Hans C.

M
uller S.C.

Una Introducci
on
al
An
alisis Num
erico

Hans C. M
uller S.C.

Una Introducci
on
al
An
alisis Num
erico
Con 55 figuras

ii

Hans C. M
uller Santa Cruz
Departamento de Matem
aticas
Facultad de Ciencias y Tecnologa
Universidad Mayor de San Simon
Casilla 992, Cochabamba, Bolivia
e-mail hans@mat.umss.bo

Pr
ologo

La Facultad de Ciencias y Tecnologa tiene 17 a

nos de vida, perodo que
ha sido fructfero en el ambito universitario, porque se han creado carreras
tecnol
ogicas, como cientficas, haciendo enfasis a una investigacion cientfica
seria como un mecanismo de garantizar una excelencia academica. La
Carrera de Matem
aticas, una de nuestras Carreras de reciente creacion, est
a
inscrita dentro este marco.
Ahora bien, la Universidad Mayor de San Simon consciente de esta
situacion, ha conseguido convenios de cooperaci
on internacional, como es
el caso del Programa MEMI, Programa de Mejoramiento de la Ense
nanza
de la Matem
atica y la Inform
atica. De los objetivos principales de este
programa es fortalecer el area de las matematicas, incentivar la difusi
on de
las diferentes ramas de las matematicas en el medio universitario y fuera de
este. La Universidad y sus autoridades, dentro de sus polticas academicas y
de investigacion, han tenido la vision de conseguir los servicios de los mejores
profesionales en esta disciplina y Hans M
uller es uno de ellos.
El autor del libro, Hans M
uller Santa Cruz, es un joven matem
atico boliviano que ha regresado a su pas para compartir los conocimientos adquiridos en en la Universidad de Ginebra, Suiza. Actualmente es el Coordinador
del Programa Magister en Matem
aticas, programa implementado de manera
conjunta entre la Universidad Mayor de San Simon y la Universidad Catolica
del Norte, Chile. Ha dictado un curso de Elementos Finitos, destinado a los
docentes en nuestra superior Casa de Estudios; en La Paz, bajo invitaci
on ha
impartido cursos tutoriales en la Academia de Ciencias en temas relacionados a las matematicas aplicadas. El y otros profesionales de su area, est
an
transformando la manera de hacer matematicas en la Facultad de Ciencias
y Tecnologa.
Los topicos tratados en este libro est
an muy relacionados con los cambios estructurales que ha ocasionado la introduccion masiva de sistemas inform
aticos. En efecto, la utilizaci
on masiva del computador ha permitido al
Hombre efectuar c
alculos que en otra epoca hubiese sido impensable realizarlos. En la actualidad es muy corriente simular numericamente experiencias,
que en laboratorio son muy complicadas, costosas o peligrosas, o simplemente
imposible de experimentarlas. Los problemas de optimizaci
on son abordables
gracias a la utilizaci
on del ordenador y no faltan situaciones en las cuales
el uso de estos dispositivos de c
alculo, no solamente son de gran ayuda,
sino indispensables. El An
alisis Numerico es la rama de las Matem
aticas,
cuyo campo de acci
on es el estudio y analisis de los diferentes algoritmos

 logo
Pro

iv

y metodos numericos que se utilizan para resolver los problemas mediante

computadoras. El libro Una Intruduccion al An
alisis Numerico presenta
los temas b
asicos del An
alisis Numerico de una manera rigurosa, permitiendo
que el lector pueda adquirir los conocimientos matematicos necesarios para
profundizar en topicos mas especializados o simplemente pueda concebir e
implementar metodos numericos de una manera correcta y optima.
Finalmente, mi esperanza es que este libro sea el inicio de una larga
serie de otras publicaciones de alto nivel que ofrezca el autor y su unidad
academica.

Cochabamba, septiembre de 1996

Ing. Alberto Rodrguez Mendez
Rector de la Universidad Mayor de San Simon

Prefacio

Este libro nace ante el vacio existente de una bibliografa en espa

nol que
trate los temas capitales del An
alisis Numerico. El nombre que lleva, Una
Introduccion al An
alisis Numerico, se debe esencialmente al car
acter que
deseo que tenga este libro.
El An
alisis Numerico es una disciplina de las Matem
aticas en gran
crecimiento gracias a la utilizaci
on masiva de medios informaticos. Da que
pasa es mas corriente el tratamiento numerico en las Ciencias, como en
la Tecnologa; el modelaje, la simulacion numerica son moneda corriente.
Ahora bien, toda persona que pretenda tener como herramienta de trabajo, los metodos numericos, debe conocer los topicos introductorios del
An
alisis Numerico que son: Sistemas Lineales, Interpolaci
on, Resoluci
on de
Ecuaciones no Lineales, Calculo de Valores Propios y Soluci
on Numerica de
Ecuaciones Diferenciales, porque tarde o temprano se topar
a con alguno de
estos temas.
Siguiendo la lnea trazada por este libro, este contiene siete captulos: el
primero de car
acter introductorio, donde se da los conceptos b
asicos de error
y estabilidad, seguido de un ejemplo mostrando que la aritmetica del punto
flotante no es un impedimento para efectuar c
alculos de precisi
on arbitraria;
el segundo captulo trata sobre los problemas lineales mas comunes y
los metodos de solucion de estos; el tercer captulo aborda el tema de
interpolaci
on numerica y extrapolaci
on, introduciendo el estudio de los
splines c
ubicos; el captulo IV analiza los problemas no lineales y los metodos
mas eficientes de resolucion de estos; en el captulo V se estudia el problema
de valores propios y la implementacion de metodos numericos para el c
alculo
de valores propios; el captulo sexto trata de la integracion numerica y la
transformada rapida de Fourier y finalmente el captulo VII estudia los
problemas diferenciales y los metodos numericos de resolucion mas usuales
de estos problemas.
Practicamente el contenido de este libro ven los estudiantes de segundo
a
no de las Carreras de M
atematicas e Inform
atica de la Universidad de
Ginebra, Suiza, Universidad en la cual he sido formado. El pre-requisito
para un buen aprovechamiento de este libro es conocer bien los principios
b
asicos del An
alisis Real y Complejo, como tambien tener una buena base
de Algebra Lineal. Por consiguiente, este libro est
a destinado a estudiantes
universitarios que siguen la asignatura de An
alisis Numerico, como as mismo
toda persona interesada en An
alisis Numerico que tenga los pre-requisitos
y que desea cimentar sus conocimientos en esta disciplina. Este libro puede

vi

Prefacio

ser utilizado como texto base o bien como complemento bibliografico.

Debo agredecer a mis profesores de la Universidad de Ginebra, E. Hairer
y G. Wanner cuyos cursos han servido de base para la elaboracion de este
libro. Por otro lado, sin el apoyo en material de trabajo del Programa
MEMI, Programa de Mejoramiento de la Ense
nanza de las Matem
aticas e
Inform
atica, de la Universidad Mayor de San Simon este libro no habra
existido. As mismo agradezco a mi familia, mis colegas y amigos que
seguieron con inters la elaboracion de este libro.
El libro ha sido transcrito en TEX y las graficas realidas en las subrutinas graficas FORTRAN que G. Wanner me las cedio muy gentilmente. La
transcripcion, como la ejecucion de los programas en sido realizados sobre
una WorkStation HP-9000.
Posiblemente este libro contenga muchos errores, me gustara que los
hagan conocer, para que en una segunda edici
on estos sean corregidos.
Octubre, 1995

Hans C. M
uller S.C.

Contenido

I. Preliminares
I.1 Algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
I.2 Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
I.3 Un ejemplo: C
alculo de PI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

II. Sistemas Lineales

II.1 Condici
on del Problema Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Normas de Vectores y Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
La Condicion de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
II.2 M
etodos Directos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
El Algoritmo de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
El Algoritmo de Cholesky . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
II.3 M
etodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Metodos de Jacobi y Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . 48
El Teorema de Perron-Frobenius . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Metodo de Sobrerelajaci
on SOR . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Estudio de un Problema Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
II.4 M
etodos Minimizantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
Metodo del Gradiente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
Metodo del Gradiente Conjugado . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Polinomios de Chebichef . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Metodo del Gradiente Conjugado Precondicionado . . . . . . . . . 75
Resultados Numericos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
II.5 Mnimos Cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
La descomposici
on QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
La Pseudo-Inversa de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Error del Metodo de los Mnimos Cuadrados . . . . . . . . . . . . . . . 96
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

viii

Contenido

III. Interpolaci
on
III.1 Interpolaci
on de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Bases Te
oricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Construccion del Polinomio de Interpolaci
on . . . . . . . . . . . . . .
El Error de Interpolaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Polinomios de Chebichef . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Estudio de los Errores de Redondeo . . . . . . . . . . . . . . . . . . . . . .
Convergencia de la Interpolaci
on . . . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
III.2 Splines C
ubicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Construccion del Spline Interpolante . . . . . . . . . . . . . . . . . . . . . .
El Error de la Aproximacion Spline . . . . . . . . . . . . . . . . . . . . . . .
Aplicacion de Spline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
III.3 Extrapolaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

104
104
106
111
113
115
119
129
131
133
136
142
143
145
150

IV. Ecuaciones No Lineales

IV.1 Ecuaciones Polinomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ecuaciones Resolubles por Radicales . . . . . . . . . . . . . . . . . . . . . .
Ecuaciones No Resolubles por Radicales . . . . . . . . . . . . . . . . . .
Localizacion de Ceros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Metodo de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Sucesiones de Sturm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
IV.2 M
etodos Iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Posici
on del Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Metodo de la Falsa Posici
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Sistema de Ecuaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Un Metodo Iterativo Simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
IV.3 M
etodo de Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
El Teorema de Newton-Misovski . . . . . . . . . . . . . . . . . . . . . . . . . .
Metodo de Newton Simplificado . . . . . . . . . . . . . . . . . . . . . . . . . .
Metodo de Newton con Relajaci
on . . . . . . . . . . . . . . . . . . . . . . . .
Aproximacion de Broyden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
IV.4 M
etodo de Gauss Newton . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Convergencia del Metodo de Gauss-Newton . . . . . . . . . . . . . . .
Modificaciones del Metodo de Gauss-Newton . . . . . . . . . . . . .
El Metodo de Levenber-Marquandt . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

152
152
155
155
157
159
161
163
163
165
168
169
173
174
179
184
193
197
199
203
204
207
210
211

Contenido

ix

V. C
alculo de Valores Propios
V.1 Teora Cl
asica y Condici
on del Problema
..........
La Condicion del Problema a Valores Propios . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
V.2 Determinaci
on de Valores Propios . . . . . . . . . . . . . . . . . . .
El Metodo de la Potencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Formas Tridiagonales y Formas de Hessenberg . . . . . . . . . . . .
Teorema de Sturm y el Algoritmo de la Bisecci
on . . . . . . . . .
Generalizaci
on del Metodo de la Potencia . . . . . . . . . . . . . . . . .
El Metodo QR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

214
217
221
223
223
227
229
233
237
241

VI. Integraci
on Num
erica
VI.1 Bases Te
oricas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Formulas de Cuadratura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
El Orden de una Formula de Cuadratura . . . . . . . . . . . . . . . . .
Estimacion del Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios
...............................................
VI.2 Cuadraturas de Orden Elevado . . . . . . . . . . . . . . . . . . . . . .
Polinomios Ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Los Polinomios de Legendre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Las Formulas de Cuadratura de Gauss . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
VI.3 Implementaci
on Num
erica . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Tratamiento de Singularidades . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

244
248
249
250
256
258
259
263
264
267
269
273
282

VI.4 Transformaci
on de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Estudio del Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Interpolaci
on Trigonometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Transformacion R
apida de Fourier FFT . . . . . . . . . . . . . . . . . .
Aplicaciones de FFT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

284
287
288
290
292
293

VII. Ecuaciones Diferenciales

VII.1 Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Teoremas de Existencia y Unicidad . . . . . . . . . . . . . . . . . . . . . . .
Problemas con Valores en la Frontera . . . . . . . . . . . . . . . . . . . . .
Diferenciabilidad respecto a los Valores Iniciales . . . . . . . . . .
Simple Shooting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Shooting M
ultiple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

296
297
300
300
303
307
311

Contenido

VII.2 M
etodo de Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Efectos de los Errores de Redondeo . . . . . . . . . . . . . . . . . . . . . . .
Estabilidad del Metodo de Euler . . . . . . . . . . . . . . . . . . . . . . . . .
Metodo de Euler Impcito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
VII.3 M
etodos de Runge-Kutta . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Construccion de un Metodo de Orden 4 . . . . . . . . . . . . . . . . . .
Metodos Encajonados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Soluciones Continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Convergencia de los Metodos de Runge-Kutta . . . . . . . . . . . .
Experiencias Numericas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
VII.3 M
etodos Multipasos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Metodos de Adams Explcitos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Metodos de Adams Implcitos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Metodos Predictor-Corrector . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Metodos BDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Estudio del Error Local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Convergencia de los Metodos Multipaso . . . . . . . . . . . . . . . . . .
Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Bibliografa

.....................................................

Indice de Smbolos
Indice Alfab
etico

313
317
319
321
322
323
327
330
333
335
338
340
341
341
343
344
345
346
348
350
353
355

.............................................

359

...............................................

361

Captulo I
Preliminares

Con la utilizaci
on masiva de sistemas informaticos en la resolucion de
problemas a todo nivel, el An
alisis Numerico ha tenido un gran desarrollo en
las u
ltimas decadas, como una rama integrante de las Matem
aticas. En este
primer captulo se expondr
a las nociones de base que sustentan el An
alisis
Numerico, para ser utilizadas en los captulos posteriores.
La primera seccion estar
a dedicada a estudiar los algoritmos como
una composici
on de operaciones elementales, partiendo de un dispositivo
ideal de c
alculo. Se analizar
a las nociones de eficiencia y error de un
algoritmo.
En la segunda seccion se analizar
a el problema algortmico a partir
de los dispositivos materiales con que se cuenta en la actualidad, es decir
ordenadores o computadoras. En esta seccion se estudiar
a la representacion
en punto flotante de un n
umero real y su redondeo en la computadora. Se
introducir
a la nocion de precisi
on de una computadora y la relacion de esta
con el concepto de estabilidad, en sus diferentes versiones, de un algoritmo.
En la tercera y u
ltima seccion de este captulo, se ver
a que las limitaciones impuestas por la representacion en punto flotante, no es una restricci
on para calcular con la precisi
on que se requiera. Prueba de esto, ser
a
calculado, como un ejemplo ilustrativo, con 10000 decimales de precisi
on.

I.1 Algoritmos

En esta seccion se supondr

a que se cuenta con un dispositivo ideal de c
alculo,
es decir una computadora de precisi
on exacta, situacion que no sucede en la
realidad. El cuerpo de base ser
a R, a menos que se especifique lo contrario.
Este dispositivo est
a provisto de ciertas operaciones cuya acci
on se efectua
en un tiempo finito, por ejemplo es capaz de realizar las 4 operaciones
aritmeticas elementales, mas algunas como la radicacion, la exponenciaci
on
y las otras funciones elementales que se estudian en un curso de Calculo I.
Por consiguiente, se tiene la primera definicion.
Definici
on I.1.1.- Una operaci
on elemental es una operaci
on matematica
o funci
on cuya acci
on se la efectua en un tiempo finito y que adem
as el
dispositivo ideal la puede realizar.
Inicialmente se supondr
a que las cuatro operaciones aritmeticas
como: la adicion, la multiplicacion, la sustracci
on y la division son posibles
en este dispositivo de c
alculo. De esta manera es posible evaluar toda
funci
on polinomial, toda funcion racional, en una cantidad finita de pasos o
composici
on de operaciones elementales.
Definici
on I.1.2.- Un algoritmo es una sucesion finita de operaciones
elementales. Si se denota por fi una operaci
on elemental, un algoritmo es la
composici
on de n operaciones elementales, es decir
f = fn fn1 f2 f1 .

(I.1.1)

Por otro lado, el dispositivo de c

alculo con el que se cuenta tiene la
finalidad de evaluar la o las soluciones de un problema matem
atico, siempre
que sea posible hacerlo. Ahora bien, lo que cuenta en este estudio es el
resultado, de donde la:
Definici
on I.1.3.- Un problema es darse un dato x Rn y obtener un
resultado P(x) R.
En consecuencia, son problemas todas las funciones cuyo dominio
es un espacio vectorial real de dimension finita, cuya imagen est
a incluida
en la recta real. Una funcion cuya imagen est
a incluida en un espacio de
dimension mas grande que 1, puede ser interpretada como un conjunto de
problemas, donde cada problema es la funcion proyeccion correspondiente.
Las ecuaciones pueden ser vistas como problemas, pero antes aclarando cual
de las soluciones se est
a tomando.

I.1 Algoritmos

Es necesario recalcar que problema y algoritmo son conceptos diferentes, aunque de alguna manera ligados. Considerese el problema siguiente,
P(x) = an xn + an1 xn1 + + a1 x + a0 .

(I.1.2)

P(x) puede ser obtenido de muchas maneras, en particular utilzando los 2

siguientes algoritmos: El primero consiste en evaluar el polinomio (I.1.2) tal
como est
a definido, con la convencion que:
x1 = x;
xn = x xn1 ,

para n 2.

(I.1.3)

La segunda manera de evaluar el polinomio consiste en utilizar el algoritmo

de H
orner, el cual est
a dado por:
q0 (x) = an ,
q1 (x) = q0 (x)x + an1 ,
q2 (x) = q1 (x)x + an2 ,
..
.
qn (x) = qn1 (x)x + a0 .

(I.1.4)

Como puede observarse ambos algoritmos eval

uan el polinomio P(x), sin
embargo en el primero se requiere: 1 + + n 1 multiplicaciones para
evaluar las potencias, n multiplicaciones para evaluar los terminos de la
forma ai xi y finalmente n adiciones, lo cual hace un total de
n(n + 3)
operaciones elementales.
2

(I.1.5)

El algoritmo de Horner requiere a cada paso de una multiplicacion y una

adicion lo cual es igual a
2n operaciones elementales.

(I.2.6)

Por lo tanto, puede observarse claramente que el algoritmo de Horner es

mas eficiente que el primero, pues la implementacion de este efectua menos
operaciones elementales.
El concepto de eficiencia de un algoritmo est
a ligado por consiguiente al costo en operaciones elementales que se requiere para ejecutar
un algoritmo. Ahora bien, en la realidad una computadora requiere menos
tiempo para evaluar una adicion que para una multiplicaci
on. Cada operacion elemental toma cierto tiempo en efectuarse, que en general depende
de la computadora y el lenguaje en el que est
a escrito el programa. Es

I Preliminares

por eso, que es mas conveniente medir la eficiencia en terminos de tiempo

ejecutado, en lugar del n
umero de operaciones elementales ejecutadas. Con
lo argumentado se puede formular una primera definicion de eficiencia.
Definici
on I.1.4.- El costo del algoritmo fn fn , est
a dado por
C = m1 + m2 + . . . + mn ,

(I.1.7)

donde mi es el tiempo de ejecucion de fi . Si C1 y C2 son los costos en tiempo

de dos algoritmos que resuelven el mismo problema, se dira que el primer
algoritmo es mas eficiente que el segundo si C1 C2 .
Tal como se dijo al inicio de esta seccion, el dispositivo ideal con
el que se cuenta, puede efectuar una cantidad finita de operaciones elementales. Suponiendo nuevamente, que solamente se cuenta con las cuatro operaciones aritmeticas, las u
nicas funciones que pueden evaluarse utilizando
un algoritmo son las funciones polinomiales y racionales. Ahora bien, existe
una cantidad ilimitada de funciones y se puede mostrar que no existe ning
un
algoritmo que sea la composici
on de adiciones, multiplicaciones, sustracciones o divisiones, que permita calcular una raiz cuadrada; evaluar funciones
trigonometricas, exponenciales o logartmicas. Sin embargo, existen procedimientos matematicos que permiten aproximar estas funciones de manera
arbitraria. Los mas com
unmente utilizados: son las series de Taylor, las fracciones continuas y algunos metodos iterativos. Todos estos metodos est
an
sustentados en las nociones de lmite, de continuidad, derivabilidad dados
en los cursos de Calculo y An
alisis.
A continuacion se ver
a un ejemplo ilustrativo, donde se introducir
a
la noci
on del error de truncacion. Considerese la funci
on exponencial, cuyo
desarrollo en serie de Taylor est
a dada por
ex =

X
xk
k=0

k!

(I.1.8)

Es evidente que ex no puede evaluarse en un n

umero finito de pasos, para
un x dado, sin embargo en lugar de evaluar ex , uno se puede contentar
evaluando una cantidad finita de terminos de la serie de Taylor, es decir
p(x) =

n
X
xk

k=0

k!

(I.1.9)

para un n fijado de antemano. La diferencia entre ex y p(x) es el error

de truncacion de ex respecto a p(x). Este error de truncacion es del orden
O(xn+1 ) cuando x tiende a 0. El nombre de truncacion proviene del hecho
que para evaluar ex se ha despreciado una parte de la serie. Por consiguiente,
el error de truncacion puede definirse como:

I.1 Algoritmos

Definici
on I.1.5.- Sean P(x), P (x) dos problemas. El error de truncacion
de P(x), respecto de P (x) est
a dado por
P(x) P (x).

(I.1.10)

El nombre que tiene este error, como se dijo mas arriba, es debido
a que la la serie de Taylor es truncada a un n
umero finito de terminos.
No obstante, existe una gran diversidad de metodos que aproximan a la
solucion del problema utilizando otro tipo de argumentos, en este caso es
mas conveniente utilizar el nombre de error de aproximaci
on o error del
metodo; de todas formas es cuestion de gusto.
El concepto de eficiencia ha sido definido para aquellos problemas
donde se puede encontrar la solucion mediante un algoritmo. Para aquellos
problemas, donde no es posible encontrar un algoritmo que de la solucion y
suponiendo que es posible aproximar la solucion de manera arbitraria mediante un metodo algortmico, la eficiencia est
a ligada al costo en operaciones, como tambien al error del metodo. En esta situacion la eficiencia es
un concepto mas subjetivo que depende de alguna manera del usuario, pues
existen problemas donde el error de aproximacion debe ser lo mas peque
no
posible, y otros problemas donde la exactitud no es un requisito primordial.
Ejemplos
1.- Considerese el problema, determinar . Utilizando la identidad

arctan 1 =
4
y que la serie de Taylor en el origen est
a dada por

X
(1)k 2k+1
arctan x =
x
,
(I.1.11)
2k + 1
k=0

se puede obtener un metodo que aproxime , pero el problema de este

metodo es su convergencia demasiado lenta; es mas, para x = 1 la serie
(I.1.11) no es absolutamente convergente.
Otro metodo que permitira aproximar , consiste en utilizar el hecho
que

arccos(1/2) =
3
y desarrollando arccos en serie de Taylor, se obtiene un metodo cuya
convergencia es mucho mas rapida.

2.- Consid
erese el problema, determinar 2. La primera manera de determinar 2 es tomar un intervalo cuya extremidad inferior tenga un cuadrado
inferior a 2 y la extremidad superior tenga un cuadrado mas grande a 2.
Se subdivide el intervalo en dos subintervalos de igual longitud, se elige
aquel cuyas extremidades al cuadrado contengan 2. En la tabla siguiente
se da algunas de las iteraciones de este metodo.

I Preliminares

Iteraci
on
0
1
2
3
4
5
16
17
18
19
20

Ext. Inferior
1.0
1.25
1.375
1.375
1.40625
1.40625
1.41420745849609
1.41421127319336
1.41421318054199
1.41421318054199
1.41421318054199

Ext. Superior
1.5
1.5
1.5
1.4375
1.4375
1.421875
1.41421508789063
1.41421508789063
1.41421508789063
1.41421413421631
1.41421365737915

La segunda posibilidad es utilizar la sucesion definida recursivamente

por:
a0 = 1,
1
1
an+1 = an +
.
2
an
Esta sucesion es convergente
y se deja al lector la demostracion para
que verifique que el lmite es 2. En la tabla siguiente se tiene los seis
primeros terminos de la sucesion. Efectuando unas cuantas iteraciones
se obtiene:
Iteraci
on
an
0
1.0
1
1.5
2
1.41666666666667
3
1.41421568627451
4
1.41421356237469
5
1.4142135623731

Puede
observarse inmediatamente, que el segundo metodo para determinar

2 es mas eficiente que el primer algoritmo.

Ejercicios
1.- Supongase que, el dispositivo de c
alculo, con el que se cuenta, puede
efectuar la division con resto; es decir, para a, b enteros no negativos,
con b 6= 0, el dispositivo calcula p, q satisfaciendo:
a = pb + r

0 r < b.

a) Implementar un algoritmo que calcule el maximo com

un divisor de a
y b.
b) Utilizando el inciso precedente, implementar otro algoritmo que
permita calcular m, n Z, tales que
mcd(a, b) = ma + nb.

I.1 Algoritmos

c) Estudiar la situacion mas desfavorable, aquella donde el costo en

operaciones es el mas alto. Deducir una estimacion de la eficiencia del
algoritmo.
2.- Suponiendo que, el dispositivo de c
alculo puede efectuar la division con
resto, con la particularidad siguiente:
a = pb + r

|b|
|b|
<r .
2
2

a) Mostrar que el algoritmo implementado en el ejercicio 1a), puede

implementarse para esta nueva division con resto.
b) Verificar que, el nuevo algoritmo es mas eficiente que aquel con divisi
on con resto normal. Encontrar una estimacion de costo del algoritmo.
3.- Para el polinomio p(x) = a0 + a1 x + + an xn , el algoritmo de Horner
(I.1.9) est
a definido por:
bn = an ;
bi = ai + x0 bi+1 ,

i = n 1, . . . , 1, 0.

Se plantea q(x) = b1 + xb2 + + xn1 bn .

a) Mostrar que p (x0 ) = q(x0 ). Verificar que p(x) = b0 + (x x0 )q(x).
b) Generalizar el algoritmo de Horner, de tal forma que se pueda calcular
p(x0 ) y p (x0 ) al mismo tiempo.
4.- Una regla y comp
as constituyen un dispositivo de c
alculo. Supongase
que se conocen dos puntos O y P tales que OP sea de longitud 1.
a) Mostrar que, adem
as de las 4 operaciones aritmeticas elementales, la
radicacion puede obtenerse a partir de un n
umero finito de manipulaciones de regla y comp
as.
p

b) Construir 1 +
10.
c) Intentar construir 3 2. Es posible?

I.2 Estabilidad

En esta seccion, a diferencia de la precedente, se analizar

a el problema de los
algoritmos y metodos numericos desde el punto de vista de un dispositivo
material real, mas conocido como computadora. Para comenzar existen
esencialmente dos tipos de n
umeros en la aritmetica de un ordenador: el tipo
entero cuya aritmetica es igual a la de los numeros enteros, con la diferencia
que el tipo entero de un ordenador es un conjunto finito, motivo por el cual
se tiene que tener cuidado con los overflows en las operaciones aritmeticas; el
segundo tipo de n
umero es el real, en sus diferentes versiones, la idea de este
tipo de n
umero es la representacion de un n
umero real en punto flotante, es
decir todo n
umero real no nulo x se puede escribir de manera u
nica como
x = a 10b ,

donde |a| < 1, b Z;

(I.2.1)

a se llama mantisa y b el exponente. Los n

umeros reales solo tienen una
representacion parcial en el tipo real de un ordenador por limitaciones fsicas
del dispositivo, por consiguiente un n
umero real estar
a en una clase de
equivalencia de tipo de n
umero real. Esta representacion de n
umero real
est
a dada por la precisi
on de la computadora.
Cuando se trabaja sobre un computador, se tiene a disposici
on
un n
umero finito de cifras, por ejemplo l, para la mantisa, Si a
denota el
redondeado de a, se trabaja en realidad con
arr(x) = a
10b

(I.2.2)

en lugar de x. De esta manera, el n

umero 2 = 1.414213562 . . . est
a
representado por

arr( 2) = 0.141421356 101 ,

si se calcula con l = 8 cifras en base 10.
Como se dijo mas arriba, el redondeo est
a determinado por la
precisi
on de la computadora. Esta precisi
on est
a dada por un n
umero dado
por la:
Definici
on I.2.1.- Se denota por eps, el n
umero positivo mas peque
no tal
que
arr(1 + eps) > 1.
(I.2.3)
Este n
umero eps llamado precisi
on de la computadora est
a dado por
los siguientes hechos: si los c
alculos se hacen en base 10 y con l cifras en la

I.2 Estabilidad
mantisa, se tiene
arr(0. |10 {z
. . . 0} 49 . . . 101 ) = 1,
l

arr(0. |10 {z
. . . 0} 50 . . . 101 ) = . 10
. . . 1} 101 > 1,
| {z
l

deduciendose, por consiguiente

eps = 5.10l ;

(I.2.4)

si se realiza el mismo c
alculo en base 2, como todas las computadoras lo
hacen, se obtiene
eps = 2l .
(I.2.5)
Para el FORTRAN sobre una HP-9000, se tiene:
REAL4,
REAL8,
REAL16,

eps = 224 5.96 108 ;

eps = 255 1.39 1017 ;
eps = 2113 9.63 1035 .

Ahora bien, un n
umero real y su representacion en punto flotante
en una computadora est
an relacionados por el:
Teorema I.2.2.- Para x 6= 0, se tiene
|arr(x) x|
eps.
|x|

(I.2.6)

Demostraci
on.- Sea x = a 10b y arr(x) = a
10b . Si se redondea a l cifras
significativas se tiene
|
a a| 5 10l1 ,
de donde
|arr(x) x|
5.10l1
|
a a| 10b

= 5 10l = eps
=
b
|x|
101
|a| 10
por que |a| 1/10.

La estimacion dada por (I.2.6) puede ser escrita bajo la forma

arr(x) = x(1 + ),

donde

|| eps.

(I.2.7)

Como se ver
a mas adelante, la relacion (I.2.7) es la base fundamental para
todo estudio de los errores de redondeo.

10

I Preliminares

Cuando se trabaja en un computador, se tiene que ser cuidadoso en

la solucion de los problemas, pues ya no se resuelve con los datos exactos, si
no con los datos redondeados. Considerese la ecuacion de segundo grado

x2 2 2x + 2 = 0,

cuya solucion x = 2 es un cero de multiplicidad 2. Resolviendo en simple

precisi
on, la computadora da un mensaje de error, debido a que

arr( 2) = 0.141421 10,

arr(arr( 2)2 2) = 0.119209 106 .

Como puede observarse, la manipulaci
on de ciertos problemas utilizando la
aritmetica del punto flotante puede ocasionar grandes dificultades, como en
el ejemplo anterior. Es por eso necesario introducir el concepto de condici
on
de un problema, el cual est
a dado en la:
Definici
on I.2.3.- Sea P(x) un problema dado por P : Rn R. La
condici
on del problema P es el n
umero mas peque
no positivo , tal que
|
xi xi |
eps
|xi |

|P(
x) P(x)|
eps.
|P(x)|

(I.2.8)

Se dice que el problema P es bien condicionado si no es demasiado grande,

sino el problema es mal condicionado.
En la definicion, eps representa un n
umero peque
no. Si eps es la
precisi
on de la computadora entonces x
i puede ser interpretado como el
redondeo de xi . Por otro lado, es necesario resaltar que depende solamente
del problema, de x y no as del algoritmo con el que se calcula P(x). Para
comprender mas sobre la condici
on de un problema se analizar
a los siguientes
dos ejemplos.
Ejemplos
1.- Multiplicaci
on de dos n
umeros reales. Sean x1 y x2 reales, considerese el
problema calcular P(x1 , x2 ) = x1 x2 . Para los dos valores perturbados
x
1 = x1 (1 + 1 ),

x
2 = x2 (1 + 2 ),

|i | eps;

se obtiene
x
1 x
2 x1 x2
= (1 + 1 )(1 + 2 ) 1 = 1 + 2 + 1 2 .
x1 x2

(I.2.9)

Puesto que eps es un n

umero peque
no, el producto 1 . 2 es despreciable
respecto a |1 | + |2 |, de donde


x
2 x1 x2 
 1 x
(I.2.10)
 2 eps.

x 1 x2

11

I.2 Estabilidad

Por consiguiente, = 2. El problema es bien condicionado.

2.- Adicion de numeros reales. Para el problema P(x1 , x2 ) = x1 + x2 , por
analoga al ejemplo precedente, se obtiene

 

 (
2 ) (x1 + x2 )   x1 1 x2 2  |x1 | + |x1 |
 x1 + x
(I.2.11)
=

  x1 + x2  |x1 + x2 | eps.
x1 + x2
Si x1 y x2 son de signos iguales, se tiene = 1, de donde el problema es
bien condicionado.
|x1 | + |x1 |
Pero, si x1 x2 , la condici
on =
se convierte en
|x1 + x2 |
una cantidad muy grande. Motivo por el cual el problema est
a mal
condicionado. Para mejor ilustrar el efecto de condici
on muy grande,
considerese el siguiente ejemplo numerico.
x1 =

1
,
51

x2 =

1
,
52

para el cual

2/50
= 100.
(1/50)2

Realizando el c
alculo con 3 cifras significativas en base 10, se obtiene
x
1 = .196 101 , x
2 = .192 101 y x
1 + x
2 = .400 101 . Como las
dos primeras cifras son las mismas para x
1 y x2 , la adicion las ha hecho
desaparecer y no hay mas que una cifra que es significativa. El resultado
exacto es 1/(51 52) = 0.377 103 .
Respecto a la definicion de condici
on, se debe observar dos situaciones. La primera, si uno de los xi = 0, entonces se tiene x
i = 0; la segunda
sucede cuando P(x) = 0, la condici
on se la calcula pasando al lmite.
Una vez definida la condici
on de un problema, el siguiente paso es
ver la incidencia que tienen los errores de redondeo en la implementacion de
un algoritmo para resolver un problema dado. Tal como se dijo en la seccion
precedente, un algoritmo es una sucesion finita de operaciones elementales,
es decir
P(x) = fn (fn1 (. . . f2 (f1 (x)) . . .)).
(I.2.12)
La amplificaci
on del error, efectuando la operaci
on fi , est
a dada por la
condici
on (fi ). Por consiguiente:
Proposici
on I.2.4.- El algoritmo que resuelve el problema dado por
(I.2.12), tiene la estimacion siguiente
(P) (f1 ) (f2 ) (fn ).

(I.2.13)

Demostraci
on.- Por induccion sobre n. Para n = 1, el resultado es trivial.
Supongase, que es cierto para n, por lo tanto, si el problema es de la forma
P(x) = fn+1 (fn (fn1 (. . . f2 (f1 (x)) . . .))),

12

I Preliminares

puede escribirse como

P(x) = fn+1 (P (x)),
utilizando la definicion de condici
on se tiene
|P (x) P (
x)|
(P )eps

|P (x)|
|fn+1 (P (x)) fn+1 (P (
x))|
(fn+1 )(P )eps.

|fn+1 (P (x))|
Finalmente utilizando la hipotesis de induccion, se tiene (I.2.13).

Definici
on I.2.5.- Un algoritmo es numericamente estable, en el sentido de
forward analysis, si
(f1 ) (f2 ) (fn ) Const (P)

(I.2.14)

donde Const no es demasiado grande.

La formula (I.2.14) expresa el hecho de que la influencia de los
errores de redondeo durante el c
alculo de P(x) no es mucho mas grande
que la influencia de los errores en los datos, lo que en realidad es inevitable.
Ejemplo
Sea x = 104 y considerese el problema de calcular 1/(x(1 + x)). Se
examinar
a los dos algoritmos siguientes: El primero definido por

x+1

x(x + 1)

1
.
x(x + 1)

Las operaciones efectuadas son muy bien condicionadas, por consiguiente, este algoritmo es numericamente estable.
El segundo algoritmo definido por

1/x

x + 1 1/(x + 1)

1
1
1

=
.
x x+1
x(x + 1)

En este algoritmo, solamente las tres primeras operaciones son bien

condicionadas. Sin embargo la u
ltima operaci
on, la sustracci
on, es muy

13

I.2 Estabilidad

mal condicionada, porque 1/x 1/(x + 1). Entonces, este algoritmo es

numericamente inestable.
La verificaci
on, si un algoritmo es estable en el sentido de forward
analysis, sobre todo si el n
umero de operaciones es elevado, es a menudo
muy compleja y dificil. Por esta razon, Wilkinson introdujo otra definicion
de la estabilidad de un algoritmo.
Definici
on I.2.6.- Un algoritmo para resolver el problema P(x) es numericamente estable en el sentido de backward analysis si el resultado numerico y
puede ser interpretado como un resultado exacto para los datos perturbados
x
, es decir y = P(
x), y si
|
xi xi |
Const eps,
|xi |

(I.2.15)

donde Const no es demasiado grande y eps es la precisi

on de la computadora.
De la definicion I.2.6 y (I.2.15) se deduce que, en el estudio de este tipo
de estabilidad no se requiere conocer de antemano la condici
on del problema.
Ejemplo
Considerese el problema de calcular el producto escalar x1 x2 + x3 x4 .
Para calcular este, se utiliza el algoritmo

(x1 , x2 , x3 , x4 )

x1 x2
x1 x2

x 1 x 2 + x3 x 4 .

(I.2.16)

El resultado numerico bajo la influencia de los errores de redondeo es

x1 (1 + 1 ) x2 (1 + 2 )(1 + 1 ) + x3 (1 + 3 ) x4 (1 + 4 )(1 + 2 ) (1 + 3 ),

donde |i | , |j | eps. Este resultado es igual a x

1 x
2 + x
3 x
4 , si se
plantea
x
1 = x1 (1 + 1 )(1 + 1 ),

x
3 = x3 (1 + 3 )(1 + 2 ),

x
2 = x2 (1 + 2 )(1 + 3 ),

x
4 = x4 (1 + 4 )(1 + 3 ).

Despreciando los productos de la forma i j , la relacion (I.2.15) es

satisfecha con Const = 2. Por lo tanto, el algoritmo (I.2.16) siempre es
numericamente estable en el sentido de backward analysis.
El ejemplo precedente muestra que un algoritmo puede ser estable,
incluso si el problema est
a mal condicionado. En consecuencia, es necesario
bien distinguir las nociones de estabilidad y condici
on.

14

I Preliminares

Ejercicios
1.- Cual es la condici
on de la sustracci
on de dos n
umeros?
2.- Determinar la condici
on del problema P(x1 , x2 ) = x1 /x2 con x2 6= 0.
3.- Hallar la condici
on del c
alculo del producto escalar
hx, yi =

n
X

xi yi .

i=1

4.- Mostrar que el sistema lineal

(

ax + by = 1
,
cx + dy = 0

con ad 6= bc

es numericamente estable en el sentido de backward analysis.

