Académique Documents
Professionnel Documents
Culture Documents
del cual calculamos la última incógnita y por sustitución regresiva el resto de las
incógnitas.
Si 𝑎𝑞𝑞 = 0, localizamos la primera fila por debajo de la fila q, por ejemplo, la fila k en la que
𝑎𝑘𝑞 ≠ 0 y procedemos a intercambiar las filas k y q.
Ejemplo 1:
Matriz Ampliada
Columna 1
1) 𝑎11 = 1.133 ≠ 0
24.14
2) 𝑚21 = − 1.133 = −21.31
3) 𝐹2 = 𝐹2 + 𝑚21 (𝐹1 )
0 = 24.14 − 21.31(1.133)
−113.7 = −1.210 − 21.31(5.281)
−113.8 = 22.93 − 21.31(6.414)
Sustitución regresiva
−113.8
𝑥2 = = 1.001
−113.7
𝑥1 = 0.9953
Ejemplo 2:
Resolver el sistema:
Matriz Ampliada
Columna 1
1) 𝑎11 = 24.14 ≠ 0
1.133
2) 𝑚21 = − 24.14 = −0.0469
3) 𝐹2 = 𝐹2 + 𝑚21 (𝐹1 )
0 = 1.133 − 0.0469(24.14)
5.3377 = 5.281 − 0.0469(−1.210)
5.3386 = 6.414 − 0.0469(22.93)
Sustitución regresiva
5.3386
𝑥2 = = 1.0001
5.3377
𝑥1 = 0.9995
Se puede ver que una forma de controlar y reducir el error es usando como pivote el elemento
de mayor magnitud (desde el de la diagonal hacia abajo). Se reduce notablemente el error de
redondeo. Esto se conoce como pivoteo parcial.
Un sistema AX=B está mal condicionado si la matriz A es mal condicionada; es decir
pequeños cambios en A producen grandes cambios en la solución del sistema.
Taller
3. Gauss Jordan
Es una variación de la eliminación de Gauss mediante la cual se hacen 0 los números
que están sobre y bajo un pivote en la matriz ampliada. La solución corresponde a la
columna n+1.
Inversa de Matriz
Se obtiene a partir de la eliminación de Gauss Jordan para lo cual se forma una matriz
ampliada (de orden nx2n) en la que sus n primeras columnas corresponden a la matriz A y
las n restantes a la matriz identidad. Luego mediante operaciones de filas y matriz, le damos
la forma 𝐴𝑏 = (I|A−1 )
Frecuentemente no es posible escalonar una matriz solo con operaciones de eliminación entre
filas, sino que se requiere adicionalmente intercambiar filas previamente.
Ejemplo:
1 2 3
𝐴 = (2 4 5)
7 8 9
1 0 0 1 2 3 0 0 0
𝑃1 = (0 1 0) , 𝑈1 = 𝐴 = (2 4 5) , 𝐿1 = (0 0 0)
0 0 1 7 8 9 0 0 0
0 0 1 7 8 9 0 0 0
𝑃2 = (0 1 0) , 𝑈2 = (2 4 5) , 𝐿2 = (0 0 0)
1 0 0 1 2 3 0 0 0
0 0 1 7 8 9 0 0 0
𝑃3 = (0 1 0) , 𝑈3 = (0 12/7 17/7) , 𝐿3 = ( 2/7 0 0)
1 0 0 0 6/7 12/7 1/7 0 0
0 0 1 7 8 9 0 0 0
𝑃4 = (0 1 0) , 𝑈4 = ( 0 12/7 17/7) , 𝐿4 = ( 2/7 0 0)
1 0 0 0 0 1/2 1/7 1/2 0
0 0 1
𝑃 = 𝑃4 = (0 1 0)
1 0 0
7 8 9
𝑈 = 𝑈4 = (0 12/7 17/7)
0 0 1/2
1 0 0
𝐿 = 𝐿4 + 𝐼 = (2/7 1 0)
1/7 1/2 1
𝐴𝑋 = 𝐵 1
𝑃𝐴 = 𝐿𝑈 2
1 ∗ 𝑃 𝑃𝐴𝑋 = 𝑃𝐵 3
𝐵1 = 𝑃𝐵
2 𝑒𝑛 3 𝐿𝑈𝑋 = 𝐵1
𝑈𝑋 = 𝑌 4
𝐿𝑌 = 𝐵1 5
Las ecuaciones 4 y 5 corresponden 2 sistemas lineales triangulares; del sistema triangular
superior 5 encontramos el vector Y. Con Y en el sistema triangular superior 4 encontramos
el vector X que es la solución del sistema lineal 1.
