Vous êtes sur la page 1sur 73

Mtodos

Numricos

Luis Carlos Torres Soler

Departamento de Ingeniera de Sistemas e Industrial


Facultad de Ingeniera
Universidad Nacional de Colombia
2010

Mtodos
Numricos

Luis Carlos Torres Soler


Matemtico
Maestra Ingeniera de Sistemas
Maestra Ciencias de la Educacin

Presentacin
No es el objeto de las presentes notas escribir un texto de Anlisis Numrico o Mtodos
Numricos dado que existe en el mercado muchos libros buenos sobre este tema y sus
aplicaciones; el objeto ha sido el de preparar un resumen para los estudiantes y, no creo que
pueda alcanzar mayor trascendencia que dichos textos. Sin embargo, es necesario preparar
cada clase que se dicta con el fin de no caer en el concepto de ser un docente que se sabe un
texto de memoria.
Cada uno de los estudiantes a travs de preguntas, tareas o comentarios enriquecen da a da
estas notas. Es por esto, que poco a poco se mejoran, hasta el punto de ser fuente primaria de
los estudiantes.
Se han adaptado estas notas como base para un curso semestral de Mtodos Numricos de
cualquier carrera de Ingeniera. A las notas, les falta mucho de teora, de ejemplos, de
conceptos, etc., y aun se entiende que tienen significativos errores que las hace ser basura
para algunos, mientras que para otros es algo muy til.
No se puede desfallecer en un intento, las notas poco a poco seguirn mejorndose, los
errores se irn corrigiendo, los conceptos se irn complementando, al igual que los ejemplos
sern cada vez mejores. Es la intencin, como trabajo acadmico continuado.

Contenido

Introduccin
Teora de errores
Series de Taylor
Solucin de ecuaciones
Clculo de races
Diferenciacin
Integracin
Ecuaciones diferenciales
Bibliografa

Pag.
1
3
15
21
31
55
59
63
71

Introduccin
Los mtodos numricos, una subrea de la investigacin de operaciones, de la matemtica,
y para aplicaciones ingenieriles, tienen por objeto ayudar a dar respuestas a problemas
mediante aproximaciones suficientemente exactas con un mnimo esfuerzo cuando no es
posible obtener una solucin por mtodos analticos. Algunos problemas pueden tener sus
respuestas por varios mtodos; existen variedad de ellos, algunos se explican en este texto
con ejercicios simples para lograr comprenderlos. Por ello, es importante, como prctica
acadmico y profesional comparar la eficiencia de diversos mtodos de aproximacin, ver
la eficiencia y eficacia de cada uno de ellos y proyectarlos a los problemas de la vida real.
En todas las labores para el desarrollo cientfico y tecnolgico se utiliza, hoy da, el
computador con un software especializado que es ajustado a la medida segn alguno de los
mtodos numricos; sin embargo, determinar el mejor software no es del todo sencillo, ya
que depende de los intereses y de los problemas y, por ello debe incluir varios mdulos que
permitan evaluar el comportamiento de una situacin por diferentes mtodos para asegurar
la convergencia total del proceso. Para algunos procesos de clculo intensivo, la velocidad
(mnimo tiempo) es la consideracin ms importante; en otros casos, la confiabilidad y
robustez son las caractersticas deseadas.

Teora de errores
En cada clculo que se realice, generalmente, se introducen errores que afectan
sustancialmente los resultados y por ende los procesos pertinentes. Los errores son de
diferente ndole y provienen de diversas fuentes y por distintos mtodos. Un estudio
somero de los errores es conveniente para buscar minimizar la incidencia negativa de ellos.
Ejemplo. 1 = 1/3+1/3+1/3 = .333333+.333333+.333333 = .999999
Es decir 1 = .999999 Qu error tan grande?
Los clculos hechos en computador o calculadora llevan a aproximaciones en ellos y, por
tanto, en los resultados, adems, como existen representaciones de cantidades con un
nmero infinito de dgitos no peridicos, en general slo se toman unos pocos.
Ejemplo.

= 3.141592654... 3.1416
2 = 1.414213562... 1.4142
3 = 1.732050808... 1.7321
e = 2.718281828... 2.7183

Desde luego, se estn cometiendo mnimos errores por haber tomado un mayor nmero
significativo de dgitos, por tanto las operaciones que se realicen con ellos van a ser
aproximadas.
Representacin del error
Los errores que se presentan al operacionalizar datos pueden ser:
*
*

Error absoluto = valor verdadero - valor aproximado


x = valor verdadero => ex = x - xError relativo = error absoluto / valor aproximado; e = ex/x-

Mtodos Numricos

Magnitud del error


La magnitud del error absoluto se denota como valor absoluto: |ex|, mientras que la
magnitud del error relativo y se expresa como porcentaje: |ex/x-|
Ejemplo. x=0.0000012, x-=0.0000010
ex = x - x- = 0.0000012 - 0.0000010 = 0.0000002 = 2*10-7
ex/x- = 2*10-7 / 1*10-6 = 2*10-1 = 0.2
|ex| = |2*10-7| = 2*10-7; |ex/x-| = | 0.2 | = 0.2 = 20%
Ejemplo. x=9999500; x- = 10000000
ex = 9999500 - 10000000 = -500
|ex| = |-500| = 500; |ex/x-| = |-500/1*106| = |-5*10-4| = 5*10-4 = 0.05%
Causas del error
Las causas del error son varias. Existen aquellas debidas a la conceptualizacin, toma de
datos a introducir en el proceso; las debidas a una operacin o un conjunto de operaciones
que se realizan en el proceso y las debidas a la interpretacin; pueden ser:
-

La exactitud de los datos


1/3 =0.3333333 = 0.333 = 0.3; 1/7= 0.14285714.
Los datos experimentales no se pueden representar exactamente y se cometen
errores en mayor o menor grado de acuerdo al nmero de cifras decimales que se
consideran.

Exactitud de los clculos: Toda operacin lleva a errores por la aproximacin que
se realiza a los datos.

Naturaleza de la funcin que se calcula. Por la forma como debe calcularse una
funcin. Ejemplo: exponencial, logartmica, trigonomtrica, etc.

Mtodos de clculo. Se introducen errores por el mtodo en s.

Tipos de error
1.

Errores inherentes. Son debidos a los datos, por ser experimentales, por los
aparatos de medida existe la necesidad de aproximarlos.
Ejemplo: 1/3, 1/7, pi, e. No nos podemos deshacer de ellos.
Luis Carlos Torres Soler

Mtodos Numricos

2.

3.

4.

5.

Errores de truncamiento. Cuando una funcin f(x) es representada por una serie
infinita, se eliminan trminos de la serie.
sen(x) =x - x3/3! + x5/5! - x7/7! + ....
Errores de redondeo. Ocurren al representar una cifra por un nmero finito de
dgitos decimales, es decir, se debe a la eliminacin de cifras para tener una
aproximacin.
a. Simtrico
Ejemplo: 1.3674 ~ 1.367, 34.2109 ~ 34.211
b. Truncamiento
Ejemplo: 1.3674 ~ 1.367, 34.2109 ~ 34.210
Los efectos en los resultados usualmente son (pero no siempre) controlados al
adicionar un dgito.
Errores acumulados. Ocurren cuando ciertos procedimientos estn basados en la
repeticin de una secuencia de operaciones. Se obtiene Yn+1 a partir de Yn
La importancia del error acumulado depende de su rata de acumulacin. Si la rata
de acumulacin decrece haciendo que el error sea acotado, la secuencia de
operaciones se dice que es estable. Es inestable si la rata se incrementa.
Error estimado. Se presume de un error al desarrollar operaciones.

Normalizacin
La normalizacin decimal es la escritura de un nmero en notacin cientfica, cualquier
cantidad se escribe como:
x = Fx * 10 n
es el signo, Fx se llama mantisa y n exponente.
Ejemplo. Normalizar a 5 dgitos los siguientes nmeros
27,493
-->
.27493 * 102
0,0032941
-->
.32941 * 10-2
1,82
-->
.18200 * 10
,9341
-->
.93410 * 100
La mantisa siempre es menor de 1, es decir, 0 <= Fx < 1
x = 133,485947
Qu se hace?
x = 0,133485967 * 103 no esta normalizado
x = 0,13348 * 103 + 0,000005967 * 103
El nmero de ceros en el segundo operando es igual al nmero de dgitos de la mantisa.
x = 0,13348 * 103 + 0,5967 * 10-5
Universidad Nacional de Colombia

Mtodos Numricos

x = Fx*10c + Gx*10c-t, t = nmero de cifras significativas en Fx.


Qu se hace con Gx?
Eliminando Gx, qu le sucede a x, en general?
Si hay que aproximar, cul es el valor aproximado de Fx?, cul el error que se introduce?
58,039 - 17,4 = 40,6 incierto
58,039 - 17,400 = 40,639
Redondeo simtrico

|x | =

1. |Fx| - 10c si |Gx| < 0,5

2. |Fx| - 10c + 1- 10c-t si |Gx| >= 0,5

El signo de x- es el mismo de Fx
1.

x = Fx * 10 c + Gx * 10 c-t
|ex| = |Gx| * 10c-t
|ex|max = |Gx|max * 10c-t 0,5 * 10c-t

2.

x- = Fx * 10 c + 1 * 10 c-t
|ex| = |Gx-1| * 10c-t = 1 - Gx * 10 c-t
|ex|max = |1-Gx|max * 10c-t 0,5 * 10c-t

En conclusin, el error mximo del error absoluto es:


|ex|max = 0,5 * 10-t
x= 25,329
t=5
x= 0,25327 * 102

c=2

| ex / x- |max = | ex max| / | x-max | = |0,5*10c-t/0,1*10c| =


5*10-t
x-min = |Fx*10c|min = 0,1, luego Fx min = 0,1
Lo nico que hace mximo el error relativo es t.
El error relativo mximo en redondeo simtrico depende solamente del nmero de cifras
significativas en Fx, con las que se trabaje.

Luis Carlos Torres Soler

Mtodos Numricos

Por qu error max?


En muchos clculos no se conocen resultados intermedios, entonces no puede calcularse el
error, por eso se toma el error mximo.
Redondeo por truncamiento
El valor aproximado siempre es: Fx*10c
Error relativo
ex = Gx * 10c-t
|ex| = |Gx * 10c-t| |Gx| * 10c-t
|ex|max = |Gx|max * 10c-t
El error en redondeo por truncamiento es el doble que el redondeo simtrico
| ex / x- |max = | ex max / x-min | = |1*10c-t/0,1*10c| = 10*10-t
En conclusin no se usa este redondeo.
Propagacin del error
Los procesos computacionales estn basados en procedimientos secuenciales que realizan
una serie finita de pasos para realizar un conjunto de operaciones determinadas. Muchas de
las operaciones o pasos se repiten en un ciclo, lgicamente finito, lo que hace que cada vez
propague los errores en los diferentes pasos.
Supongamos que en representa la magnitud de un error cometido despus de n operaciones
subsecuentes. Si en=cne0, donde c es una constante independiente de n, se dice que el
crecimiento del error es lineal. Si en=cne0, para c>1, el crecimiento del error es exponencial.
El crecimiento del error lineal, generalmente, es inevitable y, cuando c y e0 son pequeos,
los resultados suelen ser aceptables. Pero muchas veces, por ms pequeo que sea el error,
puede traer resultados del todo no satisfactorios: desviacin segn lo esperado, clculos
alterados, valores que con el tiempo muestran problemas en el comportamiento de la
situacin analizada.

Universidad Nacional de Colombia

Series de Taylor
Sea f(x) una funcin continua1 y con derivadas de todo orden en x=x0, entonces f(x) puede
ser representada por una serie de potencias en el punto x=x0, como:

f(x) = c0 + c1 (x - x0 ) + c 2 (x - x0 )2 + ...+ c n (x - x0 )n + .=

c (x - x
j

j
).

j=0

Las derivadas de f(x) se obtienen al diferenciar la serie trmino a trmino


(1)

n -1

f (x) = c1 + 2 c 2 (x - x0 ) + 3 c3 (x - x0 ) + ...+ ncn (x - x0 ) + ...


(2)

n-2

f (x) = 2 c 2 + 6 c3 (x - x0 ) + 12 c4 (x - x0 ) + ...+ n(n - 1) c n (x - x0 ) + ...


......

(m)

(x) = m! C m + (m + 1)! c m+1 (x - x 0 ) +

(m + 2)!
2
c m+2 (x - x0 ) + ...
2

n(n - 1)(n - 2)...(n - m + 1)


n-m
cn (x - x0 ) + ...
(n - m)!

Es decir:

(m)

(x) =

i(i - 1)(i - 2)...(i - m + 1)


i-m
ci (x - x0 )
(i
m)!
i= m

Al reemplazar x = x0 en ambos lados de la serie, se tiene:


o
c0 = f(x0)
f(x0) = c0
f(1)(x0) = c1
o
c1 = f(1)(x0)
(2)
f (x0) = 2c2
o
c2 = f(2)(x0)/2
f(3)(x0) = 3!c3 o
c3 = f(3)(x0)/3!
..............
f(m)(x0) = m!cm o
cm = f(m)(x0) / m!
Lo cual significa que:

f(x) = f( x0 ) + f 1( x0 )(x - x0 ) +

( x0 )(x - x0 )
f 3( x0 )(x - x0 )
+
+ ...
2
3!