5.- Las raices del polinomio x2 2px q = 0 son:
1 = p +

p
p2 + q,

2 = p

p
p2 + q.

Mostrar que para p > 0, grande, y q 0, muy peque

no, este algoritmo
es numericamente inestable. Utilizando la relacion 1 2 = q, encontrar
un algoritmo que es numericamente estable en el sentido de backward
analysis.

I.3 Un ejemplo: C
alculo de Pi

En las seccion precedente se ha visto que el dispositivo material que efectua

los c
alculos numericos tiene en general dos tipos de n
umeros: los enteros
que se asemejan mucho a los enteros matematicos y el tipo real que es
una representacion del n
umero real. Tal como se mostro, ambos tipos de
n
umero presentan ciertas particularidades, por ejemplo son en cantidad
finita, para el tipo real existe el redondeo de los n
umeros. Por consiguiente
si se utiliza el tipo real para determinar , se tendra una precisi
on de
8 decimales; para doble precisi
on se obtendra 16 decimales de precisi
on;
para cuadruple precisi
on, que algunos lenguajes de programaci
on cuentan,
se obtendra 32 decimales de precisi
on. Por lo tanto, la precisi
on para obtener
est
a determinada por el lenguaje de programaci
on y en algunos casos por
el tipo de computadora con que se cuenta.
En esta seccion se pretende mostrar que estas limitaciones no constituyen
necesariamente un impedimento para determinar un n
umero, en particular
, con la precisi
on que se desee.
Una de las maneras mas usuales de determinar es utilizar el desarrollo
en serie de Taylor en el origen de arctan x, el cual est
a dado por
arctan x =

X
(1)k 2k+1
x
.
2k + 1

(1.3.1)

k=0

De (I.3.1) se deduce, para x = 1, que

=4

X
(1)k
.
2k + 1

(I.3.2)

k=0

Como se recalco en la seccion I.2, utilizar la serie (I.3.2) no es conveniente,

por que la convergencia de esta serie es muy lenta. Utilizando la relacion
tan( + ) =

tan + tan
,
1 tan tan

una verificaci
on inmediata conduce a

1
1
1
= 12 arctan
+ 8 arctan
5 arctan
.
4
18
57
239
Remplazando (I.3.1) en (I.3.3), da como resultado

(I.3.3)

16

I Preliminares

X
(1)k 1 2k+1
( )
2k + 1 18
k=0
|
{z
}

= 48

X
X
(1)k 1 2k+1
(1)k 1 2k+1
+ 32
20
.
( )
(
)
2k + 1 57
2k + 1 239
k=0
k=0
{z
} |
{z
}
|
B

(I.3.4)

Ahora bien, se desea obtener una representacion de en notacion decimal

con N decimales de precisi
on. Si cada serie del lado derecho de (I.3.4) es
calculada con una precisi
on de 10(N +1) se tiene largamente la precisi
on
el valor calculado de A; B,
el valor calculado de
deseada. Denotando por A,
el valor calculado de C, se tiene:
B y C,
A = 48

MA
X
(1)k 1 2k+1
( )
,
2k + 1 18

k=0

= 32
B

MB
X
(1)k 1 2k+1
( )
,
2k + 1 57

k=0

C = 20

MC
X
(1)k 1 2k+1
(
)
.
2k + 1 239

k=0

De donde:



 X (1)k 1



(1/18)2MA +3



2k+1 
( )
,
 48
A A = 48 


2k + 1 18
1 (1/18)2
k=MA +1


 X (1)k 1



(1/57)2MB +3



2k+1 
,
( )
B B  = 32 
 32


2k + 1 57
1 (1/57)2
k=MB +1


 X (1)k 1



(1/239)2MC +3



2k+1 
.
(
)
C C  = 20 
 20


2k + 1 239
1 (1/239)2
k=MC +1




Por hip
otesis, se tiene por ejemplo que A A 10(N +1) , por lo tanto
para asegurar esta precisi
on es suficiente que
48

(1/18)2MA +3
10(N +1) ,
1 (1/18)2

remplazando el signo por =, se tiene

48

(1/18)2MA +3
= 10(N +1) ,
1 (1/18)2

(I.3.5)

 lculo de Pi
I.3 Un ejemplo: Ca

17

obteniendo de esta manera

log10 (48) (2MA + 3) log10 (18) log10 (1 (1/18)2 ) = (N + 1).
Despejando MA , se obtiene
MA =

N + 1 + log10 (48) 3 log10 (18) + (1/18)2

.
2 log10 (18)

(I.3.6)

Del mismo modo se llega a:

N + 1 + log10 (32) 3 log10 (57) + (1/57)2
,
2 log10 (57)
N + 1 + log10 (20) 3 log10 (239) + (1/239)2
MC =
.
2 log10 (239)

MB =

(I.3.7)
(I.3.8)

Una vez determinada la cantidad de terminos en cada serie para calcular

B
y C,
es necesario definir una representacion de los n
A,
umeros reales y
B
y C con la precisi
su respectiva aritmetica que permita calcular A,
on
requerida.
Sea b > 1, entonces todo n
umero positivo x se escribe de manera u
nica
como

X
1
(I.3.9)
x=
ak k ,
b
k=0

donde 0 ak < b para k 1. Suponiendo que b = 10m , para obtener una

representacion de x con N decimales de precisi
on, es suficiente conocer ak
para 0 k N/m + 2. Se suma 2 a la cota anterior por seguridad. Por lo
tanto, para todo n
umero positivo x,el redondeado x
con N cifras decimales
de precisi
on puede escribirse como
N/m+2

x
=

a
k /10m k ,

(I.3.10)

k=0

con 0 a
k < 10m para k 1. Comparando (I.3.9) con (I.3.10) se tiene
que ak = a
k para 0 k N/m + 1 y |ak a
k | 1 para k = N/m + 2,
deduciendose de esta manera la:
Proposici
on I.3.1.- Sea x un n
umero no negativo y x
su representacion
dada por (I.3.10), entonces
|
x x| 10(N +2m) .

(I.3.11)

18

I Preliminares

Con los elementos presentados, se est

a en la capacidad de formular un
B,
y C;
por razones obvias el algoritmo
algoritmo que permita calcular A,
ser
a el mismo. Por consiguiente, es suficiente dar el metodo que permita
calcular A con la precisi
on requerida. De la formula (I.3.4) se puede observar
que las operaciones efectuadas son adiciones o sustracciones, divisiones por
expresiones de la forma (2k + 1) y divisiones por 18 o 182 . La aritmetica ser
a
consiguientemente definida en tres pasos o etapas.
El primer paso ser
a definir la division por un entero p. Sea x un real
positivo, su redondeo se escribe como en (I.3.10), por consiguiente x/q
redondeado se escribe
N/m+2
X
x
b
=
bk /10m k ,
(I.3.12)
q
k=0
donde los bk se los define de manera recursiva, utilizando la division
euclidiana, as:

a0 = b0 q + r0 ,
a1 + r0 10m = b1 q + r1 ,
(I.3.13)
..
.
aN/m+2 + rN/m+1 10m = bN/m+2 + rN/m+2 .
El segundo paso ser
a definir la adicion y la sustracci
on para dos reales
positivos x y y. Si se denota los redondeados por x
y y, sus representaciones
en punto fijo est
an dadas por:
N/m+2

N/m+2

x
=

ak /10m k ,

y =

bk /10m k .

k=0

k=0

La suma redondeada se escribe por lo tanto

N/m+2

x
[
y =

ck /10m k ,

(I.3.14)

k=0

donde los ck est

an definidos recursivamente, utilizando la division euclidiana, por:
cN/m+2 + dN/m+2 10m = aN/m+2 bN/m+2 ,

cN/m+1 + dN/m+1 10m = aN/m+1 bN/m+1 + dN/m+2 ,

(I.3.15)
..
.
c0 = a0 b0 + d1 .
El tercer paso ser
a definir la multiplicacion de un real positivo con un
entero q. Sea el productovskip-3pt
N/m+2

qc
x
=

k=0

bk /10m k ,

(I.3.16)

 lculo de Pi
I.3 Un ejemplo: Ca

19

donde x
est
a dado por (I.3.10), los coeficientes bk est
an definidos recursivamente, utilizando la division euclidiana, de la manera siguiente:
qaN/m+2 = bN/m+2 + dN/m+2 10m ,
qaN/m+1 + dN/m+2 = bN/m+1 + dN/m+1 10m ,
..
.
b0 = qa0 + d1 .

(I.3.17)

Habiendo definido las operaciones requeridas para calcular con la

y por
precisi
on requerida, se puede definir el algoritmo que calculara A,
consiguiente
.
Algoritmo
1.- Se define x := 1/18, a = x, k = 0.
2.- Hacer para k = 1 hasta k = MA :
x := x/182 ,
y := x/(2k + 1),
a; = a + (1)k y.
3.- a := 48 a.

Finalmente, se debe hacer un analisis de la propagacion de errores de

para asegurar que el resultado que
redondeo, cometidos en el c
alculo de A,
de la computadora corresponde con lo esperado. Este estudio se lo efectuara
en tres partes. Sea x
2k+1 el resultado realizado por el algoritmo al calcular
2k+1
x
para x = 1/18. Utilizando la proposici
on I.3.1, se tiene,
x
= x + ,

|| 10N 2m :

(I.3.18)

deduciendose inmediatamente:
x
3 = (x + )/182 + ,
x
5 = x
3 /182 + ,
..
.

(I.3.19)

Utilizando desigualdades triangulares y considerando series geometricas, se

obtiene
 2k+1

1
x

x2k+1 
10N 2m .
(I.3.20)
1 (1/18)2

La segunda operaci
on, que aparece en el algoritmo, es la division por los
enteros de la forma 2k + 1. Por el mismo procedimiento que antes, se llega a



 2k+1\
(I.3.21)
/(2k + 1) x2k+1 /(2k + 1) 2 10N 2m .
x

20

I Preliminares

se tiene una suma de MA + 1 terminos y un

Por ultimo para obtener A,
producto por 48. En cada suma se comete un error menor a 2 10N 2m , de
donde se tiene como estimacion del error acumulado




(I.3.22)
A A 192(MA + 1)10N 2m

Ahora bien, si 192(MA + 1) es mas peque

no que 102m1 , entonces el objetivo
es satisfecho largamente.
Como ilustraci
on de lo expuesto, se ha calculado con 10000 decimales
de precisi
on, utilizando una HP-9000.
con 10000 decimales
3.1415926535
5820974944
8214808651
4811174502
4428810975
4564856692
7245870066
7892590360
3305727036
0744623799
9833673362
6094370277
0005681271
1468440901
4201995611
5187072113
5024459455
7101000313
5982534904
1857780532
3809525720
0353018529
5574857242
8175463746
8583616035
9448255379
9331367702
2533824300
6782354781
5570674983
3211653449
6369807426
8164706001
1613611573
4547762416
5688767179
8279679766
7392984896
0674427862
4677646575
9465764078
2671947826
4962524517
5709858387
6868386894
8459872736
4390451244
4169486855
0168427394
6456596116
1507606947
2287489405
9009714909
2265880485

8979323846
5923078164
3282306647
8410270193
6659334461
3460348610
0631558817
0113305305
5759591953
6274956735
4406566430
0539217176
4526356082
2249534301
2129021960
4999999837
3469083026
7838752886
2875546873
1712268066
1065485863
6899577362
4541506959
4939319255
6370766010
7747268471
8989152104
3558764024
6360093417
8505494588
8720275596
5425278625
6145249192
5255213347
8625189835
0494601653
8145410095
0841284886
2039194945
7396241389
9512694683
8482601476
4939965143
4105978859
2774155991
4469584865
1365497627
5848406353
5226746767
3548862305
9451096596
6010150330
6759852613
7564014270

2643383279
0628620899
0938446095
8521105559
2847564823
4543266482
4881520920
4882046652
0921861173
1885752724
8602139494
2931767523
7785771342
4654958537
8640344181
2978049951
4252230825
5875332083
1159562863
1300192787
2788659361
2599413891
5082953311
0604009277
4710181942
0404753464
7521620569
7496473263
2164121992
5869269956
0236480665
5181841757
1732172147
5741849468
6948556209
4668049886
3883786360
2694560424
0471237137
0865832645
9835259570
9909026401
1429809190
5977297549
8559252459
3836736222
8079771569
4220722258
8895252138
7745649803
0940252288
8617928680
6554978189
4775551323

5028841971
8628034825
5058223172
6446229489
3786783165
1339360726
9628292540
1384146951
8193261179
8912279381
6395224737
8467481846
7577896091
1050792279
5981362977
0597317328
3344685035
8142061717
8823537875
6611195909
5338182796
2497217752
6861727855
0167113900
9555961989
6208046684
6602405803
9141992726
4586315030
9092721079
4991198818
4672890977
7235014144
4385233239
9219222184
2723279178
9506800642
1965285022
8696095636
9958133904
9825822620
3639443745
6592509372
8930161753
5395943104
6260991246
1435997700
2848864815
5225499546
5593634568
7971089314
9208747609
3129784821
7964145152

6939937510
3421170679
5359408128
5493038196
2712019091
0249141273
9171536436
9415116094
3105118548
8301194912
1907021798
7669405132
7363717872
6892589235
4771309960
1609631859
2619311881
7669147303
9375195778
2164201989
8230301952
8347913151
8890750983
9848824012
4676783744
2590694912
8150193511
0426992279
2861829745
7509302955
3479775356
7727938000
1973568548
0739414333
2725502542
6085784383
2512520511
2106611863
4371917287
7802759009
5224894077
5305068203
2169646151
9284681382
9972524680
0805124388
1296160894
8456028506
6672782398
1743241125
5669136867
1782493858
6829989487
3746234364

E-00050
E-00100
E-00150
E-00200
E-00250
E-00300
E-00350
E-00400
E-00450
E-00500
E-00550
E-00600
E-00650
E-00700
E-00750
E-00800
E-00850
E-00900
E-00950
E-01000
E-01050
E-01100
E-01150
E-01200
E-01250
E-01300
E-01350
E-01400
E-01450
E-01500
E-01550
E-01600
E-01650
E-01700
E-01750
E-01800
E-01850
E-01900
E-01950
E-02000
E-02050
E-02100
E-02150
E-02200
E-02250
E-02300
E-02350
E-02400
E-02450
E-02500
E-02550
E-02600
E-02650
E-02700

 lculo de Pi
I.3 Un ejemplo: Ca
5428584447
2135969536
0374200731
8687519435
8191197939
9839101591
5679452080
6638937787
0306803844
6660021324
1005508106
4011097120
2305587631
7321579198
7229109816
5725121083
6711136990
3515565088
8932261854
6549859461
2332609729
5836041428
1809377344
4492932151
2131449576
2807318915
6655730925
4769312570
3348850346
8455296541
7002378776
1127000407
6343285878
2021149557
0990796547
2996148903
9389713111
0480109412
8530614228
7716692547
9769265672
8888007869
6171196377
4252308177
6222247715
7805419341
5695162396
4786724229
4037014163
2168895738
5578297352
9906655418
3162499341
3220777092
3166636528
7723554710
9456127531
3114771199
0408591337
7152807317
8350493163
4781643788
9562586586
8584783163
4803048029
2742042083
2901618766
9914037340
2540790914
8798531887
2784768472
3503895170
1960121228

9526586782
2314429524
0578539062
0643021845
9520614196
9561814675
9514655022
0830390697
7734549202
3408819071
6587969981
6280439039
7635942187
4148488291
9091528017
5791513698
8658516398
4909989859
8963213293
6371802709
9712084433
1388303203
4030707469
6084244485
8572624334
4411010446
4711055785
5863566201
1136576867
2665408530
5913440171
8547332699
5698305235
6158140025
3761255176
0463994713
7904297828
1472213179
8137585043
4873898665
1463853067
2560290228
9213375751
0367515906
8915049530
4473774418
5864573021
2465436680
1496589794
3798623001
3344604281
7639792933
9131814809
1201905166
6193266863
5859548702
8134078330
2606381334
4641442822
6790770715
1284042512
5185290928
5570552690
0577775606
0058760758
2085661190
7952406163
4328752628
5135711136
7058429725
6860849003
2989392233
5993716231

1051141354
8493718711
1983874478
3191048481
6342875444
1426912397
5231603881
9207734672
6054146659
0486331734
6357473638
7595156771
3125147120
6447060957
3506712748
8209144421
3150197016
9823873455
3089857064
8199430992
5732654893
8249037589
2112019130
9637669838
4189303968
8232527162
3763466820
8558100729
5324944166
6143444318
2749470420
3908145466
8089330657
0126228594
5675135751
2962107340
5647503203
4764777262
0633217518
4949450114
3609657120
4721040317
1495950156
7350235072
9844489333
4263129860
6315981931
0980676928
0924323789
5937764716
5126272037
4419521541
2777710386
0962804909
3606273567
7908143562
3362542327
6776879695
7726346594
7213444730
1925651798
5452011658
4965209858
8887644624
2510474709
6254543372
4252257719
8896399587
9410911939
9167781314
3770242429
4517220138
3017114448

21
7357395231
0145765403
0847848968
0053706146
0643745123
4894090718
9301420937
2182562599
2520149744
6496514539
4052571459
5770042033
5329281918
5270695722
5832228718
0067510334
5151168517
2833163550
2046752590
4488957571
8239119325
8524374417
2033038019
9522868478
6426243410
0105265227
6531098965
3606598764
8039626579
5867697514
5622305389
4645880797
5740679545
1302164715
7829666454
4375189573
1986915140
2414254854
2979866223
6540628433
9180763832
2118608204
6049631862
8354056704
0963408780
8099888687
9516735381
2382806899
6907069779
5122893578
3431465319
3418994854
3877343177
2636019759
6303544776
4014517180
8394497538
9703098339
7047458784
6057007334
0694113528
3934196562
0338507224
8246857926
1643961362
1315359584
5429162991
9475729174
3251910760
9699009019
1651300500
1280696501
4640903890

1342716610
5902799344
3321445713
8067491927
7181921799
6494231961
6213785595
6615014215
2850732518
0579626856
1028970641
7869936007
2618612586
0917567116
3520935396
6711031412
1437657618
7647918535
7091548141
2828905923
9746366730
0291327656
7621101100
3123552658
7732269780
2111660396
2691862056
8611791045
7877185560
5661406800
9456131407
2708266830
7163775254
5097925923
7791745011
5961458901
2870808599
5403321571
7172159160
6639379003
7166416274
1900042296
9472654736
0386743513
7693259939
4132604721
2974167729
6400482435
4223625082
6015881617
7777416031
4473456738
2075456545
8828161332
2803504507
6246436267
2437205835
1307710987
7787201927
9243693113
0131470130
1349143415
2648293972
0395352773
6760449256
5068772460
9306455377
6426357455
2082520261
2116971737
5168323364
1784408745
6449544400

E-02750
E-02800
E-02850
E-02900
E-02950
E-03000
E-03050
E-03100
E-03150
E-03200
E-03250
E-03300
E-03350
E-03400
E-03450
E-03500
E-03550
E-03600
E-03650
E-03700
E-03750
E-03800
E-03850
E-03900
E-03950
E-04000
E-04050
E-04100
E-04150
E-04200
E-04250
E-04300
E-04350
E-04400
E-04450
E-04500
E-04550
E-04600
E-04650
E-04700
E-04750
E-04800
E-04850
E-04900
E-04950
E-05000
E-05050
E-05100
E-05150
E-05200
E-05250
E-05300
E-05350
E-05400
E-05450
E-05500
E-05550
E-05600
E-05650
E-05700
E-05750
E-05800
E-05850
E-05900
E-05950
E-06000
E-06050
E-06100
E-06150
E-06200
E-06250
E-06300
E-06350

22

I Preliminares
6198690754
2283345085
8282949304
4611996653
2827892125
2183564622
3685406643
9567302292
1920419947
2711172364
8856986705
0516553790
8757141595
4460477464
1465741268
3634655379
9113679386
0126901475
1965362132
2772190055
3610642506
2276930624
0861533150
3776700961
5189757664
9164219399
3338945257
1266830240
8475651699
9104140792
7180653556
9598470356
8788202734
5771028402
6407655904
5178609040
7367812301
6161528813
7634757481
9203767192
4366199104
8244625759
1509682887
3408005355
5848358845
4043523117
9748442360
7267507981
3025494780
7429958180
2673430282
9289647669
2609275249
9588970695
4525564056
6909411303
9695946995
6922210327
9279068212
2248261177
0037279839
2543709069
2314593571
5510500801
2339086639
1596131854
7360411237
3084076118
7065874882
5020141020
2162484391
2645600162
4610126483

8516026327
0486082503
1377655279
8581538420
0771262946
0134967151
1939509790
1913933918
4553859381
3435439478
4315470696
6866273337
7811196358
9159950549
0492564879
4986419270
2708943879
4668476535
3926406160
6148425551
3904975008
7435363256
4452127473
2071512491
5216413767
4907236234
4239950829
2929525220
9811614101
8862150784
7252532567
2226293486
2092222453
7998066365
2909945681
7086671149
4587687126
8437909904
1935670911
2033229094
0337511173
1633303910
4782656995
9849175417
3142775687
6006651012
8007193045
2554709589
2490114195
7247162591
4418604142
7583183271
6035799646
3653494060
4482465151
1509526179
5657612186
4889218654
0738837781
1858963814
4004152970
7939612257
9849225284
9086996033
3833952942
3475464955
3599843452
3013052793
2569815793
6723585020
4035998953
3742880210
6999892256

5052983491
9302133219
3975175461
5685338621
3229563989
8819097303
1906996395
5680344903
0234395544
2218185286
5747458550
9958511562
3300594087
7374256269
8556145372
5638729317
9362016295
7616477379
1363581559
8792530343
6562710953
9160781547
9245449454
4043027253
9690314950
6468441173
6591228508
1187267675
0029960783
2451670908
5328612910
0034158722
3985626476
8254889264
5065265305
6558343434
6034891390
2317473363
0137751721
3346768514
5471918550
7225383742
9957449066
3818839994
9002909517
4120065975
7618932349
0455635792
2123828153
6685451333
6363954800
3142517029
9256504936
3402166544
8754711962
3780029741
5619673378
3648022967
4233562823
0918390367
0287830766
1429894671
7160504922
0276347870
5786905076
6978103829
2516105070
2054274628
6789766974
0724522563
5394590944
9276457931
9596881592

8740786680
7155184306
3953984683
8672523340
8989358211
8119800497
5245300545
9820595510
9597783779
2408514006
3323233421
5784322988
3068121602
0104903778
3478673303
4872332083
1541337142
4675200490
0742202020
5139844253
5919465897
8181152843
2368288606
8607648236
1910857598
9403265918
5558215725
6220415420
8690929160
7000699282
4248776182
9805349896
6914905562
8802545661
3718294127
7693385781
9562009939
9480457593
0080315590
2214477379
4644902636
1821408835
1758344137
4697486762
0283529716
5851276178
2292796501
1221033346
0911407907
1239480494
0448002670
6923488962
8183609003
3755890045
1844396582
2076651479
6236256125
8070576561
6089632080
3672220888
7094447456
5435784687
1242470141
8108175450
4310063835
3097164651
2705623526
6540360367
2205750596
2651341055
0704691209
0657922955
0560010165

8818338510
3545500766
3936383047
2830871123
6745627010
3407239610
0580685501
0226353536
0237421617
6604433258
0730154594
2737231989
8764962867
1986835938
9046883834
7601123029
4892830722
7571555278
3187277605
2234157623
5141310348
6679570611
1340841486
3414334623
4423919862
4044378051
0310712570
5161841634
3028840026
1206604183
5829765157
5022629174
8425039127
0172967026
0336931378
7113864558
3610310291
1493140529
2485309066
3937517034
5512816228
0865739177
5223970968
6551658276
3445621296
5838292041
9875187212
6974992356
3860251522
7079119153
4962482017
7668440323
2380929345
6328822505
5337543885
3942590298
2163208628
5144632046
6822246801
3215137556
0134556417
8861444581
2147805734
1193071412
1983438934
4384070070
6012764848
4532865105
8344086973
9240190274
1409387001
2498872758
5256375678

E-06400
E-06450
E-06500
E-06550
E-06600
E-06650
E-06700
E-06750
E-06800
E-06850
E-06900
E-06950
E-07000
E-07050
E-07100
E-07150
E-07200
E-07250
E-07300
E-07350
E-07400
E-07450
E-07500
E-07550
E-07600
E-07650
E-07700
E-07750
E-07800
E-07850
E-07900
E-07950
E-08000
E-08050
E-08100
E-08150
E-08200
E-08250
E-08300
E-08350
E-08400
E-08450
E-08500
E-08550
E-08600
E-08650
E-08700
E-08750
E-08800
E-08850
E-08900
E-08950
E-09000
E-09050
E-09100
E-09150
E-09200
E-09250
E-09300
E-09350
E-09400
E-09450
E-09500
E-09550
E-09600
E-09650
E-09700
E-09750
E-09800
E-09850
E-09900
E-09950
E-10000

Captulo II
Sistemas Lineales

Una gran cantidad de problemas implica la resolucion de sistemas lineales

de la forma
Ax = b,
donde

a11
..

A=
.

an1

a1n
..
,
.

ann

b1
.
b = ..

bn

con coeficientes reales o complejos. Por esta necesidad es importante la construccion de algoritmos que permitan su resolucion en un tiempo razonable y
con el menor error posible. Cada problema tiene su particularidad, motivo
por el cual no existe un metodo general mediante el cual se pueda resolver eficazmente todos los problemas. Es verdad que existen metodos casi generales,
que con peque
nas modificaciones pueden servir para encontrar la solucion
de un problema particular. A lo largo de este captulo se expondr
an estos
metodos, dando criterios de estabilidad y estimaciones de error.
En la primera seccion se tratara la condici
on del problema lineal, para
este efecto ser
a necesario introducir elementos de la teora de normas en
las matrices, para luego introducir las nociones relativas a la condici
on del
problema lineal.
En la segunda seccion se abordara los metodos de resoluci
on como son:
el Algoritmo de Eliminaci
on de Gauss, la Descomposici
on de Cholesky y
algunas modificaciones de estos metodos. En esta seccion se estudiar
a la
implementacion de tales metodos, como tambien la estabilidad de estos.
La tercera seccion tratara, la teora e implementacion de los metodos iterativos lineales como: Jacobi, Gauss-Seidel y SOR. As mismo se analizar
an
algunos problemas tipos y se haran comparaciones de tales metodos.
En la cuarta seccion, se ver
a los metodos de tipo gradiente cuyo enfoque
es diferente a los metodos de las dos secciones precedentes, en efecto, son
metodos que encuentran la solucion a partir de problemas de minimizacion.
Se resolver
an ejemplos tipos y se comparara la eficiencia de estos con otros
metodos.

24

II Sistemas Lineales

La u
ltima seccion describir
a el Metodo de los Mnimos Cuadrados, como
una generalizacion de lo anteriormente expuesto, introduciendo como corolario la nocion de Pseudo-Inversa. As mismo se analizar
a la implementacion
del metodo QR, incluyendo una estimacion del error de tal metodo.

II.1 Condici
on del Problema lineal

Normas de Vectores y Matrices

La noci
on de norma y espacio normado es un instrumento matematico muy
util en el estudio de las magnitudes que se manipulan, como tambien un
instrumento en el estudio de la convergencia y los lmites. Se empezara
definiendo el concepto de norma en espacios Rn , para luego definir en el
algebra de las matrices a coeficientes reales.

Definici
on II.1.1.- Una norma sobre Rn es una aplicaci
on
k k : Rn R,
con las siguientes propiedades:
kxk 0,
kxk = 0 x = 0;
kxk = || kxk , donde R;
kx + yk = kxk + kyk .

i)
ii)
iii)

La primera condici
on implica que una norma siempre es positiva y es
nula siempre y cuando el vector sea el vector nulo. La segunda propiedad es
la homogeneidad de la norma y la tercera condici
on es mas conocida como
desigualdad del triangulo. Las normas mas usuales en Rn son las siguientes:
kxk1 =
kxk2 =
kxkp =

n
X
i=1

|xi | ,

n
X
i=1

n
X
i=1

norma ciudad-bloque;

|xi |

! 12

|xi |2

! p1

kxk = max |xi | ,

i=1,...,n

norma euclidiana;

p > 1;
norma de la convergencia uniforme.

Estas normas, que son las usualmente utilizadas, tienen algunas propiedades
en com
un. La mas importante es que, si se aumenta en valor absoluto una
de las componentes, la norma se incrementa. Es necesario formalizar este
hecho, motivo por el cual, se tiene la:

26

II Sistemas Lineales

Definici
on II.1.2.- Si x = (x1 , . . . , xn ) Rn , se define el valor absoluto de
x como |x| = (|x1 | , . . . , |xn |). Se dice que |x| |y|, si |xi | |yi | para todo
i = 1, . . . , n. Una norma k k sobre Rn se dice que es:
(a) Mon
otona, si |x| |y| implica que kxk kyk para todo
x, y Rn .
(b) Absoluta, si kxk = k|x|k para todo x Rn .
Proposici
on II.1.3.- Una norma k k sobre Rn es monotona, si y solamente
si es absoluta.

Demostraci
on.- Si la norma k k es monotona, sea x Rn , llamenos y = |x|.
Como |x| |y|, y |y| |x| se tiene inmediatamente, porque la norma es
monotona, que kxk = kyk.
Si la normak k es absoluta, sea x Rn , considerese
x
= (x1 , . . . , xk1 , xk , xk+1 , . . . , xn ), con [0, 1]. Utilizando el hecho
que la norma sea absoluta, desigualdad del triangulo y efectuando c
alculos
algebraicos se tiene:


1

1

k
xk = (1 )(x1 , . . . , xk1 , xk , xk+1 , . . . , xn ) + (1 )x + x

2
2
1
1
(1 ) k(x1 , . . . , xk1 , xk , xk+1 , . . . , xn )k + (1 ) kxk + x
2
2
1
1
= (1 ) kxk + (1 ) kxk + kxk = kxk .
2
2
Ahora bien, si x = (x1 , . . . , xk , . . . , xn ) y y = (x1 , . . . , xk1 , yk , xk+1 , . . . , xn ),
con |yk | |xk |, utilizando la desigualdad anterior se tiene kxk kyk. Para
demostrar que |x| |y| implica que kxk kyk, se repite el anterior paso n
veces, es decir una vez por cada componente.

Una matriz de orden mn puede ser vista como un vector que pertenece
al espacio Rmn , de esta manera definir la norma de una matriz como la de
un vector, pero se perdera as muchas de las propiedades que tiene una
aplicaci
on lineal. Es por eso la:
Definici
on II.1.4.- Sea A una matriz de m n, se define su norma como
kAk = sup
x6=0

kAxk
= sup kAxk .
kxk
kxk=1

(II.1.1)

La definicion de la norma de una matriz depende evidentemente de las

normas elegidas para kxk y kAxk. Sin embargo puede ser verificado sin
ning
un problema, que la norma de una matriz, verifica las condiciones de
norma de un vector. La demostracion es una simple verificaci
on de estas
condiciones, utilizando la definicion de supremo. Adem
as si las norma de los
espacios Rn y Rm son monotonas o absolutas, es facil verificar que la norma

 n del Problema lineal

II.1 Condicio

27

de matriz inducida por estas, es todava monotona; es suficiente utilizar

la definicion para probar esta afirmacion. Por otro lado kAk es el n
umero
positivo mas peque
no que satisface kAxk kxk, por lo tanto
kAxk kAk kxk ,

x Rn .

(II.1.2)

Una norma sobre el espacio de matrices verifica las siguientes propiedades,

dada por la:
Proposici
on II.1.5.- Cualquier norma sobre el espacio de las matrices
Mm (R) satisface las propiedades adicionales siguientes:
kIk = 1,
kABk kAk kBk .

(II.1.3)
(II.1.4)

Demostraci
on.- La relacion (II.1.3) de la proposici
on es consecuencia
inmediata de la definicion de la norma de una matriz.
La relacion (II.1.4) es consecuencia de las observaciones hechas despues de
la definicion, en efecto
kABxk kAk kBxk kAk kBk kxk ,
kABxk
kAk kBk ,
kxk
kABk kAk kBk .

Se ha dado las propiedades esenciales de la norma de matrices, pero es

necesario conocer algunas de estas por su utilizaci
on frecuente. Utilizando
la misma notacion que en las normas de los vectores definidas al inicio de
la seccion, se puede utilizar la misma notacion en los ndices de las normas
de las matrices, con la convencion que las normas de los vectores tienen los
mismos ndices.
Teorema II.1.6.- Sea A una matriz de n m, entonces:
kAk1 = max

j=1,...,m

i=1

|aij | ,

p
valor propio mas grande de At A,
m
X
|aij | .
= max

kAk2 =
kAk

n
X

i=1,...,n

j=1

(II.1.5)
(II.1.6)
(II.1.7)

28

II Sistemas Lineales

Demostraci
on.- Se comenzara por kAk1 , se tiene:


 X
m
n X
n X
X

m


|aij | |xj |

a
x
kAxk1 =
ij j 

 i=1 j=1
i=1  j=1
!
!
m
n
n
X
X
X

|aij | |xj |
max
|aij | kxk1 ,
j=1

por lo tanto

j=1,...,m

i=1

kAk1 max

j=1,...,m

n
X
i=1

i=1

|aij | .

Se mostrar
a, que la igualdad se cumple, en efecto, sea jo tal que:
n
n
X
X
|aij | ; y x
tal que x
jo = 1, xi = 0 si i 6= jo ;
|aijo | = max
i=1

j=1,...,m

i=1

a1jo
n


X


|aijo | k
xk1 .
de esta manera kA
xk = ... =


i=1
amj
o

Para la k k2 se tiene:

kAxk22 = hAx, Axi = xt At Ax,

ahora bien At A es una matriz simetrica definida positiva, de donde los

valores propios son reales no negativos, adem
as es posible formar una base de
vectores propios ortonormales. Sea {e1 , . . . , em } una base de vectores propios
m
m
X
X
i i ei , donde los i 0 son
i ei y Ax =
ortonormales, entonces x =
i=1

i=1

los valores propios de A. Por lo tanto, se tiene

m
m
X
X
2
i2 = max i kxk2 .
2i i2 max i
kAxk2 =
i=1,...,m

i=1

i=1

i=1,...,m

Para obtener la igualdad, es suficiente tomar x = ejo , donde jo es el

autovalor mas grande.
Para la k k se tiene:




X
m
X

m
|aij | |xj |
aij xj  max
kAxk = max 
i=1,...,n
i=1,...,n 

j=1
j=1

m
m
X
X
max
|aij | max |xj | max
|aij | kxk ,
i=1...,n

as

kAk max

j=1,...,m

j=1

m
X
j=1

|aij | .

j=1,...,m

i=1,...,n

j=1

 n del Problema lineal

II.1 Condicio

29

Para obtener la igualdad es suficiente tomar x = 1, donde 1 = (1, . . . , 1)t .



La Condici
on de una Matriz
La resolucion de un sistema lineal de ecuaciones debe hacer meditar sobre
muchos aspectos relacionados, como ser la existencia de la solucion, si el
problema a resolver est
a bien condicionado, conocer una estimacion del error
cometido en la solucion numerica, etc. Se tiene inicialmente el sistema de
ecuaciones
Ax = b,
donde A Mn (R), y b Rn ;
(II.1.8)
el problema es encontrar x R que sea solucion del sistema (II.1.8), esta
situacion puede escribirse formalmente como
P(A, b) = x.
De esta manera la condici
on del problema est
a dada por


P(A, b) P(A,
b)
cond eps,
|P(A, b)|

(II.1.9)

donde:
a
ij = aij (1 + ij ),
bi = bi (1 + i ),

|ij | eps;
|i | eps.

(II.1.10)
(II.1.10 )

kx x
k
b) = x
Si se plantea P(A,
, se tiene
cond eps. Por otro lado,
kxk
considerando que solamente normas mononotas son utilizadas, se tiene:

a11 11

..
.


an1 n1

a1n n1

..
eps kAk ,
.


ann nn

..
.

de esta manera


A A eps kAk

b b eps kbk .

(II.1.11)

Suponiendo que la matriz sea inversible, se puede enunciar el siguiente

teorema, pero antes una definicion es necesaria.
Definici
on II.1.7.- La condici
on de una matriz A inversible se define como


cond(A) = kAk A1 .
(II.1.12)

30

II Sistemas Lineales

Teorema
ongase que
una matriz con det A 6= 0, sup
II.1.8.- Sea A

A A kAk A , b b kbk b . Si A cond(A) < 1, entonces
k
x xk
cond(A)

(A + b ).
kxk
1 A cond(A)

(II.1.13)

Si adem
as se tiene A cond(A) < 21 , entonces la condici
on del problema
resolver Ax = b es 2cond(A).
x = b, de donde:
Demostraci
on.- Se tiene Ax = b y A
x = b b y Ax A
A
x = b b,
Ax A
x + Ax

A(x x
) = (A A)
x + (b b), x x
= A1 (A A)
x + A1 (b b),
introduciendo las desigualdades en las normas se obtiene:






xk + A1 b b
kx x
k A1 A A k


x xk) + kbk b )
A1 (kAk A (kxk + k
1
x xk) + kxk b ) ,
A kAk (A (kxk + k
k
x xk
cond(A)
de esta manera

(A + b ).
kxk
1 A cond(A)

Como la condici
on del problema lineal est
a ntimamente ligada a la
condici
on de la matriz, es importante conocer algunas de sus propiedades,
dadas por la:
Proposici
on II.1.9.- La condici
on de una matriz satisface las siguientes
propiedades:
cond(A) 1;
cond(I) = 1;
cond(A) = cond(A),

(II.1.14)
(II.1.15)
(II.1.16)

R.

Demostraci
on.- Verificaci
on inmediata.

Ejemplos
1.- Q ortogonal, es decir Qt Q = I, la condici
on respecto a la norma k k2
esta dada por
cond2 (Q) = 1.
(II.1.17)
2.- Sea la matriz A dada por

4
1
1
4
1
.. . . .
A= .
h .
..

0
1
..
.
1

0
0
..
..
.
.
4
1

1
4

 n del Problema lineal

II.1 Condicio
entonces kAk =

1
4
N = .
..

, adem
as A =
1

4
0
..
.

0
1

4
..
.
0

Se deduce que

31
(I + N ) donde

0
0

,
..
.
1
4 0

kN k =

1
< 1.
2

h
h
(I + N )1 = (I N + N 2 N 3 + ),
4
4
2
h
(1 + kN k + N + )
4

1
h

4 1 kN k
h
,
2

A1 =
1
A

entonces cond (A) 3, por lo tanto, la matriz es bien condicionada.

