Anlisis Numrico

Eduardo Notte C.
Departamento de Matemticas
Universidad de La Serena
Contents
1 Teoria de errores ii
1.1 Conversin de nmeros en los sistemas decimal y binario . . . . . iii
1.1.1 Nmeros enteros . . . . . . . . . . . . . . . . . . . . . . . iii
1.1.2 Nmeros fraccionarios . . . . . . . . . . . . . . . . . . . . iv
1.1.3 Aritmtica de punto otante . . . . . . . . . . . . . . . . vi
1.1.4 Errores absolutos y relativos . . . . . . . . . . . . . . . . vii
1.1.5 Errores de redondeo y truncamiento en un sistema de ar-
itmtica de punto otante . . . . . . . . . . . . . . . . . . viii
1.1.6 Anlisis de errores en las operaciones aritmticas de punto
otante . . . . . . . . . . . . . . . . . . . . . . . . . . . . ix
2 Ceros Reales de Funciones Reales xii
2.0.7 Etapa I Localizacin o aislamiento de la raz . . . . . . . xii
2.0.8 Etapa II Renamiento . . . . . . . . . . . . . . . . . . . . xiii
2.0.9 Criterios de Paradas . . . . . . . . . . . . . . . . . . . . . xiii
2.1 Mtodos iterativos para obtener ceros reales de funciones . . . . xiv
2.1.1 Mtodo de la Biseccin . . . . . . . . . . . . . . . . . . . xiv
2.1.2 Estudio de la convergencia . . . . . . . . . . . . . . . . . . xvi
2.1.3 Estimacin del nmero de iteraciones . . . . . . . . . . . . xvii
2.1.4 Mtodo del punto jo (MPF) . . . . . . . . . . . . . . . . xvii
2.1.5 Estudio de la convergencia del MPF . . . . . . . . . . . . xix
2.1.6 criterios de parada del MPF . . . . . . . . . . . . . . . . . xxi
2.1.7 Orden de onvergencia del MPF . . . . . . . . . . . . . . . xxii
2.1.8 Mtodo de Newton-Raphson . . . . . . . . . . . . . . . . xxiii
2.1.9 Estudio de la Convergencia del Mtodo de Newton . . . . xxv
2.1.10 Orden de Convergencia para el Mtodo de Newton . . . . xxvi
3 Solucin de Sistemas de Ecuaciones Lineales xxviii
3.1 Mtodos Directos . . . . . . . . . . . . . . . . . . . . . . . . . . . xxix
3.1.1 Mtodo de la Eliminacin de Gauss . . . . . . . . . . . . xxix
3.1.2 Mtodo de Descomposicin LU . . . . . . . . . . . . . . . xxxiii
3.1.3 Factorizacin de Cholesky . . . . . . . . . . . . . . . . . . xxxvii
3.2 Mtodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . xlii
1
Anlisis Numrico i
3.2.1 Mtodo de Jacobi . . . . . . . . . . . . . . . . . . . . . . xliv
3.2.2 Mtodo de Gauss-Seidel . . . . . . . . . . . . . . . . . . . xlvii
3.2.3 Esquemas Iterativos Estacionarios . . . . . . . . . . . . . xlvii
3.2.4 Nmero de condicin de una Matriz . . . . . . . . . . . . xlix
4 El Problema de Interpolacin li
4.1 Interpolacin Polinomial . . . . . . . . . . . . . . . . . . . . . . . li
4.1.1 Error de Interpolacin . . . . . . . . . . . . . . . . . . . . liii
4.1.2 Interpolacin de Newton . . . . . . . . . . . . . . . . . . . liv
4.2 El Problema de Ajuste de Datos . . . . . . . . . . . . . . . . . . lviii
4.2.1 Mtodo de los Mnimos Cuadrados . . . . . . . . . . . . . lviii
4.2.2 Caso Contnuo . . . . . . . . . . . . . . . . . . . . . . . . lix
5 Integracin Numrica lxii
5.1 Frmulas de Newton-cotes . . . . . . . . . . . . . . . . . . . . . . lxii
5.1.1 Regla de los trapecios . . . . . . . . . . . . . . . . . . . . lxii
5.2 Expresin del Error . . . . . . . . . . . . . . . . . . . . . . . . . . lxiii
5.3 Regla de los Trapecios Repetida . . . . . . . . . . . . . . . . . . . lxiv
5.4 Regla 1/3 de Simpson . . . . . . . . . . . . . . . . . . . . . . . . lxvi
5.5 Regla 1/3 de Simpson Repetida . . . . . . . . . . . . . . . . . . . lxvii
5.5.1 Teorema general del error . . . . . . . . . . . . . . . . . . lxix
6 Derivacin y Ecuaciones Diferenciales Numricas lxx
6.1 Ecuaciones Diferenciales . . . . . . . . . . . . . . . . . . . . . . . lxxiv
6.1.1 Problema Numrico Mal Condicionado . . . . . . . . . . . lxxv
6.1.2 Esquema de Euler . . . . . . . . . . . . . . . . . . . . . . lxxvi
Alisis Num rico ii
Introduccin
En este curso estudiaremos algunos mtodos numricos para la solucin de
problemas que surgen en las ms diversas reas. El curso esta dirigido a alum-
nos de ingenieria civil de la Universidad de La Serena, y por tratarse del nico
curso de anlisis numrico que ellos poseen en su malla curricular se ha tratado
de incluir la totalidad del programa an cuando muchos de los temas se han
tratados en forma introductorio. El apunte consta de seis unidades, a saber
teora de errores, ceros reales de funciones reales, solucin de sistemas de ecua-
ciones lineales, el problema de interpolacin y ajuste de curvas, integracin y
derivacin numrica y nalmente resolucin numrica de ecuacione diferenciales
ordinarias.
1 Teoria de errores
En esta unidad se dar una introduccin a la teora de errores, se tratar la
conversin de nmeros en los sistemas decimal y binario, aritmtica de punto
otante, errores absolutos y relativos, errores de redondeo y truncamiento en un
sistema de aritmtica de punto otante, anlisis de errores en las operaciones
aritmticas de punto otante y propagacin de errores.
Para introducir la unidad considere el siguiente ejemplo: Calcular el rea de
una circunferencia de radio 100 m.
Recuerde que el rea de una circunfenrecia es dada por A = r
2
, donde r es
el radio de la circunferencia, los resultados posibles pueden ser diversos:
a) A = 31400 m
2
si = 3.14.
b) A = 31416 m
2
si = 3.1416.
c) A = 31415.92654 m
2
si = 3.141592654.
Cmo justicar las diferencias entre los resultados?.
Los errores ocurridos dependen de la representacin de los nmeros en la
mquina utilizada. La representacin de un nmero depende de la base escogida
o disponible en la mquina en uso y del nmero mximo de dgitos usados en
su representacin, en el ejemplo anterior observe que el nmero no puede ser
representado como un nmero nito de dgitos decimales, en general un nmero
puede tener representacin nita en una base y no nita en otra base, la base
decimal es la ms empleada actualmente y un computador opera normalmente
en el sistema binario.
Alisis Num rico iii
1.1 Conversin de nmeros en los sistemas decimal y bi-
nario
1.1.1 Nmeros enteros
En general, un nmero entero en la base , (a
j
a
j1
a
2
a
1
a
0
)

, con 0 a
k

1, k = 0, 1, , j, puede ser escrito en la forma polinomial
a
j

j
+a
j1

j1
+ +a
1

1
+a
0

0
Example 1 considere los nmeros (234)
10
y (10111)
2
, luego podemos escribir
(234)
10
= 2 10
2
+ 3 10
1
+ 4 10
0
(10111)
2
= 1 2
4
+ 0 2
3
+ 1 2
2
+ 1 2
1
+ 1 2
0
.
Example 2 Ahora considere el nmero (10111)
2
, ste se puede escribir en el
sistema decimal como sigue
(10111)
2
= 1 2
4
+ 0 2
3
+ 1 2
2
+ 1 2
1
+ 1 2
0
= 2 (1 + 2 (1 + 2 (0 + 2 1))) + 1
= (23)
10
.
En general si tenemos un nmero en la base binaria, (a
j
a
j1
a
2
a
1
a
0
)
2
, la
representacin de ste en la base 10, denotada por b
0
, es obtenida por el siguiente
proceso
b
j
= a
j
b
j1
= a
j1
+ 2b
j
.
.
.
.
.
.
b
1
= a
1
+ 2b
2
b
0
= a
0
+ 2b
1
.
(1)
Example 3 Obtenga la representacin en base decimal de (10111)
2
.
Observe que
(10111)
2
= (a
4
a
3
a
2
a
1
a
0
)
2
y debemos determinar el nmero (b
4
b
3
b
2
b
2
b
1
b
0
)
10
, siendo b
0
la representacin
en base decimal de (10111)
2
, entonces utilizando el proceso (1) obtenemos
b
4
= a
4
= 1
b
3
= a
3
+ 2b
4
= 0 + 2 1 = 2
b
2
= a
2
+ 2b
3
= 1 + 2 2 = 5
b
1
= a
1
+ 2b
2
= 1 + 2 5 = 11
b
0
= a
0
+ 2b
1
= 1 + 2 11 = 23
luego b
0
= 23.
Example 4 Considere el nmero en base decimal (234)
10
y escriba su repre-
sentacin en base binaria.
Alisis Num rico iv
Recuerde que un nmero en el sistema binario tiene la forma
(a
j
a
j1
a
2
a
1
a
0
)
2
.
Luego debemos determinar los a
k
con k = 0, 1, , j
234 = 2 117 + 0 a
0
= 0
117 = 2 58 + 1 a
1
= 1
58 = 2 29 + 0 a
2
= 0
29 = 2 14 + 1 a
3
= 1
14 = 2 7 + 0 a
4
= 0
7 = 2 3 + 1 a
5
= 1
3 = 2 1 + 1 a
6
= 1
1 = 2 0 + 1 a
7
= 1
entonces (234)
10
= (1110101)
2
.
En general, el proceso para convertir un nmero entero representado en el
sistema decimal para el sistema binario es:
Dado el nmero entero N, su representacin en el sistema binario tiene la
forma (a
j
a
j1
a
2
a
1
a
0
)
2
, el algoritmo a seguir obtiene a cada paso k el dgito
binario a
k
.
Paso 0: k = 0 =N
k
= N
Paso 1: Obtener q
k
y r
k
tales que
N
k
= 2 q
k
+r
k
haga
a
k
= r
k
.
Paso 2: Si q
k
= 0, pare. Caso contrario, haga N
k+1
= q
k
. Haga k = k + 1 y
regrese al paso 1.
1.1.2 Nmeros fraccionarios
Consideremos ahora la conversin de un nmero fraccionario y realizemos la
conversin de una base en otra. Un nmero fraccionario puede tener una rep-
resentacin nita o innita, entonces consideremos primero un nmero frac-
cionario r en base 10, en representacin nita, luego existen dgitos binarios
d
1
, d
2
, , d
j
, , tales que (0.d
1
d
2
d
j
)
2
ser su representacin en base 2.
Example 5 Sea r = 0.125 un nmero fraccionario en la base decimal, su rep-
resentacin en base 2 es como sigue
(0.125)
10
= d
1
2
1
+d
2
2
2
+ +d
j
2
j
+
multiplicando esta igualdad por dos obtenemos,
2 0.125 = 0.250 = d
1
+d
2
2
1
+ +d
j
2
j+1
+
Alisis Num rico v
luego d
1
representa la parte entera de 2 0.125 que es igual a 0 y d
2
2
1
+
+d
j
2
j+1
+ representa la parte fraccionaria de 20.125 = 0.250. Una
vez obtenido d
1
= 0 debemos obtener d
2
repitiendo el proceso anterior, esto es
0.250 = d
2
2
1
+d
3
2
2
+ +d
j
2
j+1
+
y multiplicando por dos
0.5 = d
2
+d
3
2
1
+ +d
j
2
j+2
+
as d
2
representa la parte entera de 0.5 la cual es 0, siguiendo el proceso debemos
calcular d
3
, esto es
0.5 = d
3
2
1
+ +d
j
2
j+2
+
que multiplicado por dos es
1.0 = d
3
+d
4
2
1
+ +d
j
2
j+2
+
de donde d
3
= 1. Como la parte fraccionaria de 1.0 es cero el proceso termina,
as
(0.125)
10
= (0.001)
2
.
Remark 6 Un nmero real entre 0 y 1 puede tener representacin nita o
innita, por ejemplo si r = (0.1)
10
= (0.00011001100110011 )
2
.
Exercise 7 Generalice el proceso anterior.
Supongamos que tenemos un nmero entre 0 y 1 representado en el sistema
binario, digamos
(r)
2
= (0.d
1
d
2
d
j
)
2
,
para obtener su representacin en el sistema decimal, el proceso es el siguiente:
dado el nmero r
k
, multiplicar ste por (10)
10
= (1010)
2
y obtener el dgito b
k
,
siendo ste la parte entera del producto convertido para la base decimal.
Example 8 Considere el nmero decimal en base binaria r
1
= (0.000111)
2
y
escribalo en base decimal, entonces
r
1
= (0.000111)
2
(0.b
1
b
2
b
j
)
10
luego podemos escribir
w
1
= (1010)
2
r
1
= 1.00011
de donde b
1
= 1 y resta r
2
= 0.00011. De la misma forma
w
2
= (1010)
2
r
2
= 0.1111 =b
2
= 0 r
3
= 0.1111
w
3
= (1010)
2
r
3
= 1001.011 =b
3
= 9 r
4
= 0.011
w
4
= (1010)
2
r
4
= 11.11 =b
4
= 3 r
5
= 0.11
w
5
= (1010)
2
r
5
= 111.1 =b
5
= 7 r
6
= 0.1
w
6
= (1010)
2
r
6
= 101 =b
6
= 5 r
7
= 0
nalmente (0.000111)
2
= (0.109375)
10
.
Alisis Num rico vi
En general el algoritmo para el proceso anterior es el siguiente:
Paso 0: r
1
= r ; k = 1.
Paso 1: Calcular w
k
= (1010)
2
r
k
. Sea z
k
la parte entera de w
k
, entonces b
k
es la conversin de z
k
para la base 10.
Paso 2: Hacer r
k+1
= w
k
z
k
. Si r
k+1
= 0 parar.
Paso 3: Hacer k = k + 1. repetir el proceso (ir al paso 1).
1.1.3 Aritmtica de punto otante
Un Computador o calculadora representa un nmero real en el sistema denom-
inado aritmtica de punto otante. En este sistema un nmero r ser represen-
tado en la forma
(.d
1
d
2
d
t
)
e
donde
a) es la base en que la mquina opera.
b) t es el nmero de dgito en la mantisa.
0 d
j
1 ; j = 1, , t ; d
1
6= 0.
c) e es un exponente en el intervalo [l, u] .
En cualquier mquina, slo un subconjunto de nmeros reales es represen-
tado exactamente y por lo tanto, la representacin de un nmero real ser
realizada por truncamiento o redondeo.
Example 9 Considere una mquina que opere en el sistema
= 10 ; t = 3 , e [5, 5] .
Entonces los nmeros sern representados de la siguiente forma
0.d
1
d
2
d
3
e
e
0
; 0 d
j
9 ; d
1
6= 0 ; e [5, 5] .
El menor nmero, en valor absoluto, representado en esta mquina es
m = 0.100 10
5
= 10
6
.
El mayor nmero es
M = 0.999 10
5
= 99900.
Entonces el subconjunto de nmeros reales que puede representar esta mquina
es
G = {x R/ m |x| M} .
Alisis Num rico vii
Dado un nmero real x, varias situaciones pueden ocurrir:
Caso 1) x G
Entonces por ejemplo si x = 235.89 = 0.2358910
3
en la mquina este nmero
es representado por:
0.235 10
3
si se usa truncamiento
0.235 10
3
si se usa redondeo.
Caso 2) |X| < m
Entonces por ejemplo si x = 0.34510
7
este nmero no puede ser representado
en esta mquina, pues 7 < e5, entonces la mquina acusa la ocurrencia
de
UNDERLOW.
Caso 3) |X| > m
Por ejemplo x = 0.895 10
9
=9 > 5 = overow.
1.1.4 Errores absolutos y relativos
Denition 10 Se dene el error absoluto, como la difeencia entre el valor
exacto de un nmero x y su aproximacin x :
EA
x
= x x.
En general, slo el valor x es conocido. Entonces, se obtiene una limitante
superior o una estimacin para el mdulo del error absoluto.
Example 11 a) Sabiendo que (3.14, 3.15) , entonces
|EA
x
| = | | < 0.01.
b) Suponiendo que el nmero x representado por x = 2112.9 tal que
|EA
x
| < 0.1
entonces
x (2112.8, 2113) .
Sea Y representado por Y = 5.3 tal que
|EA
x
| < 0.1 entonces Y (5.2, 54) .
Podemos deducir que ambos nmeros estan representados con la misma
precisin?
Alisis Num rico viii
Para ello es necesario comparar el orden de grandeza de X e Y. Hecho esto,
es fcil concluir que el primero resulta ser representado con mayor pre-
cisin. Entonces, podemos concluir que el error absoluto no es sufuciente
para describir la precisin de un clculo, dado que la precisin depende
delorden de grandeza" de los nmeros.
Denition 12 Se dene el error relativo, de un nmero x, como el error ab-
soluto dividido por el valor aproximado x.
ER
x
=
EA
x
x
=
x x
x
.
Example 13 del ejemplo anterior
|ER
x
| =
EA
x
x
<
0.1
2112.9
4.7 10
5
y
|ER
y
| =
EA
y
y
<
0.1
5.3
0.02
Conformando que el nmero x es representado con mayor precisin que el
nmero y.
1.1.5 Errores de redondeo y truncamiento en un sistema de arit-
mtica de punto otante
Suponga un sistema que opera en A.P.F. de t dgitos en la base 10 y sea X
escrito en la forma
X = f
x
10
e
+g
x
10
et
donde
0.1 f
x
< 1 y 0 g
x
< 1.
Example 14 Si t = 4 y x = 234.57 entonces
x = 0.2345 10
3
+ 0.7 10
1
donde
f
x
= 0.2345yg
x
= 0.7
es claro que en la representacin de x, en este sistema, g
x
10
et
no puede
ser incorporado totalmenteen la mantisa. Entonces, surge la pregunta de como
considerar esta parte en la mantisa y denir el EA (E
R
) mximo cometido.
Como vimos anteriormente, se pueden adoptar dos criterios: el de redondeo
y el de truncamiento
i) En el criterio de truncamiento, g
x
10
et
es despreciado y
x = f
x
10
e
,
Alisis Num rico ix
en este caso tenemos
|EA
x
| = |x x| = |g
x
| 10
et
< 10
et
, puesto que |g
x
| < 1
|ER
x
| =
|EA
x
|
|x|
=
|g
x
| 10
et
|f
x
| 10
e
<
10
et
0.1 10
e
= 10
t+1
.
Example 15 En el criterio de redondeo, f
x
es modicado para llevar en con-
sideracin g
x
. La forma de redondeo ms utilizada es el redondeo simtrico
x =

f
x
10
e
si |g
x
| < 1/2
f
x
10
e
+ 10
et
si |g
x
| 1/2
esto es, si |g
x
| < 1/2 , g
x
es despreciado, caso contrario sumamos el nmero 1
al ltimo dgito de f
x
.
As, si |g
x
| < 1/2 tendremos
|EA
x
| = |x x| = |g
x
| 10
et
<
1
2
10
et
y
|ER
x
| =
|EA
x
|
x
=
|g
x
| 10
et
|f
x
| 10
e
<
0.5 10
et
0.1 10
e
=
1
2
10
t+1
.
Si |g
x
| 1/2, tenemos
|EA
x
| = |x x| =

f
x
10
e
+g
x
10
et

f
x
10
e
+ 10
et

= |(g
x
1)| 10
et
<
1
2
10
et
|ER
x
| =
|EA
x
|
|x|
<
1/2 10
et
|f
x
10
e
+ 10
et
|
<
0.5 10
et
|f
x
| 10
e