Es decir:
1

Una funcin f definida en un conjunto X de R, y x0 en X, entonces f es continua en x0 si limx->x0


f(x)=f(x0), f es continua en el conjunto X si lo es en cada punto de X.

Mtodos Numricos

f(x) =

j=0

(j)

f ( x0 )
j
(x - x0 ) =
j!

(0)

(j)

f ( x0 )
j
(x - x0 ) ] + R m
j!

[
j=0

(n)

Con f (x0)=f(x0), 0!=1, f (x0)= dnf/dxn \x=x0


Ejemplo. Expandir f(x)= ln(x) por medio de series de Taylor en x0=1, y obtener ln(1.1) en 4
decimales con error menor a 0.00005

1
1
2
; f (2) = - 2 ; f (3) = 3 ; ...; f (n) = (-1 )n-1 (n - 1)! x- n
x
x
x

(1)
f =

as,

ln(x) =

j=0

(j)
f ( x0 )
(x - x0 ) j =
j!

(-1 ) j -1
(x - 1 ) j

j
j=1

Al considerar |Rm| < |(x-1)m/m|, se tendra |Rm|< |(1.1-1)m/m| = .1m/m


si m=3, se tiene .13/3 = 0.00033>0.00005
si m=4, se tiene .14/4 = 0.000025 < 0.00005,
Por tanto se tiene: ln(1.1)= .1 + (-1)1/2(1.1-1)2+(-1)2/3(1.1-1)3= .09533

1.1 en 4 decimales con un error menor a .00005 expandiendo

Ejemplo. Calcular

f(x) =

x por medio de las series de Taylor en x0=1.


1
1
3
15 -7/2
(1)
; f (2) = - x-3/2 ; f (3) = x-5/2 ; f (4) = f =
x
4
8
16
2 x
m

as: f

(m)

(2j - 3)
j= 2

(x) =

2m -1
2

m -1

(-1 )

; m2

(2j - 3)
j= 2

Con R m =

2m-1
2

(-1 )m -1

m!

1.1 = 1 +

1
2 1

.1

1
3
15
+

+ ... =
3/ 2
5/2
4(1)
8(1)
16(1) 7 / 2

Ejemplo. Calcular e.01 con cuatro decimales y un error menor a .00005 expandiendo

f(x) = e x por medio de la serie de Taylor en x0=0.


(1)

(2)

f = e x ; f = e x ; f (3) = e x ;
as:

10

Luis Carlos Torres Soler

(n)

f = ex

Mtodos Numricos

f(.01) = 1 + .01 +

(.01 ) 2 (.01 ) 3 (.01 ) 4 (.01 ) 5


+
+
+
+ ...
2
6
24
5!
m

Al tener: R m =

(.01 )
m

Si m = 3, Rm = .0000001666. Si m = 2, Rm = .00005. Slo se tiene que calcular hasta la


potencia 2.
2

f(.01) = 1 + .01 +

(.01 )
= 1 + .01 + .00005 = 1.01005
2

El algoritmo2 general en el desarrollo de las series de Taylor sera:


AlgST( )
Lea x, x0, error, maxiter
n = 1, suma = 0
determine Rn
MQ n< maxiter o Rn > error
calcular Rn
suma = suma+Rn
n=n+1
FMQ
FAlgST( )
La precisin que puede emplearse utilizando el computador o la capacidad de ste
determinar si la salida es el clculo de la funcin o un mensaje de fracaso.

En la serie de Taylor al hacer x0=0, se tiene: f(x) =

j=0

(j)

f (0) j
x .
j!

y se llama Serie de Maclaurin


Dada una funcin f(x), continua con derivada de todos los ordenes, en un punto x=x0, se
evala en un punto cercano x0, empleando la serie de Taylor, siempre y cuando la serie sea
convergente en x=x0
Proposicin. Dada una serie Sk, con =|Sk+1 / Sk|, la serie Sk es convergente si <1
(criterio del cociente)
2

Los algoritmos se describen por medio de un seudocdigo. Las instrucciones de los algoritmos
siguen las reglas de la construccin de programas estructurados, y se escriben de tal forma que
reduzcan al mnimo la dificultad de traducirlo a un lenguaje de programacin. MQ significar
"mientras que", teniendo como final FMQ. HQ significar, "hasta que", con final FHQ. La
instruccin condicional IF-THEN-ELSE, est determinada por condicin? SI xx NO yy.
Universidad Nacional de Colombia

11

Mtodos Numricos

Teorema 1. Una serie es absolutamente convergente, si converge la serie formada con los
valores absolutos de sus trminos.
Teorema 2. Una serie alterna es convergente si cumple:
a. La serie es estrictamente alterna
b. El termino n-simo tiende a 0, cuando n tiende a inf
c. Cada termino es en valor absoluto menor que el termino anterior: |Sk+1| < |Sk|
Teorema 3. Dada una serie de potencias, definida como anxn
a. Si la serie converge para x = c, entonces la serie converge para todo x < |c|
b. Si la serie diverge para x > d, entonces la serie diverge para todo x > |d|.
Frecuentemente la serie de Taylor se simplifica definiendo x = x0 + x1; permitiendo escribir

la serie como: f( x0 + x1 ) =

j=0

(j)
f (x0 ) j
x1
j!

Si en esta formula se hace x0 = xi y x1=kh, se tiene:

f( xi + kh) =

j= 0

(j)
f (xi )
j
(kh )
j!
(2)

(n)

f ( xi ) 2
f ( xi ) n
Si k = 1 se tiene: f( xi + h) = f( xi ) + f ( xi )h +
h + ...+
h (1)
2
n!
(1)

Similarmente, si k = -1:

f( xi - h) = f( xi ) - f (1) ( xi )h +

(2)
(n)
( xi ) n
f ( xi ) 2
n f
...+
(-1
)
h
h
2
n!

Al considerar la notacin f(xi) = fi , xi + h = xi+1, podemos escribir (1) como:


2

(1)
h (2)
h (n)
f i+1 = f i + hf i + f i + ...+ f i
2!
n!

En general, si xi+k = xi + kh, f(xi + kh) = fi+k


(2)

(1)

f i+k = f( xi + kh) = f i + f i (kh)+

Variando en incrementos de +h, -h, +2h, -2h; se tiene:


2

(1)
h (2)
h (n)
f i+1 = f i + h f i + f i + ...+ f i
2!
n!
n
2
(-h ) (n)
(1)
h (2)
f
f i -1 = f i - h f i + f i - ...+
2!
n! i

12

Luis Carlos Torres Soler

(n)

fi
f
2
n
(kh) + ...+ i (kh) +
2!
n!

(2)

Mtodos Numricos
2

(2h ) (2)
(2h ) (n)
f i + ...+
fi
2!
n!
2
n
(2h ) (2)
(-2h ) (n)
(1)
f i - ...+
fi
f i - 2 = f i - 2h f i +
2!
n!
(1)

f i+2 = f i + 2h f i +

A partir de la serie de Taylor, una aproximacin de una funcin a primer orden sera:
(1)

f( xi+1 ) = f( xi ) + f ( xi )[ xi+1 - xi ]
Esta expresin representa una lnea recta. Una aproximacin de una funcin a segundo
(2)

(1)

orden es: f( xi+1 ) = f( xi ) + f ( xi )[ xi+1 - xi ]+

f ( xi )
[ xi+1 - xi ] 2
2!

De manera similar agregando trminos para desarrollar la expansin completa de la serie de


Taylor:

f( xi+1 ) = f( xi ) + f (1)( xi )[ xi+1 - xi ]+

(2)
(n)
f ( xi )
f ( xi )
[ xi+1 - xi ] 2 + ...+
[ xi+1 - xi ] n + R n
2!
n!

(n+1)
(o)
f
[ xi+1 - xi ] n+1
(n + 1)!

La serie anterior es infinita, el trmino residual sera: R n =


siendo o un valor cualquiera x que se halla entre xi y xi+1.
Ejemplo. Sea f(x) =

2
x + x + 2 , calcular f(1.05) con un error de e=0.00005.

Hacemos xi=1 y h=.05


4)

(2)
2
(3)
3
(
4
(1)(.05)
f (1)(.05 )
f (1)(.05 )
f (1)(.05 )
+ ...
f(1.05) = f(1) +
+
+
+
1!
2!
3!
4!
Tenindose las derivadas:

(1)

f (x) =

(1)

2x + 1
7
(2)
; f (x) =
2
2
2( x + x + 2 )3/2
2 x + x+2

As que:
7(.05 ) 2
f
f(1.05) = f(1) + 3/4(.05) +
+
3/2
4(4 )

Ejemplo. Sea f(x) =

(3)

(1)(.05
6

( 4)

(1)(.05
24

+ ...

2
x + 3 , calcular f(1.01) con un error de e=0.00005.

Hacemos xi=1 y h=.01

(1)

f (x) =

(1)

4)

(2)
2
(3)
3
(
4
(1)(.01)
f (1)(.01 )
f (1)(.01 )
f (1)(.01 )
+
+
+
+ ...
1!
2!
3!
4!
Tenindose las derivadas:

f(1.01) = f(1) +

x
3
(2)
(3)
; f (x) = 2
; f (x) =
3/2
( x +3 )
x +3
2

Universidad Nacional de Colombia

13

Mtodos Numricos
2

As que: f(1.01) = f(1) +1/2(.01) + 3(.01 ) + f


(4 )3/2

(3)

4)

(
4
(1)(.01 )3
f (1)(.01 )
+
+ ...
6
24

El desarrollo de las series de Taylor de una funcin de dos dimensiones f(x, y) alrededor de
(xo,yo) est dada por:
1
1
f(x + h, y + g) = f(x0 , y0 ) + h f x + gf y + [ h 2 f xx + 2 hgf xy + g 2 f yy ] + [ h 3 f x 3 + 3 h 2 g f
2
6

2
x y

+ 3h g 2 f x y 2 + g 3 f y 3 ] +

1
[ h4 f x4 + 4 h3 g f x3 y + 6 h2 g 2 f x2 y2 + 4h g 3 f x y3 + g 4 f y4 ] + ...
24

Donde h=x-x0, g=y-y0, y

f(x, y)
/ x= x 0 , y= y 0
y
Las notaciones anlogas tales como f x2 y , f x3 , f x y4 , son las derivadas parciales de f en x
f x=

f(x, y)
/ x= x 0 , y= y 0
x

f y=

= x0 y y = y0; cada x o y en los subndices indica una diferenciacin parcial con respecto de
x o y respectivamente.
2
2
x + y + xy , calcular f(1.05, 1.01) con un error de e=0.00005.
1
2+1
1 2+1
f(1 + .05,1 + .01) = f(1,1) + .05( (
)) + .01( (
)) + ...
2 1 + 1+ 1
2
3

Ejemplo. Sea f(x, y) =

14

Luis Carlos Torres Soler

Solucin de ecuaciones
En la vida prctica, sobre todo para el ingeniero del siglo XXI, al plantear modelos para
representar situaciones de la realidad y solucionar problemas que all existen, muchas veces
se llega a que el modelo es un sistema de ecuaciones: lineales o no lineales. La necesidad
de solucionar dicho sistema de una forma fcil llev a estudiosos a formular varios
mtodos, los mtodos ms utilizados que existen para lograr la solucin de un sistema de
ecuaciones son: de Gauss, de Gauss-Jordn, de Gauss-Seidel, , de Jacobi, de
Descomposicin LU, ...

Gauss
Sea el sistema de ecuaciones: A X = B, donde A es una matriz nxn. El mtodo de Gauss
consiste en formar una matriz triangular superior en que la diagonal de la matriz 1, y
existen 0 en las filas que siguen en la columna, para ello se emplean las siguientes
operaciones:
f i kf i
1. Multiplicar la fila i por una constante
2. A una fila agregarle otra fila

f j f j + sf k

Los elementos de la diagonal, los aii , se llama pivote y, consecuentemente las filas y las
columnas respectivas se llaman fila pivote y columna pivote. Entonces para colocar un en
cualquier aii, simplemente se realiza: f i

fi
.
aii

Para colocar 0 en las filas k (>i), se realiza: f k f k a ki f i


El proceso inicia por a11.
El mtodo de Gauss - Jordan es una extensin del mtodo de Gauss llevando la matriz a
que sea unitaria. En pocas palabras, toda la diagonal en 1 y los dems elementos en 0.

Mtodos Numricos

a11
a
A = 21
.

a12
a 22
.

a n1

an2

... a1n
1 0 ... 0
... a 2 n
0 1 ... 0
B =
... .
. . ... .
... a nn
0 0 ... 1

Jacobi
Sea el sistema de ecuaciones: A X = B, donde A es una matriz nxn.
Al tener los coeficientes de la diagonal totalmente diferentes de cero (si es posible se
reordenan las ecuaciones para tener esto), la primera ecuacin se puede resolver para x1, la
segunda para x2, etctera, lo que lleva a tener:

b1 - a12 x 2 - a13 x 3 - ... - a1n x n


a11
b2 - a11 x1 - a13 x3 - ... - a1n xn
x2 =
a 22
b3 - a11 x1 - a12 x 2 - a 14 x4 - ... - a1n x n
x3 =
a 33
x1 =

y as sucesivamente hasta hallar xn ,

xn =

b n - a 11 x1 - a 12 x 2 - ... - a1n -1 x n -1
a nn

El proceso de solucin por el mtodo de Jacobi es: dar valores iniciales (puede ser de cero)
a las xi, iteracin 0, y calcular cada nuevo valor de x1, x2, x3,...,xn, iteracin i.
El proceso se repite en la iteracin j con los valores calculados en la iteracin j-1, para
nuevas x1, x2, x3,...,xn, hasta que la solucin converja.
Es decir:
n

(i)
Xj=

(-a jk X ik-1 ) + b j

k =1 k <> j

a jj

Esta convergencia se puede verificar usando el criterio de: |


en la iteracin k y donde e es el error previsto.