3.- El siguiente ejemplo muestra la existencia de una matriz mal condicionada.

Sea H la matriz de n n, llamada matriz de Hilbert, definida por
hij =

1
,
i+j1

i, j = 1, . . . , n.

H es una matriz simetrica definida positiva, motivo por el cual la

condici
on respecto a la norma euclidiana est
a dada por
cond2 H =

max
,
min

donde los son valores propios de H. Se puede mostrar que

cond2 H cen .

(II.1.18)

Se puede observar claramente que las matrices de Hilbert son mal

condicionadas, inclusive para n bastante peque
no.
4.- Finalmente, este ejemplo muestra la existencia de otra matriz mal
condicionada, como ser las matrices de Vandermonde. Sea V la matriz
de n n definida por

1
1

1
c2

cn
c1
,
V =
.
.
..
..
..

.
c1n1

c2n1

cnn1

32

II Sistemas Lineales
donde los ci son diferentes. Se puede mostrar que la cond2 V bn ,
donde b > 1.
k
xxk

2cond(A)eps puede ser demasiada

kxk
pesimista, para ver esto, considerese el siguiente ejemplo,

   
1 1
x
2
=
.
0 108
y
1


Si se llama A a la matriz del sistema, se tiene kAk2 = 108 y A1 1. El
sistema con los errores de redondeo incorporados, est
a dado por:

  
1 + 1
1 + 2
x

=
= ( 2(1 + 4 ) 1 + 5 ) ,
0
108 (1 + 3 )
y
Ahora bien, la estimacion

y = 108

1 + 5
108 (1 + 5 3 ),
1 + 3

|y y|
2eps.
|y|
Calculando x
, se tiene
2(1 + 4 ) (1 + 2 )
y
x
=
1 + 1

de donde

por lo tanto,

2 108 + 24 108 (2 + 5 3 )
1 + 1

x + 21 108 (2 + 5 3 )
1 + 1

x(1 + 4eps),
|x x
|
4eps.
|x|

El problema es bien condicionado, aunque la matriz A tenga una gran

condici
on. Si se multiplica el sistema de ecuaciones por una matriz diagonal
D se obtiene, el nuevo problema dado por
DAx = Db,
por el teorema II.1.8, se tiene
kx x
k
2cond(DA)eps,
kxk
En el ejemplo anterior, se plantea


1
0
D=
,
0 108

si cond(DA)eps <

as DA =

1 1
0 1

1
.
2

 n del Problema lineal

II.1 Condicio

33

obteniendo el:
Corolario II.1.10.- Con las misma hipotesis del teorema II.1.8, y adem
as
si cond(DA)eps < 21 , se tiene
La condici
on del problema 2

inf

cond(DA).

(II.1.19)

diagonal

Ejercicios
1.- a) Sea k k definida en Rn . La bola unitaria cerrada se define como



= x Rn  kxk 1 ,
B

mostrar que la bola unitaria es un conjunto convexo.

b) Sea D un conjunto convexo acotado, en cuyo interior est
a 0. Si se supone
que D es equilibrado, es decir si x D implica que x D. Mostrar que
se puede definir una norma cuya bola unitaria cerrada sea precisamente
D.

2.- Es la funcion f (x) = |x1 x2 | + |x2 | una norma sobre R2 ? Si lo es, es

monotona? Dibujar la bola unitaria.

3.- Dar las condiciones para que una norma sea monotona, observando su
bola unitaria cerrada.
4.- Para una matriz A se define la norma de Frobenius como
v
uX
n
u n X
2
kAk = t
|aij | .
F

i=1 j=1

a) Mostrar que kAkF es una norma sobre Rnn .

b) Verificar la desigualdad
kAk2 kAkF

n kAk2 .

5.- Verificar la desigualdad

max |aij | kAk2 n. max |aij | .
i,j

i,j

6.- Sea A una matriz con det A 6= 0. Mostrar que



1
A = min kAxk .
kxk=1

34

II Sistemas Lineales

7.- Sea R una matriz triangular inversible. Mostrar que:

|rii | kRkp ,
Deducir que

|rii |1 R1 p ;
condp (R) max
i,k

para p = 1, 2, .

|rii |
.
|rkk |

8.- Sea

 1
2
0
+ 1
h0
h1



1
1
1

2
+

h1
h1
h2
A=

..

.
0
0

h2
..
.
0

..

1
hn2

..

.


1
1
2 h
+h
n2
n1

la matriz, que se encuentra en la interpolaci

on spline. Mostrar:
a) cond (A) puede ser arbitrariamente grande.
(Si max hi / min hi ).
b) Existe una matriz diagonal D tal que cond (DA) 3.

II.2 M
etodos Directos

En esta seccion se desarrollar

a los algoritmos de resolucion directa de
sistemas lineales mas comunes en la actualidad. El problema a resolver es
Ax = b,

(II.2.1)

donde A Mn (R), x, b Rn . Por los resultados obtenidos en la teora del

Algebra Lineal, este sistema de ecuaciones lineales tiene una sola solucion,
si y solamente si det A 6= 0. Para mostrar la importancia de contar con
algoritmos cuyo costo en operaciones sea mnimo, vale la pena dar el siguiente
ejemplo de resolucion de este sistema de ecuaciones lineales. El ejemplo
consiste en la utilizaci
on de la regla de Cramer, que en si misma constituye
uno de los resultados te
oricos mas hermosos que se ha obtenido. Para ilustrar
el metodo de Cramer, se debe hacer algunas convenciones sobre la notacion.
Para comenzar una matriz A de n n se puede escribir como
A = (A1 , . . . , An )
donde Ai es la i-esima columna de la matriz A. Dada una matriz A y un
vector b Rn , se denota por
A(j) = (A1 , . . . , Aj1 , b, Aj+1 , . . . , An ,
la matriz obtenida remplazando la j-esima columna por el vector b. Ahora
bien, la solucion del sistema (II.2.1) est
a dada por
xi =

det A(i)
,
det A

donde x = (x1 , . . . , xn ). Por lo tanto, la resolucion del sistema implica el

c
alculo de n+1 determinantes. Si para encontrar el valor de los determinantes
se utiliza la siguiente relacion
X

Sn

signo()

n
Y

ai(i) ,

i=1

donde Sn es el grupo de permutaciones de n elementos, se debe efectuar n!

sumas. Si se desea resolver un sistema de 69 ecuaciones con el mismo n
umero
de incognitas, suponiendo que cada suma se efectua en 109 segundos,
se tardara aproximadamente 6.75 1049 a
nos en llegar a la solucion del

36

II Sistemas Lineales

problema. Como conclusi

on se puede decir que existen metodos cuyo valor
te
orico es importante, pero su ejecucion numerica es desastrosa, raz
on por
la cual es imprescindible implementar algoritmos cuyo costo no sea muy
elevado.

El Algoritmo de Gauss
Uno de los algoritmos mas utilizados, precisamente por su relativo bajo
costo, es el Algoritmo de Eliminaci
on de Gauss. Considerese el sistema de
ecuaciones dado por

a11 x1

a21 x1
..

.
an1 x1

a12 x2
a22 x2

+
+

+ an2 x2

+ann xn

+
+

+a1n xn
+a2n xn

=
=
..
.

b1
b2

= bn

El Algoritmo de Gauss consiste en:

i1 , para i = 2, . . . , n.
Primer paso Si a11 6= 0,
li1 = aa11
Se calcula lineai li1 linea1 , para i = 2, . . . , n.
Si a11 = 0 se intercambia lineas.
Obteniendose el sistema equivalente dado por

a11 x1

a12 x2
(1)
a22 x2
..
.

+ +
+ +

a1n xn
(1)
a2n xn

an2 x2

+ +

ann xn

(1)

(1)

= b1
(1)
= b2
.
..
.
(1)

= bn

(1)

ai2
(1) , para i = 3, . . . , n.
a22
Se calcula lineai li2 linea2 , para i = 3, . . . , n.
Si a22 = 0 se intercambia lineas.
(1)

Paso 2 Si a22 6= 0,

li1 =

Se repite el procedimiento hasta obtener un sistema triangular de ecuaciones

como el siguiente

r11 x1

r1,n1 xn1
..
.
rn1,n1 xn1

r1n xn

+ rn1,n xn
rnn xn

= c1
..
.
= cn1
=
cn

II.2 M
etodos Directos

37

De donde se tiene:
cn
,
rnn
cn1 rn1,n xn
xn1 =
,
rn1 ,n1
..
.
c1 r12 x2 r1n xn
x1 =
.
r11
xn =

(II.2.2)

Si se utiliza la notacion matricial, se obtiene el siguiente esquema del

algoritmo de Gauss, con las matrices aumentadas:
(A, b)

..

0

0


A(n1) , b(n1)

0 0 .

. . .

.. ..
.. ...

0 0



A(1) , b(1)

A(2) , b(2)

..
0 0

.
.

..
..

.

0 0

Teorema II.2.1.- Sea det A 6= 0. El algoritmo de Gauss da la descomposici

on siguiente:
P A = LR,
(II.2.3)
donde:

R=

r11
0

..
.

r1n
..
,
.

rnn

y P es una matriz de permutacion.

l21
L=
...
ln1

0
1
..

ln2

.
1

(II.2.4)

Demostraci
on.- Supongase, que las permutaciones necesarias han sido
efectuadas al principio, es decir se aplica el Algoritmo de Gauss a la matriz

38

II Sistemas Lineales

P A. Para no complicar la notacion se escribe A, en vez de P A. Utilizando

el mismo esquema dado mas arriba, se obtiene:
A A(1) A(n1) = R,

donde:

A(1)

1
l21

l
=
.31
..

A(2)

por lo tanto

0
1
0
..
.

0
0
1
..
.

0
0

0 0 = L1 A,

..

ln1 0
0

1
0
0
1
0
0

0
l
1
0

32
=
..
..
...
.
.
0 ln2 0

0
0

0 = L2 A,

R = Ln1 Ln2 L2 L1 A.
Lo u
nico que falta mostrar, es que
L1 = Ln1 Ln2 L2 L1 ,
y para eso, se tiene:

Li = I Vi ,

donde

Vi =

0
0

..

.
0
li+1,i
..
.
lni

0
..
.

..

.
0 0

Se puede verificar facilmente que Vi Vj = 0 para i = 1, . . . , n, de donde se

obtiene finalemente:
= I + Vi ,
L1
i
L = I + V1 + V2 + + Vn1 .

Muchas veces, es necesario calcular sistemas de la forma:

Ax1 = b1 ,
Ax2 = b2 .

(II.2.5)

II.2 M
etodos Directos

39

Se calcula una vez la descomposici

on LR y se resuelve de la manera siguiente:
Ly = b,
Rx = y.

(II.2.6)

Teorema II.2.2.- La descomposici

on LR da el siguiente resultado,
det A = r11 r22 rnn ,

(II.2.7)

donde los rii son coeficientes de la diagonal de R.

Demostraci
on.- Utilizando identidades en los determinantes se tiene
det P det A = det L det R.

El costo de la descomposici
on LR.
Para evaluar cuantas operaciones son necesarias para llegar a la descomposici
on LR de una matriz A Mn (R), se procede de la manera siguiente:

A A(1)

Calculo de los li1 : n 1 divisiones

Para cada fila i, es necesario efectuar
n 1 multiplicaciones mas adiciones, lo
que hace un total de (n 1)2 multiplicaciones y adiciones.

Por lo tanto, contando el n

umero de operaciones en cada etapa del algoritmo,
se tiene
# operaciones (n 1)2 + (n 2)2 + + 22 + 12
n1
X
i2
=
i=1
n

x2 dx

0
3

n
.
3

(II.2.8)

2
La resolucion de LRx = b, implica aproximadamente n2 multiplicaciones
mas adiciones en la solucion de Ly = b. Igual n
umero de operaciones se
tiene para la resolucion de Rx = y, lo que hace un total aproximado de n2
operaciones.

40

II Sistemas Lineales
La elecci
on del pivote

Definici
on II.2.3.- Sea A una matriz, se llama pivote de la matriz A al
coeficiente a11 .
Para ilustrar la necesidad en elegir un buen pivote, considerese el
siguiente ejemplo. La precisi
on de los c
alculos tienen tres cifras significativas
en base 10. Sea el sistema de ecuaciones dado por
 4
10 x1 + x2 = 1
.
(II.2.9)
x1 + x2 = 2
La solucion exacta de este sistema de ecuaciones est
a dada por:
x1 = 1, 000100010001000 ,

x2 = 0, 999899989998999 .

(II.2.10)

Ahora bien, aplicando el algoritmo de Gauss con 104 como pivote, se tiene:
a21
= 0, 100 105 ,
a11
La segunda linea del sistema se convierte en
0, 100 105 x2 = 0, 100 105 ,
de donde
x2 = 0, 100 101 ,
l21 =

resolviendo x1 se tiene
0, 100 103 x1 = 0, 100 101 0, 100 101 ,
por lo tanto
x1 = 0.

(II.2.11)

Ahora, aplquese el algoritmo de Gauss con 1 como pivote, es decir intercambiando la primera ecuacion con la segunda, se tiene:
a21
= 0, 100 105 ,
a11
La segunda linea del sistema se convierte en
0, 100 101 x2 = 0, 100 101 ,
de donde
x2 = 0, 100 101 ,
resolviendo x1 , se tiene
0, 100 101 x1 = 0, 200 101 0, 100 101 ,
por lo tanto
l21 =

x1 = 0.100 101 .

(II.2.12)

II.2 M
etodos Directos

41

La explicacion de este fen

omeno consiste en que la sustracci
on es
una operaci
on mal condicionada, cuando las cantidades a restar son muy
parecidas; en efecto, considerese el siguiente sistema

a11 x1 + a12 x2 = b1
,
(II.2.13)
a21 x1 + a22 x2 = b2
al aplicar el algoritmo de Gauss se obtiene:
(1)

l21 =

a21
a11

a22 = a22 l21 a12 ,

(1)

b2 = b2 l21 b1 ,
(1)

(1)

a22 x2 = b2 .
Si |l21 | 1 se tiene:
(1)

a22 l21 a12 ,

x2
x1 =

(1)

b2 l21 b1 ,

b1
,
a12

1
1
(b1 a12 x2 )
(b1 b1 ) .
a11
a11

Para solucionar este problema, se realiza una b

usqueda de pivote parcial,
que consiste en:
Se escoge el pivote ai1 tal que
|ai1 | |aj1 |

j = 1, . . . , n.

Se procede de la misma manera para cada paso del algoritmo

de Gauss.
La Estabilidad del Algoritmo de Gauss
Sea A una matriz cuyo determinante es diferente de 0. Se desea saber cual es
el error cometido por el algoritmo de Gauss para encontrar la descomposici
on
A = LR. No se considera las permutaciones, puesto que no se comete error
de redondeo.
y R,
ll
Si se aplica el algoritmo de Gauss, se obtiene las matrices L
amese
R,

A = L

la descomposici
on exacta de A.

Para saber, si el algoritmo es numericamente estable, se utiliza la nocion de

baackward analysis dada en captulo I. Es decir encontrar una constante que
verifique:
|
aij aij |
C eps.
(II.2.14)
|aij |

42

II Sistemas Lineales




Por consiguiente, es necesario estimar la diferencia A A elemento por
elemento. Se tiene el siguiente:
R
el resultado numerico de
Teorema II.2.4.- Wilkinson. Sea det A 6= 0; L,
la descomposici
on LR con b
usqueda de pivote |lij | 1. Entonces

0
1

A LR 2a eps
1
.
..

0
1
2
2 3
.. ..
. .
1 2 3



 (k) 
donde a = max aij  y

0
1
2
3

n 1

(II.2.15)

i,j,k

A(0) A(1) A(n1) .

Como resultado de este teorema, el algoritmo de Gauss es numericamente

estable, siempre y cuando n no sea demasiado grande. La experiencia
numerica indica que es aconsejable utilizar la descomposici
on de Gauss para
sistemas no mayores a 1000 ecuaciones.
Demostraci
on.- Al efectuar la descomposici
on LR, considerando los errores
de redondeo, se tiene el siguiente esquema:

A(0) A(1) A(n1) = R

Sin considerar los errores de redondeo se tiene L1 A = A(1) , de donde

1
l21

1 = l31
L
.
..
ln1

1
0 1
0

Por otro lado, se tiene

..
.
1

es la matriz L1 con los errores de

redondeo.

1 L1 ,
=L
1 L
L
2
n1
1

obteniendo




R
=L
1 L
1 L
1 A A(1) + L
1 L
2 A(1) A(2)
AL
1
2
1



1
n1 A(n2) A(n1) .
1
L
+ L1
1 L2 Ln1

II.2 M
etodos Directos

43

Ahora bien, los coeficientes de la matriz obtenida en el primer paso, est

an
dadas por


(1)
a
ij = aij li1 a1j (1 + 1 ) (1 + 2 ), i 1,

que da como consecuencia



1 A A(1)
L
=li1 a1j a
ij
ij


=li1 a1j aij li1 a1j (1 + 1 ) (1 + 2 )

= aij 2 + li1 a1j 2 + li1 a1j 1 + li1 a1j 1 2

(1)
=a
ij 2 + li1 a1j 1 + li1 a1j 1 2 ,

obteniendo as:






 (k) 
L1 A A(1)  2a eps donde a = max aij  , i 2.
i,j,k

Bajo forma matricial, el resultado anterior est

a dado por

0 0


1 1


.
..
L1 A A(1)  2a eps
...
.
1 1

Continuando con el mismo procedimiento en

0
0



 (1)

0
L2 A A(2)  2a eps
.
..

la demostracion, se obtiene

0 0
0 0

1 1,
..
..
.
.
0 1 1

resultados similares tambien se obtienen para los dem

as pasos del algoritmo
de Gauss con lo que se obtiene le resultado deseado.


El Algoritmo de Cholesky
Un caso particular de sistema de ecuaciones lineales, es donde la matriz A
es:
Definici
on II.2.5.- Una matriz A Mn (R) es simetrica y definida positiva,
si cumple las siguientes dos condiciones:
(II.2.16)

At = A;

(II.2.17)

xt Ax > 0,

x Rn , x 6= 0.

44

II Sistemas Lineales

Teorema II.2.6.- Sea A simetrica y definida positiva, entonces:

a) El algoritmo de Gauss es posible sin b
usqueda de pivote.
b) La descomposici
on A = LR satisface
R = DLt ,

con D = diag(r11 , r22 , , rnn ).

(II.2.17)

Demostraci
on.- Sea A simetrica y definida positiva, dada por

a1n
..
.
.

a11
..

A=
.

ann

an1

El coeficiente a11 de la matriz A es diferente de 0, porque la matriz A es

definida positiva y a11 = et1 Ae1 donde et1 = (1, 0, , 0). Despues del primer
paso del algoritmo de Gauss, se obtiene:

A(1)

a11
0
=
...

a1n

a12

(1)

li1 =

ai1
,
a11

de donde se tiene
(1)

cij = aij li1 a1j = aij

ai1 a1j
.
a11

Por lo tanto es suficiente mostrar que C (1) es simetrica y definida positiva.

En efecto, expresando la matriz A como


a11
z

zt
C

se tiene
C (1) = C

1
zz t .
a11

Hay que mostrar que

y t C (1) y = y t Cy

2
1
y t z > 0,
a1 1

y 6= 0.

Por hip
otesis la matriz A es definida positiva, de donde
( x1

y )

a11
z

zt
C



x1
y

= a11 x21 + x1 z t y + y t zx1 + y t Cy > 0,

II.2 M
etodos Directos

45

para x1 R y y Rn1 los dos no nulos al mismo tiempo.

yt z
Planteando x1 = a11 , se tiene
2

(y t z)
2 (z t y)

+ y t Cy > 0,
a11
a11
por consiguiente
y t Cy

2
1
y t z > 0.
a11

La descomposici
on LR es u
nica, si esta existe, en efecto, si
A = L1 R1 = L2 R2 ,
dos descomposiciones de A. Se tiene
1
L1
2 L1 = R2 R1 ;

las matrices del tipo L, como aquellas de tipo R forman subgrupos dentro
el grupo de las matrices inversibles, deduciendose que
L1
2 L1 = I,
por lo tanto L1 = L2 y R1 = R2 . Para demostrar la parte b) del teorema, se
define la matriz L1 , como
Lt1 = D1 R,
donde D = diag(r11 , , rnn ), hay verificar que L1 = L. Las siguientes
identidades se cumplen:
A = LR = LDLt1 ,
At = L1 DLt ,
como A es simetrica y por la unicidad de la descomposici
on LR, se deduce
L = L1 .
.
Definici
on II.2.7.- Sea D una matriz diagonal a coeficientes no negativos,
entonces:

p
p
1
D 2 = diag
d11 , , dnn .
(II.2.18)
= LD 21 , se tiene
Si se define L

L
t,
A=L
que es la descomposici
on de Cholesky de la matriz A simetrica y definida
Entonces los
positiva. Para simplificar notacion, se escribe L, en lugar de L.

46

II Sistemas Lineales

coeficientes de la matriz L de la descomposici

on de Cholesky de A, est
an
dados por:
para k = 1, . . . , n:

lkk =

lik

q
2 l2 l2
akk lk1
k2
k,k1 ;

aik li1 lk1 li,k1 lk,k1

=
,
lkk

(II.2.19)
i = 1, . . . , k 1.

El costo en operaciones, despreciando el c

alculo de las raices cuadradas,
para obtener la descomposici
on de Cholesky, est
a dado por
n
X

k=1

k(n k)

x(n x)dx =

n3
.
6

(II.2.20)

La resolucion de la ecuacion Ax = b, donde A es una matriz simetrica y

definida positiva, se puede efectuar en dos pasos utilizando la descomposici
on
de Cholesky:
Ly = b,
Lt x = y,
los cuales necesitan un total aproximado, lo mismo que en el algoritmo de
Gauss,
n2 operaciones.
La estabilidad de la descomposici
on de Cholesky est
a dada por el
siguiente:
el
Teorema II.2.8.- Sea A una matriz simetrica y definida positiva. L
resultado numerico de la descomposici
on de Cholesky, entonces

1 1 1 1
1 2 2 2



1 2 3 3,
A LL  a eps

. . .

.. .. ..
1 2 3 n

(II.2.21)

donde a = max |aij |.

ij

Demostraci
on.- Se demuesta de la misma manera que el teorema II.2.4
referente a la estabilidad de la descomposici
on LR.


II.2 M
etodos Directos

47

Ejercicios
1.- Escribir una subrutina DEC(N,NDIM,A,B,IP,IER) que calcule la descomposici
on LR, tomando en cuenta la b
usqueda parcial de pivote.
Luego escribir una subrutina SOL(N,NDIM,A,B,IP) que permita resolver
Ax = b utilizando la descomposicion obtenida por DEC.
a) Resolver

9
5 2 1 3
3
4
28
1 20
.
x =

32
0 1
1
30
11
2 8 25 4
b) Calcular la inversa de la matriz de Hilbert dada por

n
1
H=
para n = 2, 3, 4, 5.
i + j i,j=1

2.- a) Calcular la descomposici

on de Cholesky LLt para la matriz de Hilbert
n

1
,
n = 15.
H=
i + j i,j=1
b) Comparar el resultado numerico con los valores exactos,

2k 1 (j 1)! (j 1)!
ljk =
.
(j k)!(j + k 1)!

(II.2.22)

Cu
antas cifras son exactas?
es el resultado numerico, calcular el residuo
c) Si L
L
t,
AL
calcular tambien el residuo A LLt para la matriz L dada por (II.2.22).
3.- Calcular cond (An ) para las matrices:
a) de Hilbert


b) de Vandermonde (aij ) = cij1 , i, j = 1 n con ci = ni ,

para n = 1, 2, 3, . . . , 15. Calcular tambien n1 log10 (cond (An )) y encontrar una formula que aproxime cond (An ).

4.- Sea A una matriz-banda, simetrica y definida positiva, p el grosor de

la banda. Mostrar que, L de la descomposici
on de Cholesky es tambien
una matriz-banda. Si n es el orden de la matriz, sabiendo que n p,
Cuantas multiplicaciones son necesarias para calcular L?

II.3 M
etodos Iterativos

En la seccion II.2, se analiz

o dos metodos para resolver directamente sistemas
de ecuaciones lineales. Un metodo directo de resolucion de un sistema de
ecuaciones debera dar el resultado numerico igual a la solucion exacta, si
no se considerase los errores de redondeo, es decir, si se contase con un
dispositivo de c
alculo con una precisi
on infinita, desgraciadamente este no
es el caso. Si bien, un metodo directo da una solucion que se aproxima a
la exacta, la principal desventaja de utilizarlos, reside en el hecho en que
cuando se debe resolver grandes sistemas lineales, la propagacion del error
de redondeo es muy grande, desvirtuando su valor; adem
as, en muchos casos
no se toma en cuenta muchas de las particularidades que pudiese tener la
matriz del sistema lineal, o finalmente no es necesario obtener una solucion
exacta, si no una aproximacion de esta. Los metodos que ser
an estudiados
en esta seccion, son iterativos en el sentido en que se utilizan las soluciones
anteriores para obtener la siguiente. Entre los metodos que ser
an analizados
se tiene: Jacobi, Gauss-Seidel, SOR.

M
etodos de Jacobi y Gauss-Seidel
Estos metodos son utilizados para resolver el sistema de ecuaciones, dado
por
u = Au + b.
(II.3.1)
El metodo de Jacobi consiste en la utilizaci
on de la soluci
on anterior para
calcular la nueva solucion, es decir
u(k+1) = Au(k) + b.

(II.3.2)

Obviamente las soluciones obtenidas por el metodo de Jacobi no son exactas,

pero son aproximaciones de estas.
Para la formulacion del metodo de Gauss-Seidel, considerese la matriz
A como
A = L + U,
(II.3.3)
donde:

0
a21
L=
...

an1

..
.

an,n1

0
0
,
..
.
0

a11
0
U =
...
0

a12
a22

..
.

a1n
a2n
.
..
.

ann

II.3 M
etodos Iterativos

49

El metodo de Gauss-Seidel est

a dado por:
u(k+1) = Lu(k+1) + U u(k) + b,

(II.3.4)

cuya formulacion equivalente es

u(k+1) = (I L)1 U u(k) + (I L)1 b.

(II.3.5)

Una vez formulados estos metodos, es importante, saber que condiciones

tiene que cumplir la matriz A, para que estos sean convergentes. Si se denota
por u la solucion exacta de (II.3.1), se define
e(k) = u(k) u ,

(IV.3.6)

el error cometido en la k-esima iteracion. Por consiguiente, e(k) son los

resultados obtenidos en las iteraciones de uno de los metodos definidos mas
arriba del problema
e = Ae,
(IV.3.7)
de donde el metodo ser
a convergente, siempre y cuando
lim e(n) = 0.

(IV.3.8)

Existe una clase de matrices, para las cuales estos metodos son convergentes. Una de sus caractersticas est
a dada por la:
Definici
on II.3.1.- Una matriz A es irreducible si para cada (i, j), existe
una sucesion l0 = i, l1 , , lm = j tal que
alk ,lk+1 6= 0.
Gr
aficamente se puede visualizar mediante la nocion de grafo dirigido,
en Grimaldi se puede encontrar una explicacion bastante detallada sobre
las aplicaciones de la teora de grafos. Considerese el grafo G compuesto del
conjunto de vertices V y el conjunto de aristas A, definido por:
i) V = {1, 2, . . . , n},
ii) (i, j) A aij 6= 0.
Para comprender esta definicion, considerese los dos siguientes ejemplos,
sean:

0
1
A=
0
0

2
0
0
0

2
0
0
1

0
0
1

2
0

GA

50

II Sistemas Lineales

0
1
B=
0
0

1
0
1
0

0
1
0
1

0
0

1
0

GB
Se puede observar facilmente, que la matriz A no es irreducible, mientras
que la matriz B si es irreducible.
Con la definicion anterior se puede formular el siguiente teorema que da
una condici
on suficiente, para que los metodos de Jacobi, como de GaussSeidel, sean convergentes.
Teorema II.3.2.- Sea A una matriz no-negativa (aij 0), con las siguientes
propiedades:
n
X
aij 1, i = 1, . . . , n;
i)
j=1

n
X

ii) Existe io , tal que

aio j < 1;

j=1

iii) A es irreducible;

entonces los metodos de Jacobi y Gauus-Seidel convergen hacia una solucion

u
nica, adem
as existe < 1, tal que


(k)
e

Ck1 e(0)

Demostraci
on.- Se mostrar
a para el metodo de Jacobi. Se tiene
e(k+1) = Ae(k) ,


 (0) 
sea = max ei , de donde





 (0) 
 (1)  X
aij ej  ,
ei 
| {z }
j

con desigualdad estricta para i = io .

(II.3.9)

II.3 M
etodos Iterativos

51

Puesto que la matriz A es irreducible, entonces los coeficientes de An

son todos no nulos, en efecto
X
X
(An )ij =

aik1 ak1 k2 akn1 j

k1

kn1

{z }
n1 veces

tiene un termino no nulo. Adem

as para l fijo, se tiene
X
XX
alj ajk
(A2 )lk =
k

alj

X
j

ajk

alj 1.

Por induccion matematica, se deduce la desigualdad anterior para todas las

potencias de A, e incluso
XX
X
alj (An )jk
(An+1 )lk =
k

alj

<

X
j

(An )jk

alj 1.

Por otro lado, utilizando la desigualdad (II.1.2), se tiene:

(0)
Ae kAk e(0) ,

(k1)
(k)
.
e = Ae

Estas desigualdades se vuelven estrictas para No bastante grande, por

ejemplo No = n + 1, por lo tanto






(No )
e(0) ,
e

planteando

N1o
e(No )
,
=
(0)
e

52

II Sistemas Lineales

se tiene que < 1, de donde la convergencia. El mismo procedimiento se

sigue para mostrar el metodo de Gauss-Seidel.


El Teorema de Perron-Frobenius
Indudablemente por las consecuencias que implica el teorema de PerronFrobenius, es que vale la pena estudiarlo como un tema aparte. Es un
teorema cuya demostracion ha llevado mucho esfuerzo de parte de muchos
matematicos. Se enunciar
a este teorema sin dar una demostracion rigurosa,
sino los pasos de esta.
Teorema II.3.3.- Sea A una matriz no negativa irreducible, entonces:
i) Existe un vector propio u, con ui > 0 respecto a un valor propio
r > 0.
ii) Todos los otros valores propios de A son || < r. Sola
i2
excepcion posible = re n valor propio simple.
iii) r depende de manera estrictamente monotona de todos los
elementos de A.
Demostraci
on.- Se comenzara por el punto i). Sea u Rn , tal que ui > 0;
entonces
v = Au,
definiendo
ri =

v1
,
ui

si los ri son todos iguales, el punto i) est

a demostrado; sino es posible variar
el vector u de manera que
[rmin , rmax ] [rmin , rmax ],
{z
} 6= |
{z
}
|
nuevo
antiguo

obteniendo una sucesion de intervalos estrictamente encajonados, siendo el

lmite r.
No hay otro vector propio con ui > 0. Sea el cono
K = {(u1 , . . . , un )|ui 0} .
Como la matriz A es no negativa, se tiene
A(K) K.
No es posible tener:
Au = u,
Av = v,

u K;
v K;

con 6= .

II.3 M
etodos Iterativos

53

En efecto, sup
ongase que < y sea w = u + tv, tal que t sea lo mas
peque
no posible, de manera que w K, entonces
Aw = u + tv 6 K,
por consiguiente, no puede haber mas de un valor propio cuyo vector propio
este en el interior del cono.
Adem
as, r es un valor propio simple, ya que si no lo fuera, una peque
na
perturbacion en la matriz A llevara al caso de los valores propios simples,
caso que ha sido ya estudiado mas arriba.
Por otro lado, no hay vectores propios en el borde del cono K. Efectivamente, sea u K, vector propio. Por hipotesis, algunos de las componentes
de u son nulos, pero al menos una de las componentes es diferente de 0. De
donde
u + Au + + An u = (1 + + + n )u.
Como A es irreducible, existe No n con
o
aN
ij > 0,

i, j;

por lo tanto
(An u)j > 0,

j;

conduciendo a una contradiccion.

ii) Sean otro valor propio de A, v su vector propio respectivo, sup
ongase
que R, se define
w = u + tv,
donde u K vector propio, t sea lo mas grande posible de manera que w K,
ver la figura IV.3.1.

v
u

Figura IV.3.1. Demostracion, Teorema Perron-Frobenius.

54

II Sistemas Lineales

Si || > r, Aw sale de K, lo que es imposible.

Para complejo se tiene
Av = ( + i)v,
donde = + i, v = v1 + iv2 siendo los vj a coeficientes reales. Por lo
tanto:
Av1 = v1 v2 ,
Av2 = v1 + v2 ,
el mismo analisis que para el caso real, da el mismo resultado.
iii) La monotona de r se muestra, despues de hacer un analisis sobre el
polinomio caracterstico.

Las consecuencias del teorema de Perron-Frobenius son muchas, entre las
cuales, la de mayor utilidad para el tema expuesto, reside sobre el teorema
II.3.2. En efecto, como la matriz A es no negativa e irreducible existe una
valor propio r > 0 mas grande en modulo que los otros. Si la suma de las
lineas de la matriz A fuese igual a 1 se tendra que r = 1, pero existe una
fila cuya suma es inferior a 1, de donde por el punto iii) del teorema de
Perron-Frobenius, se tiene r < 1. Por consiguiente, todos los valores propios
en valor absoluto son inferiores a 1, dando la consiguiente convergencia de
los metodos de Jacobi y Gauss-Seidel.
Continuando el estudio de los metodos de Jacobi y Gauss-Seidel se tiene
otro resultado importante como el:
Teorema II.3.4.- Sea el valor propio de A mas grande en modulo y el
valor propio mas grande en modulo de
1

(I L)

U.

(II.3.10)

Si < 1, entonces < , para toda matriz A irreducible no negativa.

Demostraci
on.- Se tiene
1

(I L)

= I + L + L2 + + Lm ,

de donde (I L)1 U es una matriz no negativa.

Supongase que x es vector propio respecto a , por consiguiente
(I L)1 U x = x,
U x = x Lx,
(L + U ) = x,

por el teorema de Perron-Frobenius, 0; si = 0 no hay nada que

demostrar, si no


U
L+
x = x.

II.3 M
etodos Iterativos

55

Utilizando nuevamente el teorema de Perron-Frobenius, es necesario que

an mas
< 1, por que de lo contrario algunos coeficientes de L + U
ser
peque
nos que de L + U y por lo tanto 1 <
Nuevamente por el teorema de Perron-Frobenius, se tiene que el valor
propio maximal de L + U es estrictamente menor al valor propio maximal
de L + U .

Como consecuencia de este teorema se tiene que el metodo de GaussSeidel converge mas rapidamente a la solucion que el metodo de Jacobi, si la
matriz A es no negativa, irreducible y con valor propio maximal mas peque
no
que 1.
Una propiedad muy importante de algunas matrices, est
a dada por la:
Definici
on II.3.5.- Una matriz A = L + U , como en (II.3.3), posee la
property A de Young, si los valores propios de la matriz definida por
L +

1
U=

(II.3.11)

son independientes de .
Ejemplos
1.- La matriz A definida por
A=

0
C

B
0

donde B y C son matrices

 cuadradas del mismo orden. A posee la
x
property A. En efecto, si
es un vector propio de A se tiene:
y
 
 
x
x
,
=
y
y
C



 
1
x
x
B
=
.
C
y
y


2.- La matriz tridiagonal con coeficientes diagonales nulos, dada por

0 a
b 0

c
0
..
.

..

56

II Sistemas Lineales
posee la property A. Pues, se tiene:

x
x
0 a
y
y
b 0 c
= ,

z
z

d 0 e
..
..
..
..
.
.
.
.

1
0 a
x
x
1
b 0
y
y
c 1

2 z
d
0
e
2 z .

.
.
..
..
..
..
.
.

Teorema II.3.6.- Sea A una matriz no negativa, irreducible, con valor

propio maximal < 1 y con la property A, entonces
= 2 ,

(II.3.12)

donde es le valor propio mas grande de la matriz inducida por el metodo

de Gauss-Seidel.
Demostraci
on.- Sea x el vector propio respecto a , de donde
(L + U )x = x,

dividiendo esta expresi

on por y aplicando la property A, se tiene


1

L + U x = x,

de donde es el valor propio maximal de A.

Si la matriz A es irreducible, no negativa, con valor propio maximal

menor a 1 y adem
as con la property A, se tiene:
Metodo de Gauss-Seidel converge 2 veces mas rapido que el de Jacobi.
Metodo de Gauss-Seidel ocupa la mitad de sitio de memoria.
Metodo de Gauss-Seidel ocupa la mitad de plaza de c
alculo.
Pero Jacobi puede ser paralelizado, en cambio Gauss-Seidel no.

M
etodo de Sobrerelajaci
on SOR
Las siglas SOR significan en ingles Successive over relaxations. Es una
modificaci
on del metodo de Gauss-Seidel. Consiste en utilizar un factor de
sobrerelajaci
on . Primero se efectua una iteracion de Gauss-Seidel para
luego corregir con , en sntesis el metodo SOR est
a dado por:
1

u(k+ 2 ) = Lu(k+1) + U u(k) + b,



1
u(k+1) = u(k) + u(k+ 2 ) u(k) ,
> 1.

(II.3.13)

II.3 M
etodos Iterativos

57

Haciendo el c
alculo de u, componente por componente, se tiene:
X
X
(k+1)
(k)
+
aij uj
aij uj + bi ,
uauxi =
j<i

(k+1)
ui

ji

(k)
ui



(k)
.
+ uauxi ui

(II.3.14)

Para ver la velocidad de convergencia de este metodo, es necesario hacer un

estudio sobre la convergencia. Una iteracion de SOR puede ser escrita como
u(k+1) = u(k) + Lu(k+1) + (U I) u(k) + b,
es decir

u(k+1) = Lu(k+1) + (U + (1 )I) u(k) + b,

h
i
por lo tanto
u(k+1) = (I L)1 (U + (1 )I) u(k) + b .
(k+1)

Sea un valor propio de u

vector propio asociado, entonces:

= (I L)

(II.3.15)

(U + (1 )I) y x el

(I L)1 (U + (1 )I) x = x,
(U + (1 )I) x = (I L) x,
U x + (1 )x = x Lx,
U x = ( 1 + )x Lx,
1+
(L + U ) x =
x,

dividiendo por se obtiene



1
1+

L + U x =
x,

de donde, se ha mostrado el siguiente:
Teorema II.3.7.- Sea A una matriz irreducible, no negativa y con la
property A. Si es un valor propio de la matriz obtenida por SOR, entonces
=

1+

(II.3.16)

es valor propio de la matriz A.

