DEPARTAMENTO DE CIENCIAS EXACTAS

CARRERA DE INGENIERÍA MECATRÓNICA

DEBERES DE MÉTODOS NUMÉRICOS

NRC:
1117

NOMBRE:
Pablo Andrés Zúñiga

DOCENTE:
Paul Medina
Índice general

1. Sistema de Ecuaciones 5
1.1. Deber No.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1. Método de Gauss . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2. Método de Gauss-Jordan . . . . . . . . . . . . . . . . . . 7
1.1.3. Factorización LU . . . . . . . . . . . . . . . . . . . . . . . 11
1.1.4. Factorización LUP . . . . . . . . . . . . . . . . . . . . . . 12
1.1.5. Solución del sistema de ecuaciones con factorización LU . 13
1.1.6. Solución del sistema de ecuaciones con factorización LUP 16
1.2. Deber No.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.1. Compresión de imágenes: Blanco y Negro . . . . . . . . . 18
1.2.2. Compresión de imágenes: Color . . . . . . . . . . . . . . . 19
1.2.3. Solución del sistema de ecuaciones con factorización SVD 21
1.2.4. Factorización QR . . . . . . . . . . . . . . . . . . . . . . . 22

2. Interpolación 25
2.1. Interpolación de Lagrange . . . . . . . . . . . . . . . . . . . . . . 25
2.2. Interpolación de Newton . . . . . . . . . . . . . . . . . . . . . . . 26
2.3. Interpolación de Spline . . . . . . . . . . . . . . . . . . . . . . . . 27

3. Deberes de los PDF 31

3.1. 5. Sistemas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1.1. Considere el siguiente sistema lineal de ecuaciones. . . . . 31
3.1.2. Escribir una función de Matlab [L, U, P ] = f acLU P (A)
que calcule la factorización LU de una matriz A utilizando
el algoritmo propuesto. La matriz L debe ser una matriz
triangular inferior nxn, U una triangular superior nxn y
P una matriz de permutación de las mismas dimensiones
que A, tales que se cumpla L ∗ U = P ∗ A. . . . . . . . . . 32

3
4 ÍNDICE GENERAL

3.1.3. Dado el sistema lineal de ecuaciones Ax = b, donde la

matriz de coeficientes A ∈ Rnxn es una matriz no singular,
un método para resolver dicho sistema consiste en calcu-
lar la factorización LU de la matriz A. Si para resolver el
sistema utilizamos el algoritmo del apartado anterior en-
tonces, podemos obtener la solución x resolviendo los dos
sistemas triangulares siguientes: . . . . . . . . . . . . . . . 35
3.1.4. Sea A ∈ Rnxn una matriz no singular, la matriz in-
versa puede calcularse resolviendo el sistema matricial
AX = In , donde X ∈ Rnxn eIn es la matriz identidad n
x n. Escrı́base una función de Matlab X=inversa(A) que
calcule la matriz inversa de A. . . . . . . . . . . . . . . . 37
3.1.5. La matriz de Hilbert es un clásico ejemplo de una matriz
mal condicionada, ésta se define de la siguiente manera: . 39
3.1.6. Compare el error producido por los tres métodos. . . . . 40
3.1.7. Interprete los resultados. . . . . . . . . . . . . . . . . . . . 41
3.2. 6. SVD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.3. 7. Interpolación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

4. Deberes Extra 57
4.1. Factorización SVD . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2. Solución de sistemas de ecuaciones con SVD . . . . . . . . . . . . 58

5. Gödel, Escher y Bach 59

5.1. Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
 Capı́tulo 1

Sistema de Ecuaciones

1.1. Deber No.1

1.1.1. Método de Gauss
El método de Gauss consiste en transformar un sistema de ecuaciones en
otro equivalente de forma que este sea escalonado.
Para facilitar el cálculo vamos a transformar el sistema en una matriz, en
la que pondremos los coeficientes de las variables y los términos independientes
(separados por una recta).
1 function [X]= Gauss (A, B)
2 [m, n]= s i z e (A) ;
3 f o r j =1:( n−1)
4 f o r i =( j +1) : n
5 B( i )=B( i ) −(A( i , j ) /A( j , j ) ) ∗B( j ) ;
6 A( i , : ) =A( i , : ) −(A( i , j ) /A( j , j ) ) ∗A( j , : ) ;
7 end
8 end
9
10 X( n )=B( n ) /A( n , n ) ;
11 f o r i=n −1: −1:1
12 X( i ) =(B( i )−A( i , i +1:n ) ∗X( i +1:n ) ’ ) / (A( i , i ) ) ;
13 end

5
 6 CAPÍTULO 1. SISTEMA DE ECUACIONES

Figura 1.1: Ejemplo del programa Gauss1.

Cuando se utiliza este código, muchas veces resulta en el error donde uno de
los valores de la diagonal se vuelve cero, para lo que realizamos el correspon-
diente control en el siguiente código.
1 function [X]= Gauss2 (A, B)
2 [m, n]= s i z e (A) ;
3 f o r j =1:( n−1)
4 i f A( j , j )==0
5 E r r o r =1;
6 f o r k=j +1:n
7 i f A( k , j ) ˜=0
8 aux=A( j , : ) ;
9 A( j , : ) =A( k , : ) ;
10 A( k , : ) =aux ;
11 Baux=B( j ) ;
12 B( j )=B( k ) ;
13 B( k )=Baux ;
14 E r r o r =0;
15 break ;
16 end
17 end
18 i f E r r o r ==1
19 error ( ’ El s i s t e m a no s e puede r e s o l v e r . ’ ) ;
20 end
21 end
22 f o r i =( j +1) : n
23 B( i )=round (B( i ) −(A( i , j ) /A( j , j ) ) ∗B( j ) , 3 ) ;
24 A( i , : ) =round (A( i , : ) −(A( i , j ) /A( j , j ) ) ∗A( j , : ) , 3 ) ;
25 end
 1.1. DEBER NO.1 7

26 end
27 i f A( n , n )==0
28 error ( ’ El s i s t e m a no s e puede r e s o l v e r . ’ ) ;
29 end
30 X( n )=B( n ) /A( n , n ) ;
31 f o r i=n −1: −1:1
32 X( i ) =(B( i )−A( i , i +1:n ) ∗X( i +1:n ) ’ ) / (A( i , i ) ) ;
33 end

Figura 1.2: Ejemplo de error en el programa Gauss2.

1.1.2. Método de Gauss-Jordan

Como hemos visto, el método de Gauss transforma la matriz de coeficientes
en una matriz triangular superior. El método de Gauss-Jordan continúa el pro-
ceso de transformación hasta obtener una matriz diagonal unitaria (aij=0 para
cualquier i 6= j).
1 function [X]= GaussJordan (A, B)
2 [m, n]= s i z e (A) ;
 8 CAPÍTULO 1. SISTEMA DE ECUACIONES

3 f o r j =1:( n−1)
4 i f A( j , j )==0
5 E r r o r =1;
6 f o r k=j +1:n
7 i f A( k , j ) ˜=0
8 aux=A( j , : ) ;
9 A( j , : ) =A( k , : ) ;
10 A( k , : ) =aux ;
11 Baux=B( j ) ;
12 B( j )=B( k ) ;
13 B( k )=Baux ;
14 E r r o r =0;
15 break ;
16 end
17 end
18 i f E r r o r ==1
19 error ( ’ El s i s t e m a no s e puede r e s o l v e r . ’ ) ;
20 end
21 end
22 f o r i =( j +1) : n
23 B( i )=B( i ) −(A( i , j ) /A( j , j ) ) ∗B( j ) ;
24 A( i , : ) =A( i , : ) −(A( i , j ) /A( j , j ) ) ∗A( j , : ) ;
25 end
26 end
27 f o r j=n : − 1 : ( 2 )
28 f o r i =( j −1) : − 1 : 1
29 B( i )=B( i ) −(A( i , j ) /A( j , j ) ) ∗B( j ) ;
30 A( i , : ) =A( i , : ) −(A( i , j ) /A( j , j ) ) ∗A( j , : ) ;
31 end
32 end
33 f o r i =1:n
34 X( i )=B( i ) /A( i , i ) ;
35 end
 1.1. DEBER NO.1 9

Figura 1.3: Ejemplo del programa GaussJordan1.

Cuando se utiliza este código, muchas veces resulta en el error donde uno de
los valores de la diagonal se vuelve cero, para lo que realizamos el correspon-
diente control en el siguiente código.
1 function [X]= GaussJordan2 (A, B)
2 [m, n]= s i z e (A) ;
3 f o r j =1:( n−1)
4 i f A( j , j )==0
5 E r r o r =1;
6 f o r k=j +1:n
7 i f A( k , j ) ˜=0
8 aux=A( j , : ) ;
9 A( j , : ) =A( k , : ) ;
10 A( k , : ) =aux ;
11 Baux=B( j ) ;
12 B( j )=B( k ) ;
13 B( k )=Baux ;
14 E r r o r =0;
15 break ;
16 end
17 end
18 i f E r r o r ==1
19 error ( ’ El s i s t e m a no s e puede r e s o l v e r . ’ ) ;
20 end
21 end
22 f o r i =( j +1) : n
23 B( i )=round (B( i ) −(A( i , j ) /A( j , j ) ) ∗B( j ) , 3 ) ;
24 A( i , : ) =round (A( i , : ) −(A( i , j ) /A( j , j ) ) ∗A( j , : ) , 3 ) ;
25 end
 10 CAPÍTULO 1. SISTEMA DE ECUACIONES

26 end
27 i f A( n , n )==0
28 error ( ’ El s i s t e m a no s e puede r e s o l v e r . ’ ) ;
29 end
30 f o r j=n : − 1 : ( 2 )
31 f o r i =( j −1) : − 1 : 1
32 B( i )=round (B( i ) −(A( i , j ) /A( j , j ) ) ∗B( j ) , 3 ) ;
33 A( i , : ) =round (A( i , : ) −(A( i , j ) /A( j , j ) ) ∗A( j , : ) , 3 ) ;
34 end
35 end
36 f o r i =1:n
37 X( i )=B( i ) /A( i , i ) ;
38 end

Figura 1.4: Ejemplo de error en el programa GaussJordan2.

 1.1. DEBER NO.1 11

1.1.3. Factorización LU
La factorización LU de una matriz es una factorización que resume el proceso
de eliminación gaussiana aplicado a la matriz y que es conveniente en términos
del número total de operaciones de punto flotante cuando se desea calcular la
inversa de una matriz o cuando se resolverá una serie de sistemas de ecuaciones
con una misma matriz de coeficientes. Primeramente consideraremos la facto-
rización LU sin intercambio basada en matrices elementales y que es conocida
como de Doolittle y posteriormente veremos el algoritmo que da la factorización
PA = LU.
1 function [ L ,U]= F a c t o r i z a c i o n L U (A)
2 [m, n]= s i z e (A) ;
3 U=A;
4 L=eye ( n ) ;
5 f o r j =1:( n−1)
6 f o r i =( j +1) : n
7 L( i , j ) =(U( i , j ) /U( j , j ) ) ;
8 U( i , : ) =U( i , : ) −(U( i , j ) /U( j , j ) ) ∗U( j , : ) ;
9 end
10 end

Figura 1.5: Ejemplo del programa FactorizacionLU.

