medida de cmo puede responder
un sistema ante la perturbacin de su lado derecho. Como
1 = ||I|| = ||AA
1
|| ||A|| ||A
1
|| = (A)
el valor ptimo que podemos esperar para el nmero de condicin de una matriz regular
es 1. Cuanto ms prximo a uno est este nmero mejor acondicionada est la matriz.
Si A es regular y simtrica y consideramos la norma matricial deducida de la eucldea
(A) =
max{ || / autovalor de A}
min{ || / autovalor de A}
. (4.13)
Por qu?
La expresin (4.13) muestra que para una matriz simtrica, el nmero de condicin nos
da la razn entre las deformaciones extremas producidas por A como transformacin lineal
(la norma slo nos daba la mxima deformacin).
Otra cuestin que conviene sealar es la siguiente: si nos basamos en la idea intuitiva de
que los sistemas mal acondicionados son los "prximos a la singularidad", podramos pensar
en tomar el determinante como medida del mal acondicionamiento (que determinantes
pequeos sean indicativos de mal acondicionamiento). Sin embargo, segn lo dicho en el
prrafo anterior, una matriz como 10
3
I tiene nmero de condicin 1 mientras que su
determinante es extremadamente pequeo (10
3n
).
Supongamos ahora que tenemos perturbaciones en el lado derecho y en la matriz.
Entonces:
(A+A)(x +x) = b +b. (4.14)
Si ||A
1
|| ||A|| < 1 (lo que suceder por ejemplo si A es sucientemente pequeo) se
verica la siguiente acotacin:
||x||
||x||

(A)
1 (A)
||A||
||A||
_
||b||
||b||
+
||A||
||A||
_
(4.15)
en la que vemos cmo el error relativo de la solucin queda acotado por los errores relativos
de las perturbaciones de la matriz y del lado derecho, y cmo el nmero de condicin
repercute en esta acotacin.
4.5 Mtodos iterativos para la resolucin de sistemas linea-
les.
Cmo generar una sucesin de aproximaciones que converja a una solucin del sistema
Ax = b? Empecemos por expresar A como resta de dos matrices
A = N P
de forma que N sea inversible. Entonces una solucin del sistema cumplir
Nx = Px +b (4.16)
y por tanto
x = N
1
Px +N
1
b. (4.17)
Fijado un x
0
inicial, podemos entonces denir una sucesin de aproximaciones a la
solucin buscada de la siguiente manera:
x
(n)
= N
1
Px
(n1)
+N
1
b. (4.18)
Aunque la ltima expresin es la que determina tericamente un aproximante a partir
del anterior, desde un punto de vista prctico, es ms conveniente obtener una aproximacin
x
(n)
a partir de la expresin anterior, resolviendo un sistema de matriz N
Nx
(n)
= Px
(n1)
+b.
(La razn de esto est en la inconveniencia ya comentada de obtener la inversa). Ser, por
tanto, imprescindible desde el punto de vista prctico que la resolucin de un sistema de
matriz N sea mucho ms sencilla que la de un sistema de matriz A. Esto hace que elijamos
normalmente la matriz N diagonal o triangular.
Los mtodos iterativos se ven afectados de un error, adems del de redondeo, conocido
como error de truncacin, consecuencia de tomar un trmino de una sucesin como
aproximacin del lmite de la misma. Si calculamos por ejemplo 10 aproximaciones para
aproximar la solucin de un sistema Ax = b, aunque los clculos se hayan efectuado en
modo exacto y ningn error de redondeo se haya producido, la aproximacin x
(10)
no ser
la solucin exacta buscada sino una aproximacin de la misma. La aproximacin x
(10)
se
ve afectada de un error de truncacin.
Nota 6 Obsrvese la diferencia con un mtodo directo como la eliminacin gaussiana. En
este ltimo, si los errores de redondeo no aparecieran, al nal del proceso tendramos la
solucin exacta.
Dado el carcter iterativo del mtodo es necesario establecer un criterio de parada. Lo
deseable sera parar cuando ||x
(m)
x|| o ||x
(m)
x||/||x|| (es decir, el error absoluto o
relativo) sea pequeo, pero ante el desconocimiento de la solucin exacta podemos dete-
nernos cuando la distancia entre un aproximante y el siguiente (error relativo estimado)
sea pequea:
||x
(m)
x
(m1)
||
||x
(m)
||
< .
Veamos ahora el problema general de la convergencia de los mtodos iterativos. Para
un mtodo iterativo como el de la ecuacin (4.17), llamaremos matriz de iteracin del
mtodo a la matriz M = N
1
P. Obsrvese que el mtodo puede escribirse entonces como
x
(n)
= Mx
(n1)
+c, (4.19)
con c = N
1
b, y que si llamamos e
(n)
a la diferencia entre el aproximante n-simo y la
solucin (e
(n)
= x
(n)
-x) se verica
e
(n)
= Me
(n1)
= . . . = M
n
e
(0)
. (4.20)
La convergencia de la sucesin de aproximantes, es decir, la convergencia a cero de los e
(n)
depende, pues, del comportamiento de las potencias de la matriz de iteracin M. Y para
analizar este comportamiento son tiles los siguientes resultados.
Denicin 20 Diremos que una matriz cuadrada A es convergente si
lim
k
A
k
= 0,
es decir, si i, j {1, 2, . . . , n}
lim
k
(A
k
)
ij
= 0.
Nota 7 Observar que si A fuera una matriz real de dimensin 1 (es decir, un nmero real)
el comportamiento de las potencias de A al tender el exponente a innito estara claro: si
|a
11
| < 1, las potencias van a 0; si a
11
> 1 a innito; si a
11
= 1 a 1 y si a
11
1 las
potencias no se aproximan a nada (la sucesin (a
n
11
)
nIN
no tiene lmite). La denicin
anterior es la generalizacin a matrices cuadradas de dimensin arbitraria.
Ntese la diferencia entre el signicado del trmino convergente en Clculo, en general,
y la dada para matrices. Mientras que en Clculo, convergente viene a signicar "con
lmite", matriz convergente signica ms bien "con lmite 0".
Teorema 30 Son equivalentes:
1. A es convergente.
2. lim
k
||A
k
|| = 0 para alguna norma natural.
3. (A) <1.
4. x IR
n
, lim
k
A
k
x = 0.
La tercera de las equivalencias del teorema 30 dice que una forma de determinar la conver-
gencia de una matriz, y por tanto de un mtodo iterativo, es hallando sus autovalores. De
hecho, mas que conocer los autovalores, lo que se necesita es acotar su tamao. En este
sentido el teorema 29 asegura que cualquier norma natural es una cota.
El siguiente ejercicio proporciona una cota para el error de truncacin de un mtodo
iterativo.
Ejercicio 18 Sea M la matriz de iteracin de un mtodo de manera que, para cierta
norma natural, ||M|| k < 1. Demostrar que el mtodo converge y que se verica la
siguiente cota para el error en la etapa n-sima
||x
(n)
x||
||M||
n
(1 ||M||)
||x
(1)
x
(0)
||
4.5.1 Mtodos de Jacobi y Gauss-Seidel
Si A tiene diagonal sin elementos nulos una eleccin posible para N es la diagonal de A. El
mtodo iterativo que obtenemos para esta N recibe el nombre de Jacobi y su expresin
Nx
(n)
= Px
(n1)
+b (4.21)
resulta ser
_
_
_
_
_
_
a
11
0 0
0 a
22
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a
nn
_
_
_
_
_
_
_
_
_
_
_
_
_
x
(n)
1
x
(n)
2
.
.
.
x
(n)
n
_
_
_
_
_
_
_
=
_
_
_
_
_
_
0 a
12
a
1n
a
21
0 a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
0
_
_
_
_
_
_
_
_
_
_
_
_
_
x
(n1)
1
x
(n1)
2
.
.
.
x
(n1)
n
_
_
_
_
_
_
_
+
_
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
_
Obsrvese que el mtodo anterior equivale a despejar la incgnita i-sima de la ecuacin
i-sima del sistema.
Una posible mejora de este mtodo consiste en lo siguiente: puesto que cuando se quiere
obtener x
(n)
i
ya estn disponibles x
(n)
1
, x
(n)
2
, . . . , x
(n)
i1
, pueden utilizarse estos en lugar de
x
(n1)
1
, x
(n1)
2
, . . . , x
(n1)
i1
. El mtodo que procede de esta manera recibe el nombre de
Gauss-Seidel y su expresin matricial es la siguiente:
_
_
_
_
_
_
a
11
0 0
a
12
a
22
0
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
_
_
_
x
(n)
1
x
(n)
2
.
.
.
x
(n)
n
_
_
_
_
_
_
_
=
_
_
_
_
_
_
0 a
12
a
1n
0 0 a
2n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0
_
_
_
_
_
_
_
_
_
_
_
_
_
x
(n1)
1
x
(n1)
2
.
.
.
x
(n1)
n
_
_
_
_
_
_
_
+
_
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
_
Para algunos tipos de matrices la convergencia de los mtodos de Jacobi y Gauss-Seidel est
asegurada. Un ejemplo son las matrices de diagonal estrictamente dominante de frecuente
aparicin en la resolucin de ecuaciones en derivadas parciales.
Denicin 21 Diremos que una matriz A M
nn
es de diagonal estrictamente do-
minante si para i=1,2,. . . ,n
|a
ii
| >
n
j = 1
j = i
|a
ij
|. (4.22)
Teorema 31 Si A es una matriz de diagonal estrictamente dominante, el sistema Ax = b
puede ser resuelto por los mtodos de Jacobi o Gauss-Seidel con garanta de convergencia.
4.6 Ejercicios
1. Sean A y B matrices n n inversibles conocidas. Si tambin se conocen los tres
vectores p, q y r de IR
n
:
(a) Cmo se calculara el valor de x, sabiendo que x = A
1
(B
1
p +q) +r?
(b) Cul es el trmino dominante en el nmero de operaciones efectuadas para
obtener x segn el mtodo elegido en el apartado anterior?
2. Demostrar que A M
nn
, ||A||
2