16

Luis Carlos Torres Soler

k
k -1
xi - xi
|< e , con i=1,2,,n;
k
xi

Mtodos Numricos

Una condicin necesaria, pero no suficiente, para la convergencia, es que los coeficientes
de la diagonal de cada una de las ecuaciones sea mayor que la suma de los otros
coeficientes de la ecuacin, es decir:
n

| aii |>

| aij |

\ j = 1,2,..., n

i=1,i<> j

Algunos sistemas lineales de ecuaciones pueden tener solucin utilizando este mtodo de
Jacobi sin que se cumpla la condicin, pero otros no. La condicin hace que siempre se
halle la solucin.
Cuando se tiene la condicin, se dice que el sistema es de diagonal dominante.

Gauss-Seidel
El mtodo de Gauss - Seidel es un mtodo iterativo muy usado cuando se tiene un sistema
de ecuaciones n*n, con coeficientes en la diagonal totalmente diferentes de cero.
En Jacobi se calculan todos los valores para una nueva iteracin. El mtodo de GaussSeidel sugiere considerar de una vez los valores que se van calculando.
j -1

(- a jk X ki ) +
Es decir: X (i)j =

k =1

(- a

jk

i -1
X k )+ b j

k = j+1

a jj

Factorizacin triangular
Sea el sistema de ecuaciones: A X = B, donde A es una matriz nxn. Si es posible que A =

L U, donde L es una matriz triangular inferior y U es una matriz triangular superior,


entonces A se dice es factorizable triangularmente.
U se obtiene al aplicar parte del mtodo de Gauss, colocar slo 0 debajo de la diagonal. Por
ejemplo:

Universidad Nacional de Colombia

17

Mtodos Numricos

2 1 3
A = 1 4 1
1 2 3
Entonces siguiendo las operaciones, su transformacin sera:

2
A 0
0

1
7
2
5
2

3
2
5
0
2
9
0
2

1
7
2
0

3
5

2
44
7

La matriz L es simplemente el proceso de formacin de una matriz triangular inferior al


transformar la matriz original.
Para el caso se realizaron las siguientes operaciones: f2  f2 f1/2, f3  f3 + f1/2 y f3  f3
5f2/7.
Cada nuevo Uki obtenido (implicitamente) al calcular U, se se coloca en su respectiva
posicin en una matriz L cuyos elementos de la diagonal sean 1.

1
1
L=
2
1

5
7

Puede probarse que L U = A.


Si AX = b, se escribe L U X = b, haciendo el reemplazo U X = Y, entonces L Y =

b. Se calculan los Y y, luego se resuelve U X = Y para hallar los valores de X


Ejemplo:

18

Luis Carlos Torres Soler

Mtodos Numricos

A=

1 4

Luego al buscar si es factorizable triangular se puede obtener:

2
U

2
1 4
5
0
3
2

5 2
0
3
1
0
2

1
5
2
2
5
2

0
0
0

1
5
2

1
5
2

4
3

2
0

22 0
5
4
0

1
5
2

1
5
2

4
3
6
5
8
5

Si se mira despacio en los pasos realizados las operaciones de Gauss, se tiene que estas
fueron:

1
f1
4
2
4
f f3 f2
f3 f3 f 1 3
5 f4 f 4 f3
3
1
f4 f4 + f2
f 4 f 4 f1
2
f2 f2 +

Luego siguiendo estas operaciones se tiene que la matriz L sera:

1
1
L=

1
1
2

1
4
5
1

1 0
4
1
3

Ahora slo queda probar que LU = A.

Descomposicin LU
La factorizacin de Cholesky tambin llamada Descomposicin LU, es una tcnica
particularmente eficiente en la solucin de algunos problemas.
Sea una matriz simtrica A, por tanto cuadrada n*n, bajo ciertas condiciones, existe una
matriz triangular superior U, tal que UT*U = A,

Universidad Nacional de Colombia

19

Mtodos Numricos

a11
a
A = 12
.

a1n

a12
a 22
.
a2n

... a1n
... a 2 n
... .

... a nn

Por tanto A, debe poderse escribir como la multiplicacin de dos matrices, UT y U.

u11 u12
0 u
22
U =
.
.

0
0

... u1n
... u 2 n
... .

... u nn

Como U es triangular superior, se sabe que uij=0, para i>j.


El clculo puede hacerse por filas, es decir, primero se obtienen los elementos de la primera
fila de U, enseguida los de la segunda, etctera. Conocidos los elementos de la fila 1,2,...,k1, puede hallarse los elementos de la fila k.
T
2
a11 = ( u11 ) u11 = u11 , es decir, u 11 =

a11

T
a12
a12 = ( u 11 ) u12 , es decir, u12 =
u11
T
a13
a13 = ( u 11 ) u13 , es decir, u13 =
u11
T
a1n
a1n = ( u 11 ) u1n , es decir, u1n =
u11

Al multiplicar la segunda fila de UT por las columnas de U, se tiene:


2
2
a 22 = u12 + u 22 , es decir, u 22 =

a 22 - u 12
a 23 - u12 u13
a 23 = u12 u 13 + u 22 u 23 , es decir, u 23 =
u 22
a 2n - u12 u1n
a 2n = u12 u1n + u 22 u 2n , es decir, u 2n =
u 22
Al multiplicar la fila k de UT por la columna k de U se tiene:

20

Luis Carlos Torres Soler

Mtodos Numricos
n

T
T
a kk = ( U )k U k = ( U k ) U k =
k

u + 0 =
2
ik

i=1

uik2 =

uik2 +

i=1

i=1

k 1
iU i =1 u ik2

2
ik

i= k +1

u 2kk

Lo nico desconocido es ukk, por tanto:


k -1

u kk =

a kk - u ik
2

k = 1,2,..., n

i=1

u 0 , como U es invertible, su determinante


k -1

Para que ukk sea real, se requiere a kk -

2
ik

i=1

se halla como producto de las diagonales, luego ukk <> 0


Al multiplicar la fila k de la matriz UT por la columna j de la matriz U, con k < j, se tiene:
n

T
T
a kj = ( u )k u j = ( u k ) u j =
k

u ik u ij + 0 =
i=1

u ik u ij =

u ik u ij +

i=1

i=1

ik

u ij

i= k +1

k 1

u ik u ij + u kk u kj

i =1

Como no se conoce ukj, entonces

u kj =

1
u kk

k -1

[ a kj - u ik u ij ]

j = k + 1, k + 2,...n

i=1

NOTA. Si siempre puede hallarse ukk, puede obtenerse U.

4 - 2 1 -1
[A] = _

-2

5 1

1 1

-1

0 1 12

Ejemplo. Sea la matriz:

U 11 =

1
1
1
1
4 = 2 , U 12 = [-2] = - 1 , U 13 = [1] = , U 14 = [-1]
2
2
2
2

Como es simtrica es posible que exista U, tal que UTU=A,

Universidad Nacional de Colombia

21

Mtodos Numricos

2
La matriz U hasta ahora es: [U] = _ 0

U 22 =

-1

1
2

u 22 u 23

u 33

1
2

u 24 _
u 34
u 44
1

1
3
5 - [ - 12 ] , U 23 = [1 - u i 2 u i 3 ] =
2
4
i=1

5 - u i22 =
i=1

1
1
1
U 24 = [0 - [-1][- ]] =
2
2
4

La matriz U ahora es: [U] = _

U 33 =

a33 - u i3 =
2

i=1

2 -1

1
2

1
2

3
4

1
_
4

0 u 33 u 34

1
3
3
23
2
1 - [[ ] 2 + [ ] 2 ] =
,U 34 =
y U 44 =
2
4
4
3
4 3

La matriz U por lo tanto es:

2 -1

1
2

1
2

3
4

1
4

3
4

23
4 3

2
3

[U] = _

Se puede probar que UTU=A.

22

Luis Carlos Torres Soler

0 u 44

Mtodos Numricos

9 - 12
Ejemplo. Sea la matriz: [A] = _

- 12

17 - 7 - 3

-7

-3

5 12

u 11 = 3 , u 12 = - 4 , u 13 = 2 , u 14 = 1
u 22 = 1 , u 23 = 1 , u 24 = 1
u 33 = 2 , u 34 = 1 , u 44 = 3
3 -4 2 1
La matriz U por tanto es: [U] = _

1 1 1

0 2 1

0 0 3

Ejercicio. Sean las siguientes matrices:

A= _

2 -1 1

5 -1 2

-1 -1
1

4 -2 0 -2

1 1 2 1
_

B= _

1 5 0 3

_ C=_

-2

2 0 6 0

1 6

1 3 0 7

-2

1 9

0 3 12

Si es posible halle la factorizacin de Cholesky correspondiente.


En una gran mayora para plantear el comportamiento de un sistema se utiliza sistema de
ecuaciones; para la solucin de tales sistemas de ecuaciones existen variados mtodos, el
ms conocido es el de Gauss-Jordan, pero este requiere realizar un gran nmero de
operaciones y, por tanto, gasta mucho espacio en disco y tiempo de procesamiento. En caso
de que la matriz sea simtrica se utiliza la factorizacin de Cholesky.
Dado el sistema de ecuaciones A*X = B. Si A es simtrica existe U, tal que UTU=A; y as
puede escribirse el sistema de ecuaciones como UT*U*X = B. Haciendo U*X = Y, se tiene,
UT*Y= B; que es un sistema de ecuaciones fcil de resolver dado que UT es una matriz
triangular inferior. Una vez resuelto, se halla la solucin de UX=Y, tambin fcil de
solucionar, dado que U es triangular superior.

Universidad Nacional de Colombia

23

Mtodos Numricos

Ejercicio. Considere los sistemas de ecuaciones:

x - y + z = .05
- x + 2y = .05 ,
x + 4z = .15

x + y + z + w = .6

3x + y - z - 2w = 1

x + 5y + 3z - w = 1.2

x + 4y + 2z + w = 8
,

x + 3y + 6z + 2w = 1.7 - x + 2y + 3z - w = 3
x - y + 2z + 4w = .9 - 2x + y - z + 4w = 2

Hallar las soluciones (si existen) utilizando la descomposicin LU.

24

Luis Carlos Torres Soler

Clculo de Races
Se entiende aqu, que dada una funcin f(x), si existe un valor x* en el cual f(x*)=0, a x* se
le llama una raz.
Para el clculo de races se emplean los siguientes teoremas:
Teorema. Si f(x) es una funcin real continua en [a,b] y si para los valores x1, x2 en este
intervalo; f(x1), f(x2) tienen signos opuestos entonces hay al menos una raz real de f(x) en
[x1,x2] de [a,b].
Teorema. Todo polinomio de grado n tiene exactamente n races en el plano complejo.
Teorema. Todo polinomio de grado impar tiene por lo menos una raz real.
Existen varios mtodos, unos ms eficientes que otros, e igualmente unos ms fciles de
emplear que otros. Se tienen entre otros los siguientes: de Biseccin o de Bolzano, de
interpolacin lineal, de aproximaciones sucesivas, de punto fijo, de Newton-Raphson,...

Mtodo de Biseccin o de Bolzano


El mtodo de biseccin se basa en el teorema de valor intermedio. Supongamos que f es
una funcin continua en el intervalo [a, b] con f(a)f(b)<0, existe, por tanto, un valor x* en
(a, b) tal que f(x*) = 0 3.
Este mtodo emplea la bsqueda incremental, divide siempre en dos el intervalo conocido
[a, b], (dado o calculado) con la condicin que f(a) f(b) < 0
Proceso
1.
Se da una aproximacin xc = (a+b) / 2
2.
Se calcula f(xc) y se compara en valor absoluto con el error preestablecido, si es
menor o igual que ste, se termina el proceso, indicando a xc como una raz
3

Puede llegar a existir ms de un punto que cumple con la condicin; es importante determinar el
mejor intervalo en el cual exista ese nico punto.

Mtodos Numricos

3.

4.

Se calcula f(a)f(xc) para lo cual puede ocurrir:


3a.
f(a)f(xc)>0, entonces se hace a = xc y se vuelve a 1.
3b.
f(a)f(xc)<0, entonces se hace b = xc y se vuelve a 1.
El proceso se repite hasta hallar la mejor aproximacin.