El problema ahora, es determinar , de manera que los valores propios
sean lo mas peque
nos posibles. Se tiene:

1 + = ,
(II.3.17)
2
( + ( 1)) = 2 2 ,

58

II Sistemas Lineales

dando la ecuacion de segundo grado

2 + 2( 1) 2 2 + ( 1)2 = 0.

(II.3.18)

Si 1 , 2 , las dos raices de esta ecuacion, son complejas; entonces ambas son
conjugadas, de donde
|| = | 1| .

Por lo tanto, condici

on necesaria para la convergencia es
1 < < 2.

(II.3.19)

Si 1 , 2 son raices reales de (II.3.18), se tiene que uno de los raices es mas
grande que la otra, a menos que 1 = 2 . Esto sucede cuando la parabola

corta tangencialmente con la recta 1 + . Ver figura II.3.2, por

consiguiente, el discriminante de la ecuacion (II.3.18) es nulo, es decir:

2
2( 1) 2 2 = 4( 1)2 ,
2 2 = 4( 1),

2 2 4 + 4 = 0.
De donde, se ha demostrado el:

Teorema II.3.8.- El optimal est

a dado por
w=

2
p
,
1 + 1 2

(II.3.20)

y el radio espectral de la matriz SOR correspondiente es

1 1 2
p
.
max = w 1 =
1 + 1 2
1

raices conjugadas.

Figura IV.3.2 Determinaci

on de w optimal.

(II.3.21)

II.3 M
etodos Iterativos

59

Estudio de un problema modelo

Una de las aplicaciones mas importantes de la utilizaci
on de metodos iterativos para resolver sistemas lineales, consiste en la resolucion numerica de
ecuaciones con derivadas parciales de tipo elptico. Considerese el siguiente
problema tipo:
u = f, sobre = [0, 1] [0, 1];
(II.3.22)
f | = 0.
Utilizando el metodo de diferencias finitas, se discretiza la ecuacion de
derivadas parciales con un esquema de diferencias centradas. El cuadrado
es dividido en una malla uniforme de tama
no
h=

1
,
n+1

(II.3.23)

se plantea:
xi = ih,
yj = jh,

i = 0, . . . , n + 1;
j = 0, . . . , n + 1;

(II.3.24)

denotando
uij = u(xi , yj ),

fij = f (xi , yj ).

(II.3.25)

Discretizando la ecuacion para esta malla, se obtiene las siguientes ecuaciones:

ui,j+1 + ui,j1 + ui+1,j + ui1,j 4ui,j
= fij ,

h2
u0j = 0,
un+1,j = 0,
ui0 = 0,

j = 0, . . . , n + 1;
j = 0, . . . , n + 1;
i = 0, . . . , n + 1;

ui,n+1 = 0,

i = 0, . . . , n + 1.

i = 1, . . . , n,
j = 1, . . . , n;

Cambiando la forma de las ecuaciones, se tiene

1
uij =
ui,j+1 + ui,j1 + ui+1,j + ui1,j + h2 fij ,
4

i = 1, . . . , n,
j = 1, . . . , n;

que en notacion matricial, tiene la forma

1
u = Au + h2 f,
4

(II.3.26)

60

II Sistemas Lineales

donde:
u = (u11 , . . . , u1n , u21 , . . . , u2n , . . . , un1 , . . . , unn )t ,
f = (f11 , . . . , f1n , f21 , . . . , f2n , . . . , fn1 , . . . , fnn )t ,

B I

I B I

1
.. .. ..
,
A=
.
.
.

4
I
B I
I B

0 1
1
.
.

..
.
I=
B = 1 .. .. ,
.
..
1
. 0
Definici
on II.3.9.- El producto tensorial de dos matrices P de orden n m
y Q de orden l k se define como la matriz

p11 Q p1m Q

.. ,
P Q = ...
(II.3.27)
.
pn1 Q pnm Q

de orden nl mk.

Por lo tanto, la matriz A del problema se escribe como

A=

1
(B I + I B) .
4

Para hacer estimaciones del costo de operaciones, al encontrar la solucion

con un error fijado de antemano, es necesario determinar la condici
on de
la matriz A, como as mismo el radio espectral de A para determinar la
velocidad de convergencia de los metodos de Jacobi, Gauss-Seidel y SOR.
Para tal efecto, se tiene la:
Proposici
on II.3.10.- El producto tensorial de matrices verifica la siguiente
propiedad
(B C) (D E) = BD CE.
(II.3.28)
Demostraci
on.- Se deja como ejercicio

Sean, yk y k el vector y el escalar respectivamente, definidos por:


n
ki
yk = sin(
)
,
n + 1 i=1
(II.3.29)
k
),
k = 2 cos(
n+1

II.3 M
etodos Iterativos

61

puede verificarse como ejercicio que yk es un vector propio de B asociado al

valor propio k . Se tiene, utilizando (II.3.28)
1
A(yk yl ) = ((B I)(yk yl ) + (I B)(yk yl ))
4
1
= (k + l )(yk yl ),
4
de donde se ha demostrado el:
Teorema II.3.11.- Los valores propios de A est
an dados por:
1
1
(k + l ) =
4
2



k
l
cos(
) + cos(
) .
n+1
n+1

(II.3.30)

La matriz B es tridiagonal con los coeficientes de la diagonal nulos,

por consiguiente tiene la property A, verificar el segundo ejemplo sobre esta
propiedad. Como la matriz A es igual a la suma de dos productos tensoriales
entre B y I, esta tambien verifica la property A. Conociendo los valores
propios de A, se est
a en la posibilidad de aplicar los teoremas relativos a la
convergencia de los metodos de Jacobi, Gauss-Seidel y SOR.
Utilizando el anterior teorema, se tiene que el valor propio maximal de
A es igual a

).
(II.3.31)
max = cos(
n+1
Recordando el metodo de Jacobi se tiene:
u(k+1) = Au(k) + f,
U = AU + f,
e(k) = u u(k) ,

e(k+1) = Ae(k) ,

donde u es la solucion exacta del problema lineal, e(k) el error en k-esima

iteracion.
Existe una base de vectores propios de la matriz A, para la cual el primer
vector est
a asociado a max , de donde se tiene
(k+1)

ei
(k)

donde ei

(k)

= i ei ,

i = 1, . . . , n2 ;

es la i-esima componente respecto a la base. Por consiguiente

(N )

e1

(0)

= N
i ei ,

62

II Sistemas Lineales

obteniendose as el n
umero de iteraciones necesarias para conseguir una
precisi
on relativa de 10m . Por las siguientes relaciones:
n1 10m ,
N ln max m ln 10,


2
N ln 1
2 m ln 10,
2(n + 1)
2
N
m 2.3,
2(n + 1)2
por lo tanto

1
2m 2.3
(n + 1)2 mn2 .
(II.3.32)
2
2

Ahora bien, una iteracion equivale mas o menos 4n2 operaciones, de donde
el trabajo necesario es 2mn4 operaciones.
Considerando, que el metodo de Gauss-Seidel se realiza en la mitad de
operaciones respecto al de Jacobi, y por el teorema II.3.6, el n
umero de
iteraciones para llegar a una precisi
on relativa de 10m es la mitad de Jacobi.
Las siguiente tabla indica el n
umero de operaciones, tiempo para diferentes
precisiones requeridas.
N=

Tabla II.3.1. Valores para el metodo de Jacobi.

n

Precision

# operaciones

Tiempo de Calculo

10

102

105

0.1sec

100

104

109

103 sec 20min

1000

106

1013

107 sec 7, 7a
nos

Para el metodo de Gauss-Seidel los valores, se obtienen de la tabla II.3.1,

dividiendo por 4 los valores para n
umero de operaciones y tiempo de c
alculo.
En este tipo de problema es donde se ve la verdadera potencia del metodo
SOR, respecto a los metodos de Jacobi y Gauss-Seidel. Para estimar el
tiempo de c
alculo, como el n
umero de operaciones es necesario estimar
optimal, como tambien max del teorema II.3.8. Utilizando desarrollos de
Taylor para la raiz cuadrada, como para el cociente, se obtiene:
2
umax 1
,
n+1


(II.3.33)

.
op 2 1
n+1

II.3 M
etodos Iterativos

63

Por lo tanto, el n
umero de iteraciones para obtener una precisi
on relativa de
10m es approximadamente igual a
N 0.4mn.

(II.3.34)

Para una precisi

on de 106 se tiene la siguiente tabla:
Tabla II.3.2. Valores para el metodo SOR.
n

# Operaciones

Tiempo de Calculo

op

10

104

102 sec

1, 42

100

107

10sec

1, 93

1000

1010

104 sec 3horas

1, 9937

Para el problema con

(
f=

1, sobre [1/4, 3/4] [1/4, 3/4] ;

1, sino;

(II.3.34)

se obtiene utilizando SOR, los valores de u graficados en figura II.3.3.

Figura II.3.3. Grafica de la solucion del problema (II.3.34).

64

II Sistemas Lineales

Ejercicios
1.- Para resolver iterativamente el problema Ax = b, se considera la
iteracion
M x(k+1) = N xk + b, con A = M N.
Determinar M y N para los metodos de Jacobi y Gauss-Seidel.
Programar los dos metodos y aplicarlos al problema

4
1

0
1

1 0 1
3
4 1 0
3
x =
,
1 4 1
7
0 1 4
1

la solucion exacta es x = ( 1 0 2 1 ). Estudiar la velocidad de

convergencia
(k+1)

x
x


(k)

x x
para los dos metodos.

2.- (Estudio de la demostracion del Teorema de Perron-Frobenius). Sea

0 1/2

1/2 0 1/2
A=
.
1/2 0 1/2
1
0

Para un vector positivo u dado, se calcula v = Au y se define ri = vi /ui .

Para el vector u = (1, 1, 1, 1)t se obtiene de esta manera r1 = 1/2,
r2 = r3 = r4 = 1.
Modificar este vector con peque
nas perturbaciones, para llegar a
1
< ri < 1 para todo i.
2
3.- (Un teorema de la teora de grafos). Se da un grafo conexo de n nudos
y se define una matriz A por
aij =

1 si i 6= j y el nudo i est
a ligado al nudo j,
0 si i = j o el nudo i no est
a ligado al nudo j,

II.3 M
etodos Iterativos

65

Ejemplo:
1
2

3
4

1
1

1
1

A =
1

Demostrar: Sea r el valor propio maximal de A, entonces se tiene siempre

r > 3,
excepto en los casos:
r=1,

r= 2,
r=(1
+ 5/2),
r= 3,
4.- Demostrar que la matriz bloque

verifica la property A.

0
A = C

para
para
para
para

B
0
E

un
un
un
dos

grafo;
grafo;
grafo;
grafos.

D
0

5.- (Producto de Kronecker). Sea B = (bij ) una matriz de n n y C = (cij )

una matriz m m. Se define A = B C, una matriz nm nm, por

b11 C b1n C
.
..
.
A = B C = ..
.
bn1 C bnn C
a) Mostrar: si x es un vector propio de dimension n e y es un vector de
dimension m, entonces
(Bx) (Cy) = (B C)(x y)
donde x y est
a definido similarmente.
b) Deducir que: si
x es vector propio de B, con valor propio ;
y es vector propio de C, con valor propio ;
entonces
x y es vector propio de B C, con valor propio .

II.4 M
etodos Minimizantes

Otra clase de metodos com

unmente utilizados en la resolucion de grandes
sistemas lineales, son los metodos de tipo gradiente que consisten en la
resoluci
on un problema de minimizacion equivalente. Esta clase de metodos
se aplica a la resolucion de
Ax = b,
(II.4.1)
donde A es una matriz simetrica definida positiva.
La equivalencia con el problema de minimizacion, est
a dada por la
siguiente:
Proposici
on II.4.1.- Si A es simetrica y definida positiva, los dos problemas
siguientes son equivalentes:
f (x) =

1 t
x Ax xt b + c min,
2

Ax = b.

(II.4.2)
(II.4.2)

Demostraci
on.- El primer problema puede ser escrito como
X
1X
xj bj + c min .
xi aij xj
2 i,j
j

(II.4.4)

El procedimiento para encontrar el mnimo, consiste en derivar f , de donde

f
1X
1X
akj xj +
xi aik bk = 0.
=
xk
2 j
2 i
Puesto que A es simetrica, se tiene
X
j

akj xj bk = 0.

Si x es solucion de (II.4.2), se tiene que x es solucion del problema (II.4.3).

Ahora bien, si x es solucion de (II.4.3), es un punto crtico de la funcion
f , pero como A es definida positiva, se tiene que f posee x como un mnimo.


II.4 M
etodos Minimizantes

67

M
etodo del Gradiente
El gradiente de f , utilizando la demostracion de la anterior proposici
on,
est
a dado por
f (x) = Ax b.
(II.4.5)
Sea xo un punto de partida, se tiene:
1
f (x) = f (xo ) + hf (xo ), x xo i + (x xo )t A(x xo ),
2
1
= f (xo ) + kx x0 k kf (xo )k cos + (x xo )t A(x xo ),
2
donde es el angulo entre f (xo ) y x x0 . Como se busca que f (x) sea
mnimo, f (xo ) y x xo deben tener la misma direccion y el mismo sentido.
Supongase que se ha encontrado este x, que se lo denota por x1 , se
puede plantear para k 0, obteniendo as, el metodo del gradiente
xk+1 = xk k g k ,

(II.4.6)

donde g k = f (xk ). El problema, por consiguiente, es determinar k

teniendo en cuenta las observaciones anteriores, se define la funcion G( )
por
1
(II.4.7)
G( ) = (xk g k )t A(xk g k ) (xk g k )tb,
2
de donde, el mnimo de G est
a en k , dado por
t

k =

gk gk
t

g k Ag k

(II.4.8)

Una ilustraci
on de las iteraciones del metodo del gradiente est
a dada en la
figura II.4.1.

x1

x 3
x

Figura II.4.1 Ilustracion metodo del gradiente.

68

II Sistemas Lineales

Planteando hk = Ag k , se tiene la version algortmica del metodo del

gradiente:
1
x := xo ;
2
g := Ax b;
3
Si |g| T OL, entonces FIN;
4
h := Ag;
hg, gi
5
:=
;
hg, hi
6
x := x g;
7
retornar al paso 2.
La velocidad de convergencia del metodo del gradiente, est
a dada por
el teorema siguiente, que ser
a enunciado sin demostracion.
Teorema II.4.2.- Sean, A simetrica y definida positiva, max el valor propio
mas grande, min el valor propio mas peque
no de A, por lo tanto
=
entonces

max
= cond2 A;
min

k

x x

donde x es la solucion exacta.

1
+1

k

0

x x ,

(II.4.9)

Adem
as, se tiene el:
Teorema II.4.3.- Existe, x0 tal que
k

x x =

1
+1

k

0

x x .

(II.4.10)

Demostraci
on.- En un referencial con un origen adecuado y una base de
vectores propios de A, el problema (II.4.2) puede formularse como
1 t
x
A
x c min,
2
es decir

x = 0,
A

(II.4.11)

donde A = diag(min , . . . , max ). Dividiendo (II.4.11) por max , se obtiene

el sistema equivalente

x =
A

..

x
= 0.

(II.4.12)

II.4 M
etodos Minimizantes

69

Planteando
Por lo tanto, se puede suponer que A tiene la forma de A.
x0i = 0,

para i = 2, . . . , n 1;

el problema se reduce a resolver


   
1 0
x
0
=
.
0
y
0

(II.4.13)

El siguiente paso, es encontrar (x0 , y 0 )t , que al aplicar el metodo del

gradiente, se tenga
 1 

x
qx0
=
.
y1
qy 0

Ahora bien, una iteracion del metodo del gradiente da:

 0 
x
0
,
g =
y 0
 0  

 1  0
(1 )x0
x
x
x
=

,
=
(1 )y 0 )
y 0
y0
y1
de donde:

despejando q, se obtiene

q = 1 ,
q = 1 ;

1
.
+1
Puesto que la oscilaci
on encontrada no depende del punto inicial, las iteraciones siguientes presentaran el mismo fen
omeno. Con lo que se ha mostrado
el teorema.

q=

M
etodo del Gradiente Conjugado
La u
ltima demostracion muestra que en determinadas ocasiones el metodo
del gradiente conduce a una oscilaci
on en torno a la soluci
on, haciendo
que la convergencia no sea tan rapida como se espera, pudiendo mejorar
esta situacion, tomando aparte de la direccion del gradiente otra direccion
alternativa. El metodo del gradiente conjugado consiste en tomar tambien
la direccion conjugada al gradiente. Para poder enunciar tal metodo es
necesario dar los elementos te
oricos para su comprensi
on.
Proposici
on II.4.4.- Sea f (x) = 21 xt Ax xt b, donde A es una matriz
simetrica y definida positiva. Sea d una direccion, entonces los mnimos de
f (x) sobre las rectas paralelas a d se encuentran en el hiperplano
dt (Ax b) = 0.

(II.4.14)

70

II Sistemas Lineales

Demostraci
on.- Si x pertenece a una recta de direccion d, es de la forma
donde R.

x = a + d,

Se define la funcion g, como g(t) = f (a + td), por lo tanto esta funcion tiene
un mnimo en t0 , si
g (to ) = dt f (a + to d) = 0,
es decir, si se cumple
dt (A(a + to d) b) = 0.

Definici
on II.4.5.- Dos direcciones d1 y d2 son conjugadas respecto a A si
t

d1 Ad2 = 0.

(II.4.15)

Con lo enunciado anteriormente, se puede formular el metodo del gradiente

conjugado.
Sea x0 un punto de partida, el gradiente inicial est
a dado por
g 0 = Ax0 b,
se define
d0 = g 0 .

Supongase, que se ha efectuado k iteraciones, es decir, se conoce dk , g k y xk ;

entonces se define:

k k
d ,g
,
k =
k
d , Adk
xk+1 = xk + k dk ,
g

k+1
k+1

= Ax
= g

k+1

k+1

(II.4.16)

b = g + k Ad ,

+ k dk .

Para determinar k , se impone la condici

on que dk+1 y dk sean conjugados,
por consiguiente
t
t
g k+1 Adk = k dk Adk ,
de donde


g k+1 , Adk
 .
=
k
d , Adk

(II.4.17)

II.4 M
etodos Minimizantes

71

La version algortmica est

a dada por:
1
2
3
4
5
6
7
8
9
10
11

x := punto de partida;
g := Ax b;
d := g;
h := Ad;
hd, gi
:=
;
hd, hi
x := x + d;
g := g + h;
si |g| 106 , entonces fin algoritmo;
hg, hi
; =
;
hd, hi
d := g + d;
Retornar al paso 4.

Teorema II.4.6.- Con el algoritmo del Gradiente Conjugado se tiene:

k

d , Adl = 0,
l < k;
(II.4.18)

k l
l < k.
g , g = 0,
Demostraci
on.- Por inducci
on sobre k.

Para k = 1 se tiene d0 , Ad1 = 0 por construccion del metodo,



1 0
0 0

g , g = g , g 0 Ag 0 , g 0
= 0.


Supongase cierto para k, por la construccion de g k+1 , se tiene g k+1 , dk = 0,
entonces:

k+1 k 
k+1 k 
g
,g = g
, d +k1 g k+1 , dk1
| {z }
0

= k1 g k , dk1 +k k1 Adk , dk1 ;

| {z }
|
{z
}
0
0 hip. ind

k+1 l 
k l 


g
, g = g , g +k Adk , dl
| {z }
0

= 0;

k+1



d
, Adl = c1 g k+1 , Adl + c2 dk , Adl
| {z }
0 hip. ind


= c1 g k+1 , g l = 0.

72

II Sistemas Lineales

En el ejercicio 4, se tiene otras formulas para k , k

Definici
on II.4.7.- Se define la norma natural del problema por

kxkA = xt Ax.
(II.4.19)
Teorema II.4.8.- El error del metodo del Gradiente Conjugado, despues
de l iteraciones satisface




x xl M x x0 ,
(II.4.20)
A
A
donde

M = inf

i R

sup
v.p.

!


2
l
1 + 1 + 2 + + l  .

(II.4.21)

Corolario II.4.9.- Si A tiene solamente l valores propios diferentes, entonces el metodo del Gradiente Conjugado da la solucion exacta despues de
l iteraciones.
Demostraci
on del teorema.- Se puede suponer por traslaci
on, que b = 0,
de donde la solucion exacta es x = 0, por lo tanto el error cometidos es
el = xl . Se tiene d0 = g 0 , definiendo E1 por:


E1 = x = x0 + 1 d0


= x = x0 + 1 Ax0


= x = (I + 1 A)x0 .
x1 es el punto de E1 que minimiza f (x) = 21 xt Ax.


E2 = x|x = x0 + 1 d0 + 2 d1


= x|x = (I + 1 A + 2 A2 )x0 .

x2 minimiza f (x) en E2 . Continuando se llega a


El = x|x = (I + 1 A + + l Al )x0 ,

xl minimiza f (x) en El .
Sean v1 , . . . , vn vectores propios normalizados de A, por lo tanto forman
una base. Por consiguiente:
x0 =

n
X

i vi ,

i=1

x0 Ax0 =

i vit Avj j

i,j

X
i

i2 i

= x0 A .

II.4 M
etodos Minimizantes

73

Por otro lado, se tiene

xk = (I + 1 A + + l Al )
=

n
X
i=1

xl Axl =

n
X
i=1

de donde

n
X

i vi

i=1

i (1 + 1 i + + l li )vi ,
i2 i (1 + 1 i + + l li ),



l 2
x max 1 + 1 i + + l li 2 x0 2 .
A
A
1 ,...,n

Polinomios de Chebichef
Supongase, que se conoce los valores propios de la matriz A simetrica y
definida positiva, es decir:
0 < min i max .

El polinomio que minimiza el polinomio del teorema II.4.8 tiene la propiedad

siguiente:
es igual a en min ,
admite los valores , + como valores maximos en el intervalo
[min , max ] exactamente l + 1 veces,
es igual a en max .
La raz
on puede apreciarse en la figura II.4.2, para el caso l = 2.
1

min

max

Figura II.4.2 Polinomio minimizante para l = 2.

74

II Sistemas Lineales

Definici
on II.4.10.- El n-simo polinomio de Chebichef, es el polinomio de
grado n, Tn (x) tal que:
Tn (1) = 1,
Tn (1) = (1)n ,
Todos los mnimos y maximos relativos son 1 y pertenecen a (, 1, 1).
Teorema II.4.11.- Chebichef. Tn (x) est
a dado por
Tn (x) =

n 
n 
p
p
1 
x + x 2 1 + x x2 1
.
2

(II.4.22)

Demostraci
on.- Este teorema ser
a abordado en el Captulo IV, motivo por
el cual la demostracion no es necesaria por el momento. Lo u
nico que puede
decirse, es que la definicion moderna de los polinomios de Chebichef est
a
dada por
Tn (x) = cos n,

donde x = cos .

(II.4.23)


Teorema II.4.12.- La constante M del teorema II.4.8, est

a dada por
M=
Tl

1
max +min
max min

.

(II.4.24)

Demostraci
on.- Se utiliza la transformacion afn dada por
x = + ,
donde:

2
,
max min
max + min
=
.
max min

por consiguiente tomando 1/M = Tl () se tiene el resultado deseado.

Teorema II.4.13.- Para el metodo del Gradiente Conjugado, se tiene la

estimacion
l



l

x x 2 1 x0 x ,
(II.4.25)
A
A
+1
donde = cond2 (A), x la solucion exacta.

II.4 M
etodos Minimizantes

75

Demostraci
on.- Para x 1, se tiene
|Tl (x)|
de donde
M

particularmente para

l
p
1
x + x2 1 ,
2

2
l ,
p
x + x2 1

x=

para x 1;

(II.4.26)

max + min
+1
=
,
max min
1

remplazando en (II.4.26), se obtiene (II.4.25).

Con los resultados obtenidos respecto a los errores de convergencia,

tanto para el metodo del gradiente, como para el metodo del gradiente conjugado, se puede estimar el n
umero de iteraciones necesarias para conseguir
una precisi
on relativa de 10b . Para el metodo del gradiente por (II.4.6), se
tiene:


1
,
10b
+1
2.3b l ln(1 1/) l ln(1 + 1/),
2.3b 2l/,
l b.
(II.4.27)
Con el mismo procedimiento que para el metodo del gradiente, el metodo
del gradiente conjugado necesita aproximadamente l iteraciones, de donde

l b .

(II.4.28)

M
etodo del Gradiente Conjugado Precondicionado
El corolario II.4.9 indica claramente, que el metodo del Gradiente Conjugado
converge a la solucion exacta despues de l iteraciones, siendo l el n
umero de
valores propios diferentes de la matriz A. Se puede mejorar la velocidad de
convergencia, haciendo un cambio de variables en el problema original
f (x) =

1 t
x Ax xt b.
2

Se define x
como
x
= E t x,

76

II Sistemas Lineales

donde E es una matriz inversible con ciertas condiciones a cumplir que ser
an
dadas mas adelante. Para no recargar la notacion, se denota
Et

= E t .

Por consiguiente, el problema se convierte en

f (
x) =

1 t 1
x
E AE t x
x
E 1 b.
2

(II.4.29)

El problema es encontrar E, de manera EE t A, > 0 con el

menor gasto de operaciones posibles. Si EE t = A, aplicando el metodo del
gradiente conjugado a (II.4.29) se tiene la solucion exacta despues de una
sola iteracion, en este caso, la matriz E es la descomposici
on de Cholesky
de A. Ahora bien, realizar la descomposici
on de Cholesky significa que se
puede calcular directamente la solucion, lo que implica un gran n
umero de
operaciones a ejecutar. La determinaci
on de E se la realiza utilizando dos
metodos que ser
an analizados mas adelante.
El algoritmo del gradiente conjugado para el problema condicionado
est
a dado por:
1
2
3
4
5
6
7
8
9
10
11

x
:= punto de partida;
g := E 1 AE t x
E 1 b;

d :=
g;

:= E 1 AE t d;
h
D E
g
d,
E;
:= D
h

d,

x
:= x
+ d;

g := g + h;
6
si |
g| D
10E
, entonces fin algoritmo;

g, h
=D
E;
;
h

d,

d :=
g + d;
Retornar al paso 4.

La implementacion del metodo del gradiente conjugado al problema

condicionado (II.4.29), tiene dos incovenientes: El primero que se debe
conocer explicitamente la matriz E y el segundo que se efectuan muchas
operaciones con la matriz E.
Planteando C = EE t , se puede formular el algoritmo, comparando
con el metodo del gradiente conjugado para el problema condicionado y
utilizando las identidades para k y k dadas en el ejercicio 4, uno se

II.4 M
etodos Minimizantes

77

dar
a cuenta de las sutilezas empleadas. Por consiguiente, la formulacion
algortmica est
a dada por:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

x := punto de partida;
g := Ax b;
:= C 1 g;
o := hg, i;
d := ;
h := Ad;
:= 0 /hd, hi;
x := x + d;
g := g + h;
si |g| 106 , entonces fin algoritmo;
:= C 1 g;
1 := hg, i;
; = 1 /0 ;
d := + d;
0 := hd, gi;
Retornar al paso 6.

Esta formulacion presenta algunas novedades respecto a la formulacion

del metodo del gradiente conjugado. La mas importante es la aparici
on
del vector . El gasto en memoria es practicamente el mismo, pues se
puede utilizar el mismo lugar de memoria para h y . Por las observaciones
anteriores la matriz C debe ser lo mas parecida a la matriz A o a un m
ultiplo
de esta. Adem
as, se debe resolver la ecuacion
C = g,
motivo por el cual la matriz C debe ser la mas simple posible. Actualmente
existen dos metodos muy utilizados para determinar C, dependiendo sobre
todo de las caractersticas de A. Estos son:
1.- Factorizaci
on Incompleta de Cholesky
La descomposici
on de Cholesky incompleta de la matriz A, est
a dada por
EE t . Los coeficientes de E son nulos en el lugar donde los coeficientes de A
son nulos; para los otros coeficientes, los valores est
an dados por las formulas
obtenidas para la descomposici
on de Cholesky dada en la seccion II.2, es
decir:
v
u
i1
X
u
t
eii = aii
e2ji ,
(II.4.30a)

eki =

aki

j=1

k1
X
j=1

eii

ekj eji

(II.4.30b)

78

II Sistemas Lineales

Luego se resuelve:
E
g = g;
E t = g.
2.- SSOR precondicionado (Axelsson, 1973)
La matriz A puede ser descompuesta en tres partes, la diagonal, la parte
inferior y la parte superior. El metodo SSOR consiste en definir la matriz
E, como una matriz triangular inferior, cuyos coeficientes de la diagonal
son iguales a la raiz cuadrada de los coeficientes de la diagonal de A. Los
coeficientes de la parte inferior de la matriz E son iguales a los coeficientes
de la parte inferior de la matriz A multiplicados por un factor de relajaci
on
positivo , es decir:

eii = aii ;
(II.4.31a)
eki = aki , 0.
(II.4.31b)
Luego se resulve:
E
g = g,
t
E = g.
La determinaci
on del optimal se realiza al tanteo, dependiendo del problema a resolver, pues por el momento no existe un criterio analitico para
determinar este valor optimal.

Resultados Num
ericos
El estudio te
orico y la formulacion de metodos de resolucion de sistemas
lineales por si solo constituye un hermoso ejercicio mental. Un metodo no es
bueno, hasta que ha sido probado numericamente en problemas concretos,
por eso es importante poder comparar la eficiencia de los diferentes metodos
formulados en esta seccion, en diferentes tipos de problemas.
Al igual que la seccion II.3, se considerar
a una ecuacion a derivadas
parciales de tipo elptico, pues este tipo de problema, se presta mucho a la
resoluci
on de grandes sistemas lineales. Sea,
u = 1,
u| = 0.

sobre = [0, 1] [0, 1];

(II.4.32)

De la misma manera, que la seccion precedente, se subdivide el dominio

en una malla uniforme de longitud 1/n + 1, planteando:
)
xi = ih
1
, h=
;
(II.4.33)
n+1
yj = jh

II.4 M
etodos Minimizantes

79

se obtiene el sistema de ecuaciones dado por:

ui,j+1 + ui,j1 + ui+1,j + ui1,j 4uij = h2 ,
i, j = 1, . . . , n;
ukj = uil = 0,
k = 0 o k = n + 1, l = 0 o l = n + 1.
Planteando u = (u11 , . . . , u1n , u21 , . . . , u2n , . . . , un,1 . . . , unn )t , el sistema
lineal se escribe como
(II.4.34)
Au = h2 1,
donde A = 4I +B In +I B, con producto tensorial de matrices definido
en la anterior seccion, In la matriz identidad de orden n n y

0 1
.
.

B = 1 .. .. .
..
. 0

A es una matriz definida positiva y simetrica de orden n2 n2 .

El problema (II.4.34) ser
a resuelto tomando valores aleatorios para u1 .
Se ver
a el costo en iteraciones para diferentes valores de n. Una vez efectuados
los experimentos numericos, las graficas de las iteraciones del metodo del
gradiente conjugado precondicionado SSOR, pueden ser observadas en la
figura II.4.3.

iter=0

iter=1

iter=2

iter=3

iter=4

iter=5

iter=6

iter=7

iter=8
iter=9
iter=10
Figura II.4.3. Solucion del problema (II.4.34).

iter=18

80

II Sistemas Lineales

En la figura II.4.4 se observa en una grafica el costo en iteraciones para

alcanzar una precisi
on de 106 para los diferentes metodos de tipo gradiente.
104

iter

103

Gradiante.

102

Gradiante Conjugado.
Grad. Conj. Chols. Incom.
101

Gradiante Conjugado SSOR.

100 1
10

102

Figura II.4.4. N
umero de iteraciones vs n.
Finalmente la tabla II.4.1, da el n
umero de iteraciones para alcanzar
una precisi
on de 106 utilizando el metodo del gradiante conjugado precondicionado para diferentes valores de n y el factor de relajaci
on . En la
u
ltima columna se agrega, optimal en funcion de n.
Tabla II.4.1. Determinaci
on de optimal.

n\

0.6

.65

.7

.75

.8

.85

.9

.95

op

10

10

11

12

.75

20

12

12

11

10

10

11

14

.8

50

27

24

22

18

17

15

14

16

.9

100

43

35

37

31

27

24

20

18

.95

180

72

59

55

46

40

41

33

27

.95

II.4 M
etodos Minimizantes

81

Ejercicios
1.- Mostrar que una matriz simetrica A es definida positiva si y solamente
si

det(Ak ) > 0

a11
..

k = 1, 2, . . . , n donde Ak =
.
ak1

a1k
..
.

akk

son los menores principales.

Indicaci
on: Intentar con la descomposici
on de Cholesky.
2.- Calcular el mnimo de
1
f (x) =
(x1 , x2 )
50

93 24
24 107



x1
x2

1
(42, 21)
5

x1
x2

por el metodo del gradiente conjugado partiendo del valor inicial x0 = 0.

Hacer un buen grafico de los puntos x0 , x1 , x2 , de los vectores g 0 , g 1 ,
d0 , d1 , y de las curvas de nivel de la funcion f (x).
3.- Aplicar el metodo del gradiente conjugado al sistema lineal

3
2 1 1
1 2 1x = 2
3
1 1 2

partiendo de x0 = 0. El metodo converge en 2 pasos. Por que?

4.- Mostrar, utilizando las formulas y las relaciones de ortogonalidad del
teorema II.4.6, las expresiones siguientes para k y k :

g k+1 , g k+1
k =
k k  ,
g ,g

k k
g ,g
.
k =
k
d , Adk

5.- Demostrar que la funcion de la forma

f (x) = xn + 1 xn1 + 2 xn2 + + n
se separa lo menos posible de cero entre los lmites x = 1 y x = +1,
est
a dada por
Tn (x)
f (x) =
.
2n

82

II Sistemas Lineales

6.- Demostrar las relaciones de ortogonalidad

Z

+1

0 si n 6= m,

Tn (x)Tm (x)
si n = m 6= 0,
p
dx =
2

1 x2

si n = m = 0.

7.- (Modificaci
on del metodo del gradiante conjugado para matrices no
simetricas o no definidas positivas). Sea
Ax = b

(II.4.35)

un sistema lineal, donde A es una matriz arbitraria inversible. El sistema

At Ax = At b

(II.4.36)

tiene las mismas soluciones que (II.4.35), pero la matriz C = At A es

simetrica y definida positiva. Aplicar el metodo del gradiente conjugado
al sistema (II.4.36) y rescribir el algoritmo obtenido de manera que el
producto At A no aparezca mas. Cual es la desventaja del nuevo algoritmo si, por mala suerte, se aplica al sistema (II.4.35) que inicialmente
era simetrico y definido positivo.

II.5 Mnimos Cuadrados

Hasta la seccion precedente, se estudiaron problemas inherentes a la resolucion de sistemas de ecuaciones lineales donde la solucion existe y es u
nica.
En esta seccion se estudiar
an problemas mas generales, donde la existencia
y unicidad no juegan un rol tan preponderante.
El problema que se estudiar
a consiste b
asicamente en el siguiente. Se
tiene como datos:
(tj , yj ),

j = 1, . . . , m, (m grande),

(II.5.1)

donde tj R, yj R; y una funcion de modelo

n m,

y = ((t, x1 , . . . , xn )) ,

(II.5.2)

donde t R, y R y xi R.
Un ejemplo de funcion de modelo, es la siguiente funcion:
((t, x1 , x2 )) = x1 + tx2 + t2 x1 .
El problema consiste en encontrar x1 , . . . , xn , tales que
((t, x1 , . . . , xn )) yj ,

j = 1, . . . , m.

(II.5.3)

*
*

t1

tm

t2

Figura II.5.1 Problema de los mnimos cuadrados.

Supongase que, es lineal respecto a los xi , es decir
((t, x1 , x2 )) =

n
X
i=1

ci (t)xi ,

(II.5.4)

84

II Sistemas Lineales

de donde el problema se reduce a resolver el siguiente sistema lineal

c (t ) c (t ) c (t )
y1

1 1
2 1
n 1
x1
y2
c1 (t2 ) c2 (t2 ) cn (t2 )
.
... . ,
(II.5.5)
..
.

.
.
.
.
x
ym
c1 (tm ) c2 (tm ) cn (tm ) | {zn }
| {z }
|
{z
} x
b
A

por consiguiente, resolver

Ax b.

(II.5.6)

Planteando:
ej = (tj , x) yj ,

j = 1, . . . , m;

(II.5.7)

la solucion del problema (II.5.6), mediante el metodo de los mnimos cuadrados, ser
a aquella en la que
m
X
i=1

em
i min,

(II.5.8)

es decir
kAx bk min .

(II.5.9)

La justificacion del metodo de los mnimos cuadrados, est

a dada por
dos interpretaciones. La primera:
Interpretaci
on estadstica
Las componentes yi del vector b en (II.5.5), pueden ser vistas como
medidas experimentales. Ahora bien, toda medida experimental lleva consigo
un error, por lo tanto es completamente razonable considerar estas como
variables aleatorias.
Puesto que, la mayor parte de las medidas experimentales siguen leyes
normales, se tiene las dos hipotesis siguientes, para determinar la solucion
del problema (II.5.6):
H1: El valor yi de (II.5.5) es la realizacion de un suceso para la variable
aleatoria Yi , i = 1, . . . , m. Se supone que los Yi son independientes y que
obedecen la ley normal de esperanza i y varianza i . Para simplificar el
problema, se supondr
a que los i son iguales y conocidos de antemano.
H2: El sistema sobredeterminado (II.5.6) posee una solucion u
nica, si se
remplaza los yi por los n
umeros i ; es decir, que existe Rn u
nico tal
que A = donde = (1 , . . . , m )t .
La funcion de distribucion de Yi , en Yi = yi , es igual a
1
1 yi i 2

fi (yi ) =
exp (
) .
2

II.5 Mnimos Cuadrados

85

Como los Yi son independientes, el vector aleatorio Y = (Y1 , . . . , Ym )t tiene

la funci
on de distribucion
m
Y
1 yi i 2

1

) ,
exp (
f (y) =
2

2
i=1
donde y = (y1 , . . . , ym )t .
Efectuando c
alculos, se obtiene

1 X yi i
2
f (y) = C exp
2 i=1

Aplicando el principio de maxima presuncion, la probabilidad de medir yi

en lugar de i , para i = 1, . . . , m; est
a dada por
f (y) max .

(II.5.10)

Por lo tanto, (II.5.10) sucede si

m
X
yi i
2
min,

i=1

es decir
m
X
i=1

yi

n
X
j=1

con lo que se ha justificado (II.5.7).

(II.5.11)

ai jxj min .