||A||
1
||A||
.
3. Hallar el nmero de condicin en la norma 2 de las matrices ortogonales. Caracteriza
esto a estas matrices?
4. Un mtodo iterativo tiene matriz de iteracin M de tamao 44, donde m
ij
=
|i j|
5
|ij|
.
Es un mtodo convergente? Justicar la respuesta.
5. Expresar la relacin
x
i1
20x
i
+ 3x
i+1
= 0, i = 1, 2, . . . , n 1,
con x
0
= 1, x
n
= 1, mediante un sistema de ecuaciones en las incgnitas x
i
,
i = 1, . . . , n 1. Convergen los mtodos de Jacobi y Gauss-Seidel aplicados a este
sistema?
6. (a) Estudiar en funcin de los parmetros la convergencia de los mtodos de Jacobi
y de Gauss-Seidel para los sistemas cuyas matrices son
A =
_
_
_
1 0
2 2 1
0 3
_
_
_, B =
_
1 +
2
1 +
2
_
.
(b) Se pretende resolver el sistema Bx =
_
1
1
_
para = 1 y = 1/2 por el
mtodo de Jacobi, tomando como iterante inicial x
0
= 0. Dar una cota del
nmero de iteraciones necesarias para asegurar una aproximacin a la solucin
con tres cifras decimales correctas.
7. Sea A =
_
1 1
3 2
_
(a) Encontrar un mtodo iterativo que converja a la solucin de
2Ax = (A
2
+I)x
_
1
2
_
(1)
para cualquier aproximante inicial x
(0)
justicando esta convergencia.
(b) Para el mtodo iterativo hallado en el apartado anterior, si x
(0)
= 0, hallar x
(1)
y x
(2)
.
(c) Es razonable utilizar un mtodo iterativo para resolver la ecuacin (1)? Justi-
car la respuesta.
8. Para resolver un sistema Ax = b, se considera el mtodo de iteracin:
x
(0)
arbitrario; x
(k)
= (x
(k)
1
, x
(k)
2
, x
(k)
3
, x
(k)
4
)
t
dado por
_
_
x
(k)
1
= x
(k1)
1
+
1
3
x
(k1)
2
+
1
5
x
(k1)
3
+
1
7
x
(k1)
4
+ 1
x
(k)
2
=
1
3
x
(k1)
1
+ 3x
(k1)
2
+
1
5
x
(k1)
3
+
1
7
x
(k1)
4
+ 1
x
(k)
3
=
1
3
x
(k1)
1
+
1
5
x
(k1)
2
+ 5x
(k1)
3
+
1
7
x
(k1)
4
+ 1
x
(k)
4
=
1
3
x
(k1)
1
+
1
5
x
(k1)
2
+
1
7
x
(k1)
3
+ 7x
(k1)
4
+ 1
para k = 1, 2, . . .
(a) Calcular la matriz de iteracin.
(b) Es convergente el mtodo? Justicar la respuesta.
(c) Sabiendo que para un iterante inicial particular el mtodo converge, especicar
un sistema Ax = b resoluble por este mtodo.
9. Dado el sistema Ax = b donde
A =
_
_
_
1 1 0
0 1 1
1 0 1
_
_
_, b =
_
_
_
1
2
3
_
_
_
(a) Calcular x
(1)
y x
(2)
, las dos primeras iteraciones para el mtodo de Jacobi,
tomando x
(0)
= (0, 0, 0)
t
.
(b) Converge el mtodo de Jacobi?
(c) Converge la sucesin de iterantes si tomamos x
(0)
= (0, 1, 3)
t
?
10. En un examen, para resolver un sistema Ax = b, usamos un mtodo iterativo cuya
matriz de iteracin es
M =
_
_
_
1/2 0 0
1 1/2 0
2 3 1/3
_
_
_.
Sin embargo, al teclear en el ordenador, nos equivocamos y tecleamos en el lugar a
33
un 1 en vez de 1/3. Evidentemente, no nos servir para resolver el problema inicial,
pero proporciona un nuevo mtodo iterativo. Dicho mtodo, ser convergente? Y
el anterior?
11. Considerar el mtodo de Jacobi para resolver el sistema Ax = b donde
20x
1
+x
2
x
3
= 18
x
1
+ 20x
2
+x
3
= 12
x
1
+x
2
+ 20x
3
= 17
(a) Por qu podemos asegurar que el mtodo es convergente?
(b) Calcular el nmero de iteraciones necesarias para obtener una solucin aproxi-
mada con un error del orden 10
2
tomando como iterante inicial x
(0)
= (0, 0, 0)
t
.
12. Considerar la matriz A =
_
_
_
_
1
2
1
2
0
0
1
2
1
2
1
2
0
1
2
_
_
_
_
. Comprobar que, para resolver un sistema
Ax = b, los mtodos iterativos de Jacobi y Gauss-Seidel no son convergentes.
13. Dar la matriz de iteracin de Jacobi e investigar la convergencia del correspondiente
mtodo para un sistema Ax = b, donde los coecientes de A son a
ij
=
1
2|i j| + 1
,
i, j = 1, 2, 3, 4.
14. La matriz M siguiente es la matriz de iteracion para el mtodo de Jacobi de cierto
sistema de ecuaciones lineales.
M =
1
0.8
_
_
_
0 0.2 0.1
0.2 0 0.1
0.1 0.1 0
_
_
_
(a) Investigar la convergencia de dicho mtodo iterativo.
(b) Poner un ejemplo concreto de sistema de ecuaciones lineales Ax = b que tenga
por matriz de iteracin de Jacobi la matriz M y por solucin el vector (1, 1, 1)
t
.
Seguidamente realizar una iteracin del mtodo de Jacobi comenzando con el
vector inicial x
(0)
= (0, 0, 0)
t
y hallar la norma innito del error absoluto al
aproximar la solucin exacta con el iterante x
(1)
.
15. Considerar el sistema de ecuaciones:
_
_
_
5 1 1
1 4 1
1 1 3
_
_
_
_
_
_
x
y
z
_
_
_ =
_
_
_
5
2
4
_
_
_
(a) Justicar que los mtodos de Jacobi y Gauss-Seidel convergen para cualquier
iterante inicial.
(b) Cul es el coste operativo para este sistema en particular (nmero de multi-
plicaciones/divisiones y sumas/restas) del mtodo de Jacobi por iteracin?
(c) Comenzando con el iterante inicial nulo, cuntas iteraciones necesitara el
mtodo de Jacobi para que la cota del error
||x x
(k)
||

||M||
k
1 ||M||
||x
(1)
x
(0)
||
asegure que cada componente de x

(k)
tiene dos cifras decimales correctas.
(d) Para x
(0)
= (1, 1, 1)
t
, hallar el x
(1)
que produce el mtodo de Gauss-Seidel.
16. Considerar el sistema de ecuaciones:
_
_
x
1
+2x
2
2x
3
= 1
x
1
+x
2
+x
3
= 1
2x
1
+2x
2
+x
3
= 1
Justicar que, cualquiera que sea el iterante inicial, el mtodo de Jacobi converge
hacia la solucin del sistema, pero el mtodo de Gauss-Seidel, no.
17. Sean A, b y B los datos dados a continuacin
A =
_
_
_
3 1 1
0 4 1
1 0 5
_
_
_ b =
_
_
_
70
14
28
_
_
_ B =
_
_
_
10 3 2
3 17 5
2 5 27
_
_
_
y para lo que sigue tener en cuenta los resultados de derive siguientes
A
1
=
1
63
_
_
_
20 5 3
1 16 3
4 1 12
_
_
_ , eigenvalues(B) = [16.77 , 29.1 , 8.14]
(a) Calcular
(A) (el nmero de condicin de A con la norma innito).

(b) Calcular ||A||
2
.
(c) Se va a aplicar el mtodo de Jacobi para el sistema Ax = b con iterante inicial
x
(0)
nulo. Por qu hay garanta de convergencia hacia la solucin del sistema?
Calcular el iterante x
(1)
. Averiguar cuntas iteraciones seran necesarias para
asegurar un error menor que una unidad en cada componente a partir de la
frmula del error
||x
(n)
x||
||M||
n
1 ||M||
||x
(1)
x
(0)
||
Nota: (2/3)
10
70 1.21
Tema 5
Clculo diferencial en varias variables
En el estudio de diversos fenmenos y en la resolucin de numerosos problemas tcnicos
aparecen cantidades que quedan determinadas por ms de una variable independiente. Por
ejemplo, el rea del rectngulo (a) es funcin de sus dos lados (b y h): a=f(b, h)=bh. Si
adems del rea nos interesa el permetro y la diagonal, debemos considerar la aplicacin
que a cada par (b,h) le asocia la terna (rea, permetro, diagonal), es decir
( b, h ) ( bh, 2b + 2h,
b
2
+h
2
)
Esto es un ejemplo del tipo de funciones que se tratarn en este tema.
5.1 Funciones.
Denicin 22 Sea A IR
n
y B IR
m
(n, m IN). Llamaremos funcin de varias
variables a cualquier aplicacin f : A B.
El conjunto A recibe el nombre de dominio y f(A) = { y B / x Acon f(x) = y }
se denomina imagen o rango.
Un ejemplo de funcin de varias variables (que en este tema en adelante se denominar
simplemente funcin) puede ser f(x, y, z) = (xzy,
xz). Desde un punto de vista estricto,

para que la funcin est denida necesitaramos conocer A y B, pero al igual que suceda
con las funciones de una variable, mientras no se especique lo contrario, supondremos que
A es el mayor conjunto para el que la expresin tenga sentido, y B todo el espacio. En
nuestro caso entonces A = {(x, y, z) IR
3
/zx 0} y B = IR
2
.
En ocasiones el dominio, aunque no se de explcitamente, viene determinado por el
proceso que la funcin modeliza. En el ejemplo del rectngulo del comienzo de la seccin,
las expresiones matemticas utilizadas para el rea, permetro y diagonal tienen sentido
en todo el espacio, pero cul es el dominio?
Cuando m = 1 las funciones se denominan funciones escalares o campos escalares,
en otro caso se denominan funciones vectoriales o campos vectoriales. En el ejemplo
anterior f es un campo vectorial y
f
1
(x, y, z) = xz y f
2
(x, y, z) =
xz
son campos escalares. En este ejemplo se pone de maniesto que un campo vectorial con
llegada en IR
m
tiene asociados m campos escalares componente. En adelante los campos
vectoriales se denotarn en letra negrita.
Ampliacin de Matemticas Clculo diferencial en varias variables 74
Algunas de las clasicaciones de funciones de una variable no tienen sentido en este
nuevo contexto (es el caso de funcin peridica, par o impar) porque estn estrechamente
relacionadas con el orden existente en IR que no tiene paralelo en IR
n
. Otras clasicaciones
como la de funcin inyectiva, suprayectiva, biyectiva o acotada, siguen teniendo validez.
De las tres primeras nada hay que mencionar puesto que se trata de conceptos denidos
para cualquier tipo de aplicacin. En cuanto a la denicin de funcin acotada, al igual
que en el caso real, es aquella cuyo conjunto imagen es acotado, es decir:
Denicin 23 Sea f : A IR
m
. Diremos que es una funcin acotada si
K 0 / x A, ||f(x)|| K
5.1.1 Representacin grca.
Denicin 24 Sea A IR
n
y f : A IR
m
. Llamaremos grca de f al conjunto
gr(f ) = {(x, y) IR
n
IR
m
/x A, y = f (x)}
Denicin 25 Sea A IR
n
y f : A IR. Para cada c IR llamaremos conjunto de
nivel L
c
al siguiente subconjunto del dominio
L
c
= {x A/f(x) = c}
Nota 8 Obsrvese que los conjuntos de nivel correspondientes a valores de c fuera del
rango de la funcin , son vacos.
La representacin grca de funciones, al estilo de las
de una variable, necesita de n+m dimensiones (n para
el dominio y m para la imagen). Como nuestra capaci-
dad de visualizacin termina en IR
3
, este tipo de rep-
resentaciones queda limitada a funciones de IR
2
en IR
(como la de la grca ) o de IR en IR
2
. Estas grcas,
como representaciones en el plano de conjuntos de IR
3
que son, no siempre proporcionan una idea clara de las
funciones.
f(x)
x
Algunas alternativas para la representacin grca son
1. Para funciones de IR en IR
2
o de IR en IR
3
, representar slo la imagen, y sobre ella,
sealar el valor del dominio al que esa imagen corresponde.
2. Para funciones escalares con dominio en IR
2
o IR
3
, representar sobre el dominio los
conjuntos de nivel, es decir, conjuntos de puntos con imagen comn.
La mayor parte de lo que se diga a continuacin en estas notas se ejemplicar sobre
funciones de IR
2
en IR, y esto tanto porque se dispone de una cierta representacin similar
a la conocida para funciones de una variable, como porque su representacin a travs
de conjuntos de nivel (que en este caso se llamarn curvas de nivel) proporciona una
visualizacin bastante aceptable de la funcin.
Las curvas de nivel suelen representarse para valores de c en progresin aritmtica para
que una distancia entre curvas de nivel signique la misma variacin de la funcin, con
independencia de entre qu curvas concretas se de.
En la gura siguiente puede verse un mapa de curvas de nivel correspondiente a la
funcin que aparece a la izquierda. Obsrvese la proximidad de las curvas de nivel en las
zonas de mayor variacin de la funcin y cmo quedan reejados los extremos relativos en
el mapa de curvas.
0
5
10
15
20
25
30
0
10
20
30
0.8
0.6
0.4
0.2
0
0.2
5 10 15 20 25
5
10
15
20
25
5.2 Lmites
Para disponer de apoyo grco empecemos por la denicin de lmite para campos escalares.
Al igual que suceda en una variable, para la denicin de lmite necesitamos previamente
las de entorno y punto de acumulacin en IR
n
:
Denicin 26 Sea b IR
n
. Llamaremos entorno de b de radio al siguiente conjunto:
E(b, ) = { x IR
n
/ ||x b|| < }
Llamaremos entorno reducido de b de radio al conjunto E
(b, ) = E(b, ) {b}