Ejemplo. Sea f(x) = x5-x2-1 y E = 0.001


Se tiene f(1) = -1, f(2) = 27
a b

f(a)

f(b)

f(c)

cambio

1 2

-1

27

1.5

4.34375

b=c

1 1.5

-1

4.34375

1.25

0.48926

b=c

1 1.25

-1

0.48926

1.125

-0.4636

a=c

1.1875

-0.04876 b=c

1.125 1.25

-0.4636 0.48926

Ejemplo:
f(X) = X3 + X2 - 5X - 3
a
b
f(a)
2
3
-1

Algoritmo
AlgBBo( )
leer f(x)

26

Luis Carlos Torres Soler

f(b)
18

Xc
2.5

F(Xc)

Mtodos Numricos

leer a,b, error


f(a)f(b) = 0 ? SI: f(a) = 0 ? SI: a es una raz, SALIR
NO: b es una raz, SALIR
NO: f(a)f(b) >0 SI: "no se puede aplicar"
SALIR
C = (a+b)/2
calcular f(c)
MQ |f(c)| > error
f(a)f(c) < 0 ? SI: b = c
calcular f(b)
NO: a = c
calcular f(a)
c = (a+b)/2
calcular f(c)
FMQ
c es una raz
FAlgBBo( )
Para hallar el valor aproximado, en lugar de comparar |f(xc)| error, tambin puede
considerarse:

x k +1 - x k < o

x k +1 - x k
x k +1

<

Sin embargo, al usar cualquiera de los criterios, pueden surgir problemas. Por ejemplo,
existen sucesiones {Xn} con la propiedad de que las diferencias xk+1-xk tienden a cero
(convergen), mientras que la sucesin diverge.
Cuando se generan aproximaciones por medio del computador, conviene fijar el nmero
mximo de iteraciones que se podran efectuar en caso de una divergencia en la sucesin.

Mtodo de Interpolacin Lineal


Una alternativa mejorada al mtodo de biseccin es el de interpolacin lineal, el cual se
basa en la idea de aproximarse en forma ms eficiente a la raz.
Hiptesis: Se conoce que f(x) es continua en [a, b], y si f(a)f(b)<0 habr una raz real.

Universidad Nacional de Colombia

27

Mtodos Numricos

b - xc
b-a
=
f(b)
f(b) - f(a)
Al tomar una aproximacin inicial xc , dada por la traza de la cuerda f(a)f(b)
se tiene: x c = b -

f(b)(b - a)
f(b) - f(a)

Proceso

f(b)(b - a)
f(b) - f(a)

1.

Se da una aproximacin lineal de xk por medio de x k = b -

2.
3.

Se calcula f(xk) y se compara |f(xk)| con el error preestablecido


Si es mayor que el error, se compara f(xk)f(a) con 0, puede ocurrir:
3a.
f(xk)f(a)<0, se hace b=xk
3b.
f(xk)f(a)>0, se hace a=xk
Se va al paso 1.

4.

Nota. El error tambin se puede localizar por |xk+1-xk|<e.


Ejemplo:
f(X) = X3 - X2 + 2X - 7
a
b
f(a)
1
2
-5

Algoritmo
AlgILi( )

28

Luis Carlos Torres Soler

f(b)
2

Xk
5/3

F(Xk)

Mtodos Numricos

leer f(x)
leer a,b, error
f(a)f(b)=0 ?

SI f(a)=0?
NO

SI a es una raz, SALIR


NO b es una raz, SALIR
f(a)f(b) >0
SI
"no se puede aplicar"

SALIR
MQ |f(x)| > error
x=b-[f(b)(b-a)]/[f(b)-f(a)]
calcular f(x)
f(a)f(x) < 0 ? SI
b=x
calcular f(b)
NO
a=x
calcular f(a)
FMQ
x es una raz
FinAlgILi( )

Mtodo de Aproximaciones sucesivas


Dada una funcin f(x) que es continua en todo el intervalo [a, b], se debe hallar xi tal que
f(xi) ~ 0, para lo cual se definen dos funciones h(x) y g(x) tal que f(x) = h(x) - g(x)
Hiptesis. Se debe tener que |h'(x)| < |g'(x)| para todo x
Proceso
1.
Se da una aproximacin inicial x0
2.
Se calcula g(x0)
3.
Se halla xi+1 a partir de h(xi+1) = g(xi)
4.
Se calcula f(xi) y se compara con el error, si es menor o igual fin del
proceso
5.
Se va al paso 3.
Nota. El error tambin se puede localizar por |xi+1 - xi| < e
Ejemplo: f(x) = x + 1 x + 1 .
g(x) = x-1, g(x) = 1, h(x) =

x + 1 , h(x) = 1 / 2 x + 1 . Se tiene que h(x) < g(x).

Universidad Nacional de Colombia

29

Mtodos Numricos

X k +1 + 1 = X k 1 , es decir, Xk+1 = (Xk 1)2 - 1

Luego se escribe

Ejemplo:
Sea f(X) = X3 X2 + 5X -7
Tomemos h(X) = X3 + 5X, g(X) = X2 + 7
h(X) = 3X2 + 5; g(X) = 2X
Luego g(X) <= h(x)
As X k +1 + 7 = X k + 5 X k , luego X k +1 =
2

X k + 5X k 7
3

Algoritmo
AlgASu( )
Inicio( )
i=0
leer f(x), error
leer xi
descomponer f(x) en h(x) y g(x)
|h'(x)| < |g'(x)| ?
SI:
MQ |f(xi)| > error
calcular f(xi)
hallar xi+1 de la relacin h(xi+1) = g(xi)
i=i+1
FMQ
xi es una raz
finAlgASu( )

Mtodo de Newton - Raphson


El mtodo de Newton Raphson es poderoso para hallar las races de una funcin f(x). Es un
procedimiento general que se aplica en diversas situaciones. Supongamos que f es continua
en [a, b]. Sea x* una aproximacin de la raz x0 tal que f'(x*) <> 0 y |x* - x0| es "pequeo".
Puede considerarse la aproximacin por Taylor4

f(x) = f( x* ) + f 1( x* )(x - x* ) +

2
2
3
3
f (x * )(x - x* )
f ( x* )(x - x* )
+
+ R4
2
3!

Tomando que f(x*) = 0 por ser raz, podemos escribir:


4

El utilizar series de Taylor subraya la importancia de una aproximacin inicial exacta.

30

Luis Carlos Torres Soler

Mtodos Numricos
2

(1)

0 = f( x* ) + f ( x* )( x0 - x* ) +

f (2) ( x* )( x0 - x* )
2

Suponiendo que |x0 - x*| es pequeo, el termino (x0 - x*)2/2 es mucho ms pequeo y, por
tanto, se considera como error.
(1)

As que 0 = f( x* ) + f ( x* )( x0 - x* ) , luego x0 = x* En general, se escribe x k +1 = x k -

f( x k )
,

f (x k )

f( x* )
,
f ( x* )

para k>=1. Se inicia con una aproximacin x0.

Ejemplo:
Sea f(X) = X3 5ln(X) 1, f ( X ) = 3 X 2
As X k +1

5
X

X k3 5 ln( X k ) 1
= Xk
5
3 X k2
Xk

Algoritmo
AlgNRa( )
Inicio( )
leer f(x), error
i=1
leer xi
MQ I < maxiter
calcular xi+1 = xi - f(xi)/f'(xi)
|xi+1-xi| < error ?
SI: indicar raz, SALIR
NO: i = i +1
FMQ
No se puede calcular la raz
FinAlgNRa( )
Ejercicio. Hallar las races de f(x) = e x - 2sen(x)+ 2 , f(x) = 3 ln(x) - 2

x - 1.

Teorema. Sea f continua en [a,b], si x0 en [a,b] es tal que f(x0)=0 y f'(x0)<>0, entonces
existe z>0 tal que el mtodo de Newton genera una sucesin {xn} que converge a x0 para
cualquier aproximacin inicial x0 en [x0-z,x0+z].
Universidad Nacional de Colombia

31

Mtodos Numricos

Mtodo de la Secante
Una de las desventajas del mtodo de Newton Raphson es que utiliza la derivada de la
funcin, la cual puede dar valores ceros, entonces se puede reemplazar la derivada por un
,

cociente de diferencias como: f ( x k ) =

f( x k ) - f( x k -1 )
x k - x k -1

Aproximacin que tiene su origen en la definicin de la derivada a partir del lmite, a saber:
,
f (x) =

lim
x->u

f(x) - f(u)
x-u

As que la formula de Newton se puede escribir como:

x k +1 = x k -

f( x k )
x k - x k -1
= xk - f( x k )
f( x k ) - f(x k -1 )
f( x k ) - f( x k -1 )
x k - x k -1

Esta formula requiere conocer dos puntos, es decir, al iniciar debe darse dos puntos
iniciales.
Ejemplo:
Sea f ( X ) = 2 X 3 3 x + 1 + 2
Ejercicio. Hallar las races de f(x) = x3 - 4

x - ln(x) + 1 , f(x) = 4

x - 2 x2 - 5 .

Algoritmo
AlgSec( )
leer f(x), error
leer x0
i=1
MQ i < maxiter
calcular xi+1 = xi - f(xi) * [xi - xi-1] / [f(xi) - f(xi-1)]
|xi+1 - xi| < error ?
SI: indicar raz, SALIR
NO: i = i + 1
FMQ
No se puede calcular la raz
FinAlgSec( )

32

Luis Carlos Torres Soler

Mtodos Numricos

Iteracin de Punto Fijo


Teniendo la funcin f(x)=0, puede arreglarse de tal forma que x quede a la izquierda, es
decir, x=g(x).
Esta transformacin se puede lograr al despejar la variable x, o al agregar x a lado y lado de
la ecuacin.
Ejemplo. Hallar las races de f(x) = x 3 - 3x +7 , f(x) =
a. Para f(x) = x 3 - 3x +7 se escribe x =

3
x +7 .
3

x - 2 ln(x) se escribe x =

b. Para f(x) =

x - 2 ln(x) + x

o x = [2 ln(x) ] o x = e

x - 2 ln(x) .

De esta forma, dada una aproximacin inicial a la raz, xi, la ecuacin x=g(x) puede usarse
para obtener una nueva aproximacin xi+1, expresada por la formula iterativa xi+1=g(xi).
Ejercicio. Dadas las funciones f(x) = x 5 - 3 x 2 - 1 y g(x) = x3 - (x + 3) - ln(x) - 3 y
con un error E=0.0001. Calcular una posible raz por los mtodos de Interpolacin lineal,
Biseccin, Aproximaciones sucesivas, Punto fijo y Newton-Raphson.

Races Complejas

Dado un polinomio: f(x) = c0 + c1 x + c 2 x2 + ...+ cn x n + .. =

j
x . puede tener races

j=0

reales y races complejas, estas ltimas con mayor inconveniente para hallarlas.
Una propuesta para determinar las races complejas es la siguiente:
1.
Conformar un polinomio de grado dos con tres coeficientes de mayor (o menor)
exponente.
2.
Calcular las respectivas races a este polinomio de grado dos. Se consideran como
iniciales.
3.
Aplicar el proceso iterativo con la formula de la derivada (Newton-Raphson),
usando nmeros complejos.
4.
Calculada la raz compleja a+bi, se reduce el polinomio dividindolo por a+bi y
luego en a-bi y as sucesivamente, hasta llegar a un polinomio de grado dos.
Universidad Nacional de Colombia

33

Mtodos Numricos

Ejemplo. Sea f(x) = x 5 + 4.5 x 4 + 7.8 x 3 + 10.2 x 2 - 5x + 3


Los polinomios a formar podran ser: h(x) = x 2 + 4.5x + 7.8 o g(x) = 10.2 x 2 - 5x + 3

4.5 4.52 - 4 * 7.8


.
2
4.5 + 10.95i
4.5 - 10.95i
y x2 =
.
Es decir: x1 =
2
2

Las races de h(x) seran: x =

Ajuste de curvas
A veces se requiere determinar la formula aproximada de una funcin a partir de un
conjunto de datos; el primer enfrentamiento del ingeniero con el ajuste de curvas puede ser
el de determinar un valor medio de los datos en una tabla, cuyo propsito es indicar apriori,
cul es la tendencia central de los datos. El mtodo ms simple para ajustar una curva a un
conjunto de datos es el de unirlos por medio de lneas rectas (ver figura 6), lo que mostrara
el comportamiento general de los datos, pero posiblemente esto no indica mucho y no
permite hacer proyecciones fuera del dominio.
El anlisis de tendencias representa el proceso de usar el patrn de datos y hacer
predicciones para obtener aproximaciones intermedias; esto es interpolar, es decir, se busca
estimar datos que se hallan dentro de los lmites de los datos dados, o a extrapolar si se
requiere conocer datos que estn ms all de los lmites.

Figura 6. Conexin de puntos en el plano.


Fundamentos matemticos
La media estadstica de una muestra de datos {y1, y2, , yn} se define como la suma de los

34

Luis Carlos Torres Soler

Mtodos Numricos

datos dividido por el nmero de datos: y =

yi
n

La desviacin estndar es una medida de dispersin de esos datos est dada por la formula5:
n

( y - y )

S =

i=1

n -1

Si la desviacin estndar es muy grande, indica que los valores individuales se dispersan
muy lejos de la media.
Una medida estadstica final a tener muy en cuenta para la cuantificacin de la dispersin
de los datos es el coeficiente de variacin CV: CV =

S
y

100%

Regresin lineal
El ejemplo ms simple de un ajuste o aproximacin de un conjunto de parejas de datos
observados: {(x1, y1), (x2, y2), ..., (xn, yn)} a una lnea recta, es por mnimos cuadrados. La
estrategia de este proceso es la de obtener una funcin aproximada que ajuste
"adecuadamente" el comportamiento o tendencia de los datos, sin coincidir necesariamente
con cada uno de ellos en particular.

Figura 7. Conexin de puntos.