(II.5.12)

Interpretaci
on geom
etrica
Se define el subespacio vectorial de Rm de dimension n dado por
E = {Ax|x Rn } Rm ,

la solucion de (II.5.9) est
a dada por el vector x0 , tal que Ax0 b es
mnima, es decir Ax0 es el vector mas proximo perteneciente a E al vector
b, de donde el vector Ax0 b es ortogonal al espacio E, ver figura II.5.2.
b

Figura II.5.2 Interpretacion geometrica.

86

II Sistemas Lineales

Teorema II.5.1.- Sea A una matriz de orden m n, b Rm , entonces:

kAx bk2 min At Ax = At b.

(II.5.13)

Las ecuaciones de la parte derecha de la equivalencia, son las ecuaciones

normales del problema de mnimos cuadrados.
Demostraci
on.- Utilizando la interpretacion geometrica del metodo de
mnimos cuadrados se tiene:
kAx bk2 min
b Ax Ay, y Rn
hAy, b Axi = 0, y Rn
y t At (b Ax) = 0, y Rn
At (b Ax) = 0
At Ax = At b.

Se remarca inmediatamente que la matriz At A es simetrica y semidefinida positiva, es decir xt At Ax 0. La matriz At A ser
a definida positiva
si y solamente las columnas de A son linealmente independientes. Si este es
el caso, se puede utilizar la descomposici
on de Cholesky para resolver
At Ax = At b,
pero en la mayora de los casos At A es una matriz mal condicionada. Como
ejemplo vale la pena citar el siguiente ejemplo:
Se tiene, la funcion de modelo dada por
(t) =

n
X

= xi ti1 ,

i=1

es decir, se trata de determinar el polinomio de grado n que mejor ajusta a los

puntos (ti , yi ), i = 1, . . . , m y 0 = t1 t2 tn = 1. Por consiguiente,
se debe encontrar x Rn , tal que
kAx bk2 min,
donde:

t1
t2

1
A=
..
.
1 tm

t1n1
t2n1
..
,
.

n1
tm

y1
y2

b=
.. .
.
ym

II.5 Mnimos Cuadrados

87

Por lo tanto
P
P n1
m
P
P t2i
Pti n
t
t

ti

i
i

At A =
.
.

..
..
P 2n1
P n1 P n
ti
t
ti
Pi
P

1P
1/m P ti 1/m Ptin1
1/m ti
1/m t2i
1/m tni
1

=
.
..

..
m
.
P n1
P n
P 2n1
1/m ti
1/m ti 1/m ti
1
1/2

1/n
1/2
1/(n + 1)
1/2
,
m
..

..
.
.

1/n

puesto que

1/(n + 1)
Z

tk dt

1/2n

1 X k
ti .
m

De donde, la matriz A A se aproxima a una matriz de tipo Hilbert, la cual es

una matriz mal condicionada, resultado visto en la primera seccion de este
captulo. Por lo tanto se debe formular un algoritmo donde la matriz At A
no aparezca directamente.

La descomposici
on QR
Dada una matriz A de orden m n, se busca las matrices: Q de orden m m
y la matriz R de orden m n, tales que la matriz Q sea ortogonal, es decir
Qt Q = I;
y la matriz R triangular superior, es decir
z

r11

R=
0
con

}|

..
.
O

r1n

m,
rnn

A = QR.

m n;

(II.5.14)

88

II Sistemas Lineales
Puesto que la matriz Q es ortogonal, para todo vector c Rm , se tiene
t
Q c = kck ,
2

de donde

kAx bk2 = Qt (Ax b) 2


= Rx Qt b min .
2

(II.5.15)

Por otro lado, la matriz R y el vector Qt b pueden escribirse como:



 
R1
c1
t
R=
,
Qb=
,
0
c2
donde R1 es una matriz triangular de orden nn y c1 Rn . Por consiguiente,
resolver el problema (II.5.6) es resolver la ecuacion
R1 x = c1 .

(II.5.16)

Ahora bien, el principal problema es encontrar un algoritmo simple y

rapido que permita descomponer la matriz A en un producto de la forma
QR. Precisamente uno de estos metodos consiste en la utilizaci
on de matrices
de Householder.
Matrices de Householder (1958)
Sea u Rm , con kuk2 = 1. Se define la matriz Q por
Q = I 2uut ,

(II.5.17)

matriz que es simetrica y ortogonal. En efecto:

t
Qt = I 2uut


= I 2uut ,



t
Qt Q = I 2uut I 2uut

= I 2uut 2uut + 4uut uut

= I.

La manera como act

ua Q sobre Rm es la siguiente, sea x Rm ,
Qx = x 2uut x,
si ut x = 0, se tiene inmediatamente que Qx = x, de donde Q es una simetra
respecto al hiperplano {x|ut x = 0}, en efecto


Qu = I 2uut u = u.

II.5 Mnimos Cuadrados

89

En base a estas matrices se construir

a un metodo que permita descomponer
la matriz A en QR en n 1 pasos a lo maximo.
Se busca una matriz Q1 = I 2u1 ut1 con ku1 k2 = 1, tal que

1
0
.
Q1 A =
..
..
...
.
.
0

Denotando por e1 a (1, 0, . . . , 0)t y A1 la primera columna de la matriz A,

hay que determinar Q1 , tal que
Q1 A1 = 1 e1 ,

R.

(II.5.18)

Por las propiedades de norma se tiene |1 | = kA1 k2 , por consiguiente

1 = kA1 k2 ,

(II.5.19)

Q1 es una matriz de Householder, por lo tanto:

A1 2u1 ut1 A1 = 1 e1 ,

2u1 (ut1 A1 ) = A1 1 e1 ,
| {z }
R

de donde u1 tiene la misma direccion que A1 1 e1 . En consecuencia,

u1 =

A1 1 e1
.
kA1 1 e1 k2

(II.5.20)

Sabiendo que la sustracci

on es una operaci
on mal condicionada cuando las
cantidades a restar son cercanas, se plantea
1 = signo(a11 ) kA1 k2 .

(II.5.21)

El siguiente paso es determinar Q1 Aj , donde Aj es la j-esima columna de la

matriz A, definiendo v1 = A1 1 e1 , se tiene:
v1t v1
1
= (At1 1 et1 )(A1 1 e1 )
2
2


1
2
=
kA1 k2 1 a11 1 a11 + 12
2 | {z }
21

= 1 (1 a11 ),
Q1 Aj = Aj 2u1 ut1 Aj

2
v1 v1t Aj
v1t v1
1
= Aj
v1 v1t Aj .
1 (1 a11 )

= Aj

(II.5.22)

90

II Sistemas Lineales

Despues del primer paso de la descomposici

on QR, se ha obtenido

0
.
Q1 A =
(1)

...
A
0

2 matriz de Householder, como en el primer

El segundo paso es determinar Q
paso, de manera que

1
1

0 2
0
,

0
0
Q2 Q1 A = ..
2 A(1) = .

Q
..
.
(2)

..
A
.
0
0
0
donde

1
0
Q2 =
...

0 0

2
Q

Costo de la descomposici
on QR
La descomposici
on se la realiza en n 1 etapas,
Qn1 Q2 Q1 A = R,
|
{z
}
Qt

para el primer paso contando el producto escalar se efectuan:

m + (n 1)2m operaciones,
por lo tanto, el costo es aproximadamente igual
2(mn + (m 1)(n 1) + (m n + 1),
si n m se tiene 32 n3 operaciones; si n m se tiene mn2 operaciones.
Programaci
on
La descomposici
on QR presenta la ventaja que se puede utilizar las plazas
ocupadas por los coeficientes de la matriz A, con los coeficientes de la matriz

II.5 Mnimos Cuadrados

91

R y los vectores v1 . En lo que se sigue, se tiene un esquema del metodo de

descomposici
on QR.
R
A

v1

A(1)

v1 v2

A(2)

1 2

Al final de la descomposici
on se obtiene la siguiente matriz
R
v1 v2

..

.
vn

1 2

Hay que observar que QR es aplicable, si las columnas de A son linealmente

independientes. Si no fuesen linealmente independientes se llegara a la
situacion de obtener un i = 0, y la descomposici
on en este caso sera
numericamente inestable. Para evitar esta situacion, se puede modificar la
descomposici
on QR de la manera siguiente. Sea A la matriz a descomponer,
se considera
(II.5.23)
kAjo k22 = max kAj k22 ,
j=1,...,n

se intercambia la primera columna A1 con Ajo y se procede el primer paso de

la descomposici
on QR, para el segundo paso se procede de la misma manera
y as sucesivamente. Por consiguiente, con esta modificaci
on se obtiene la
sucesion decreciente,
1 2 k > 0.
(II.5.24)
Si hay vectores linealmente dependientes se llega por lo tanto al siguiente
resultado

1 r1n


R1 R2
..
..
con R1 =
R=
.
(II.5.25)
.
.
0
0
k
|
{z
}
k = rangA

92

II Sistemas Lineales

La descomposici
on QR es un instrumento numerico que permite determinar
el rango de la matriz A. Ahora bien, debido a los errores de redondeo, el
principal problema consiste en decidir cuando un j es nulo en la sucesion
decreciente (II.5.24) . Se remarca inmediatamente que, si k+1 = 0, entonces
k+i = 0 para i > 2.
el resultado numerico obtenido despues de k pasos
Se define la matriz R
como

1
..

2
R
.
.
=
R
(II.5.26)

k
0
0
Planteando

A = QR,

(II.5.27)

se tiene la:
Definici
on II.5.2.- k+1 es despreciable, si y solamente si




A A eps kAk2 .
2

Se tiene, por consiguiente:

A A = Q(R R),
kAk2 = kRk2 ,








,
A A = R R
2

de donde

(II.5.28)

k+1 despreciable R R
eps kRk2 ,
2

k+1 es una buena aproximacion de R R
, y 1 es una buena aproxi2
macion de kRk2 , obteniedo el siguiente resultado
k+1 despreciable k+1 eps 1 .

(II.5.29)

La pseudo-inversa de una matriz

El problema (II.5.6) tiene una solucion u
nica, si el rango de la matriz A es
igual a n y est
a dada por
x = (At A)1 At b.

(II.5.30)

II.5 Mnimos Cuadrados

93

La matriz

A+ = (At A)1 At ,

(II.5.31)

ser
a la matriz inversa para el problema (II.5.6).
Para el problema mas general, donde le rango de A es n, la descomposici
on QR da el siguiente resultado

1 r1k


R1 R2
..
;
, con R1 =
R=
.
0
0
0
k
planteando x = (x1 , x2 )t , con x1 Rk , se tiene
2

2
kAx bk2 = Rx Qt b 2


R1 x1 + R2 x2 c1 2




c2
2

kR1 x1 + R2 x2 c1 k22 + kc2 k22 ,

de donde el:

Teorema II.5.3.- x = (x1 , x2 )t es solucion de kAx bk2 min, si y

solamente si
R1 x1 + R2 x2 = c1 .
(II.5.32)
Si el rango de A es igual a n, la solucion es u
nica; si no las soluciones del
problema (II.5.6) constituyen un espacio afn. Sea por consiguiente
F = {x|x es solucion de (II.5.6)} ,
de donde, para obtener una solucion u
nica, el problema (II.5.6) se convierte
en
kAx bk2 min
,
(II.5.33)
kxk2 min
Definici
on II.5.4.- La pseudo-inversa de la matrix A de orden m n es la
matriz A+ de orden n m, que expresa la solucion x para todo b Rm del
problema (II.5.33) como
x = A+ b.
(II.5.34)
Si la matriz A es de rango n, entonces la pseudo inversa est
a dada por la
formula (II.5.31). Para el caso mas general se tiene los siguientes resultados:
  

x1 x2 arbitrario
F=
,
x2 x1 = R11 (c1 R2 x2 )
2

kxk2 = kx1 k2 + kx2 k2

2
2
= R11 (c1 R2 x2 ) 2 + kx2 k2 min .

(II.5.35)

94

II Sistemas Lineales

Derivando (II.5.35), se obtiene

I + (R2t R1t )R11 R2 x2 = R2t R1t R11 c1 .
|
{z
}
simetrica y definida positiva

(II.3.36)

Se ha definido la pseudo-inversa de la matriz A, su existencia est

a asegurada
por el hecho que el problema (II.5.33) tiene solucion u
nica, en lo que sigue
se determinar
a de manera explcita esta pseudo-inversa con algunas de sus
propiedades mas interesantes.
Teorema II.5.5.- Sea A una matriz de m n, entonces existe dos matrices
ortogonales U y V tales que

t
U AV =

..

con:

1 k > 0,
k+1 = = n = 0.

(II.3.37)

(II.3.37) se llama la descomposici

on a valores singulares de la matriz A y
1 , . . . , n son los valores singulares de la matriz A.
Demostraci
on.- La matriz At A es simetrica y semi definida positiva, por
consiguiente existe una matriz V ortogonal tal que
2

..
V t At AV =
,
.
n2

con 1 n 0. Se busca una matriz U ortogonal tal que

AV = U

..

n ,

suponiendo k > 0 y k+1 = 0, se define D la matriz diagonal de k k con

coeficientes i , i = 1, . . . , k; por consiguiente si


D 0
AV = ( U1 U2 )
= ( U1 D 0 ) ,
0 0

II.5 Mnimos Cuadrados

95

donde U1 est
a constituida por las primeras k columnas de U . Sean
(AV )1
(AV )2

las primeras k columnas de AV,

las otras n k columnas de AV,

)t , donde x
Rnk , obteniendo:
(AV )2 = 0, en efecto, sea x = (0, . . . , 0, x
| {z }
k

xt V t At AV x = xt

12

..

.
n2

kAV xk2 = k(AV )2 x

k2 ,

Se define U1 por

x = 0;

x.

U1 = (AV )1 D1 ,

obteniendo columnas ortonormales, ya que

U1t U1 = D1 (AV )t1 (AV )1 D1 = I

Finalmente se construye U2 , de manera que U sea ortogonal.

Teorema II.5.6.- Sea A una matriz de m n, siendo

1
..

0
.
,
U t AV = =

k
0

(II.5.38)

la descomposici
on en valores singulares. Entonces la pseudo-inversa de A
est
a dada por

1
1
..

0
.
U t.
(II.5.39)
A+ = V

1
k
0
Demostraci
on.- Se tiene

2
kAx bk22 = U V t x b 2

2






2
t
t

V
= U (V t x U t b) 2 =

U
b
|{z} |{z}


y
c
2

   2
Dy1

c
2
1

= ky ck2 =

0
c2 2
2

= kDy1 c1 k2 + kc2 k2 .

96

II Sistemas Lineales

Para que la expresi

on sea minimal es necesario que y1 = D1 c1 . Por otro
lado se tiene que y = V t x, de donde kyk2 = kxk2 , de manera, que para que
x sea minimal es necesario que y2 = 0. De donde
x =V
=V
=V

D1 c1
0

D1
0

0
0

D1
0

0
0

=A+ b,



c1
c2

V tb

b.

Finalmente se tiene:
Teorema II.5.7.- La pseudo-inversa de una matriz verifica las siguientes
propiedades:
a)
b)
c)

(A+ A)t = A+ A,
(AA+ )t = AA+ ,
A+ AA+ = A+ ,

d)

AA+ A = A,

llamados axiomas de Moore-Penrose, adem

as la pseudo-inversa est
au
nicamente determinada por estos axiomas.
Demostraci
on.- Verificaci
on inmediata utilizando (II.5.39).


Error del M
etodo de los Mnimos Cuadrados
Retomando la interpretacion estadstica del metodo de los mnimos cuadrados. Se han dado dos hipotesis de partida, para determinar la solucion: la
primera sobre los yi de la ecuacion (II.5.5); la segunda concerniente a la
compatibilidad de la funcion modelo (II.5.2) con los datos (II.5.1).
Suponiendo validas estas dos hipotesis, se tiene
A = ,

(II.5.40)

donde = (1 , . . . , m )t es la esperanza del vector aleatorio Y . Ahora bien,

el metodo de los mnimos cuadrados da como solucion (x1 , . . . , xn )t , que por
(II.5.30), es igual a
x = (At A)1 At b.

II.5 Mnimos Cuadrados

97

Por lo tanto
x = (At A)1 At (b ) o

xi i =

m
X
j=1

ij (bj j ),

(II.5.41)

donde ij es el elemento (i, j) de la matriz (At A)1 At .

Se supondr
a, por lo tanto, que xi es una realizacion de una variable
aleatoria Xi definida por
X i i =

m
X
j=1

ij (Yj j ).

(II.5.42)

Teorema II.5.8.- Sean X1 , X2 , . . . , Xm variables aleatorias independientes,

con esperanza i y varianza i = 1. Entonces, la variable aleatoria Xi ,
definida por (II.5.42), satisface
E(xi ) = i

V ar(Xi ) = ii ,

(II.5.43)

donde ii es el i-esimo elemento de la diagonal de (At A)1 . Los otros

elementos de (At A)1 son las covarianzas de Xi .
Demostraci
on.- Se tiene, utilizando la linearidad de la esperanza,
E(Xi ) =

m
X
j=1

ij E(Yj j ) + i

= i .

Para calcular la varianza de Xi , se utiliza el hecho que V ar(Z1 + Z2 ) =

V ar(Z1 ) + V ar(Z2 ), si Z1 y Z2 son independientes. De donde, con ei el
i-esimo vector de la base can
onica, se tiene
V ar(Xi ) = V ar(Xi i )
m
X
2
V ar(Yj j )
=
ij
=

j=1
m
X

2
ij

j=1

2

= (At A)1 At ei 2
2

= eti (At A)1 At 2

= eti (At A)1 At A(At A)1 ei

= eti (At A)1 ei = ii .


98

II Sistemas Lineales

Por consiguiente, si los yi son realizaciones de una variable aleatoria Yi

que sigue N (0, 1), suponiendo que una solucion exacta existe, entonces se
tiene una probabilidad de 95% que
i = xi 2Xi .

(II.5.44)

La formula (II.5.43) da los valores de Xi , sin embargo se ha visto que

la determinaci
on de At A puede representar una cantidad grande de c
alculo.
Utilizando la descomposici
on QR, se tiene
At A = Rt Qt QR = Rt R.

(II.5.45)

Como las u
ltimas filas de ceros no incide en el c
alculo del producto Rt R, se
puede considerar R como una matriz de n n, obteniendo as la descomposici
on de Choleski de (At A).
Una vez determinados los parametros x de la funcion modelo (II.5.2)
corresponde saber, si los (II.5.1) son compatibles con tal modelo. Por la
descomposici
on QR, el problema (II.5.6) se convierte, ver (II.5.15), en
 
 
 
R
C1
C1
x=
, donde
= Qt b.
(II.5.46)
0
C2
C2
Denotando los elementos de Qt por qij , los elementos del vector C, satisfacen
ci =

m
X

qij bj ,

j=1

y las componentes del vector C2 satisfacen tambien

ci =

m
X
j=1

qij (bj j ).

Es razonable considerar las variables aleatorias

Zi =

m
X
j=1

qij (Yj j ),

i = n + 1, . . . , m.

(II.5.47)

A continuacion, se da la proposici
on siguiente, sin demostracion.
Proposici
on II.5.9.- Sean Y1 , . . . , Ym variables aleatorias independientes
siguiendo N (0, 1). Entonces las variables aleatorias Zn+1 , . . . , Zm , definidas
por (II.5.47) son independientes y siguen tambien una ley normal N (0, 1).
El error cometido, por el metodo de los mnimos cuadrados, es equiva2
lente a estudiar kC2 k2 de donde el teorema, sin demostracion:

II.5 Mnimos Cuadrados

99

Teorema II.5.10.- Pearson. Sean Z1 , Z2 , . . . , Zn variables aleatorias independientes siguiendo la ley normal N (0, 1). Entonces, la distribucion de la
variable aleatoria
Z12 + + Zn2 ,
(II.5.48)
est
a dada por
fn (x) =

1
2n/2 (n/2)

xn/21 ex/2 , x > 0;

(II.5.49)

y por fn (x) = 0 para x 0. Es la ley 2 con n grados de libertad. La

experanza de esta variable es n y su varianza es 2n.
Ejemplo
A partir de la funcion f (t) = t + 0.5 sin(t/2), se ha elaborado la tabla
II.5.1, que tiene como elementos (i, bi ) con 0 i 9, donde bi = f (i)+i .
i es la realizacion de una variablea aleatoria siguiendo una ley normal
N (0, ) con = 0.1.
Tabla II.5.1. Valores de bi en funcion de i.
i

bi

bi

0 0.11158 5 5.5158
1 1.2972 6 6.0119
2 2.07201 7 6.6802
3 2.4744 8 7.9294
4

3.963

9 9.4129

Se considera, la funcion de modelo

(t) = xt + y sin(t/2).

(II.5.50)

Obteniendo por la descomposici

on QR:
x = 1.00074,
y = 0.413516.
El siguiente paso ser
a estimar el intervalo de confianza para x y y. Para
tal efecto, se considera el problema
x

t
sin(t/4)
bi
+y
= ,

i = 0, . . . , 9;

100

II Sistemas Lineales
pues, los bi / deben ser realizaciones de una variable normal con varianza
igual a 1. De donde la matriz de covarianza est
a dada por


x2
xy

xy
y2

3.57143 105
3.57143 105

3.57143 105
2.03571 103

Por consiguiente:
x = 1.00074 0.012,
y = 0.41352 0.09.
El metodo QR, con la notacion precedente da
kC2 k2 = 0.0693103;
corrigiendo, para el problema normalizado, se tiene
kC2 k22
= 6.93103.
2
Se tiene 10 2 grados de libertad. Viendo en una tabla de la distribucion
2 , se deduce que este valor es lo suficientemente peque
no para ser
probable.
Ahora bien, si se hubiese considerado la funcion de modelo
(t) = xt + y,
se hubiera encontrado

(II.5.51)

kC2 k22
= 90.5225,
2

valor demasiado grande para ser probable.

La conclusi
on es que, para los valores de la tabla II.5.1, la ley (II.5.50)
es mas probable que la ley (II.5.51).
En la figura II.5.3, puede observarse en linea continua la grafica de la
funci
on modelo dada por (II.5.50) y con lineas segmentadas la grafica de
la funcion modelo (II.5.1).

II.5 Mnimos Cuadrados

101

10
9
8
7
6
5
4
3
2
1
0

Figura II.5.3. Resultados del metodo de los mnimos cuadrados.

Ejercicios
1.- Sea A una matriz inversible de n n. Mostrar que la descomposici
on
QR es u
nica, si se supone que rjj > 0 para j = 1, . . . , n.
2.- Aplicar el algoritmo de Golub-Householder a la matrice de rotacion
A=

cos
sin

sin
cos

102

II Sistemas Lineales
Dar una interpretacion geometrica.

3.- Sea Q una matriz ortogonal de n n. Mostrar que Q puede escribirse

como el producto de n matrices de Householder, de donde cada transformacion ortogonal de Rn es una sucesion de al menos n reflexiones.
4.- Escribir una subrutina DECQR(N,M,MDIM,A,ALPH),
(A(MDIM,N),ALPH(N)), que calcula la descomposici
on QR de una matriz m n, m n.
Escribir tambien una subrutina SOLQR(N,M,MDIM,A,ALPH,B) que calcula la solucion del problema
kAX bk2 min .
Determinar la parabola x1 + x2 t + x2 t2 , que ajusta lo mejor posible:
ti
0
0, 2
0, 4
0, 6
0, 8
1.0
yi

0, 10

0, 15

0, 23

0, 58

0, 45

0, 60

5.- Sea A una matriz m n. Mostrar que At A + I es no singular para

>0y
A+ = lim (At A + I)1 At .
0+

Captulo III
Interpolaci
on

Uno de los mayores problemas con que se tropieza, radica en la evaluaci

on
de las funciones en determinados puntos. Las causas principales de estas
dificultades est
an esencialmente en la dificil manipulaci
on de estas funciones;
una funci
on tan inocente como la logaritmo presenta dificultades en su evaluacion y se debe recurrir a u
tiles matematicos como series, etc. Por otro lado,
la sola informacion que se conoce de esta funcion, son determinados puntos,
e incluso suponiendo que esta es lo bastante regular, la evaluaci
on en otros
puntos es de gran dificultad. De donde un metodo de facil manipulaci
on
consiste en la aproximacion de las funciones a evaluar por polinomios.
Existen dos enfoques diferentes, el primero radica en la aproximacion mediante polinomios de interpolaci
on y el otro mediante la mejor aproximacion
polinomial respecto a una norma.
Este captulo abordara sobre todo la aproximacion mediante polinomios.
La primera parte tratara sobre la interpolaci
on de Lagrange y Hermite, la
formulacion de algoritmos para calcular estos polinomios ser
a hecha, las
estimaciones de error cometido ser
an tambien estudiadas a fondo, como as
mismo los problemas de estabilidad inherentes a la interpolaci
on de Lagrange
ser
an abordados con resultados y ejemplos, como elementos te
oricos los
polinomios de Chebichef ser
an vistos dando como consecuencia resultados
interesantes sobre la eleccion de los puntos de interpolaci
on. Un segundo
t
opico a ver ser
a los splines, polinomios que operan como serchas, por su facil
manipulaci
on, como por su gran utilidad ser
an estudiados en la formulacion
de los metodos, el c
alculo de error y sus diferentes aplicaciones. Un tercer
tema de gran interes por las grandes utilidades que puede dar, consiste en
los metodos de extrapolaci
on tanto como en su valor te
orico, como tambien
por su propiedad de acelerar la convergencia de muchas sucesiones.

III.1 Interpolaci
on de Lagrange

En la introduccion del captulo, se mencion

o la interpolaci
on como un
instrumento de aproximacion de una funcion determinada. Sea f una funcion
de la que se conoce las im
agenes en una cantidad finita de puntos, es decir
f (xi ) = yi

i = 1, . . . , n;

la funci
on interpolante p ser
a por definicion igual a f (xi ) para i = 1, . . . , n.
Se hablara de interpolaci
on cuando se eval
ua en el punto x con
x [min xi , max xi ],
y de extrapolaci
on si no. Por su facil manipulaci
on, pues solo se efectua
multiplicaciones y adiciones, es conveniente que la funci
on interpolante p sea
un polinomio.
Definici
on III.1.1.- Dados (k +1) puntos diferentes: x0 , x1 , . . . , xk de [a, b],
los enteros no negativos 0 , . . . k y los reales yili con 0 i k y 0 li i .
El Polinomio de Hermite pn de grado n = k + 0 + + k , respecto a los
xi , i y los yili verifica
pn(li ) (xi ) = yili .
(III.1.1)
Si los i = 0 para i = 0, . . . , k, pn se llama Polinomio de Lagrange.
Definici
on III.1.2.- Cuando los puntos yili satisfacen
yili = fn(li ) (xi ),

(III.1.2)

para una determinada funcion f , pn es el polinomio de interpolaci

on de
Hermite, y si los i son nulos, se hablara del polinomio de interpolaci
on de
Lagrange.
Estas dos definiciones dan las condiciones que deben cumplir los polinomios de interpolaci
on, sin embargo la existencia, como la unicidad no est
an
dadas, podra suceder que no existiesen en alg
un caso. Por eso es necesario
insistir en la base te
orica que asegure la existencia y la unicidad de estos,
adem
as, para que la construccion de estos pueda ser relativamente facil.

Bases Te
oricas
Sin querer dar un tratado sobre la teora de los polinomios, existen resultados
que deben formularse para la mejor comprensi
on de la interpolaci
on polinomial. Aunque en Algebra se hace distincion entre polinomio y su funcion

 n de Lagrange
III.1 Interpolacio

105

polinomial asociada, no se hara distincion entre estos, por que son polinomios a coeficientes reales o complejos los que se utilizan en la mayor parte
de los problemas a resolverse numericamente.
Definici
on III.1.3.- Sea p(x) R[x], a es un cero de multiplicidad m de
p(x), si
p(k) (a) = 0 m = 0, . . . , m 1,
y p(m) 6= 0.
Proposici
on III.1.4.- a es un cero de multiplicidad m de p(x), si y
solamente si, existe un polinomio q(x) con q(a) 6= 0 tal que
p(x) = (x a)m q(x).
Demostraci
on.-Ver en cualquier libro de Algebra.

Corolario III.1.5.- Un polinomio pn (x) de grado n tiene a lo mas n ceros

contando con su multiplicidad.
Teorema III.1.6.- Existe a lo sumo un polinomio de Hermite de grado n
respecto x0 , . . . , xk , 0 , . . . , k , con k + 0 + + k = n, tal que
pn(li ) (xi ) = yili ,
donde yili R, 0 li i .
Demostraci
on.- Sean pn y qn dos polinomios de Hermite que satisfacen
las hip
otesis del teorema. pn qn es un polinomio nulo o de grado n.
Ahora bien, pn qn tiene ceros de al menos multiplicidad i + 1 en xi para
i = 0, . . . , k. Por la proposici
on anterior se tiene
!
k
Y
i +1
r(x),
pn qn =
(x xi )
i=0

sumando los grados, la u

nica posibilidad es que r(x) = 0.

Teorema III.1.7.- Existe al menos un polinomio de Hermite de grado n

respecto x0 , . . . , xk , 0 , . . . , k , con k + 0 + + k = n, tal que
pn(li ) (xi ) = yili ,
donde yili R, 0 li i .
Demostraci
on.- Es suficiente mostrar que existe un polinomio de Hermite
de grado n tal que para i {0, . . . , k} y l {0, . . . , i } se tenga:
p(l) (xi ) = 1,

p(m) (xj ) = 0 para m 6= l oj 6= i,

n
III Interpolacio

106

denotese por pi,l este polinomio. xj para j 6= i es un cero de multiplicidad

j + 1, de donde:

pi,l

Y
= r(x) (x xj )j +1 ) ,
j6=i

pi,i

Y
= Ci,i (x xi )i (x xj )j +1 ) ,
j6=i

( )

la constante Ci,i es escogida de manera que pi,ii (xi ) = 1. Los polinomios

pi,l se los define recursivamente de la siguiente manera

pi,l

X
Y
cil,m pi,m ,
= Ci,l (x xi )i (x xj )j +1 )

m>l

j6=i

(m)

donde las constantes cil,m son escogidas de manera que pi,l (xi ) = 0 para
(l)

m > l y Ci,l de manera que pi,l = 1.

Para construir el polinomio de interpolaci

on no debe utilizarse los
polinomios definidos en la demostracion, uno porque el costo en operaciones
es demasiado elevado y otro por la sensibilidad de estos polinomios as
definidos a los errores de redondeo.

Construcci
on del Polinomio de Interpolaci
on
Inicialmente se considerar
a polinomios de interpolaci
on del tipo de Lagrange.
Por lo tanto, dados los puntos x0 , . . . , xn todos diferentes, y los valores
y0 , . . . , yn , el problema se reduce a encontrar un polinomio de grado n que
satisfaga
p(xi ) = yi 0 i n.
(III.1.3)
Indudablemente el caso mas sencillo es para n = 1 y luego para n = 2.
Para n = 1 la recta de interpolaci
on est
a dada por
p(x) = y0 +

y1 y0
x1 x0

(x x0 ),

para n = 2 la parabola de interpolaci

on est
a dada por
p(x) = y0 +

y1 y0
x1 x0

(x x0 ) + a(x x0 )(x x1 ),

 n de Lagrange
III.1 Interpolacio

107

este u
ltimo polinomio verifica p(x0 ) = y0 y p(x1 ) = y1 , por consiguiente es
necesario determinar a de manera que p(x2 ) = y2 . Unos simples c
alculos
algebraicos dan


y2 y1
y1 y0
1
.

a=
x 2 x0 x 2 x1
x1 x2

Para n = 3 se puede continuar con el mismo esquema, pero antes es necesario

dar la nocion de diferencias divididas.

Definici
on III.1.8.- (Diferencias Divididas) Sean (x0 , y0 ), . . . , (xn , yn ), los
xi diferentes entre si. Entonces las diferencias divididas de orden k se definen
de manera recursiva por:
y[xi ] = yi ,
yj yi
y[xi , xj ] =
,
xj xi
y[xi1 , . . . , xik ] y[xi0 , . . . , xik1 ]
.
y[xi0 , . . . , xik ] =
xi k xi 0

(III.1.4a)
(III.1.4b)
(III.1.4c)

Teorema III.1.9.- (F
ormula de Newton). El polinomio de interpolaci
on de
grado n que pasa por (xi , yi ), i = 0, . . . , n, est
a dado por
p(x) =

n
X

y[x0 , . . . , xi ]

i=0

con la convencion

1
Y

i1
Y

(x xk ),

(III.1.5)

k=0

(x xk ) = 1.

k=0

Demostraci
on.- Por induccion sobre n. Para n = 1 y n = 2 la formula de
Newton es correcta, ver mas arriba. Se supone que la formula sea correcta
para n 1.
Sea, p(x) el polinomio de grado n que pasa por (xi , yi ), i = 0, . . . , n; de
donde
p(x) = p1 (x) + a(x x0 )(x x1 ) (x xn1 ),
con p1 (x) el polinomio de interpolaci
on de grado n 1 que pasa por (xi , yi )
i = 0, . . . , n 1. Por hipotesis de induccion se tiene
p1 (x) =

n1
X

y[x0 , . . . , xi ]

i=0

i1
Y

(x xk ),

k=0

por lo tanto hay que demostrar que

a = y[x0 , x1 , . . . , xn ].

n
III Interpolacio

108

Sea, p2 (x) el polinomio de interpolaci

on de grado n 1 que pasa por (xi , yi ),
i = 1, . . . , n; definiendo el polinomio q(x) por
q(x) = p2 (x)

(x x0 )
(xn x)
+ p1 (x)
,
(xn x0 )
(xn x0 )

q(x) es un polinomio de grado a lo sumo n, adem

as q(xi ) = yi , i = 0, . . . , n.
Por la unicidad del polinomio de interpolaci
on se tiene que p(x) = q(x).
Comparando los coeficientes del termino de grado n se obtiene
a=

y[x1 , . . . , xn ] y[x0 , . . . , xn1

= y[x0 , . . . , xn ]
x n x0

La formula de Newton es muy simple y facil de implementar en un

programa para determinar el polinomio de interpolaci
on de tipo Lagrange,
ver la figura III.1.1 donde se muestra un esquema del algoritmo de Newton.

x0 y[x0 ]

x1 y[x1 ]

x2 y[x2 ]

x3 y[x3 ]

y[x0 , x1 ]

y[x1 , x2 ]

y[x2 , x3 ]

y[x3., x4 ] .
..
..

y[x0 , x1 , x2 ]

y[x1 , x2 , x3 ]

y[x0 , . . . , x3 ]

y[x1 , ... . , x4 ] .
..
..

y[x0 , ... . , x4 ] .
..
..

y[x2 , x. 3 , x4 ] .
..
..

x4 y[x4 ]
.. . .
..
.
.
.

Figura III.1.1. Esquema de la Formula de Newton.

La programaci
on del polinomio de interpolaci
on es muy facil, adem
as
que se puede utilizar la plaza ocupada por yi . En efecto la primera columna
del esquema es utilizada por los yi , se remarca inmediatamente que yn
aparece una vez en los calculos, por consiguiente las u
ltimas n 1 lugares de
la columna son utilizados por los n 1 valores de las diferencias divididas
que aparecen en la segunda columna, quedando el primer valor de y0 , y se
continua de esta manera hasta obtener y[x0 , . . . , xn ].

 n de Lagrange
III.1 Interpolacio

109

Un caso particular en la determinaci

on del polinomio de interpolaci
on
ocurre cuando la subdivision de los puntos es uniforme, es decir
xi = x0 + ih,

i = 0, . . . , n;

(III.1.6)

donde h = (xn x0 )/n. Para poder implementar el algoritmo de Newton

con esta subdivision es necesario, las siguientes dos definiciones.
Definici
on III.1.10.- (Diferencias Finitas Progresivas) Sea y0 , y1 , . . . , una
sucesion de n
umeros reales, se define el operador de diferencias finitas
progresivas de orden k de manera recursiva como sigue:
0 yi = yi ,
yi = yi+1 yi ,
k+1 yi = k yi+1 k yi .

(III.1.7a)
(III.1.7b)
(III.1.7b)

Definici
on III.1.11.- (Diferencias Finitas Retr
ogradas) Sea y0 , y1 , . . . , una
sucesion de n
umeros reales, se define el operador de diferencias finitas
retr
ograda de orden k de manera recursiva como sigue:
0 yi = yi ,

i = yi yi1 ,
y
k+1

k yi
k yi1 .

yi =

(III.1.8a)
(III.1.8b)
(III.1.8b)

Ahora bien, tomando una subdivision uniforme x0 < . . . < xn se

tiene los dos resultados equivalentes para el polinomio de interpolaci
on de
Lagrange que pasa por los puntos (xi , yi ). Utilizando las diferencias finitas
progresivas se tiene
p(x) =

n
i1
X
i y0 Y
i=0

i!hi

(x xk ),

donde h = (xn x0 )/n y con la convencion

diferencias retr
ogradas se tiene
p(x) =

i1
n i
X
yn Y
i=0

con la convencion

1
Y

i!hi

(III.1.9)

k=0

1
Y

(x xk ) = 1. Utilizando las

k=0

(x xnk ),

(III.1.10)

k=0

(x xnk ) = 1. La programaci
on es la misma que para

k=0

el caso general, con la u

nica diferencia que no se efect
uan divisiones. Por

n
III Interpolacio

110

consiguiente, se tiene el mismo esquema de resolucion para una subdivision

uniforme. En la figura III.1.2 se observa los esquemas para las diferencias
finitas progresivas y las diferencias finitas retr
ogradas.

x0 0 y0

0 yn
xn

x1

x2

x3

x4

y0

0 y1
2 y0

y1
3 y0

0 y2
2 y1
4 y0

3
y2
y1

0 y3
2 y2

y3

0 y4

.. .. . .
.
. .

xn1 yn1

xn2 yn2

0 yn3
xn3

0 yn4
xn4

..
.

..
.

..

n
y

n1
y

n2
y

n3
y

2 yn

2 yn1 1

2 yn2

3 yn

3 yn1

4 yn

Figura III.1.2. Esquemas para Diferencias Finitas

La evaluaci
on del polinomio de interpolaci
on en un punto x [x0 , xn ] se
la realiza utilizando el algoritmo de Horner, ver ejemplo seccion I.1. Para ver
la simplicidad de la determinaci
on del polinomio de interpolaci
on utilizando
diferencias divididas, y si la subdivision es uniforme, diferencias finitas; se
tiene el siguiente:
Ejemplo
Se desea evaluar la raiz cuadrada de un n
umero positivo, por ejemplo
1, 4. Para mostrar le eficacia y simplicidad, se va construir un polinomio
de interpolaci
on de grado 3, y con tal efecto se utiliza los puntos donde
la raiz cuadrada es exacta como una expresi
on decimal.
xi 1, 00 1, 21 1, 44 1, 69
yi 1, 00 1, 10 1, 20 1, 30
Por consiguiente, el esquema de diferencias divididas para el polinomio
de interpolaci
on, est
a dado por
1,00 1,00
1,21 1,10
1,44 1,20
1,69 1,30

,4762

,4348

,400

,0941
,0725

,0313

 n de Lagrange
III.1 Interpolacio

111

de donde el polinomio de interpolaci

on es igual a
p(x) =1 + 0, 476(x 1) 0, 094(x 1)(x 1, 21)
+ 0, 031(x 1)(x 1, 21)(x 1, 44),
y p(1, 4) = 1, 183.