De la denicin se sigue que los entornos de puntos de IR
2
son crculos (circunferencia
lmite excluida) con centro en el punto en cuestin, y los de puntos de IR
3
, esferas macizas
excluida la supercie frontera.
Denicin 27 Sea A IR
n
. Diremos que b IR
n
es un punto de acumulacin de A si
> 0, A E
(b, ) =
Denicin 28 Sea A IR
n
, f : A IR y b punto
de acumulacin de A. Diremos que lim
xb
f(x) = s si
> 0,
> 0 / x A con 0 < ||x b|| <
se
tiene
|f(x) s| <
E(b,
)
f(E(b,
))
s
La unicidad del lmite, caso de existir, se deduce de modo inmediato de la denicin.
El comportamiento del lmite de la suma, producto y cociente de denominador no nulo
es el mismo que para funciones de una variable, de manera que no lo detallaremos.
Para campos vectoriales la denicin es la misma si se hace la salvedad de que al ser
ahora el espacio de llegada IR
m
, para medir distancias entre imgenes se utilizarn normas
en lugar de valores absolutos.
Denicin 29 Sea A IR
n
, f : A IR
m
y b punto de acumulacin de A. Diremos que
lim
xb
f (x) = s si
> 0,
> 0 / x A con 0 < ||x b|| <
se tiene ||f (x) s|| <

El siguiente teorema nos da la relacin entre el lmite de un campo vectorial y el de sus
campos escalares componente:
Teorema 32 (Teorema de equivalencia) Sea A IR
n
, f : A IR
m
con f (x) =
(f
1
(x), f
2
(x), . . . , f
m
(x))
t
y b punto de acumulacin de A. Entonces
lim
xb
f (x) = s = (s
1
, s
2
, ..., s
m
) lim
xb
f
i
(x) = s
i
, i = 1, 2, ..., m
Para funciones escalares ampliaremos la denicin de lmite de la siguiente manera:
Denicin 30 Sea A IR
n
, f : A IR y b punto de acumulacin de A. Diremos que
lim
xb
f(x) = (resp. ) si
H > 0 (resp. < 0),
H
> 0 / x A con 0 < ||x b|| <
H
se tiene
f(x) > H (resp. < H)
Hasta ahora hemos tratado slo de las deniciones de lmite, pero qu pasa con su
clculo? El clculo de lmites de funciones escalares de varias variables, en los casos en los
que las propiedades inmediatas sobre lmite (lmite de suma, producto etc.) no resuelven
el problema, se centra en el estudio de lmites restringidos, esto es, lmites de restricciones
de la funcin a dominios menores que siguen teniendo a b como punto de acumulacin.
Teorema 33 Sea A IR
n
, f : A IR y b punto de acumulacin de A. Sea S A tal
que b tambin es punto de acumulacin de S, y sea f
S
la restriccin de f a S. Entonces
si lim
xb
f(x) = s, tambin se cumple lim
xb
f
S
(x) = s.
El resultado anterior tiene la inmediata consecuencia de que si para un lmite encon-
tramos dos restringidos diferentes, el lmite no puede existir.
Ejemplo 20 lim
(x,y)(0,0)
xy
x
2
+y
2
no existe, puesto que los lmites restringidos a los con-
juntos
S
1
= {(x, y) IR
2
/x = y}, S
2
= {(x, y) IR
2
/x = y
2
}
toman valores distintos:
lim
(x, y) (0, 0)
x = y
xy
x
2
+y
2
= lim
x0
x
2
2x
2
=
1
2
lim
(x, y) (0, 0)
x = y
2
xy
x
2
+y
2
= lim
y0
y
y
2
+ 1
= 0
Ejercicio 19 Tiene sentido en el caso del lmite anterior, plantearse la restriccin al
conjunto S = {(x, y) IR
2
/e
x
= y}?
La eleccin de restringidos, para el caso de dos variables, es usual hacerla de manera
que el nuevo lmite resulte ser de una variable. Por ejemplo puede referirse una variable
a la otra (S = {(x, y)/y = y(x)} o S = {(x, y)/x = x(y)}). Pueden tambin referirse
ambas variables a una tercera (S = {(x, y)/x = x(t), y = y(t)}). Dentro de estos conjuntos
merecen mencin especial las semirrectas expresadas en coordenadas polares, es decir, los
conjuntos de la forma
S
= {(x, y)/x = a +r cos , y = b +r sin }, [0, 2)

(a, b)
r
(a + r cos , b + r sin )
Estos conjuntos tienen como punto de acumu-
lacin a (a, b) y barren todas las direcciones
del dominio. El lmite restringido a estos con-
juntos se puede obtener conjuntamente para
todos ellos arrastrando como parmetro. Si
para algn valor de se obtiene un lmite con
valor distinto, el lmite no existe.
Ejemplo 21 Calculemos el lmite del ejemplo 1 utilizando coordenadas polares:
lim
(x,y)(0,0)
xy
x
2
+y
2
= lim
r0
+
r
2
cos() sin()
r
2
= cos() sin()
Como el lmite restringido depende la semirrecta considerada (depende de ), el lmite
pedido no existe.
Qu sucede si para todo el valor del lmite es el mismo? Puede concluirse que ese es
el valor del lmite puesto que en todas direcciones las imgenes se aproximan a este valor?
La respuesta es negativa como puede verse en el siguiente ejemplo:
Ejemplo 22 Sea f(x, y) =
y
x
(x
2
+y
2
) si x = 0 y f(0, y) = 0.
Calculemos los lmites de la funcin anterior en (0,0), restringidos a semirrectas. Para
= /2 y = 3/2, la restriccin de la funcin a las correspondientes semirrectas es 0,
y este ser por tanto el valor lmite. Para cualquier otro de [0, 2):
lim
r0
+
r sin
r cos
r
2
= lim
r0
+
r
2
tan = 0
Sin embargo, lim
(x,y)(0,0)
f(x, y) no es 0 puesto que
lim
(x, y) (0, 0)
x = y
3
f(x, y) = lim
y0
y
y
3
(y
6
+y
2
) = lim
y0
(y
4
+ 1) = 1
Cual es la explicacin de que siendo el lmite por todas las semirrectas comn, no
sea este el lmite global? Analicemos un poco ms qu signica que el lmite exista y
sea comn por todas las semirrectas. Fijado un > 0 tenemos una "porcin" en cada
semirrecta tal que las imgenes de esos puntos estn en el entorno de radio del valor
lmite. Por ejemplo, para = 0.1 la gura 1 muestra en trazo ms grueso los puntos de la
semirrecta correspondiente a = /4, que tienen su imagen en E(0, 0.1). En la gura 2 no
se han representado las semirrectas completas sino slo la porcin de las mismas formada
por puntos con imagen en E(0, 0.1). La longitud de estos segmentos es el
mximo que
encontramos para cada y en esta gura puede apreciarse cmo los segmentos se acortan
a medida que el ngulo aumenta. La gura 3 muestra los segmentos correspondientes a
diferentes semirrectas y una curva que recoge hasta dnde llegaran los dems segmentos
no representados. Tenemos as que en el conjunto formado por la regin limitada por la
curva y el eje OY estn todos los puntos del dominio con imagen en E(0, 0.1). Como este
conjunto no contiene ningn entorno de (0,0), la condicin de lmite no se cumple.
Fig. 5.1.
para =