 12 CAPÍTULO 1. SISTEMA DE ECUACIONES

1.1.4. Factorización LUP

1 function [ L , U, P]= F a c t o r i z a c i o n L U P (A)
2 [m, n]= s i z e (A) ;
3 U=A;
4 L=eye ( n ) ;
5 P=eye ( n ) ;
6 E r r o r =0;
7 f o r j =1:( n−1)
8 i f U( j , j )==0
9 E r r o r =1;
10 f o r k=j +1:n
11 i f U( k , j ) ˜=0
12 aux=U( j , : ) ;
13 U( j , : ) =U( k , : ) ;
14 U( k , : ) =aux ;
15 Paux=P( j , : ) ;
16 P( j , : ) =P( k , : ) ;
17 P( k , : ) =Paux ;
18 E r r o r =0;
19 break ;
20 end
21 end
22 i f E r r o r ==1
23 error ( ’No Es F a c t o r a b l e ’ ) ;
24 end
25 end
26 f o r i =( j +1) : n
27 L( i , j )=round ( (U( i , j ) /U( j , j ) ) , 3 ) ;
28 U( i , : ) =round (U( i , : ) −(U( i , j ) /U( j , j ) ) ∗U( j , : ) , 3 ) ;
29 end
30 end
31 i f U( n , n )==0
32 error ( ’No Es F a c t o r a b l e ’ ) ;
33 end
1.1. DEBER NO.1 13

Figura 1.6: Ejemplo del programa FactorizacionLUP con error del sistema.

1.1.5. Solución del sistema de ecuaciones con factorización

LU
Suponga que la matriz A es una matriz m x n se puede escribir como el
producto de dos matrices:A = LU

Donde L es una matriz triangular inferior m x m y U es una matriz escalo-

nada m x n. Entonces para resolver el sistema: Ax = b, escribimos
Ax = (LU )x = L(U x)

Una posible estrategia de solución consiste en tomar y = U x y resolver para

y: Ly = b.

Como la matriz L es triangular superior este sistema puede resolverse me-

diante sustitución hacia abajo. Una vez con los valores encontrados de y, las
incógnitas al sistema inicial se resuelve despejando x de U x = y.
 14 CAPÍTULO 1. SISTEMA DE ECUACIONES

Figura 1.7: Ejemplo del programa FactorizacionLUP con cambio de filas.

Nuevamente, como U es escalonada, este sistema puede resolverse en caso de

tener soución mediante sustitución hacia atrás, lo cuál es sencillo. Estas obser-
vaciones nos dan la pauta para ver la conveniencia de una factorización como
la anterior, es decir factorizar A como el producto de una matriz L triangular
superior, por otra U la cual es escalonada.
1 function [X]= S o l F a c t (A, B)
2 [m, n]= s i z e (A) ;
3 X=0;
4 f o r i =1:n
5 i f A( i , i )==0
6 C=A( i , : ) ;
7 D=A( i , i ) ;
8 F i l a N u l a =1;
9 f o r j =1:n ;
10 i f A( i , j ) ˜=0
11 F i l a N u l a =0;
12 end
 1.1. DEBER NO.1 15

13 end
14 f o r j =1:n
15 i f abs (A( j , i )>D) && A( i , j ) ˜=0
16 D=abs (A( j , i ) ) ;
17 E=j ;
18 end
19 end
20 i f D==0|| F i l a N u l a ==1;
21 X= ’No Hay S o l u c i o n a l s i s t e m a ’ ;
22 break ;
23 else
24 A( i , : ) =A(E , : ) ;
25 A(E , : ) =C ;
26 end
27 end
28 end
29 i f X˜= ’No Hay S o l u c i o n a l s i s t e m a ’
30 U=A;
31 L=eye ( n ) ;
32 f o r j =1:( n−1)
33 f o r i =( j +1) : n
34 L( i , j ) =(U( i , j ) /U( j , j ) ) ;
35 U( i , : ) =U( i , : ) −(U( i , j ) /U( j , j ) ) ∗U( j , : ) ;
36 end
37 end
38 Y( 1 )=B( 1 ) /L ( 1 , 1 ) ;
39 f o r i =2:n
40 Y( i ) =(B( i )−L( i , 1 : i −1)∗Y( 1 : i −1) ’ ) / (L( i , i ) ) ;
41 end
42 X( n )=Y( n ) /U( n , n ) ;
43 f o r i=n −1: −1:1
44 X( i ) =(Y( i )−U( i , i +1:n ) ∗X( i +1:n ) ’ ) / (U( i , i ) ) ;
45 end
46 end
 16 CAPÍTULO 1. SISTEMA DE ECUACIONES

Figura 1.8: Ejemplo de solución de un sistema con el programa SolFact1.

1.1.6. Solución del sistema de ecuaciones con factorización

LUP
1 function [X]= S o l F a c t 2 (A, B)
2 [m, n]= s i z e (A) ;
3 X=0;
4 f o r i =1:n
5 i f A( i , i )==0
6 C=A( i , : ) ;
7 D=A( i , i ) ;
8 F i l a N u l a =1;
9 f o r j =1:n ;
10 i f A( i , j ) ˜=0
11 F i l a N u l a =0;
12 end
13 end
14 f o r j =1:n
15 i f abs (A( j , i )>D) && A( i , j ) ˜=0
16 D=abs (A( j , i ) ) ;
17 E=j ;
18 end
19 end
20 i f D==0|| F i l a N u l a ==1;
21 error ( ’No Hay S o l u c i o n a l s i s t e m a ’ ) ;
22 break ;
23 else
24 A( i , : ) =A(E , : ) ;
25 A(E , : ) =C ;
26 end
 1.1. DEBER NO.1 17

27 end
28 end
29 U=A;
30 L=eye ( n ) ;
31 P=eye ( n ) ;
32 E r r o r =0;
33 f o r j =1:( n−1)
34 i f U( j , j )==0
35 E r r o r =1;
36 f o r k=j +1:n
37 i f U( k , j ) ˜=0
38 aux=U( j , : ) ;
39 U( j , : ) =U( k , : ) ;
40 U( k , : ) =aux ;
41 Paux=P( j , : ) ;
42 P( j , : ) =P( k , : ) ;
43 P( k , : ) =Paux ;
44 E r r o r =0;
45 break ;
46 end
47 end
48 i f E r r o r ==1
49 error ( ’No Hay S o l u c i o n a l s i s t e m a ’ ) ;
50 end
51 end
52 f o r i =( j +1) : n
53 L( i , j )=round ( (U( i , j ) /U( j , j ) ) , 3 ) ;
54 U( i , : ) =round (U( i , : ) −(U( i , j ) /U( j , j ) ) ∗U( j , : ) , 3 ) ;
55 end
56 end
57 i f U( n , n )==0
58 error ( ’No Hay S o l u c i o n a l s i s t e m a ’ ) ;
59 end
60
61 Y( 1 )=B( 1 ) /L ( 1 , 1 ) ;
62 f o r i =2:n
63 Y( i ) =(B( i )−L( i , 1 : i −1)∗Y( 1 : i −1) ’ ) / (L( i , i ) ) ;
64 end
65 X( n )=Y( n ) /U( n , n ) ;
66 f o r i=n −1: −1:1
67 X( i ) =(Y( i )−U( i , i +1:n ) ∗X( i +1:n ) ’ ) / (U( i , i ) ) ;
68 end
 18 CAPÍTULO 1. SISTEMA DE ECUACIONES

Figura 1.9: Ejemplo de error en el programa SolFact2.

1.2. Deber No.2

1.2.1. Compresión de imágenes: Blanco y Negro
A partir del uso de la factorización SVD se puede tratar a una imagen como
una matriz mxn, y se obtiene su factorización eliminando ciertos valores para
permitir que baje su tamaño.
1 function [ ] = ComprimirBN ( Imagen )
2 %Compresion de Imagenes en b l a n c o y neg ro o e s c a l a de g r i s e s
3 figure (1)
4 %−−−−−−−−−−−−−−−−−−−−−−−−−
5 A0=imread ( Imagen , ’ j p g ’ ) ;
6 %−−−−−−−−−−−−−−−−−−−−−−−−−−
7 %V i s u a l i z a m o s l a imagen
8 imagesc (A0) ; colormap ( gray ) ;
9 %−−−−−−−−−−−−−−−−−−−−−−−−−−
10 %Convertimos l a imagen a f o r m a t o numerico
11 A0=d o u b l e (A0) ;
12 %−−−−−−−−−−−−−−−−−−−−−−−−−−
13 %Calculamos e l tamano de l a m a t r i z ma0= f i l a s y na0=columnas
 1.2. DEBER NO.2 19

14 [ ma0 , na0 ]= s i z e (A0) ;

15 %−−−−−−−−−−−−−−−−−−−−−−−−−−
16 %Descomposicion en v a l o r e s s i n g u l a r e s de l a m a t r i z A0
17 [ U0 , S0 , V0]=svd (A0) ;
18 %−−−−−−−−−−−−−−−−−−−−−−−−−−
19 %Calculamos e l tamano de l a m a t r i c e s U0 , S0 y V0
20 [ mu0 , nu0 ]= s i z e (U0) ; [ ms0 , ns0 ]= s i z e ( S0 ) ; [ mv0 , nv0 ]= s i z e (V0) ;
21 %−−−−−−−−−−−−−−−−−−−−−−−−−−−
22 %Compresion
23 %−−−−−−−−−−−−−−−−−−−−−−−−−−−
24 %P a n t a l l a para p r e s e n t a r l a nueva imagen
25 figure (2)
26 %−−−−−−−−−−−−−−−−−−−−−−−−−−−
27 %b u c l e
28 f o r k =1:6 %k e s e l numero de imagenes a p r e s e n t a r
29 %r0 e s e l numero de v a l o r e s s i n g u l a r e s de A0
30 r 0 =2ˆk ;
31 %f a c t o r i z a c i o n de l a m a t r i z A0 , A0=USV’
32 imaA0=U0 ( : , 1 : r 0 ) ∗ S0 ( 1 : r0 , 1 : r 0 ) ∗V0 ( : , 1 : r 0 ) ’ ;
33 %tamano de l a m a t r i z ( imagen ) comprimida
34 comp=(mu0+nv0+1)∗ r 0 ;
35 %tamano de l a m a t r i z ( imagen ) o r i g i n a l
36 t o t a l=ma0∗ na0 ;
37 %muestra en l a p a n t a l l a l o s v a l o r e s de k , r0 , t o t a l y comp
38 disp ( [ k r 0 t o t a l comp ] )
39 %t r a n s f o r m o l a m a t r i z de f o r m a t o d o b l e a u i n t 8
40 imaA0=u i n t 8 ( imaA0 ) ;
41 %v e n t a n a para l a nueva imagen
42 subplot ( 2 , 3 , k ) ;
43 %i n s t r u c c i o n e s para v i s u a l i z a r l a imagen
44 imagesc ( imaA0 ) ; colormap ( gray ) ;
45 end

1.2.2. Compresión de imágenes: Color

A partir del uso de la factorización SVD, de la misma manera que la com-
presión a blanco y negro, pero esta vez se puede tratar a una imagen como
una matriz mxnx3 y se obtiene su factorización eliminando ciertos valores para
permitir que baje su tamaño.
1 function [ ] = ComprimirColor ( Imagen )
2 figure (1)
3 A1=imread ( Imagen , ’ j p g ’ ) ;
4 imagesc (A1) ;
5 A1=d o u b l e (A1) ;
6 imaA0=A1 ;
7 f o r k =1:6
8 f o r i =1:3
9 A0=A1 ( : , : , i ) ;
10 [ ma0 , na0 , oa0 ]= s i z e (A0) ;
11 [ U0 , S0 , V0]=svd (A0) ;
12 [ mu0 , nu0 ]= s i z e (U0) ;
13 [ ms0 , ns0 ]= s i z e ( S0 ) ;
14 [ mv0 , nv0 ]= s i z e (V0) ;
15 r 0 =2ˆk ;
 20 CAPÍTULO 1. SISTEMA DE ECUACIONES

Figura 1.10: Ejemplo de compresión imágen en blanco y negro.