0.5 10
et
0.1 10
e
= 0.5 10
t+1
.
Observe que, an cuando los errores son basicamente los mismos, el uso
del criterio de redondeo exige un tiempo mayor de ejecuccin, por esta
razn el truncamiento es ms usado.
1.1.6 Anlisis de errores en las operaciones aritmticas de punto
otante
Dada una sucesin de operadores, por ejemplo
u = [(x +y) z +t] /w.
Es importante la nocin de como el error de la operacin se propaga a lo largo
de las oparaciones siguientes.
El error total en una operacin es compuesto por el error de las partes o
factores y por el error en el resultado de la oprarcin .
Alisis Num rico x
Example 16 Suponga un sistema de aritmtica de punto otante de cuatro
dgitos en la base 10, calcular x+y dado que x = 0.93710
4
e y = 0.127210
2
.
a) Resultado exacto
x +y = 0.937 10
4
+ 0.001272 10
4
= 0.938272 10
4
.
b) x +y = 0.9383 10
4
resulatdo aproximado por redondeo.
c) x +y = 0.9382 10
4
resulatdo aproximado por truncamiento.
Example 17 Calcule xy
a)
xy =

0.937 10
4

0.1272 10
2

= (0.937) (0.1272) 10
6
= 0.1191864 10
6
.
b) xy = 0.1192 10
6
redondeo.
c) xy = 0.1191 10
6
truncamiento.
Example 18 Sean x e y, tales que x = x +EA
x
e y = y +EA
y
.
a) Estime el error relativo de x +y : ER
x+y
.
Solucin:
x +y = (x +EA
x
) + (y +EA
y
) = (x +y) + (EA
x
+EA
y
)
EA
x+y
= EA
x
+EA
y
Entonces el error relativo ser
ER
x+y
=
EA
x+y
x +y
=
EA
x
+EA
y
x +y
=
EA
x
x

x
x +y

+
EA
y
y

y
x +y

= ER
x

x
x +y

+ER
y

y
x +y

.
Ahora usando el criterio de truncamiento, tenemos |ER
x
| < 10
t+1
|ER
x+y
| |ER
x
|

x
x +y

+ |ER
y
|

y
x +y

< 10
t+1

x
x +y

y
x +y

= 10
t+1
|x| + |y|
|x +y|
.
Alisis Num rico xi
b) Anlogamente estime el valor relativo de x y.
c) xy (considere (EA
x
) (EA
y
) 0).
d) x/y

1
1 +r
= 1 r +r
2
r
3
; r =
EA
y
y

.
Alisis Num rico xii
2 Ceros Reales de Funciones Reales
Denition 19 Un nmero real es un cero de la funcin f (x) o una raz de
la ecuacin f (x) = 0 si
f () = 0
Gracamente:
Los mtodos mtodos numricos usados para encontrar races aproximadas de
una ecuacin f (x) = 0, se basan en la siguiente idea:
Denition 20 Partir de una aproximacin inicial para la raz y luego renar su
aproximacin usando un proceso iterativo. Los mtodos constan de dos etapas:
Etapa 1) Localizacin o aislamiento de la races que consiste en obtener un
intervalo que contiene la raz.
Etapa 2) Renamiento que consiste en, mejorar sucesivamente la aproximacin
inicial hasta obtener una aproximacin para la raz dentro de una precisin
prejada.
2.0.7 Etapa I Localizacin o aislamiento de la raz
Theorem 21 Sea f (x) una funcin contnua en un intervalo [a, b] . Si f (a) f (b) <
0, entonces existe por lo menos un punto x = entre a y b que es cero de f (x) .
grafico
Remark 22 Bajo la hiptesis del teorema anterior si f
0
(x) existe y preserva
el signo en (a, b) entonces este inervalo contiene un nico cero de f (x) .
Alisis Num rico xiii
Example 23 f (x) = x
3
9x + 3
x 100 5 3 1 0 1 2 3 4 5
f (x) + + + + + 4
como f (x) es continua entonces podemos concluir que cada uno de los intervalos
I
1
= [5, 3] ; I
2
= [0, 1] ; I
3
= [2, 3] posee por lo menos una raz de
f (x) .
Ahora, como f (x) es un polinomio de grado 3, cada intervalo posee slo una
raz.
Remark 24 Si f (a) f (b) > 0 pueden ocurrir varias situaciones en el intervalo
[a, b] . Grcamente
Otra forma de localizar las races
A partir de la ecuacin f (x) = 0, obtener la ecuacin equivalente g (x) =
h(x) , construir los grcos de g (x) y h(x) y localizar los puntos donde se
intersectan las dos funciones i.e. f (x) = 0 g () = h() .
Example 25 x
3
9x+3 = 0 x
3
= 9x3

g (x) = x
3
; h(x) = 9x 3

Grco
2.0.8 Etapa II Renamiento
Estudiaremos varios mtodos numricos de renamiento de raz. La forma de
como se efectua el renamiento es la que diferencia los mtodos. Todos ellos
pertenecen a la clase de mtodos iterativos.
Un mtodo iterativo consiste en una sucesin de instrucciones que son eje-
cutadas paso a paso, alguanas de la cuales son repetidas en ciclos.
2.0.9 Criterios de Paradas
Sea f (x) = 0 y supongamos que x
k
es una aproximacin de la raz exacta ,
despues de n iteraciones.
Que tipo de test efectuar para vericar que x
k
esta sucientemente prox-
ima de la raz exacta?. Para contestar, es necesario entender el signicado de
raz aproximada.
Existen dos interpretaciones para raz aproximada que no siempre llevan al
mismo resultado:
x es raz aproximada con precisin si:
i) |x | < o
ii) |f (x)| < .
Alisis Num rico xiv
Cmo efectuar el test i) si no conocemos ?. Una forma es reducir el in-
tervalo que contiene la raz a cada iteracin. Al conseguir un intervalo [a, b] tal
que:
[a, b]
y
b a <

x [a, b] , |x | < .
por lo tanto, cualquier x [a, b] se puede tomar como x.
Grcamente tenemos:
2.1 Mtodos iterativos para obtener ceros reales de fun-
ciones
2.1.1 Mtodo de la Biseccin
Sea la funcin f (x) contnua en el intervalo [a, b] y tal que f (a) f (b) < 0.
Supongamos que el intervalo [a, b] posee una sla raz de f (x) = 0.
El objetivo de este mtodo es deducir la amplitud del intervalo que contiene
la raz hasta alcanzar la precisin requerida: (b a) < , usando para esto
sucesivas divisiones de [a, b] al medio.
Grco
Las iteraciones son realizadas de la siguiente forma:
x
0
=
a
0
+b
0
2
=

f (a
0
) < 0
f (b
0
) > 0
f (x
0
) < 0

(a
0
, x
0
)
a
1
= a
0
b
1
= x
0
x
1
=
a
1
+b
1
2
=

f (a
1
) < 0
f (b
1
) > 0
f (x1) < 0

(x
1
, b
1
)
a
2
= x
1
b
2
= b
1
x
2
=
a
2
+b
2
2
=

f (a
2
) < 0
f (b
2
) > 0
f (x
2
) < 0
.
.
.

(x
2
, b
2
)
a
3
= x
2
b
3
= b
2
.
.
.
.
Example 26 Considere la funcin f (x) = xlog (x)1, identique un intervalo
que contenga un cero de f (x) .
Observe que f (x) = 0 se puede escribir como
xlog (x) 1 = 0 log x =
1
x
Alisis Num rico xv
grco
luego del grco podemos ver que la raz I = (2, 3) , entonces aplicando el
mtodo de la biseccin tenemos
x
0
=
2 + 3
2
= 2.5 =

f (2) = 0.3979 < 0

f (3) = 0.4314 > 0
f (2.5) = 5.15 10
3
< 0

(2.5, 3)
a
1
= 2.5 |3 2.5| <
b
1
= 3
x
2
=
2.5 + 3
2
= 2.75 =

f (2.5) =< 0
f (3) = 0.4314 > 0
f (2.75) => 0

(2.5, 2.75)
a
2
= 2.5 |2.5, 2.75| <
b
2
= 2.75
.
Algorithm 27 Sea f (x) contnua en [a, b] y tal que f (a) f (b) < 0.
1. Datos iniciales
a) Intervalo inicial [a, b] .
b) Precisin .
2. Si (b a) < escoger x (cualquiera) [a, b] . Fin.
3. k = 1.
4. M = f (a) .
5. X =
a +b
2
.
6. si Mf (x) > 0, haga a = x. ir a (8).
7. b = x.
8. si (b a) < escoger x en [a, b] . Fin.
9. k = k + 1, ir a (5).
Tarea: f (x) = x
3
qx +3 , I = [0, 1] , = 10
3
, contar el nmero de
iteraciones.
Example 28 Considere la funcin f (x) = x e
x
, aisle la raz y ejecute tres
pasos para aproximarse a ella.
Observe que f (0) = 1 < 0 y f (1) = 0.63 > 0, luego f (0) f (1) < 0 lo
que indica que tenemos una raz [0, 1] . El mtodo de la bisccin da las
aproximaciones siguientes:
Alisis Num rico xvi
n a
n
b
n
x
n
0 0 1 0.5
1 0.5 1 0.75
2 0.5 0.75 0.625
3 0.5 0.08
.
.
.
.
.
.
.
.
.
.
.
.
.
2.1.2 Estudio de la convergencia
Supongamos que [a
0
, b
0
] contiene slo una raz de f (x) . El mtodo de la
biseccin genera tres sucesiones, a saber
{a
k
} : no decreciente y acotada superiormente por b
0
, entonces existe r R tal
que
lim
k
a
k
= r.
{b
k
} : no creciente y acotado inferiormente por a
0
, entonces existe un s R tal
que
lim
k
b
k
= s.
{x
k
} : esta sucesin por construccin es x
k
= (a
k
+b
k
) /2, luego a
k
< x
k
< b
k
,
k.
La amplitud de cada intervalo generado por el mtodo de la biseccin es la
mitad de la amplitud del intervalo anterior, as
k : b
k
a
k
= (b
0
a
0
) /2
k
,
luego
lim
k
(b
k
a
k
) = lim
k
(b
0
a
0
) /2
k
= 0, (2)
y como {a
k
} y {b
k
} son convergentes de (2) tenemos
lim
k
b
k
= lim
k
a
k
de donde r = s. Por otro lado, dado que a
k
< x
k
< b
k
, k se tiene que la
sucesin {x
k
} es convergente y
lim
k
x
k
= l = r = s.
Ahora dado que el lim
k
x
k
= l, debemos demostrar que l es el cero de
f (x) , es decir f (l) = 0.
Como f (a
k
) f (b
k
) < 0, k, entonces
0 lim
k
f (a
k
) f (b
k
) = lim
k
f (a
k
) lim
k
f (b
k
)
= f

lim
k
a
k

f

lim
k
b
k

= f (l) f (l) = [f (l)]

2
0,
Alisis Num rico xvii
de donde 0 [f (l)]
2
0, entonces f (l) = 0.
Por lo tanto, lim
k
x
k
= l y f (l) = 0.
2.1.3 Estimacin del nmero de iteraciones
Dada una precisin y un intervalo inicial [a, b] , es posible saber a priori,
cuantas iteraciones sern efectuadas por el mtodo de la biseccin hasta obtener
(b a) < , usando el algoritmo.
Como sabemos
b
k
a
k
=
b
k1
a
k1
2
=
b
0
a
0
2
k
=
b a
2
k
,
luego debemos obtener el valor de k tal que (b
k
a
k
) < , esto es
b a
2
k
< ,
de donde 2
k
>
b a

, aplicando logaritmo a ambos lados obtenemos

k >
log (b a) log ()
log 2
. (3)
Example 29 si desemos encontrar tal que f () = 0, donde f (x) = xlog x
1, [2, 3] con precisin = 10
2
,Cuntas iteraciones, en lo mnimo, debe-
mos efectuar para conseguir una aproximacin de con la precisin deseada?.
Observe que de la desigualdad (3), tenemos
k >
log (3 2) log

10
2

log 2
=
2 log 10
log 2
' 6.64,
as de deben realizar en lo mnimo k = 7 iteraciones.
2.1.4 Mtodo del punto jo (MPF)
Sea f : [a, b] R, una funcin contnua en el intervalo [a, b] y suponga que este
intervalo contiene una raz, , de la ecuacin f (x) = 0.
El MPF consiste en transformar la ecuacin f (x) = 0, en una ecuacin
equivalente x = (x) y a partir de una aproximacin inicial dada x
0
, generar
una sucesin {x
k
} de aproximaciones para por la relacin
x
k+1
= (x
k
) , (4)
pues la funcin (x) debe ser tal que, f () = 0 si y solamente si () = .
Denition 30 Uma funcin (x) que satisface la condicin arriba es llamada
funcin de iteracin para la ecuacin f (x) = 0.
Alisis Num rico xviii
Denition 31 Se dice que R es un punto jo de una funcin g : R R,
si y slo si, g () = .
Example 32 Para la ecuacin x
2
+ x 6 = 0 tenemos vrias funciones de
iteracin, esto es,
a)
1
(x) = 6 x
2
,
b)
2
(x) =

6 x,
c)
3
(x) = 6/ (x + 1) .
La forma general de las funciones de iteracin (x) , para la ecuacin f (x) =
0 es de la forma
(x) = x +A(x) f (x) , (5)
donde A es una funcin tal que A() 6= 0, con un punto jo de .
Proposition 33 Sea [a, b] entonces f () = 0 si y slo si () = .
Proof. Primeramente suponga que, es tal que f () = 0, entonces debemos
demostrar que () = . En efecto, de la ecuacin (5) tenemos
() = +A() f () ,
y dado que f () = 0, se tiene que () = .
Ahora suponga que, () = , entonces debemos demostrar que f () = 0,
en efecto
() = = +A() f () = ,
de donde A() f () = 0 y como A() 6= 0, se tiene que f () = 0.
Remark 34 Se debe notar que dada una funcin de iteracin (x) para una
ecuacin f (x) = 0, la sucecin x
k+1
= (x
k
) no necesariamente converge a ,
ver grcos abajo
Alisis Num rico xix
2.1.5 Estudio de la convergencia del MPF
Como observado en la nota anterior, considerada una funcin de iteracin para
una determinada ecuacin, no necesariamente esa funcin de iteracin genera
una sucesin convegente, para ilustarar este hecho consideremos el siguiente
ejemplo. Dada la ecuacin polinomial x
2
+ x 6 = 0, esta ecuacin posee dos
races,
1
= 2 y
2
= 3.
a) Cosidere la funcin de iteracin
1
(x) = 6 x
2
; con aproximacin inicial
x
0
= 1.5, entonces
x
1
=
1
(x
0
) =
1
(1.5) = 6 (1.5)
2
= 3.75
x
2
=
1
(x
1
) = 8.0625
x
3
=
1
(x
2
) = 59.003906
x
4
=
1
(x
3
) = 3475.4609
obviamente, la sucesin {x
k
} generada por
1
(x) = 6 x
2
no est con-
vergiendo a = 2, como se esperara.
b) Considere ahora la funcin de iteracin
2
(x) =

6 x, con aproximacin
inicial x
0
= 1.5, entonces
x
1
=
2
(x
0
) =
1
(1.5) =

6 1.5 = 2.12132
x
2
=
2
(x
1
) = 1.96944
x
3
=
2
(x
2
) = 2.00763
x
4
=
2
(x
3
) = 1.99809,
como se puede ovservar, la sucesin {x
k
} generada por
2
(x) =

6 x
est convergiendo a = 2, como se esperara.
Del ejemplo anterior, cabe preguntarse si existe alguna condicin para la
funcin de iteracin, de modo que sta genere una sucesin convergente para la
ecuacin correspondiente, la respuesta es armativa y biene dada por el siguiente
teorema.
Theorem 35 Sea una raz de la ecuacin f (x) = 0, aislada en un intervalo
I centrado en y sea (x) una funcin de iteracin para f (x) = 0, si
a) (x) y
0
(x) son continuas en I.
b) |
0
(x)| M < 1, x I.
c) x
0
I.
Entonces la sucesin {x
k
} generada por el proceso de iteracin x
k+1
= (x
k
)
converge para .
Proof. La demostracin es realizada en dos partes, primero se prueba que si
x
0
I, entonces x
k
I, k. Luego se prueba que lim
k
x
k
= .
Alisis Num rico xx
a) Como es una raz exacta de la ecuacin f (x) = 0, se tiene
f () = 0 = () y k x
k+1
= (x
k
) ,
entonces
x
k+1
= (x
k
) () , (6)
ahora como (x) es contnua y diferenciable en I, por el TVM
1
, si x
k
I,
existe c
k
entre x
k
y tal que

0
(c
k
) (x
k
) = (x
k
) () ,
asi de (6) tenemos
x
k+1
= (x
k
) () =
0
(c
k
) (x
k
) k, (7)
o
x
k+1
=
0
(c
k
) (x
k
) k.
Considerando el valor absoluto de la igualdad anterior y recordando el
hecho que |
0
(x)| < 1, tenemos
|x
k+1
| = |
0
(c
k
)| |(x
k+1
)| < |(x
k
)| ,
de donde x
k+1
I.
b) Por hipotesis, x
0
I, entonces por a) x
k
I, k. Por demostrar que
lim
k
x
k
= . De (7) y la hipotesis que |
0
(x)| M se sigue que
|x
1
| = |(x
0
) ()| |
0
(c
0
)| |x
0
| M |x
0
| (8)
donde c
0
esta entre x
0
y . De la misma forma y usando (8), tenemos
|x
2
| |
0
(c
1
)| |x
1
| M |x
1
| M
2
|x
0
|
.
.
.
|x
k
| |
0
(c
k1
)| |x
k1
| M |x
k1
| M
k
|x
0
| ,
observe que c
1
esta entre x
1
y , ....., c
k1
esta entre x
k1
y . Ahora
aplicando lmite en la ltima desigualdad y recordando que 0 < M < 1,
tenemos
0 lim
k
|x
k
| lim
k
M
k
|x
0
| = 0,
por lo tanto
lim
k
|x
k
| = 0 = lim
k
x
k
= .
1
Teorema del valor medio: si g es una funcin continua y diferenciable en un intervalo
I = [a, b] , entonces existe c [a, b] tal que
(b) (a) =
0
(c) (b a) .
Alisis Num rico xxi
Example 36 Dada la ecuacin x
2
+x 6 = 0, y la raz = 2.
a) Considere la funcin de iteracin
1
(x) = 6 x
2
,
1
(x) satisface las
condiciones del teorema anterior?.
Obsereve que
1
(x) = 6 x
2
y
0
1
(x) = 2x, son ambas continuas en todo
R, luego la primera condicin del teorema se cumple. Para vericar la
segunda condicin, debemos encontrar un intervalo I centrado en tal
que |
0
1
(x)| < 1 x I, esto es
|
0
1
(x)| < 1 |2x| < 1 |x| < 1/2
1
2
< x <
1
2
,
entonces
|
0
1
(x)| < 1 x

1
2
,
1
2

es decir, no existe un intervalo I centrado en = 2 tal que |

0
1
(x)| < 1
x I.
b) Considere ahora la funcin de iteracin
2
(x) =

6 x.
Observe que
2
(x) =

6 x y
0
2
(x) = 1/2

6 x son ambas continuas en

el conjunto S = {x R/x < 6} , adems
|
0
2
(x)| < 1

1
2

6 x

< 1 x < 5.75.