4
Fig. 5.2.
para =

8
,

4
,
3
8
Fig. 5.3.
para diferentes
Para poder garantizar que el lmite por semirrectas es el lmite global ha de poderse
encontrar un comn a todas las semirrectas. (Esto hubiera permitido en nuestro ejemplo
conseguir un entorno de (0,0) formado por puntos con imagen en E(0, 0.1)) Llamaremos a
esto convergencia uniformemente independiente del ngulo.
Denicin 31 Sea g(r, ) = f(a + r cos , b + r sin ) la funcin que se obtiene al pasar
a coordenadas polares al calcular el lim
(x,y)(a,b)
f(x, y). Diremos que g(r, ) converge a s
de forma uniformemente independiente del ngulo si
> 0
> 0 / r E
(0,
), |g(r, ) s| < ,
Nota 9 Un caso particular y frecuente de convergencia uniformemente independiente del
ngulo, se da cuando g(r, ) = h
1
(r)h
2
(r, ), con lim
r0
+ h
1
(r) = 0 y h
2
(r, ) acotada.
5.3 Continuidad.
La denicin de continuidad es anloga a la de funciones de una variable.
Denicin 32 Sea A IR
n
, f : A IR
m
. Diremos que f es continua en b IR
n
si o
bien es un punto aislado del dominio, o bien es un punto de acumulacin y se cumplen las
tres condiciones siguientes:
1. b A
2. lim
xb
f (x)
3. lim
xb
f (x) = f (b)
Diremos que f es continua en A si lo es en todos los puntos del conjunto.
La denicin anterior incluye como caso particular la de campos escalares. A efectos
prcticos, y como consecuencia del teorema de equivalencia de lmites, sta ser la nica
continuidad que se estudie.
Al igual que suceda para funciones de una variable, las propiedades de los lmites
permiten concluir de modo inmediato que la suma, producto y cociente de denominador
no nulo de funciones escalares continuas, es otra funcin continua.
Para campos vectoriales las operaciones se reducen a la suma y composicin. La suma
de campos vectoriales continuos, tambin lo es, y en cuanto a la composicin tenemos el
siguiente resultado:
Teorema 34 Sean f y g funciones vectoriales tales que f es continua en b y g continua
en f (b). Entonces (g f ) es continua en b.
Las funciones de una variable continuas en intervalos cerrados, vericaban una serie de
resultados cuyo equivalente para funciones de varias variables veremos a continuacin.
Empecemos por denir un tipo de conjunto que llamaremos compacto y que ser el
"equivalente" en varias variables de los intervalos cerrados de IR.
Denicin 33 Sea A IR
n
. Diremos que A es un conjunto cerrado si contiene a todos
sus puntos de acumulacin. Si un conjunto es cerrado y acotado diremos que es compacto.
Teorema 35 Sea A IR
n
, f : A IR continua en A. Si A es compacto, entonces
existen p y q en A tales que
x A, f(p) f(x) f(q)
Nota 10 Obsrvese que una consecuencia del resultado anterior es que las funciones con-
tinuas sobre compactos estn acotadas.
5.4 Diferenciabilidad.
Empezaremos por considerar slo campos escalares. Sea A IR
n
, f : A IR, y b A
tal que es posible encontrar un entorno de b totalmente contenido en A (en adelante esto
lo representaremos de la siguiente forma: b int(A)).
Recordemos que la derivada para funciones de una variable se dena como
lim
h0
f(b +h) f(b)
h
en caso de que ese lmite existiera y fuera nito. El signicado de este nmero era el
de razn de cambio instantnea de la variable dependiente frente a la independiente. Si
en varias variables queremos hacer algo similar, podemos empezar por el caso fcil de
comparar la imagen en el punto que nos interesa (llammosle (a, b) ) con la de puntos de
la forma (a +h, b) y (a, b +h). Calcularemos entonces los lmites
lim
h0
f(a +h, b) f(a, b)
h
lim
h0
f(a, b +h) f(a, b)
h
(5.1)
Puesto que para el primero de los lmites anteriores slo consideramos puntos de la
forma (x, b), el valor obtenido, caso de existir, coincide con el de la derivada en a de la
funcin g(x) = f(x, b) cuya grca puede verse en la gura 4.
a
b
Fig. 5.4. g(x) = f(x, b)
a
b
Fig. 5.5. g(y) = f(a, y)
Llamaremos al primero de los lmites de (1), si existe y es nito, derivada parcial de f
con respecto a x en (a, b) y lo denotaremos por cualquiera de estos smbolos:
f
x
(a, b) D
1
f(a, b)
df
dx
(a, b)
f
x
(a, b)
Lo mismo puede decirse del segundo lmite de (1), pero esta vez la funcin cuya derivada
estamos calculando es g(y) = f(a, y) (gura 5); el nombre que recibe el lmite, caso de
existir y ser nito es el de derivada parcial con respecto a y, y los smbolos para representarlo
son:
f
y
(a, b) D
2
f(a, b)
df
dy
(a, b)
f
y
(a, b)
Ejemplo 23 Sea f(x, y) = yx
2
x + 5y. Calculemos las dos derivadas parciales de la
funcin anterior en (1, 3). Si aplicamos la denicin tendremos que calcular los dos lmites
de la expresin (1) para (a, b) = (1, 3). Ahora bien, segn se ha dicho anteriormente, la
parcial con respecto a x corresponde a derivar la funcin g(x) = f(x, 3) = 3x
2
x + 15.
Si en una variable hay que derivar la funcin g(x) calcularamos de modo efectivo algn
lmite? Por supuesto que no. Se utilizaran las reglas de derivacin para obtener la funcin
derivada y se evaluara en el punto en que nos interesara. Lo mismo haremos aqu:
f
x
(x, y) = 2xy 1 f
x
(1, 3) = 6 1 = 5
Anlogamente
f
y
(x, y) = x
2
+ 5 f
y
(1, 3) = 1 + 5 = 6
En el ejemplo anterior se ha visto que al calcular una derivada parcial en un punto,
puede ser ms sencillo obtener previamente la expresin genrica de esa derivada parcial
en un punto cualquiera, es decir, obtener la funcin que a cada valor del dominio para el
que la derivada parcial exista, le asocia el valor de esa derivada parcial. Llamaremos a esta
funcin funcin derivada parcial.
Aunque hasta ahora slo nos hemos referido a funciones de dos variables, las deniciones
de derivada parcial en un punto y funcin derivada parcial pueden darse para campos
escalares cualesquiera:
Denicin 34 Sea A IR
n
, f : A IR, b int(A). Para cada i {1, 2, ..., n} se dene
la derivada parcial i-sima de f en b de la siguiente manera, siempre que el lmite exista y
sea nito:
D
i
f(b) = lim
h0
f(b +he
i
) f(b)
h
donde e
i
es el i-simo vector de la base cannica.
Llamaremos funcin derivada parcial i-sima a la que asocia a cada punto de A para
el que exista la derivada parcial i-sima, el valor de esta derivada parcial.
Nota 11 Obsrvese que b +he
i
= ( b
1
, b
2
, . . . , b
i1
, b
i
+h, b
i+1
, . . . , b
n
)
No hay que reexionar mucho para darse cuenta de que la informacin que propor-
cionan las derivadas parciales sobre el comportamiento de una funcin en un punto, es
muy incompleta. Desde luego es mucho ms dbil que la proporcionada por la derivada
en funciones de una variable. En una variable, la existencia de derivada no slo aseguraba
la continuidad de la funcin, sino que sta tena la suciente regularidad como para ser
"bien" aproximada por su recta tangente:
lim
xb
f(x) (f(b) +f
(b)(x b))
x b
= 0 (5.2)
Que existan las derivadas parciales es obvio que ni siquiera implica continuidad puesto
que se desconoce qu sucede en otras direcciones no paralelas a los ejes coordenados.
Denamos pues una nueva derivada correspondiente a la funcin de una variable que se
obtiene si restringimos el dominio de la funcin de partida, a una recta cualquiera de las
que pasan por el punto de inters.
Denicin 35 Sea A IR
n
, f : A IR, b int(A) y u un vector unitario cualquiera.
Se dene la derivada direccional segn u de f en b de la siguiente manera, siempre que el
lmite exista y sea nito:
D
u
f(b) = lim
h0
f(b +hu) f(b)
h
Para funciones de dos variables la derivada direccional
es la derivada de una funcin restringida como la re-
presentada en la gura 6.
Son las derivadas direccionales equivalentes en signi-
cado o en consecuencias si se quiere, a la derivada de
las funciones de una variable? La respuesta es nega-
tiva: una funcin puede tener todas las derivadas di-
reccionales en un punto y no ser continua en ese punto
como es el caso de la siguiente:
a
b
g.6
Ejemplo 24 Calculemos todas las derivadas direccionales en (0,0) de la funcin f(x, y) =
xy
2
x
2
+y
4
si x = 0 y f(0, y) = 0:
Si u
1
= 0
D
(u
1
,u
2
)
f(0, 0) = lim
h0
f(hu
1
, hu
2
) f(0, 0)
h
= lim
h0
h
3
u
1
u
2
2
h
2
(u
2
1
+h
2
u
4
2
)
0
h
=
u
2
2
u
1
Si u
1
= 0
D
(u
1
,u
2
)
f(0, 0) = lim
h0
f(hu
1
, hu
2
) f(0, 0)
h
= lim
h0
0 0
h
= 0
Existen por tanto todas las derivadas direccionales. La funcin sin embargo no es
continua puesto que
lim
(x, y) (0, 0)
x = y
2
f(x, y) = lim
y0
y
4
2y
4
=
1
2
= f(0, 0) = 0
Ejercicio 20 Son continuas las restricciones de la funcin anterior a rectas que pasen
por el origen?
Volviendo a nuestro intento de obtener en varias variables algo similar a la derivada en
una, puesto que lo que queremos es que el concepto tenga como consecuencia la regularidad
de la funcin, denamos funcin diferenciable como la que tenga esa regularidad que tenan
las funciones derivables de una variable, es decir, aquellas que tengan la capacidad de ser
aproximadas por una funcin lineal en el entorno del punto de estudio:
Denicin 36 (Diferenciabilidad) Sea A IR
n
, f : A IR, b int(A) . Diremos
que f es diferenciable en b si existe una aplicacin lineal de IR
n
en IR que llamaremos
diferencial de f en b y denotaremos df(b), tal que
lim
h0
f(b +h) f(b) df(b)(h)
||h||
= 0
Ejercicio 21 Demostrar que si una funcin es diferenciable en un punto, la diferencial
es nica.
Obsrvese el parecido del lmite anterior con el que para funciones de una variable
nos concretaba la idea de que las funciones derivables eran bien aproximadas por su recta
tangente (2). Si escribimos el lmite (2) en la variable h tenemos:
lim
h0
f(b +h) (f(b) +f
(b)h)
h
= lim
h0
f(b +h) (f(b) +df(b)(h))
h
= 0
expresin que salvo signo coincidira con la de la denicin de diferenciabilidad particula-
rizada a funciones de una variable.
Utilizamos este paralelismo para obtener en varias variables el concepto correspondiente
al de recta tangente en una variable: expresemos el lmite de la denicin de diferenciabi-
lidad en la variable x = b +h
lim
xb
f(x) (f(b) +df(b)(x b))
||x b||
= 0
Comparando esta expresin con (2), es evidente que el equivalente a la recta tangente
en una variable (r
b
(x) = f(b) +f
(b)(x b)) es ahora

H
b
(x) = f(b) +df(b)(x b) (5.3)
Llamaremos a esta funcin hiperplano tangente a f en el punto b, y para funciones
de dos variables la grca de esta funcin es un plano tangente a la grca de f en (b, f(b)).
Veamos ahora qu regularidad hemos conseguido asegurar con la denicin de diferen-
ciabilidad dada.
Teorema 36 Sea A IR
n
, f : A IR diferenciable en b. Entonces:
1. f es continua en b
2. Existen todas las derivadas direccionales en b y para cualquier vector unitario u de
IR
n
, se cumple
D
u
f(b) = df(b)(u)
Demostracin. Veamos primero la continuidad.
lim
h0
(f(b +h) f(b)) = lim
h0
||h||
f(b +h) f(b)
||h||
=
lim
h0
||h||
_
||h||
+
df(b)(h)
||h||
_
= lim
h0
df(b)(h) = 0
Nota 12 El lmite anterior es 0 porque la condicin de diferenciabilidad asegura la anula-
cin de la primera fraccin y en cuanto a la segunda, las aplicaciones lineales son funciones
continuas (slo estn formadas por sumas y productos) que en 0 se anulan.
Veamos ahora la existencia de derivadas direccionales:
D
u
f(b) = lim
t0
f(b +tu) f(b)
t
= lim
t0
_
f(b +tu) f(b) df(b)(tu)
t
+
df(b)(tu)
t
_
=
lim
t0
tdf(b)(u)
t
= df(b)(u)
Donde el primer sumando del penltimo miembro tiende a cero por ser una restriccin
(salvo signo) del lmite de la condicin de diferenciabilidad.
El segundo apartado del resultado anterior tiene ms importancia de la que en un
principio podra parecer porque nos da la clave para obtener la matriz de la aplicacin lineal
que aparece en la denicin de diferenciabilidad, es decir, la matriz que dene la diferencial.
Es sabido que la matriz de una aplicacin lineal tiene por columnas las coordenadas de
las imgenes de los vectores de la base. En nuestro caso por tanto, tomando como base la
cannica,
df(b)(h) = [df(b)(e
1
), ..., df(b)(e
n
)]h
El teorema anterior nos dice que la diferencial actuando sobre cualquier vector unitario,
es la derivada direccional, segn ese vector, de la funcin en el punto. En particular, la
diferencial segn un vector de la base cannica es la derivada parcial correspondiente en el
punto.
La expresin del hiperplano tangente puede ser dada ahora de forma ms explcita:
H
b
(x) = f(b) +
n
i=1
D
i
f(b)(x
i
b
i
)
El vector traspuesto (matriz la) que determina la aplicacin diferencial (es decir, el
vector de parciales) recibe el nombre de gradiente y se representa f(b) o f
(b). El
hiperplano tangente puede representarse con esta notacin como
H
b
(x) = f(b) +f
(b)(x b)
El vector gradiente seala la direccin (y sentido) en que la derivada direccional es
mxima en el punto, puesto que si es el ngulo que forman el gradiente y u,
D
u
f(b) = df(b)(u) = f