16 imaA01=U0 ( : , 1 : r 0 ) ∗ S0 ( 1 : r0 , 1 : r 0 ) ∗V0 ( : , 1 : r 0 ) ’ ;
17 imaA0 ( : , : , i )=imaA01 ;
18 end
19 comp=(mu0+nv0+1)∗ r 0 ;
20 t o t a l=ma0∗ na0 ;
21 disp ( [ k r0 total comp ] )
22 imaA0=u i n t 8 ( imaA0 ) ;
23 subplot ( 2 , 3 , k ) ;
24 imagesc ( imaA0 ) ; colormap ( gray ) ;
25 end
 1.2. DEBER NO.2 21

Figura 1.11: Ejemplo de compresión imágen a color.

1.2.3. Solución del sistema de ecuaciones con factorización

SVD
Sabiendo que, una matriz A está mal condicionada si pequeños cambios en
sus elementos pueden producir cambios grandes en las soluciones del sistema
lineal Ax = b. Para tratar con una matriz mal condicionada, se puede utilizar
la factorización SVD para encontrar los valores problemáticos, es decir valores
muy pequeños, que al variar, producen cambios grandes en todo el sistema;
luego se establece un valor δ para que, todo valor menor a este, sea reemplazado
con cero. Ası́ la matriz se vuelve bien condicionada.
1function [X]= s v d s o l 1 (A, b , d )
2[ u , E , v]=svd (A) ;
3[m, n]= s i z e (E) ;
4Einv=zeros (m, n ) ;
5f o r i =1:m
6 i f E( i , i )<d
7 Einv ( i , i ) =0;
8 E( i , i ) =0;
9 else
10 Einv ( i , i ) =1/(E( i , i ) ) ;
11 end
12end
13Ainv=(v∗ Einv ) ∗u ’ ;
 22 CAPÍTULO 1. SISTEMA DE ECUACIONES

X=Ainv ∗b ;
14

Figura 1.12: Ejemplo de sistema de ecuaciones mal condicionado resuelto con

SVD.

1.2.4. Factorización QR
Dada una matriz A (no necesariamente cuadrada), con columnas linealmen-
te independientes,encontraremos matrices Q, R tales que:

(i) A = QR.
(ii) Las columnas de Q son ortonormales.
(iii) Q es del mismo tamaño que A.
(iv) R es triangular superior invertible.
La forma de hacerlo es aplicar el proceso de Gram-Schmidt a las columnas de A.

Donde R es la matriz cuyo elemento (i, j) es Rij . Las matrices buscadas

son las matrices Q y R: Q tiene sus columnas ortonormales y R es triangular
superior. Asimismo R debe ser invertible pues en caso contrario Rx = 0 tendrı́a
infinitas soluciones y por ende también QRx = Ax = 0 contradiciendo el hecho
de que las columnas de A son linealmente independientes.
Nota:En la práctica la matriz R se calcula mediante la fórmula:R = QT ∆A.
 1.2. DEBER NO.2 23

CÓDIGO DE MATLAB PARA LA FACTORIZACIÓN QR

1 function [ Q, R] = QR(A)
2 [m, n ] = s i z e (A) ;
3 R = zeros ( n , n ) ;
4 V = A;
5 Q=zeros (m, n ) ;
6
7 f o r i =1:n
8 R( i , i )= norm(V ( : , i ) ) ;
9 Q( : , i )= V ( : , i ) /R( i , i ) ;
10
11 f o r j=i +1:n
12 R( i , j )= (Q( : , i ) ’ ) ∗V ( : , j ) ;
13 V ( : , j )=V ( : , j ) − R( i , j ) ∗Q( : , i ) ;
14 end
15 end

BIBLIOGRAFÍA
-Factorización QR de una matriz, Recuperado de: http : //personales.upv.es/jbenitez
/cajons astre/qrf ouri.pdf
24 CAPÍTULO 1. SISTEMA DE ECUACIONES

Figura 1.13: Ejemplo Factorización QR

Capı́tulo 2

Interpolación

En ciertos casos el usuario conoce el valor de una función f(x) en una serie
de puntos x1 , x2 ,..., xn , pero no se conoce una expresión analı́tica de f(x) que
permita calcular el valor de la función para un punto arbitrario. Un ejemplo
claro son las mediciones de laboratorio, donde se mide cada minuto un valor,
pero se requiere el valor en otro punto que no ha sido medido. Otro ejemplo
son mediciones de temperatura en la superficie de la Tierra, que se realizan en
equipos o estaciones meteorológicas y se necesita calcular la temperatura en un
punto cercano, pero distinto al punto de medida. La idea de la interpolación es
poder estimar f(x) para un x arbitrario, a partir de la construcción de una curva
o superficie que une los puntos donde se han realizado las mediciones y cuyo
valor si se conoce. Se asume que el punto arbitrario x se encuentra dentro de los
lı́mites de los puntos de medición, en caso contrario se llamarı́a extrapolación.

2.1. Interpolación de Lagrange

Un polinomio de interpolación de Lagrange, p, se define en la forma:
n
X
p(x) = y0 `0 (x) + y1 `1 (x) + · · · + yn `n (x) = yk `k (x)
k=0

en donde `0 , `1 , . . . , `n son polinomios que dependen sólo de los nodos tabulados

x0 , x1 , . . . , xn , pero no de las ordenadas y0 , y1 , . . . , yn . La fórmula general del
polinomio `i es:
n
Y x − xj
`i (x) =
xi − xj
j=0,j6=i

Para el conjunto de nodos x0 , x1 , . . . , xn , estos polinomios son conocidos como

funciones cardinales.
Utilizando estos polinomios en la ecuación obtenemos la forma exacta del poli-
nomio de interpolación de Lagrange.

25
 26 CAPÍTULO 2. INTERPOLACIÓN

1 function [ P]= I L a g r a n g e (X,Y)

2 n1=length (X) ;
3 x=sym ( ’ x ’ ) ;
4 L=sym ( ’ L ’ ) ;
5 P=sym ( ’P ’ ) ;
6 P=0;
7 f o r i =1: n1
8 L( i ) =1;
9 f o r j =1: n1
10 i f j ˜= i
11 L( i )=L( i ) ∗ ( x−X( j ) ) / (X( i )−X( j ) ) ;
12 end
13 end
14 end
15 f o r i =1: n1
16 P=P+expand (Y( i ) ∗L( i ) ) ;
17 end

Figura 2.1: Ejemplo Interpolación de Lagrange

2.2. Interpolación de Newton

1 function [ P]= INewton (X,Y)
2 format rat ;
3 n=length (X) ;
4 x=sym ( ’ x ’ ) ;
5 a=sym ( ’ a ’ ) ;
6 P=sym ( ’P ’ ) ;
7 P=0;
8 Z=zeros ( n , n+1) ;
 2.3. INTERPOLACIÓN DE SPLINE 27

9 Z ( : , 1 )=X ’ ;
10 Z ( : , 2 )=Y ’ ;
11 f o r i =3:n+1
12 f o r j=i −1:n
13 Z ( j , i ) =(Z ( j , i −1)− Z ( j −1 , i −1) ) / ( Z ( j , 1 )− Z ( j −i +2 ,1) ) ;
14 end
15 end
16 Z(: ,1) =[];
17 P=Z ( 1 , 1 ) ;
18 f o r i =2:n
19 a =1;
20 f o r j =1: i −1;
21 a=a ∗ ( x−X( j ) ) ;
22 end
23 P=P+Z ( i , i ) ∗ expand ( a ) ;
24 end

Figura 2.2: Ejemplo Interpolación de Newton

2.3. Interpolación de Spline

Una función spline está formada por varios polinomios, cada uno definido
sobre un subintervalo, que se unen entre sı́ obedeciendo a ciertas condiciones de
continuidad.

Supongamos que disponemos de n+1 puntos, a los que denominaremos nu-

dos, tales que t0 < t1 < · · · < tn . Supongamos además que se ha fijado un
entero k ≥ 0. Decimos entonces que una función spline de grado k con nudos en
 28 CAPÍTULO 2. INTERPOLACIÓN

t0 , t1 , . . . , tn es una función S que satisface las condiciones:

(i) en cada intervalo [ti−1 , ti ), S es un polinomio de grado menor o igual a

k. (ii) S tiene una derivada de orden (k-1) continua en [t0 , tn ].

Los intervalos [ti−1 , ti ) no se intersectan entre sı́, por lo que no hay am-
bigüedad en la definición de la función en los nudos. Un spline de grado 1 se
puede definir por:

S(x) = S0 (x) = a0 x + b0 ......n − 1 x ∈ [tn−1 , tn )

1function [ ] = I S p l i n e (X,Y)
2format rat
3d=0; i n d =1;
4r e s i d=rem( length (X) , 2 ) ;
5i f r e s i d==0
6 X=[X (X( length (X) ) +1) ] ;
7 Y=[Y (Y( length (Y) ) ) ] ;
8end
9f o r i = 1 : 2 : length (X)−2
10 d=s p l i n e m e t h o d ( X( i : i +2 ) , Y( i : i +2 ) , ind , d ) ; i n d=i n d +1;
11end
12x l i m ( [ X( 1 ) X( length (X) −1) ] )
13disp ( ’ x= ’ )
14disp (X)
15disp ( ’ y= ’ )
16disp (Y)

Nota: Este código sirve acompañado del código de splinemethod.m, descrito

a continuación.
1function [ de ]= s p l i n e m e t h o d ( xx , yy , i , d e r )
2 syms x
3 disp ( ’ Metodo de S p l i n e ’ )
4 disp ( [ ’ c u r v a S ’ num2str ( i ) ] )
5 d=zeros ( 6 ) ; %M a t r i z de c o e f i c i e n t e s A del sistema
y=Ax=b
6 b=zeros ( 6 , 1 ) ; %M a t r i z de coeficientes b del
sistemas
7 f o r j =1:3 %a s i g n a c i o n de l a s e c u a c i o n e s e n l a
matriz A
8 d ( 1 , j )=xx ( 2 ) ˆ(3− j ) ;
9 d ( 3 , j )=xx ( 1 ) ˆ(3− j ) ;
10 end
11 f o r j =4:6
12 d ( 2 , j )=xx ( 2 ) ˆ(6− j ) ;
13 d ( 4 , j )=xx ( 3 ) ˆ(6− j ) ;
14 end
15 f o r j =1:2
16 d ( 5 , j ) =(3− j ) ∗ xx ( 2 ) ˆ(2− j ) ;
17 d ( 6 , j ) =(3− j ) ∗ xx ( 1 ) ˆ(2− j ) ;
18 d ( 5 , j +3)=( j −3)∗ xx ( 2 ) ˆ(2− j ) ;
19 end
20 b ( 1 )=yy ( 2 ) ; %a s i g n a c i o n de l a s e c u a c i o n e s e n l a
matriz b
 2.3. INTERPOLACIÓN DE SPLINE 29

21 b ( 2 )=yy ( 2 ) ;
22 b ( 3 )=yy ( 1 ) ;
23 b ( 4 )=yy ( 3 ) ;
24 b ( 5 ) =0;
25 b ( 6 )=d e r ;
26 d;
27 b;
28 s o l=d\b ;
29 y1 =0;
30 y2 =0;
31 f o r i =1:3 %a s i g a n a c i o n de l o s c o e f i c i e n t e s a S1
y S2
32 y1=y1+s o l ( i ) ∗xˆ(3− i ) ;
33 y2=y2+s o l ( i +3)∗xˆ(3− i ) ;
34 end
35 dy2=d i f f ( y2 ) ; %d e r i v a d a de S2
36 de=s u b s ( dy2 , x , xx ( 3 ) ) ; %d e r i v a d a de S2 en e l punto x2
37 y1
38 y2
39 x1=xx ( 1 ) : 0 . 0 1 : xx ( 2 ) ; %v e c t o r a u x i l i a r V1
40 x2=xx ( 2 ) : 0 . 0 1 : xx ( 3 ) ; %v e c t o r a u x i l i a r V2
41 p1=s u b s ( y1 , x , x1 ) ; %imagen de S1 en V1
42 p2=s u b s ( y2 , x , x2 ) ; %imagen de S2 en V2
43 plot ( x1 , p1 ) %g r a f i c a de S1
44 hold on
45 plot ( x2 , p2 ) %g r a f i c a de S2
46 f o r i =1:3 %g r a f i c a de cada punto r e a l
47 plot ( xx , yy , ’ ∗ ’ )
48 end
49 t i t l e ( [ ’ Metodo de S p l i n e ’ ] )
50 grid on
30 CAPÍTULO 2. INTERPOLACIÓN

Figura 2.3: Ejemplo gráficas obtenidas a partir de la interpolación de Spline

cuadrática.
Capı́tulo 3

Deberes de los PDF

3.1. 5. Sistemas lineales

3.1.1. Considere el siguiente sistema lineal de ecuaciones.

1 1
x 1 + 2 x 2 + 3 x 3 = 2

1 1 1
2 x1 + 3 x2 + 4 x3 = 0
1
 1 1
3 x1 + 4 x2 + 5 x3 = −1

Resolver el sistema utilizando el método de Gauss.