La expresin matemtica de una lnea recta es: Yi=a0+a1Xi+ei , en donde a1, a0 son
coeficientes que representan la pendiente y la interseccin con el eje de abscisas y ei es el
error o residuo entre el modelo y las observaciones, error que se representa reordenando la
ecuacin como: ei = Yi - a0 - a1Xi.

La divisin por n-1 y no por n se justifica porque nunca existe dispersin de un slo dato.
Universidad Nacional de Colombia

35

Mtodos Numricos

Una "mejor" lnea a travs de los puntos debe minimizar la suma de los errores o residuos,
n

es decir: min [

e ] = min[ n (Y
j

j=1

- a0 - a1 X j )]

j=1

Sin embargo, este criterio no siempre es adecuado.


Sea el siguiente conjunto de datos:
xi
yi

1
2

1.5
4

2
1

2.5
3

3
2

4
3

5
4

6
1

Estos datos en un plano cartesiano estaran dados por la figura 8.


Al unir el primer punto con el ultimo, dejara por fuera la mayora de datos. Otra lnea
tambin dejara por fuera varios puntos. Es decir, el criterio es inadecuado (para este
ejemplo).
La regresin lineal es una tcnica muy poderosa para ajustar datos a una lnea, pero los
datos no necesariamente se comportan de esta manera, por ejemplo:

y = a ebx ,

y = a xb ,

y= a

x
.
b+ x

Figura 8. Conjunto de datos en el plano.

Las tcnicas de regresin lineal se emplean entonces para ajustar directamente estas
ecuaciones a los datos experimentales.
Una estrategia que mejora la aproximacin es la de minimizar la suma de los cuadrados de
los residuos.

Mnimos cuadrados
Para determinar los valores de las constantes a0 y a1, se deriva la ecuacin con respecto a
cada uno de los coeficientes.

36

Luis Carlos Torres Soler

Mtodos Numricos
n

S=

( y - a
i

- a1 xi )2

i=1
n
S
= - 2 (y i - a0 - a1 xi )xi
a1
i=1
S
= - 2 ( y i - a0 - a1 xi )
a0
i=1

Se igualan las ecuaciones a cero para buscar el mnimo de S:

0 = y i - a0 - a 1 x i

0 = xi y i - a0 xi - a1 xi2

Las ecuaciones se pueden expresar como:

y i = n a0 + a1 xi

xi y i = a0 xi + a1 xi2

Se resuelven las ecuaciones simultneamente obteniendo:

a1 =

n y i xi - xi y i
n xi2 - ( xi )2

a 0 = y - a1 x

Puede observarse que cualquier lnea diferente a la que se calcul, genera una mayor suma
de cuadrados de los residuos, por tanto, debe considerarse como la mejor lnea a travs de
los puntos.

Se puede cuantificar la eficiencia del ajuste mediante la frmula S y/x =

S r , llamada
n-2

error estndar de la aproximacin y que cuantifica la dispersin alrededor de la lnea de


regresin.
Algoritmo6
AlgMCu( )
Teclee nmero de datos, n
2: Para i = 1 hasta n
Lea x, y
Sx = Sx + x
Sy = Sy + y
6

Algoritmo es un procedimiento que describe de manera inequvoca una serie finita de pasos a
seguirse en un orden determinado. Su finalidad es determinar un conjunto de operaciones para
resolver un problema o aproximar a una posible solucin. Los algoritmos se describen por medio de
un seudocdigo. Este especifica la forma de entrada de los datos y la forma que tendr la salida
deseada.
Universidad Nacional de Colombia

37

Mtodos Numricos

X2 = X2 + x*x
XY = XY + x*y
FPara
XM = Sx / n
YM = Sy / n
A1 = (n * XY - Sx * Sy) / (n * X2 - (Sx * Sx))
A0 = YM - A1 * XM
Escriba A0, A1
FinAlgMCu( )
Ejemplo. Hallar la ecuacin de la lnea recta que los ajustara por mnimos cuadrados segn
los siguientes datos:
xi 1 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0
yi 2 2.4 3.0 2.8 3.1 3.7 3.6 3.9 4.4 4.1 4.3 5.0 5.2 5.8 6.4
n = 15, xi = 67.5, y i = 59.7, x = 4.5, y = 3.98, xi2 = 373.75, xi y i = 67.5
a1=

, a0=

Regresin Polinomial
Otra alternativa es ajustar polinomios a los datos usando regresin polinomial. El
procedimiento de mnimos cuadrados se puede extender fcilmente y ajustar datos a un
polinomio de n-simo grado.

yi = a0 + a1 xi + a2 xi2 + a3 x3i + ...+ an xin


En este caso la suma de los cuadrados de los residuos es:

S = ( yi - a0 - a1 xi - a 2 xi 2 - a3 xi3 - ... - an xin )


Siguiendo el mismo procedimiento de los mnimos cuadrados, se toma la derivada de la
ecuacin con respecto a cada uno de los coeficientes del polinomio, estas ecuaciones se
igualan a cero y se ordena de tal forma que se obtenga un conjunto de ecuaciones normales:

38

Luis Carlos Torres Soler

Mtodos Numricos
2
n
a0 n + a1 xi + a 2 xi + ... + a n xi = y i
2
3
n+1
a0 xi + a1 xi + a 2 xi + ... + a n xi = xi y i
2
3
4
n+2
2
s0 xi + a1 xi + a 2 xi + ... + a n xi = xi y i

.
.
n
n+1
n+2
2n
n
a0 xi + a1 xi + a 2 xi + ... + a n xi = xi y i

Los coeficientes de a0, a1, a2,...,an (las incgnitas), se calculan directamente de los datos
observados, por tanto el problema se traslada a resolver un sistema de n+1 ecuaciones
lineales simultneas.
Ejemplo. Encontrar el polinomio de grado 2 que ajuste a los siguientes datos:
xi 1 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5
yi 1.2 5.1 9.3 14.7 21.8 30.6 43.7 60.1 84.9 121.5
En la regresin polinomial, las condiciones normales pueden estar mal condicionadas, en
particular cuando los sistemas son muy grandes; esto lleva a que los coeficientes calculados
son altamente susceptibles a los errores de redondeo y, por tanto los resultados son
inexactos; es un problema potencial.

Interpolacin- Polinomio de Newton


Con frecuencia se desea conocer puntos intermedios entre valores conocidos. El mtodo
ms empleado para este propsito es la interpolacin polinomial.
Un polinomio de n-simo grado tiene la formula:

p(x) = a0 + a1 x + a 2 x 2 + a 3 x3 + ...+ a n xn
Para k+1 puntos, existe uno y slo un polinomio de k-simo orden que se ajusta a todos los
puntos; sin embargo, existen maneras diferentes de expresar un polinomio de interpolacin.
El polinomio de interpolacin con diferencias divididas de Newton es la forma ms til,
pero tambin se emplean los de Lagrange.

Universidad Nacional de Colombia

39

Mtodos Numricos

Interpolacin Lineal
La forma ms simple de interpolacin, es conectar dos puntos con una lnea recta, ste
mtodo se llama de interpolacin lineal.
De la figura 9, empleando tringulos semejantes:
Luego se tiene: f(x) = f( x0 ) +

f(x) - f( x0 )
f( x1 ) - f( x0 )
=
x - x0
x1 - x0

f( x1 ) - f( x0 )
(x - x0 )
x1 - x 0

Este mtodo es bueno cuando el intervalo entre los puntos es pequeo.

Figura 9.Tringulos semejantes.

Interpolacin Cuadrtica
Si se dispone de tres datos, la interpolacin debe buscar un polinomio de segundo orden.

f 2 (x) = b0 + b1 (x - x0 ) + b2 (x - x0 )(x - x1 )
Una manera conveniente para este caso es:
Si x=x0, f2(x0) = b0
Si x=x1, b1= [f2(x1)-f2(x0)]/[x1-x0]
Ntese, que b1 representa la pendiente de la lnea que une los puntos x0 y x1.

f 2 ( x2 ) - f 2 ( x1 ) f 2 ( x1 ) - f 2 ( x0 )
x
x1 - x0
2 - x1
Al sustituir lo anterior y evaluar en x=x2, b2 =
x 2 - x0
40

Luis Carlos Torres Soler

Mtodos Numricos

Este trmino introduce la curvatura de segundo orden en la frmula.

f 2 ( x1 ) - f 2 ( x0 )
( x 2 - x0 )
x1 - x0
( x 2 - x0 )( x2 - x1 )

f 2 ( x2 ) - f 2 ( x0 ) b2 =

Podemos especificar como se obtiene este resultado.

f 2 ( x1 ) - f 2 ( x0 )
( x 2 - x0 )
x1 - x0
( x 2 - x0 )( x2 - x1 )
f 2 ( x 2 ) - f 2 ( x1 )
f ( x ) - f 2 ( x0 )
f ( x ) - f 2 ( x0 )
( x 2 - x1 ) + 2 1
( x1 - x0 ) - 2 1
( x 2 - x0 )
x 2 - x1
x1 - x0
x1 - x0
( x 2 - x0 )( x 2 - x1 )
f 2 ( x2 ) - f 2 ( x1 )
f ( x ) - f 2 ( x0 )
( x 2 - x1 ) - 2 1
( x2 - x0 - x1 + x0 )
x2 - x1
x1 - x0
( x2 - x0 )( x 2 - x1 )
f 2 ( x2 ) - f 2 ( x1 ) f 2 ( x1 ) - f 2 ( x0 )
x 2 - x1
x1 - x0
( x 2 - x0 )

f 2 ( x2 ) - f 2 ( x1 ) + f 2 ( x1 ) - f 2 ( x0 ) b2 =

b2 =

b2 =

b2 =

El anlisis anterior puede generalizarse en el ajuste de un polinomio de n-simo orden para


n+1 puntos; x0, x1, x2, ..., xn.
f n (x) = c0 + c1 (x - x0 ) + c 2 (x - x0 )(x - x1 ) + ...+ cn (x - x0 )(x - x1 )...(x - xn-1 ) (7)
n

La forma compacta sera: f n (x) =

i -1

(x - x
ci

i=0

j=0

Se calculan los coeficientes as:


1.
Calcular el polinomio en x=x0, para tener c0=f(x0)
2.
Calcular el polinomio en x=x1 y se reemplaza c0, c1=f[x1,x0]
3.
Continuar calculando el polinomio en los diferentes xi para obtener c2=f[x2,x1,x0]
... cn=f[xn,xn-1,...,x1,x0]
Tenindose que: f[xi,xj] = ( f(xi)-f(xj) ) / (xi - xj), se llama primera diferencia dividida finita.
f[xi,xk,xj] = ( f[xi,xk] - f[xk,xj] ) / (xi - xj), segunda diferencia dividida finita, y
f[xn,xn-1,...,x1,x0] = ( f[xn,xn-1,...,x1] - f[xn-1,xn-2,...,x1,x0] ) / (xn - x0), n-sima diferencia
dividida finita.
Estas diferencias se emplean para evaluar los coeficientes ci, los cuales se sustituyen en la
Universidad Nacional de Colombia

41

Mtodos Numricos

formula 7 para obtener el polinomio de interpolacin con diferencias divididas de Newton.

f n (x) = f( x0 ) + f[ x1 , x0 ](x - x0 ) + f[ x2 , x1 , x0 ](x - x0 )(x - x1 ) + ...


+ f[ x n , x n-1 ,..., x1 , x0 ](x - x0 )(x - x1 )...(x - x n-1 )
Es importante notar que las frmulas de diferencias son recursivas, es decir:
i
0
1
2
3
4

xi
x0
x1
x2
x3
x4

f(xi)
f(x0)
f(x1)
f(x2)
f(x3)
f(x4)

1a
f[x0,x1]
f[x1,x2]
f[x2,x3]
f[x3,x4]

2a
f[x0,x1,x2]
f[x1,x2,x3]
f[x2,x3,x4]

3a
f[x0,x1,x2,x3]
f[x1,x2,x3,x4]

4a
f[x0,x1,x2,x3,x4]

Ejercicio. Los laboratorios King System han puesto a prueba la resistencia elctrica del
chip XT-14 que han construido. Para cada grupo de 1000 chips aplican voltaje, algunos se
daan, lo cual despus de varias repeticiones del experimento por cerca de diez grupos de
personas independientemente un grupo de otro, se obtienen datos establecidos en la
siguiente tabla:
Voltaje 1 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0 8.5 9.0 9.5 10.0 10.5
daados 2 2.3 3.1 3.8 4.6 5.7 6.6 7.9 9.4 11.1 12.8 14.5 16.2 18.5 20.4 22.7 24.9 27.2 31.4 37.2

Polinomios de interpolacin de Lagrange


El polinomio de Lagrange, simplemente es una reformulacin del polinomio de Newton
que evita los clculos de las diferencias divididas, ste se representa concretamente como:
n

L (x)f( x )

f n (x) =

i=0

En donde:
n

Li (x) =

j=0, j <>i

x - xi
]
xi - x j

Con PI se denota el producto de..."