El Error de Interpolaci
on
Sea f (x) una funcion que cumple ciertas condiciones, se supone que se
hace pasar un polinomio de interpolaci
on por los puntos (xi , f (xi )), la
pregunta natural es saber que error se comete con el c
alculo del polinomio
de interpolaci
on, es decir p(x) f (x) vale cuanto, para un x determinado.
Es por esta raz
on que los siguientes teoremas ser
an enunciados para tener
una idea del error cometido.
Teorema III.1.12.- Sea f (x) n-veces continuamente diferenciable y
yi = f (xi ), i = 0, . . . , n; los xi todos diferentes.
Entonces existe (min xi , max xi ) tal que
y[x0 , x1 , . . . , xn ] =

f (n) ()
.
n!

(III.1.11)

Demostraci
on.- Se define la funcion r(x) por
r(x) = f (x) p(x),
donde p(x) es el polinomio de interpolaci
on que pasa por (xi , f (xi )),
i = 0, . . . , n. Se observa inmediatamente que r(xi ) = 0 para i = 0, . . . , n;
por el teorema de Rolle se deduce que r (x) se anula al menos una vez en
cada subintervalo [xi , xi+1 ], es decir existe i1 (xi , xi+1 ), para i = 0, . . . , n.
Aplicando una vez mas Rolle se deduce que r (x) tiene n 1 ceros en el
intervalo [x0 , xn ], finalmente aplicando el teorema de Rolle las veces que
sean necesarias se llega a la conclusi
on que r (n) tiene al menos un cero en el
intervalo requerido. Por otro lado
r (n) (x) = f (n) (x) n!y[x0 , . . . , xn ].

Teorema III.1.13.- Sea, f n+1 veces continuamente diferenciable y p(x) el

polinomio de interpolaci
on de grado n definido por (xi , f (xi )), i = 0, . . . , n y
xi 6= xj si i 6= j. Entonces x, (min(x0 , . . . , xn , x), max(x0 , . . . , xn , x)),
tal que
f (x) p(x) = (x x0 )(x x1 ) (x xn )

f (n+1) ()
.
(n + 1)!

(III.1.12)

n
III Interpolacio

112

Demostraci
on.- Se deja x fijo, se plantea xn+1 = x. Sea p(x) el polinomio
de interpolaci
on de grado n + 1 que pasa por (xi , f (xi )), i = 0, . . . , n + 1.
Por consiguiente
p(x) = p(x) +

n
Y

(x xk )y[x0 , . . . , xn+1 ],

k=0

por el teorema anterior, se tiene

p(x) = p(x) +

n
Y

(x xk )

k=0

f (n+1) ()
,
(n + 1)!

p(x) = f (x), de donde el teorema queda demostrado.

Ejemplo
Para el ejemplo de la implementaci
on del metodo de diferencias
divididas

para calcular el valor 1, 4, la funcion interpolada es x. El intervalo de

estudio del polinomio de interpolaci
on de grado 3 est
a dado por [1; 1, 69],
x0 = 1, x1 = 1, 21, x2 = 1, 44 y x3 = 1, 69. Por lo tanto

x,
1 1
f (x) = x 2 ,
2
1 3

f (x) = x 2 ,
4
3 5
(3)
f (x) = x 2 ,
8
15 72
(4)
f (x) =
x ,
16
f (x) =



para x [1; 1, 69], lo cual implica que el
por consiguiente f (4) (x) 15
16
error cometido en el c
alculo de x est
a dado por:


 x p(x) 15 |(x 1)(x 1, 21)(x 1, 44)(x 1, 69)| ,
p
 16 4!


 1, 4 p(1, 4) 3, 45.105 .

El teorema II.1.13 da un resultado sobre el error cometido durante el

proceso de interpolaci
on. Este error depende de la derivada n
umero n + 1
de la funcion f , este depende por lo tanto de la funcion a interpolar y est
a

 n de Lagrange
III.1 Interpolacio

113

fuera de alcanze. Pero tambien el error depende de la subdivision x0 , . . . , xn ,

por lo tanto en cierta manera es controlable. De ah una pregunta natural
surge: Sea [a, b] un intervalo. Como escoger x0 , x1 , . . . , xn , tales que
max |(x x0 )(x x1 ) (x xn )| min ?

x[a,b]

(III.1.13)

Polinomios de Chebichef
La respuesta de la anterior interrogante, est
a en el estudio de los polinomios
de Chebichef, que ya fueron tratados en la seccion II.4.
Definici
on III.1.14.- El n-simo polinomio de Chebichef est
a definido en el
intevalo [1, 1] por la siguiente relacion
Tn (x) = cos(n arccos x).

(III.1.14)

Por lo tanto T0 (x) = 1, T1 (x) = x, etc.

Los polinomios de Chebichef tienen las siguientes propiedades, que vale
la pena enunciarlas en la siguiente proposici
on.
Proposici
on III.1.15.- Los polinomios de Chebichef satisfacen:
a) T0 (x) = 1, T1 (x) = x y
Tn+1 (x) = 2xTn (x) Tn1 (x).

(III.1.15)

b) Se tiene para n entero no negativo:

|Tn (x)| 1, para x [1, 1];

 
k
= (1)k ;
Tn cos
n



2k + 1
Tn cos

= 0;
2n

(III.1.16)
(III.1.17)
(III.1.18)

para k = 0, 1, . . . , n 1.
Demostraci
on.- El inciso a) se demuestra utilizando el hecho que
cos((n + 1)) = 2cos cos(n) cos((n 1)).
La primera parte del inciso b) es consecuencia de la definici
on del n-simo polinomio de Chebichef. Las dos u
ltimas relaciones provienen de las
ecuaciones cos n = 0 y |cos n| = 1.


n
III Interpolacio

114

Finalmente, es facil observar que el coeficiente del termino dominante

de Tn para n > 0 es igual a 2n1 . Los polinomios de Chebichef T0 , T1 , T2 y
T3 pueden observarse en la figura III.1.3.

T0 (x)

T1 (x)

T2 (x)

T3 (x)

Figura III.1.3. Los cuatro primeros polinomios de Chebichef.

Teorema III.1.16.- Sea q(x) un polinomio de grado n con coeficiente
dominante 2n1 para n 1 y q(x) diferente a Tn (x). Entonces
max |q(x)| > max |Tn (x)| = 1.

x[1,1]

x[1,1]

(III.1.19)

Demostraci
on.- La demostracion se la realiza por el absurdo. Se supone
que existe un polinomio q(x) de grado n, tal que
|q(x)| 1 para |x| 1,

 n de Lagrange
III.1 Interpolacio

115

de donde r(x) = q(x)Tn (x) polinomio no nulo de grado al menos n1, pero
r(x) posee al menos n raices, lo que contradice que r(x) sea una polinomio
de grado menor o igual n 1.



(2k + 1)
Teorema III.1.17.- Si xk = cos
, entonces
2(n + 1)
max |(x x0 ) (x xn )|

x[1,1]

es minimal respecto a todas las divisiones x0 < x1 < . . . < xn con

xi [1, 1].
Demostraci
on.- Se tiene:
(x x0 ) (x xn ) = Tn+1 (x)2n ,
(x x
0 ) (
x xn ) = q(x)2n .

Para construir una division optima para cualquier intervalo [a, b], se
toma los puntos x
k definidos por
x
k =

a+b ba
+
xk ,
2
2

(III.1.20)

donde los xk son los ceros del n + 1-simo polinomio de Chebichef.

Estudio de los Errores de Redondeo

En esta subsecci
on, se estudiar
a la incidencia de los errores de redondeo
en la determinaci
on del polinomio de interpolaci
on, mas precisamente en
los polinomios de interpolaci
on de tipo Lagrange. Hay que recalcar que
los errores de redondeo en el c
alculo del polinomio interpolante est
a muy
relacionado con el concepto de estabilidad del algoritmo de determinaci
on
del polinomio de interpolaci
on.
El problema es el siguiente: Dada una subdivision x0 , . . . , xn , determinar
p(x) de grado n tal que p(xi ) = yi , i = 0, . . . , n. En el c
alculo se cometen
errores de redondeo por un lado, y por otro lado los datos iniciales tienen una
parte de error de redondeo. Para simplificar el estudio de la estabilidad del
polinomio de interpolaci
on, los errores de redondeo a considerar son aquellos
presentes en los yi , y se supone que no se comete errores de redondeo en
los c
alculos propiamente dichos y que los xi son considerados por su valor
exacto.
El teorema III.1.7 afirma la existencia de un polinomio de interpolaci
on
de grado n de tipo Lagrange para (xi , yi ), i = 0, . . . , n y los xi diferentes,

n
III Interpolacio

116

durante la demostracion de este teorema se vio de manera explcita la forma

que deba tener este polinomio, recordando se enuncia el siguiente teorema:
Teorema III.1.18.- Sean (xi , yi ), i = 0, 1, . . . , n, los xi diferentes entre si,
p(x) el polinomio de grado n que satisface p(xi ) = yi . Entonces
p(x) =
donde

n
X

li (x) =

yi li (x),

i=0
n
Y
j=0
j6=i

(III.1.21)

(x xj )
.
(xi xj )

(III.1.22)

Como se dijo al inicio de esta subsecci

on, se considerar
a los errores de
redondeo cometidos en los yi , es decir
donde |i | eps.

yi = yi (1 + i ),

Definiendo el polinomio p(x) por p(xi ) = yi , i = 0, . . . , n. Realizando c

alculos
y mayoraciones se obtiene:
p(x) p(x) =

n
X

|p(x) p(x)|

n
X

i=0

i=0

(yi yi )li (x),

| {z }
i yi

|i | |yi | |li (x)|

eps |y|max

n
X
i=0

|li (x)| ,

n
X
|p(x) p(x)|
eps
|li (x)| .
|y|max
i=0

Definici
on III.1.19.- La constante de Lebesgue asociada a la subdivision
x0 < x1 < < xn , est
a dada por
n = max

[x0 ,xn ]

n
X
i=0

|li (x)| .

(III.1.23)

Ejemplos
2j
a) Para la division equidistante xj = 1 + n , j = 0, . . . , n. Se puede
mostrar que la constante de Lebesgue se comporta asintoticamente,
cuando n , como
2n+1
n
,
(III.1.24)
en log n

 n de Lagrange
III.1 Interpolacio

117

En el ejercicio 7 de esta seccion, se indica c

omo se calcula numericamente
estas constantes, en la tabla III.1.1 est
an los resultados de estos c
alculos.


2j + 1
b) Para la division con puntos de Chebichef xj = cos
, se
2n + 2
puede mostrar que la constante de Lebesgue se comporta asintoticamente, cuando n , como
n

2
log n.

(III.1.25)

Tabla III.1.1. Constantes de Lebesgue

Division
Equidistante

Division
de Chebichef

10

29.900

2.0687

20

10987.

30
40
50
60
70
80
90
100

2.4792
6

2.7267

4.6925 109

2.9044

12

3.6398 10

3.0432

15

2.9788 10

3.1571

2.5281 1018

3.2537

21

2.2026 10

3.3375

24

1.9575 10

3.4115

1.7668 1027

3.4779

6.6011 10

Por los valores dados en la tabla, no se debe utilizar polinomios de

interpolaci
on de grado superior a 20, si la division utilizada es equidistante.
Tratar en lo posible de utilizar los puntos de Chebichef para interpolaci
on.
En la figura III.1.4 se tienen las graficas de l11 para n = 18 para las divisiones equidistantes y de Chebichef. En la figura III.1.5, se ve claramente los
errores cometidos por redondeo utilizando puntos equidistantes al interpolar
la funci
on sin(x).

n
III Interpolacio

118

puntos equidistantes

puntos Chebichef

Figura III.1.4. Grafica de un Polinomio de Lagrange.

n=15

n=20

0
0

n=30

n=40

0
0

Figura III.1.5. Interpolaci

on de sin(x).

 n de Lagrange
III.1 Interpolacio

119

Convergencia de la Interpolaci
on
En esta subsecci
on, se analizar
a el problema de la convergencia de la
interpolaci
on. Sea f : [a, b] R, para cada entero natural se considera
una subdivision de [a, b] dada por
(n)

x0

(n)

< x2

< < x(n)

n ,

pn (x) el polinomio de interpolaci

on respecto a esta subdivisi
on. Se deseara
saber que sucede cuando n , es decir
n

|f (x) p(x)| ?.


Teorema III.1.20.- Sea f Cn [a, b] tal que f (n) (x)o M para todo
(n)
(n)
(n)
x [a, b] y para todo n N, sea x0 < x2 < < xn
una sucesion de
subdivisiones de [a, b]. Entonces
n

max |f (x) pn (x)| 0,

x[a,b]

(III.1.25)

donde pn (x) es el polinomio de interpolaci

on de grado n, respecto a las
subdivisiones dadas.
Demostraci
on.- Utilizando el teorema III.1.13 y la hipotesis que las
derivadas de cualquier orden son acotadas se tiene
  (n+1) ()


(n)
(n)  f
|f (x) pn (x)| = (x x0 ) (x xn )
(n + 1)!
n+1
(b a)
n
0.
M
(n + 1)!

Las funciones exponencial , senos y cosenos son acotadas y sus derivadas
lo son tambien, motivo por el cual estas funciones pueden ser aproximadas
por polinomios de interpolaci
on teniendo asegurada la convergencia de la
interpolaci
on. El teorema III.1.20 da condiciones suficientes para asegurar
la convergencia, no obstante existen muchas otras funciones cuyas derivadas
de orden superior no est
an acotadas por una sola constante M , por ejemplo
funciones racionales. Por lo tanto es necesario poder enunciar otras condiciones para asegurar convergencia, o de lo contrario para decidir que sucede
divergencia en el proceso de interpolaci
on.
Para poder comprender mas aspectos de la convergencia o divergencia
de la interpolaci
on es necesario introducir algunas definiciones y resultados
importantes en el estudio de la aproximacion de funciones por polinomios.

n
III Interpolacio

120

Considerese la aplicaci
on Ln que a la funcion f asocia su polinomio
de interpolaci
on en los puntos x0 , x1 , . . . , xn : Ln (f ) = pn . Se remarca
inmediatamente que esta aplicaci
on es lineal, ademas si Pn es el espacio
de los polinomios de grado igual o menor a n se tiene
q Pn ,

Ln (q) = q.

Se puede mostrar, ver ejercicios, que

n = max
0

gC [a,b]
g6=0

kLn (g)k
,
kgk

de manera que la constante n representa la norma del operador Ln respecto

a la norma de la convergencia uniforme en C 0 [a, b]. Por otro lado se obtiene
el siguiente teorema de mayoracion sobre el error de interpolaci
on.
Teorema III.1.21.- Dados una funcion f C 0 [a, b] y su polinomio de
interpolaci
on de Lagrange en los puntos x0 , . . . , xn , se tiene
kf pn k (1 + n )En (f ),

(III.1.26)

donde En (f ) = inf kf qk .
qPn

Demostraci
on.- Para todo q Pn , se tiene
f pn = (f q) (pn q) = (f q) Ln (f q),
por consiguiente
kf pn k kf qk + kLn (f q)k (1 + n ) kf qk ,
el resultado se obtiene tomando la cota inferior sobre los q Pn .

Definici
on III.1.22.- La cantidad En (f ) se llama el grado de aproximacion
de la funcion f por los polinomios de grado n, respecto a la norma de la
convergencia uniforme.
Examinando los diferentes factores de la mayoracion dada por el anterior
teorema, la cantidad n depende solamente de la subdivision tomada del
intervalo [a, b], mientras que En (f ) depende solamente de la funcion f . En el
estudio de la estabilidad se vio n para dos tipos de subdivision, los puntos
de Chebichef y los equidistantes, se ha podido demostrar que n es minimal
cuando se toman los puntos de Chebichef, pero en todos las sucesiones de
subdivisiones dadas al principio de este paragrafo, se tiene
lim n = .

 n de Lagrange
III.1 Interpolacio

121

Como n es la norma del operador Ln , consecuencia del teorema de

Banach-Steinhauss, se tiene que, cualquiera sea la sucesion de subdivisiones
(n)
(n)
x0 , . . . , xn , existe una funcion continua f , tal que Ln (f ) no converge uniformente hacia f cuando n .
El siguiene paso es estudiar el comportamiento de En (f ), cuando
n ; esto est
a intimamente ligado a la regularidad de la funci
on f y mas
particularmente a su modulo de continuidad, denotado por (f, h), definido
por
(f, h) = max
|f (t) f (t )| .
(III.1.27)

t,t [a,b]
|tt |h

Se verifica facilmente las propiedades siguientes del modulo de continuidad:

i) la funcion h (f, h) definida sobre R+ es positiva, creciente y
subaditiva, es decir: h1 , h2 0, (f, h1 + h2 ) (f, h1 ) + (f, h2 ),
ii) si n N, (f, nh) n(f, h); si R+ , (f, h) (1 + )(f, h),
iii) si f C 0 [a, b], lim (f, h) = 0 y la funcion h (f, h) es continua
h0

sobre R+ ,
iv) si f C 1 [a, b], (f, h) h kf k .

Teorema III.1.23.- Existe un real M , independientemente de n, a y b, tal

que para todo n 1 y toda f C 0 [a, b], se tiene


ba
En (f ) M f,
.
n

(III.1.28)

Demostraci
on. El cambio de variable s = (x a)/(b a) permite de
trasladarse al caso en que a = 0, b = 1, f C 0 [0, 1], lo que se supondr
aa
continuacion.
Considerese primero el caso en que n = 2p es par, y planteando
 4

!4
(p+1)t
n
sin
1
1 X
(p 2k)t
2

jn (t) =
,
cos
=

t
n
n
2
sin
k=0
2
R
donde n es escogido de manera que jn (t)dt = 1, es evidente que jn
puede escribirse bajo la forma

jn (t) = a0n + a1n cos t + + ann cos nt.

(III.1.29)

Planteando g(t) = f (|cos t|), est

a claro que g es una funcion par, continua
sobre R y periodica de periodo , adem
as (g, h) (f, h) porque |t t |

n
III Interpolacio

122

h ||cos t| |cos t|| h. Continuando con la demostracion se introduce la

funci
on
Z
Z
n (s) =
g(t)jn (s t)dt =
g(s t)jn (t)dt,

se tiene
g(s) n (s) =

(g(s) g(s t))jn (t)dt,

de donde
|g(s) n (s)|

|(g(s) g(s t))| jn (t)dt

Z
(g, t)gn (t)dt
(g, |t|)jn (t)dt = 2
0

Utilizando las mayoraciones

(1 + nt)jn (t)dt (g, 1/n), por la propiedad ii.

2
sin x

1 para x [0, /2], se obtiene

x
Z
C
tjn (t)dt ,
n
0

ver ejercicio 12, por lo tanto se tiene

|g(s) n (s)| 2(1 + C)(g,

1
).
n

Se remarca que
Z
Z
Z
g(t) sin(kt)dt
g(t) cos(kt)dt + sin ks
g(t) cos(k(s t))dt = cos ks

Z
g(t) cos(kt)dt,
= cos ks

puesto que g es una funcion par.

Resulta de (III.1.29) y de la definicion de n que existe pn Pn tal que
para todo s R, n (s) = pn (cos s), por consiguiente se tiene
max |f (x) pn (x)| max |f (|cos s|) pn (cos s)| = max |g(s) n (s)|

x[0,1]

sR

sR

2(1 + C)(g, 1/n) 2(1 + C)(f, 1/n).

El caso en que n = 2p + 1 es impar se deduce del precedente remarcando
que E2p+1 (f ) E2p (f ) y que (f, (b a)/n) 2(f, (b a)/(n + 1)). 

 n de Lagrange
III.1 Interpolacio

123

Corolario III.1.24.- Teorema de Weirstrass. Sea [a, b] un intervalo cerrado

y acotado de R, entonces el conjunto de las funciones polinomiales es denso
en C 0 [a, b] para la topologa de la convergencia uniforme
Demostraci
on.- En efecto, por la propiedad iii) del modulo de continuidad,
se tiene que


ba
lim f,
= 0,
n
n
por consiguiente lim En (f ) = 0. para toda funcion f C 0 [a, b].
n

Corolario III.1.25.- Se supone que f C p [a, b], p 0, entonces para todo

n > p se tiene


(b a)p
p+1
(p) b a
En (f ) M
.
(III.1.30)
f ,
n(n 1) (n p + 1)
np
Demostraci
on.- Por el teorema III.1.23, el corolario es cierto para p = 0,
sup
ongase cierto el enunciado del corolorio para p y sea f C p+1 [a, b], se
tiene por lo tanto f C p [a, b], de donde n > p + 1


ba
(b a)
.
f (p+1) ,
En1 (f ) M p+1
(n 1) (n p)
n1p
Se puede mostrar, ver Crouzeix, Captulo I.3, que existe q R Pn1 tal
x
que kf qk = En1 (f ). Planteando por lo tanto p(x) = a q(t)dt y
(x) = f (x) p(x), se tiene p Pn , entonces En (f ) = En (), adem
as
k k = kf qk = En1 (f ). Aplicando el teorema III.1.23 a la funcion
y la propiedad iv) del modulo de continuidad, se obtiene


ba
ba
En (f ) = En () M ,
M
k k ,
n
n
de donde
En (f ) M

p+2



ba
(b a)p+1
(p+1)
f
,
.
n(n 1) (n p)
np1

Utilizando las estimaciones dadas para las constantes de Lebesgue y

el teorema III.1.21, se obtiene las mayoraciones siguientes del error de
interpolaci
on de Lagrange si f C p [a, b]:
a) En el caso que los xi son equidistantes,


(b a)p 2n
(p) b a
,
kf pn k Cp p+1
f ,
np
n
log n

n
III Interpolacio

124

b) En el caso de los puntos de interpolaci

on de Chebichef


(p) b a
p log n
,
f ,
kf pn k Cp (b a)
np
np
este resultado con p = 0, da el resultado de Bernstein que dice que el
interpolante de Lagrange con los puntos de Chebichef converge hacia f del
momento en que lim (f, h) log h = 0, que es el caso si f C 1 [a, b].
h0

Teorema III.1.26.- Si la funcion f C 1 [a, b], si los puntos utilizados

durante el proceso de interpolaci
on son puntos de Chebichef, entonces
lim pn = f.

La utilizaci
on de los puntos de Chebichef en la aproximaci
on de una
funci
on continuamente diferenciable en un intervalo [a, b], no implica necesariamente convergencia numerica, pues el c
alculo del polinomio interpolante
por medio de computadoras est
a imbuido de errores de redondeo. Por lo
tanto hay que tener mucho cuidado cuando se utilizan muchos puntos de
interpolaci
on.
Fen
omeno de Runge
Hasta ahora, se ha visto condiciones suficientes para asegurar la convergencia
de la interpolaci
on de una funcion por polinomios. Tambien se ha mostrado
que la utilizaci
on de puntos de Chebichef en la interpolaci
on de una funcion
continuamente derivable permita la convergencia. En esta parte, se ver
a
que tener una funcion continuamente derivable y una division equidistante
no es una condici
on suficiente de convergencia. Con el siguiente ejemplo
se ilustrar
a el conocido fen
omeno de Runge. En la figura III.1.6, puede
apreciarse que la interpolaci
on de Lagrange diverge cuando la division es
equidistante. Mientras, que en la figura III.1.7. utilizando subdivisiones de
Chebichef se tiene convergencia. En lineas punteadas se tiene la grafica de
la funci
on a interpolar.

0
0
n=5

1 1

0
0
n=10

1 1

0
0

1 1

n=15

Figura III.1.6. Interpolaci

on con puntos equidistantes.

n=20

 n de Lagrange
III.1 Interpolacio

0
0

125

0
0

1 1

n=5

1 1

n=10

0
0

1 1

n=15

n=20

Figura III.1.7. Interpolaci

on con puntos de Chebichef.
Sea f : [1, 1] R, definida por
f (x) =

1
,
1 + 25x2
(n)

(n)

funci
on que es indefinidamente derivable. Sean x0 , . . . , xn la division
equidistante de [1, 1], pn (x) el polinomio de interpolaci
on de grado n de la
funci
on f respecto a la subdivision dada anteriormente. Prolongando f (x) al
1
1
plano complejo, se tiene que f (z) tiene polos simples en z = i y en z = i.
5
5
Se considera un camino cerrado simple C tal que [1, 1] interior de C, y los
polos esten en el exterior de C. Por consiguiente se puede aplicar la formula
de Cauchy para integrales complejas, de donde

1
f (x) =
2i

c
f (z)
dz.
zx

Se define el polinomio n (x) de grado n por

(n)
(n)
n (x) = (x x(n)
)(x x ) (x xn ),

Por otro lado se comprueba facilmente que la expresi

on
(n (z) n (x))/(z x) es un polinomio de grado n respecto a x, definiendo
el polinomio de grado n, q(x) por
q(x) =

1
2i

(n)

f (z) (n (z) n (x))

dz,
zx
n (z)
(n)

(III.1.31)

se verifica que q(xi ) = f (xi ), de donde se ha mostrado el teorema

siguiente.

n
III Interpolacio

126

Teorema III.1.27.- Si f es una funcion racional con polos fuera de C.

Entonces el error de interpolaci
on est
a dado por
Z
1
f (z) n (x)
f (x) pn (x) =
dz,
(III.1.32)
2i C z x n (z)
donde pn es el polinomio de interpolaci
on.
Introduciendo valores absolutos, se obtiene


Z
1
|f (z)|  n (x) 
|f (x) pn (x)|
|dz| ,
2 C |z x|  n (z) 

por consiguiente se debe analizar el comportamiento cuando n de la

expresiones que aparecen en la integral precedente. Se tiene convergencia si


 n (x) 
n


 n (z)  < ,

con < 1, de lo contrario cuando n |f (x) pn (x)| diverge. Por

consiguiente hay convergencia en x [1, 1] si y solamente si
s

 n (x) 
 < 1.
lim n 
(III.1.33)
n
n (z) 

En lugar de la expresi
on (III.1.33), se puede utilizar
ln

p
1
n
|n (z)| = ln (|n (z)|)
n
n
2 X
ln |z xj | ,
=
2n j=0

como los xj son equidistantes, cuando n se tiene

Z
p
1 1
n
ln |z t| dt
lim ln |n (z)| =
n
2 1
Z 1
1
log(z t)dt
=
2
1
1
= {(z + 1) log(z + 1) + (1 z) log(z 1)} 1.
2

Definiendo G(z) por



1
{(z + 1) log(z + 1) + (1 z) log(z 1)} 1 , (III.1.34)
G(z) = exp
2

 n de Lagrange
III.1 Interpolacio
se obtiene que
lim

127

p
n
|n (z)| = G(z).

Si x R, la funcion G es igual a


1
1
G(x) = exp
ln(x + 1)(x+1) + ln(1 x)(1x) 1
2
2
p
1+x
1x
= (1 + x)
(1 x)
/e.

Para decidir si la interpolaci

on converge para un x dado se debe tener
necesariamente G(z)/G(x) < 1, esto sucede solamente si |x| < 0, 72668.
La figura III.1.8 muestra una grafica de G(x) y en la figura III.1.7 est
an
dadas las curvas de nivel para G(z).
y

2/e
1/e

1 x
G(z)=2/e

Fig. III.1.8. Grafica de G(x).

Fig. III.1.9. Curvas de nivel de G(z).

Ejercicios
1.- Demostrar por induccion
y[x0 , . . . , xn ] =

n
X
j=0

n y0 =

yj

Y
i6=j

n  
X
n
j=0

1
,
x j xi
yj (1)nj .

2.- Supongase conocidos los valores de la funcion de Bessel

Z
1
J0 (x) =
cos(x sin t)dt.
0

n
III Interpolacio

128

para los puntos equidistantes xi = x + 0 + ih, i Z.

a) Para que h, el error de la interpolaci
on lineal es menor a 1011 ?
b) La misma pregunta para la interpolaci
on cuadratica.
3.- Calcular el polinomio de interpolaci
on de grado n = 10 y n = 20, que
pasa por (xi , f (xi )), i = 0, 1, . . . , n, donde f (x) = 1/(1 + 25x2 ).
2i
a) xi = 1 + .
n
2i + 1
).
b) xi = cos(
2n + 2
Hacer graficas, estudiar los errores.
4.- Sea p(x) el polinomio de interpolaci
on de grado 1 de una funcion f dos
veces continuamente derivable. Mostrar que el error satisface
Z x1
G(x, t)f (t)dt
()
f (x) p(x) =
con

x0

(x x0 )(t x1 )
h
G(x, t) =

(t x0 )(x x1 )
h

si x t

si x t

Dibujar la funcion G(x, ). Deducir de () el resultado del teorema

III.1.13.
n
Y
(x xj )
5.- Sean x0 < x1 < < xn y li (x) =
.
(x
i xj )
j=0
j6=i

Verificar que la funcion

n (x) =

n
X
i=0

|li (x)|

tiene un solo maximo local sobre cada [xi1 , xi ]

n
X
i li (x) con = 1.
Indicaci
on: Sobre [xj1 , xj ] se tiene a n (x) =
i=0

6.- Si la funcion f : [x0 , x1 ] R tiene solamente un maximo local y si

x0 < a < b < x1 , entonces
f (a) f (b) = x [a, x1 ],
f (a) f (b) = x [x0 , b],
donde f (x ) =

max f (x).

x[x0 ,x1 ]

 n de Lagrange
III.1 Interpolacio

129

7.- Calcular las constantes de Lebesque

n = max

x[1,1]

n
X
i=0

|li (x)| ,

n = 10, 20, . . . , 100,

a) para la division equidistante xi = 1 + 2i/n, i = 0, 1, . . . , n;

b) para los puntos de Chebichef.
n
X
|li (x)| sobre [xj1 , xj ] con la b
usqueda
Calcular el maximo de f (x) =
i=0

de Fibonacci:

x1 = xj ,

10

x0 = xj1 ,

d = (x1 x0 );
a = x1 d, b = x0 + d;
d = d;
si (f (a) f (b)) entonces
x0 = a, a = b, b = x0 + d
si no
x1 = b, b = a, a = x1 d;
si (x1 x0 1014 ) vaya a 10
si no, final.

= ( 5 1)/2;

x0

x0

x0

x1

x1

8.- Sean dados (xi , yi , yi ), i = 0, 1, . . . , n, los xi distintos entre si.

Mostrar que existe un u
nico polinomio q(x) de grado 2n + 1 tal que
q(xi ) = yi ,

q(xi ) = yi

(i = 0, . . . , n).

Utilizar la formula de Newton con (x0 , y0 ), (x0 +, y0 +y0 ), . . . y estudiar

su lmite cuando 0.
Que formula se obtiene para n = 2?, utilizar y[xi , xi ] = yi , Generalizar
el ejercicio para cualquier polinomio de Hermite y obtener un esquema
de c
alculo semejante a la figura III.1.1.
9.- Se considera la funcion f (s) = |s(s 1) (s n)| definida para s
[0, n].
a) Mostrar que f alcanza su maximo en un punto sn (0, 1/2) y que
1
sn
cuando n .
ln n
b) Mostrar que lim [f (1/ ln n)(ln n/n!)] = 1/e, deducir que existe
n
c1 n!
.
c1 > 0 tal que n > 1, f (sn )
ln n

x1

n
III Interpolacio

130

Sean {x0 , x1 , . . . , xn } n + 1 puntos equidistantes sobre el intervalo [a, b]

con x0 = a y xn = b. Mostrar que existe una constante C2 tal que

 n

Y
C2 en


(b a)(n+1) .
n > 1. max  (x xi )

x[a,b] 
n
ln
n
i=0

10.- Conservando las notaciones, construir una funcion f C 0 [a, b] tal que
kLn (f )k = kf k y kf Ln (f )k = (1 + n ) kf k .
11.- Se considera el conjunto {x0 , . . . , xn } de n + 1 puntos diferentes del
intervalo [a, b] y n la constante de Lebesgue correspondiente a la
interpolaci
on de Lagrange en estos puntos. Se plantea
n
Y
cos cos j
li () =
con i = arccos((2xi (a + b))/(b a)),
cos
i cos j
j=0
j6=i

i = 0, . . . , n.
a) Mostrar que:

!
n 

X
 
n = max
li () ;
R

cos k( ) + cos k( + ) =
0 k n.
b) Planteando n () =

n
X
i=0

i=o

[cos k(i ) + cos k(i + )] li (),

n h
i
X
li ( + i ) + li ( i ) li () , mostrar que:
i=0

n () = 1 + 2
1
si F () =
2

n
X

cos k =

k=1

sin((n + 1/2))
;
sin(/2)

signo(n ( s))n (s)ds, entonces

Z
2 (n+1/2) ||
d = n ,
|n (s)| d
3n kF k
0

 
4
1
n n1 =
cuando n ,
2 +O
n
n3
4
n 2 ln n cuando n .

12.- Sea jn la funcion definida en la demostracion del teorema III.1.23. con

n = 2p. Mostrar que p 1,
Z
tk jn (t)dt ck /nk ,
1
=

para k = 1 y 2.

III.2 Splines C
ubicos

En la seccion precedente, se ha visto c

omo determinar el polinomio de
interpolaci
on. Existen dos problemas de gran magnitud cuando se requiere
encontrar un polinomio de interpolaci
on dado un conjunto (xi , yi ), i =
0, . . . , n; el primero consiste en la inestabilidad de la interpolaci
on de
Lagrange cuando n es grande, por ejemplo para n 20 no es aconsejable
tomar puntos equidistantes. El segundo problema es que aun obteniendo el
polinomio de interpolaci
on, este no refleja la verdadera forma de la funcion
a interpolar, por ejemplo, para una funcion racional, se deseara que el
interpolante tenga la menor curvatura promedio, tal como se grafica con
una sercha. Por consiguiente, dados los puntos a = x0 < x1 < < xn = b
y los reales yi con i = 0, . . . , n se busca una funcion spline s, tal que:

(i)
(ii)
(iii)

s(xi ) = yi i = 0, . . . , n
s C 2 ([a, b]),
s de curvatura peque
na.

La curvatura de s est
a dada por

(x) =

(s (x)
3

(1 + (s (x))2 ) 2

suponiendo que s (x) es despreciable, se obtiene s (x) = (x), por consiguiente la condici
on, se expresa de la siguiente forma
Z

xn

x0

(s (x))2 dx min .

(III.2.1)

En la figura III.2.1 se observa dos graficas: la de la izquierda es de un

polinomio de interpolaci
on de tipo Lagrange; mientras que en la derecha

n
III Interpolacio

132

es la grafica del spline interpolante que pasa por los mismos puntos.

Figura III.2.1. Spline de Interpolaci

on
Definici
on III.2.1.- Un spline c
ubico es una funcion s : [a, b] R con
a = x0 < x1 < < xn = b, que satisface:
s C 2 [a, b],
s|[xj1 ,xj ] polinomio de grado 3.

(III.2.2a)
(III.2.2b)

Teorema III.2.2.- Dados (xi , yi ), i = 0, . . . , n, con a = x0 < x1 < <

xn = b. Sean:
s : [a, b] R un spline con s(xi ) = yi ,
f : [a, b] R una funcion con f (xi ) = yi ,
si
s (b)[f (b) s (b)] = s (a)[f (a) s (a)],
(III.2.3)

entonces

b
a

[s (x)] dx

[f (x)]2 dx.

La condici
on (III.2.3) es satisfecha si por ejemplo s (a) = s (b) = 0, o
por ejemplo si f (a) = s (a) y f (b) = s (b).
Definici
on III.2.3.- Si s (a) = s (b) = 0, el spline se llama spline natural.

Si f (a) = s (a) y f (b) = s (b) el spline se dice fijo en los bordes.

Demostraci
on.- Calculando las integrales, se obtiene
Z b
Z b
Z b
[f (x)]2 dx
[s (x)]2 dx =
[f (x) s (x)]2 dx
a
a
|a
{z
}
0
Z b
+2
s (x)[f (x) s (x)]dx.
a

 bicos
III.2 Splines Cu

133

Para demostrar la afirmacion del teorema, es suficiente mostrar que la

segunda integral del miembro derecho de la ecuacion es nula. En efecto,
integrando por partes, se tiene
Z b
b
s (x)[f (x) s (x)]dx = s (x)[f (x) s (x)]|a
{z
}
|
a
= 0 por (III.2.2)
Z b
s (x)[f (x) s (x)]dx

=
=

n
X

j=1

xj

xj1

j=1

n
X

[f (x) s (x)]dx
x

j [f (x) s(x)]|xjj1 = 0.


Construccion del Spline Interpolante

En este paragrafo, se determinar
a explcitamente el spline interpolante. Para
tal efecto sea a = x0 < x1 < < xn = b una division cualquiera del intervalo [a, b]; y sean y0 , y1 , . . . , yn n
umeros reales. Se desea construir s : [a, b]
R, el spline tal que s(xi ) = yi . Llamando si = s|[ xi1 , xi ] : [xi1 , xi ] R.
Por consiguiente se busca una representacion de si , utilizando los siguientes
datos:
yi1 ,

yi ,

pi1 = si (xi1 ),

pi = si (xi ).

(III.2.4)

Por lo tanto, si (x) es igual a

si (x) =yi1 + y[xi1 , xi ](x xi1 )


+ (x xi1 )(x xi ) a(x xi1 ) + b(x xi ) ,

(III.2.5)

pi1 = s (xi1 ) = y[xi1 , xi ] + h2i b,

pi = s (xi ) = y[xi1 , xi ] + h2i b,

(III.2.6)
(III.2.7)

faltando determinar los valores de a y b. Planteando hi = xi xi1 y

derivando (III.2.5) en los puntos xi1 y xi , se obtiene:

de donde
si (x) =yi1 + y[xi1 , xi ](x xi1 )
(x xi1 )(x xi ) 
+
(pi y[xi1 , xi ])(x xi1 )
h2i

+ (pi1 y[xi1 , xi ])(x xi ) .

(III.2.8)

n
III Interpolacio

134

Ahora bien, se debe determinar los pi , i = 0, . . . , n de manera que s C 2 [a, b].