>> a
1
a =
2
3 1.0000 0.5000 0.3333
4 0.5000 0.3333 0.2500
5 0.3333 0.2500 0.2000
>> b = [ 2 ; 0 ; − 1 ]
6
7b =
8 2
9 0
10 −1
>> x=Gauss2 ( a , b )
11
12x =
13 −12.0000 1 0 8 . 0 0 0 0 −120.0000

Resolver el sistema de manera exacta, es decir, analı́ticamente (comparar

respuestas).


1 1
x1 + 2 x2 + 3 x3 = 2

1 1 1
2 x1 + 3 x2 + 4 x3 = 0
1
 1 1
3 x1 + 4 x2 + 5 x3 = −1

31
32 CAPÍTULO 3. DEBERES DE LOS PDF
(
(x1 + 21 x2 + 13 x3 = 2)(− 21 )
1 1 1
2 x1 + 3 x2 + 4 x3 = 0
1 1
12 x2 + 12 x3 = −1
(
(x1 + 12 x2 + 13 x3 = 2)( 13 )
1 1 1
3 x1 + 4 x2 + 5 x3 = −1
1 4
12 x2 + 45 x3 = − 43
(
1 1
12 x2 + 12 x3 = −1
1 4
( 12 x2 + 45 x3 = − 43 )(−1)

x1 = 18 x2 = −72 x3 = 18
Otra
( solución:
x1 + 12 x2 + 13 x3 = 2
( 31 x1 + 14 x2 + 15 x3 = −1)(−3)
− 41 x2 − 1
15 x3 =5
(
(x1 + 12 x2 + 13 x3 = 2)(− 21 )
1 1 1
2 x1 + 3 x2 + 4 x3 = 0
1 1
12 x2 + 12 x3 = −1
(
1 1
12 x2 + 12 x3 = −1
1 1
− 12 x2 − 45 x3 = 35

x1 = −12 x2 = 108 x3 = −120

Se puede considerar a las dos soluciones como verdaderas.

3.1.2. Escribir una función de Matlab [L, U, P ] = f acLU P (A)

que calcule la factorización LU de una matriz A uti-
lizando el algoritmo propuesto. La matriz L debe ser
una matriz triangular inferior nxn, U una triangu-
lar superior nxn y P una matriz de permutación de
las mismas dimensiones que A, tales que se cumpla
L ∗ U = P ∗ A.
1 function [ L , U, P]= F a c t o r i z a c i o n L U P (A)
2 [m, n]= s i z e (A) ;
3 U=A;
4 L=eye ( n ) ;
 3.1. 5. SISTEMAS LINEALES 33

5 P=eye ( n ) ;
6 E r r o r =0;
7 f o r j =1:( n−1)
8 i f U( j , j )==0
9 E r r o r =1;
10 f o r k=j +1:n
11 i f U( k , j ) ˜=0
12 aux=U( j , : ) ;
13 U( j , : ) =U( k , : ) ;
14 U( k , : ) =aux ;
15 Paux=P( j , : ) ;
16 P( j , : ) =P( k , : ) ;
17 P( k , : ) =Paux ;
18 E r r o r =0;
19 break ;
20 end
21 end
22 i f E r r o r ==1
23 error ( ’No Es F a c t o r a b l e ’ ) ;
24 end
25 end
26 f o r i =( j +1) : n
27 L( i , j )=round ( (U( i , j ) /U( j , j ) ) , 3 ) ;
28 U( i , : ) =round (U( i , : ) −(U( i , j ) /U( j , j ) ) ∗U( j , : ) , 3 ) ;
29 end
30 end
31 i f U( n , n )==0
32 error ( ’No Es F a c t o r a b l e ’ ) ;
33 end

• Compruebe dicha función aplicándola a una matriz aleatoria 5x5:

34 CAPÍTULO 3. DEBERES DE LOS PDF
 3.1. 5. SISTEMAS LINEALES 35

3.1.3. Dado el sistema lineal de ecuaciones Ax = b, don-

de la matriz de coeficientes A ∈ Rnxn es una matriz
no singular, un método para resolver dicho siste-
ma consiste en calcular la factorización LU de la
matriz A. Si para resolver el sistema utilizamos el
algoritmo del apartado anterior entonces, podemos
obtener la solución x resolviendo los dos sistemas
triangulares siguientes:

Ly = P b
Ux = y
Escrı́base una función de Matlab =raicesLUP(A,b) que calcule la solución
del sistema de ecuaciones Ax = b mediante el procedimiento descrito.

1 function [X]= S o l F a c t 2 (A, B)

2 [m, n]= s i z e (A) ;
3 X=0;
4 f o r i =1:n
5 i f A( i , i )==0
6 C=A( i , : ) ;
7 D=A( i , i ) ;
8 F i l a N u l a =1;
9 f o r j =1:n ;
10 i f A( i , j ) ˜=0
11 F i l a N u l a =0;
12 end
13 end
14 f o r j =1:n
15 i f abs (A( j , i )>D) && A( i , j ) ˜=0
16 D=abs (A( j , i ) ) ;
17 E=j ;
18 end
19 end
20 i f D==0|| F i l a N u l a ==1;
21 error ( ’No Hay S o l u c i o n a l s i s t e m a ’ ) ;
22 break ;
23 else
24 A( i , : ) =A(E , : ) ;
25 A(E , : ) =C ;
26 end
27 end
28 end
29 U=A;
30 L=eye ( n ) ;
31 P=eye ( n ) ;
32 E r r o r =0;
33 f o r j =1:( n−1)
34 i f U( j , j )==0
35 E r r o r =1;
36 f o r k=j +1:n
37 i f U( k , j ) ˜=0
 36 CAPÍTULO 3. DEBERES DE LOS PDF

38 aux=U( j , : ) ;
39 U( j , : ) =U( k , : ) ;
40 U( k , : ) =aux ;
41 Paux=P( j , : ) ;
42 P( j , : ) =P( k , : ) ;
43 P( k , : ) =Paux ;
44 E r r o r =0;
45 break ;
46 end
47 end
48 i f E r r o r ==1
49 error ( ’No Hay S o l u c i o n a l s i s t e m a ’ ) ;
50 end
51 end
52 f o r i =( j +1) : n
53 L( i , j )=round ( (U( i , j ) /U( j , j ) ) , 3 ) ;
54 U( i , : ) =round (U( i , : ) −(U( i , j ) /U( j , j ) ) ∗U( j , : ) , 3 ) ;
55 end
56 end
57 i f U( n , n )==0
58 error ( ’No Hay S o l u c i o n a l s i s t e m a ’ ) ;
59 end
60
61 Y( 1 )=B( 1 ) /L ( 1 , 1 ) ;
62 f o r i =2:n
63 Y( i ) =(B( i )−L( i , 1 : i −1)∗Y( 1 : i −1) ’ ) / (L( i , i ) ) ;
64 end
65 X( n )=Y( n ) /U( n , n ) ;
66 f o r i=n −1: −1:1
67 X( i ) =(Y( i )−U( i , i +1:n ) ∗X( i +1:n ) ’ ) / (U( i , i ) ) ;
68 end

• Compruébese la función raicesLUP resolviendo un sistema de ecuaciones

con una matriz aleatoria 6x6 y un vector columna de R6 también aleatorio:
 3.1. 5. SISTEMAS LINEALES 37

3.1.4. Sea A ∈ Rnxn una matriz no singular, la matriz

inversa puede calcularse resolviendo el sistema ma-
tricial AX = In , donde X ∈ Rnxn eIn es la matriz
identidad n x n. Escrı́base una función de Matlab
X=inversa(A) que calcule la matriz inversa de A.

1 function [W]= I n v e r s a (A)

2 %INVERSA DE LA MATRIZ A
3 [m, n]= s i z e (A) ;
4 %A=LU
5 L=eye ( n ) ;
6 P=eye ( n ) ;
7 I=eye ( n ) ;
8 U=A;
9 f o r i =1:n−1
10 i f U( i , i )==0 %Revisamos s i l a d i a g o n a l de l a m a t r i z e s 0
11 f o r h=i +1:n %r e c o r r e m o s l a s s i g u i e n t e s f i l a s
12 i f U( h , i ) ˜=0 %Buscamos l a que no t e n g a c e r o en e s a
posicion
 38 CAPÍTULO 3. DEBERES DE LOS PDF

13 Uaux=U( i , : ) ; %i n t e r c a m b i a m o s t a n t o l a m a t r i z U
como l a m a t r i z P en ambas f i l a s
14 Paux=P( i , : ) ;
15 U( i , : ) =U( h , : ) ;
16 P( i , : ) =P( h , : ) ;
17 U( h , : ) =Uaux ;
18 P( h , : ) =Paux ;
19 break ;
20 end
21 end
22 i f U( i , i )==0 %S i e l v a l o r de l a d i a g o n a l s i g u e s i e n d o
uno q u i e r e d e c i r que no i n t e r c a m b i o p o r q u e no s e
puede r e s o l v e r e l s i s t e m a
23 error ( ’No s e puede o b t e n e r l a i n v e r s a ’ ) ;
24 end
25 end
26
27 f o r j=1+ i : n
28 L( j , i ) =(U( j , i ) /U( i , i ) ) ; %Primero obtenemos e l
c o e f i c i e n t e que hara 0 a cada v a l o r de A, que
s e r a p a r t e de l a m a t r i z L
29 U( j , : ) =U( j , : ) −(U( j , i ) ∗U( i , : ) ) /U( i , i ) ; %Aplicamos l a
formula
30 end
31 end
32
33
34 f o r k =1:n
35 b=P∗ ( I ( : , k ) ) ;
36 y ( 1 )=b ( 1 ) /L ( 1 , 1 ) ;
37 f o r i =2:n
38 aux =0; %aux e s una v a r i a b l e a u x i l i a r
39 f o r j =1: i −1
40 aux=aux+L( i , j ) ∗y ( j ) ; %aux c o n t i e n e l a suma de l o s
c o e f i c i e n t e s por cada v a l o r de Y e n c o n t r a d o en
e l sistema
41 end
42 y ( i ) =(b ( i )−aux ) /L( i , i ) ;
43 end
44 X( n )=y ( n ) /U( n , n ) ;
45 f o r i=n −1: −1:1
46 aux2 =0; %aux e s una v a r i a b l e a u x i l i a r
47 f o r j=i +1:n
48 aux2=aux2+U( i , j ) ∗X( j ) ; %aux c o n t i e n e l a suma de l o s
c o e f i c i e n t e s por cada v a l o r de Y e n c o n t r a d o en
e l sistema
49 end
50 X( i ) =(y ( i )−aux2 ) /U( i , i ) ;
51 end
52
53 W( : , k )=X ’ ;
54 end
3.1. 5. SISTEMAS LINEALES 39

3.1.5. La matriz de Hilbert es un clásico ejemplo de una

matriz mal condicionada, ésta se define de la si-
guiente manera:
 1 1 1 
1 2 3 ... n
 12 1
3
1
4 ... 1
n+1

Hn =  .
 