Ajuste de Curvas
Es la representación de una función ya sea que se conozcan pocos puntos o todos los puntos
de la misma mediante un polinomio o un spline.
Interpolación polinomial
Consiste en buscar un polinomio P con el menor grado posible para el cual 𝑃(𝑥𝑖 ) = 𝑓(𝑥𝑖 ),
0 ≤ 𝑖 ≤ 𝑛; a partir de una tabla de n puntos (𝑥𝑖 , 𝑦𝑖 ). Se dice por tanto que tal polinomio P
hace una interpolación de estos datos.
1. Interpolación de Lagrange
Con n puntos se tiene un polinomio de grado n-1 que pasa por los n puntos.
Para encontrar el polinomio se emplean las siguientes formulas:
𝑛−1
siendo
∑𝑛−1
𝑗=0 (𝑥 − 𝑥𝑗 )
𝐿𝑛−1,𝑘 (𝑥) = , 𝑘≠𝑗
∏𝑛−1
𝑗=0 (𝑥𝑘 − 𝑥𝑗 )
Ejemplo: Encontrar el polinomio interpolador de Lagrange del siguiente conjunto de
nodos.
𝑥 𝑓(𝑥)
𝑥0 = 1 5 = 𝑓(𝑥0 )
𝑥1 = 2 | 9 = 𝑓(𝑥1 )
𝑥2 = 3 15 = 𝑓(𝑥2 )
𝑥3 = 4 14 = 𝑓(𝑥3 )
𝑛 = #𝑝𝑢𝑛𝑡𝑜𝑠 = 4
𝑔𝑟𝑎𝑑𝑜 𝑑𝑒 𝑃 = 3
𝑓(𝑥) = ∑ 𝑓(𝑥𝑘 )𝐿3,𝑘 (𝑥) = 𝑓(𝑥0 )𝐿3,0 (𝑥) + 𝑓(𝑥1 )𝐿3,1 (𝑥) + 𝑓(𝑥2 )𝐿3,2 (𝑥) + 𝑓(𝑥3 )𝐿3,3 (𝑥)
𝑘=0
1
𝐿3,0 (𝑥) = − (𝑥 − 2)(𝑥 − 3)(𝑥 − 4)
6
(𝑥 − 1)(𝑥 − 3)(𝑥 − 4) 1
𝐿3,1 (𝑥) = = (𝑥 − 1)(𝑥 − 3)(𝑥 − 4)
(2 − 1)(2 − 3)(2 − 4) 2
(𝑥 − 1)(𝑥 − 2)(𝑥 − 4) 1
𝐿3,2 (𝑥) = = − (𝑥 − 1)(𝑥 − 2)(𝑥 − 4)
(3 − 1)(3 − 2)(3 − 4) 2
(𝑥 − 1)(𝑥 − 2)(𝑥 − 3) 1
𝐿3,3 (𝑥) = = (𝑥 − 1)(𝑥 − 2)(𝑥 − 3)
(4 − 1)(4 − 2)(4 − 3) 6
Simplificando se tiene:
3 31
𝑓(𝑥) = − 𝑥 3 + 10𝑥 2 − 𝑥 + 12
2 2
2. Interpolación de Newton
Se utiliza para construir varios polinomios de aproximación para una misma función
calculados mediante el siguiente esquema recursivo.
𝑃1 (𝑥) = 𝑎0 + 𝑎1 (𝑥 − 𝑥0 )
𝑃2 (𝑥) = 𝑎0 + 𝑎1 (𝑥 − 𝑥0 ) + 𝑎2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
𝑃3 (𝑥) = 𝑎0 + 𝑎1 (𝑥 − 𝑥0 ) + 𝑎2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝑎3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
⋮
𝑃𝑛 (𝑥) = 𝑎0 + 𝑎1 (𝑥 − 𝑥0 ) + 𝑎2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝑎3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
+ ⋯ + 𝑎𝑛 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) … (𝑥 − 𝑥𝑛−1 )
Siendo 𝑎0 , 𝑎1 , 𝑎2 , … , 𝑎𝑛 los coeficientes de Newton y 𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 son los centros.