Entonces es posible encontrar un interalo I centrado en = 2, tal que se
cumplen todas las hipotesis del teorema.
2.1.6 criterios de parada del MPF
En el MPF se escoge x
k
como raz aproximada de si
|x
k
x
k1
| = |(x
k1
) x
k1
| < ,
es decir si |f (x
k
)| < .
Observe que |x
k
x
k1
| < no implica necesariamente que |x
k
| < ,
ver grco abajo
|x
k
x
k1
| < y |x
k
| >
Alisis Num rico xxii
Observe tambien que si
0
(x) < 0 x I, la sucein ser oscilante en torno de
y en este caso,
|x
k
x
k1
| < = |x
k
| < ,
pues |x
k
| < |x
k
x
k1
| , vea gura abajo
|x
k
x
k1
| < = |x
k
| <
2.1.7 Orden de onvergencia del MPF
Para discutir el orden de convergencia introduciremos la siguiente denicin,
que en general, es valida para todos los mtodos iteratios.
Denition 37 Sea {x
k
} una sucesin que converge para un nmero y sea
e
k
= x
k
el error en la k-esima iteracin. Si existe un nmero p > 1 y una
constante c > 0, tales que
lim
k
|e
k+1
|
|e
k
|
p
= c, (9)
entonces p es llamado orden de convergencia de la sucesin {x
k
} y c constante
asinttica de error.
Si lim
k
(e
k+1
/e
k
) = c, con 0 |c| < 1, entonces se dice que la conver-
gencia es a lo menos lineal.
Remark 38 El orden de convergencia p de un mtodo iterativo, nos da una
informacin sobre la rapidez de convergencia del proceso, pues de (9) podemos
escribir
|e
k+1
| ' c |e
k
|
p
para k ,
y considerando que {x
k
} converge a , tenemos que lim
k
e
k
= 0, luego si p
es mayor, mas prximo de cero estar c |e
k
|
p
, independiente de c, lo que implica
una convergencia ms rpida de la sucecin {x
k
} .
Example 39 Si dos procesos iterativos generan sucesiones

x
1
k

y

x
2
k

, ambas
convergente a , con orden de convergencias p
1
y p
2
respectivamente, entonces
si p
1
> p
2
1, el proceso que genera la sucesin

x
1
k

converge ms rpido que

el proceso generado por la sucesin

x
2
k

.
Alisis Num rico xxiii
Lemma 40 Si (x) y
0
(x) satisfacen las hipotesis del teorema anterior, en-
tonces el MPF tiene orden de convergencia a lo menos lineal.
Proof. Del teorema anterior tenemos
x
k+1
= (x
k
) () =
0
(c
k
) (x
k
) ,
donde c
k
esta entre x
k
y . De la ecuacin anterior podemos obtener
x
k+1

x
k

=
0
(c
k
)
ahora, en esta ltima ecuacin, tomando el lmite cuando k
lim
k
x
k+1

x
k

= lim
k

0
(c
k
) =
0

lim
k
c
k

=
0
()
de donde
lim
k
e
k+1
e
k
=
0
() = c
y ya que
0
(x) satisface las hipotesis del teorema, tenemos que |c| < 1 y asi el
orden de la convergencia del MPF es a lo menos linal.
Remark 41 Observe que la convergencia ser ms rpida cuando |
0
()| es
menor.
2.1.8 Mtodo de Newton-Raphson
En el estudio del MPF vimos que la convergencia es asegurada si la funcin de
iteraci satisface la siguiente desigualdad
|
0
(x)| M < 1, x, I.
Adems vimos que la convergencia es ms rpida se |
0
()| es menor. El mtodo
de N-R, el cual es un caso particular del MPF, escoge una funcin de iteracin
(x) tal que
0
() = 0, por lo que se dice que este mtodo es una versin
acelerada del MPF.
Sabemos que la forma general de las funciones de iteracin (x) , para la
ecuacin f (x) = 0 es de la forma
(x) = x +A(x) f (x) , (10)
donde A es una funcin tal que A() 6= 0, con un punto jo de . Entonces
para descubrir una funcin de iteracin para el mtodo de N-R, es decir tal
que
0
() = 0, derivaremos la ecuasin (10) y forzaremos a que su derivada
evaluada en sea cero.
Derivando la ecuacin (10), obtenemos

0
(x) = 1 +A
0
(x) f (x) +A(x) f
0
(x) ,
Alisis Num rico xxiv
luego de
0
() = 0 y recordando que f () = 0, obtenemos
1 +A
0
() f () +A() f
0
() = 1 +A() f
0
() = 0
de donde
A() =
1
f
0
()
.
Tomando en cuenta este ltimo valor para A() , se puede inferir que con
A(x) = 1/f
0
(x) , la funcin de iteracin (10) debe ser tal que
0
() = 0,
lo cual se puede vericar sin problemas. Entoces para el mtodo de N-R se
escoge la funcin de iteracin
(x) = x
f (x)
f
0
(x)
.
Luego dado un valor inicial x
0
I, el mtodo de N-R consiste en determinar
los valores x
k
de la sucesin {x
k
} dada por
x
k+1
= x
k

f (x
k
)
f
0
(x
k
)
, k = 0, 1, 2, ..... (11)
Motivacin Geomtrica El mtodo de Newton-Raphson o simplemente el
mtodo de Newton es obtenido geomtricamente de la siguiente forma:
Dado el punto (x
k
, f (x
k
)) trazamos la recte L
k
(x) tangente a la curva con-
teniendo este punto,
L
k
(x) = f (x
k
) +f
0
(x
k
) (x x
k
) . (12)
Remark 42 observe que L
k
(x) es un modelo lineal que aproxima la funcin
f (x) en una vecindad de x
k
, ver grco abajo.
Ahora encontremos el cero de este modelo, es decir resolvamos la ecuacin
L
k
(x) = 0,
de la ecuacin (12), L
k
(x) = 0, es equivalente a
x = x
k

f (x
k
)
f
0
(x
k
)
,
luego haciendo x = x
k+1
, obtenemos la ecuacin
x
k+1
= x
k

f (x
k
)
f
0
(x
k
)
,
que correspode al mtodo de Newton, ecuacin (11).
Gr afico
Alisis Num rico xxv
Example 43 Considere f (x) = x
2
+ x 6, con x
0
= 1.5. Sabemos que esta
funcin tiene como raz a
1
= 2 y
2
= 3.
tilizando el mtodo de Newton tenemos
(x) = x
f (x)
f
0
(x)
= x
x
2
+x 6
2x + 1
entonces
x
0
= 1.5
x
1
= (x
0
) = 2.0625
x
2
= (x
1
) = 2.00076
x
3
= (x
2
) = 2.0000.
Recuerde que con el MPF y funcin de iteracin (x) =

6 x, encontramos
para este problema x
5
= 2.00048.
2.1.9 Estudio de la Convergencia del Mtodo de Newton
Theorem 44 Sean f (x) , f
0
(x) y f
00
(x) funciones continuas en el intervalo I
que contiene la raz x = de la ecuacin f (x) = 0. Suponga que f
0
() 6= 0,
entonces existe un intervalo
e
I I, conteniendo la raz , tal que si x
0

e
I, la
sucesin {x
k
} generada por la frmula recursiva x
k+1
= x
k
f (x
k
) /f
0
(x
k
) ,
convergir para la raz.
Proof. Basandonos en el teorema de existencia para el MPF, debemos demostrar
que existe un intervalo
e
I I, centrado en la raz , tal que
a) (x) y
0
(x) son continuas en
e
I;
b) |
0
(x)| M < 1, x
e
I.
Tenemos que
(x) = x
f (x)
f
0
(x)
y
0
(x) =
f (x) f
00
(x)
[f
0
(x)]
2
,
por hipotesis f
0
() 6= 0 y como f
0
(x) es continua en I, es posible obtener I
1
I
tal que f
0
(x) 6= 0, x I
1
. As, en I
1
I, se tiene que f (x) , f
0
(x) y f
00
(x) son
continuas y f
0
(x) 6= 0. Lo cual implica que (x) y
0
(x) son continuas en I
1
.
Por otro lado, como
0
(x) es continua en I
1
y
0
() = 0, es posible escoger
I
2
I
1
(I
2
puede ser elegido de modo que sea su centro) tal que
|
0
(x)| < 1, x I
2
,
tomando
e
I = I
2
, el teorema esta demostrado.
Remark 45 a) Tanto el mtodo de Newton como el mtodo del punto jo re-
quieren que el intervlo I posea slo una raz y simple, esto es que I posea
slo una raz y de multiplicidad uno.
b) La convergencia del mtodo de N-R tambien depende de la eleccin del punto
inicial x
0
, se puede demostrar que un criterio para que el mtodo de N-R
convega es tomar x
0
tal que f (x
0
) f
00
(x
0
) > 0.
Alisis Num rico xxvi
2.1.10 Orden de Convergencia para el Mtodo de Newton
El mtodo de Newton tiene orden de convergencia cuadrtica, en efecto. Sea
e
k
= x
k
, entonces de la sucesin
x
k+1
= x
k

f (x
k
)
f
0
(x
k
)
,
podemos escribir (sustrayendo a ambos lados )
e
k+1
= e
k

f (x
k
)
f
0
(x
k
)
.
Por otro lado, desarrollando f (x) en serie de Taylor en torno de x
k
, hasta el
orden dos, tenemos
f (x) = f (x
k
) +f
0
(x
k
) (x x
k
) +
1
2
f
00
(c
k
) (x x
k
)
2
, (13)
donde c
k
est entre x y x
k
.
Luego evaluando f (x) en x = , y tomando en cuenta que f () = 0, de la
ecuacn (13) tenemos
f (x
k
) f
0
(x
k
) (x
k
) +
1
2
f
00
(c
k
) (x
k
)
2
= 0
o
f (x
k
) = f
0
(x
k
) (x
k
)
1
2
f
00
(c
k
) (x
k
)
2
ahora dividiendo la ltima ecuacin por f
0
(x
k
) , obtenemos
f
00
(c
k
)
2f
0
(x
k
)
e
2
k
=
f (x
k
)
f
0
(x
k
)
+e
k
= e
k+1
de donde tenemos que
e
k+1
e
2
k
=
1
2
f
00
(c
k
)
f
0
(x
k
)
luego tomando el limite cuando k ,
lim
k
e
k+1
e
2
k
=
1
2
lim
k
f
00
(c
k
)
f
0
(x
k
)
=
1
2
f
00
(lim
k
c
k
)
f
0
(lim
k
x
k
)
=
1
2
f
00
()
f
0
()
=
1
2

00
() = c.
Asi, el mtodo de Newton-Raphson tiene convergencia cuadrtica.
Example 46 Considere la ecuacin f (x) = x
3
, sabemos que esta ecuacin
tiene como raz multiple a = 0.
Observe que el mtodo de Newton, para esta ecuacin se escribe como
x
k+1
= x
k

x
3
k
3x
2
k
=
2x
3
k
3x
2
k
=
2
3
x
k
,
Alisis Num rico xxvii
de donde (recordando que = 0)
x
k+1
=
2
3
(x
k
)
o
e
k+1
=
2
3
e
k
lo cual implica que la convergencias es lineal (no cuadrtica), esto sucede porque
la raz no es simple, ver la observacin a) anterior.
Example 47 Use el mtodo de N-R para encontrar un cero aproximado de la
funcin f (x) = x
3
3x
2
+x 1.
Observe que f (2) < 0 y f (3) > 0, entonces podemos tomemos I =
(2, 3) .
a) Si elegimos el punto inicial x
0
= 1, tenemos
x
k+1
= x
k

x
3
k
3x
2
k
+x
k
1
3x
2
k
6x
k
+ 1
, k = 0, 1, 2, ...
entonces
x
1
= 1

2
2

= 1 1 = 0
x
2
= 1; x
3
= 0; x
4
= 1, ......
de donde vemos que el mtodo no converge, note que f (1) f
00
(1) = 0.
b) Si x
0
= 2, entonces x
k
2.769292354.
Alisis Num rico xxviii
3 Solucin de Sistemas de Ecuaciones Lineales
Un sistema lineal con m ecuaciones y n incognitas es usualmente escrito en la
forma
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
x
1
+ a
m2
x
1
+ + a
mn
x
n
= b
m
(14)
donde los a
ij
son los coecientes del sistema, x
j
las variable o incognitas y b
i
son constantes con 1 i m, 1 j n.
El sistema (14) en forma matricial se puede escribir como
A

X =

b (15)
donde
A = (a
ij
) =

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn

X =

x
1
.
.
.
x
n

b =

b
1
.
.
.
b
m

.
En lo que sigue llamaremos X

al vector solucin y X una solucin aproximada

del sistema lineal (15).
A continuacin ejemplicaremos las situaciones que pueden ocurrir en relacin
al nmero de soluciones de un sistema lineal.
Example 48 a) Solucin nica: Considere el sistema
2x
1
+ x
2
= 3
x
1
3x
2
= 2
obsereve que la matriz A asociada a este sitema tiene determinante det A =
7 6= 0 y la nica solucin es
X

=

1
1

.
b) Innitas soluciones: Considere el sistema
2x
1
+ x
2
= 3
4x
1
+ 2x
2
= 6
obsereve que la matriz A asociada a este sitema tiene determinante det A =
0 y podmos encontrar innitas soluciones en la forma
X

=


3 2

; con R.
Alisis Num rico xxix
c) Ninguna solucin: Considere el sistema
2x
1
+ x
2
= 3
4x
1
+ 2x
2
= 2
obsereve que la matriz A asociada a este sitema tiene determinante det A =
0. Despejando de la primera ecuacin obtenemos x
2
= 32x
1
, luego susti-
tuyendo en la segunda ecuacin obtenemos 6 = 2, lo cual es una contraic-
cin, de donde concluimos que el sistema no tiene solucion.
Los sistemas considerados en el ejemplo anterior son pequeos, por lo que
no es difcil intentar resolverlos en forma analtica. Ahora, en la mayoria de
las aplicaciones aparecen sistemas de gran tamao, por lo que no es apropiado
intentar resolverlos usando mtodos analticos. Para ello se han desarrollados
una serie de mtodos numricos que permiten encontrar soluciones aproximadas,
a continuacin presentaremos algunos de estos mtodos para la resolucin de
sistemas lineales n n. Los mtodos numricos que estudiaremos suponen que
el sistema a resolver tiene solucin y es nica.
Los mtodos numricos se dividen en dos grandes clases, a saber mtodos
directos y mtodos iterativos.
a) Mtodos Directos: Son aquellos mtodos numricos, que amenos de er-
rores de redondeo, entregan soluciones exactas, despues de un nmero
nito de operaciones.
b) Mtodos Iterativos: Son aquellos mtodos numricos, que a partir de
una aproximacin inicial

X
0
, generan una sucesin de vectores
n

X
k
o
,
que bajo ciertas condiciones esta sucesin converge a la solucin X

, si
existe.
3.1 Mtodos Directos
3.1.1 Mtodo de la Eliminacin de Gauss
ste consiste en transformar el sistema lineal original, por una sucesin de
operaciones elementales, en un sistema equivalente con matriz de coecientes
triangular superior, como abajo
a
11
x
1
+ +a
1n
x
n
= b
1
.
.
.
.
.
.
a
n1
x
1
+ +a
nn
x
n
= b
n

11
x
1
+ a

12
x
2
+ + a

1n
x
n
= b

1
a

22
x
2
+ + a

2n
x
n
= b

2
.
.
.
.
.
.
.
.
.
a

nn
x
n
= b

n
luego resolver este ltimo sistema resulta muy fcil, como veremos a contin-
uacin.
Alisis Num rico xxx
Resolucin de sistemas triangulares Considere el sistema triangular su-
perior
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
a
22
x
2
+ + a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
a
nn
x
n
= b
n
(16)
obsereve que de la ltima ecuacin del sistema (16) podemos despejar la incog-
nita x
n
, esto es x
n
= b
n
/a
nn
. Dado que estamos suponiendo que el sistema
tiene solucin nica, entonces a
nn
6= 0. Ahora, dado que hemos encontrado la
incognita x
n
, de la penultima ecuacin del sistema, es decir de a
n1,n1
x
n1
+
a
n1,n
x
n
= b
n1
, podemos despejar la penultima incognita, esto es
x
n1
=
b
n1
a
n1,n
x
n
a
n1,n1
,
continuando con el proceso, encontramos x
n2
, x
n3
, ..., x
1
, note que x
1
es
x
1
=
b
1
a
12
x
2
a
13
x
3
a
1n
a
11
.
Descripcin del mtodo de la Eliminacin de Gauss
Theorem 49 Sea AX = b un sistema lineal. Aplicando sobre las ecuaciones
de este sistema una sucesin de operaciones elementales escogidas entre:
i) Cambiar dos ecuaciones.
ii) Multiplicar una ecuacin por una constante no nula.
iii) Adicionar un multiplo de una ecuacin a otra ecuacin.
Obtenemos un nuevo sistema
e
AX =
e
b equivalente al sistema original AX =
b.
Procedimiento
Dado el sistema AX = b, suponga que el determinante de A es distinto de
cero ( det A 6= 0 ), entonces el procedimiento es como sigue:
i) La eliminacin es efectuada por columnas y llamaremos etapa k del proceso
a la face en que se elimina la variable x
k
de las ecuaciones k+1, k+2, ..., n.
ii) Llamaremos a
(k)
ij
coeciente de la la i y columna j al nal de la etapa k.
iii) Llamaremos b
(k)
i
i-esimo elemento del vector constante al nal de la etapa
k.
Alisis Num rico xxxi
Entonces para empezar el proceso escribimos
A
(0)

b
(0)
= A|b =

a
(0)
11
a
(0)
12
a
(0)
1n
a
(0)
21
a
(0)
22
a
(0)
2n
.
.
.
.
.
.
.
.
.
a
(0)
n1
a
(0)
n2
a
(0)
nn

b
(0)
1
b
(0)
2
.
.
.
b
(0)
n

(17)
donde a
(0)
ij
= a
ij
, b
(0)
i
= b
i
y a
(0)
11
6= 0.
Etapa 1: (Eliminacin de x
1
de las ecuaciones i = 2, 3, ..., n.)
De la ecuacin i restamos la 1
a
ecuacin multiplicada por m
i1
. Donde
m
i1
=
a
(0)
i1
a
(0)
11
; i = 2, 3, ..., n.
Los elementos m
i1
son llamados los multiplicadores y los a
(0)
11
son denominados
pivote de la 1
a
etapa. Entonces al nal de la 1
a
etapa obtenemos:
A
(1)

b
(1)
=

a
(1)
11
a
(1)
12
a
(1)
1n
0 a
(1)
22
a
(1)
2n
.
.
.
.
.
.
.
.
.
0 a
(1)
n2
a
(1)
nn

b
(1)
1
b
(1)
2
.
.
.
b
(1)
n

donde
a
(1)
1j
= a
(0)
1j
j = 1, ..., n; b
(1)
1
= b
(0)
1
.
a
(1)
ij
= a
(0)
ij
m
i1
a
(0)
1j
; i = 2, ..., n; j = 1, ..., n.
b
(1)
i
= b
(0)
1
m
i1
b
(0)
1
; i = 2, ..., n.
Etapa 2: (Eliminacin de x
2
de las ecuaciones i = 3, 4, ..., n.)
De la ecuacin i restamos la 2
a
ecuacin multiplicada por m
i2
. Donde a
(1)
22
es el pivote y
m
i2
=
a
(1)
i2
a
(1)
22
; i = 3, 4, ..., n.
son los multiplicadores. Entonces al nal de la etapa 2 tendremos
A
(2)