.. .. .. .. 
 .. . . . . 
1 1 1 1
n n+1 n+2 ··· 2n−1

Esta matriz puede ser fácilmente generada en Matlab, utilizando el comando

hilb(n), donde n es el orden de la matriz. En el presente ejercicio se pide:
1. Resolver el sistema Hx = b, donde b es el vector Hx y x = (1,1,... ,1)’ con
n = 12. Este sistema se debe resolver por 3 métodos distintos. Se usara
Gauss, Gauss Jordan y Factorización LU
>> A=h i l b ( 1 2 )
1
A =
2
3 Columns 1 t h r o u g h 6
4 1.0000 0.5000 0.3333 0.2500 0.2000 0.1667
5 0.5000 0.3333 0.2500 0.2000 0.1667 0.1429
6 0.3333 0.2500 0.2000 0.1667 0.1429 0.1250
7 0.2500 0.2000 0.1667 0.1429 0.1250 0.1111
8 0.2000 0.1667 0.1429 0.1250 0.1111 0.1000
9 0.1667 0.1429 0.1250 0.1111 0.1000 0.0909
10 0.1429 0.1250 0.1111 0.1000 0.0909 0.0833
11 0.1250 0.1111 0.1000 0.0909 0.0833 0.0769
12 0.1111 0.1000 0.0909 0.0833 0.0769 0.0714
13 0.1000 0.0909 0.0833 0.0769 0.0714 0.0667
14 0.0909 0.0833 0.0769 0.0714 0.0667 0.0625
15 0.0833 0.0769 0.0714 0.0667 0.0625 0.0588
16 Columns 7 t h r o u g h 12
17 0.1429 0.1250 0.1111 0.1000 0.0909 0.0833
18 0.1250 0.1111 0.1000 0.0909 0.0833 0.0769
19 0.1111 0.1000 0.0909 0.0833 0.0769 0.0714
20 0.1000 0.0909 0.0833 0.0769 0.0714 0.0667
21 0.0909 0.0833 0.0769 0.0714 0.0667 0.0625
22 0.0833 0.0769 0.0714 0.0667 0.0625 0.0588
23 0.0769 0.0714 0.0667 0.0625 0.0588 0.0556
24 0.0714 0.0667 0.0625 0.0588 0.0556 0.0526
25 0.0667 0.0625 0.0588 0.0556 0.0526 0.0500
26 0.0625 0.0588 0.0556 0.0526 0.0500 0.0476
27 0.0588 0.0556 0.0526 0.0500 0.0476 0.0455
28 0.0556 0.0526 0.0500 0.0476 0.0455 0.0435
>> b
29
30b =
31 1
32 1
33 1
34 1
35 1
36 1
37 1
38 1
40 CAPÍTULO 3. DEBERES DE LOS PDF

39 1
40 1
41 1
42 1
43
>> x=Gauss2 (A, b )
44
45x =
46 1 . 0 e+08 ∗
47 Columns 1 t h r o u g h 6
48 −0.0000 0.0000 −0.0005 0.0081 −0.0656 0.3146
49 Columns 7 t h r o u g h 12
50 −0.9500 1.8520 −2.3262 1.8169 −0.8024 0.1530
51
>> x=GaussJordan (A, b )
52
53x =
54 1 . 0 e+08 ∗
55 Columns 1 t h r o u g h 6
56 −0.0000 0.0000 −0.0005 0.0081 −0.0656 0.3146
57 Columns 7 t h r o u g h 12
58 −0.9498 1.8516 −2.3255 1.8163 −0.8021 0.1530
59
60
61
>> [ x]= raicesLUP (A, b )
62
63x =
64 1 . 0 e+08 ∗
65 Columns 1 t h r o u g h 6
66 −0.0000 0.0000 −0.0006 0.0084 −0.0675 0.3230
67 Columns 7 t h r o u g h 12
68 −0.9735 1.8951 −2.3772 1.8546 −0.8182 0.1559

3.1.6. Compare el error producido por los tres méto-

dos.

H=h i l b ( 1 2 ) ;
1
2x=o n e s ( 1 2 , 1 ) ;
3b=H\x ; % Se toma como v a l o r r e a l a l de MATLAB
4x1=Gauss2 (H, b ) ;
5x1=x1 ’
6x2=GaussJordan (H, b ) ;
7x2=x2 ’
8x3=raicesLUP (H, b ) ;
9x3=x3 ’
10f p r i n t f ( ’ E r r o r por Gauss \n ’ )
11e r r o r 1=max( abs ( b−x1 ) )
12f p r i n t f ( ’ E r r o r por GaussJordan \n ’ )
13e r r o r 2=max( abs ( b−x2 ) )
14f p r i n t f ( ’ E r r o r por RaicesLUP \n ’ )
15e r r o r 3=max( abs ( b−x3 ) )
16
Command window
17
18
E r r o r por Gauss
19
error1 =
20
3.1. 5. SISTEMAS LINEALES 41

21 2 . 1 2 7 9 e+24
22E r r o r por GaussJordan
23e r r o r 2 =
24 2 . 1 3 2 9 e+24
25E r r o r por RaicesLUP
26 e r r o r 3 =
27 2 . 1 7 0 2 e+24
>>
28

3.1.7. Interprete los resultados.

Se observa mediante el calculo de los errores máximos producidos, que el que
mayor grado de efectividad es el Gauss, seguido por LU y Gauss Jordan, pero
es comprensible sabiendo el valor del número de condicionamiento de la matriz
de Hilbert es muy alto.
42 CAPÍTULO 3. DEBERES DE LOS PDF

3.2. 6. SVD
Ejemplo de compresión de una imagen a blanco y negro (o escala de grises)
utilizando la descomposición en valores singulares.

1. ¿Con cuál de la imágenes comprimidas te quedarı́as? ¿Por qué?

Me quedarı́a con la última imagen qe se muestra ya que se visualiza muy
bien y se sabe que ya esta comprimida de la imágen original.

2. ¿Cuántos valores singulares utiliza cada imágen comprimida?

Los valores de: 2, 4, 8, 16, 32 y 64.

3. En el código de compresión de imágenes blanco y negro, r0 repre-

senta el numero de valores singulares, cambia dicha instrucción
por r0 = 2 * k, r0 = 3k y r0 = 3*k. Con cual de estas instruc-
ciones te quedarı́as para calcular r0? Por qué?

Para r0 = 2 ∗ k
3.2. 6. SVD 43

Para r0 = 3k

Para r0 = 3 ∗ k
44 CAPÍTULO 3. DEBERES DE LOS PDF

Yo me quedarı́a con r0 = 3k porque es el que mejor definición dá, aun

cuando no es tan apreciable porque en el último caso el r0 = 3k excedió
el tamaño de la matriz.

4. Si aumentas el numero de valores singulares, mejora la compre-

sión?
No, mas bien aumenta su tamaño lo que en ciertos casos no es muy útil.
Se debe reducir ese número para mejorar la compresión.
3.3. 7. INTERPOLACIÓN 45

3.3. 7. Interpolación
Interpolación de Lagrange

1. Modificar el código dado para que realice el gráfico de los nodos y el

polinomio interpolador.

1%I n t e r p o l a c i o n de Lagrange
2%Los v a l o r e s i n g r e s a d o s de x e y son v e c t o r e s
3x = [ 1 , 2 , 2 . 5 ] ;
4y = [ 3 , 3 , 3 . 3 ] ;
5n=length ( x ) ;
6L=zeros ( n , n ) ;
7 f o r k =1:n
8 m=1;
9 f o r j =1:n
10 i f k˜= j
11 m=conv (m, poly ( x ( j ) ) ) / ( x ( k )−x ( j ) ) ;
12 end
13 end
14 L( k , : ) =m;
15 end
16L ;
17P=y∗L
18x1=min( x ) : 0 . 1 : max( x ) ;
19y1=polyval (P , x1 ) ;
20plot ( x1 , y1 )
21hold on
22plot ( x , y , ’ og ’ )

2. Cree su propio código.

1 function [ P]= I L a g r a n g e (X,Y)

2 n1=length (X) ;
3 x=sym ( ’ x ’ ) ;
4 L=sym ( ’ L ’ ) ;
5 P=sym ( ’P ’ ) ;
6 P=0;
7 f o r i =1: n1
8 L( i ) =1;
9 f o r j =1: n1
10 i f j ˜= i
11 L( i )=L( i ) ∗ ( x−X( j ) ) / (X( i )−X( j ) ) ;
12 end
13 end
14 end
15 f o r i =1: n1
16 P=P+expand (Y( i ) ∗L( i ) ) ;
17 end

3. En el siguiente cuadro se muestran temperaturas que fueron medidas cada

46 CAPÍTULO 3. DEBERES DE LOS PDF

hora, durante un lapso total de 5 horas.

H T
13 18
14 18
15 17
16 16
17 15
18 14

a) Construir el polinomio interpolador de Lagrange correspondiente a

los datos del cuadro 2.

b) Estimar la temperatura medio durante el periodo de 5 horas dado.

La temperatura media es de ≈ 16,43403

c) Dibuje los datos del cuadro y el polinomio interpolador encontrado,

en el mismo gráfico. Discuta el error que puede aparecer al usar dicho
polinomio para estimar la temperatura media.