(b)u = ||f

(b)|| ||u|| cos = ||f

(b)|| cos
Es claro que este producto ser mayor cuanto mayor sea el
coseno y esto corresponde a =0. Vemos adems que el
valor mximo de la derivada direccional en b es ||f
(b)||.
Para funciones de dos variables con curvas de nivel su-
cientemente regulares, el gradiente en b, como indicador de
mxima variacin de la funcin que es, es perpendicular
a la curva de nivel en b. La direccin de la tangente a la
curva de nivel, es por tanto la de mnima variacin.
x
f(x)
Veamos un ejemplo de estudio de la diferenciabilidad de una funcin en un punto segn
la denicin.
Ejemplo 25 Sea f(x, y) = x+2y
2
y veamos si es diferenciable en (2, 1). Las parciales en
este punto son:
f
x
(2, 1) = 1 f
y
(2, 1) = 4
Sabemos entonces que, de ser diferenciable, la diferencial ser:
df(2, 1)(h, k) = [1, 4][h, k]
t
= h + 4k
Calculemos el lmite que la denicin impone debe ser nulo:
lim
(h,k)(0,0)
f(2 +h, 1 +k) f(2, 1) df(2, 1)(h, k)
h
2
+k
2
=
lim
(h,k)(0,0)
(2 +h + 2(1 +k)
2
) (2 + 2) (h + 4k)
h
2
+k
2
=
lim
(h,k)(0,0)
2k
2
h
2
+k
2
= lim
r0
+
2r
2
sin
2
r
= 0
Como los lmites restringidos a semirrectas son cero de forma uniformemente indepen-
diente del ngulo, ste es el valor del lmite de partida, y por tanto la funcin es diferenciable
en el punto.
El ejemplo anterior pone de maniesto que pese a la sencillez de la funcin propuesta,
la comprobacin de la diferenciabilidad resulta bastante engorrosa. Veamos una condicin
suciente de diferenciabilidad que simplica las cosas.
Teorema 37 Sea A IR
n
, f : A IR, b int(A), tales que existen todas las derivadas
parciales en un entorno de b y son continuas en b. Entonces f es diferenciable en b
Utilizando este resultado, la diferenciabilidad de f(x, y) = x + 2y
2
en cualquier punto
es inmediata sin ms que tener en cuenta que sus derivadas parciales son f
x
(x, y) = 1 y
f
y
(x, y) = 2y, continuas en todo IR
2
.
Hasta ahora slo hemos hablado de la diferenciabilidad de campos escalares, veamos
qu sucede con los vectoriales. La denicin de diferenciabilidad para stos es:
Denicin 37 Sea A IR
n
, f : A IR
m
, b int(A) . Diremos que f es diferenciable
en b si existe una aplicacin lineal de IR
n
en IR
m
que llamaremos diferencial de f en b y
denotaremos df(b), tal que
lim
h0
||h||
= 0
Dada la relacin entre el lmite de un campo vectorial y el de sus campos escalares
componente, es bastante esperable el siguiente resultado:
Teorema 38 Sea A IR
n
, f : A IR
m
, con f= (f
1
, f
2
, ..., f
m
)
t
y b int(A). Entonces
f es diferenciable en b si y slo si lo son f
1
, f
2
, ..., f
m
.
Adems, en caso de diferenciabilidad se verica que la diferencial de f viene determinada
por una matriz cuyas las son los gradientes de f
1
, f
2
, ..., f
m
, es decir
df(b)(h) =
_
_
_
_
_
_
D
1
f
1
(b) D
2
f
1
(b) D
n
f
1
(b)
D
1
f
2
(b) D
2
f
2
(b) D
n
f
2
(b)
.
.
.
.
.
.
.
.
.
.
.
.
D
1
f
m
(b) D
2
f
m
(b) D
n
f
m
(b)
_
_
_
_
_
_
h
Nota 13 La matriz que denota la diferencial de una funcin f en un punto b se denomina
matriz jacobiana de f en b y se representa por Jf(b) o simplemente f
(b). Para campos

escalares la matriz jacobiana es el gradiente.
Ejemplo 26 Estudiar la diferenciabilidad de la funcin f(x, y) = (xy, 2x +2y,
x
2
+y
2
)
en IR
2
.
Para estudiar la diferenciabilidad, puesto que se trata de un campo vectorial, trabajare-
mos con la de sus campos escalares componente. Como necesitamos las derivadas parciales
de todos ellos escribamos la matriz jacobiana del campo vectorial de partida.
f
(x, y) =
_
_
_
y x
2 2
x
x
2
+y
2
y
x
2
+y
2
_
_
_
Obsrvese que la primera la corresponde a las parciales del primer campo escalar
componente, la segunda al segundo y la tercera al tercero.
A la vista de las parciales es inmediato que los dos primeros campos escalares son
diferenciables en todo IR
2
puesto que sus parciales son continuas. Para el tercero slo
tenemos asegurada la condicin suciente para IR
2
{(0, 0)}, puesto que en este punto las
parciales no pueden calcularse mediante reglas de derivacin como hemos hecho con los
dems. Si se aplica la denicin obtenemos que las parciales de f
3
no existen en (0,0)
(ejercicio), con lo que se trata de un punto de no diferenciabilidad de f.
Teorema 39 (Regla de la Cadena) Si f es diferenciable en b y g lo es en f(b), entonces
(g f) es diferenciable en b y
d(g f)(b) = dg(f(b)) df(b)
Nota 14 La relacin entre las diferenciales dada en el teorema conduce de modo inmediato
a la siguiente igualdad para las matrices jacobianas:
(g f)
(b) = g
(f(b))f
(b)
Ejemplo 27 Sea f (x, y) = (xy, x
2
+ y, 2, xsin y) y g(u, v, s, t) = (us + t, vs
2
, uv
t
). Estu-
diar la diferenciabilidad de gf en (1, 0) y en caso de diferenciabilidad, hallar su matriz
jacobiana.
Hallemos las matrices jacobianas de ambas funciones:
f
(x, y) =
_
_
_
_
_
y x
2x 1
0 0
sin y xcos y
_
_
_
_
_
g
(u, v, s, t) =
_
_
_
s 0 u 1
0 s
2
2vs 0
v
t
utv
t1
0 uv
t
ln v
_
_
_
Dado que las parciales de f son continuas en (1, 0), tenemos que f es diferenciable en
(1, 0). Tambin lo es g en f(1, 0) = (0, 1, 2, 0), puesto que las parciales de g son continuas
en este punto. Entonces la regla de la cadena nos asegura que (g f) es diferenciable en
(1, 0) y su diferencial viene dada por la siguiente matriz jacobiana:
(g f)
(1, 0) = g
(f (1, 0))f
(1, 0) =
_
_
_
2 0 0 1
0 4 4 0
1 0 0 0
_
_
_
_
_
_
_
_
0 1
2 1
0 0
0 1
_
_
_
_
_
=
_
_
_
0 3
8 4
0 1
_
_
_
5.5 Extremos.
La denicin de extremo relativo para campos escalares es anloga a la dada para funciones
de una variable.
Denicin 38 Sea f un campo escalar y b un punto del dominio de f. Diremos que f
presenta un mximo (resp. mnimo) relativo en b si existe > 0 tal que
x E(b, ) Dom(f), f(x) f(b) (resp. f(x) f(b))
Teorema 40 Si en un extremo relativo existe alguna derivada parcial, sta es nula.
Ejercicio 22 Demostrar el resultado anterior.
El caso ms habitual es que existan todas las derivadas parciales en el punto. Si todas
las parciales se anulan en un punto, ste recibe el nombre de punto estacionario y es
un candidato a extremo relativo. Cuando un punto estacionario no es extremo relativo se
dice que es punto de silla.
No todos los extremos relativos se alcanzan en puntos estacionarios. Pensemos por
ejemplo en la funcin f(x, y, z) = |x| +|y| +|z|. Esta funcin presenta un mnimo relativo
(de hecho es absoluto) en (0,0,0) y este punto no es estacionario al no existir las parciales
en l. Tanto los puntos estacionarios como el (0,0,0) del ejemplo anterior, son puntos
interiores del dominio, pero un extremo relativo puede alcanzarse en un punto del dominio
que no es interior. Estos puntos reciben el nombre de puntos frontera. Un ejemplo de
esto es la funcin f(x, y) = x + y con dominio [0,1][0,1]. Esta funcin tiene un mximo
(absoluto y por tanto relativo) en (1,1) y un mnimo en (0,0), y sin embargo estos puntos
ni son estacionarios, ni tales que no existan las parciales en ellos.
Empecemos el estudio de extremos por el caso fcil: extremos entre los puntos inte-
riores del dominio. Como se ha dicho anteriormente tienen que darse entre los puntos
estacionarios o aquellos en los que no existe alguna parcial. Para estos ltimos no veremos
ningn resultado especial y decidir si es extremo o no depender de la comparacin directa
de la imagen en el punto con la de los puntos de un entorno (aplicar la denicin de ex-
tremo relativo). En cuanto a los puntos estacionarios, podemos caracterizar su condicin
de extremo en funcin del carcter de una forma cuadrtica como a continuacin veremos.
Denicin 39 Sea A IR
n
, f : A IR tal que existen todas las derivadas parciales de
D
i
f(x), i = 1, 2, ..., n en b int(A) (llamaremos a estos valores, parciales de segundo
orden de f en b y los representaremos D
i,j
f(b) = D
j
(D
i
f(b))).
Se dene la matriz hessiana de f en b de la siguiente manera:
Hf(b) =
_
_
_
_
_
_
D
11
f(b) D
12
f(b) D
1n
f(b)
D
21
f(b) D
22
f(b) D
2n
f(b)
.
.
.
.
.
.
.
.
.
.
.
.
D
n1
f(b) D
n2
f(b) D
nn
f(b)
_
_
_
_
_
_
Ejemplo 28 La matriz hessiana de f(x, y) = xe
y
en (x, y) es:
Hf(x, y) =
_
f
xx
(x, y) f
xy
(x, y)
f
yx
(x, y) f
yy
(x, y)
_
=
_
0 e
y
e
y
xe
y
_
Cuando un campo escalar tiene sus funciones derivadas parciales continuas en un con-
junto A, decimos que f es de clase 1 en A. Si tiene continuas las parciales de segundo
orden decimos que es de clase 2 y as sucesivamente. Representaremos esto con la notacin
f C
k
(A) (f es de clase k en A).
Teorema 41 Sea A IR
n
, f : A IR, b A tales que existen todas las derivadas
parciales D
i
f(x), i = 1, 2, ..., n en un entorno de b. Existe tambin D
ij
f(x) en un
entorno de b y es continua en b. Entonces existe D
ji
f(b) y D
ji
f(b) = D
ij
f(b).
Teorema 42 Sea A IR
n
, f : A IR de clase 2 en un punto estacionario b de f. Sea
Q(h) = h
t
Hf(b)h la forma cuadrtica denida por la matriz hessiana de f en b. Entonces
1. Si Q es denida positiva, f presenta un mnimo relativo en b
2. Si Q es denida negativa, f presenta un mximo relativo en b
3. Si Q es indenida, f presenta un punto de silla en b
Nota 15 Obsrvese que el resultado anterior no ofrece conclusin para los casos en los
que la forma cuadrtica es semidenida.
Aunque no veremos la demostracin del resultado anterior, vamos a comentar, uti-
lizando la frmula de Taylor para funciones de varias variables, la relacin existente entre
el carcter de la forma cuadrtica determinada por la matriz hessiana y la condicin de
extremo del punto.
5.5.1 Polinomio de Taylor.
Se recordar que en una variable el polinomio de Taylor de una funcin desarrollado en
un punto se obtuvo imponiendo la coincidencia de funcin y polinomio as como cuantas
derivadas fuera posible en el punto de desarrollo. Podemos buscar un polinomio similar
para funciones de varias variables, imponiendo la coincidencia de las derivadas parciales,
las parciales de segundo orden, etc.
Nos centramos en el caso de dos variables y ms concretamente en un polinomio genrico
de grado 2:
P
2
(x, y) = a
00
+a
10
x +a
01
y +a
20
x
2
+a
11
xy +a
02
y
2
Fijado un punto (a,b) del dominio de un campo escalar f, cuntas derivadas parciales
podemos hacer que tengan en comn funcin y polinomio? Para determinar esto, reescri-
biremos el polinomio utilizando esta vez en lugar de la base 1, x, y, x
2
, xy, ..., la obtenida
sustituyendo x por (x a) e y por (y b). El polinomio que buscamos es entonces de la
forma,
P
2
(x, y) = c
00
+c
10
(x a) +c
01
(y b) +c
20
(x a)
2
+c
11
(x a)(y b) +c
02
(y b)
2
Suponiendo que f tiene en (a, b) tantas parciales como necesitemos, obtenemos:
f(a, b) = P
2
(a, b) = c
00
c
00
= f(a, b)
f
x
(a, b) = D
1
P
2
(a, b) = c
10
c
10
= f
x
(a, b)
f
y
(a, b) = D
2
P
2
(a, b) = c
01
c
01
= f
y
(a, b)
f
xx
(a, b) = D
11
P
2
(a, b) = 2c
20
c
20
=
f
xx
(a, b)
2
f
xy
(a, b) = D
12
P
2
(a, b) = c
11
c
11
= f
xy
(a, b)
f
yy
(a, b) = D
22
P
2
(a, b) = 2c
02
c
02
=
f
yy
(a, b)
2
El polinomio queda por tanto
P
2
(x, y) = f(a, b) +f
x
(a, b)(x a) +f
y
(a, b)(y b)+
f
xx
(a, b)
2
(x a)
2
+f
xy
(a, b)(x a)(y b) +
f
yy
(a, b)
2
(y b)
2
Si la funcin cumple f
xy
(a, b) = f
yx
(a, b) (esto sucede si es de clase 2 en el punto por
ejemplo), el polinomio puede escribirse en la forma
P
2
(x, y) = f(a, b) +f
(a, b)(x a, y b)
t
+
1
2
(x a, y b)Hf(a, b)(x a, y b)
t
Para un campo escalar de n variables, el polinomio de Taylor de grado 2 quedara:
P
2
(x) = f(a) +f
(a)(x a) +
1
2
(x a)
t
Hf(a)(x a)
Se dene el polinomio de Taylor de grado k desarrollado en a correspondiente a un campo
escalar f de n variables como:
P
k
(x) = f(a) +
k
i=1
1
i!
j
1
,j
2
,...,j
i
{1,2,...,n}
D
j
1
j
2
...j
i
f(a)(x
j
1
a
j
1
)(x
j
2
a
j
2
) . . . (x
j
i
a
j
i
)
Nota 16 Obsrvese que el polinomio de Taylor de grado 1 de una funcin es el hiperplano
tangente de la misma en el punto de desarrollo.
Teorema 43 Sea A IR
n
, f : A IR de clase k+1 en A. Supongamos que el segmento
[x, a] = { v IR
n
/ v = a + t(x a), t [0, 1] } est contenido en A. Entonces existe
(0, 1) tal que
f(x) P
k
(x) =
1
(k + 1)!
j
1
,j
2
,...,j
k+1
{1,2,...,n}
D
j
1
j
2
...j
k+1
f(a+(xa)) (x
j
1
a
j
1
)(x
j
2
a
j
2
) . . . (x
j
k+1
a
j
k+1
)
Para el caso particular de k = 0 el teorema anterior proporciona la expresin
f(x) f(a) = f
(c)(x a)
donde c es algn punto del segmento [x, a]. Este teorema es la generalizacin a varias
variables del teorema de Lagrange.
Ejercicio 23 Sea A IR
n
tal que contiene al segmento que une dos cualesquiera de sus
puntos. Sea f : A IR un campo escalar con todas sus parciales nulas en A. Demostrar
que f es constante.
Volvamos a nuestra explicacin pendiente sobre la relacin entre la forma cuadrtica
dada por la matriz hessiana y el carcter de extremo relativo de un punto estacionario.
Para un punto estacionario la expresin del polinomio de Taylor de orden 2 junto con su
error es
f(x) f(a) =
1
2
Q(x a) +
1
3!
i,j,k
D
ijk
f(c
x
)(x
i
a
i
)(x
j
a
j
)(x
k
a
k
)
La funcin presentar un extremo relativo en a si el signo del primer miembro es
constante para x sucientemente prximo a a. Para estos x, el signo viene determinado
por Q(x a) puesto que el sumando del error contiene "cantidades pequeas" (x
i
a
i
),
elevadas a una potencia mayor.
Nota 17 Lo anterior es una explicacin vlida para funciones de clase 3 pero el estudio
de extremos relativos a travs de la forma cuadrtica es posible, tal y como se enuncia en
el teorema 10 para funciones de clase 2.
5.5.2 Extremos relativos condicionados.
El estudio de extremos relativos efectuado hasta ahora slo utiliza derivadas parciales y
por tanto slo es aplicable a puntos interiores del dominio. Estudiaremos ahora extremos
relativos sobre conjuntos S = {x IR
n
/g(x) = 0}, es decir, extremos relativos de f
S
.
Llamaremos a stos extremos relativos condicionados de f para la condicin g(x) = 0.
Por ejemplo, queremos extremos relativos de la
funcin f(x, y) = x
2
+ 2y
2
xy sobre el conjunto
S = {(x, y)/x
2
+ y
2
= 1}. Puesto que la funcin
es continua y el conjunto S compacto, los extremos
que buscamos es claro que existen. El mapa de curvas
de nivel representado conjuntamente con el conjunto
S nos muestra grcamente dnde estn los puntos
buscados. Obsrvese que los puntos sealados no son
extremos si consideramos la funcin denida sobre IR
2
,
pero resultan extremos si nos restringimos a S.
En la grca puede observarse tambin que en los extremos, la correspondiente curva
de nivel de la funcin y la curva que describe S son tangentes (sus gradientes sern por
tanto linealmente dependientes (f
(a, b) + g
(a, b) = 0). Otra forma de decir esto es