b
(2)
=

a
(2)
11
a
(2)
12
a
(2)
13
a
(2)
1n
0 a
(2)
22
a
(2)
23
a
(2)
2n
0 0 a
(2)
33
a
(2)
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a
(2)
n3
a
(2)
nn

b
(2)
1
b
(2)
2
b
(2)
3
.
.
.
b
(2)
n

Alisis Num rico xxxii

donde
a
(2)
ij
= a
(1)
ij
; b
(2)
i
= b
(1)
i
; i = 1, 2; j = i, i + 1, ..., n.
a
(2)
ij
= a
(1)
ij
m
i2
a
(1)
2j
; i = 3, ..., n; j = 2, ..., n.
b
(2)
i
= b
(1)
i
m
i2
b
(1)
2
; i = 3, ..., n.
En forma anloga, se sigue que al nal de la etapa (n 1) tendremos
A
(n1)

b
(n1)
=

a
(n1)
11
a
(n1)
12
a
(n1)
1n
0 a
(n1)
22
a
(n1)
2n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 a
(n1)
nn

b
(n1)
1
b
(n1)
2
.
.
.
b
(n1)
n

. (18)
El sistema reultante (18), el cual lo podemos denotar por A
(n1)
X = b
(n1)
, es
un sistema triangular superior equivalente al sistema original (17).
Example 50 Considere el sistema lineal
3x
1
+ 2x
2
+ 4x
3
= 1
x
1
+ x
2
+ 2x
3
= 2
4x
1
+ 3x
2
2x
3
= 3
Estratgias de Pivotiamiento El mtodo de Eliminacin de Gauss requiere
el clculo de los multiplicadores
m
ik
=
a
(k1)
ik
a
(k1)
kk
, i = k + 1, k + 2, ..., n
en la etapa k del proceso.
Entonces el pivote no puede ser nulo o prximo de cero, para evitar semejante
situacin existen estratgias, a continuacin presentaremos dos de ellas.
Estratgia de Pivotamiento Parcial
Esta estratgia consiste en:
i) En el inicio de la etapa k, escoger para pivote el elemento de modulo mayor
entre los coecientes
a
(k1)
ik
, i = k, k + 1, ..., n.
ii) Cambiar las las k e i si es necesario.
Example 51 Considere el sistema lineal con n = 4 y suponga que se esta
realizando la eliminacin en la etapa k = 2, esto es
A
(1)

b
(1)
=

3 2 1 1
0 1 0 3
0 3 5 7
0 2 4 0

5
6
7
15

.
Alisis Num rico xxxiii
i) Inicio de la etapa 2:
max
j=2,3,4

a
(1)
j2

a
(1)
32

= 3,
luego elegimos como pivote a
(1)
32
= 3.
ii) Cambiar la la 2 por la la 3, entonces el sistema resultante es
A
(1)

b
(1)
=

3 2 1 1
0 3 5 7
0 1 0 3
0 2 4 0

5
7
6
15

,
luego los multiplicadores de esta etapa sern
m
32
= 1/3; m
42
= 2/3
observe que 0 < |m
j2
| 1.
Estratgia de Pivotamiento Completo
Esta consiste en elegir, en la etapa k, como pivote el elemento de mayor
mdulo entre los elementos que an actuan en el proceso de eliminacin, esto
es elegir como pivote a
(k1)
rs
, donde

a
(k1)
rs

= max
i,jk

a
(k1)
ij

,
note que esta estratgia, eventualmente requiere el cambio de la columna j por
la columna s, por lo que se deben cambiar las variables x
j
por x
s
.
Example 52 En el ejemplo anterior, el pivote de la etapa 2 ser
a
(1)
34
= 7
lo que conlleva el cambio de las columnas 2 y 4 y de las las 2 y 3 de donde
resulta
A
(1)

b
(1)
=

3 1 1 2
0 7 5 3
0 3 0 1
0 0 4 2

5
7
6
15

,
note en el sistema original se deben cambiar las variables x
2
por x
4
.
3.1.2 Mtodo de Descomposicin LU
Dado el sistema lineal AX = b, este mtodo consiste en factorizar la matriz A
en el producto LU, donde L es una matriz triangular inferior y U triangular
superior. En este caso el sistema original AX = b se escribe equivalentemente
como LUX = b. Luego haciendo UX = Y, se resuelve el sistema LY = b, luego
una vez encontrado el vector Y se resuelve el sistema UX = Y, de donde se
encuentra el vector incognito riginal X.
Alisis Num rico xxxiv
Para obtener las matrices L y U se escribe
L =

l
11
0 0
l
21
l
22
0
.
.
.
.
.
.
.
.
.
.
.
.
l
n1
l
n2
l
nn

; U =

u
11
u
12
u
1n
0 u
22
u
2n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 u
nn

luego se considera

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

l
11
0 0
l
21
l
22
0
.
.
.
.
.
.
.
.
.
.
.
.
l
n1
l
n2
l
nn

u
11
u
12
u
1n
0 u
22
u
2n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 u
nn

(19)
claramente el nmero de entradas a calcular
2
en L es n(n + 1) /2 y en U tambien
es n(n + 1) /2, entonces el nmero total de entradas a calcular es n
2
+n, teniendo
slo n
2
igualdades a partir de la identidad (19). Se requiere por lo tanto n
condiciones extras para determinar en forma nivoca los elementos l
ij
y u
ij
requeridos, luego para ello es necesario imponer condiciones adicionales.
a) Si imponemos las condciones que u
ii
= 1 con i = 1, 2, ..., n, entonces el
mtodo recibe el nombre de descomposicin LU-CROUT.
b) Si imponemos las condiciones que l
ii
= 1 con i = 1, 2, ..., n, entonces el
mtodo recibe el nombre de descomposicin LU-DOOLITTLE.
c) Si A es simtrica y denida positiva, entonces es posoble descomponer A
como A = GG
T
, en este caso, la descomposicin recibe el nombre de
descomposicin LU-CHOLESKY.
Example 53 Determinemos el algoritmo LU-CROUT para una matriz 4 4,
en este caso la identidad (19) puede escribirse como

a
11
a
12
a
13
a
14
a
21
a
22
a
23
a
24
a
31
a
32
a
33
a
34
a
41
a
42
a
43
a
44

l
11
0 0 0
l
21
l
22
0 0
l
31
l
32
l
33
0
l
41
l
42
l
43
l
44

1 u
12
u
13
u
14
0 1 u
23
u
24
0 0 1 u
34
0 0 0 1

2
Recuerde que
n
X
i=1
i =
n(n+1)
2
.
Alisis Num rico xxxv
que multiplicando las dos ltimas matrices, obtenemos

a
11
a
12
a
13
a
14
a
21
a
22
a
23
a
24
a
31
a
32
a
33
a
34
a
41
a
42
a
43
a
44

l
11
l
11
u
12
l
11
u
13
l
11
u
14
l
21
l
21
u
12
+l
22
l
21
u
13
+l
22
u
23
l
21
u
14
+l
22
u
24
l
31
l
31
u
12
+l
32
l
31
u
13
+l
32
u
23
+l
33
l
31
u
14
+l
32
u
24
+l
33
u
34
l
41
l
41
u
12
+l
42
l
41
u
13
+l
42
u
23
+l
43
l
41
u
14
+l
42
u
24
+l
43
u
34
+l
44

de donde
l
11
= a
11
; l
21
= a
21
; l
32
= a
31
; l
41
= a
41
es decir, la primera columna de L coincide con la primera columna de A.
Ahora se determina la primera la de U,esto es
l
11
u
12
= a
21
=u
12
= a
21
/l
11
l
11
u
13
= a
13
=u
13
= a
13
/l
11
l
11
u
14
= a
24
=u
14
= a
14
/l
11
segunda columna de L
l
21
u
12
+l
22
= a
22
=l
22
= a
22
l
21
u
12
l
31
u
12
+l
32
= a
32
=l
32
= a
32
l
31
u
12
l
41
u
12
+l
42
= a
42
=l
42
= a
42
l
41
u
12
segunda la de U
l
21
u
13
+l
22
u
23
= a
23
=u
23
= (a
23
l
21
u
13
) /l
22
l
21
u
14
+l
22
u
24
= a
24
=u
24
= (a
24
l
21
u
14
) /l
22
tercera columna de L
l
31
u
13
+l
32
u
23
+l
33
= a
33
=l
33
= a
33
l
31
u
13
l
32
u
23
l
41
u
13
+l
42
u
23
+l
43
= a
43
=l
43
= a
43
l
41
u
13
l
42
u
23
tercera la de U
l
31
u
14
+l
32
u
24
+l
33
u
34
= a
34
=u
34
= [a
34
(l
31
u
14
+l
32
u
24
)] /l
33
cuarta columna de L
l
41
u
14
+l
42
u
24
+l
43
u
34
+l
44
= a
44
=l
44
= a
44
(l
41
u
14
+l
42
u
24
+l
43
u
34
) .
El proceso anterior para determinar las matrices L y U de la descomposicin
se puede generalizar, para una matriz A simetrica y denida positiva, de orden
Alisis Num rico xxxvi
n n y el algoritmo es el siguiente:

r = 1, 2, ..., n

i = r, r + 1, ..., n
l
ir
= a
ir

r1
X
k=1
l
ik
u
kr

j = r + 1, r + 2, ..., n
u
rj
=
"
a
rj

r1
X
k=1
l
rk
u
kj
#
/l
rr
; r 6= n
Example 54 Usando el mtodo LU-CROUT, encuentre la solucin del sigu-
iente sistema lineal
3x
1
x
2
+ 2x
3
= 12
x
1
+ 2x
2
+ 3x
3
= 11
2x
1
2x
2
x
3
= 2
que escrito en forma matricial es

3 1 2
1 2 3
2 2 1

x
1
x
2
x
3

12
11
2

.
Para determinar las matrices L y U procecemos como en el algoritmo:
Primera columna de L
l
11
= 3; l
21
= 1; l
31
= 2
Primera la de U
u
12
= 1/3; u
13
= 2/3
Segunda columna de L
l
22
= 2 1 (1/3) = 7/3; l
32
= 2 (2) (1/3) = 4/3
Segunda la de U
u
23
= [3 1 (2/3)] / (7/3) = 1
Tercera columna de L
l
33
= 1 [2 (2/3) + (4/3) 1] = 1.
Entonces nalmente tenemos,
L =

3 0 0
1 7/3 0
2 4/3 1

; U =

1 1/3 2/3
0 1 1
0 0 1

Alisis Num rico xxxvii

3.1.3 Factorizacin de Cholesky
Cuando la matriz de coecientes del sistema AX = b, es simtrica y denida
positiva, es posible factorizar A en la forma A = GG
T
, donde G es una ma-
triz de n n nica, adems G es triangular inferior con elementos diagonales
estrictamente positivos, esta factorizacin es conocida como Factorizacin de
Cholesky.
Denition 55 Una matriz A
nn
se dice denida positiva si X
T
AX > 0, X
R
n
; X 6= 0. Adems A se dice simtrica si A = A
T
.
Clculo del factor de Cholesky
Considere la matriz simetrica y denida positiva
A =

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

entonces el factor G ser obtenido a partir de la ecuacin matricial A = GG

T
,
luego tomando en cuenta que A es simtrica y G es triangular superior, podemos
escribir

a
11
a
21
a
n1
a
21
a
22
a
n2
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

g
11
0 0
g
21
g
22
0
.
.
.
.
.
.
.
.
.
.
.
.
g
n1
g
n2
g
nn

g
11
a
12
g
1n
0 g
22
g
2n
.
.
.
.
.
.
.
.
.
.
.
.
0 0 g
nn

ahora el clculo ser realizado por columnas:

Columna 1

a
11
a
21
.
.
.
a
n1

g
11
0 0
g
21
g
22
0
.
.
.
.
.
.
.
.
.
.
.
.
g
n1
g
n2
g
nn

g
11
0
.
.
.
0

g
2
11
g
21
g
11
.
.
.
g
n1
g
11

de donde g
11
=

a
11
; g
j1
= a
j1
/g
11
con j = 2, 3, ..., n.
Columna 2

a
21
a
22
a
32
.
.
.
a
n2

= G

g
21
g
22
0
.
.
.
0

g
11
g
21
g
2
21
+g
2
22
g
31
g
21
+g
32
g
22
.
.
.
g
n1
g
21
+g
n2
g
22

Alisis Num rico xxxviii

de donde
g
2
21
+g
2
22
= a
22
=g
22
=
q
a
22
g
2
21
g
j1
g
21
+g
j2
g
22
= a
j2
=g
j2
= (a
j2
g
j1
g
21
) /g
22
j = 3, 4, ..., n
observe que los g
j1
ya estan calculados para j = 2, 3, ..., n. Ahora contin-
uando el proceso podemos, en general calcular la columna k como sigue
Columna k

a
k1
.
.
.
a
kk
a
k+1,k
.
.
.
a
nk

= G

g
k1
.
.
.
g
kk
0
.
.
.
0

(20)
de donde, podemos concluir que a
kk
= g
2
k1
+g
2
k2
+ +g
2
kk
, luego
g
kk
=

a
kk

k1
X
i=1
g
2
ki
!
1/2
.
Adems de la ecuacin matricial (20) tambien podemos escribir a
jk
=
g
j1
g
k1
+g
j2
g
k2
+ +g
jk
g
kk
con j = k +1, , n. Luego como todos los
elementos g
ki
con i = 1, , (k 1) ya fueron calculados, tendremos
g
jk
=
"
a
jk

k1
X
i=1
g
j1
g
ki
#
/g
kk
; j = k + 1, , n.
El proceso anterior se puede resumir en el siguiente algoritmo. Sea A
nn
,
simtica y denida positiva
g
11
=

a
11
k = 2, , n
s = 0

j = 1, , k 1
s = s +g
2
kj
r = a
kk
s
g
kk
= (r)
1/2
i = k + 1, , n
s = 0

j = 1, , k 1
s = s +g
ij
g
kj
g
ik
= (a
ik
s) /g
kk
Remark 56 a) Una factorizacin de Cholesky requiere en la prctica cerca de
n
3
/3 operaciones de multiplicacin y adicin en el clculo de los factores,
aproximadamente la mitad del nmero de operaciones necesarias en la fase
de la eliminacin de la factorizacin LU.
Alisis Num rico xxxix
b) En la prctica, se aplica la factorizacin de Cholesky para vericar si una
determinada matriz A es simtrica y denida positiva. Si el algoritmo
falla, es decir, si en alguna etapa r 0, el proceso ser interrumpido y
consecuentemente, la matriz original no es denida positiva.
Example 57 Resuelva el siguiente sistema utilizando la factorizacin de Cholesky
16x
1
+ 4x
2
+ 8x
3
+ 4x
4
= 32
4x
1
+ 10x
2
+ 8x
3
+ 4x
4
= 26
8x
1
+ 8x
2
+ 12x
3
+ 10x
4
= 38
4x
1
+ 4x
2
+ 10x
3
+ 12x
4
= 30
antes debemos asegurarnos que la matriz de coecientes
A =

16 4 8 4
4 10 8 4
8 8 12 10
4 4 10 12

es simtrica y denida positiva. Obviamente la matriz es simtrica........

Un mtodo practico para ejecutar el mtodo de Eliminacin de Gauss y
descomposicin LU es como sigue.
Etapa 1. Multiplicar la matriz A por la matriz
L
1
=

1 0 0
m
21
1 0
.
.
.
.
.
.
.
.
.
m
n1
0 1

donde m
i1
=
a
i1
a
11
, entonces L
1
A tendr la forma
L
1
A =

a
11
a
12
a
1n
0 a
1
22
a
1
2n
.
.
.
.
.
.
.
.
.
0 a
1
n2
a
1
nn

Etapa 2. Multiplicar la matriz A por la matriz

L
2
=

1 0 0
0 1 0
0 m
32
0
.
.
.
.
.
.
.
.
.
0 m
n2
1

Alisis Num rico xl

de donde
L
2
L
1
A =

a
11
a
12
a
1n
0 a
2
22
a
2
2n
.
.
.
.
.
.
.
.
.
0 0 a
2
nn

.
As sucesivamente hasta llegar a una matriz trinagular superior
L
n1
L
n2
L
2
L
1
A = U =

u
11
u
12
u
1n
0 u
22
u
2n
.
.
.
.
.
.
.
.
.
0 0 u
nn

. (21)
Por otro lado, es facil vericar que la inversa de L
1
viene dada por
L
1
1
=

1 0 0
m
21
1 0
.
.
.
.
.
.
.
.
.
m
n1
0 1

y, en general, L
1
j
es igual a L
j
pero con m
ji
. Luego de la ecuacin (21)
podemos escribir
A = L
1
1
L
1
2
L
1
n1
U,
adems observe que la matriz L = L
1
1
L
1
2
L
1
n1
es triangular inferior con
unos en la diagonal, esto es
L = L
1
1
L
1
2
L
1
n1
=

1 0 0
m
21
1 0
.
.
.
.
.
.
.
.
.
m
n1
m
n2
1

.
Example 58 Analise el sistema de ecuaciones lineales dado, con relacin al
nmero de soluciones, use Eliminacin de Gauss y Eliminacin de Gauss con
pivote parcial y completo.
0.252x
1
+ 0.36x
2
+ 0.12x
3
= 7
0.11x
1
+ 0.16x
2
+ 0.24x
3
= 8
0.147x
1
+ 0.21x
2
+ 0.25x
3
= 9
(22)
Observe que L
1
debe tener la forma (Usando tres dgitos decimales)
L
1
=

1 0 0
m
21
1 0
m
32
0 1

1 0 0
0.444 1 0
0.583 0 1

Alisis Num rico xli

donde m
21
= (a
21
/a
11
) = 0.444, m
31
= (a
31
/a
11
) = 0.583. Luego
L
1
A =

1 0 0
0.444 1 0
0.583 0 1

0.256 0.36 0.12

0.112 0.16 0.24
0.147 0.21 0.25

0.256 0.36 0.12

0.000 0.000 0.186
0.000 0.000 0.180

y
L
1
b =

1 0 0
0.444 1 0
0.583 0 1

7
8
9

7
4.892
4.919

de donde el sistema resultante (equivalente) se escribe como

0.252x
1
+ 0.36x
2
+ 0.12x
3
= 7
0.186x
3
= 4.892
0.180x
3
= 4.919
Del sistema anterior vemos que el sistema (22) tiene innitas soluciones, adems
la Eliminacin de Gauss coincide con la Eliminacin de Gauss con pivoteamento
parcial.
Ahora para usar Eliminacin de Gauss con pivoteamento completo, note que
debemos usar el coeciente a
12
= 0.36 como pivote, luego debemos intercambiar
la columna 1 por la 2, de lo cual debemos tambien intercambiar las variables x
1
por x
2
, entonces podemos escribir el sistema (22) como
0.36x
2
+ 0.252x
1
+ 0.12x
3
= 7
0.16x
2
+ 0.11x
1
+ 0.24x
3
= 8
0.21x
2
+ 0.147x
1
+ 0.25x
3
= 9
entonces
L
1
=