Interpolación de Newton
1. Para los siguientes funciones y datos:
  πx 2
f (x) = 3 sin
6

x f(x)
0 0
1 0.75
2 2.25
3 3.00
4 2.25
3.3. 7. INTERPOLACIÓN 47

a) Calcule la tabla de diferencias divididas para la función tabulada.

xk yk f [x0 ] f [x0 , x1 ] f [x0 , x1 , x2 ] f [x0 , x1 , x2 , x3 ] f [x0 , x1 , x2 , x3 , x4 ]

0 0 0
1 0,75 0,75 0,75
2 2,25 2,25 1,5 0,375
3 3 3 0,75 −0,375 −0,25
4 2,25 2,25 −0,75 −0,75 −0,125 0,03125

b) Escriba los polinomios interpoladores de Newton P1 (x), P2 (x), P3 (x),

y P4 (x)

P1 (x) = 0,75x
P2 (x) = 0,375(x)(x − 1) + 0,75x
P3 (x) = −0,25(x)(x − 1)(x − 2) + 0,375(x)(x − 1) + 0,75x
P4 (x) = 0,03125(x)(x − 1)(x − 2)(x − 3) − 0,25(x)(x − 1)(x − 2) + 0,375(x)(x − 1) + 0,75x

c) Calcule los valores de los polinomios hallados en el apartado (b) en

los puntos x que se dan. P1 (1,5) = 1,125
P2 (1,5) = 1,4063
P3 (1,5) = 1,5
P4 (1,5) = 1,5175

P1 (3,5) = 2,625
P2 (3,5) = 5,9063
P3 (3,5) = 2,6251
P4 (3,5) = 2,8301

d ) Compare los valores obtenidos en el apartado (c) con los valores de

la función f (x).
f (1,5) = 1,5
El valor real de la función se aproxima mas al valor de P3 (1,5) con
un error absoluto de 0.000
f (3,5) = 2,799
El valor real de la función se aproxima mas al valor de P4 (3,5) con
un error absoluto de 0.0311

2. En el código dado, sección anterior, la matriz D se emplea para almacenar

la tabla de diferencias divididas:

a) Compruebe que la siguiente modificación, del código dado, es una

forma equivalente de calcular el polinomio interpolador de Newton.
1f o r k =0:N
48 CAPÍTULO 3. DEBERES DE LOS PDF

2 A( k ) = y ( k ) ;
3end
4f o r j =1:N
5 f o r k=N: − 1 : j
6 A( k ) = (A( k )−A( k−1) ) / ( x ( k )−x ( k−j ) ) ;
7 end
8end
9
10function [ C,A]= newton2 ( x , y )
11n=length ( x ) ;
12A=zeros ( n , n ) ;
13 f o r k =0:n
14 A( k )=y ( k ) ;
15end
16f o r j =1:n
17 f o r k=n : − 1 : j
18 A( k ) =(((A( k )−A( k−1) ) ) / ( ( x ( k )−x ( k−j
))));
19 end
20end
21C=A( n , n ) ;
22f o r k=n −1: −1:1
23C=conv (C, poly ( x ( k ) ) ) ;
24n=length (C) ;
25C( n )=C( n )+A( k , k )
26end

b) Repita el ejercicio 1 e indique las diferencias.

Este programa no puede ser ejecutado por un error que se produce

del valor asignado a y

Interpolación Spline
1. Construir un programa para la interpolación spline de grado 2.

1function s p l i n s e g u n d o g r a d o ( x , y )
2[ n , p]= s i z e ( x ) ;
3[ o , q]= s i z e ( y ) ;
4n i=q −1;
5a =1;
6b=1;
7c =1;
8d=2;
9s =[ a b c ] ;
10t =[d b 0 ] ;
11B=zeros ( 2 ∗ q −2 ,1) ;
12A=y ’ ;
13f o r i =1: q
14a=(x ( i ) ) ˆ 2 ;
15b=x ( i ) ;
16H( i , : ) =[ a b c ] ;
17f o r i =1: ni −1;
18J ( i , : ) =[d∗x ( i +1) 1 0 −d∗x ( i +1) − 1 ] ;
3.3. 7. INTERPOLACIÓN 49

19Z=zeros ( i , 1 ) ;
20end
21end
M=zeros ( 3 ∗ n i ) ;
22
23f o r i =1: n i
M( 2 ∗ i −1:2∗ i , 3 ∗ i −2:3∗ i )=H( i : i + 1 , : ) ;
24
25end
M( 1 , 1 ) =0;
26
27f o r i =1: n i
28B( 2 ∗ i −1:2∗ i , : ) =A( i : i + 1 , : ) ;
29end
30K=[B ; Z ] ;
31[ nf , nc ]= s i z e ( J ) ;
32f o r i =1:q−2
M( 2 ∗ q−2+i , ( ( 5 ∗ i −4) −(2∗ i −2) ) : ( ( 5 ∗ i ) −(2∗ i −2) ) )=J ( i , : ) ;
33
34end
M( 2 ∗ q −1 ,1) =0;
35
36S o l=M( 1 : ( ( 2 ∗ q−2)+(q−1) ) − 1 , 2 : ( ( 2 ∗ q−2)+(q−1) ) ) ;
37sp=inv ( S o l ) ∗K;
38c o e f =1;
39eq1 =[ sp ( c o e f ) sp ( c o e f +1) ]
40eq2 =[ sp ( c o e f +2) sp ( c o e f +3) sp ( c o e f +4) ]
41eq3 =[ sp ( c o e f +5) sp ( c o e f +6) sp ( c o e f +7) ]
42eq4 =[ sp ( c o e f +8) sp ( c o e f +9) sp ( c o e f +10) ]
43eq5 =[ sp ( c o e f +11) sp ( c o e f +12) sp ( c o e f +13) ]
44eq6 =[ sp ( c o e f +14) sp ( c o e f +15) sp ( c o e f +16) ]
45
46plot ( x , y , ’ g ’ , ’ LineWidth ’ , 1 ) ;
47x1 =[min( x ) : 0 . 1 : max( x ) ] ;
48I n t 1=interp1 ( x , y , x1 , ’ s p l i n e ’ ) ;
49S p l 1=s p l i n e ( x , y ’ , x1 ) ;
50plot ( x , y , x1 , I n t 1 , x , y , ’ ∗ ’ , ’ MarkerEdgeColor ’ , ’ r ’ , ’ LineWidth ’ , 2 )
51hold on ;

2. Consultar y desarrollar una metodologı́a para las funciones spline cúbicas.

Se tiene n + 1 puntos Pk (xk , yk ) donde yk = f (xk )k = 0, 1, ..., n en los cua-
les se quiere interpolar la función f . Las abscisas no es necesario que sean
equidistantes, pero se suponen ordenados, o sea: x0 < x1 < x2 < ... < xn

Se plantean las ecuaciones cúbicas y se evalúan en los puntos dados.

S1 = a11 x3 + a12 x2 + a13 x + a14

S2 = a21 x3 + a22 x2 + a23 x + a24

S3 = a31 x3 + a32 x2 + a33 x + a34

Se igualan primeras derivadas en los puntos medios:

S 0 (xk ) = 3a11 x2 + 2a12 x + a13 S 0 (xk ) = 3a21 x2 + 2a22 x + a23

3a11 x2 + 2a12 x + a13 = 3a21 x2 + 2a22 x + a23

50 CAPÍTULO 3. DEBERES DE LOS PDF

Se igualan las segundas derivadas en los puntos medios:

S 00 (xk ) = 6a11 x + 2a12 S 00 (xk ) = 6a21 x + 2a22

6a11 x + 2a12 = 6a21 x + 2a22

Resolviendo el sistema 12 × 12 se obtiene el spline de tercer grado es:


 S1 = a11 x3 + a12 x2 + a13 x + a14 , x0 ≤ x ≤ x1
f (x) = S2 = a21 x3 + a22 x2 + a23 x + a24 x1 ≤ x ≤ x2
S3 = a31 x3 + a32 x2 + a33 x + a34 x2 ≤ x ≤ x3


3. Implementar un algoritmo para la interpolación spline cúbica.

1function S=s p l i n e c u b i c a ( x , y , dx0 , dxn )

2 N=length ( x ) −1;
3 H=d i f f ( x ) ;
4 D=d i f f ( y ) . /H;
5 A=H( 2 : N−1) ;
6 B=2∗(H( 1 : N−1)+H( 2 :N) ) ;
7 C=H( 2 :N) ;
8 U=6∗ d i f f (D) ;
9 B( 1 )=B( 1 )−H( 1 ) / 2 ;
10 U( 1 )=U( 1 ) −3∗(D( 1 )−dx0 ) ;
11 B(N−1)=B(N−1)−H(N) / 2 ;
12 U(N−1)=U(N−1) −3∗(dxn−D(N) ) ;
13
14 f o r k =2:N−1
15 temp=A( k−1)/B( k−1) ;
16 B( k )=B( k )−temp∗C( k−1) ;
17 U( k )=U( k )−temp∗U( k−1) ;
18 end
19 M(N)=U(N−1)/B(N−1) ;
20 f o r k=N−2: −1:1
21 M( k+1)=(U( k )−C( k ) ∗M( k+2) ) /B( k ) ;
22 end
23 M( 1 ) =3∗(D( 1 )−dx0 ) /H( 1 )−M( 2 ) / 2 ;
24 M(N+1)=3∗(dxn−D(N) ) /H(N)−M(N) / 2 ;
25 f o r k =0:N−1
26 S ( k +1 ,1)=(M( k+2)−M( k+1) ) / ( 6 ∗H( k+1) ) ;
27 S ( k +1 ,2)=M( k+1) / 2 ;
28 S ( k +1 ,3)=D( k+1)−H( k+1) ∗ ( 2 ∗M( k+1)+M( k+2) ) / 6 ;
29 S ( k +1 ,4)=y ( k+1) ;
30
31 end
32 syms x ;
33 S1=poly2sym ( S ( 1 , : ) , ’ x ’ )
34 S2=poly2sym ( S ( 2 , : ) , ’ x ’ )
35 S3=poly2sym ( S ( 3 , : ) , ’ x ’ )

4. Resolver
3.3. 7. INTERPOLACIÓN 51

a) Interpolar por splines de grado 1,2 y 3 la función f(x)=1/x, tomando

los puntos (0.1;10),(0.2;5), (0.5;2), (1;1), (2;0.5), (5;0.2) y (10;0.1)

1) Grado 1

S0 = ax + b
S1 = cx + d
S2 = ex + f
S3 = gx + h
S4 = ix + j
S5 = kx + l

CONDICIONES INICIALES:

S0 (0,1) = 0,1a + b = 10
S0 (0,2) = 0,2a + b = 5
S1 (0,2) = 0,2c + d = 5
S1 (0,5) = 0,5c + d = 2
S2 (0,5) = 0,5e + f = 2
S2 (1) = e + f = 1
S3 (1) = g + h = 1
S3 (2) = 2g + h = 0,5
S4 (2) = 2i + j = 0,5
S4 (5) = 5i + j = 0,2
S5 (5) = 5k + l = 0,2
S5 (10) = 10k + l = 0,1
COEFICIENTES OBTENIDOS:

a = −50 b = 15 c = −10 d=7

e = −2 f =3 g = −0,5 h = 1,5
i = −0,1 j = 0,7 k = −0,02 l = 0,3


 −50x + 15 x  [0,1, 0,2]

−10x + 7 x  [0,2, 0,5]




−2x + 3 x  [0,5, 1]
S(x) =


 −0,5x + 1,5 x  [1, 2]
−0,1x + 0,7 x [2, 5]





−0,02x + 0,3 x  [5, 10]

52 CAPÍTULO 3. DEBERES DE LOS PDF

2) Grado 2

S0 = ax2 + bx + c
S1 = dx2 + ex + f
S2 = gx2 + hx + 1
S3 = jx2 + kx + l
S4 = mx2 + nx + o
S5 = px2 + qx + r
CONDICIONES INICIALES:

S0 (0,1) = 0,01a + 0,1b + c = 10

S0 (0,2) = 0,04a + 0,2b + c = 5
S1 (0,2) = 0,04d + 0,2e + f = 5
S1 (0,5) = 0,25d + 0,5e + f = 2
S2 (0,5) = 0,25g + 0,5h + i = 2
S2 (1) = g + h + i = 1
S3 (1) = j + k + l = 1
S3 (2) = 4j + 2k + l = 0,5
S4 (2) = 4m + 2n + l = 0,5
S4 (5) = 25m + 5n + o = 0,2
S5 (5) = 25p + 5q + r = 0,2
S5 (10) = 100p + 10q + r = 0,1

0,4a + b = 0,4d + e
d+e=g+h
2g + h = 2j + k
4j + k = 4m + n
10m + n = 10p + q
CONDICION NATURAL:

10p + q = 0
COEFICIENTES OBTENIDOS:

a = 331,9 b = −149,57 c = 21,63

d = 22,7 e = −25,89 f = 9,27
g = 2,38 h = −5,57 i = 4,19
j = 0,31 k = −1,43 l = 2,12
m = 0,03 n = −0,31 o=1
p = −0,002 q = 0,01 r = 0,2
3.3. 7. INTERPOLACIÓN 53



 331,9x2 − 149,57x + 21,63 x  [0,1, 0,2]

22,7x2 − 25,89x + 9,27 x  [0,2, 0,5]




2,38x2 − 5,57x + 4,19 x  [0,5, 1]

S(x) =


 0,31x2 − 1,43x + 2,12 x  [1, 2]
0,03x2 − 0,11x + 1 x [2, 5]





−0,002x2 + 0,01x + 0,2 x  [5, 10]


3) Grado 3

S0 = ax3 + bx2 + cx + d
S1 = ex3 + f x2 + gx + h
S2 = ix3 + jx2 + kx + l
S3 = mx3 + nx2 + ox + p
S4 = qx3 + rx2 + sx + t
S5 = ux3 + vx2 + wx + y

CONDICIONES INICIALES:

S0 (0,1) = 1 ∗ 10,3 a + 0,01b + 0,1c + d = 10

S0 (0,2) = 8 ∗ 10,3 a + 0,01b + 0,1c + d = 5
S1 (0,2) = 8 ∗ 10,3 e + 0,04f + 0,2g + h = 5
S1 (0,5) = 0,125e + 0,25f + 0,2g + h = 2
S2 (0,5) = 0,125i + 0,25j + 0,2k + l = 2
S2 (1) = i + j + k + l = 1
S3 (1) = m + n + o + p = 1
S3 (2) = 8m + 4n + 2o + p = 0,5
S4 (2) = 8q + 4r + 2s + t = 0,5
S4 (5) = 125q + 25r + 5s + t = 0,2
S5 (5) = 125u + 25v + 5w + y = 0,2
S5 (10) = 1000u + 100v + 10w + y = 0,1

0,6a + 0,4b + c = 0,6e + 0,4f + g

1,5e + f + g = 1,5i + j + k
3i + 2j + k = 3m + 2n + o
12m + 4n + o = 12q + 4r + s
54 CAPÍTULO 3. DEBERES DE LOS PDF

75q + 10r + s = 75u + 10v + w

1,2a + 2b = 1,2e + 2f
3e + 2f = 3i + 2j
6i + 2j = 6m + 2n
12m + 2n = 12q + 2r
30q + 2r = 30u + 2v
CONDICIONES NATURALES:

0,03a + 0,2b + c = 0
300u + 20v + w = 0
COEFICIENTES OBTENIDOS:

a = 340,51 b = 363,79 c = −182,97 d = 24,31

e = 214,03 f = −439,67 g = 214,3 h = −21,98
i = 76,73 j = −233,72 k = 214,3 l = −56,31
m = 1,17 n = −7,03 o = 12,39 p = −5,53
q = 0,03 r = −0,19 r = −1,27 t = 3,57
u = −0,02 v = 0,74 w = −5,99 y = 15,27



340,51x3 + 363,79x2 − 182,97x + 24,31 x  [0,1, 0,2]

214,03x3 − 439,67x2 + 214,3x − 21,98 x  [0,2, 0,5]




76,73x3 − 233,72x2 + 214,3x − 56,31 x  [0,5, 1]

S(x) =


1,17x3 − 7,03x2 + 12,39x − 5,53 x  [1, 2]
0,03x3 − 0,19x2 − 1,27x + 3,57 x  [2, 5]




0,02x3 + 0,74x2 − 5,99x + 15,27 x  [5, 10]


1
b) Interpolar por splines cúbicos la función en el intervalo 0 <
x2 + 1
x < 1 tomando los seis puntos de las abcisas xk = k5 k=0,1,2,3,4,5.

Evaluando xk queda la siguiente tabla

xk f (xk )
0 1
1/5 1/2
2/5 1/5
3/5 1/10
4/5 1/17
1 1/26
3.3. 7. INTERPOLACIÓN 55

S0 = ax3 + bx2 + cx + d
S1 = ex3 + f x2 + gx + h
S2 = ix3 + jx2 + kx + l
S3 = mx3 + nx2 + ox + p
S4 = qx3 + rx2 + sx + t

CONDICIONES INICIALES:

S0 (0) = d = 1
S0 (1/5) = 8 ∗ 10,3 a + 0,04b + 0,2c + d = 0,5
S1 (1/5) = 8 ∗ 10,3 e + 0,04f + 0,2g + h = 0,5
S1 (2/5) = 0,064e + 0,16f + 0,4g + h = 0,2
S2 (2/5) = 0,064i + 0,16j + 0,4k + l = 0,2
S2 (3/5) = 0,216i + 0,36j + 0,6k + l = 0,1
S3 (3/5) = 0,216m + 0,36n + 0,6o + p = 0,1
S3 (4/5) = 0,512m + 0,64n + 0,8o + p = 0,05
S4 (4/5) = 0,512q + 0,64r + 0,8s + t = 0,05
S4 (1) = q + r + s + t = 0,03
PRIMERAS DERIVACIONES:

0,12a + 0,4b + c = 0,12e + 0,4f + g

0,42e + 0,8f + g = 0,42i + 0,8j + k
1,08i + 1,2j + k = 1,08m + 1,2n + o
1,92m + 1,6n + o = 1,92q + 1,6r + s
SEGUNDAS DERIVACIONES

1,2a + 2b = 1,2e + 2f
2,4e + 2f = 2,4i + 2j
3,6i + 2j = 3,6m + 2n
4,8m + 2n = 4,8q + 2r
CONDICIONES NATURALES:

c=0
3q + 2r + s = 2
56 CAPÍTULO 3. DEBERES DE LOS PDF

COEFICIENTES OBTENIDOS:

a = −156,08 b = 43,71 c=0 d=0

e = −36,58 f = −27,98 g = −8,04 h = 1,28
i = 37,08 j = −60,41 k = 31,73 l = −5,2
m = −20 n = 42,33 o = −29,91 p = 7,13
q = 40,41 r = −102,66 r = 86,08 t = −23,8




 −156,08x3 + 43,71x2 x  [0, 1]
3 2
−36,58x − 27,98x − 8,04 + 1,28 x  [1/5, 2/5]



S(x) = 37,08x3 − 60,412x2 + 31,73x − 5,2 x  [2/5, 3/5]

−20x3 + 42,33x2 − 29,91x7,13 x  [3/5, 4/5]




40,41x3 − 0,19x2 + 86,08x − 23,8 x  [4/5, 1]


5. Se considera la función polinomial a trozos

x3 ,

x ∈ [0, 1]
f (x) =
0, 5(x − 1) + a(x − 1)2 + b(x − 1) + c
3
x ∈ [1, 3]

Determinar que condiciones deben verificar los parámetros reales a, b y c

para que dicha función sea un spline cúbico sobre Γ = 0, 1, 3.
Se derivan una vez y se igualan teniendo en cuenta el punto en común:

3x2 = 1,5(x − 1)2 + 2a(x − 1) + b en x=1

entonces:
b=3
Se derivan una vez más y se igualan teniendo en cuenta el punto en común:

6x = 3(x − 1) + 2a en x=1

entonces:
a=3 y c=1
 Capı́tulo 4

Deberes Extra

4.1. Factorización SVD

En este código se realiza la factorización SVD pero realizando todo el proceso
de obtención de valor y vectores propios.
1 function [ U, D,V]=SVD2(B)
2 C=B ;
3 A=B’ ∗B ;
4 n=length (A) ;
5 V=eye ( n ) ;
6 f o r i =1:n
7 B=Aˆ i ;
8 s ( i )=trace (B) ;
9 end
10 p ( 1 )=−s ( 1 ) ;
11 f o r i =2:n
12 p ( i )=−s ( i ) / i ;
13 f o r j =1: i −1
14 p ( i )=p ( i )−p ( j ) ∗ s ( i −j ) / i ;
15 end
16 end
17 r a i z=roots ( [ 1 p ] ) ;
18 r a i z=sort ( r a i z , ’ d e s c e n d ’ ) ;
19 D=sqrt ( diag ( r a i z ) ) ;
20 f o r i =1: s i z e ( r a i z )
21 i f r a i z ( i )==0
22 D( i , : ) = [ ] ;
23 end
24 end
25 f o r i =1:n
26 aux=n u l l (A−r a i z ( i ) ∗eye ( n ) , ’ r ’ ) ;
27 V ( : , i )=aux /norm( aux ) ;
28 end
29 f o r i =1: s i z e ( r a i z )
30 i f r a i z ( i ) ˜=0
31 aux2 =(1/ sqrt ( r a i z ( i ) ) ) ∗C∗V ( : , i ) ;
32 U ( : , i )=aux2 /norm( aux2 ) ;
33 end

57
 58 CAPÍTULO 4. DEBERES EXTRA

34 end

4.2. Solución de sistemas de ecuaciones con SVD

En este código se utiliza la factorización SVD anterior para resolver un sis-
tema de ecuaciones.
1 function [X]= s v d s o l (B, b , d )
2 C=B ;
3 A=B’ ∗B ;
4 n=length (A) ;
5 V=eye ( n ) ;
6 f o r i =1:n
7 B=Aˆ i ;
8 s ( i )=trace (B) ;
9 end
10 p ( 1 )=−s ( 1 ) ;
11 f o r i =2:n
12 p ( i )=−s ( i ) / i ;
13 f o r j =1: i −1
14 p ( i )=p ( i )−p ( j ) ∗ s ( i −j ) / i ;
15 end
16 end
17 r a i z=roots ( [ 1 p ] ) ;
18 r a i z=sort ( r a i z , ’ d e s c e n d ’ ) ;
19 D=sqrt ( diag ( r a i z ) ) ;
20 f o r i =1: s i z e ( r a i z )
21 i f r a i z ( i )==0
22 D( i , : ) = [ ] ;
23 end
24 end
25 f o r i =1:n
26 aux=n u l l (A−r a i z ( i ) ∗eye ( n ) , ’ r ’ ) ;
27 V ( : , i )=aux /norm( aux ) ;
28 end
29 f o r i =1: s i z e ( r a i z )
30 i f r a i z ( i ) ˜=0
31 aux2 =(1/ sqrt ( r a i z ( i ) ) ) ∗C∗V ( : , i ) ;
32 U ( : , i )=aux2 /norm( aux2 ) ;
33 end
34 end
35 [m, n]= s i z e (D) ;
36 Dinv=zeros (m, n ) ;
37 f o r i =1:m
38 i f D( i , i )<d
39 Dinv ( i , i ) =0;
40 D( i , i ) =0;
41 else
42 Dinv ( i , i ) =1/(D( i , i ) ) ;
43 end
44 end
45 Binv=(V∗ Dinv ) ∗U ’ ;
46 X=Binv ∗b ;
Capı́tulo 5