"(a,b) es punto estacionario de la funcin F(x, y) = f(x, y) + g(x, y)". Esta condicin
ser la clave de la localizacin de extremos sobre conjuntos descritos por condiciones del
tipo g(x) = 0. Estas condiciones en adelante se denominarn condiciones de ligadura o
simplemente ligadura.
Teorema 44 Sean A IR
n
, f : A IR, y g : A IR
m
, con m < n. Sean
S = {x A/ g(x) = 0} y b S tal que rango(g(b)) = m. Entonces si f restringida a
S alcanza un extremo relativo en b, existen m nmeros reales
1
,
2
, . . . ,
m
tales que b es
punto estacionario de la funcin
F(x) = f(x) +
m
i=1
i
g
i
(x)
La funcin F que aparece en el resultado anterior recibe el nombre de funcin auxiliar
de Lagrange, los nmeros
1
, . . . ,
m
, multiplicadores de Lagrange y los puntos de S
que como el del teorema cumplen rango(g(b)) = m, es decir, que la matriz jacobiana de
g es de rango mximo, se denominan puntos regulares de S.
El teorema anterior nos proporciona una forma de buscar candidatos a extremos rel-
ativos condicionados (encontrar puntos estacionarios de funciones de Lagrange). Una vez
encontrados, cmo saber si son o no extremos? Puesto que sobre el conjunto S, F y
f coinciden, si el candidato hallado es extremo relativo de F, tambin es extremo rela-
tivo condicionado de f. Estudiaremos esto mediante el carcter de la forma cuadrtica
denida por la matriz hessiana de F. Observar de nuevo que en los casos en que esta
forma cuadrtica sea semidenida o indenida no podremos concluir. Si es semidenida
no sabemos si el punto es extremo de F y si es indenida sabemos que no lo es, pero en
ambos casos el punto podra ser un extremo relativo condicionado de f.
Ejemplo 29 Hallar los extremos relativos condicionados de la funcin f(x, y, z) = x+y+z
con la condicin de ligadura
1
x
+
1
y
+
1
z
= 1.
Sea g(x, y, z) =
1
x
+
1
y
+
1
z
1
Todos los puntos del conjunto S = {(x, y, z)/g(x, y, z) = 0} son regulares puesto que
g
(x, y, z) = [
1
x
2
,
1
y
2
,
1
z
2
]
Los extremos relativos se hallarn entonces, en caso de existir, entre los puntos esta-
cionarios de la funcin de Lagrange que estn en S. Puesto que
F(x, y, z) = x +y +z +
_
1
x
+
1
y
+
1
z
1
_
hay que resolver el sistema,
F
x
(x, y, z) = 1

x
2
= 0
F
y
(x, y, z) = 1

y
2
= 0
F
x
(x, y, z) = 1

z
2
= 0
1
x
+
1
y
+
1
z
= 1
(5.4)
De las tres primeras ecuaciones se obtiene x
2
= y
2
= z
2
= . De entrada tenemos
como posibilidades todas las combinaciones que se obtienen permitiendo que las variables
tomen valor

o
, pero la ligadura restringe estas posibilidades a "todas las variables

positivas" o "dos de las variables positivas y una negativa". Siguiendo la primera (x = y =
z =
), de la condicin de ligadura obtenemos el punto (3,3,3) ( = 9). De las otras tres

posibilidades (x = y = z =
,etc.) se obtienen los puntos (1,1,-1), (1,-1,1,), y (-1,1,1)

( = 1 para todos ellos).
Tenemos pues cuatro candidatos. Para decidir si son extremos hallamos la matriz
hessiana de F:
HF(x, y, z) =
_
_
_
_
_
_
_
_
_
2
x
3
0 0
0
2
y
3
0
0 0
2
z
3
_
_
_
_
_
_
_
_
_
y la evaluamos en cada uno de los puntos de inters:
HF(3, 3, 3) =
_
_
_
_
_
_
_
_
_
2
3
0 0
0
2
3
0
0 0
2
3
_
_
_
_
_
_
_
_
_
HF(1, 1, 1) =
_
_
_
2 0 0
0 2 0
0 0 2
_
_
_
HF(1, 1, 1) =
_
_
_
2 0 0
0 2 0
0 0 2
_
_
_
HF(1, 1, 1) =
_
_
_
2 0 0
0 2 0
0 0 2
_
_
_
La forma cuadrtica que dene H(F(3, 3, 3)) es denida positiva con lo que F presenta
un mnimo relativo en (3,3,3) y por tanto f, un mnimo relativo condicionado en ese punto.
Como las otras tres formas cuadrticas son indenidas podemos armar que los restantes
puntos son puntos de silla de F pero no se puede asegurar nada acerca de si son o no
extremos relativos condicionados de f.
Para nalizar comentamos brevemente el caso particular de bsqueda de extremos
absolutos sobre conjuntos compactos. La primera cuestin a tener en cuenta es que si la
funcin es continua y el dominio es compacto, los extremos se alcanzan. Bastar por tanto
hallar los "candidatos" a extremos y decidir entre ellos por evaluacin (no es necesario
averiguar si son o no extremos relativos). En cuanto a la localizacin de estos candidatos,
recordemos que entre los puntos interiores del dominio han de encontrarse los estacionarios
y aquellos para los que no existe alguna derivada. Para puntos pertenecientes a una frontera
del tipo g(x) = 0, el teorema de los multiplicadores de Lagrange, nos ayudar a encontrar
los candidatos a extremo.
5.6 Ejercicios
1. Hallar y representar grcamente los dominios de las siguientes funciones
a) f(x, y) =
y |x| b) f(x, y) = ln(1 x