1 0 0
m
21
1 0
m
32
0 1

1 0 0
0.444 1 0
0.583 0 1

de donde
L
1
A =

1 0 0
0.444 1 0
0.583 0 1

0.36 0.256 0.12

0.16 0.112 0.24
0.21 0.147 0.25

0.36 0.252 0.12

0.000 0.000 0.186
0.000 0.000 0.180

y
L
1
b =

7
4.892
4.919

entonces el sistema resultante es

0.36x
2
+ 0.252x
1
+ 0.12x
3
= 7
0.186x
3
= 4.892
0.180x
3
= 4.919
el cual tiene innitas soluciones.
Alisis Num rico xlii
Example 59 Realice la factorizacin LU-DOOLITTLE de la matriz
A =

4 1 0 1
1 4 1 0
0 1 4 0
1 0 0 4

Calculando tenemos
L
1
=

1 0 0 0
1/4 1 0 0
0 0 1 0
1/4 0 0 1

=L
1
A =

4 1 0 1
0 17/4 1 1/4
0 1 4 0
0 1/4 0 17/4

L
2
=

1 0 0 0
0 1 0 0
0 4/17 1 0
0 1/17 0 1

=L
2
L
1
A =

4 1 0 1
0 17/4 1 1/4
0 0 64/17 1/17
0 0 1/17 72/17

L
3
=

1 0 0 0
0 1 0 0
0 0 1 0
0 0 1/64 1

=L
3
L
2
L
1
A =

4 1 0 1
0 17/4 1 1/4
0 0 64/17 1/17
0 0 0 72/17

= U
nalmente
L = L
1
1
L
1
2
L
1
3
=

1 0 0 0
1/4 1 0 0
0 4/17 1 0
1/4 1/17 1/64 1

=A = LU.
3.2 Mtodos Iterativos
La idea de los mtodos iterativos es generalizar el mtodo del punto jo, estudi-
ado en el captulo anterior, utilizando la busqueda de races de una ecuacin de
la forma AX = B donde A = A
nn
es una matriz de orden nn, X = X
n1
es
el vector incognito y B = B
n1
es el vector constante. Este sistema es transfor-
mado, "de alguna forma", en un sistema de tipo X = CX+F donde C = C
nn
y F = F
nfa1
.
Observe que si escribimos (X) = CX + F, obtenemos una funcin de
iteracin dada en forma matricial, entonces partiendo con un vector inicial X
(0)
podemos generar la sucesin
X
(1)
= CX
(0)
+F =

X
(0)

1
a
aproximacin
X
(2)
= CX
(1)
+F =

X
(1)

2
a
aproximacin
.
.
.
.
.
.
.
.
.
X
(k+1)
= CX
(k)
+F =

X
(k)

(k + 1) -aproximacin.
Test de Parada
Alisis Num rico xliii
El proceso iterativo anterior es repetido hasta que el vector X
(k)
este su-
cientemente prximo del vector X
(k1)
. Ahora la distancia, d
(k)
, entre el vector
X
(k)
y el vector X
(k1)
es medida por
d
(k)
= max
1in

x
k
i
x
k1
i

donde x
k
i
es la componente i-esima del vector X
(k)
. Asi, dada una precisin ,
el vector X
(k)
ser escogido como X, solucin aproximada de la solucin exacta,
si d
(k)
< .
Normas de Matrices
Para el estudio de los mtodos iterativos,en particular para el estudio de la
convergencia, debemos tenener en mente algunas normas de matrices.
Si M
nn
(R) es el espacio vectorial de las matrices n n con coecientes
reales, entonces podemos denir la norma de una matriz, como una funcin
|||| : M
nn
(R) R
+
{0}
tal que
1. ||A|| > 0, A M
nn
(R) y ||A|| = 0 A = 0.
2. ||A|| = || ||A|| , R, A M
nn
(R) .
3. ||A+B|| ||A|| + ||B|| , A, B M
nn
(R) .
4. ||AB|| ||A|| ||B|| , A, B M
nn
(R) .
Se puede probar que las siguientes son normas de matrices:
a) Norma 1: Mxima suma de magnitudes por columnas, esto es
||A||
1
= max
1jn
n
X
i=1
|a
ij
|
b) Norma : Mxima suma de magnitudes por las, esto es
||A||

= max
1jn
n
X
j=1
|a
ij
|
c) Norma Euclidiana:
||A||
eu
=

n
X
i=1
n
X
j=1
(a
ij
)
2

1/2
Alisis Num rico xliv
Example 60 Dada la matriz
A =

5 9 0
2 1 4
3 2 1

determine ||A||
1
, ||A||

, ||A||
eu
.
a) ||A||
1
= max
1j3
{10, 12, 5} = 12
b) ||A||

= max
1i3
{14, 7, 6} = 14
c) ||A||
eu
=

3
X
i=1
3
X
j=1
a
2
ij

1/2
= (25 + 81 + 4 + 1 + 16 + 9 + 4 + 1)
1/2
= 11.87
3.2.1 Mtodo de Jacobi
Uno de los mtodos iterativos ms bsico y a la vez ms importante es el mtodo
de Jacobi, que a continuacin pasaremos a describir.
Considere el sistema lineal de n incognitas y n ecuaciones
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
x
1
+ a
n2
x
1
+ + a
nn
x
n
= b
n
(23)
de donde
x
1
= b
1
/a
11
a
12
x
2
/a
11
a
13
x
3
/a
11
a
1n
x
n
/a
11
x
2
= b
2
/a
22
a
21
x
1
/a
22
a
23
x
3
/a
22
a
2n
x
n
/a
22
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
n
= b
n
/a
nn
a
n1
x
1
/a
nn
a
n2
x
2
/a
nn
a
n,n1
x
n1
/a
nn
(24)
note que el sistema anterior se puede escribir como
X = CX +F
donde
C =

0 a
12
/a
11
a
13
/a
11
a
1n
/a
11
a
21
/a
22
0 a
23
/a
22
a
2n
/a
22
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
/a
nn
a
n2
/a
nn
a
n,n1
/a
nn
0

and
X =

x
1
x
2
.
.
.
x
n

; F =

b
1
/a
11
b
2
/a
22
.
.
.
b
n
/a
nn

.
Alisis Num rico xlv
Entonces el mtodo de Jacobi consiste en construir una sucesin de vectores
de aproximacin X
(k)
con k = 1, 2, ..., n tomando una aproximacin arbitraria
para el vector inicial X
(0)
, esto es
x
k+1
1
= b
1
/a
11

n
X
j=2
a
1j
a
11
x
k
j
x
k+1
2
= b
2
/a
22

n1
X
j=1
j6=2
a
2j
a
22
x
k
j
,
.
.
.
.
.
.
x
k+1
n
= b
n
/a
nn

n1
X
j=1
a
nj
a
nn
x
k
j
o en forma compacta
x
k+1
i
=
b
i
a
ii

n
X
i=1
j6=i
a
ij
a
ii
x
k
j
; i = 1, 2, ..., n; j = 0, 1, ..., n. (25)
Finalmente un criterio de parada para este mtodo es, dada una presicin
parar cuando d
k
, donde
d
k
= max
1in

x
k+1
i
x
k
i

.
Example 61 Encuentre las dos primeras iteraciones del mtodo por el mtodo
de Jacobi, con la aproximacin inicial X
(0)
= (0, 0, 0)
T
, del sistema
2x
1
x
2
+ x
3
= 1
3x
1
+ 3x
2
+ 9x
3
= 0
3x
1
+ 3x
2
+ 5x
3
= 4
entonces
i) Para k = 0, x
1
i
=
bi
a
ii

3
X
i=1
j6=i
a
ij
a
ii
x
0
j
; i = 1, 2, 3; j = 0, 1, 3.
x
1
1
=
1
2

1
2

x
0
2
+ 3x
0
3

=
1
2
x
1
2
=
0
3

1
3

3x
0
1
+ 9x
0
3

= 0
x
1
3
=
4
5

1
5

3x
0
1
+ 3x
0
2

=
4
5
luego X
1
= (1/2, 0, 4/5)
T
.
Alisis Num rico xlvi
ii) Para k = 1, x
2
i
=
b
i
a
ii

3
X
i=1
j6=i
aij
a
ii
x
1
j
; i = 1, 2, 3; j = 0, 1, 3.
x
2
1
=
1
2

1
2

x
1
2
+ 3x
1
3

=
9
10
x
2
2
=
0
3

1
3

3x
1
1
+ 9x
1
3

=
57
30
x
2
3
=
4
5

1
5

3x
1
1
+ 3x
1
2

=
11
10
luego X
2
= (9/10, 57/30, 11/10)
T
.
Theorem 62 El esquema de Jacobi es convergente a la solucin exacta del
sistema si la matriz de coecientes A, es estrictamente diagonal dominante, es
decir
|a
ii
| >
n
X
j=1
j6=i
|a
ij
| ; i = 1, 2, ..., n.
Proof. Note que el algoritmo puede escribirse de la siguiente forma
X
(k+1)
= b BX
(k)
(26)
donde b = b
i
/a
ii
y
B =

0 a
12
/a
11
a
1n
/a
11
a
21
/a
22
0 a
2n
/a
22
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
/a
nn
a
n2
/a
nn
0

.
Ahora dado que por hipotesis la matriz A es estrictamente diagonal dominante,
tenemos
||B||

= max
1in
n
X
j=1

a
ij
a
ii

= max
1in
n
X
j=1
|a
ij
|
|a
ii
|
< 1,
entonces, desde la ecuacin (26) podemos escribir

X
(k+1)
X
(k)

b BX
(k)
b +BX
(k1)

X
(k1)
X
(k)

||B||

X
(k)
X
(k1)

||B||
2

X
(k1)
X
(k2)

.
.
.
||B||
k

X
(1)
X
(0)

luego haciendo k y usando el hecho que ||B||

< 1, se tiene que

X
(k+1)
X
(k)

0,
cuando k .
Alisis Num rico xlvii
3.2.2 Mtodo de Gauss-Seidel
El mtodo de Gauss-Seidel es similar al mtodo de Jacobi, slo que ste aprovecha
los valores actualizados de los x
k
i
, por lo que resulta un mtodo ms rpido que
el de Jacobi.
Considere el sistema (23), el cual lo podemos escribir como (24) de donde
x
k+1
1
= b
1
/a
11
a
12
x
k
2
/a
11
a
13
x
k
3
/a
11
a
1n
x
k
n
/a
11
x
k+1
2
= b
2
/a
22
a
21
x
k+1
1
/a
22
a
23
x
k
3
/a
22
a
2n
x
k
n
/a
22
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
k+1
n
= b
n
/a
nn
a
n1
x
k+1
1
/a
nn
a
n2
x
k+1
2
/a
nn
a
n,n1
x
k+1
n1
/a
nn
(27)
para k = 0, 1, 2, ..., note que en la segunda ecuacin de (27) aparece x
k+1
1
, el
cual fue calculado en la primera ecuacin, en la tercera ecuacin aparecer x
k+1
1
y x
k+1
2
los cuales fueron calculados en la primera y segunda ecuacin respectiva-
mente, entonces siguiendo el proceso en la ltima ecuacin para calcular x
k+1
n
se
utilizan los valores x
k+1
1
, ..., x
k+1
n1
, los cuales fueron calculados en las ecuaciones
anteriores. En forma compacta el esquema puede ser escrito como
x
k+1
i
=
b
i
a
ii

i1
X
i=1
a
ij
a
ii
x
k+1
j

n
X
j=i+1
a
ij
a
ii
x
k
j
(28)
con control de parada

x
k+1
i
x
k
i

< ; i = 1, 2, ...n.
Theorem 63 Si la matriz de coecientes A es estrictamente diagonal domi-
nante, entonces el esquema de Gauss-Seidel es convergente para cualquier aprox-
imacin inicial X
(0)
.
3.2.3 Esquemas Iterativos Estacionarios
Los Mtodos de Jacobi y Gauss-Seidel son casos particulares de una clase de
mtodos iterativos de la forma
X
(k+1)
= BX
(k)
+C. (29)
Tales esquemas iterativos son llamados estacionarios debido a que la matriz B
no vara en el proceso. B es llamada matriz de iteracin.
Deniendo las matrices
D =

a
11
0
.
.
.
.
.
.
.
.
.
0 a
nn

; E =

0 0
.
.
.
.
.
.
.
.
.
a
ij
0

; F =

0 a
ij
.
.
.
.
.
.
.
.
.
0 0

de modo que A = D E F. Entonces los mtodos de Jacobi y Gauss-Seidel

se pueden escribir como:
Alisis Num rico xlviii
Jacobi
X
(k+1)
= D
1
(E +F) X
(k)
+D
1
b (30)
comparando la ecuacin (30) con la ecuacin (29), vemos que la matriz de
iteracin B
J
para el mtodo de Jacobi es
B
J
= D
1
(E +F)
Gauss-Seidel
X
(k+1)
=

I D
1
E

1
D
1
FX
(k)
+

I D
1
E

1
D
1
b (31)
de donde comparando la ecuacin (30) con la ecuacin (29), vemos que la
matriz de iteracin B
GS
para el mtodo de Gauss-Seidel es
B
GS
=

I D
1
E

1
D
1
F
Denition 64 Sea A una matriz de orden n. Se llama radio espectral de A, al
nmero real no negativo
(A) = max
1in
{|
i
| :
i
auovalores de A} .
Theorem 65 Una condicin necesaria y suciente para que un esquema itera-
tivo sea convergente, para cualquier aproximacin inicial X
(0)
, es que el espectro
de su matriz de iteracin sea menor que uno, esto es
(B) < 1.
Theorem 66 Sea M una matriz de orden n. Si |||| es una norma de matrices,
entonces
(M) ||M|| ; M M
nn
(R) .
Proof. Sea un autovalor cualquera de M, entonces existe un autovector X 6= 0
asociado a tal que MX = X. Sea la matriz N =

X X X

nn
,
donde cada columna de N es el vector X, luego
MN = M

X X X

=

MX MX MX

=

X X X

= N,
as MN = N de donde ||MN|| = ||N|| , luego usando una de las propiedades
de las normas matriciales tenemos
||N|| = ||MN|| ||M|| ||N|| , con ||N|| 6= 0
entonces se tiene que || ||M|| , autovalor de M, lo cual implica que
(M) ||M|| .
Alisis Num rico xlix
Example 67 Dado el sistema
4x y = 2
x +4y z = 6
x +4z = 2
indicar dos procedimientos que permitan garantizar que el esquema de Jacobi es
convergente a la solucin exacta del sistema.
Primer Procedimiento: Note que la matriz de coecientes es estrictamente
diagonal dominante, en efecto

4 1 0
1 4 1
1 0 4

=
|a
11
| > |a
12
| + |a
13
| 4 > 1
|a
22
| > |a
21
| + |a
23
| 4 > 2
|a
33
| > |a
31
| + |a
32
| 4 > 1
por lo tanto el esquema es convergente.
Segundo Procedimiento: Aqu mostraremos que la norma de la matriz de it-
eracin es menor que uno, esto es ||B
J
|| < 1, luego por el teorema anterior
tendramos que (B
J
) < 1. Sabemos que B
J
= D
1
(E +F) , donde
D =

4 0 0
0 4 0
0 0 4

; E =

0 0 0
1 0 0
1 0 0

; F =

0 1 0
0 0 1
0 0 0

entonces
B
J
=

0 1/4 0
1/4 0 1/4
1/4 0 1/4

de donde
||B
J
||
1
= max
1j3
{1/2, 1/4, 1/2} = 1/2 =||B
J
||
1
< 1.
Observe que podramos tomar cualquer norma de matrices, basta que en
una se cumpla que ||B
J
|| < 1.
3.2.4 Nmero de condicin de una Matriz
Para trminar este cpitulo nos referiremos al nmero de condicin de una
matriz, este punto es importante dado que para resolver un sistema lineal, an
cundo el determinante de la matriz de coecientes sea distinto de cero, resulta
aveces muy delicado, por el hecho que el sistema puede ser inestable, es decir,
pequeas variaciones en las aproximaciones, el resultado nal puede ser muy
diferente. Existe un indicador que alerta de este hecho apriori, ste se llama
nmero de condicin de una matriz.
Alisis Num rico l
Denition 68 Para el sistema lineal AX = b con det A 6= 0, el nmero de
condicin de la matriz A se dene como
cond (A) = ||A||

A
1

donde |||| es una norma de matriz.

Remark 69 Observe que
cond (A) = ||A||

A
1

AA
1

= ||I|| 1
de donde
1 cond (A) .
Denition 70 Si cond (A) = 1, entonces se dece que A es perfectamente condi-
cionada. Para grandes valores de cond (A) se dice que la matriz A es mal
condicionada.
Example 71 Concidere el sistema

1 1
1 1.0001

x
y

=

1
0

es facil ver que la solucin es x = 10001, y = 1000. Por otro lado, si hacemos
el cambio en la matriz de coecientes colocando a
22
= 0.999, obtenemos el
sistema

1 1
1 0.999

x
y

=

1
0

cuya solucin es x = 9998.9999, y = 9999.9999, muy diferente a la anterior.