1

As, f1(x) es: f 1 (x) =

L (x)f( x )= f( x )
i

i=0

x- x
x- x
+ f( x )
x -x
x -x
0

y f2(x) es:
2

f 2 (x) =

L (x)f( x )= f(x0 )
i

i=0

42

Luis Carlos Torres Soler

x- x x- x
x- x x- x
x- x x- x
*
+ f( x )
*
+ f( x )
*
x -x
x -x
x -x
x -x
x -x
x -x
0

Mtodos Numricos

Es decir, f2(x) es:


f 2 (x)=

L (x)f(x )= f(x0 )
i

i=0

( x - x )*( x - x )
1

Tambin se tiene: Li (x) =

+ f( x )
1

j=0, j <>i

(x- x )

(x - x0 )2

x - xj
xi - x j

( x1 - x0 ) * ( x1 - x2 )

+ f( x2 )

(x - x2 )
( x2 - x0 ) * ( x2 - x1 )

Por ejemplo, para calcular f2(x):


2

f 2 (x) =

L (x)f( x ) = f( x )
i

i=0

x- x x- x
x- x x- x
x- x x- x
*
+ f( x )
*
+ f( x )
*
x -x x -x
x -x x -x
x -x x -x
1

La extrapolacin es el proceso de calcular un valor de f(x) que cae fuera del rango de los
puntos base conocidos x0, x1, ..., xn.

Aproximacin de funciones
El clculo en funciones cuando estas son de difcil manejo o desconocidas se realiza en
operaciones elementales por aproximacin: utilizando mtodos de interpolacin,
derivacin, o integracin numrica. Para aproximar generalmente se dispone de un
conjunto de puntos tabulados. Los mtodos de Newton, Lagrange, y otros ms, no
requieren que los datos estn uniformemente espaciados, pero en este espacio interesa
como soporte matemtico los procesos de diferencias finitas con datos equiespaciados.
Las diferencias finitas pueden ser:
1. Progresivas
2. Regresivas
Si los datos estn igualmente espaciados, se tendra:
x1 = x0 + h
x1 = x0 - h
x2 = x0 + 2h
x2 = x0 - 2h
...
...
xn = x0 + nh
xn = x0 - nh
Segn sea ascendente o descendentemente la visualizacin.

1. Diferencias Progresivas
Universidad Nacional de Colombia

43

Mtodos Numricos

El operador de diferencias progresivas se nota por , que aplicado a una funcin produce
la primera diferencia progresiva de ella, as:
f(x) = f(x+h) - f(x)
Se puede encontrar el conjunto de las primeras diferencias progresivas para los n+1 puntos
conocidos de f(x), teniendo en cuenta la notacin de x0 + h = x1, xi + h = xi+1, f(xi) = fi
f(x0) = f(x0 + h) - f(x0) = f0+1 - f0 = f1 - f0 = f0
f(x1) = f1 = f(x1 + h) f(x1) = f(x0 + h + h) - f(x0 +h) = f(x0 +2h) - f(x0 + h) = f2 - f1 =
f1
f(x2) = f(x2 + h) f(x2) = f(x0 + 2h + h) - f(x0 +2h) = f(x0 +3h) - f(x0 +2h) = f3 - f2 = f2

...
f(xn) = f(x0 +nh + h) - f(x0 + nh) = f(x0 +(n+1)h) - f(x0 + nh) = fn+1 - fn = fn
Aplicando la definicin de diferencia progresiva y la potenciacin en ella, se tiene:
f0 = f1 - f0
2f0 = [f0] = [f(x0)] = [ f1 - f0 ] = f1 - f0 = [f1+h - f1] - [f0+h - f0]
= f2 - 2f1 + f0
As,
2f0 = f2 - 2f1 + f0
3f0 = 2[f0] = f3 - 3f2 +3f1 -f0
...
nf0 = fn - nfn-1 + n(n-1)/2fn-2 -...+ (-1)n-1nf1 + (-1)nf0
n

Es decir: n f( x0 ) =

f n - k (-1 )k

k =0

Y, en general, n f(x) =

f x+(n - k)h (-1 )

k =0

Propiedades del operador de diferencias progresivas:


[f(x)+g(x)] = f(x) + g(x)
[kf(x)] = kf(x)
n[mf(x)] = n+mf(x)
Proposicin: Si f(x) es un polinomio de grado n; f(x)= aixi, entonces nf(x) es una
constante y es igual a: ann!
Al considerar las diferencias finitas del polinomio de Newton con valores equidistantes a
una distancia h:

44

Luis Carlos Torres Soler

Mtodos Numricos

f[x0,x1] = (f(x1)-f(x0))/(x1-x0) = f(x1)-f(x0)/h = f(x0)/h = f0/h


f[x0,x1,x2] = (f[x2,x1]-f[x1,x0])/(x2-x0) =
[f(x2)-f(x1)/h] - [f(x1)-f(x0)/h] /2h = 2f(x0)/2h2 = 2f0/2h2
f[x0,x1,x2,x3] = (f[x3,x2,x1]-f[x2,x1,x0])/(x3-x0) = 3f(x0)/6h3 = 3f0/3!h3
Generalizando se tiene: f[x0,x1,x2, ... xn] = nf0/n!hn
Por tanto el polinomio de Newton en diferencias finitas quedara:

f n (x) = f( x0 ) +
+

f( x0 )
2 f( x0 )
(x - x0 ) +
(x - x0 )(x - x0 - h) + ...
h
2! h 2

n f( x0 )
(x - x0 )( x - x0 h)(x - x0 - 2h)...( x x 0 (n 1)h)
n! h n

2. Diferencias Regresivas
El operador de diferencias regresivas se representa por , que aplicado a una funcin
produce la primera diferencia regresiva de ella, as:
f(x) = f(x) - f(x - h)
por tanto,
f(x0) = f(x0) - f(x0 - h) = f0 - f0-1 = f0 - f-1 = f0
f(x1) = f1 = f(x0 + h) - f(x0 +h -h) = f(x1) - f(x0) = f1 - f0 = f1
f(x2) = f(x0 + 2h) - f(x0 +2h -h) = f(x0 +2h) - f(x0 +h) = f2 - f1 = f2
...
f(xn) = f(x0 +nh) - f(x0 +nh -h) = f(x0 +nh) - f(x0 + (n-1)h) = fn - fn-1 = fn
similarmente se puede tener:
f0 = f0 - f-1
2f0 = [f0] = [f(x0)] = [ f0 - f-1 ] = f0 - f-1 = [f0 - f-1] - [f-1 - f-2]
= f0 - 2f-1 + f-2
luego
2f0 = f0 - 2f-1 + f-2
3f0 = 2[f0] = f0 - 3f-1 +3f-2 - f-3
...
nf0 = f0 - nf-1 + n(n-1)/2f-2 -...+ (-1)n-1nfn-1 + (-1)nf-n
Universidad Nacional de Colombia

45

Mtodos Numricos

es decir, n f( x0 ) =

f - k (-1 )k

k =0

y en general, n f(x) =

f x - kh (-1 )

k =0

Propiedades del operador de diferencias regresivas:


[f(x)+g(x)] = f(x) + g(x)
[kf(x)] = kf(x)
n[mf(x)] = n+mf(x)

El operador y el operador
Se llama el operador de desplazamiento o aumento y se define como f(x) = f(x+h), por
tanto, 2f(x) = [f(x)] = f(x+h) = f(x+2h),
Igualmente, 3f(x) = [2f(x)] = f(x+2h) = f(x+3h),
Y generalizando, nf(x) = [(n-1)f(x)] = f(x+(n-1)h) = f(x+nh),
Se llama el operador unitario y se define como: f(x) = f(x)
Utilizando estos operadores se tiene:
f(x) = f(x+h) - f(x) = f(x) - f(x) = [ - ]f(x)
As que, =  + , o  = -
Nuevamente,
f(x) = f(x+h) - f(x) = f(x) - f(x) = [ - ]f(x)
2f(x) = 2f(x) - 2f(x) + f(x) ={2 - 2 + 2}f(x) = [ - ]2f(x)
3f(x) = 3f(x) - 32f(x) + 32f(x) - 3f(x)= {3-32+32-3}f(x)= [ - ]3f(x)
nf(x) = [ - ]nf(x)
Por tanto,
fx+h = fx = [ + ]fx
fx+2h = 2fx = [ + ]2fx = [2 + 2 + ]fx
fx+3h = 3fx = [ + ]3fx = [3 + 32 + 3+ ]fx , y as,
fx+nh = nfx = [ + ]nfx = [n + nn-1 + n(n-1)n-2 +...+ n + ]fx

46

Luis Carlos Torres Soler

Mtodos Numricos

Es decir, n f x = [ + ] f x =
n

i f x

i=0

xi i
f0

i=0 i
n

Como un caso especial se tiene f x = x f 0 =

Llamada la formula de diferencias avanzada de Newton.


Ejemplo. Sea que se tienen los datos:
x 0 1 2 3 4 5
f -5 1 9 25 55 105
x fx
0 -5
1 1
2 9
3 25
4 55
5 105

fx
6
8
16
30
50

2fx 3fx 4fx


2
6
0
8
6
0
14
6
20

Luego fx = xf0 = [+]xf0 = [ + x* + {x(x-1)}/2*2 + {x(x-1)(x-2)}/3!*3]f0


= f0 + xf0 + (x2-x)/2*2f0 + (x3-3x2+2x)/6*3f0
= -5 + 6x + (x2-x)/2*2 + (x3-3x2+2x)/6*6 = x3 - 2x2 + 7x -5
Ejemplo. Considere los datos
X
0
1
2
3
Y
-15
-2
9
32
x
0
1
2
3
4
5

fx
-15
-2
9
32
65
95

fx
13
11
21
33
40

2fx
2
10
11
7

4
65

5
95

3fx 4fx 5fx


8
7 4
1
3
4

Este ejemplo, lleva a determinarse que no es adecuado aplicar las diferencias finitas en
todos los casos.
Universidad Nacional de Colombia

47

Diferenciacin
Las series de Taylor permiten la expansin de funciones por la formula:

f(x) =

n=0

(n)

f ( x0 )
(x - x0 )n
n!

A menudo tambin se representa la funcin, al hacer en la ecuacin anterior x = x0+x1

f( x0 + x1 ) =

n=0

(n)
f (x0 ) n
x1
n!

Si en esta formula se hace x0=xi y x1=kh, k entero, h un incremento


2

(kh ) (2)
(kh ) (3)
f ( xi ) +
f ( xi ) + ...
2!
3!

(1)

f( xi + kh) = f( xi ) + (kh) f ( xi ) +
Al hacer fi = f(xi), xi+k = xi + kh,

(1)

Entonces queda f i+kh = f i + (kh) f i +

(kh ) (2) (kh ) (3)


fi +
f i + ...
2!
3!

En particular si k=1, -1, 2 o -2, se hallan las siguientes expresiones para f(x)
2

(1)
h (2)
h (n)
f i+1 = f i + h f i + f i + ...+ f i + ...
2!
n!
n
2
(-h ) (n)
(1)
h (2)
f - ...
f i -1 = f i - h f i + f i - ...+
2!
n! i
(2h )2 (2)
(2h )n (n)
(1)
f i + ...+
f i + ...
f i+2 = f i + 2h f i +
2!
n!
2
n
(2h ) (2)
(-2h ) (n)
(1)
f i - 2 = f i - 2h f i +
f i - ...+
f i - ... ...
2!
n!

(1)
(2)
(3)
(4)

De la ecuacin (1) puede hallarse la siguiente expresin:


(1)

fi =

f i+1 - f i h 2 ( 2 ) h3 (3)
-[
f i + f i + ...]
h
2
6

De la cual, eliminando el trmino en parntesis, se obtiene la expresin aproximada


(1)
fi =

1
[f -f ]
h i+1 i

Mtodos Numricos
(1)

Si igualmente, se despeja fi(1) de la formula (4) se tiene: f i =


(1)

o al despejar de la frmula (2), f i =

1
[f -f ]
2h i i - 2

1
[f -f ]
h i i -1

y as sucesivamente, se puede hallar otras formulas que son aproximaciones de la derivada.