2
y
2
) c) f(x, y) =
1 x
2
1 y
2
d) f(x, y) = arcsen|xy| e) f(x, y, z) = ln(xyz) f) f(x, y, z) =
x
ye
z
2. Representar las curvas de nivel de las siguientes funciones
f(x, y) = x
2
+y
2
g(x, y) = x
2
y
2
h(x, y) =
2x
x
2
+y
2
3. Demostrar que si lim
xb
f(x) = s < 0, existe > 0 tal que x E
(b, ) dom(f)
se tiene que f(x) < 0.
4. Calcular los siguientes lmites o probar que no existen
a) lim
(x,y)(0,0)
x
2
+y
2
x
2
y
2
b) lim
(x,y)(0,0)
y(y x
2
)
x
2
+y
2
c) lim
(x,y)(0,0)
y
2
x
d) lim
(x,y)(0,0)
xy
x
2
+y
2
e) lim
(x,y)(1,0)
ln x
e
y
1
f) lim
(x,y)(1,1)
xy + 1
x
2
y
g) lim
(x,y)(0,0)
_
_
_
(x +y)sen
1
x
sen
1
y
si xy = 0
x +y + 1 si xy = 0
h) lim
(x,y)(0,0)
x
y
5. Para cada una de las siguientes funciones representar el dominio, estudiar la con-
tinuidad y ampliar el dominio, si es posible, de forma que los puntos aadidos sean
de continuidad.
a) f(x, y) =
x
y
2
x
b) f(x, y) =
yx
3
x
6
+y
2
c) f(x, y) =
x
3
x
2
+y
2
d) f(x, y) =
xy
xy + (x y)
6. Hallar las derivadas parciales y las derivadas direccionales de las siguientes funciones,
suponiendo que la funcin g que aparece en algunas deniciones es de clase 1
a) f(x, y, z) = xy
z
b) f(x, y) = xg(y x) +g(xy)
c) f(x, y, z) =
x
z
y g(t) dt d) f(x, y) =
_
e
yx
si x y
e
y
e
x
si x < y
7. (a) Dar justicadamente un ejemplo de funcin de dos variables continua y no
diferenciable en (1,0).
(b) Dar un ejemplo de una funcin de dos variables, continua en su dominio, que
alcance los valores 1 y 3 pero que nunca tome el valor 2.
(c) Demostrar que si f(x, y) tiene gradiente nulo en todo IR
2
, es constante.
(d) Obtener la ecuacin del plano tangente a la grca de f(x, y) = 3x
2
+2xy +3y
2
en (
1
2
,
1
3
) y acotar el error que se comete al utilizar este plano para aproximar
f(0, 0), suponiendo este valor desconocido.
8. Estudiar continuidad y diferenciabilidad de
a) f(x, y) =
_
_
arctg
_
(y 1)
2
x
2
_
si x = 0
2
si x = 0
b) f(x, y) =
_
_
_
xy
x y
si x = y
0 si x = y
9. Sea f(x, y) =
_
_
_
x
3
sin
1
y
+y
3
sin
1
x
si xy = 0
0 si xy = 0
(a) Estudiar la existencia y continuidad de las derivadas parciales de f.
(b) Estudiar la existencia de derivadas direccionales en (0,0).
(c) Estudiar la diferenciabilidad de f en su dominio.
10. Sea f(x, y) =
_
_
x
x
2
+y
2
(x, y) = (0, 0)
0 (x, y) = (0, 0)
(a) Determinar los valores de para:
1. f sea continua en (0,0)
2. f sea derivable en (0,0) segn el vector (u
1
, u
2
)
3. f sea diferenciable en (0,0)
(b) Para = 1 hallar los extremos absolutos y relativos de f
2
(x, y).
11. Hallar los extremos relativos de las siguientes funciones
a) f(x, y) = x
3
y
3
+ 3xy b) f(x, y) = x
4
+y
6
c) f(x, y) = x
3
+y
3
6xy d) f(x, y) = xy e
x
2
y
2
2
e) f(x, y) = (y
2
x)(y
2
2x) f) f(x, y, z) = x
2
yz 16x y z
g) f(x, y, z) = x
4
+y
4
+z
4
4xyz h) f(x, y, z) = x
2
+y
2
+z
2
xy x 2z
12. Hallar los extremos relativos de f bajo las condiciones que se indican
a) f(x, y) = xy x
2
+y
2
= 1
b) f(x, y, z) = ln x + ln y + ln z
3
x
2
+y
2
+z
2
= 5
13. Hallar los extremos absolutos de las siguientes funciones en los dominios que se
indican:
a) f(x, y, z) = x +y +z A = { (x, y, z) IR
3
/ x
2
+y
2
z
2
, 0 z 1 }
b) f(x, y, z) = xy z
2
A = { (x, y, z) IR
3
/ x
2
+y
2
+z
2
1, y 0 }
14. Estudiar los extremos de f(x, y) = x
2
+ y
2
sobre el conjunto A = { (x, y)
IR
2
/ x
2
+y
2
2x 0}
15. Sea f(x, y) = x(y + 1)
(a) Representar las curvas de nivel correspondientes a c=0, 1, 2, -1, -2, 1/2 y -1/2
(b) Utilizar el apartado anterior para sealar grcamente los extremos relativos de
f condicionados a x
2
+y
2
= 1.
(c) Obtener y justicar los extremos relativos condicionados representados en el
apartado anterior.
16. (a) Representar el conjunto A = {(x, y) IR
2
/ y(x 1) = x}
(b) Hallar justicadamente los extremos relativos de f(x, y) = x+2y condicionados
a y(x 1) = x, y representar curvas de nivel de f que pongan de maniesto
el carcter de extremos de los puntos hallados.
17. Considerar la funcin f(x, y) = x
3
+xy
2
(a) Estudiar los extremos relativos de f.
(b) Ahora se desea encontrar los extremos absolutos de f en el conjunto A =
{(x, y) IR
2
/ x
2
+y
2
2}.
1. Se puede asegurar que dichos extremos absolutos se alcanzan?
2. Calcularlos razonadamente y decir en qu puntos se alcanzan.
18. Se quieren hallar los extremos condicionados de la funcin f(x, y) = x
2
+y
2
sometidos
a la ligadura xy = 1.
(a) Mediante un bosquejo representando las curvas de nivel, dibujar de forma apro-
ximada dnde se alcanzaran dichos extremos condicionados.
(b) Determinar analticamente las coordenadas de los puntos marcados en el apartado
anterior utilizando la funcin F de Lagrange.
(c) Uno de los puntos obtenidos en el apartado anterior es el (1, 1). Proporciona
la matriz hessiana de F en (1, 1) informacin? Razonar de todas maneras si
se alcanza un mnimo relativo condicionado o mximo relativo condicionado o
ninguna de las dos cosas.
19. (a) Sea f(x, y) =
xy
3
x
2
y
2
. Es posible denir f(0, 0) de modo que f sea continua
en ese punto? Justicar la respuesta.
Indicacin: considerar la restriccin y = sin(x)
(b) Sea f(x, y, z) =
x
0
yz Ch(t
2
) dt. Hallar su polinomio de Taylor de grado 2 en
(0,0,1). Es (0,0,1) un extremo relativo de f(x, y, z)? Justicar la respuesta.
20. Sean f : IR
2
IR
2
y g : IR
2
IR
3
denidas de la siguiente manera:
f(x, y) = ( x + 2y ,
xy
0
e
t
2
dt ) g(u, v) = ( u
2
v , senu, v cos u)
(a) Es (g f) diferenciable en (0, )? En caso armativo, hallar (g f)
(0, )
(b) Hallar el plano tangente en (0, ) del primer campo escalar componente de
(g f).
21. Sea f(x, y) =
_
_
_
y(x + 1)
x
2
si x = 0
0 si x = 0
(a) Representar grcamente los conjuntos L
0
, L
1
, L
1
. Pertenece (1/3, 1/2) a
alguna curva de nivel? A cul? Justique la respuesta.
(b) Estudiar la continuidad de la funcin f(x, y).
(c) Representar la regin del plano en que f(x, y) > 0.
(d) Hallar, si es posible, los extremos relativos de f(x, y).
22. (a) Estudiar, segn los valores de a, si (0,0) es extremo relativo de la funcin
f(x, y) = x
4
+y
4
2x
2
+axy 2y
2
.
(b) Sean A = { (x, y, z) IR
3
/ ||(x, y, z)|| = 1 } y las funciones f(x, y, z) = 6xy
2
+
byz 8z
2
x
3
, g(x, y, z) = D
(x,y,z)
f(1, 2, 1). Qu valor debe tener b si g alcanza
un mximo relativo sobre A en el punto (0,0,1)?
23. Sea f(x, y) =
_
y
2
e
x
si x > y
2
ln(1 +y
2
x) si x y
2
(a) Representar las curvas de nivel de f(x, y) para c =0,1,2.
(b) Estudiar la continuidad de f.
(c) Determinar los extremos relativos de f.
(d) Encontrar los extremos relativos de e
f(x,y)
condicionados a y (x + 1)
3
= 0
24. Sea f(x, y) =
_
_
_
(ln y) x
x
2
+y
2
si y e
x
xy si y < e
x
(a) Sea g(x) = f(x, 1). Estudiar y representar g(x).
(b) Es (0,1) un extremo relativo de f(x, y)?
(c) Estudiar la continuidad de f(x, y).
(d) Estudiar la diferenciabilidad de f(x, y) en (0,1)
(e) Estudiar los extremos relativos de f(x, y) sobre A = {(x, y)/x
2
+y
2
= (1/4)}.
Tema 6
Programacin Lineal
6.1 Un primer ejemplo.
Un fabricante de dulces tiene en su almacn 130 Kg de cerezas cubiertas de chocolate y
170 Kg de almendras cubiertas de chocolate. El fabricante decide vender sus existencias
haciendo dos mezclas diferentes. Una contendr la mitad de cerezas y la mitad de almen-
dras, vendindose a 2 C el Kg. La otra mezcla, con una tercera parte de cerezas y dos
terceras partes de almendras, se vende a 1.25 C el Kg. Cuntos Kilos de cada mezcla
deber preparar el fabricante para maximizar sus ingresos por ventas?
Llamemos x al nmero de Kg de la primera mezcla e y al nmero de Kg de la se-
gunda mezcla. Si llamamos z a los ingresos por ventas, suponiendo que se vendan todas,
tendremos
z = 2x + 1.25y.
Como cada Kg de la primera mezcla contiene 1/2 Kg de cerezas, y cada Kg de la segunda
contiene 1/3 de Kg de cerezas, el nmero total de Kg de cerezas para las dos mezclas ser:
1
2
x +
1
3
y.
Anlogamente el total de Kg de almendras ser:
1
2
x +
2
3
y.
Y como el fabricante slo dispone de 130 Kg de cerezas y 170 Kg de almendras, se deber
vericar que:
1
2
x +
1
3
y 130 y
1
2
x +
2
3
y 170.
Adems, como x e y no pueden ser negativos, se deber vericar que
x 0 y y 0.
Por tanto, el problema anterior se formula matemticamente como:
Ampliacin de Matemticas Programacin Lineal 100
Maximizar z = 2 x + 1.25y
sujeto a
1
2
x +
1
3
y 130
1
2
x +
2
3
y 170
x 0
y 0.
Los pares (x, y) que satisfacen todas las restricciones del
planteamiento anterior son los de la zona sombreada de la
grca. Nuestro problema es, entonces, encontrar el mx-
imo en la zona sombreada de la funcin
z = 2x + 1.25y.
Para ver qu valores toma la funcin en los puntos del con-
junto que nos interesa, representemos curvas de nivel de la
funcin (en nuestro caso rectas de nivel), correspondientes
a diversos valores de c
L
c
: 2x + 1.25y = c.
Puesto que cada recta 2x + 1.25y = c agrupa a todos los
puntos de IR
2
cuya imagen por la funcin es c, en la grca
de la izquierda puede verse lo que sucede con las imgenes
de la funcin. Se aprecia que a medida que nos desplazamos
a la derecha en el conjunto la funcin crece. La ltima recta
de nivel que toca al conjunto (la que corresponde a un valor
c mayor) lo hace en el punto (260,0). En este punto, por
tanto, se alcanzar el mximo que estbamos buscando.
6.2 Deniciones y Terminologa.
El ejemplo anterior es un caso particular de problema de programacin lineal. Lla-
maremos as al siguiente tipo de problemas:
Minimizar (o Maximizar) z = c
1
x
1
+c
2
x
2
+. . . +c
n
x
n
Sujeto a a
11
x
1
+a
12
x
2
+. . . +a
1n
x
n
(= o ) b
1
a
21
x
1
+a
22
x
2
+. . . +a
2n
x
n
(= o ) b
2
.
.
.
a
m1
x
1
+a
m2
x
2
+. . . +a
mn
x
n
(= o ) b
m
x
1
, x
2
, . . . , x
n
0.
(6.1)
En la siguiente tabla se recogen algunos nombres asociados a los problemas de progra-
macin lineal (en adelante P.L.):
z = c
1
x
1
+c
2
x
2
+. . . +c
n
x
n
Funcin de coste o funcin objetivo
x
1
, x
2
, . . . , x
n
Variables de decisin
c
1
, c
2
, . . . , c
n
Coecientes de coste
n
j=1
a
ij
x
j
(= o )b
i
Restriccin general
a
ij
Coecientes Tecnolgicos
x
i
0 Restriccin de no negatividad
Llamaremos solucin factible o punto factible de un problema de P.L. a cualquier
n-upla (x
1
, x
2
, . . . , x
n
) que satisfaga todas las restricciones. Llamaremos regin factible
de un problema de P.L. al conjunto de todos sus puntos factibles. Denotaremos la regin
factible habitualmente por la letra .
Nuestro objetivo ante un problema de P.L. ser encontrar entre todos los puntos
factibles aquel que minimice o maximice la funcin objetivo. Llamaremos a ste, solucin
ptima o punto ptimo.
Aunque en la mayora de los problemas prcticos de P.L. las variables representan
cantidades y en consecuencia sern no negativas, en algunas ocasiones se podran necesitar
variables que tomen valores negativos. Si x
k
no est restringida en signo, podemos sustituir
en el planteamiento del problema x
k
por x
+
k
x
k
y aadir las restricciones x
+
k
, x
k
0.
6.3 Solucin grca de problemas en IR
2
.
El ejemplo que se present al comienzo del tema puso de maniesto cmo utilizar la repre-
sentacin de la regin factible y las curvas de nivel de la funcin objetivo para resolver un
problema de P.L. en dos variables. Veremos a continuacin diversos ejemplos de problemas
de P.L. junto con su representacin grca. El vector que aparece en cada grca indica
la direccin perpendicular a las rectas de nivel y el sentido de crecimiento de la funcin
objetivo.
Ejemplo 1
Max. z = 0.1x + 0.07y
s. a. x +y 10
x 6
y 2
x y
x, y 0.
Regin factible acotada.
ptimo nico en (6, 4).
Ejemplo 2
Max. z = x +y
s. a. x +y 10
x 6
y 2
x y
x, y 0.
Regin factible acotada.
ptimo mltiple en los puntos de la forma:
(5, 5) + (1 )(6, 4), [0, 1].
Ejemplo 3
Max. z = 0.1x + 0.07y
s. a.
x
2
+y 2.5
y 2
x y
x, y 0.
Regin factible no acotada.
No hay ptimo. La funcin objetivo alcanza, en la
regin factible, valores tan grandes como se desee.
Ejemplo 4
Max. z = 0.1x 0.07y
s. a.
x
2
+y 2.5
y 2
x y
x, y 0.
ptimo nico en (2, 2).
Ejemplo 5
Min. z = x y
s. a.
x
2
+y 2.5
y 2
x y
x, y 0.
ptimo mltiple en:
(5, 5) + (1 ) (2, 2) , [0, 1].
Ejemplo 6
Max. z = y
x
2
s. a.
x
2
+y 2.5
y 2
x y
x, y 0.
ptimo mltiple en:
(5, 5) +(2, 1) , [0, ).
Ejemplo 7
Max. z = y
x
2
s. a. x +y 10
x 6
y 2
x y
x, y 0.
Regin factible vaca.
Algunas caractersticas que se pueden observar en los ejemplos anteriores son en reali-
dad conclusiones de validez general.
La regin factible de un problema de P.L. puede ser vaca. De no serlo, puede ser
acotada o no acotada.
Si la regin factible es acotada y no vaca el ptimo se alcanza siempre.
Si la regin es no acotada el ptimo puede alcanzarse o no.
Cuando el ptimo se alcanza, sea la regin factible acotada o no, esto sucede siempre
en una "esquina" o "vrtice" quizs no de forma nica (puede alcanzarse en un "lado
frontera").
6.4 Ejercicios.
1. Considerar el problema de programacin lineal
Minimizar z = x
1
2x
2
sujeto a x
1
+x
2
10
x
1
+x
2
5
2x
1
+x
2
40
x
1
, x
2
0
(a) Es x
1
= 5, x
2
= 0 un vrtice? Es ptimo?
(b) Obtener el conjunto de soluciones ptimas del problema.
2. Considerar el problema de programacin lineal
Minimizar z = x
1
3x
2
sujeto a 2x
1
x
2
2
2x
1
+ 3x
2
2
x
2
3
x
1
, x
2
0
(a) Es (x
1
, x
2
) = (2, 2) un vrtice? Es ptimo?
(b) Obtener el conjunto de soluciones ptimas del problema.
3. Hallar el conjunto de soluciones ptimas de los siguientes problemas de programacin
lineal en funcin de los valores del parmetro :
(a) Maximizar z = y
sujeto a x +y 2
6x + 2y 3
x 2y 4
x, y 0
(b) Minimizar z = x 2y
sujeto a x +y 2
6x + 2y 3
x 2y 4
x, y 0
(c) Minimizar z = x y
sujeto a 2x y 2
2x + 3y 2
y 3
x, y 0
(d) Maximizar z = 15x + 10y
sujeto a 0 x 3
0 y 5
2x +y 6(1 +)
4. Plantear el modelo de programacin lineal para encontrar tres nmeros mayores o
iguales que cero, de tal manera que su suma sea mxima y sumados dos a dos, el
resultado sea menor o igual que tres.
5. Una empresa fabrica dos tipos de bolgrafos, uno A y otro B de inferior calidad,
invirtiendo en el proceso de fabricacin de B la mitad del tiempo que en el A. Se
sabe que si la produccin fuese nicamente de bolgrafos tipo B se haran 1000 diar-
ios. El aprovisionamiento de material es suciente para la fabricacin diaria de 800
bolgrafos, bien sea de tipo A o del B, sin embargo, se dispone nicamente de un
mximo de 400 cargas de tinta por da para el bolgrafo tipo A y 700 para el tipo B.
Plantear el modelo de programacin lineal que permite determinar el nmero de
bolgrafos que de uno y otro tipo se deben fabricar diariamente para hacer mxima
la ganancia de la empresa, sabiendo que el benecio neto por unidad de los A es de
2 cts y el de los B de 1.5 cts. Cul es la produccin ptima de bolgrafos?
6. Supongamos que la Ford gana 100 C por cada Ford-Fiesta, 200 C por cada Ford-Escort
y 400 C por cada Ford-Granada. Supongamos que estos coches rinden 20, 17 y 14
Km por litro de gasolina, respectivamente. El gobierno obliga a que el trmino medio
de lo fabricado debe rendir como mnimo 18 Km por litro de gasolina. La fbrica
de Valencia construye un Ford-Fiesta en 1 minuto, un Ford-Escort en 2 minutos y
un Ford-Granada en 3 minutos. Formular un programa lineal para determinar la
cantidad de coches de cada tipo que deben fabricarse en una jornada de ocho horas
para obtener una ganancia mxima.
7. Una compaa de transportes tiene 10 camiones con capacidad de 40000 kg y 6
camiones de 30000 kg. Los camiones grandes tienen un coste de 30 cntimos/km y
los pequeos de 25 cntimos/km. En una semana la empresa debe transportar, como
mnimo, 380000 kg en un recorrido de 800 km. La posibilidad de que surjan otros
compromisos recomienda que por cada dos camiones pequeos mantenidos en reserva
debe quedarse por lo menos uno de los grandes. Cul es el nmero de camiones de
cada clase que deben movilizarse para realizar el transporte de forma ptima teniendo
en cuenta las restricciones?
8. Un agricultor posee una parcela de 640 m
2
para dedicar al cultivo de rboles frutales:
naranjos, perales y manzanos. Se pregunta de qu forma repartir la supercie de la
parcela entre las tres variedades para conseguir el mximo benecio sabiendo que :
- cada naranjo precisa como mnimo de 16 m
2
, cada peral de 4 m
2
y cada manzano
de 8 m
2
.
- dispone de un total de 900 horas/ao de trabajo, precisando cada naranjo de
30 horas/ao, cada peral de 5 horas/ao y cada manzano de 10 horas/ao.
- los benecios unitarios son de 50, 25 y 20 unidades monetarias por cada naranjo,
peral y manzano, respectivamente.
Plantear un modelo de P.L. para resolver este problema.
9. Una empresa de fabricacin de productos qumicos mezcla tres materias primas para
fabricar dos productos: un aditivo para combustible y una base para disolvente. Cada
tonelada de aditivo para combustible es una mezcla de 2/5 de toneladas de material
1 y 3/5 de tonelada de material 3. Una tonelada de disolvente es una mezcla de 1/2
tonelada de material 1, 1/5 de tonelada de material 2 y 3/10 de tonelada de material
3. Los benecios que obtiene la compaa son de 40 C por tonelada de aditivo de
combustible y 30 C por tonelada de disolvente. La disponibilidad de materias primas
en este momento es de 20 toneladas de material 1, de 5 toneladas de material 2 y
de 21 toneladas de material 3. Se desea saber cuntas toneladas de cada producto
deben fabricarse para maximizar los benecios.
(a) Modelizar como un problema de programacin lineal.
(b) Resolver geomtricamente.
10. Una persona dedicada a la fabricacin de artculos navideos produce bolas, tiras de
luces y estrellas luminosas. En la produccin de una unidad de cada artculo utiliza
materias primas en las siguientes cantidades:
Bolas Tiras Estrellas
Cable elctrico 2 1 metros
Bombillas 10 4 unidades
Plstico 2 2 10 bloques
Papel brillante 2 4 4 hojas
Llegado el mes de diciembre se encuentra con que su almacn proveedor ha cerrado
por quiebra y no le queda tiempo para reemplazarlo. Haciendo inventario de sus
existencias contabiliza 100 m. de cable elctrico, 400 bombillas, 1000 bloques de
plstico y 560 hojas de papel brillante. Por otra parte, sabe que, para que las tiendas
admitan un determinado pedido, el nmero de bolas ha de ser como mnimo el doble
que el nmero de tiras y estrellas. El benecio que proporciona cada unidad de
producto es respectivamente de 5, 8 y 10 (bolas, tiras y estrellas). El fabricante se
plantea cul debe ser su produccin para que el benecio sea mximo. Plantear el
modelo de P.L. para resolver este problema.
11. Una fbrica produce tres tipos distintos de cerveza que se denominan negra(N),
rubia(R), y de baja graduacin(B). Para su obtencin son necesarios, adems de
agua y lpulo para los cuales no hay limitacin de disponibilidad, malta y levadura,
que limitan la capacidad diaria de produccin. En la tabla siguiente se muestra la
cantidad necesaria de cada uno de estos recursos para producir un litro de cada una
de las respectivas cervezas, los kilos disponibles de cada recurso y el benecio por
litro de cada cerveza producida.
N R B Disponibilidad
Malta 2 1 2 30
Levadura 1 2 2 45
Benecio 4 7 3
El problema del fabricante es decidir la cantidad que debe fabricar diariamente de
cada cerveza para que el benecio sea mximo.
Formular el modelo de programacin lineal para este problema.