Ahora calculemos el nmero de condicin de A,
cond (A) = ||A||
1

A
1

1
= (2.0001) (20001) = 40004
de donde vemos que A es mal condicionada, lo cual justica el resultado ante-
rior.
Alisis Num rico li
4 El Problema de Interpolacin
El problema de interpolacin consiste en obtener una funcin de variable con-
tinua a partir de un conjunto de puntos. Suponga que en el intervalo [a, b] se
especifcan n + 1 puntos distintos x
0
, x
1
, , x
n
y que f : [a, b] R es una
funcin, de modo que se conocen los correspondientes valores
y
0
= f (x
0
) , , y
n
= f (x
n
) .
Interesa construir una funcin F (x) , funcin de interpolacin, que pertenezca
a una clase conocida de funciones, que tome los valores de f (x) en los putos
x
0
, x
1
, , x
n
llamados puntos de interpolacin, es decir
F (x
0
) = f (x
0
) , , F (x
n
) = f (x
n
) .
En lo que sigue nos restringiremos solamante a la interpolacin polinomial.
4.1 Interpolacin Polinomial
Dado los puntos de interpolacin x
0
, x
1
, , x
n
, la interpolacin polinomial con-
siste en encontar un polinomio p (x) tal que grado de p (x) n y p (x
i
) = f (x
i
)
con i = 0, 1, , n.
Proposition 72 Dada una funcin f : [a, b] R y n + 1 puntos distintos
x
0
, x
1
, , x
n
existe un nico polinomio L(x) , tal que
i) Gr (L(x)) n y ii) L(x
j
) = f (x
j
) j = 0, 1, , n.
donde Gr (L(x)) denota el grado del polinomio L(x) .
Proof. La demostracin se divide en dos partes, existencia y unicidad
a) Existencia Considere la funcin
g
k
(x) =
n
Q
i=0
i6=k
(x x
i
) = (x x
0
) (x x
k1
) (x x
k+1
) (x x
n
)
es claro que g
k
(x) es un polinomio de grado n y g
k
(x
i
) = 0 si 0 i n,
con i 6= k y adems
g
k
(x
k
) =
n
Q
i=0
i6=k
(x
k
x
i
) 6= 0
ya que los (n + 1) puntos x
0
, x
2
, , x
n
son distintos. Luego la funcin
l
k
(x) denida por
l
k
(x) =
g
k
(x)
g
k
(x
k
)
=
n
Q
i=0
i6=k
(x x
i
)
(x
k
x
i
)
(32)
Alisis Num rico lii
es un polinomio tal que
l
k
(x
j
) =
g
k
(x
j
)
g
k
(x
k
)
=
n
Q
i=1
i6=k
(x
j
x
i
)
(x
k
x
i
)
=

1 si j = k
0 si j 6= k
j = 0, 1, ..., n.
Considere ahora la funcin
L(x) =
n
P
k=0
f (x
k
) l
k
(x) (33)
entonces de la denicin de L(x) vemos que
a) Gr (L(x)) n
b) L(x
j
) =
n
P
k=0
f (x
k
) l
k
(x
j
) = f (x
j
)
de donde vemos que L(x) es un polinomio de interpolacin para la funcin
f (x) en los puntos x
0
, , x
n
.
b) Unicidad Suponga que existe otro polinomio interpolante Q(x) , entonces
considere el polinomio
H (x) = L(x) Q(x) ,
observe que Gr (H (x)) n y que Q(x
j
) = L(x
j
) Q(x
j
) = f (x
j
)
f (x
j
) = 0, con j = 0, , n. De donde se deduce que H (x) es un poli-
nomio de grado menor o igual a n y tiene (n + 1) ceros, luego H (x) = 0,
por lo tanto L(x) = Q(x) .
El polinomio L(x) denido en (33) se conoce como la forma de Lagrange
de polinomio interpolante y los polinomios l
k
(x) denidos por (32) se conocen
como los polinomios bsicos de Lagrange para los puntos x
0
, , x
n
.
Adems observe que L(x) puede ser escrito como
L(x) =
n
P
k=0
f (x
k
)
n
Q
i=0
i6=k
(x x
i
)
(x
k
x
i
)
(34)
luego si en (34) consideramos el caso n = 1, tenemos
L(x) =
1
P
k=0
f (x
k
)
1
Q
i=0
i6=k
(x x
i
)
(x
k
x
i
)
= f (x
0
)
(x x
1
)
(x
0
x
1
)
+f (x
1
)
(x x
0
)
(x
1
x
0
)
lo cual puede ser escrita como
L(x) = f (x
0
)
(x x
1
)
(x
0
x
1
)
+
f (x
1
) f (x
0
)
(x
1
x
0
)
(x x
0
) (35)
Alisis Num rico liii
ahora recordando que L(x
0
) = f (x
0
) y L(x
1
) = f (x
1
) , entonces la recta de
interpolacin pasa por los puntos (x
0
, f (x
0
)) y (x
1
, f (x
1
))
FRAFICO
la frmula (35) se conoce como interpolacin lineal.
En el caso cuando n = 2, la forma de Lagrange consiste en la ecuacin
de la parbola y = L(x) que pasa por los puntos (x
0
, f (x
0
)) , (x
1
, f (x
1
)) y
(x
2
, f (x
2
)) . Este caso se conoce como interpolacin cuadrtica.
Example 73 Construir el polinomio de interpolacin de Lagrange para la fun-
cin y = sin(x) , eligiendo los puntos x
0
= 0, x
1
= 1/6 y x
2
= 1/2.
En este caso
x
i
0 1/6 1/2
y
i
0 1/2 1
L(x) = f (x
0
)
(x x
1
) (x x
2
)
(x
0
x
1
) (x
0
x
2
)
+f (x
1
)
(x x
0
) (x x
2
)
(x
1
x
0
) (x
1
x
2
)
+f (x
2
)
(x x
0
) (x x
1
)
(x
2
x
0
) (x
2
x
1
)
= 0
(x x
1
) (x x
2
)
(x
0
x
1
) (x
0
x
2
)
+
1
2
(x x
0
) (x x
2
)
(x
1
x
0
) (x
1
x
2
)
+ 1
(x x
0
) (x x
1
)
(x
2
x
0
) (x
2
x
1
)
= 0 +
1
2
x(x 1/2)
(1/9)
+ 1
x(x 1/6)
1/6
= 3x
2
+
7
2
x
4.1.1 Error de Interpolacin
En lo que sigue deniremos lo que se entiende por error absolto de interpolacin,
presentaremos un teorma sin demostracin y un ejemplo.
Denition 74 Si L(x) es el polinomio de interpolacin de una funcin f (x) en
los puntos x
0
, x
1
, , x
n
, entonces el error absoluto de interpolacin de L(x) ,
que denotaremos por |E(x)| , est dado por
|E(x)| = |f (x) L(x)| .
Theorem 75 Sea la funcin f : [a, b] R tal que admite derivadas de orden
(n + 1) en (a, b) . Si L(x) es el polinomio de interpolacin de f (x) en los (n + 1)
puntos distintos x
0
, x
1
, , x
n
de [a, b] . Entonces x [a, b] , = (x) (a, b)
tal que
E(x) =
f
(n+1)
()
(n + 1)!
n
Q
j=0
(x x
j
) . (36)
Alisis Num rico liv
Remark 76 a) Si M
n+1
= max
axb

f
(n+1)
(x)

, entonces
|E(x)| = |f (x) L(x)|
M
n+1
(n + 1)!

n
Q
j=0
(x x
j
)

(37)
b) Si f (x) es un polinomio, entonces la interpolacin es exacta hasta poli-
nomios de grado n, ya que f
(n+1)
(x) = 0.
Example 77 Estimar el error al calcular

115 mediante el polinomio de inter-

polacin de Lagrange para la funcin y =

x, si elegimos los puntos x

0
= 100,
x
1
= 121 y x
2
= 144.
Usando la frmula (37) con n = 2 y x = 115, obtenemos
|E(115)|
M
3
(3)!

2
Q
j=0
(115 x
j
)

donde M
3
= max
100x144
|y
000
(x)| . Por otro lado,
y =

x; y
0
=
1
2
x
1/2
; y
00
=
1
4
x
3/2
; |y
000
| =
3
8

x
5
de donde
max |y
000
| =
3
8
10
5
entonces
|E(115)|
3
48
10
5
|(115 100) (115 121) (115 144)| = 0.00163125.
4.1.2 Interpolacin de Newton
El polinomio de interpolacin que a continuacin deduciremos es llamado Poli-
nomio de Interpolacin de Newton y para ello se supone que los puntos de
interpolacin son igualmente espaciados. Entonces supongamos que la funcin
f (x) est tabulada para x [a, b] en los puntos
a = x
0
, x
1
, , x
n
= b
donde
x
i
= x
0
+ih; i = 0, 1, , n; con n = (b a) /h.
Luego nos interesa encontrar el polinomio de grado menor o igual que n, que
interpole a f (x) en los puntos x
0
, x
1
, , x
n
. Para este propsito, realizaremos
el siguiente cambio de variables.
Sea
k = k (x) =
x x
0
h
; de donde x(k) = x
0
+kh
y denotemos la funcin f (x) por
f (x) = f (x
0
+kh) = f
k
,
Alisis Num rico lv
de donde podemos escribir
f (x
j
) = f (x
0
+jh) = f
j
; j = 0, 1, 2, , n.
Con el objetivo de implementar el mtodo de Newton se dene a continuacin
una herramienta matemtica llamada Diferencias progresivas.
Denition 78 La expresin

i
f
k
=

i1
f
k

=
i1
f
k+1

i1
f
k
se denomina Diferencia progresiva o Diferencia Finita de orden i de f
k
, donde

0
f
k
= f
k
.
Example 79 a) f
k
=
0
f
k+1

0
f
k
= f
k+1
f
k
.
b)
2
f
3
= f
4
f
3
= (f
5
f
4
) (f
4
f
3
) = f
5
2f
4
+f
3
.
Usando la denicin anterior y con el n de facilitar los clculos, podemos
construir la siguiente tabla. Para ejemplicar tomemos n = 4
x f
1
f
j

2
f
j

3
f
j

4
f
j
x
0
f
0
f
0
x
1
f
1

2
f
0
f
1

3
f
0
x
2
f
2

2
f
1

4
f
0
f
2

3
f
1
x
3
f
3

2
f
2
f
3
x
4
f
4
a partir de la tabla anterior se puede vericar que cualquier f se puede expresar
como una combinacinde los
i
f
0
.
Example 80 a) f
0
=
0
f
0
.
b) Para f
1
, desde la tabla deducimos que f
0
= f
1
f
0
, de donde
f
1
= f
0
+f
0
= f
0
+
0
f
0
.
c) Para f
2
, desde la tabla deducimos que f
1
= f
2
f
1
, de donde f
2
= f
1
+f
1
,
entonces usando f
1
= f
0
+
0
f
0
, obtenemos
f
2
= f
1
+f
1
= (f
0
+f
0
) +

2
f
0
+f
0

= f
0
+ 2f
0
+f
1
+
2
f
0
Alisis Num rico lvi
En general, se puede escribir
f
k
=
k
X
i=0

k
i

i
f
0
(38)
entonces de (38) podemos proponer el polinomio de interpolacin
N
k
=
n
X
i=0

k
i

i
f
0
=

k
0

0
f
0
+

k
1

1
f
0
+ +

k
n

n
f
0
desde donde obtenemos
N
k
= f
0
+kf
0
+
k (k 1)
2!

2
f
0
+ +
k (k 1) (k (n 1))
n!

n
f
0
(39)
observe que N
i
= f
i
con i = 0, 1, 2, ..., n lo que garantiza que N
k
es un polinomio
de interpolacin para f
k
.
Por otro lado, recordando que x
i
= x
0
+ih; i = 0, 1, , n y que
k =
x x
0
h
obtenemos
k 1 =
x x
0
h
1 =
x x
0
h
h
=
x x
1
h
de la misma forma obtenemos
k 2 =
x x
2
h
; k 3 =
x x
3
h
; ; k i =
x x
i
h
i = 0, 1, 2, , n.
Luego utilizando las igualdades anteriores, podemos escribir el polinomio (39)
en trminos de la variable x como
N (x) = f
0
+
x x
0
h
f
0
+ +
(x x
0
) (x x
1
) (x x
n1
)
n!h
n

n
f
0
(40)
tambien se debe notar que N (x
0
) = f
0
y
N (x
1
) = f
0
+
(x
1
x
0
)
h
f
0
= f
0
+
h
h
f
0
= f
0
+f
0
= f
1
y en general
N (x
i
) = f (x
i
) , i = 0, 1, 2, , n.
Example 81 La siguiente tabla contiene los valores de la integral de probabili-
dad
(x) =
2

Z
x
0
e
t
2
dt.
x
n
1.0 1.1 1.2 1.3 1.4 1.4
(x
n
) 0.6427 0.8802 09103 0.9340 0.9523 0.9661
Alisis Num rico lvii
Usando un polinomio cuadrtico de interpolacin de Newton, calcular (1.43) .
Para encontar el polinomio pedido, primeramente realicemos la tabla de
diferencias progresivas
x (x)
2

3

4

5

1.0 0.8427
0.0375
1.1 0.8802 0.0074
0.0301 0.001
1.2 0.9103 0.0064 0
0.0237 0.001 0.001
1.3 0.9340 0.0054 0.0001
0.0183 0.0009
1.4 0.9523 0.0045
0.0138
1.5 0.9661
Ahora como se pide un polinomio cuadrtico, debemos considerar slo tres pun-
tos de interpolacin, luego tomando en cuenta que nos piden calcular (1.43) ,
tomaremos los puntos x
0
= 1.3, x
1
= 1.4 y x
2
= 1.5, entonces tenemos
(x) =
0
+
(x x
0
)
0.1

0
+
(x x
0
) (x x
1
)
2 (0.1)
2

2

0
que evaluando en los puntos correspondientes es
(1.43) = 0.9340 +
(1.43 1.3)
0.1
0.0183 +
(1.43 1.3) (1.43 1.4)
0.02
(0.0045)
= 0.956912.
Alisis Num rico lviii
4.2 El Problema de Ajuste de Datos
Suponga que se tienen los nmeros f
n
los cuales aproximan el valor de f (x) en
x
n
, esto es
f (x
n
) = f
n
+
n
, n = 1, 2, , N
donde los errores
n
son desconocidos.
Interesa determinar una funcin F (x) que recupere la funcin f (x) a partir
de los datos f
n
, con n = 1, 2, , N
para ello se propone una funcin de la forma:
F (x) = c
1

1
(x) + +c
k

k
(x) = F (x; c
1
, c
2
, , c
k
) (41)
donde las funciones
i
(x) , 1 i k se suponen conocidas y los parmet-
ros c
i
, 1 i k son constantes a determinar. Como determinamos dichas
constantes?.
4.2.1 Mtodo de los Mnimos Cuadrados
Con el objetivo de determinar la funcin F (x) , estos es las constantes c
i
, 1
i k, el mtodos de los mnimos cuadrados mniminiza la funcin
(c
1
, c
2
, , c
k
) =
N
X
i=1
[F (x
i
; c
1
, c
2
, , c
k
) f
i
]
2
(42)
lo cual conduce a la resolucin de un sistema lineal de ecuaciones para la deter-
minacin de los c
i
. En efecto, minimizar la funcin (42) implica calcular

c
j
= 0 ; j = 1, 2, , k
asi tenemos

c
j
=
N
X
i=1
2 [F (x
i
; c
1
, c
2
, , c
k
) f
i
]
j
(x
i
) = 0; j = 1, 2, , k
Alisis Num rico lix
de donde obtenemos
N
X
i=1
F (x
i
; c
1
, c
2
, , c
k
)
j
(x
i
) =
N
X
i=1
f
i

j
(x
i
) ; j = 1, 2, , k (43)
luego sustituyendo en (43) F (x
i
; c
1
, c
2
, , c
k
) por
k
X
n=1
c
n

n
(x
i
) obtenemos
N
X
i=1
k
X
n=1
c
n

n
(x
i
)
j
(x
i
) =
N
X
i=1
f
i

j
(x
i
) ; j = 1, 2, , k (44)
lo cual es un sistema de k incognitas por k ecuaciones.
Example 82 Ajuste por el mtodo de los mnimos cuadrados con una funcin
de la forma
F (x) = c
1
+c
2
sinx,
los siguientes datos
x
i
1.0 1.5 2.0 2.5 3.0 3.5
f
i
2.475 2.008 2.272 3.204 4.578 6.050
observe que en este caso N = 6, k = 2,
1
(x) = 1,
2
(x) = sinx, luego el
sistema (44) se puede escribir como

6
P
i=1

1
(x
i
)
1
(x
i
)

c
1
+

6
P
i=1

1
(x
i
)
2
(x
i
)

c
2
=
6
P
i=1
f
i

1
(x
i
)

6
P
i=1

2
(x
i
)
1
(x
i
)

c
1
+

6
P
i=1

2
(x
i
)
2
(x
i
)

c
2
=
6
P
i=1
f
i

2
(x
i
)
ahora evaluando las respectivas funciones obtenemos

6
P
i=1
1

c
1
+

6
P
i=1
sinx
i

c
2
=
6
P
i=1
f
i
1

6
P
i=1
sinx
i

c
1
+

6
P
i=1
sin
2
x
i

c
2
=
6
P
i=1
f
i
sinx
i
de donde c
1
= 5 y c
2
= 3, entonces obtenemos que F (x) = c
1
+ c
2
sinx
5 3 sinx.
4.2.2 Caso Contnuo
Ahora abordaremos el problema de ajuste de curvas desde el punto de vista con-
tinuo, esto es dada una funcin continua f (x) denida en un intervalo [a, b] y
Alisis Num rico lx
escogidas las funciones g
1
(x) , g
2
(x) , , g
n
(x) todas continuas en [a, b] , debe-
mos determinar n constantes
1
,
2
, ,
n
de modo que la funcin
F (x) =
1
g
1
(x) +
2
g
2
(x) + +
n
g
n
(x)
se aproxime en algun sentido "al mximo" de la funcin f (x) en el intervalo
[a, b] . Introduciremos el mtodo, sin pedida de generalidad, considerando el caso
n = 2.
Para determinar las constantes
1
y
2
minimizamos el funcional
(
1
,
2
) =
R
b
a
[f (x) F (x)]
2
dx, (45)
donde F (x) =
1
g
1
(x) +
2
g
2
(x) . Entonces, ahora desarrollaremos el trmino
del lado derecho de la igualdad (45), para obterner una expresin de (
1
,
2
)
en trminos de
1
y
2
explicitamente.
[f (x) F (x)]
2
= (f (x))
2
2f (x) F (x) + (F (x))
2
= (f (x))
2
2f (x) [
1
g
1
(x) +
2
g
2
(x)]
+
2
1
g
2
1
(x) + 2
1

2
g
1
(x) g
2
(x) +
2
2
g
2
2
(x) ,
(46)
luego sustituyendo la igualdad (46) en (45) obtenemos
(
1
,
2
) =
R
b
a
n
(f (x))
2
2f (x) F (x) + (F (x))
2
o
dx
=
R
b
a
n
(f (x))
2
2f (x) [
1
g
1
(x) +
2
g
2
(x)]
+
2
1
g
2
1
(x) + 2
1

2
g
1
(x) g
2
(x) +
2
2
g
2
2
(x)

dx.
(47)
Ahora, para minimizar el funcional (
1
,
2
) , derivamos parcialmente con re-
specto a
1
y
2
, esto es debemos calcular

(
1
,
2
)
= 0 y

(
1
,
2
)
= 0,
entonces desde (47) obtenemos
h
R
b
a
g
2
1
(x) dx
i

1
+
h
R
b
a
g
1
(x) g
2
(x) dx
i

2
=
R
b
a
f (x) g
1
(x) dx
h
R
b
a
g
1
(x) g
2
(x) dx
i

1
+
h
R
b
a
g
2
2
(x) dx
i

2
=
R
b
a
f (x) g
2
(x) dx.
(48)
Example 83 Suponga que se desea obtener entre todas las rectas aquellas que
est "ms prxima" de f (x) = 4x
3
, en el intervalo [0, 1] . En este caso g
1
(x) = 1
y g
2
(x) = x, entonces debemos buscar coecientes
1
y
2
tales que
F (x) =
1
1 +
2
x
Alisis Num rico lxi
se "aproxime al mximo" de f (x) . Desde las igualdades (48) podemos escribir
h
R
1
0
1
2
dx
i

1
+
h
R
1
0
xdx
i

2
=
R
1
0
4x
3
dx
h
R
1
0
xdx
i

1
+
h
R
1
0
x
2
dx
i

2
=
R
1
0
4x
3
xdx.
que integrando obtenemos el sistema
1
1
+
1
2

2
= 1
1
2

1
+
1
3

2
=
4
5
=

1
=
4
5

2
=
18
5
.
Finalmente, la funcin de aproximacin buscada es
F (x) =
4
5
+
18
5
x.
Alisis Num rico lxii
5 Integracin Numrica
La idea bsica de la integracin numrica es la sustitucin de la funcin f (x)
por un polinomio que la aproxime razonablemente en el intervalo [a, b] . Luego
las frmulas que se deducen son del tipo:
Z
b
a
f (x) dx A
0
f (x
0
)+A
1
f (x
1
)+...+A
n
f (x
n
) ; x
i
[a, b] ; i = 0, 1, ..., n.
5.1 Frmulas de Newton-cotes
Aqu la idea es aproximar f (x) por un polinomio de interpolacin, que interpole
a f (x) en puntos de [a, b] igualmente espaciados.
Consideremos la particin del intervalo [a, b] en subintervalos, de largo h,
esto es
[x
i
, x
i+1
] , i = 0, 1, ..., n 1,
donde,
x
i+1
x
i
= h = (b a) /h.
Las frmulas cerradas de Newton-Cotes son frmulas de integracin de tipo
Z
b
a
f (x) dx =
Z
xn
x0
f (x) dx A
0
f (x
0
) +... +A
n
f (x
n
) ,
donde los coecientes A
i
son determinados de acuerdo con el grado del polinomio
aproximador. Note que a = x
0
y b = x
n
.
5.1.1 Regla de los trapecios
Aqu usaremos un polinomio lineal de Lagrange L
1
(x) que interpole a f (x) en
los puntos x
0
y x
1
, esto es
R
b
a
f (x) dx
R
b=x1
a=x
0
p
1
(x) dx
=
R
x
1
x
0