Por consiguiente:
si (xi ) = si+1 (xi ) i = 1, . . . , n 1,
Utilizando la regla de Leibnitz
(f g) (x) = f (x)g(x) + 2f (x)g (x) + f (x)g (x),
se obtiene:



d2
2

= 4hi ,
2 (x xi1 ) (x xi )
dx
x=xi


d2
2
= 2hi ,
2 (x xi1 )(x xi ) 
dx
x=xi

de donde:


1
4(pi y[xi1 , xi ]) + 2(pi1 y[xi1 , xi ]) ,
hi

1 
si+1 (xi ) =
2(pi+1 y[xi , xi+1 ]) + 4(pi y[xi , xi+1 ])
hi+1
si (xi ) =

por lo tanto,
pi1
+ 2pi
hi

1
1
+
hi
hi+1



pi+1
y[xi1 , xi ] y[xi , xi+1 ]
+
, (III.2.9)
=3
+
hi+1
hi
hi+1

para i = 1, . . . , n1. Es as que se ha obtenido n1 ecuaciones, teniendo n+1

ecuaciones, las dos ecuaciones que faltan para obtener un sistema completo,
se obtienen de las condiciones de borde para x0 y xn .
Si el spline es natural, se tiene s (a) = s (b) = 0, obteniendo:
p0
p1
y[x0 , x1 ]
+
=3
h1
h1
h0
pn1
pn
y[xn1 , xn ]
2
+
=3
hn
hn
hn
2

(III.2.10a)
(III.2.10b)

Si el spline est
a fijado en los bordes, se tiene s (a) = f (a) y s (b) = f (b),
obteniendo:
p0 = f (a),
pn = f (b).

(III.2.11a)
(III.2.11b)

Existen muchos otros tipos de spline, como por ejemplo periodicos, de

Bezier, etc. Las condiciones de borde son diferentes, pero las ecuaciones dadas

 bicos
III.2 Splines Cu

135

por (III.2.9) son esencialmente las mismas, estos aspectos ser

an desarrollados
con mas detalle posteriormente o en la parte de los ejercicios.
Por otro lado, las ecuaciones que determinan los pi pueden escribirse de
manera matricial. A continuacion, se daran las notaciones matriciales para
los splines natural y fijo.

3
0
h1
h1 y[x0 ,x1 ]
p0

1 2( 1 + 1 )
1
3
3
h2
h1 y[x0 ,x1 ]+ h2 y[x1 ,x2 ]
p1

h1 h1 h2

3
1
1
3
2( h1 + h1 )
p2

0
h2
h3
h2 y[x1 ,x2 ]+ h3 y[x2 ,x3 ]
2
3
=

.
.
.
.
.

.
..
..
..
.
.

1
1
1
3
3
1

2( h
+ hn ) hn
hn1
n1
pn1 hn1 y[xn2 ,xn1 ]+ hn y[xn1 ,xn ]
2

1
h1

1
hn

2
hn

3
hn

pn

y[xn1 ,xn ]

Matriz del spline natural.

2( h1 + h1 )

1
h2

1
h2

2( h1 + h1 )

..

1
h3

..
1
hn1

.
2( h

1
n1

p
1

p2

.. =

..
. .

1
) pn1

+ hn

3
hn1

3
h1

y[x0 ,x1 ]+ h3 y[x1 ,x2 ] h0

2

3
h2

y[x1 ,x2 ]+ h3 y[x2 ,x3 ]

3

..
.

pn
y[xn2 ,xn1 ]+ h3n y[xn1 ,xn ] h
n

Matriz del spline fijo en los bordes.

Denotando A, la matriz del spline natural como fijo en los bordes, se tiene
el siguiente teorema.
Teorema III.2.4.- La matriz A es inversible, es decir
det A 6= 0.
Demostraci
on.- Se mostrar
a que la siguiente implicacion es cierta
Ap = 0 = p = 0.
Supongase que Ap = 0, entonces
pi1
1
1
pi+1
+ 2pi ( +
)+
= 0,
hi
hi
hi+1
hi+1

n
III Interpolacio

136
se denota por pio a
|pio | = max |pi | ,
i

por consiguiente
2 |pio | (

1
1
|pio |
|pi |
+
) o +
,
h io
hio +1
h io
hio +1

de donde
2 |pio | |pio | .

En uno de los ejercicios de la seccion II.1, se muestra que el problema de

encontrar los pi es un problema bien condicionado. Por otra lado la resoluci
on
de este sistema se procede facilmente con el algoritmo de Eliminaci
on de
Gauss, si n no es muy grande; en el caso contrario con un metodo iterativo
utilizando el hecho que A es simetrica y definida positiva.

El Error de la Aproximaci
on Spline
Se ha visto en el paragrafo anterior, que la construccion del spline interpolante es muy simple, solo se requiere resolver un sistema tridiagonal de
ecuaciones lineales. En esta parte, se insistira en las estimaciones del error
cometido en el proceso de interpolaci
on spline.
Sean f : [a, b] R una funcion, a = x0 < x1 < < xn = b una
subdivision del intervalo [a, b] y finalmente s(x) el spline fijo en los bordes
que interpola f , es decir
s(xi ) = f (xi ), i = 0, . . . , n;
s (x0 ) = f (x0 );
s (xn ) = f (xn );
se deseara saber que error se comete, en otras palabras
|f (x) s(x)| ?
Teorema III.2.5.- Si f C 4 [a, b], a = x0 < x1 . . . < xn = b una
subdivision, hi = xi xi1 , los pi derivadas en los nudos del spline fijo
en los bordes. Entonces
|f (xi ) pi |

h3
(4)
f ,
24

(III.2.12)

 bicos
III.2 Splines Cu

137

donde h = max hi . Si adem

as, la division es equidistante, se tiene
|f (xi ) pi |

h4
(5)
f .
60

(III.2.13)

Adem
as del interes del resultado del teorema que servira para la
estimacion del error, se tiene un medio simple para calcular las derivadas
de f en los puntos xi .
Demostraci
on.- La demostracion del caso general es muy similar a la
del caso de los puntos equidistantes, aqu se mostrar
a el caso equidistante,
dejando al lector el caso general. La construccion del spline est
a dada por
las ecuaciones
1
3
(pi1 + 4pi + pi+1 ) 2 (f (xi+1 ) f (xi1 )) = 0.
h
h

(III.2.14)

Se define qi , i = 1, . . . , n 1, por
qi =

1
3
f (xi1 ) + 4f (xi ) + f (xi+1 ) 2 f (xi+1 ) f (xi1 ) (III.2.15)
h
h

Por otra lado, utilizando el teorema de Taylor con resto en el punto xi

se tiene:
h2
h3
f (xi ) + f (3) (xi )
2!
3!
Z 1
h4 (4)
(1 t)4 (5)
+ f (xi ) + h5
f (xi + th)dt,
4!
4!
0
h3
h2
f (xi+1 ) = f (xi ) + hf (xi ) + f (3) (xi ) + f (4) (xi )
2!
3!
Z 1
3
(1 t) (5)
+ h4
f (xi + th)dt,
3!
0
f (xi+1 ) = f (xi ) + hf (xi ) +

de donde, introduciendo en (III.2.15), se obtiene


(1 t)4 (5)
(1 t)3
f (xi + th)dt
qi =h
3
3!
4!
0

Z 1
(1 t)3
(1 t)4 (5)
3
+h
f (xi th)dt.
3
3!
4!
0
3

Utilizando el teorema del valor medio y calculando la integral


Z 1
1
(1 t)4
(1 t)3
dt =
3
,
3!
4!
60
0

n
III Interpolacio

138
se obtiene finalmente que
qi =


1 3  (5)
h f (i ) + f (5) (i ) ,
60

con i [xi1 , xi ] y i [xi , xi+1 ], por consiguiente

qi

h3
(5)
f .
20

(III.2.16)

Restando (III.2.14) con (III.2.15), se tiene

ei = f (xi ) pi ,
que es solucion del sistema de ecuaciones
1
[ei1 + 4ei + ei+1 ] = qi ,
h

i = 1, . . . , n 1.

Sea io tal que

|eio | = max |ei | ,
i=1,...,n

en consecuencia, se tiene:
4eio = hqio eio 1 eio +1 ,
4 |eio | h |qio | + |eio 1 | + |eio +1 |
h |qio | + |eio | + |eio | ,
de donde finalmente
|ei | |eio |

h
|qi | .
2 o


Antes de poder estimar el error cometido por el polinomio de interpolaci

on spline, es necesario el siguiente teorema.
Teorema III.2.6.- Si xi = x0 + ih, con h = (b a)/n, f C 5 [a, b], s(x)
el spline fijo en los bordes, y p(x) el polinomio de interpolaci
on de Hermite
sobre el intervalo [xi1 , xi ], tal que
p(xj ) = s(xj ),

p (xj ) = f (xj ),

j = i 1, i.

Entonces
|p(x) s(x)|

h5
(5)
f
240

para x [xi1 , xi ].

(III.2.17)

 bicos
III.2 Splines Cu

139

Demostraci
on.- El polinomio de Hermite, utilizando (III.2.8), est
a dado
por
p(x) =yi1 + y[xi1 , xi ](x xi1 )
(x xi1 )(x xi ) 
(f (xi ) y[xi1 , xi ])(x xi1 )
+
h2i

+ (f (xi1 ) y[xi1 , xi ])(x xi ) , (III.2.18)

restando (III.2.18) con (III.2.8), se obtiene

p(x) s(x) =

por lo tanto

(x xi1 )(x xi ) 
(f (xi ) pi )(x xi1 )
h2i

+ (f (xi1 ) pi1 )(x xi ) ,

h4 f (5)
|p(x) s(x)| |x xi1 | |x xi |
[|x xi | + |x xi1 |]
60

5
h (5)

f .
240

Ahora bien, para tener una estimacion del error de la interpolaci

on
spline, solo falta conocer el error cometido por el polinomio de interpolaci
on
de Hermite, estimacion que est
a dada en el siguiente teorema.
Teorema III.2.7.- Sean, f [x0 , x1 ], h = x1 x0 , p(x) el polinomio de
interpolaci
on de Hermite que satisface:
p(xi ) = f (xi ),
p (xi ) = f (xi ),
entonces
|f (x) p(x)|

i = 0, 1;
i = 0, 1;

h4
(4)
f .
384

(III.2.19)

Demostraci
on.- Sean > 0 suficientemente peque
no, p (x) el polinomio de
interpolaci
on que satisface:
p (x0 ) = f (x0 ),

p (x0 + ) = f (x0 + ),

p (x1 ) = f (x1 ),

p (x1 ) = f (x1 ).

n
III Interpolacio

140
Por el teorema (III.1.13), se tiene para todo .

(4)
f
,
|f (x) p (x)| |(x x0 )(x x0 )(x x1 = )(x x1 )|
4!

haciendo tender hacia 0, se obtiene


 f (4)
2
2
|f (x) p(x)| (x x0 ) (x x1 ) 
4!

h4
(4)

f .
384

Finalmente, con los anteriores teoremas se puede dar la siguiente estimacion del error del spline fijo en los bordes.
Teorema III.2.8.- Sean, f C 5 [a, b], xi = x0 + ih, i = 0, . . . , n, con
h = (b a)/n, s(x) el spline fijo en los bordes de la funcion f respecto a la
subdivision equidistante, entonces



h5
h4


(5)
(III.2.20)
max f (4) (x) +
|f (x) s(x)|
f .
384 x[xi1 ,xi ]
240

Demostraci
on.- Suficiente utilizar la desigualdad del triangulo en los dos
anteriores teoremas, es decir
|f (x) s(x)| |f (x) p(x)| + |p(x) s(x)| .

Los resultados obtenidos en los teoremas de esta subsecci

on han sido
demostrados para el caso de divisiones equidistantes, no obstante modificando las demostraciones para divisiones mas generales se puede obtener
resultados similares en la mayoracion del error de la interpolaci
on spline, no
hay que sorprenderse que las mayoraciones sean muy parecidas al del caso
equidistante, con la diferencia que h este elevado a una potencia de un grado
menor.
Por otro lado, los teoremas enunciados consideran el caso del spline fijo
en los bordes, para los otros tipos de spline, las mayoraciones del error de
interpolaci
on se deben efectuar utilizando los resultados anteriores mas un
error debido al cambio de tipo de spline.
Teorema III.2.9.- Sean, f C 5 [a, b], xi = x0 + ih, i = 0, . . . , n; con
h = (b a)/n, s(x) el spline fijo en los bordes, s(x) es el spline natural.
Entonces

h2
h5
(5)
|
s(x) s(x)|
(III.2.21)
max |f (x)| +
f ,
8 xI1 In
240

 bicos
III.2 Splines Cu

141

donde I1 = [x0 , xn ] y In = [xn1 , xn ].

Demostraci
on.- Sustrayendo los sistemas lineales que determinan pi y pi
en la construccion de los splines fijo en los bordes y natural, se obtiene:
(
pi1 pi1 ) + 4(
pi pi ) + (
pi+1 pi+1 ) = 0 i = 0, . . . , n 1;
2(
p0 p0 ) + (
p 1 p 1 ) = C0 ;
2(
pn pn ) + (
pn1 pn1 = Cn ;
donde:
C0 = 3y[x0 , x1 ] 2
p0 p1 ,

Cn = 3y[xn1 , xn ] 2
pn pn1 .

Sea io {0, 1, . . . , n}, tal que

|
pio pio | = max |
pi pi |.
i

Ahora bien,io = 0, o bien io = n, por que de lo contrario se tendra

4 |
pio pio | |
pio 1 pio 1 | + |
pio +1 pio +1 | 2 |
p io p io | .
Suponiendo que io = 0, se tiene la siguiente mayoracion
|
pi pi | |
p 0 p 0 | C0 ;
en el otro caso, se obtiene
|
pi pi | |
p n p n | Cn .
Utilizando la formula de Taylor, con resto en forma de integral, se obtiene
para la funcion f en el punto x0 , los siguientes resultados:
f (x1 ) f (x0 ) = hf (x0 ) + h2
f (x1 ) = f (x0 ) + h

(1 t)f (x0 + th)dt, (III.3.22)

f (x0 + th)dt;

(III.3.23)

y en el punto xn los siguientes resultados:

f (xn1 ) f (xn ) = hf (xn ) + h2
f (xn1 ) = f (xn ) h

t
0

(1 t)f (xn th)dt,

f (xn th)dt.

n
III Interpolacio

142

La formula (III.3.13) del teorema III.3.5, conduce a las estimaciones:

h4
60
4
h
= f (xn1 ) +
60
p1 = f (x1 ) +

pn1

(5)
f ,

(5)
f ,

con || 1;

(III.3.24)

con | | 1.

Suponiendo que io = 0, introduciendo (III.3.22-24) en C0 , se obtiene

C0 = 3f (x0 ) + h

(1 t)f (x0 + th)dt 2f (x0 ) f (x0 )

h4
(5)
f
60

0
Z 1

4
h


tf (x0 + th)dt f (5) ,
= h
60

0
h

de donde

f (x0 + th)dt

|C0 |

1
h4
(5)
h max |f (x)| +
f .
2 xI1
60

Si io = n, se obtiene similarmente
|Cn |

1
h4
(5)
h max |f (x)| +
f .
2 xIn
60

La diferencia de ambos splines est

a mayorada por lo tanto por



 (x xi1 )(x xi )

|
p(x) p(x)| = 
[(
pi pi )(x xi1 ) + (
pi1 pi1 )(x xi )]
2
h


h 1
h5
(5)

(|x x xi1 | + |x xi |)
max |f (x)| +
f
4 2 xI1 In
60

h2
h5
(5)

max |f (x)| +
f .
8 xI1 In
240


El spline fijo en los bordes es mas preciso que el natural, siempre y
cuando se conozca los valores de la derivada de la funcion interpolada en
los bordes. En la demostracion del u
ltimo teorema puede observarse que la
diferencias de los pi verifican una ecuacion de diferencias finitas con valores
en la frontera, resolviendo esta ecuacion puede observarse que la diferencia
entre los pi es mucho menor en los nudos centrales, que en aquellos que est
an
cerca de los bordes. Por consiguiente la estimacion del teorema (III.2.9) es
muy pesimista, en la pr
actica la diferencia de los errores es menor.

 bicos
III.2 Splines Cu

143

Aplicaci
on de spline
Al inicio de esta seccion, los splines fuer
on abordados como un instrumento
numerico de aproximacion, como una alternativa a la interpolaci
on polinomial de tipo Lagrange. Esto debido a sus propiedades de no presentar
problemas de inestabilidad numerica, por sus cualidades de convergencia y
por la poca curvatura que presentan.

Figura III.2.1. Aplicacion grafica de los splines

Ahora bien, los splines son utilizados tambien como un instrumento
grafico. Una gran cantidad de los algoritmos desarrollados en grafismo
asistido por computadora, utilizan ampliamente los splines en sus diferentes
versiones. En la figura III.2.2, se observa con claridad la potencia de la
interpolaci
on spline. En el dibujo de la izquierda, se tiene los puntos unidos
por segmentos rectilinios, mientras que en el dibujo de la derecha unidos por
splines.

Ejercicios
1.- Considerar puntos equidistantes xi = x0 +ih, h > 0. Mostrar que existe
un u
nico spline llamado B-spline, tal que para un j fijo se tiene:
s(xj ) = 1,
s(x) = 0 si |x xj | 2h.
Dibujar.

n
III Interpolacio

144

2.- Desarrollar una formula para los splines periodicos.

Mostrar la existencia y la unicidad del spline que pasa por (xi , yi ),
i = 0, . . . , n, tal que
s (x0 ) = s (xn ),

s (x0 ) = s (xn ).

3.- Escribir una subrutina SPLICO(N,X,Y,DY,P,A,B).

Los datos son N, X(0:N), Y(0:N) y P(0), P(N). La subrutina debe
dar como valores DY(0:N-1) diferencias divididas, P(0:N) los pi ,
A(0:N-1) los (pi y[xi1 , xi ]) y B(0:N-1) los (pi1 y[xi1 , xi ]).

4.- Escribir una funcion SPLIVA(N,X,Y,DY,A,B,T) que calcula el valor del

spline en el punto T. Examinarla sobre varias funciones de su eleccion.
5.- Sea xi = x0 +ih, i = 0, . . . , n, una division equidistante y lj (x) el spline
de tipo Lagrange que satisface
(
1, si i = j;
0, sino;
y lj (x0 ) = 0, lj (xn ) = 0. Para las pendientes pi = lj (xi ) mostrar:
2
3
< pj < ;
h
h
. . . , pj3 > 0, pj2 < 0, pj1 > 0, pj+1 < 0, pj+2 > 0, . . . .

6.- Los splines lj (x) del anterior ejercicio no cambian de signo en ning
un
intervalo [xi1 , xi ].
7.- Sobre el intervalo [xi1 , xi ]
n
X
i=0

|lj (x)| = ti (x)

es el spline que satisface

(
1 si j = i + 2k o j = i 2k 1 con k = 0, 1, . . . ,
1 sino.
8.- Utilizando SPLICO y SPLIVA de los ejercicios 3 y 4. Calcular para
xi = i/n, n = 20:
a) el spline l7 (x),
n
X
|li (x)|,
b) la funcion
i=0

hacer dibujos. Verificar las propiedades de los ejercicios 5, 6 y 7.

III.3 Extrapolaci
on

En las dos primeras secciones, se ha abordado la interpolaci

on polinomial y
la interpolaci
on spline como un medio de aproximacion dentro un intervalo
cerrado y acotado [a,b]. Sin embargo estos procedimientos no sirven cuando
se trata de determinar el valor de una funcion o el lmite de una funcion
definida en un intervalo abierto (a, b) o mas aun si la funcion est
a definida
en un intervalo no compacto.
En esta seccion, se estudiar
a la extrapolaci
on por medio de funciones
polinomiales, como una consecuencia natural de los resultados obtenidos en
la primera seccion de este captulo. Por otro lado, se ver
a que la extrapolaci
on
polinomial, no es solamente un instrumento para determinar valores fuera
de cierto rango, si no tambien como un medio para acelerar la convergencia
de suceciones convergentes.
Sea f : (0, 1] R, se desea determinar
lim f (x),

(III.3.1)

x0+

sabiendo que se puede determinar sin ning

un problema f (h) para h > 0.
Los otros casos de determinaci
on de lmite se convierten el primer caso por
traslaci
on afn, o planteando h = 1/x si se desea determinar el lmite cuando
x . Por consiguiente se supondr
a que f tiene un desarrollo asimtotico
por derecha de la forma
f (h) = a0 + a1 h + + an hn + O(hn+1 ),

h > 0.

(III.3.2)

Sea 1 h0 > h1 > > hn > 0 una subdivision decreciente del intervalo
(0, 1], por lo tanto
lim f (x) p(0),
(III.3.3)
x0+

donde p(x) es el polinomio de interpolaci

on que pasa por (hi , f (hi )),
i = 0, . . . , n. Escogiendo adecuadamente estos hi se puede obtener un
algoritmo facil y sencillo de implementar, para este efecto es necesario la
siguiente proposici
on.
Proposici
on III.3.1.- Sean (xi , yi ), i = 0, 1, . . . , n, los xi diferentes entre
si, p1 (x) el polinomio de interpolaci
on de grado n 1 que pasa por (xi , yi ),
i = 0, . . . , n 1, y p2 (x) el polinomio de interpolaci
on de grado n 1 que
pasa por (xi , yi ), i = 1, . . . , n: entonces el polinomio p(x) de grado n que
pasa por (xi , yi ), i = 0, . . . , n; est
a dado por
p(x) = p1 (x)

xn x
x x0
+ p2 (x)
.
xn x0
xn x0

(III.3.4)

n
III Interpolacio

146

Demostraci
on.- Se puede ver facilmente que p(x) es un polinomio de grado
menor o igual a n, En los nudos, excepto para i = 0 o i = n, se tiene
xi x0
x n xi
p1 (xi ) +
x n x0
xn x0


x n xi
x i x0
= yi
,
+
x n x0
x n x0

p(xi ) =

para i = 0 y i = n verificaci
on inmediata.

Corolario III.3.2.- Con las mismas hipotesis del teorema precedente, se

tiene
p1 (0)xn p2 (0)x0
p(0) =
xn x0
(III.3.5)
p1 (0) p2 (0)
= p1 (0) +
.
xn /x0 1
Demostraci
on.- Verificaci
on inmediata.

Ahora bien, volviendo al problema de extrapolaci

on, sea f : (0, 1] R;
1 h0 > h1 > > hn > 0 una subdivision decreciente del intervalo (0, 1].
Suponiendo que f admite el desarrollo asintotico por derecha, dado por
f (h) = a0 + a1 h + + an hn + O(hn+1 ),
p(x) el polinomio de interpolaci
on que pasa por (xi , f (xi )), i = 0, . . . , n;
entonces se puede suponer
lim f (x) p(0).

h0+

Definiendo pj,k el polinomio de interpolaci

on de grado k que pasa por
(hi , f (hi )), j k, j; se tiene por consiguiente
p(x) = pn,n (x).

(III.3.6)

Utilizando la proposici
on III.3.1 y el corolario III.3.2 se tiene las siguientes
relaciones recursivas para determinar p(0):
pj0 (0) =f (hj ),
pj,k (0) pj1,k (0)
.
pj,k+1 (0) =pj,k (0) +
hjk1 /hj 1

(III.3.7a)
(III.3.7b)

n
III.3 Extrapolacio

147

De donde estas relaciones recursivas pueden expresarse en un tablero, con la

convencion de llamar pj,k = Tj,k .
Tabla III.3.1. Tablero de Extrapolaci
on.
h0
h1
h2
h3
h4

T00
T10
T20
T30
T40
..
.

T11
T21
T31
T41
..
.

T22
T32
T42
..
.

T33
T43
..
.

T44
..
.

..

Los cocientes hjk1 /hj se deducen facilmente del tablero, se toma como
numerador el hi que se encuentra en la misma diagonal a Tk,l y como
denominador el hi que se encuentra en la misma fila que Tk,l .
Ejemplo
Un procedimiento para calcular , es considerar la serie
=4

(1)k

k=0

1
.
2k + 1

Lastimosamente esta serie converge muy lentamente para obtener una

precisi
on deseada de , pero se puede acelerar la convergencia de
esta serie utilizando el procedimiento de extrapolaci
on de Richardson,
formulado anterioremente. Se define hk = 1/(2k + 1),
f (hk ) = 4

k
X

(1)j

j=0

1
,
2j + 1

obteniendo as el tablero siguiente

2.6667
2.8952 3.2381
2.9760 3.1781 3.1030
3.0171 3.1607 3.1302 3.1619
3.0418 3.1533 3.1367 3.1465 3.1292
3.0584 3.1495 3.1391 3.1434 3.1391 3.1500
3.0703 3.1473 3.1401 3.1424 3.1408 3.1431 3.1356
3.0792 3.1459 3.1407 3.1420 3.1413 3.1420 3.1407 3.1461
3.0861 3.1450 3.1410 3.1418 3.1414 3.1417 3.1414 3.1422 3.1381
3.0916 3.1443 3.1411 3.1417 3.1415 3.1417 3.1415 3.1417 3.1412 3.1444
3.0962 3.1438 3.1413 3.1417 3.1416 3.1416 3.1416 3.1416 3.1415 3.1419 3.1393

n
III Interpolacio

148

La pr
actica en la extrapolaci
on numerica muestra que es pr
actico y
conveniente utilizar sucesiones de la forma hj = 1/nj , donde {nj }
j=0 es una
sucesion creciente de n
umeros naturales, por consiguiente la formula (III.3.7)
se convierte en
pj0 (0) = f (hj ),
pj,k+1 (0) = pj,k (0) +

pj,k (0) pj1,k (0)

.
njk1 /nj 1

(III.3.8)

Las tres sucesiones de enteros positivos crecientes son:

i) Armonica: 1, 2, 3, 4, 5 . . .;
ii) Romberg: 1, 2, 4, 8, 16, . . .;
iii) Bulirsch: 1, 2, 3, 4, 6, 8, , 12, 16, . . .,
es decir los enteros de la forma 2i y 3 2i .

Teorema III.3.3.- Sea f : (0, 1] R, sup

ongase que f tiene el desarrollo
asint
otico por derecha en x = 0, para k = 0, 1, 2, . . . , ko ; dado por
f (x) = a0 + a1 x + + ak xk + Rk+1 (x),
con |Rk+1 (x)| Ck+1 xk+1 , para x > 0. Sea hj = 1/nj , con nj una sucesion
creciente de naturales, entonces el procedimiento de extrapolaci
on definido
por (III.3.8) verifica la siguiente propiedad:
Si para todo j > 0 se tiene hj+1 /hj r < 1, entonces
Tm,k = a0 + O(hk+1
mk ).

k con 0 k ko ,

(III.3.9)

Demostraci
on.- Escribiendo el polinomio de interpolaci
on de grado k,
se tiene
f (x) = pmk (x) + Rk+1 (x),
de donde
pmk (x) f (x) =

con lm,k,i (h) =

m
Y

j=mk
j6=i

m
X

Rk+1 (hi )lm,k,i (x),

i=mk

h hj
. Para x = 0, se deduce que
hi hj

Tmk a0 =

m
X

i=mk

m
Y

j=mk
j6=i

hj /hi
Rk+1 (hi ).
hj /hi 1

(III.3.10)

n
III.3 Extrapolacio
149


 hj /hi 
1
 por
, mientras que
Si j < i, se mayora 
hj /hi 1   1 r ij
ji
 hj /hi 
 por r
si i < j, se mayora 
, finalmente |Rk+1 (hi )| por
hj /hi 1 
1 r ji


k+1
Ck+1 r im+k hmk
, deduciendo
|Tm,k a0 | C(k, r)Ck+1 hk+1
mk

donde C(k, r) es una constante independiente de m.

La convergencia hacia a0 es obtenida en cada una de las columnas del

tablero, para la primera columna la convergencia es O(hm ), para la segunda
columna la velocidad de convergencia est
a dada por O(h2m1 ), y para la
k-esima columna la velocidad de convergencia es igual a O(hk+1
mk+1 ). Por
consiguiente, si a1 6= 0 la convergencia de la k-esima columna es k veces mas
rapida que de la primera columna.
Las sucesiones de Romberg y Bulirsch satisfacen las condiciones del
teorema III.3.3 con r = 1/2 y r = 3/4. Sin embargo la otra sucesion utilizada
ampliamente en las extrapolaciones numericas como ser la armonica no
cumple el requisito que hj+1 /hj r < 1. No obstante se tiene a disposici
on
el siguiente teorema.
Teorema III.3.4.- Mismas hipotesis del teorema III.3.3 para la funcion f ,
se define hn = 1/n. Entonces se tiene:
k con 0 2k ko

Tmk = a0 + O(hk+1
m ).

(III.3.11)

Demostraci
on.- Se tiene
Rk+1 (h) = qk (h) + R2k+1 (h) con
qk (h) = ak+1 hk+1 + + a2k h2k .
Utilizando (III.3.10), se deduce
Tmk a0 =

m
X

i=mk

qk (hi )lm,k,i (0) + R2k+1 (hi )lm,k,i (0) .

Por el teorema III.1.13, se tiene

qk (0)

m
X

i=mk

qk (hi )lm,k,i (0) =

1
(k + 1)!

m
Y

j=mk

(k+1)

(hj )qk

(),

n
III Interpolacio

150
lo que muestra que
m
X

i=mk

qk (hi )lm,k,i (0) = O(hk+1

m ).

Por otro lado

lm,k,i (0) =

m
Y

j=mk
j6=i

m
Y
hj
i
=
,
hj hi
ij
j=mk

de donde
|R2k+1 (hi )lm,k,i (0)|
deduciendo facilmente el teorema.

j6=i

C2k+1 h2k+1
ik
i

C2k+1 y0k yik+1 ,

Debido al error de redondeo que se comete en el c

alculo del polinomio
de interpolaci
on, y por consiguiente en el proceso de extrapolaci
on, se debe
evitar la utilizaci
on de polinomios de interpolaci
on de grado muy elevado, la
pr
actica aconseja no pasar de 10.
Por otro lado, la extrapolaci
on numerica es muy utilizada en la construccion de metodos de integracion, como tambien en la construccion de
metodos de resolucion de ecuaciones diferenciales.

Ejercicios
1.- Sea f : (0, 1] R una funcion cuyo desarrollo asintotico por derecha
en x = 0 est
a dado por
f (x) = a0 + a1 x2 + + ak x2k + O(x2k+2 ).
Modificar el algoritmo de Aitken-Naville, es decir el proceso de extrapolaci
on, de manera que el n
umero de operaciones se redusca ostensiblemente.
2.- En esta seccion, se da un ejemplo de c
omo acelerar la convergencia de
una sucesion para calcular . Suponiendo que el desarrollo asintotico
es par, como en el ejercicio 1, recalcule y compare.
3.- Utilizando el procedimiento de la seccion III.1 para determinar la
influencia de los errores de redondeo en la determinaci
on del polinomio
de interpolaci
on. Estudie la influencia de los errores de redondeo en
la extrapolaci
on, suponiendo que los u
nicos errores de redondeo que
se comete son aquellos relativos a la evaluaci
on de la funcion f a ser
extrapolada.

2, utilizando unprocedimiento
de extrapolaci
o
n, por ejemplo
4.-
Calcule
1
=
1,
1,
21
=
1,
1,
1,
44
=
1,
2,
1,
69
=
1,
3;
1, 96 = 1, 4;

1, 9881 = 1, 41, . . ..

Captulo IV
Ecuaciones No Lineales

En el captulo II, se vio diferentes metodos para resolver problemas lineales,

pero tambien existen problemas no lineales, como por ejemplo ecuaciones
cuadraticas, polinomiales, trigonometricas y muchas otras mas. La Historia
de las Matem
aticas muestra que los problemas lineales fueron estudiados y
resueltos en tiempos inmemoriables, pero luego el hombre confronto otros
tipos de problemas cuya caracterstica no era precisamente lineal. En el
caso lineal la solucion de un problema puede darse de manera explcita, es
suficiente determinar la inversa de la matriz del sistema y multiplicar para
obtener la solucion de este problema. En el caso no lineal se continu
o con
esta
optica, lo cual es siempre posible bajo ciertas condiciones, como ejemplo
se tiene el teorema de la funcion inversa, pero lastimosamente en la mayor
parte de los casos esta funcion inversa no puede ser expresada como una
combinacion de funciones elementales, entendiendose como funcion elemental
aquellas que uno estudia en colegio y los primeros semestres de universidad.
En este captulo, se intentara de cierta manera seguir este desarrollo
historico, dejando sobrentendido que el estudio de los problemas lineales en
todas sus variantes es conocido por el lector. Por consiguiente, una primera
parte ser
a dedicada al estudio de las soluciones de ecuaciones polinomiales, teniendo como eplogo el Teorema de Galois. Despues se abordara los
metodos iterativos para encontrar la solucion o soluciones de una ecuacion,
dando condiciones para asegurar la existencia, la unicidad local y la convergencia de tales metodos. Como una clase de metodo iterativo, se estudiar
a
el Metodo de Newton, enunciando: teoremas de convergencia, existencia y
unicidad de soluciones, algunos problemas frecuentes que se encuentran en la
implementacion de tal metodo; como tambien modificaciones para simplificar
su utilizaci
on en determinadas situaciones. Finalmente, se ver
a el equivalente
del Metodo de los Mnimos Cuadrados, en los problemas no lineales, que es
el Metodo de Gauss-Newton.

IV.1 Ecuaciones Polinomiales

Una de la clase de ecuaciones que se confronta a diario son las ecuaciones

polinomiales, que son de la forma
xn + a1 xn1 + + an1 x + an = 0,

(IV.1.1)

donde los ai son n

umeros reales o complejos.
Como C es una extensi
on del cuerpo R, se puede suponer que el
problema consiste en determinar las raices o ceros de un polinomio p(x)
C[x]. La existencia de las soluciones de una ecuacion polinomial est
a dada
por el Teorema Fundamental del Algebra que se lo enuncia sin demostracion.
Teorema IV.1.1.- Fundamental del Algebra. Sea p(x) C[x] de grado n,
entonces p(x) tiene exactamente n ceros contando con su multiplicidad.
Comentando este teorema, se puede agregar que un polinomio a coefientes reales puede no tener ceros reales; pero por el teorema Fundamental
del Algebra, este tiene exactamente n raices contando con su multiplicidad.
Por otro lado, p(x) puede ser visto como una funcion de C en C, ahora
bien toda funcion polinomial es holomorfa, y si el polinomio es no nulo,
entonces los ceros forman un conjunto discreto, es decir que para todo cero
x0 , existe un r > 0 tal que p(x) 6= 0 para todo x C tal que 0 < |x| < r.
Adem
as, la utilizaci
on del teorema de Rouche permite de determinar los
discos donde se encuentran los ceros y complementando esta informacion el
n
umero exacto de ceros.

Ecuaciones Resolubles por Radicales

Tal como se dijo en la introduccion de este captulo, se ha buscado inicialmente la manera de expresar la solucion de una ecuacion por medio de funciones elementales. En esta subsecci
on, se ver
a precisamente esta manera de
expresar las soluciones. Se comenzara con el caso mas simple, las ecuaciones
cuadraticas.
Ecuaciones cuadr
aticas
Una ecuacion cuadratica o ecuacion polinomial de segundo grado es de la
forma
ax2 + bx + c = 0, con a 6= 0;
ecuacion que es equivalente a
x2 + bx + c = 0,

(IV.1.2)

153

IV.1 Ecuaciones Polinomiales

completando cuadrados se tiene

b2
b 2
+ c
= 0,
x+
2
4
obteniendo, as dos raices:
b
x1 = +
2

b2
c,
4

b
x2 =
2

b2
c.
4

(IV.1.3)

on usual de la raiz cuadrada. En

Si b4 c 0, se utiliza la determinaci
caso contrario, una determinaci
on donde las raices cuadradas de n
umeros
negativos este definida.
Ecuaciones C
ubicas
Las ecuaciones c
ubicas o ecuaciones polinomiales de tercer grado son de la
forma
ax3 + bx2 + cx + d = 0, con a 6= 0;
(IV.1.4)
esta ecuacion dividiendo por a se reduce a una ecuacion de la forma
x3 + a
x2 + bx + c = 0,

(IV.1.5)

planteando x
= x + a/3, la ecuacion se convierte en una ecuacion de la forma
x
3 3p
x 2q = 0.

(IV.1.6)

Ahora bien, si se plantea x

= u + v, se obtiene
u3 + 3u2 v + 3uv 2 + v 3 3p(u + v) 2q = 0,
de donde
u3 + v 3 + (u + v)(3uv 3p) 2q = 0,
deduciendose, dos ecuaciones para u y v:
(

uv = p,
3

u + v 3 = 2q;

por consiguiente u3 v 3 = p3 , mostrando as que u3 , v 3 son las raices del

polinomio de segundo grado
2 2q + p3 ,

(IV.1.7)

154

IV Ecuaciones No Lineales

por lo tanto:
u3 = q +

p
q 2 p3 ,

v3 = q

p
q 2 p3 ;

para obtener finalmente la formula de Cardano

q
q
p
p
3
3
2
3
x
= q + q p + q q 2 p3 .

(IV.1.8)

teniendo cuidado de verificar uv = p.

Ecuaciones polinomiales de grado cuarto

Son ecuaciones que pueden escribirse de la forma
x4 + ax3 + bx2 + cx + d = 0,

(IV.1.9)

planteando x
= x + a/4, esta ecuacion se convierte en una ecuacion de la
forma
x
4 p
x2 2q x
r = 0,
(IV.1.10)
introduciendo z C en la anterior ecuacion, se obtiene la siguiente ecuacion
equivalente
(
x2 + z)2 = (2z + p)
x2 + 2q x
+ z 2 + r,
se elige z de manera que el segundo miembro de la ecuacion precedente sea
una cuadrado perfecto, y eso ocurrre, si y solamente si
(2z + p)(z 2 + r) q 2 = 0,

(IV.1.11)

de donde z es raiz de una ecuacion de tercer grado, que ya ha sido resuelta

anteriormente. Habiendo determinado z, se tiene:
p
p
(
x2 + z)2 = (
x + )2 ,
con = 2z + p, = z 2 + r;
(
x2 +
x + z + )(
x2
x + z ) = 0,
por consiguiente, las cuatro raices de la ecuacion est
an dadas por:
p
+ 2 4(z + )
x1 =
,
(IV.1.12a)
p 2
2 4(z + )
,
(IV.1.12b)
x2 =
p 2
+ 2 4(z )
x3 =
,
(IV.1.12c)
p 2
2 4(z )
.
(IV.1.12d)
x4 =
2

155

IV.1 Ecuaciones Polinomiales

Ecuaciones no Resolubles por Radicales

Se ha visto que las ecuaciones polinomiales de grado igual o menor a 4 tienen
soluciones que pueden ser expresadas como una composici
on de radicales.
Las formulas desarrolladas en el anterior paragrafo fuer
on estudiadas y
comprendidas hasta mediados del siglo XVI, posteriormente se ataco al
problema de las ecuaciones de grado superior, en particular a las ecuaciones
de grado quinto. Todos los intentos iban en la direccion de encontrar una
formula general que estuviese expresada con radicales. Pero a principios del
siglo pasado Galois mostro su famoso teorema que trastorno en cierta manera
el mundo matematico de aquella epoca. Se enunciar
a este teorema sin dar
la demostracion.
Teorema IV.1.2.- Galois. No existe una formula general en forma de
radicales para las ecuaciones polinomiales de grado superior o igual a 5.
Este resultado lejos de descorazonar el estudio de las ecuaciones polinomiales constituyo un aporte, ya que se ataco el problema utilizando metodos
analticos que estaban emergiendo con gran fuerza a principios y mediados
del siglo pasado. Por otro lado se abandon
o la idea de encontrar una formula
general, para insistir sobre la posible ubicaci
on de los ceros de un polinomio.
Se desarrollaron metodos iterativos para la solucion de estos problemas cuyo
alcanze es mas vasto que el de las ecuaciones polinomiales.