(2)

Al sumar la frmula (1) y (2) se tiene: f i+1 + f i -1 = 2 f i + h2 f i +


(2)

de donde se obtiene: f i =
Igualmente,
(2)
fi =

sumar

[ f i+1 - 2 f i + f i -1 ] - [
2
las

frmulas

h (4)
f + ...
12 i

(3)

(4)

se

obtiene:

1
2h

al

1
h

2 h4 (4)
f + ...
4! i

[ f i+ 2 - 2 f i + f i - 2 ] - [

h (4)
f + ...
6 i

Realizando diferentes combinaciones se hallan frmulas para fi(2), fi(3), fi(4),... algunas de
estas operaciones y simplificaciones se representan en la siguiente tabla:

1
2
3
4
5
6
7
8

Der.
hf(1)

9
10
11
12
13
14
15

h2f(2)

16
17
18
19
20

h3f(3)

50

Mul.
1
1/2
1/6
1/12
1/2
1/6
1/12
1/12

-1
-3
-11
-25
-1
-2
1
-3

Formula
1
4
-1
18
-9
48
-36
0
1
-3
6
-8
0
-10
18

1
1
1/12
1
1
1/12
1/12

1
2
35
1
1
11
-1

-2
-5
-104
-2
-2
-20
16

1
4
114
1
1
6
-30

-1
-56

11

0
4
16

-1
-1

1
1/2
1
1/2
1/2

-1
-5
-1
-3
-1

3
18
3
10
2

-3
-24
-3
-12
0

1
14
1
6
-2

Luis Carlos Torres Soler

2
16

-3

-1
8
-6

-1
1

-3
-1
1

error
-1/2hf(2)
1/3h2f(3)
-1/4h3f(4)
1/5h4f(5)
-1/6h2f(3)
1/12h3f(4)
-1/30h4f(5)
1/20h4f(5)
-hf(3)
11/12h2f(4)
-5/6h3f(5)
1/12h2f(4)
-1/12h2f(4)
-1/12h3f(5)
1/90h4f(5)
-3/2hf(4)
7/4h2f(5)
-1/2hf(4)
1/4h2f(5)
-1/4h2f(5)

Mtodos Numricos

h4f(4)

21
22
23

1
1
1

1
1
1

-4
-4
-4

6
6
6

-4
-4
-4

1
1
1

-2hf(5)
-hf(5)
-1/6h2f(5)

NOTAS.
1.
La suma de los coeficientes siempre debe sumar cero (0)
2.
El nmero en negrilla indica el punto pivote, es decir, fi.
3.
Una formula desplazada a la izquierda, se puede transformar en una desplazada a
la derecha cambiando el signo de los coeficientes.
4.
Para hallar una diferencial de orden mayor a 1, se deben emplear formulas de
diferencial menor. Se multiplican estas, colocando una formula vertical y la otra
horizontalmente corrida a la derecha una posicin cada vez. El multiplicador
resultante es el producto de multiplicar los multiplicadores de las formulas.
Ejemplo. La formula 10 dice que,
(2)
fi =

1
h

[2 f i - 5 f i+1 + 4 f i+2 - f i+3 ]

Se puede transformar en:


(2)
fi =

1
h

[-2 f i + 5 f i -1 - 4 f i - 2 + f i -3 ]

Esta frmula, al multiplicarla por la frmula 7, se tiene:


1
-2
5
-4
1
-8
-2
5
-4
1
0
-2
5
-4
8
-2
5
-1
-2
----------------------------------------------2
21
-44
15
50

1
-4
5

1
-4

-37

-4

=0

Por tanto la frmula es:


(3)

fi =

1
[-2 f i - 2 + 21f i -1 - 44 f i + 15 f i+1 + 50 f i+2 - 37 f i+3 - 4 f i+4 + f i+5 ]
12 h3

Una nueva frmula para la tercera derivada.


Ejemplo. La formula 2 y 9 dicen:
(1)
fi =

1
1
[ 3 f i + 4 f i+1 f i+2 ] y f (i 2 ) = 2 [ f i 2 f i+1 + f i+2 ]
2h
h

Universidad Nacional de Colombia

51

Mtodos Numricos

Al multiplicarlas se tiene:
-3
1
-2
1
4
1
-2
1
-1
1
-2
----------------------------------------------3
10
-12
6
(2)
fi =

1
-1

=0

1
[-3 f i + 10 f i +1 - 12 f i + 2 + 6 f i+3 f i+4 ]
2h 3

Una nueva frmula para la tercer derivada, que es precisamente la 19 de la tabla.

52

Luis Carlos Torres Soler

Integracin
La integral de una funcin f(x) puede ser calculada integrando su expansin en series de
xi+kh

Taylor termino a trmino: I k (i) =

kh

f(z)dz =

puede

ser

substituido

f( xi + z)dz

xi

f(xi+z)

por

la

serie

de

Taylor

z (2) + z (3) + ...


f( xi + z) = f i + zf (1)
f
f
i +
2 i 3! i

Es decir,
kh

I k (i) =

f( xi + z)dz =

hk

0
2

z (2) + z (3) + ...]dz


[ f i + zf (1)
fi
fi
i +
2
3!
4

I k (i) = [z f i + z f (1)
+ z f (2)
+ z f (3)
+ ... + z f (ni-1) + ... ] 0kh
2 i
6 i
24 i
n!
Reemplazando los lmites, se obtiene:

I k (i) = (kh) f i +

(kh )2 (1) (kh )3 (2) (kh )4 (3)


fi +
fi +
f + ...
2
6
24 i

Si la primera derivada es reemplazada por una formula de diferenciacin de m puntos dada


anteriormente, aproximadas formulas Inm(i) por In(i) se pueden hallar en trminos de los
valores pivote de f(x).

1
h
[ f i+1 - f i ] - f (2)
+ ... , que tiene 2 puntos,
h
2 i
2
3
(nh ) f i+1 - f i h (2) (nh ) (2)
se tendra: I n2 (i) = (nh) f i +
[
- f i ]+
f i + ...
2
h
2
6
(1)

Por ejemplo, si se toma la formula: f i =

2 3
(nh )
(nh )
n h (2) + (nh ) (2) + ...
f i+
f i+1 fi
fi
2h
2h
4
6
2
2
3
2 3
(nh )
(nh )
(nh ) (2)
(2)
n
h
f +
f fi +
f i + ...
I n2 (i) = (nh) f i 2h i
2h i+1 4
6
2 3
h
n h
2
2
(3 - 2n) f (2)
I n2 (i) = [(2n - n ) f i + n f i+1 ] i + ...
2
12

I n2 (i) = (nh) f i -

Por lo cual, una formula aproximada de integracin es:


2 3
h
n h
(3 - 2n) f (2)
[(2n - n2 ) f i + n2 f i+1 ] con ei = i + ...
2
12

I n2 (i) =

En especial para n=1, se halla la regla trapezoidal


3
h
[ f i + f i+1 ] con ei = - h f (2)
2
12 i

I 12 (i) =

Para n=3:

h
9
[9 f i+1 - 3 f i ] con ei = h3 f (2)
i
2
4

I 32 (i) =

Cuando n es par, es a menudo ms conveniente integrar f(x) con n tiras simtricamente


localizadas cerca de xi+n/2
xi+nh

I n (i) =

nh
2

nh

\ f(z)dz =

f( x + z)dz =
i

- nh
2

xi

Por Taylor f( xi+ n + z) = f i+ n + zf


2

(1)
n
i+
2

nh
2

nh
f( xi + + z)dz =
2
2

nh
2

f( xi+ n + z)dz =
2

- nh
2

f i+ n (z)dz
2

- nh
2

(2)
(3)
(4)
+ z f n + z f n + z f n + ...
2 i+ 2 3! i+ 2 4! i+ 2

As,
nh
2

I n (i) =
-

nh
2

n
i+
2

(z)dz =

zf

n
i+
2

+
3

Es decir: I n (i) = (nh) f i+ n +


2

z2

(1)
i+

n
2

z3

(2)
i+

3!

n
2

z4

4!

(3)
i+

n
2

z5

5!

(4)
i+

n
2

+ .. nh

(nh) (2) (nh) (4)


f n+
f n + ...
24 i+ 2 1920 i+ 2

Esto permite aproximar valores de Inm(i) al reemplazar por formulas de diferenciacin. Por
(2)

ejemplo, si se usa: f i =

[2 f i - 5 f i+1 + 4 f i+2 - f i+3 ] - h f (4)


2
12 i
h

que tiene cuatro puntos pivotes, se puede escribir:

(2)
n
i+
2

(4)
[2 f i+ n - 5 f i+ n +1 + 4 f i+ n +2 - f i+ n +3 ] - h f n + ...
2
2
2
2
2
12 i+ 2
h

/2

nh / 2

Por tanto,
3

I n4 (i) = nhf

I n4 (i) =

n
i+
2

2
(nh)
h + (nh) ] (4)
n - 5 f n +4 f n
n ]-[
+
[2
f
f
f n
i+
i+ +1
i+ + 2
i+ +3
2
2
2
2
24 h2
12 1920 i+ 2

2
h
[(2 n3 + 24n) f i+ n - 5 f i+ n +1 + 4 f i+ n +2 - f i+ n +3 ] - h [160 - n5 h3 ] f (4)n
i+
2
2
2
2
24
1920
2

Se puede tener en general la siguiente tabla:


No n m mult i-1

i+1

1
2
3
4
5
6
7
8
9
10
11
12
13
14

1
1
1
1
1
1
1
1
2
2
2
2
2
2

1
2
3
3
4
4
5
5
1
1
2
3
3
4

h
h/2
h/12
h/12
h/24
h/24
h/720
h/720
2h
2h
h/2
h/3
h/12
h/3

1
1
5
8
13
9
251
346
1
0
0
1
-8
1

0
1
8
5
13
19
646
456
0
1
4
4
28
4

-1
-5
-264
-74
0
0
0
1
0
1

h2/2f'
-h3/12f''
h4/24f(3)
-h4/24f(3)
11h5/720f(4)
19h5/720f(4)
27/1440h6f(5)
-11/1440h6f(5)
2h2f'
h3/3f(2)
h3/3f(2)
-h5/90f(4)
h4/3f(2)
-h5/90f(4)

15
16
17
18

3
3
3
3

1
2
3
4

h
h/2
h/12
3h/8

3
-3
9
1

0
9
0
3

0
0
27
3

0
0
0
1

9/2h2f'
27/12h3f(2)
9/24h4f(3)
-h5/80f(4)

19 4 1 h
20 4 2 h/2
21 4 3 4h/3

4
-8
0

0
16
2

0
0
-1

0
0
2

0
0
0

22 5 1 h
23 5 2 h/2

5
-15

0
25

0
0

0
0

0
0

-1
-1

-19

i+2

i+4

i+5

-1

n = nmero de franjas, m = puntos pivotes


NOTAS.

i+3

1
106
11

-19

error

8h2f'
80/12h3f(2)
14h5/15f(2)
0
0

25/2h2f'
175/12h3f(2)

1. Los coeficientes subrayados indican los puntos entre los que se realiza la integracin
2. Una formula desplazada a la derecha da lugar a otra desplazada a la izquierda invirtiendo
el orden de los coeficientes
3. La suma de los coeficientes por el multiplicador debe dar igual a nh
4. Las formulas se pueden usar sucesivamente.
La frmula 4, de una franja, de 3 puntos pivotes con multiplicador h/12, que dice:

I 13 (i) =

i +1

f ( x)dx =

h
h
[ f i 1 + 8 f i + 5 f i +1 ] , puede ser, [5 f i 1 + 8 f i f i +1 ]
12
12

Ejercicios.
Sean los siguientes datos:
x
1.0
1.01
y1
.6021 .6053
y2
1.386 1.394

1.02
.6085
1.401

1.03
.6117
1.409

1.04
.6149
1.416

1.05
.6180
1.423

I.
Calcular f1.02(1), f1.02(2), f1.02(3), f1.02(4), f1.02(5) con formulas que tengan 5, 6, 7, 8 y 9
puntos pivotes respectivamente.
II.
Calcular con mnimo 3 franjas cada una de las integrales

z=

1.05
1.01

III.
IV.

f(x)dx , z =

1.04

f(x)dx .
1.02

Podra evaluar la funcin por Lagrange o Newton.


Por formula avanzada de Newton calcular f(1.045)

Ecuaciones diferenciales
Las ecuaciones compuestas de una funcin incgnita y su derivada, se conocen con el
nombre de ecuacin diferencial. En general, ellas expresan el cambio proporcional de una
variable y de sus parmetros7. En esta seccin nos ocuparemos de varios tipos de problemas
numricos asociados a las ecuaciones diferenciales.
La variable a diferenciar en la ecuacin, se dice es la variable dependiente. La variable
respecto a la cual se va a derivar es la variable independiente. Cuando la funcin incluye
una variable dependiente, es una ecuacin diferencial ordinaria; que est en contraste con
las ecuaciones diferenciales parciales que comprenden dos o ms variables dependientes.
Las ecuaciones diferenciales se denominan por el orden; una ecuacin es de orden n-simo
si posee una n-sima derivada. En general, se escribe una ecuacin diferencial como: y(n)(x)
= f(y, y', y'', y''',...y(n-1))
La solucin de una ecuacin diferencial ordinaria es una funcin especfica de la variable
dependiente y de los parmetros que satisfacen la ecuacin.
(1)

Por ejemplo, se tiene la funcin y =

1
(1 + x) y 2 , se desea saber cul es el valor y(0.1) y
2

y(0.2), sabiendo que y(0)=1.


Esta funcin es sencilla (de primer orden) y hallar su solucin analtica no es complicado.
(1)
4
1
1
y
= (1+ x) , es decir, y - 2 dy = (1+ x)dx , luego y =
2
2
2
2x + x 2 + C
y
4
como y(0) = 1, entonces c = -4, luego y = 2
x + 2x 4

Pero para calcular lo solicitado se utiliza una aproximacin numrica por series de Taylor.
7

Las leyes fundamentales de la fsica, la mecnica, la electricidad y la termodinmica, entre otras,


se basan en observaciones empricas que explican la variacin de las propiedades fsicas y estados
de los sistemas. Para escribir el estado de los sistemas fsicos, las leyes se expresan en cambios del
tiempo y del espacio.

Mtodos Numricos
(1)

Recordando se tiene: y( xi + h) = y i + h y i +

h (2) + h (3) + h (4) + ...


y
y
y
2 i 3! i 4! i

Se conoce y(0) = 1, se puede calcular y0' = 1/2 8. Se calcula y'', y''', yiv, ... hasta donde se
desee el error y luego se calcula y(0.1), tomando h = 0.1, o y(0.2) con h = 0.2
As y(0.1) = 1 + 0.1*1/2 + (0.1)2/2*1 + (0.1)3/6*9/4+... = 1.055375 con error de orden 4
Las derivadas que aparecen aqu se calculan a partir de la ecuacin diferencial dada:

1 2
(2)
[ y + 2y y(1) (1 + x)] , y0 = 1
2
1
(3)
(3)
(1)
(1 )2
(2)
(1)
y = [2 yy + 2[ y (1+ x) + y( y (1+ x) + y )]] , y0 = 2.25
2
(2)
y =

Cules son las ventajas y las desventajas del mtodo de la serie de Taylor?
El mtodo depende de derivar repetidamente la ecuacin diferencial dada, por consiguiente
la ecuacin debe tener derivadas parciales de orden n. El procedimiento tiene una sencillez
conceptual y precisin muy alta.
(1)

Ejercicio. Sea la funcin y =

1
(1 + x + 1 ) y 2 , se desea saber cul es el valor y(0.1) y
2

y(0.2), sabiendo que y(0) = 1.