(x x
1
)
h
f (x
0
) +
(x x
0
)
h
f (x
1
)

dx = I
T
.
Observe que I
T
=
h
2
[f (x
0
) +f (x
1
)] , es el rea del trapecio de altura h = x
1
x
0
y bases f (x
0
) y f (x
1
) , de donde el nombre de la frmula.
grco
Alisis Num rico lxiii
5.2 Expresin del Error
Desde la teoria de interpolacin sabemos que una funcin f (x) puede ser escrita
como
f (x) = L
1
(x) + (x x
0
) (x x
1
)
f
00
(
x
)
2
;
x
(x
0
, x
1
) (49)
donde L
1
es el polinomio de interpolacin de Lagrange y el error de interpolacin
es, ver ecuacin (36)
(x x
0
) (x x
1
)
f
00
(
x
)
2
;
x
(x
0
, x
1
) .
Entonces, integrando (49) desde x
0
a x
1
tenemos
Z
x1
x
0
f (x) dx = I
T
+
Z
x1
x
0
(x x
0
) (x x
1
)
f
00
(
x
)
2
dx
donde el error de la integracin por el mtodo de Newton-Cotes es
E
T
=
1
2
Z
x
1
x
0
(x x
0
) (x x
1
) f
00
(
x
) dx
colocando
g (x) = (x x
0
) (x x
1
) E
T
=
1
2
Z
x
1
x
0
g (x) f
00
(
x
) dx
observe que x (x
0
, x
1
) , g (x) < 0 y que si f
00
(x) la suponemos continua en
[x
0
, x
1
] , entonces existen nmeros reales p y P, tales que
p f
00
(x) P,
de donde se tiene que
p f
00
(
x
) P
y como g (x) < 0, podemos escribir
pg (x) g (x) f
00
(
x
) g (x) P
que integrando obtenemos
P
Z
x
1
x
0
g (x) dx
Z
x
1
x
0
g (x) f
00
(
x
) dx p
Z
x
1
x
0
g (x) dx
luego dividiendo por A =
R
x1
x
0
g (x) dx, obtenemos
p
R
x
1
x
0
g (x) f
00
(
x
) dx
A
P
note que A 6= 0, pues g (x) < 0 x [x
0
, x
1
] .
Alisis Num rico lxiv
De la hiptesis de f
00
(x) ser continua en [x
0
, x
1
] y del hecho que p A P,
tenemos que existe c (x
0
, x
1
) tal que f
00
(c) = A, esto es
Z
x1
x0
g (x) f
00
(
x
) dx = f
00
(c)
Z
x1
x0
g (x) dx
que es el teorema del valor medio para integrales.
De donde concluimos que
E
T
=
1
2
Z
x1
x0
g (x) f
00
(
x
) dx =
1
2
f
00
(c)
Z
x1
x0
g (x) dx, c (x
0
, x
1
) .
Por otro lado, calculando
R
x
1
x0
g (x) dx, obtenemos que
Z
x
1
x
0
g (x) dx = h
3
/6
de donde nalmente obtenemos que
E
T
=
h
3
12
f
00
(c) , c (x
0
, x
1
) . (50)
En resumen, podemos escribir
Z
x1
x0
f (x) dx =
h
2
{f (x
0
) +f (x
1
)}
h
3
12
f
00
(c) . (51)
5.3 Regla de los Trapecios Repetida
Aqu se subdivide el intervalo de integracin y se aplica la regla de los trapecios
repetidas veces. Sean los puntos
a = x
0
< x
1
< x
2
< ... < x
m
= b ; x
i+1
x
i
= h, i = 0, 1, ..., m1
luego, usamos la frmula (50) en cada subintervalo [x
i
, x
i+1
] , esto es
R
b
a
f (x) dx =
m1
P
i=0
R
xi+1
xi
f (x) dx =
m1
P
i=0

h
2
[f (x
i
) +f (x
i+1
)]
h
3
f
00
(c
i
)
12

=
m1
P
i=0
h
2
[f (x
i
) +f (x
i+1
)]
m1
P
i=0
h
3
12
f
00
(c
i
)
donde c
i
(x
i
, x
i+1
) .
Si f
00
(x) es continua en [a, b] , una generalizacin del teorema del valor medio
nos garantiza que existe (a, b) tal que
m1
X
i=0
f
00
(c
i
) = mf
00
()
Alisis Num rico lxv
luego podemos escribir
Z
x
m
x
0
f (x) dx =
h
2
[f (x
0
) + 2f (x
1
) + 2f (x
2
) +... + 2f (x
m1
) +f (x
m
)]mh
3
f
00

12
.
Finalmente encontramos que la frmula de la regla de los trapecios repetidos es
I
TR
=
h
2
[f (x
0
) + 2f (x
1
) +... + 2f (x
m1
) +f (x
m
)] (52)
y la frmula del error es
E
TR
=
mh
3
f
00
12
() . (53)
Example 84 Sea
I =
Z
1
0
e
x
dx
a) Calcule una aproximacin para I usando 10 subintervalos (es la regla de los
trapecios repetidos). Estime el error cometido.
b) cul es el nmero mnimo de subdivisiones de modo que el error sea inferior
de 10
3
? .
Como se pide dividir el intervalo I = [0, 1] en 10 subintervalos, los puntos que
dividirn tal intervalo sern x
i
= 0.1 i, i = 0, 1, ..., 10 donde h = 0.1,
entoces usando la frmula (52) tenemos
I
TR
=
0.1
2

e
0
+ 2e
0.1
+ 2e
0.2
+... + 2e
0.9
+e

= 1.719713
y usando la expressin (53) para el error exacto de esta aproximacin
tenemos
|E
TR
| =

10 (0.1)
3
12
e

, (0, 1)
porlo tanto
|E
TR
|
0.01
12
max
x[0,1]
|e
x
| 0.0022.
Finalmente, para calcular el nmero mnimo de subintervaslos de modo que el
error sea inferior a 10
3
, observe que
|E
TR
| =
mh
3
12
|f
00
()| ; (0, 1)
donde mh = x
m
x
0
= 1 y max
x[0,1]
|f
00
(x)| = e, entonces
|E
TR
|
h
2
12
e
Alisis Num rico lxvi
luego si
|E
TR
| < 10
3

h
2
e
12
< 10
3
lo cual implica que
h
2
< 10
3

12
e
0.00441
de donde
h < 0.0665 m =
1
h
>
1
0.0665
= 15.03759.
Ahora como m debe ser un nmero entero colocamos m = 16.
5.4 Regla 1/3 de Simpson
La regla 1/3 de Simpson se deduce de aproximar f (x) por un polinomio de
grado 2 en un interbalo [a, b] . Entonces sea L
2
(x) el polinomio de interpolacin
de Lagrange de f (x) en los puntos
x
0
= a ; x
1
= x
0
+h y x
2
= x
0
+ 2h = b.
luego L
2
(x) se escribe como
L
2
(x) =
(x x
1
) (x x
2
)
(h) (2h)
f (x
0
) +
(x x
0
) (x x
2
)
(h) (h)
f (x
1
)
+
(x x
0
)
(2h)
(x x
1
)
(h)
f (x
2
) .
Ahora integrndo obtenemos
R
b
a
f (x) dx =
R
x2
x
0
f (x) dx
R
x2
x
0
L
2
(x) dx
=
f (x
0
)
2h
2
R
x
2
x
0
(x x
1
) (x x
2
) dx

f (x
1
)
h
2
R
x
2
x
0
(x x
0
) (x x
2
) dx
+
f (x
2
)
2h
2
R
x
2
x
0
(x x
0
) (x x
1
) dx = I
S
.
(54)
Las integrales pueden ser resueltas, por ejemplo, usando el cambio de variables
x x
0
= zh de donde dx = hdz y x = x
0
+zh, entonces
x x
1
= x
0
+zh (x
0
+h) = (z 1) h
y
x x
2
= (z 2) h
Alisis Num rico lxvii
luego si
x = x
0
z = 0 ; x = x
1
z = 1 ; x = x
2
z = 2,
entonces susituyendo en (54), podemos escribir I
S
como
I
S
=
f (x
0
) h
2
Z
2
0
(z 1) (z 2) dzf (x
1
) h
Z
2
0
z (z 2) dz+
f (x
2
) h
2
Z
2
0
z (z 1) dz
de donde obtenemos
Z
x
2
x
0
f (x) dx
h
3
[f (x
2
) + 4f (x
1
) +f (x
2
)] = I
S
(55)
si f
(iv)
(x) es contnua en [x
0
, x
2
] , se puede demostrar que el error para la regla
1/3 de Simpson es
E
S
=
h
5
90
f
(iv)
(c) ; c (x
0
, x
2
) . (56)
5.5 Regla 1/3 de Simpson Repetida
Al igual que en el caso de la regla de los trapecios repetidos, aqu se divide el
intervalo [a, b] en subintervalos de modo que a cada dos subintervalos se aplica
la regle 1/3 de Simpson. Sean x
0
, x
1
, ..., x
m
puntos igualmente espaciados, tales
que
a = x
0
< x
1
< ... < x
m
= b
con h = x
i1
x
i
y m N debe ser par (que m sea par es una condicin
necesaria ya que cada parbola utilizar tres puntos consecutivos). Entonces se
utilizar la regla 1/3 de Simpson, frmula (55), en cada par de subintervalos,
esto es escribiendo la integral original como
R
b
a
f (x) dx =
m/2
P
k=1
R
x
2k
x
2k2
f (x) dx
entonces para cada integral
R
x
2k
x
2k2
f (x) dx, considerando los tres puntos x
2k2
, x
2k1
y x
2k
, aplicamos las formulas (55) y (56), esto es
R
x
2k
x
2k2
f (x) dx =
h
3
[f (x
2k2
) + 4f (x
2k1
) +f (x
2k
)] +

h
5
90
f
(iv)
(c
k
)

donde c
k
(x
2k2
, x
2k
) y k = 1, 2, ..., m/2.
Entoces, sumando desde k = 1 a k = m/2 tenemos
R
xm
x
0
f (x) dx =
m/2
P
k=1
R
x
2k
x
2k2
f (x) dx
=
m/2
P
k=1

h
3
[f (x
2k2
) + 4f (x
2k1
) +f (x
2k
)]
h
5
90
f
(iv)
(c
k
)

.
Alisis Num rico lxviii
Asi denimos la integral aproximada
I
SR
=
m/2
P
k=1
h
3
[f (x
2k2
) + 4f (x
2k1
) +f (x
2k
)]
=
h
3
{[f (x
0
) +f (x
m
)] + 4 [f (x
1
) +... +f (x
m1
)] + 2 [f (x
2
) +... +f (x
m
)]}
(57)
donde el error es
E
SR
=
m/2
P
k=1
h
5
90
f
(iv)
(c
k
) .
Ahora, suponiendo que f
(iv)
(x) es continua en [a, b] = [x
0
, x
m
] , y usando una
generalizacin del teorema del valor medio, podemos escribir
E
SR
=
mh
5
2 90
f
(iv)
() =
mh
5
180
f
(iv)
() , (x
0
, x
m
) ,
adems si
M
4
= max
x[x
o
,x
m
]

f
(iv)
(x)

entonces podemos estimar la frmula del error para la regla 1/3 de Simpson
repetida, como
|E
SR
|
mh
5
180
M
4
=
(b a) h
4
180
M
4
(58)
donde hemos usamos el hecho que m = (b a) /h.
Example 85 Sea
I =
Z
1
0
e
x
dx
a) Calcule una aproximacin para I usando 10 subintervalos (es la regla de los
trapecios repetidos). Estime el error cometido.
b) cul es el nmero mnimo de subdivisiones de modo que el error sea inferior
de 10
3
?.
Como en el ejemplo anterior, se pide dividir el intervalo [0, 1] en 10 subin-
tervalos, entonces los puntos que dividirn a [0, 1] sern x
i
= 0.1i, i =
0, 1, ..., 10 donde h = 0.1. Asi desde la frmula (57) podemos escribir
I e
0.0
+e
1.0
+ 4

e
0.1
+e
0.3
+e
0.5
+e
0.7
+e
0.9

+2

e
0.2
+e
0.4
+e
0.6
+e
0.8

= 1.71828278.
Por otro lado, desde la frmula (58) tenemos que
|E
SR
|

5 (0.1)
5
90
e

, (0, 1)
Alisis Num rico lxix
entonces
|E
SR
| 5.555 10
7
max
x[0,1]

= 1.51016 10
6
,
recuerde que en el ejemplo anterior, E
TR
< 0.00227.
Ahora, para determinar m tal que E
SR
< 10
3
, procedemos como sigue
|E
SR
|

mh
5
2 90
e

h
4
180
e
donde hemo usado el hecho que mh = x
m
x
0
= 1.
Luego, la condicin |E
SR
| < 10
3
se cumplir si h es tal que
h
4
180
e < 10
3
,
esto es cuando h
4
< 0.06622, de donde h < 0.50728. Luego como mh =
x
m
x
0
= 1, concluimos que m > 1/h o
m >
1
0.50728
= 1.9713 =m 2,
recuerde que con la regla de los trapecios, para el mismo ejemplo, m 16.
5.5.1 Teorema general del error
Para nalizar esta unidad, enunciaremos sin demostracin, un teorema general
sobre el error en las frmulas de Newton-Cotes. Si n es el grado del polinomio
que interpola a f (x) y recordando que f C
k
[a, b] signica que f posee hasta
la k-esima derivada continua en el intervalo [a, b] .
Theorem 86 Sea f C
n+1
[a, b] . Entonces el error E
n
, en la integracin
numrica, usando las fmulas de Newton-Cotes es:
i) Si n es impar
E
n
=
h
n+2
f
(n+1)
()
(n + 1)!
R
n
0
u(u 1) ... (u n) du, [a, b] .
ii) Si n es par,
E
n
=
h
n+3
f
(n+2)
()
(n + 2)!
R
n
0

u
n
2

u(u 1) ... (u n) du, [a, b] .

Alisis Num rico lxx
6 Derivacin y Ecuaciones Diferenciales Numri-
cas
Consideremos una funcin f : R R continua y con derivada f
0
continua, esto
simblicamente se escribe f C (R) . Si x
0
R es un nmero real dado, entonces
podemos escribir la derivada de f de tres formas, esto es
f
0
(x
0
) = lim
h0
f (x
0
+h) f (x
0
)
h
= lim
h0
f (x
0
) f (x
0
h)
h
= lim
h0
f (x
0
+h/2) f (x
0
h/2)
h
.
(59)
Tomando en cuenta las formulas (59), surge la siguiente idea para calcular
numricamente la derivada f
0
de f en el punto x
0
. Dado un valor (pequeo)
para h > 0 calcular

h
f (x
0
)
h
o

h
f (x
0
)
h
o

h
f (x
0
)
h
donde por denicin tenemos

h
f (x
0
) = f (x
0
+h) f (x
0
)

h
f (x
0
) = f (x
0
) f (x
0
h)

h
f (x
0
) = f (x
0
+h/2) f (x
0
h/2) .
Los objetos matemticos
h
,
h
,
h
son operadores, esto es por ejemplo para

h
:

h
: C (R) R
denido por

h
f (x) = f (x +h) f (x) .
Denition 87 Cuando h > 0 es dado, los operadores
h
,
h
y
h
son llama-
dos operadores de diferencias progresivas, retrogradas (o retrasadas) y centradas
respectivamente.
Remark 88 Los operadores de diferencias
h
,
h
y
h
son lineales, en efecto
si , R y f, g C (R) , entonces para todo x R tenemos

h
(f +g) (x) = f (x +h) +g (x +h) f (x) g (x)
= [f (x +h) f (x)] + [g (x +h) g (x)]
=
h
f (x) +
h
g (x) ,
para los otros operadores la demostracin es identica.
Para ver cual es la presicin que tienen las derivadas numricas compara-
das con la exacta, consideremos la funcin dos veces diferenciable f, entonces
haciendo un desarrollo de Taylor en torno del punto x
0
, podemos escribir
f (x
0
+h) =
f (x
0
)
0!
+
f
0
(x
0
)
1!
h +
f
00
()
2!
h
2
, (60)
Alisis Num rico lxxi
donde [x
0
, x
0
+h] . Observe que de (60) podemos escribir

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

=
1
2
f
00
() h,
luego aplicando valor absoluto a ambos lados de la igualdad anterior, obtenemos

f
0
(x
0
)

h
h

=
1
2
|f
00
()| h, (61)
ahora, dado que suposimos f
00
(x) continua, luego sta alcanza su mximo en el
intervalo cerrado [x
0
, x
0
+h] , esto es existe C R tal que
C =
1
2
max
[x0,x0+h]
|f
00
()| .
Entonces usando esta ltima expresin en (61) concluimos que

f
0
(x
0
)

h
h

Ch. (62)
La desigualdad (62) nos dice que el error que se comete al aproximar la primera
derivada de la funcin f usando el operador de diferencias progresivas
h
es del
orden h. De la misma forma se prueba que la aproximacin por el operador de
diferencias retrogradas es del orden h. Observe que entre menor sea h (h > 0)
mejor es la aproximacin.
Analicemos ahora la aproximacin de f
0
(x
0
) usando el operador de diferen-
cias centradas
h
, para ello escribimos los dos siguientes desarrollos de Taylor
en torno de x
0
,
f (x
0
+h/2) = f (x
0
) +f
0
(x
0
)
h
2
+
f
00
(x
0
)
2!

h
2

2
+
f
000
()
3!

h
2

3
f (x
0
+h/2) = f (x
0
) +f
0
(x
0
)
h
2
+
f
00
(x
0
)
2!

h
2

2
+
f
000
()
3!