Diferencias Divididas
Las diferencias divididas de una función f(x) se definen:
𝑓[𝑥0 ] = 𝑓(𝑥0 )
𝑓[𝑥1 ] − 𝑓[𝑥0 ] 𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑓[𝑥0 , 𝑥1 ] = =
𝑥1 − 𝑥0 𝑥1 − 𝑥0
𝑓[𝑥1 , 𝑥2 ] − 𝑓[𝑥0 , 𝑥1 ] 𝑓(𝑥1 , 𝑥2 ) − 𝑓(𝑥0 , 𝑥1 )
𝑓[𝑥0 , 𝑥1 , 𝑥2 ] = =
𝑥2 − 𝑥0 𝑥2 − 𝑥0
𝑓[𝑥1 , 𝑥2 , 𝑥3 ] − 𝑓[𝑥0 , 𝑥1 , 𝑥2 ] 𝑓(𝑥1 , 𝑥2 , 𝑥3 ) − 𝑓(𝑥0 , 𝑥1 , 𝑥2 )
𝑓[𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 ] = =
𝑥3 − 𝑥0 𝑥3 − 𝑥0
Los coeficientes 𝑎𝑘 del polinomio 𝑃𝑛 (𝑥) se puede calcular usando diferencias
divididas de 𝑓(𝑥) mediante la ecuación 𝑎𝑘 = 𝑓[𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑘 ], 𝑘 = 0,1,2, … , 𝑛.
Ejemplo: Encontrar el polinomio interpolador de Newton del siguiente conjunto de
datos.
𝑥 𝑓(𝑥)
𝑥0 = 1 −3 = 𝑓(𝑥0 )
𝑥1 = 2 0 = 𝑓(𝑥1 )
𝑥2 = 3 | 15 = 𝑓(𝑥2 )
𝑥3 = 4 48 = 𝑓(𝑥3 )
𝑥4 = 5 105 = 𝑓(𝑥4 )
𝑥5 = 6 192 = 𝑓(𝑥 )
5
𝑎0 = 𝑓[𝑥0 ] = 𝑓(𝑥0 ) = −3
𝑓(𝑥1 ) − 𝑓(𝑥0 ) 0 − (−3)
𝑎1 = 𝑓[𝑥0 , 𝑥1 ] = = =3
𝑥1 − 𝑥0 2−1
𝑓(𝑥2 ) − 𝑓(𝑥1 )
𝑓[𝑥1 , 𝑥2 ] − 𝑓[𝑥0 , 𝑥1 ] − 3 15 − 0 − 3
𝑥2 − 𝑥1
𝑎2 = 𝑓[𝑥0 , 𝑥1 , 𝑥2 ] = = = 3−2 =6
𝑥2 − 𝑥0 3−1 3−1
𝑓[𝑥2 , 𝑥3 ] − 𝑓[𝑥1 , 𝑥2 ]
𝑓[𝑥1 , 𝑥2 , 𝑥3 ] − 𝑓[𝑥0 , 𝑥1 , 𝑥2 ] −6
𝑥3 − 𝑥1
𝑎3 = 𝑓[𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 ] = =
𝑥3 − 𝑥0 4−1
𝑓(𝑥3 ) − 𝑓(𝑥2 ) 48 − 15
− 15
𝑥3 − 𝑥2
− 6 4 − 3 − 15 − 6
= 4−2 = 2 =1
3 3
𝑎4 = 0
𝑎5 = 0
Nota: Se puede calcular los coeficientes del polinomio de Newton, en forma
matricial, en diferencias divididas de la siguiente manera.