Gödel, Escher y Bach

5.1. Resumen
El libro comienza a partir de la historia de la ofrenda musical de Bach, en
la cual se narra la historia del Rey Federico el Grande de Prusia que se permite
improvisar sobre esta obra de Bach. Esto da el punto de partida para expli-
car cómo, el primer pilar del libro: el compositor Johann Sebastian Bach; logra
componer obras, no solo con un gran sentido musical, sino que también ofrece
extraordinarias composiciones que desafı́an las leyes naturales del oı́do humano,
es de esta forma que Bach logra realizar cánones, que son composiciones con
reglas muy marcadas sobre la melodı́a y la armonı́a que debe haber entre ellos;
también se explica las fugas, que son parecidas a los cánones pero con mayor
libertad, luego se establece un cánon de Bach, el “Canon per Tonos” que parte
desde una nota su armonı́a y melodı́a y termina en el siguiente tono de esa nota
sin cambios bruscos dentro de la composición, esto propone la idea de que el
oı́do humano espera que cuando una composición comience en una nota, termine
en la misma; pero esta vez no es ası́ dejando al oı́do en una clase de paradoja
sabiendo que la obra termino pero sin sentirlo ası́; entonces se podrı́a decir que
para completar la obra se la vuelva a interpretar en la nota que termino, y repe-
tirlo ası́ por seis veces, por los seis tonos musicales, para terminar en la misma
nota original; y es de esta manera que el autor logra introducir el concepto de
recursividad, que engloba los bucles que pueden comenzar y terminar sobre el
mismo punto, a estos los llamará, bucles extraños. Con esto en mente logra in-
troducir al segundo pilar del libro: el pintor M. C. Escher, que puede mostrar
el mismo fenómeno de recursividad de Bach, pero en sus cuadros, es decir que
comienzan en una forma y pueden concluir en otra, ası́ como se muestra en el
cuadro “Metamorfosis II”, o bien logra mostrar también los bucles extraños,
pero esta vez al ser de forma gráfica se logra comprender mejor de que se trata
este fenómeno ası́ como las pinturas de “Cascada” y “Subiendo y Bajando”. El
ultimo pilar del libro es el matemático Kurt Gödel, a quien se vuelve mas difı́cil
introducirlo en escena, aunque su teorema tiene mucho que ver con la recursi-

59
60 CAPÍTULO 5. GÖDEL, ESCHER Y BACH

vidad y los bucles extraños, pero esta vez se trata de los números y teoremas;
todo parte del objetivo que se plateó David Hilbert de revisar todos los teore-
mas de las matemáticas hasta llegar a los axiomas más primitivos, para darle
una base fuerte a la matemática que sigue apareciendo a partir de ella, a este
compilado lo llamó “Principia Mathematica”; pero Gödel logró ver más allá de
lo que Hilbert pudo, porque Gödel entendió lo que próximamente se llamarı́a:
“teorema de incompletitud de Gödel”, que, parafraseando dice que ningún sis-
tema de la matemática formal es capaz de probar por completo los fundamentos
o los axiomas primordiales que la componen, en otras palabras ningún sistema
formal podrá demostrarse a si mismo, en una palabra, recursividad. También
estableció que, si un sistema matemático formal tiene sus axiomas primitivos
comprobados de forma “lógica”, a parte de los teoremas que se logrará conseguir
manejando adecuadamente los axiomas; existirán teoremas que revisados con la
misma lógica resultarán ser verdaderos, pero no podrán ser comprobados a par-
tir de los axiomas que se conocen, es decir, de cierta forma, un bucle extraño.
Para ejemplificar de lo que se tratará cada capı́tulo, el autor utiliza el recurso
de un diálogo entre dos personajes basados en un dialogo de Lewis Carrol, se
trata de Aquiles y la Tortuga.

Para el primer capı́tulo, se parte del particular dialogo entre Aquiles y la

Tortuga, recordando uno de las más famosas paradojas de Zenon; en la cual se
pone en duda el mismı́simo concepto de movimiento en una carrera a ejecutarse
entre Aquiles y la Tortuga, la que, por obvias razones tendrá ventaja sobre el
anterior; al comenzar a correr se afirma que mientras Aquiles llega al punto de
partida de la tortuga, esta ha avanzado una mitad más, ası́ recursivamente, has-
ta decir que Aquiles nunca la alcanzará. En este capı́tulo además se introduce
el acertijo MU, en el que se plantea que, a partir del axioma MIU y mediante
el uso de reglas se intente llegar al teorema MU, que mas adelante veremos que
es imposible y esto se lo puede demostrar.

En el segundo capı́tulo se da partida a entender lo que es un sistema formal y

sus diferentes axiomas, o los teoremas capaces de producir; es ahı́ donde ingresa
a escena, el sistema “pq”, que es un sistema muy fácil de entender sobre todo
cuando se explican los isomorfismos dentro de los sistemas formales, y en este
caso es tan simple como una suma. Pero se puede ubicar “sumas” conocidas
que, se sabe, son reales; que no son parte de los teoremas capaces de producir el
sistema “pq”, ejemplifica claramente el teorema de Gödel, o se puede apreciar
de manera grafica esta interpretación por medio de la pintura ”Liberación”de
Escer.

Para el tercer capı́tulo se llega con la premisa de una conversación telefónica

entre Aquiles y la Tortuga, pero tan solo podemos tener conocimiento de lo que
Aquiles dice; este dialogo, muy útil para caracterizar los conceptos de figura y
campo dentro de los sistemas formales que hemos ido revisando, es por esto que
se incluyen sistemas como el tq, que ejemplifica una variante del ya conocido
“pq”, también se revisa los números primos y la forma en la cual se pueden ir
5.1. RESUMEN 61

obteniendo más y más números primos, y gráficamente se revisa pinturas como

“Cobertura de un plano mediante pájaros” o “FIGURA-FIGURA” de Scott E.
Kim.

El teorema de Gödel se vuelve visible y comprensible, cuando llegamos al

capı́tulo cuatro. Donde hablamos de uno de los grandes matemáticos de los
tiempos antiguos, Euclides, que, como quiso hacer Hilbert, estableció los axio-
mas principales de la geometrı́a que se conocı́a hasta el momento, todos sonaban
muy lógicos y hasta el momento se podı́a comprobar toda la geometrı́a a partir
de esos axiomas; pero al avanzar los tiempos se encontró situaciones de diversas
geometrı́as para las cuales los axiomas planteados por Euclides, no tenı́an vali-
dación alguna, como la geometrı́a elı́ptica o la geometrı́a hiperbólica, entonces a
este conjunto se lo llamó Geometrı́a No Euclideana. La premisa de este capı́tulo
esta configurada por un dialogo entre Aquiles y la Tortuga, quien cuenta una
historia en la cual su amigo el cangrejo consigue un fonógrafo; y la tortuga lleva
un disco que mediante las vibraciones destruye el fonógrafo, lo que ilustra que
para cualquier fonógrafo X con mejores caracterı́sticas que el anterior, existirá
un disco X que logre destruirlo; la única manera de no destruirlo serı́a que aquel
fonógrafo no pueda reproducir el disco que lo destruya, pero si ese fonógrafo
está limitado en su reproducción, entonces no será de una reproducción fiable
o, mejor dicho, será un mal fonógrafo.

En el capı́tulo 5 se hablará concretamente de procesos recursivos, que son

aquellos que se repiten sin parar, o que al completarse regresan al mismo punto,
de tal manera se establece el diálogo de Aquiles y la Tortuga. Estos procesos
recursivos también se pueden entender como aquellos procesos que se mencionan
a si mismos o se autoreferencian, haciéndolos iniciar nuevamente.

El capı́tulo 6 relata lo concerniente a la significación que cada cosa posee;

entonces se establece a la significación, no como un valor absoluto de cada cosa,
sino mas bien una relación estrecha entre el emisor, el mensaje y el receptor,
es decir, cada cosa puede variar su significado dependiendo de quién y a que
momento lo dice, y de quien y cómo lo recibe. Ası́ como lo constituye el ADN,
que, se sabe que si solo se coloca como una larga serie de sı́mbolo no tendrá
ninguna significación para alguien que desconoce el significado que se le dio a
cada sı́mbolo.

En el capı́tulo 7 se ocupa todo lo utilizado en capı́tulos anteriores para inten-

tar enfrascar el lenguaje dentro de un sistema formal, y darle una significación,
tan solo, a la palabra “y”; de esta pregunta también se ocupan Aquiles y la Tor-
tuga. Para lo cual se ofrece un sistema de descripción simbólica para el calculo
proposicional, en el que se dan los significados matemáticos de “y” y “o” para
la descripción y agrupación de teoremas.

El capı́tulo 8 ofrece como introducción un agradable dialogo que ejemplifica

el “Canon Cangrejo” tanto la composición de Bach como la pintura de Escher,
62 CAPÍTULO 5. GÖDEL, ESCHER Y BACH

que revisa la marcha hacia atrás como un proceso recursivo igualmente. Y para
este capı́tulo se utiliza lo que se ha aprendido a cerca de el cálculo proposicional
para definir, de manera concreta, al sistema formal TNT, conformado de varias
reglas y axiomas, con las cuales, se permite reducir cualquier teorema matemáti-
co, a un conjunto de sı́mbolos bien ordenados, esquematizados y normados; es
decir, lo vuelven un isomorfismo de los teoremas matemáticos.

Para el capı́tulo 9 se abre una nueva visión de lo revisado hasta el momento,

por medio de teorı́as budistas las cuales centran sus creencias, en el “zen”, un
concepto difı́cil de comprender, sobre todo cuando una de las formas en las que
se deberı́a comprenderlo, es por medio de los “koans” de los cuales se encarga
de explicarle Aquiles a la Tortuga, que básicamente son relatos, o diálogos, o
frases, o alguna forma de comunicación que enseña una verdad acerca del “zen”,
estos “koans” también pueden ser “escritos” en forma de nudos, que siguen una
secuencia ordenada de pasos; lo que nos lleva a pensar en un isomorfismo de un
sistema formal.

Para comenzar la Parte II del libro se toma un diálogo entre la Tortuga,

Aquiles y el Cangrejo y el Oso Hormiguero a cerca de los preludios y fugas,
mientras escuchan una de las melodı́as de Bach.

En el capı́tulo 10 se revisa la recursividad de los niveles de descripción, es

decir, se revisa el momento en el cual se esta tratando un nivel primario ya sea
un tema en especı́fico de conversación, o alguna actividad que se realice, o un
nivel de comunicación, etc.; pero en medio de este es necesario saltar a un se-
gundo nivel para dar mayor comprensión al sistema, y ası́ se continúa brincando
entre niveles hasta que sea necesario volver al nivel primario, para lo cual será
necesario volver de uno en uno, este esquema podrá ser graficado en pilas, es
ası́ como se establece el funcionamiento de estas pilas en los sistemas de compu-
tación.

El capitulo 11 continúa con el dialogo iniciado en el capı́tulo anterior entre

la Tortuga, Aquiles, el Cangrejo y el Oso hormiguero; llevando la conversación
hacia dos palabras muy importantes Holismo, es necesario la comprensión del
todo para comprender sus partes, y Reduccionismo, es necesario la comprensión
de las partes para comprender el todo. Y entonces todos ellos son llevados a una
conferencia por parte del oso hormiguero a cerca de las hormigas y la colonia de
hormigas, la cual describe una perfecta relación de Holismo con Reduccionismo,
y cómo, muchas veces el bien de la colonia está en sacrificar algunas hormigas.
Los dos últimos capı́tulos continúa con el mismo tema, pero esta vez se encarga
de trabajar el funcionamiento de las neuronas en el cerebro. Es por esto que nos
lleva a hacernos cargo de las palabras Caso y Clase, para comprender de una
mejor manera como: cada neurona es capaz de albergar una clase, por lo tanto,
cada vez que nos encontremos con un caso, necesitaremos entrelazar todas las
clases que componen ese caso para darle un sentido completo en nuestro cerebro.
5.1. RESUMEN 63

La primera parte de este libro, permite establecer temas, que parecı́an estar
tan dispersos como sistemas formales, isomorfismos, recursividad, e incluso el
budismo zen; para representarnos de una manera clara una perfecta relación
entre muchos de ellos en situaciones de la vida común, como lo es: la música,
pintura e incluso las matemáticas.