(1)

Ejemplo. Sea y = y[ e x + 1] , con y(0) = 1, calcular y(0.1), y(0.2).


(2)

(2)
(1)
y = y ( e x + 1) + y e x , y 0 = 5

(3)

(3)
(2)
(1)
y = y ( e x + 1) + 2 y e x + y e x , y 0 = 15
(4)

(4)
(3)
(1)
(1)
y = y ( e x + 1) + 3 y e x + y e x + y e x , y 0 = 52

As que y(.01) = 1.227717


Si se considera en la serie de Taylor y(1) = f(x, y); entonces puede escribirse yi+1 = yi +
f(xi,yi)h. Que es llamda la formula de Euler (Euler-Cauchy) o de pendiente puntual.
Esta frmula tiene la ventaja de no necesitar ninguna derivada. Sin embargo, es necesario
tomar pequeos valores de h para obtener una precisin aceptable.

Esto se calcula en la misma ecuacin diferencial dada.

Luis Carlos Torres Soler

Mtodos Numricos

Ejemplo. Sea y'=-x3+6x2-4x+3, con y0=2, se puede tener para x=0 hasta x=2: 9
y(0,5) = y(0)+f(0,2)*0.5= 2+3*0.5=3.5
y(1.0) = y(0.5)+f(0.5, 3.5)*0.5 = 3.5 + [-0.53+6*0.52-4*0.5+3]*0.5 = 4.4375
y(1.5) = 6.4375
y(2.0) = 10
(1)

Para la ecuacin y =

1
(1 + x) y 2 con y(0)=1; y(0.1)=1+0.5*.1=1.05
2

y(0.2)= y(0.1)+f(0.1, 1.05)*.1= 1.05+[1/2(1.01)(1.05)2]*.01 =1.11567625


(1)

Para la ecuacin y = y[ e x + 1] ; y(0.1)=1+2*.1=1.2


y(0.2)= y(0.1)+f(0.1, 1.2)*.1= 1.2+[1/2(e.1+1]*.01 =
Ejercicio.
Sea y = y2(ex 1), con y0 = 1.
El mtodo se puede mejorar al no tomar una sola pendiente (derivada), sino un promedio
de las dos pendientes que existen en los puntos xi y xi+1, es decir, con y'i = f(xi,yi) y con y'i+1
= f(xi+1,yi+1), se tendra en el caso anterior, yi+1 = yi+{f(xi,yi)+ f(xi+1,yi+1)}/2 *h, lo que da un
valor ms aproximado. Se conoce como la formula mejorada de Euler.
(1)

Ejemplo. Sea y =

1
(1 + x) y 2 , y(0)=1
2

y0.1 = y0 + h/2 {f(0,1)+f(0.1, 1.05)}


Se debe primero calcular f(0.1, 1.05) por Euler
f(0.1, 1.05)= 1.05+[1/2(1+.1)(1.05)2]*.01 =1.11567625
Entonces y(.1)=1+.1[1/2(.5+1.11567625]=1.0807838125
La solucin numrica de ecuaciones diferenciales ordinarias incluye dos tipos de error:
1.
Errores de truncamiento causados por la aproximacin empleada en el mtodo.
2.
Errores de redondeo debido a las cifras significativas consideradas.
Podemos emplear el mtodo de Euler para integrar numricamente una funcin.

Podra considerarse la formula de Euler como el resultado de:

y n +1 = y n + hf ( y n , x)
Universidad Nacional de Colombia

y n +1 y n
= y ; luego
h

Mtodos Numricos

Ejemplo:
Sea y = -x3+3x2-1.5, calcular la integral entre 0 y 1 con un incremento de .2, siendo y0=1.

yi +1 = y i +

xi +1

f ( x, y)dx

y0.2 = y0 + f(0,1)(0.2) = 1 - 1.5 * .2 = 1.3


y0.4 = y .2 + f(0.2,1.3)(0.2) = 1.3 - 1.388 * .2 = 1.0224

y .6 = y.4 + f(.4,1.0224)* .2 = 1.0224 - 1.084 * .2 = 0.8056


y .8 = y .6 + f(.6,0.8056)* .2 = 0.8056 - 0.636 * .2 = 0.6784
xi

y1 = y.8 + f(.8,0.6784)* .2 = 0.6784 + .5 * .2 = 0.7784


Ejemplo:
Sea y= -2x4 + 3x2 +1, calcular la integral entre 0 y 1 con un incremento de .1, siendo y0=1.
Al aplicar el mtodo de Euler mejorado, los clculos de la ecuacin son un poco ms
lentos; sin embargo, la ventaja de la solucin consiste en que el mtodo es ms estable que
el simple de Euler.
Mtodos de Runge-Kutta
El mtodo de la serie de Taylor presenta las ventajas de no requerir algn anlisis previo.
Al utilizar el mtodo de Taylor de orden 5 debemos derivar sucesivamente hasta hallar y(4).
Adems, los rdenes de precisin son bajos. Para mejorar la precisin se requiere una h
pequea, lo que aumenta el tiempo de clculo y provoca errores de redondeo. Los mtodos
de Runge-Kutta evaden esta dificultad y mejoran el orden de precisin.
El mtodo de Runge-Kutta de primer orden consiste en considerar la ecuacin diferencial
ordinaria: y = f(x,y), y(0) = y0 para calcular yi+1 en xi+1 = xi + h, dado un valor yi, se integra
la ecuacin en el intervalo [xi, xi+1]

yi +1 = y i +

xi +1

f ( x, y)dx

xi

Por tanto, es aplicar un mtodo de integracin numrica a la integral del lado derecho de la
ecuacin.
Runge-Kutta de segundo orden
(1)

Sea la serie de Taylor y( xi + h) = y i + h y i +


(2)

(1)

Considerando y(1) = f(x,y), y = f x + f y y = f x + f y f


Luis Carlos Torres Soler

h (2) + h (3) + h (4) + ...


y
y
y
2 i 3! i 4! i

Mtodos Numricos

En este caso los subndices denotan derivadas parciales y se ha utilizado repetidamente la


regla de la cadena para las derivadas. Los primeros trminos en la serie de Taylor se puede
escribir como:

y i+1 = y i + hf +

2
h
h
h
[ f x + f y f] + o( h3 ) = yi + f + [f + hf x + hf y f] + o( h3 )
2
2
2

Podemos eliminar las derivadas parciales recurriendo a los primeros trminos de la serie de
Taylor de dos variables:

1 2
[ h f xx + 2 hkf xy + k 2 f yy ] + ... 10
2
es decir, f(x + h, y + k) = f + hf x + kf f y + o( h2 ) .
f(x + h, y + k) = f(x, y) + hf x + k f y +

As que reescribimos: y i+1 = y i +

h
h
f + f(x + h, y + kf) + o( h3 )
2
2

Por consiguiente la frmula para hallar la solucin a la ecuacin diferencial es:

h
h
f(x, y) + f(x + h, y + kf(x, y))
2
2
h
h
o y i+1 = y i + f( xi , y i ) + f( xi + h, y i + kf( xi , y i ))
2
2
y(x + h) = y(x) +

Esta frmula se utiliza repetidamente para avanzar paso a paso en el proceso. Este mtodo
tambin se llama mtodo de Heun.11
Considerando k1 = f(xi, yi), k2 = f(xi+ph, yi+qhk1), se escribe la frmula general como
yi+1 = yi+h/2k1+h/2k2
y generalizando aun ms, yi+1 = yi + (a1k1+a2k2)h
Debindose tener:
a1+a2 = 1
a2p = 1/2
a2q = 1/2
Debido a que se tienen tres ecuaciones con cuatro incgnitas, existen innumerables
soluciones.
10

Al derivar con respecto a y existe y(1), que es f(x,y)


El mtodo de Runge-Kutta de segundo orden es idntico al mtodo predictor-corrector de
Euler, que es un mtodo muy simple.
11

Universidad Nacional de Colombia

Mtodos Numricos

Si se supone que a2 = 1, entonces p = q = 1/2, es decir:

h
h
yi+1 = yi + f( xi + , yi + f( xi , yi ))
2
2
Frmula denominada como mtodo mejorado del polgono.
Ralston y Rabinovich determinaron escoger a2=2/3; es decir

yi+1 = yi + 2f( xi +

3h
3h
h
, yi +
f( xi , yi ))
4
4
3

Al realizar derivaciones y derivaciones se tendra;


(3)
y = f xx + f xy f + [ f x + f y f]f y + f[ f yx + f yy f]

Pero, la extensin de los mtodos de Runge-Kutta se realiza en forma anloga, tenindose


para un tercer orden:

yi+1 = yi + [ k 1 + 4 k 2 + k 3 ]

h
6

Donde:
k1=f(xi, yi)
k2=f(xi+h/2, yi+hk1/2)
k3=f(xi+h, yi-hk1+2hk2)
Similarmente, podemos describir los mtodos de Runge-Kutta de cuarto orden:

yi+1 = yi + [ k 1 + 2 k 2 + 2 k 3 + k 4 ]

h
6

donde:
k1=f(xi, yi)
k2=f(xi+h/2, yi+hk1/2)
k3=f(xi+h/2, yi-hk1+h/2k2)
k4=f(xi+h, yi+hk3)
Est frmula es conocida como el bsico de Runge-Kutta de cuarto orden, dado que existe
nmero infinito de versiones.
Ejercicio. Sean los siguientes datos:
x
f
g

1.000 1.010 1.020 1.030 1.040 1.050 1.060 1.070 1.080 1.090 1.100
.6021 .6053 .6085 .6117 .6149 .618 .613 .607 .601 .594 .581
1.386 1.394 1.401 1.409 1.416 1.423 1.419 1.407 1.397 1.385 1.376

Luis Carlos Torres Soler

Mtodos Numricos

I. Calcular f1.07(2), g1.02(4) con formulas que tengan 7 y 8 puntos pivotes respectivamente.
II. Calcular el rea entre 1.0 y 1.1 para f y g. Empleando diferentes formulas en f y g.
III. Dada la ecuacin diferencial
(1)
y = xy (1+ x 2 ) , con y0 = 1.395612

Calcular y0.5 con un error de .00001 por lo menos por tres mtodos. Compare y analice la
razn de sus resultados (h=0.1)
IV. Dada la funcin g(x)= X6 - 3X5+2X3-7X+1
a) Calcule 2g(2) con un desplazamiento de .001
b) Calcule 3g(2) con un desplazamiento de .01
Ejercicio. Hallar las races reales de X3+3X2-X-4 con un error de e=5x10-5
Sea f(0)=-17, f(1)=-9, f(2)=3, f(3)=18 f(4)=45, f(5)=101, f(6)=211; calcular f(2.01)
Sea f0=-5.25, f1=-5.1, f2=-4.65, f3=-3.3, f4=.75, f5=12.9, f6=49.35; calcular f1.105, f3.01, f4.99

Universidad Nacional de Colombia

Ejercicios
(1)

a. La produccin de papa esta dada por la funcin y = xy (1+ x 2 ) con y0=1.


Considerando que 0.1 equivale a un mes, calcular la produccin para junio del 2002, por
dos mtodos totalmente diferentes. Compare y analice la razn de sus resultados con la
solucin real.
2.01

b. Calcule z =

2
x - 1 dx utilizando dos tipos de formulas.

c. Dados los valores:


x

1.2

1.4

1.5

1.6

1.8

2.

-1.004

-0.2475

1.5895

0.6581

-3.2125

-2.5065

1.2465

(2)

Calcular y1.5 y y1.4 con dos formulas diferentes para cada caso. Compare resultados.
d. Halle una formula para y(3) de nueve puntos.

Bibliografa
BURDEN Richard, FAIRES Douglas (2002). Anlisis numrico. 7 ed., Thomson
Learning, Bogot.
CHAPRA Steven (2002). Mtodos numricos para ingenieros. 4 ed., McGrawHill,
Bogot.
LUTHE GARCIA Rodolfo (1998). Mtodos numricos. Limusa, Mxico.
MATHEWS Jhon H., FINK Kurtis D. (2000). Mtodos numricos con MATLAB. 3 ed.,
Prentice Hall, Madrid.
NAKAMURA Shoichiro (1997). Anlisis numrico y visulizacin grfica con MATLAB.
Prentice Hall, Mxico.
NAKAMURA Shoichiro (1992). Mtodos numricos aplicados con software. 1. ed.,
Prentice Hall, Mxico.
NIEVES Antonio (1997). Mtodos numricos aplicados a la ingeniera. CECSA, Mxico.
ZILL Dennos G., CULLEN Michael (2001). Ecuaciones diferenciales con problemas de
valores en frontera. 5 ed., Thomson Learning, Mxico.

Vous aimerez peut-être aussi