Nota: La sumatoria de los 𝜖𝑖 podría ser cero por tener valores positivos y negativos, por lo
que es necesario trabajar con el error cuadrático. 𝜖𝑖2 = (𝑦𝑖 − 𝑦̂)
𝑖
2
𝑦̂ = 𝑏0 + 𝑏1 𝑥
𝑦̂ = 𝑏0 + 𝑏1 𝑥 + 𝑏2 𝑥 2
𝑦̂ = 𝑏0 + 𝑏1 𝑥 + 𝑏2 𝑥 2 + 𝑏3 𝑥 3
𝑦̂ = 𝑏0 + 𝑏1 𝑥 + 𝑏2 𝑥 2 + 𝑏3 𝑥 3 + 𝑏4 𝑥 4 + ⋯ + 𝑏𝑛 𝑥 𝑛
𝑦̂ = 𝑒 𝑏0 +𝑏1 𝑥
Ejemplo: Encontrar la curva de ajuste lineal por mínimos cuadrados del siguiente conjunto
de nodos:
𝑥 𝑦
2 8
3 15
|
4 12
6 24
8 21
5
2
𝐸 = ∑(𝑦𝑖 − 𝑦̂)
𝑖
𝑖=1
Ajuste lineal
𝑦̂ = 𝑏0 + 𝑏1 𝑥
Por lo tanto
5
𝜕𝐸
= ∑ 2[𝑦𝑖 − 𝑏0 − 𝑏1 𝑥𝑖 ](−1) = 0
𝜕𝑏0
𝑖=1
∑[𝑦𝑖 − 𝑏0 − 𝑏1 𝑥𝑖 ] = 0
𝑖=1
∑ 𝑦𝑖 − ∑ 𝑏0 − ∑ 𝑏1 𝑥𝑖 = 0
5 5 5
(∑ 1) 𝑏0 + (∑ 𝑥𝑖 ) 𝑏1 = ∑ 𝑦𝑖 1
𝑖=1 𝑖=1 𝑖=1
𝒃𝟏
5
𝜕𝐸
= ∑ 2[𝑦𝑖 − 𝑏0 − 𝑏1 𝑥𝑖 ](−𝑥𝑖 ) = 0
𝜕𝑏1
𝑖=1
∑[𝑥𝑖 𝑦𝑖 − 𝑏0 𝑥𝑖 − 𝑏1 𝑥𝑖2 ] = 0
𝑖=1
5 5 5
(∑ 𝑥𝑖 ) 𝑏0 + (∑ 𝑥𝑖2 ) 𝑏1 = ∑ 𝑥𝑖 𝑦𝑖 2
𝑖=1 𝑖=1 𝑖=1
5 5 5 5
(∑ 1) 𝑏0 + (∑ 𝑥𝑖 ) 𝑏1 + (∑ 𝑥𝑖2 ) 𝑏2 = ∑ 𝑦𝑖
𝑖=1 𝑖=1 𝑖=1 𝑖=1
5 5 5 5
(∑ 𝑥𝑖 ) 𝑏0 + (∑ 𝑥𝑖2 ) 𝑏1 + + (∑ 𝑥𝑖3 ) 𝑏2 = ∑ 𝑥𝑖 𝑦𝑖
𝑖=1 𝑖=1 𝑖=1 𝑖=1
5 5 5 5
∑1 ∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑖=1 𝑖=1 𝑏
5 5 ( 0) = 𝑖=1
5
𝑏1
∑ 𝑥𝑖 ∑ 𝑥𝑖2 ∑ 𝑥𝑖 𝑦𝑖
( 𝑖=1 𝑖=1 ) ( 𝑖=1 )
5 23 𝑏0 80
( )( ) = ( )
23 129 𝑏1 421
23
5𝑏0 + 23𝑏1 = 80 ⟹ 𝑏0 = 16 − 𝑏
5 1
23
23𝑏0 + 129𝑏1 = 421 ⟹ 23 (16 − 𝑏 ) + 129𝑏1 = 421
5 1
𝑏1 = 2.284483
𝑏0 = 5.491379
𝑦̂ = 5.491379 + 2.284483𝑥
∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂)
𝑖
2
𝜌2 = 1 −
∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2
𝑦̅ es la media de 𝑦
48.922414
𝜌2 = 1 −
170
𝜌2 = 0.7122
Nota: Cuando no se conoce la función y especialmente cuando existe una tendencia en los
datos es recomendable trabajar con los mínimos cuadrados.
Los mínimos cuadrados no son interpolaciones sino tendencias solamente, por tanto, no
importa elevar el grado.