h
2

3
(63)
donde [x
0
, x
0
+h/2] y [x
0
h/2, x
0
] . Ahora sustrayendo las igualdades
(63) obtenemos

f
0
(x
0
)

h
f (x
0
)
h

f
000
() +f
000
()
6

h
2
8

|f
000
()| + |f
000
()|
2
h
2
24
. (64)
Por otro lado, si suponemos que f
000
(x) es continua, entonces existe C R tal
que
C =
1
24
max
x[x
o

h
2
,x
0
+
h
2
]
|f
000
(x)|
luego utilizando C en la desigualdad (64) obtenemos

f
0
(x
0
)

h
f (x
0
)
h

Ch
2
(65)
Alisis Num rico lxxii
de donde concluimos que la aproximacin de f
0
(x) utilizando diferencias cen-
tradas es del orden h
2
, lo cual es mejor que la aproximacin utilizando diferencias
progresivas y retrogradas.
Remark 89 a) Utilizando la misma argumentacin anterior, podemos aprox-
imar f
0
(x
i
) , i = 1, 2, ..., n 1 usando los operadores de diferencias pro-
gresivas y retrogradas por las siguientes frmulas
f
0
(x
i
)

h
f (x
i
)
h
=
f (x
i
+h) f (x
i
)
h
(66)
o
f
0
(x
i
)

h
f (x
i
)
h
=
f (x
i
) f (x
i
h)
h
(67)
b) Con el operador de diferencias centradas, podemos sustituir h por h/2, de
donde

h
f (x
i
) = f (x
i
+h) f (x
i
h)
luego usando la frmula anterior tenemos
f
0
(x
i
)

h
f (x
i
)
2h
=
f (x
i
+h) f (x
i
h)
2h
(68)
De la misma forma como se realizaron las aproximaciones para f
0
(x
i
), tam-
bien se pueden hacer aproximaciones numricas de derivadas de orden superior,
en fectos haciendo un desarrollo de Taylor de tres trminos en torno del punto
x
i
, tal como en (63) obtenemos
f (x
i
+h) = f (x
i
) +f
0
(x
i
) h +
f
00
(x
i
)
2!
h
2
+
f
000
()
3!
h
3
f (x
i
h) = f (x
i
) f
0
(x
i
) h +
f
00
(x
i
)
2!
h
2

f
000
()
3!
h
3
donde [x
i
, x
i
+h] y [x
i
h, x
i
] . Dividiendo ambas ecuaciones anteri-
ores por h y sumando para despejar f
00
(x
i
) , obtenemos
f
00
(x
i
)
1
h
2
[f (x
i
+h) 2f (x
i
) +f (x
i
h)] , i = 1, 2, ..., n 1, (69)
se puede probar que el error de esta aproximacin es del orden h
2
, esto se escribe
como O

h
2

.
Si en la frmula (69) sustituimos f por f
00
y por consiguiente f
00
por f
(iv)
encontramos que
f
(iv)
(x
i
)
1
h
2
[f
00
(x
i
+h) 2f
00
(x
i
) +f
00
(x
i
h)] , i = 2, 3, ..., n 2,
(70)
es decir, tenemos una aproximacin para f
(iv)
(x
i
) .
Alisis Num rico lxxiii
Example 90 La siguiente tabla de valores muestra el desplazamiento de un
proyectil
t (seg) 0 1 2 3 4 5 6 7 8
S (t) 0 112 192 240 256 240 192 112 0
usando derivacin numrica calcular, cuando sea posible, velocidad y aceleracin
del proyectil.
Alisis Num rico lxxiv
6.1 Ecuaciones Diferenciales
En lo que sigue abordaremos el problema de resolver numricamente una ecuacin
difrencial. Para ecuaciones diferenciales de primer orden el problema consiste
en dado f : R R
+
R y u
0
R, encontarar una funcin u : R
+
R tal que
satisfaga la ecuacin diferencial

u
0
(t) = f (u(t) , t) , si t > 0
u(0) = u
0
.
(71)
En general el problema (71) es llamado problema de Cauchy o problema de valor
inicial, donde el nmero u
0
es conocido como la condicin inicial.
Example 91 Si consideramos la funcin f (y, x) = 3y 3x e u
0
= a, el
problema de Cauchy se escribe como

u
0
(t) = 3u(t) 3t, si t > 0
u(0) = a
y su solucin analtica es dada por u(t) = (a 1/3) e
3t
+t + 1/3.
Example 92 Considere la funcin f (u, t) =
3

u e u
0
= 0, entonces el prob-
lema de Cauchy se escribe como

u
0
(t) =
3
p
u(t), si t > 0
u(0) = 0
para este problema se verica que u(t) = 0 e u(t) =
p
8t
3
/27 son soluciones.
En los ejemplos anteriores, observamos que un problema de Cauchy puede
tener slo una solucin o varias soluciones, tambien existen problemas que no
tienen solucin. Los mtodos numricos que introduciremos en este captulo,
tienen sentido cuando la ecuacin diferencial en cuestin posee solucin nica,
por lo consiguiente es necesario tener condiciones necesarias y sucientes para
conocer apriori si un problema tiene o no solucin nica, para ello enunciaremos,
sin demostracin, en siguiente teorema.
Theorem 93 Sea una funcin continua f : RR
+
R, luego si existe una
funcin continua g : R
+
R tal que x, y R y t R
+
se tiene
[f (x, t) f (y, t)] (x y) g (t) |x y|
2
entonces el problema de Cauchy (71) admite solucin global nica.
Example 94 Dada el proble de Cauchy

u
0
(t) = u
3
(t) +e
t
2
/2
, si t > 0
u(0) = 1
Alisis Num rico lxxv
analice, utilizando el teorema anterior, si este problema posee solucin global
nica. Observe que f (u, t) = u
3
(t) +e
t
2
/2
, entonces x, y R y t R
+
tenemos
[f (x, t) f (y, t)] (x y) =

x
3
+y
3

(x y)
= (x y)
2

x
2
+xy +y
2

= (x y)
2
h
1
2
x
2
+
1
2
y
2
+
1
2
(x +y)
2
i
0
luego basta denir la funcin g (t) por g (t) = 0 para todo t > 0, tenemos que
[f (x, t) f (y, t)] (x y) g (t) (x y)
2
.
Corollary 95 (Cauchy-Lipschitz) Suponga que f es una funcn continua sobre
R R
+
y que existe un nmeo real L tal que, x, y R y t R
+
, se tiene
|f (x, t) f (y, t)| L|x y|
entonces el problema (71) admite solucin global nica.
Example 96 Dada la funcin f (x, t) = sinx + e
t
2
/2
y u
0
= 1. Demuestre
que el problema de Cauchy
du(t)
dt
= sinu(t) +e
t
2
/2
, t > 0
u(0) = 1
tiene solucin global nica.
6.1.1 Problema Numrico Mal Condicionado
Desde el punto de vista numrico, existen ecuaciones diferenciales mal condi-
cionadas, es decir, pequeas variaciones en la condicin inicial llevan a cambios
signicativos en la solucin nal, ejemplicaremos este hecho con el siguiente
ejemplo
Example 97 Considere la funcin f (x, t) = 3x 3t y u
0
= , entonces el
problema de Cauchy asociado es
du(t)
dt
= 3u(t) 3t, t > 0
u(0) =
la solucin analtica de este problema es
u(t) =


1
3

e
3t
+t + 1/3
a) Suponga que = 1/3, luego si t = 10, entonces u(0) = 10 + 1/3 = 31/3.
Alisis Num rico lxxvi
b) Ahora, suponga que = 0.333333, entonces
u(0) = (0.333333 1/3) e
30
+ 10 + 1/3
= 3562144.298
Como se puede observar, con = 1/3 y = 0.333333 existe una gran
variacin en la solucin nal. Note que si se considera la ecuacin
du(t)
dt
=
3u(t) 3t entonces la solucin es estable.
6.1.2 Esquema de Euler
Los esquemas numricos ms bsicos son los llamados esquemas de Euler, los
cuales sustituyen la derivada de una ecuacin diferencial de primer orden, por
una aproximacin de primer orden como en (66),(67) y (68). El caso cuando
la aproximacin de la derivada es realizada por la frmula (66) el esquema el
llamado Euler progresivo o Euler adelantado, si la aproximacin es realizada
por la frmula (67) el esquema se llama Euler Retrgrado o Retrasado y si la
aproximacin se realiza por la frmula (68) el esquema es conocido como Euler
centrado o esquema de diferencias centradas.
Sea 0 = t
0
< t
1
< ... < t
n
< t
n+1
.... puntos de R
+
y suponga que u
n

u(t
n
) , entonces un esquema numrico consiste en calcular u
n+1
a partir de u
n
.
Esquema de Euler Progresivo (EP) Colocando h
n
= t
n+1
t
n
y
du(t)
dt

u
n+1
u
n
t
n+1
t
n
luego el problema de Cauchy
du(t)
dt
= f (u(t) , t) , t > 0
u(t
0
) = u
0
= u
0
puede ser aproximado por
u
n+1
u
n
t
n+1
t
n
= f (u
n
, t
n
) , n = 1, 2, ......
u(t
0
) = u
0
= u
0
de donde,
u
n+1
= u
n
+ (t
n+1
t
n
) f (u
n
, t
n
) , n = 1, 2, ......
u(t
0
) = u
0
(72)
note que del esquema anterior, podemos calcular u
1
a partir de u
0
, u
2
a partir de
u
1
etc., entonces dado u
0
el esquema de EP (72) permite calcular u
1
, u
2
, ..., u
n
, ...
directamente, debido a esta propiedad se dice que el esquema de EP es un
esquema explicito.
Alisis Num rico lxxvii
Example 98 Encuentre una aproximacin de u(0.3) con t
n+1
t
n
= h
n
= 0.1
jo, del problema de Cauchy
du(t)
dt
= t u(t) + 2, t > 0
u(t
0
) = 2
observe que f (u(t) , t) = t u(t) + 2, luego de (72) tenemos
u
n+1
= u
n
+h
n
f (u
n
, t
n
) = u
n
+ 0.1 [t
n
u
n
+ 2] , n = 0, 1, 2, ...
luego
n = 0 = u
1
= u
0
+ 0.1

t
0
u
0
+ 2

= 2
n = 1 = u
2
= u
1
+ 0.1

t
1
u
1
+ 2

= 2.01
n = 2 = u
3
= u
2
+ 0.1

t
2
u
2
+ 2

= 2.029
entonces u(0.3) u
3
= 2.029.
Esquema de Euler Retrgrado (ER) Colocando h
n
= t
n+1
t
n
y usando
la aproximacin (67) podemos escribir
du(t)
dt

u
n
u
n1
t
n
t
n1
luego el problema de Cauchy
du(t)
dt
= f (u(t) , t) , t > 0
u(t
0
) = u
0
= u
0
puede ser aproximado por
u
n
u
n1
t
n
t
n1
= f (u
n
, t
n
) , n = 1, 2, ......
u(t
0
) = u
0
= u
0
de donde,
u
n
= u
n1
+ (t
n
t
n1
) f (u
n
, t
n
) , n = 1, 2, ......
u(t
0
) = u
0
luego si hacemos un corrimiento de ndice n n + 1, nalmente podemoe
escribir el esquema de ER como
u
n+1
= u
n
+ (t
n+1
t
n
) f

u
n+1
, t
n+1

, n = 0, 1, 2, ......
u(t
0
) = u
0
(73)
note que en el argumento de la funcin del lado derecho del esquema de ER
aparece u
n+1
, por lo que no podemos calcular directamente u
n+1
a partir de
Alisis Num rico lxxviii
u
n
, a menos que la funci f (u, t) sea lineal en la variable u, por esta razn se
dice que el esquema de ER es un esquema implicito. En general, del esquema de
ER se puede calcular u
n+1
utilizando, por ejemplo el mtodo de Newton-Rapson
para calcular ceros de funciones, esto es, reescribiendo la ecuacin (73) como
u
n+1
h
n
f

u
n+1
, t
n+1

= u
n
donde hemos colocamos t
n+1
t
n
= h
n
, entonces dado u
n
, para calcular u
n+1
,
podemos denir
g (x) = x h
n
f (x, t
n+1
) u
n
y calculra un cero de g (x) , lo cual es equivalente a calcular u
n+1
.
Sobre la estabilidad de los mtodos numricos Para que los mtodos
numricos sean bien aplicados es necesario hacer un estudio sobre la estabilidad,
es decir, se debe tener encuenta el tamao del parmetro h para que la solucin
aproximada converga a la solucin real del problema. Para introducir la nocin
de estabilidad consideraremos el siguiente ejemplo
Example 99 Cosideremos f (x, t) = x, con R
+
dado. Entonces el
problema de Cauchy (71) toma la forma
u
0
(t) = u(t) , si t > 0
u(0) = u
0
(74)
observe que la solucin analtica del problema anterior es u(t) = u
0
exp[t] ,
por lo tanto, dado que R
+
tenemos que lim
t
u(t) = 0. Con esta informa-
cin uno espera que cualquer solucin derivada de un mtodo numrico tenga
este comportamiento, es decir, si n , entoces lim
n
u(n) = 0.
a) Primeramente consideremos el mtodo de E-P para analizar el limite de una
solucin aproximada, entonces tenemos el siguienete esquema
u
n+1
= u
n
+h(u
n
) = (1 h) u
n
, n = 0, 1, 2...
donde h
n
= h lo hemos considerado constante.
n = 0 = u
1
= (1 h) u
0
= (1 h) u
0
n = 1 = u
2
= (1 h) u
1
= (1 h)
2
u
0
n = 2 = u
3
= (1 h) u
2
= (1 h)
3
u
0
.
.
.
.
.
.
u
n
= (1 h)
n
u
0
, n = 0, 1, 2...
del proceso anterior obtuvimos que u
n
= (1 h)
n
u
0
, n = 0, 1, 2...luego
para que se cumpla que lim
n
u
n
= 0 es necesario que |1 h| < 1 o
que 1 < 1 h < 1, de donde
h > 0 y h < 2
Alisis Num rico lxxix
ahora, como y h son ambos mayores que cero, la primera desigualdad
siempre es verdadera, entonces de la segunad desigualdad se deduce que
h <
2

(75)
la condicin (75) se llama condicin de estabilidad y es la que nos asegura
que lim
n
u
n
= 0.
b) El mismo problema lo abordaremos con el mtodo de E-R, entonces desde
(74) tenemos el siguiente esquema
u
n+1
= u
n
+h

u
n+1

, n = 0, 1, 2, ...
de donde
(1 +h) u
n+1
= u
n
, n = 0, 1, 2, ...
n = 0 = u
1
= u
0
/ (1 +h)
n = 1 = u
2
= u
0
/ (1 +h)
2
n = 2 = u
3
= u
0
/ (1 +h)
3
.
.
.
.
.
.
u
n
= u
0
/ (1 +h)
n
, n = 0, 1, 2...
de la misma forma que el mtodo de E-P, vemos que del proceso anterior
u
n
= u
0
/ (1 +h)
n
y dado que (1 +h) > 1, se tiene que independiente-
mente del valor que tome h el lim
n
u
n
= 0, en este caso se dice que el
mtodo es estable para este problema.
Mtodo de Heun Nuevamente consideremos el problema (71), esto es
u
0
(t) = f (u(t) , t) , si t > 0
u(0) = u
0
.
luego integrando la ecuacin anterior entre t
n
y t
n+1
obtenemos
u(t
n+1
) u(t
n
) =
R
t
n+1
t
n
f (u(t) , t) dt, (76)
pata el lado izquierdo de la ecuacin anterior usamos la aproximacin u(t
n+1
)
u
n+1
y u(t
n
) u
n
, mientras que para calcular la integral del lado derecho,
podemos usar la regla del trapecio, luego la ecuacin (76) es aproximada por
u
n+1
u
n
=
h
n
2

f (u
n
, t
n
) +f

u
n+1
, t
n+1

(77)
donde h
n
= t
n+1
t
n
. La frmula (77) es un esquema implcito y es posible
demostrar que es de orden 2 en h, es decir, de orden h
2
. Para evitar el clculo
Alisis Num rico lxxx
implcito de u
n+1
en (77), podemos utilizar una "prediccin de Euler progresivo"
y reemplazar u
n+1
en f

u
n+1
, t
n+1

por
u
n+1
= u
n
+h
n
f (u
n
, t
n
)
entonces, colocando
p
1
= f (u
n
, t
n
)
p
2
= f (u
n
+h
n
p
1
, t
n+1
)
el esquema (77) se puede escribir como
u
n+1
= u
n
+
h
n
2
(p
1
+p
2
) . (78)
Este ltimo esquema se conoce como mtodo de Heun y en realidad es un mtodo
de Runge-Kutta de orden 2 explicito.
Example 100 Calcule una aproximacin de u(0.3) usando el mtodo de Heun
del problema de Cauchy
du(t)
dt
= t u(t) + 2, t > 0
u(t
0
) = 2
Mtodo de Runge-Kutta clsico (R-K-C) El mtodo de Runge-Kutta
clsico o tambien llamado mtodo de Runge-Kutta de orden 4, permite calcular
u
n+1
a partir de u
n
como sigue: deniendo
p
1
= f (u
n
, t
n
)
p
2
= f

u
n
+
h
n
2
p
1
, t
n
+
h
n
2

p
3
= f

u
n
+
h
n
2
p
2
, t
n
+
h
n
2

p
4
= f (u
n
+h
n
p
3
, t
n+1
)
el esquema se escribe como
u
n+1
= u
n
+
h
n
6
[p
1
+ 2p
2
+ 2p
3
+p
4
] . (79)
El esquema (79) es explicito, adems es un mtodo de orden 4 y es posible
demostrar que

u(T) u
N

Ch
4
= C
T
4
N
4
,
donde h = T/N = (b a) /N.
Remark 101 Los mtodos de Runge-Kutta (R-K) son caracterizados por las
tres siguientes propiedades
Alisis Num rico lxxxi
a) Son mtodos de un slo paso, esto es, para encontar u
n+1
slo se necesita
la informacin disponible del paso anterior, o sea de (u
n
, t
n
) .
b) Coinsiden con la serie de Taylor hasta los trminos de orden h
p
.
c) No requieren de la evaluacin de ninguna derivada de f (u, t) , slo se requiere
evaluar la funcin f (u, t) .
Entoces, de la caracterizacin de los mtodos de R-K se desprende que los
mtodos de Euler, progresivo y retrogrado, as como el mtodo de Heun, tambien
son mtodos de R-K.
Mtodos de Multipasos Los mtodos estudiados anteriormente, son cono-
cidos como mtodos de un slo paso, es decir, mtodos que permiten calcular
u
n+1
slo a partir de u
n
, los mtodos que examinaremos a continuacin son
diferentes, pues es una clase de mtodos numrico que permite el clculo de
u
n+k
a partir de u
0
, u
1
, ..., u
k
.
Denition 102 Un mtodo de multipaso de k pasos se dene por:
k
P
j=0

j
u
n+j
= h
k
P
j=0

j
f

u
n+j
, t
n+j

(80)
donde
j
y
j
son constantes.
Observe que si en (80) hacemos
k
= 0, podemos escribir los trminos u
n+k
como
u
n+k
=
1

k
k1
P
j=0

h
j
f

u
n+j
, t
n+j

j
u
n+j

(81)
este esquema nos permite calcular u
n+k
una vez conocidos los trminos u
n+j
,
con j = 0, 1, 2, ...k 1. Entonces los valores de u
n+j
, con j = 0, 1, 2, ...k 1
deben ser aproximados usando algn mtodo de un slo paso, es usual usar el
mtodo de R-K-clsico para este efecto.
Para deducir explcitamente mtodos de multipaso, se deben considerar los
puntos t
n
, t
n+1
, ..., t
n+k
y se requieren dos etapas:
a) Considerar una igualdad de la forma
R
t
j
ti
u
0
(t) dt = u(t
j
) u(t
i
)
donde t
n
t
i
< t
j
t
n+k
.
b) Sustituir en la integral
R
tj
t
i
u
0
(t) dt
u
0
(t) , es decir f (u, t) , por un polinomio de interpolacin involucrando
alguno o todos los puntos t
i
, con i = n, n + 1, ..., n + k. Es importante
observar que si en la interpolacin se considera el ltimo punto t
n+k
, el
esquema resultante es implcito, caso contrario resulta un esquema explc-
ito.
Alisis Num rico lxxxii
Example 103 Deducir el esquema implcito
u
n+2
= u
n
+
h
3
[f
n
+ 4f
n+1
+f
n+2
]
donde f
n
f (u
n
, t
n
) . Siguiendo las etapas anteriores tenemos
a) Integrando u
0
(t) entre t
n
y t
n+2
tenemos
R
tn+1
t
n
u
0
(t) dt = u(t
n+2
) u(t
n
) .
b) Puesto que el esquema a deducir es implcito, consideramos los tres puntos
t
n
, t
n+1
y t
n+2
(obsereve que k = 2) entonces tenemos
R
t
n+2
t
n
u
0
(t) dt =
R
t
n+2
t
n
f(u(t) , t)dt
R
t
n+2
t
n
P
2
(t) dt
donde P
2
(t) es un polinomio de interpolacin de grado 2.
P
2
(t) =
(tt
n+1
)