Ampliación de Matemáticas

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Ampliación de Matemáticas

Transféré par

Droits d'auteur :

Formats disponibles

Ampliacin de Matemticas

Grado en Ingeniera Informtica.

(x) vuelve a ser una serie de potencias y en (c R, c + R), la derivada

(de clase innito o indenidamente derivable) y

f(x) cos(nx)dx n IN (1.41)

f(x) sen(nx)dx n IN (1.42)

t + c, donde para abreviar la escritura se

Si llamamos (x) al polinomio del segundo miembro y particularizamos la acotacin

(x) expresadas con seis cifras signicativas son:

(1), P(2) = f(2) y P

(x)| < 5, x (1, 1).

(1) = 0, para a la particin 1 <

y la unicidad de la descomposicin. Para ver lo primero basta probar que

, igualando los lados derechos de las expresiones anteriores

. Otra forma de decir esto es que v

La aproximacin ptima a |x| por elementos de W, en el sentido del producto interior

(x) de forma que y

, podemos querer medir la bondad del ajuste que esa

(x) = c (un polinomio de grado 0)

una aproximacin del mismo. El error absoluto y el relativo (en

es una aproximacin a x con d cifras decimales

es una aproximacin a x = 0 con d cifras signicativas correc-

asegure que cada componente de x

(A) (el nmero de condicin de A con la norma innito).

xz). Desde un punto de vista estricto,

(b, ) = E(b, ) {b}

> 0 / x A con 0 < ||x b|| <

> 0 / x A con 0 < ||x b|| <

se tiene ||f (x) s|| <

= {(x, y)/x = a +r cos , y = b +r sin }, [0, 2)

(b)(x b)) es ahora

(b). Para campos

(a, b) = 0). Otra forma de decir esto es

, pero la ligadura restringe estas posibilidades a "todas las variables

), de la condicin de ligadura obtenemos el punto (3,3,3) ( = 9). De las otras tres

,etc.) se obtienen los puntos (1,1,-1), (1,-1,1,), y (-1,1,1)

y |x| b) f(x, y) = ln(1 x

Vous aimerez peut-être aussi