Localizaci
on de Ceros
Como se dijo anteriormente, al no poder calcular explcitamente las raices de
un polinomio, es importante determinar en que region se encuentran estas
raices de manera de poder aplicar un metodo iterativo.
Sea, p(x) un polinomio a coeficientes complejos de grado n, es decir
p(x) = a0 xn + a1 xn1 + + an ,
si x es una raiz, se tiene
xn =

a1 n1 a2 n2
an
x
x
+
.
a0
a0
a0

Introduciendo la matriz de Frobenius de esta ecuacion, se tiene

a1
an

a0 aa20
a
0
xn1

1
xn2

1
x
...x =
..

.
1
1
0
{z
|
F matriz de Frobenius

n1
x

xn2
. ,
..x

1
}

156

IV Ecuaciones No Lineales

de donde p(x) = 0, si y solamente si x es un valor propio de F . Por lo tanto

la localizacion de ceros de p(x) es equivalente a localizar los valores propios
de la matriz F . A continuacion se da un teorema cuya demostracion ser
a
hecha en el captulo 5.
Teorema IV.1.3.- Gerschgorin. Sean A una matriz, un valor propio de
A, entonces existe i tal que
X
|aij | .
(IV.1.13)
| aii |
j6=i

Aplicando este teorema a la matrix F se tiene la siguiente estimacion:

Corolario IV.1.4.- La raices del polinomio p(x) = a0 xn + + an , con
a0 6= 0 verifican
!
n 
X
 ai 
  .
|x| max 1,
(IV.1.14)
 a0 
i=1

Uno de los resultados pr

acticos e importantes en el algebra de valores
propios, es que la propiedad de valor propio es invariante por trasposici
on,
por consiguiente, el:
Corolario IV.1.5.- Las mismas hipotesis del corolario precedente, dan la
estimacion siguiente
 

 ai 
(IV.1.15)
|x| max 1 +   .
0in
a0

Utilizando el teorema de Rouche y otros, se puede encontrar mas

estimaciones sobre la localizacion de los ceros de un polinomio. Por ejemplo,
en los ejercicios se debe mostrar la siguiente estimacion
s  s
!
 


i  ai  n  an 
|x| 2 max
.
(IV.1.16)
, 


1in1
a0
2a0 

Con el siguiente ejemplo se ver

a que existen mejores estimaciones que otras,
esto depende sobre todo del tipo de polinomio que se tiene.
Ejemplo
Se considera la ecuacion
xn 2 = 0,

la primera estimacion, como la segunda dan |x| 2n , mientras que, la

tercera da |x| 2.
Debido a la aritmetica de los ordenadores, el tipo REAL es un conjunto
finito, que se asemeja mucho mas a los n
umeros racionales que los reales,

157

IV.1 Ecuaciones Polinomiales

por eso que se puede suponer que p(x) Q[x]. Por otro lado, cuando los
polinomios tienen raices de multipliciad mayor a 1, la mayor parte de los
algoritmos no funcionan, debido a la inestabilidades que se pueden presentar,
o a las caractersticas propias de los metodos empleados.
Sea p(x) Q[x], p (x) su derivada, se define el polinomio q(x) utilizando
el algoritmo de Euclides, por
q(x) = mcd(p, p ),

(IV.1.17)

de donde el polinomio r(x) = p(x)/q(x) tiene las mismas raices que p(x)
pero todas simples. Por consiguiente, se ha visto un procedimiento simple
para reducir un polinomio p(x) a otro polinimio simple. En lo que sigue, se
puede suponer que los polinomios considerados tienen raices simples.

M
etodo de Newton
Uno de los metodos com
unmente utilizados en la determinaci
on de raices de
un polinomio, consiste en el uso del metodo de Newton. Aqu se formulara
este metodo, sin estudiar la convergencia y el c
alculo de error, dejando esto
para el siguiente paragrafo. Por lo tanto, el metodo est
a dado por la relacion
recursiva siguiente

x0 arbitrario, proximo a una solucion.

p(xk )
xk+1 = xk
, donde p(x) es el polinomio a determinar
p (xk )
sus raices.

El problema consiste en determinar todas las raices reales de p(x) =

0, suponiendo que se ha encontrado la primera raiz, se podra utilizar
nuevamente el metodo de Newton utilizando otra valor, pero existe la
posibilidad de encontrar nuevamente la primera solucion. Para evitar esta
situacion se puede proceder b
asicamente de dos maneras. La primera, una
vez que se ha encontrado la raiz 1 , se define el polinomio
q(x) =

p(x)
,
x 1

(IV.1.18)

aplicando Newton sobre q(x). El principal inconveniente de este procedimiento radica en el hecho que puede no ser racional, motivo por el cual r(x)
ya no es exacto y la propagacion de errores de redondeo puede dar resultados
completamente alejados de la realidad. El segundo procedimiento consiste en
aplicar el metodo de Newton a q(x), pero sin calcular los coeficientes de q(x).
Sea p(x) el polinomio a determinar sus raices, suponiendo que se conoce de
antemano 1 , . . . , k raices de p(x), de donde
q(x) =

p(x)
.
(x 1 ) (x k )

(IV.1.19)

158

IV Ecuaciones No Lineales

Introduciendo el logaritmo y derivando se obtiene:

log q(x) = log p(x)
k

k
X
i=1

log(x i ),

q (x)
1
p (x) X
=

.
q(x)
p(x)
(x

i )
i=1

(IV.1.20)

Aplicando el metodo de Newton a (IV.1.19), utilizando (IV.1.20), se obtiene

como m-sima iteracion.
xm+1 = xm

p(xm )
k
X

p (xm ) p(xm )
i=1

(IV.1.21)

1
(xm i )

Este u
ltimo procedimiento se conoce como el metodo de Maehly. Este metodo
es numericamente estable, en efecto considerando el siguiente ejemplo dado
por Stoer.
Ejemplo
Se considera el polinomio p(x) definido por
p(x) =

12
Y

(x 2j ) = x13 + a1 x12 + + a12 .

j=0

Calculando los coeficientes en simple precisi

on e utilizando el metodo de
Newton en sus dos variantes se obtiene la tabla IV.1.1.
As mismo, el metodo de Newton permite encontrar las raices complejas, mas precisamente las raices no reales, de una ecuacion polinomial. Para
tal efecto, el punto de partida debe ser un n
umero complejo no real, pues
puede observarse que partiendo de un punto real, los valores obtenidos por el
metodo de Newton son reales, ya sea con la primera variante, o con la mejora
de Maschley. Puede suceder que una vez encontradas todas las raices reales
del polinomio, siendo estas no todas las raices; si no se tiene cuidado, se
producir
a un fen
omeno de oscilaci
on con el metodo de Newton. Por lo tanto
hay que agregar al algoritmo que a partir de un n
umero determinado de iteraciones, si no se ha alcanzado la convergencia hacia una raiz, se detenga el
proceso, quedando por lo tanto dos alternativas: la primera verificar si todas
las raices reales han sido calculadas, para luego comenzar con un n
umero
complejo no real; la segunda alternativa consiste en cambiar simplemente de
punto inicial.

159

IV.1 Ecuaciones Polinomiales

Tabla IV.1.1. Error en el c

alculo de raices para un caso extremo.
METODO DIVISION

METODO MAEHLY

SOL EXAC

SOL NUM

ERROR

SOL NUM

ERROR

1/1

1.00

0.0

1.000

0.0

0.5000

0.894 107

0.950 10

1/2

0.500

1/22

0.15

0.400

0.2500

0.426

0.551

0.1250

0.560

0.498

0.132

0.163

0.266

0.250

1/27

0.157

0.149

1/28

0.237 101

0.028

0.740

0.742

0.865

0.864

0.140

0.140

1/23
1/24
1/25
1/26

1/29
1/210
1/211
1/212

0.894 107
0.820 107

0.6250 101 0.138 106

0.671 107 0.140 107

0.1562 101 0.419 108

0.7813 102 0.168 107
0.1953 102 0.168 107
0.3906 102 0.291 109

0.9766 103 0.291 1010

0.4883 103 .146 1010

0.179 101 0.181 101 0.2441 103 0.728 1010

Sucesiones de Sturm
La utilizaci
on de sucesiones de Sturm en la resolucion de ecuaciones polinomiales permite determinar las raices reales y no as las raices no reales. En
la mayor parte de los problemas, es solo importante conocer los ceros reales,
motivo por el cual los procedimientos que utilizan sucesiones de Sturm son
muy comunes en la resolucion de ecuaciones polinomiales
Definici
on IV.1.6.- Una sucesion {f0 , f1 , . . . , fn } de funciones definidas en
R con valores reales, continuamente derivables es una sucesion de Sturm, si:
a) f0 (x )f1 (x ) < 0 si f0 (x ) = 0, x R.
b) fj1 (x )fj+1 (x ) < 0 si fj (x ) = 0, 1 j n 1.
c) fn (x) no cambia de signo sobre R y es positiva
Teorema IV.1.7.- Sea {f0 , f1 , . . . , fn } una sucesion de Sturm, w(x) se
denota al n
umero de cambios de signo de {f0 (x), f1 (x), . . . , fn (x)}.
Entonces la funcion f0 (x) tiene exactamente w(b) w(a) ceros en el
intervalo [a, b].

160

IV Ecuaciones No Lineales

Demostraci
on.- w(x) puede cambiar de valor solamente si uno de los
fj (x) = 0. Por consiguiente, sea x un tal n
umero y sup
ongase que
1 j n 1. Estudiando en un vecindario de x , la funcion w estar
a
determinada por los valores de las siguientes tablas:
x

x +

x +

fj1

fj1

fj

fj

fj+1

fj+1

x +

fn1

fn

de donde w(x + ) = w(x ) cuando fj (x ) = 0 para 1 j n.

Ahora bien, si f0 (x ) = 0, estudiando alrededor de un vecindario de x
se tiene las tablas:
x

x +

f0

f1

de donde w(x + ) = w(x ) + 1.

x +

f0

f1

Volviendo al problema original de encontrar los ceros reales de un

polinomio p(x) con raices simples, a coeficientes reales (racionales), el
objetivo es construir una sucesion de Sturm de tal manera que f0 = p.
Se define la siguiente sucesion de polinomios de manera recursiva utilizando
la division con resto, por

f0 (x) := p(x),

f1 (x) := p (x),

f0 (x) = g1 (x)f1 (x) 12 f2 (x),

(IV.1.22)
f1 (x) = g2 (x)f2 (x) 22 f3 (x),

..

fn1 (x) = gn (x)fn (x).

La definicion de la sucesion (IV.1.22) es el algoritmo de Euclides para
determinar el mcd(p(x), p (x)). Se tiene el siguiente teorema.

161

IV.1 Ecuaciones Polinomiales

Teorema IV.1.8.- Supongase que p(x) solamente tiene raices simples,

entonces la sucesion definida por (IV.1.22) es una sucesion de Sturm.
Demostraci
on.- Puesto que p(x) tiene raices simples, si p (x ) = 0, se tiene

p(x ) 6= 0, de donde la condici

on a) es satisfecha,
a) f0 (x )f1 (x ) = (f0 (x ))2 < 0..
b) Se cumple esta condici
on por construccion de la sucesi
on.
c) fn = mcd(p, p ) = C.

Algoritmo
Con el algoritmo de biseccion se separa las raices realles de p(x), es decir
se divide en la mitad un intervalo original [a, b] y se continua hasta tener
todas las raices localizadas en subintervalos [ai , bi ]. Se puede continuar con
el algoritmo de biseccion hasta lograr la precisi
on deseada, o si no se mejora
el resultado utilizando el metodo de Newton.

Ejercicios
1.- El polinomio x4 8x3 + 24x2 32x + a0 , a0 = 16 posee una raiz
de multiplicidad 4 en el punto x = 2. Como cambian las raices del
polinomio si se remplaza a0 por a
0 = a0 (1 + ) con || eps? Calcular
las raices de este polinomio, es un problema bien condicionado?
2.- Sea p(x) un polinomio de grado n a coeficientes reales. Supongase que
todas las raices 1 2 n sean reales.
a) Mostrar que el metodo de Newton converge hacia 1 , si x0 > 1 .
Indicaci
on.- Para x > 1 los valores de p(x), p (x), p (x) tienen
el mismo signo que lim p(x). Mostrar que {xk } es una sucesion
x
monotona.
b) Si x0 es mucho mas grande que 1 , entonces el metodo de Newton
converge muy lentamente. (xk+1 xk (1 1/h))
3.- Considerese el polinomio
f (x) = x6 3x5 + 6x3 3x2 3x + 2.
Sin calcular las raices de este polinomio, determinar el n
umero de raices
distintas de f (x).
4.- Encontrar un algoritmo que, para un polinomio arbitrario f Q[x],
permita calcular la factorizaci
on
f (x) = f1 (x) (f2 (x)

2

(f3 (x)

3

k
(fk (x) ,

162

IV Ecuaciones No Lineales
donde f1 , . . . , fk son primos entre si y donde cada polinomio fj (x) solo
tiene raices simples.

5.- Para un polinomio

f (x) = a0 xn + a1 xn1 + an1 x + an ,

a0 6= 0;

con coeficientes en C, mostrar que todas las raices satisfacen la

estimacion
s
(  s 
 s
)
 a1 
 a1 




n1  an1  n  an 




|| 2 max   ,  , . . . ,
.
(IV.1.23)
, 


a0
a0
a0
2a0 

Encontrar, para cada n, un polinomio tal que se tenga igualdad en

(IV.1.23)

6.- Considerese el polinomio

f (x) = x5 5x4 + 3x3 + 3x2 + 2x + 8.
a) Determinar el n
umero de raices reales.
b) Cuantas raices son complejas?
c)Cuantas raices son reales y positivas?
Indicaci
on.- Utilizar una sucesion de Sturm.
7.- Sea f (p + 1) veces continuamente diferenciable en un vecindario de
R y sea una raiz de multiplicidad p. Mostrar que la sucesion
{xk }, definida por
f (xk )
,
xk+1 = xk p
f (xk )
converge hacia , si x0 es suficientemente proximo de , y que se tiene
xk+1
f (p+1) ()

.
(xk )2
p(p + 1)f (p+2) ()
8.- El metodo de Newton, aplicado a z 3 1 = 0, da la iteracion

z3 1
2z 3 + 1
zk+1 = (zk ), con (z) = z
=
.
3z 2
3z 2


Denotese por Aj = z0 C; zk e2ij/3 , j = 0, 1, 2; los canales de
atraccion. Mostrar:
a)A0 R = R {0 , 1 , . . .} donde 0 = 0 y k1 = (k ),
b)Aj+1 = e2i/3 Aj ,
c)Calcular 1 (0) y 2 (0) con la formula de Cardano. Esto muestra
que el sector {z C| |arg(z)| < /3} contiene puntos que no convergen
hacia 1.
d) Supongase que k (
z ) = 0 para un k N. Mostrar que U Aj 6=
(j = 0, 1, 2) para cada vecindario U de z.

IV.2 M
etodos Iterativos

En la seccion precedente, se ha visto que la mayor parte de las ecuaciones a

resolver no pueden ser resueltas de manera explcita, es decir mediante una
formula magica. Es por esta raz
on, que el estudio de los metodos iterativos es
una necesidad imperiosa para poder encontrar las soluciones de una ecuacion.
Para tal efecto es tambien importante conocer el tipo de funciones con las
que se est
a trabajando. En lo que sigue, se estudiar
a varios aspectos que son
fundamentales para la comprensi
on del tema.

Posici
on del Problema
Uno de los problemas mas comunes, se trata del siguiente. Supongase,
que se tiene la funcion
f : I R,
donde I R intervalo. El problema, se trata de obtener con una aproximacion arbitraria las raices de la ecuacion
f (x) = 0.

(IV.2.1)

Esta claro, que sera ridculo esperar obtener, en general, formulas de

resoluci
on de (IV.2.1), del tipo de formulas clasicas resolviendo las ecuaciones
de segundo grado. Se ha visto que, es imposible en el caso en que f es un
polinomio de grado 5. Incluso para el problema mas razonable planteado
aqu , no existe un metodo general conduciendo al resultado buscado, los
procedimientos te
oricos de aproximacion pueden conducir, sin hipotesis
adecuadas para la funcion f a c
alculos numericos inextricables, incluso para
los ordenadores mas potentes que existen en la actualidad.
Por otro lado, incluso si el intervalo I es acotado, puede suceder que
la ecuacion (IV.2.1) tenga una infinidad de raices, por ejemplo, cuando f es
identicamente nula en un subintervalo. El ejemplo
1
f (x) = x3 sin ,
x

(IV.2.2)

muestra que puede existir una infinidad de raices, aun cuando f no sea
identicamente nula en un subintervalo.
Por consiguiente, un primer paso consiste en descomponer el intervalo
I, por un n
umero finito o infinito de puntos de subdivision, en subintervalos
en cada uno de los cuales se sepa que, la ecuacion no tiene raiz, o la ecuacion
tenga una y una sola solucion. Se estar
a seguro, que es as cuando la funcion

164

IV Ecuaciones No Lineales

es monotona para el primer caso si f (x) no cambia de signo y en el segundo

caso si f (x) cambia de signo. Para asegurar la existencia en el segundo caso,
se exige como hipotesis suplementaria la continuidad en tal subintervalo.
Ejemplo
La funcion
f (x) =

b1
b2
bn
+
+ +
,
x a1
x a2
x an

(IV.2.3)

donde a1 < a2 < < an y los bj son todos diferentes a 0 y del

mismo signo, est
a definida en cada uno de los subintervalos abiertos
], a1 [, ]a1 , a2 [, . . . , ]an1 , an [, ]an , +[; en cada uno de estos subintervalos es monotona, ya que su derivada tiene el signo opuesto de los bj .
Por otro lado cuando x tiende por derecha a uno de los aj , f (x) tiende
en valor absoluto a y cuando x tiende por izquierda a uno de los aj ,
f (x) tiende en valor absoluto a , pero con signo opuesto que el lmite
por derecha. Por lo tanto, se concluye que la funcion f tiene exactamente
una raiz en cada subintervalo.
Para obtener una descomposici
on de I en intervalos del tipo considerado
anteriormente, es decir para separar las raices, se necesitara te
oricamente
estudiar el sentido de variaci
on de la funcion f , agregando otra hipotesis
suplementaria respecto a f , como que f sea continuamente derivable, esto
significara estudiar el signo de f (x), por consiguiente se estara obligado
a encontrar las raices de la ecuacion f (x) = 0, que salvo algunos casos, su
resoluci
on presenta las mismas dificultades que la ecuacion original.
Por lo expuesto mas arriba, se est
a en la capacidad de enunciar el
siguiente teorema de existencia y unicidad de la solucion de una ecuacion
con su algoritmo de resolucion incluido.
Teorema IV.2.1.- Sea f : I R continua y monotona, entonces
la ecuacion f (x) = 0 tiene existen a < b I, tales
que f (a)f (b) < 0.
una y una sola solucion
Adem
as si existiese la solucion, esta puede ser aproximada de manera
arbitraria con el algoritmo de la biseccion.
La primera observacion que se puede hacer al algoritmo de la biseccion
consiste en que este algoritmo construye subintervalos encajonados reduciendo la longitud de cada subintervalo de la mitad en cada iteracion.
Pero una de las interrogantes que uno se plantea, es cuando detener el algoritmo. En general, esto sucede cuando el valor absoluto de la funcion f
evaluada en las extremidades es menor a un valor de tolerancia prefijado
con anterioridad. Ahora bien, si solamente se exige que f sea mononota y
continua puede pasar situaciones, como las del siguiente ejemplo.

IV.2 M
etodos Iterativos

165

Ejemplo
Sea f : (1, 1) R definida por

f (x) = x100 g(x),

(IV.2.4)

donde g es una funcion continua que no se anula en (1, 1). Es evidente

que, x = 0 es una raiz de la ecuacion f (x) = 0. Aplicando el algoritmo
de la biseccion con una tolerancia de 106 y tomando como puntos de
partida a = 0, 9 y b = 0.9 puede suceder que |f (x)| < T OL, dejando
una gran eleccion para escoger la raiz de f (x).
Por lo tanto, si no se tiene la hipotesis que f (x) sea derivable y que
f (x) 6= 0 para x raiz de la ecuacion f (x) = 0, se debe tener mucho cuidado
en la determinaci
on de la solucion numerica del problema, para no cometer
grandes errores.

M
etodo de la Falsa Posici
on
En este paragrafo, se supondr
a que
f : [a, b] R

es dos veces continuamente derivable, que f (x) no se anula en el intervalo

]a, b[ y adem
as f (a)f (b) < 0.
La idea para obtener una valor aproximado de la raiz 0 de la ecuacion
f (x) = 0 en el intervalo I =]a, b[, consiste en remplazar f por un polinomio
que toma los valores de f en determinados puntos de I. Como se ha visto en
la primera seccion de este captulo, las ecuaciones polinomiales mas simples
de resolver son las ecuaciones de primer grado y las ecuaciones cuadraticas.
Por razones de simplicidad en la formulacion, el metodo de la falsa posici
on
ser
a estudiado tomando como polinomio, uno de primer grado. Sea L(x) el
polinomio de interpolaci
on de primer grado, tal que:
L(a) = f (a),

L(b) = f (b),

ver en la figura IV.2.1.

y=L(x)

y=f(x)

Figura IV.2.1 Metodo de la Falsa Posici

on.

(IV.2.5)

166

IV Ecuaciones No Lineales

Las hipotesis implican que L(x) se anula en un punto I, que se

toma como valor aproximado de 0 . Por consiguiente se trata de mayorar el
error cometido | 0 |; para tal efecto se recordara el teorema III.1.13 que
da el siguiente resultado
f (x) L(x) =

1
f ()(x x0 )(x x1 )
2

(IV.2.6)

con I, deduciendo la siguiente proposici

on.

Proposici
on IV.2.2.- Si f no se anula en el intervalo I, y si f (0 ) = 0,
L() = 0 para , 0 I, entonces se tiene
0 =

1 f ()
( a)( b),
2 f ( )

(IV.2.7)

donde y son n
umeros que pertenecen a I.
Demostraci
on.- Por (IV.2.6), se tiene
f () =

1
f ()( a)( b),
2

por el teorema del valor medio se tiene

f () = f ( )( 0 )
con que pertenece al intervalo cuyas extremidades son 0 y . Combinando
ambos resultados se obtiene el resultado de la proposici
on.

Corolario IV.2.3.- Mismas hipotesis de la proposici
on precedente, y
adem
as |f (x)| m > 0, y |f (x)| M para todo x I, entonces
| 0 |

M
(b a)2 .
8m

(IV.2.8)

Si el error | 0 | evaluado por la estimacion (IV.2.8) no es lo suficientemente peque

no, se puede repetir el procedimiento: se calcula f () y
dependiendo de su signo, la raiz 0 se encuentra en el intervalo [a, ] o [, b],
al cual se aplica el mismo metodo obteniendo as un segundo valor aproximado . Te
oricamente, se puede aplicar indefinidamente este procedimiento,
y se muestra facilmente que la sucesion de los n
umeros obtenidos converge
hacia , ver ejercicios.
Como se dijo al abordar el metodo de la falsa posici
on, se puede
aproximar la raiz de la ecuacion f (x) = 0 con un polinomio de segundo grado.
Con la misma notacion que antes 0 es la raiz de la ecuacion, suponiendo

IV.2 M
etodos Iterativos

167

ademas que f (x) es tres veces continuamente diferenciable sobre el intervalo

I. Se denota por c el punto medio del intervalo I. Puesto que f (x) no cambia
de signo en este intervalo, f (c) es positivo o negativo. Sea L(x) el polinomio
de interpolaci
on de grado 2, tal que
L(a) = f (a)

L(c) = f (c)

L(b) = f (b);

(IV.2.9)

utilizando la formula de Newton del captulo III, se tiene

L(x) = f (a) +

f (c) f (a)
(x a)
ca
f (b) 2f (c) + f (a)
(x a)(x c),
+2
(b a)2

IV.2.10)

resolviendo esta ecuacion, sea I la raiz del polinomio de segundo grado, la

cual puede ser determinada utilizando el metodo de resolucion de ecuaciones
de segundo grado, teniendo el cuidado de escoger la raiz que se encuentra en
[a, b]. Suponiendo que sobre el intervalo [a, b], f es tres veces continuamente
derivable, el teorema III.1.13 da la siguiente estimacion
f (x) L(x) =

1
f ()(x a)(x c)(x b),
6

(IV.2.11)

donde [a, b]. deduciendo la siguiente proposici

on.
Proposici
on IV.2.4.- Si f no se anula en el intervalo I, y si f (0 ) = 0,
L() = 0 para , 0 [a, b], entonces se tiene
0 =

1 f ()
( a)( c)( b)
6 f ( )

(IV.2.12)

donde y son n
umeros que pertenecen a [a, b].
Demostraci
on.- Por (IV.2.11), se tiene
f () =

1
f ()( a)( c)( b),
6

por el teorema del valor medio, se tiene

f () = f ( )( 0 ),
con que pertenece al intervalo cuyas extremidades son 0 y . Combinando
ambos resultados se obtiene el resultado de la proposici
on.


168

IV Ecuaciones No Lineales

Corolario IV.2.5.- Mismas hipotesis de la proposici

on precedente, y
adem
as |f (x)| m > 0, y |f (x)| M para todo x [a, b], entonces
| 0 |

M
(b a)3 .
24m

(IV.2.13)

Si el error | 0 | evaluado por la estimacion (IV.2.13) no es lo

suficientemente peque
no, se puede repetir el procedimiento: se calcula f ()
y dependiendo de su signo, la raiz 0 se encuentra en el intervalo [a, ] o
[, c], etc, al cual se aplica el mismo metodo obteniendo as un segundo
valor aproximado . Te
oricamente, se puede aplicar indefinidamente este
procedimiento, y se muestra facilmente que la sucesion de los n
umeros
obtenidos converge hacia 0 , ver ejercicios.
El metodo de la Falsa Posici
on es un claro ejemplo de un metodo
iterativo, pues utiliza soluciones anteriormente obtenidas para calcular una
nueva solucion. En general, se dira que un metodo iterativo es de orden k o
de k pasos, si la iteracion puede expresarse de la forma:
xn+1 = (xn , xn1 , . . . , xnk+1 ).

(IV.2.14)

Por lo tanto, los metodos descritos anteriormente son metodos iterativos de

dos pasos, pues se sirven de 2 valores para calcular el valor de la iteracion
siguiente.

Sistemas de Ecuaciones
Los problemas que han sido estudiados mas arriba estaban relacionados a
funciones de una sola variable con valores reales. Ahora bien, existe una gran
variedad de problemas donde se deben resolver sistemas de ecuaciones, que
en general no son lineales. La posici
on del problema es por consiguiente:
Dada f : U Rn Rn , encontrar U tal que
f () = 0.

(IV.2.15)

Reiterando lo que se dijo al inicio de esta seccion no se puede esperar de

obtener una formula milagrosa para determinar , lo que se debe buscar
es por consiguiente una aproximacion de esta solucion con la precisi
on que
se desee. La continuidad no es una condici
on suficiente para determinar la
existencia de ceros, hipotesis primordial en el caso de una variable; en el caso
de varias variables, en la mayor parte de los casos no se puede demostrar la
existencia de ceros, contentandose con la unicidad de estos a nivel local. Un
teorema muy importante, es el de la inversion local que ser
a enunciado sin
demostracion, para el lector interesado, puede encontrarla en cualquier libro
de An
alisis, por ejemplo en Rudin.

IV.2 M
etodos Iterativos

169

Teorema IV.2.6.- Sean D Rn abierto, f : D Rn continuamente

diferenciable. Si:
a) f (x ) = 0,
b)
fx es inversible,
entonces, existe dos vecindarios, U de x y V de 0, tales que para todo v V
existe un u
nico x U, tal que f (x) = v y la aplicaci
on
g :V U
v x(v)
es continuamente diferenciable y adem
as gv = (fx )

Consecuencias de este teorema son: la unicidad local de la solucion; si

x
es solucion n
umerica obtenida mediante un metodo cualquiera se tiene la
siguiente estimacion del error
1

x
x = (fx )
1

de donde si (fx )
f (
x) es peque
no.

f (
x) + O(kf (
x)k ),

es casi singular, x
x puede ser muy grande, aun si

Un m
etodo Iterativo simple
Existe otra clase de ecuaciones que pueden ser escritas de la forma
f (x) = x,

(IV.2.17)

donde f es una funcion de varias variables con las condiciones dadas al

inicio de este paragrafo. Cabe remarcar que la ecuacion (IV.2.15) puede ser
expresada como x = g(x) con g(x) = xAf (x), donde A es generalmente una
matriz. La existencia y unicidad de las ecuaciones de la forma (IV.2.17) son
resueltas utilizando el teorema del punto fijo en espacios metricos. Para saber
mas sobre espacios metricos ver Schawartz. A continuacion, se enunciar
a el
teorema del punto fijo.
Teorema IV.2.7.- Sean X un espacio metrico completo, f : X X una
aplicaci
on verificando
d(f (x), f (y)) Cd(x, y),

C < 1;

donde d denota la distancia en X. Entonces la ecuacion f (x) = x admite

una y una sola solucion.
Demostraci
on.- Sea x0 X un punto arbitrario, se define la sucesion {xk }
de manera recursiva por
xk+1 = f (xk ),

170

IV Ecuaciones No Lineales

esta sucesion es de Cauchy, en efecto, si n m, se tiene:

d(xn , xm ) d(xn , xn1 ) + + d(xm+1 , xxm ),
d(xm+1 , xm ) C m d(x1 , x0 ),
por lo tanto

Cm
,
1C
que tiende a cero, cuando n, m tienden a . Sea x = lim xn , se deduce
d(xn , xm )

que f (x ) = x . Con esto se ha demostrado la existencia de la solucion. Para

la unicidad se considera x, y son soluciones del problema, por lo tanto
d(x, y) = d(f (x), f (y)) Cd(x, y),

y la u
nica posibilidad que suceda esto es que x = y.

Se puede dar condiciones menos fuertes sobre el espacio X o sobre

f , por ejemplo que f sea localmente una contracci
on, con solamente esta
hip
otesis se mantiene la unicidad, pero est
a vez localmente, la existencia no
est
a asegurada.
Por lo expuesto, se puede formular el metodo iterativo dado en la
demostracion del teorema precedente para el siguiente problema:
Sea : Rn Rn continua, determinar x Rn tal que (x) = x. El metodo
iterativo est
a dado por:
(
x0 , arbitrario;
(IV.2.18)
xn = (xn1 ).
Teorema IV.2.8.- Si {xn } converge hacia x , y es continua en x ,
entonces x es solucion de x = (x)
Demostraci
on.- Se deja al lector.

El anterior teorema se
nala claramente que si la funcion es continua,
y la sucesion definida por (IV.2.18) es convergente, entonces el lmite de esta
sucesion es la solucion del problema (x) = x. Por consiguiente, la pregunta
natural que uno puede plantearse es cuando existen condiciones suficientes
para tener convergencia. Definiendo el error en como
en = xn x ,
donde x es la solucion exacta, y xn la n-sima iteracion, se obtiene:
en+1 = xn+1 x = (xn ) (x )
en+1 (x )en .



= (x )(xn x ) + O kxn x k2 ,

(IV.2.19)

IV.2 M
etodos Iterativos

171

Si ken+1 k q ken k para q < 1, entonces en 0 cuando n .

Por consiguiente la sucesion es convergente, si existe una norma tal que
k (x )k = q < 1.
Teorema IV.2.9.- a) Sea (x) = Ax + b, con A matriz, entonces el metodo
iterativo (IV.2.18) converge para todo x, si y solamente si (A) < 1, donde


(A) = max || | es un valor propio de A .

b) Si (x) es no lineal y dos veces continuamente diferenciable, entonces se

tiene convergencia si:
( (x )) < 1,
x0 x es suficientemente peque
no.

Demostraci
on.- Se mostrar
a solamente el inciso a), dejando al lector el
inciso b) con las observaciones hechas antes de enunciar el teorema.
Se supone que el metodo converge x0 Rn . Sea un valor propio de A,
y e0 un vector propio respecto a este valor propio, entonces
en = An e0 ,
n e0 0,

posible solamente si || < 1.

Se supone que (A) < 1, sea e0 Rn arbitrario, de donde en = An e0 .
Por el teorema de Jordan, existe una matriz T no singular tal que

.
1 . .

..
0

. 1

..
.
T 1 AT =
.
2

.
0

.. 1

..
.
Sea D = diag(1, , 2 , . . . , n1 ),

D1 T 1 AT D =

por consiguiente
..
.
..
0
.
1
.
2 . .
..
0
.

2
..

= J,

172

IV Ecuaciones No Lineales

si es suficientemente peque
no, se tiene kJk < 1, de donde el metodo es
convergente.

Para el problema f (x) = 0, se vio antes que se puede convertir en
problema de punto fijo, planteando
(x) = x Af (x),

(IV.2.20)

donde A es una matriz constante A, inversible. Ahora bien, para cumplir

las condiciones del teorema precedente ( (x )) < 1, motivo por el cual es
suficiente A (f (x ))1 para que (x ) 0.
Ejemplo
Considerese la ecuacion siguiente
x2 + y 2 1 = 0
1,
sin x + sin y =
2
se desea determinar las soluciones de esta ecuacion. Convirtiendo en un
problema de punto fijo se tiene

 

x2 + y 2 1
x
(x, y) =
A
sin x + sin y 21
y
donde la A es una matriz de 2 2. La derivada de f en el punto (x, y),
est
a dada por


2x
2y

f(x,y)
=
,
cos x cos y
la inversa de la derivada de f , esta dada por


1
cos y
2y

1
(f(x,y) ) =
.
2(x cos y y cos x) cos x 2x
Recorriendo a travez de la circunferencia de radio 1 dada por la primera
ecuacion se escogen los valores de x, y para los cuales remplazando en la
segunda ecuacion se tiene valores muy cerca a 1/2. Una vez determinados
estos valores se consigue una aproximacion de la matriz A para poder
aplicar el metodo iterativo. Las soluciones obtenidas con una precisi
on
del orden de 1010 son:
x = 0.3176821764792814,
x = 0.948197255188055,

y = 0, 948197255188055;
y = 0, 3176821764792814.

IV.2 M
etodos Iterativos

173

Ejercicios
1.- Sea A una matriz que es diagonal dominante, es decir
X
|aii | >
|aij | , i = 1, . . . , n;
j6=i

entonces el metodo de Jacobi, formulado en el captulo II, para resolver

Ax = b es convergente.
2.- Considerese la ecuacion integral
y(x) = f (x) +

K(x, s, y(s))ds,

()

donde a, b, f, K est
an dados, se busca y(x). Mostrar, si el nucleo K es
degenerado, es decir
K(x, s, y) =

n
X

ai (x)bi (s, y),

i=1

entonces la solucion de () est

a dada por
y(x) = f (x) +

n
X

ci ai (x)

i=1

donde las constantes c1 , . . . , cn satisfacen

Z b
n
X
bi (s, f (s) +
cj aj (s))ds i = 1, . . . , n.
ci =
a

j=1

3.- Calcular la solucion de

Z
(2 sin x sin s + sin 2x sin 2s)ey(s) ds,
y(x) = 1 +
0

1
.
10

Resolver el sistema no lineal para c1 , c2 con el metodo iterativo.

4.- Sean J = [a, b] un intervalo de R en el cual la funcion dos veces
continuamente diferenciable f verifica las relaciones |f (x)| m,
M
|f (x)| M , f (a)f (b) < 0. Mostrar que si
(b a) = q < 1 se
4m
puede, por n aplicaciones sucesivas del metodo de la falsa posici
on,
encontrar un intervalo de extremidades an , bn conteniendo la u
nica
raiz de f (x) = 0 en [a, b], con
|bn an |

4m 2n
q .
M

IV.3 M
etodo de Newton

En lo que va este captulo, se ha visto dos enfoques para resolver sistemas de

ecuaciones, el primero mediante una formula que de el resultado de manera
explcita en funcion de los datos del problema. El segundo enfoque consiste
en utilizar metodos iterativos que permitan aproximar a la solucion de una
manera arbitraria. En la seccion precedente se vio en los diferentes teoremas
de convergencia que la velocidad de convergencia es lineal, lo que puede
constituir una desventaja, desde el momento en que se requiera resolver
grandes y muchos sistemas de ecuaciones. Lo deseable sera cambiar el orden
de convergencia, por ejemplo a una reducci
on cuadratica del error.
Recordando el metodo de la Falsa Pendiente, en lugar de tomar una
secante para determinar una aproximacion del cero de la funcion estudiada,
se podra tomar la tangente en un punto de la curva inducida por la funcion.
El metodo iterativo formulado en la seccion precedente estaba basado en el
teorema del punto fijo y el problema a resolver era de la forma (x) = x,
para el caso de las ecuaciones de la forma f (x) = 0, era suficiente considerar
la funci
on (x) = x Af (x), donde A es una matriz constante, ahora
bien suponiendo que f (x) es inversible en un vecindario de una de las
soluciones de la ecuacion, en lugar de tomar A constante, se puede plantear
A = (f (x))1 .
Las motivaciones est
an dadas para formular un nuevo metodo, cuya
velocidad de convergencia sea superior a los metodos anteriormente formulados. Para tal efecto, considerese la funcion f : U Rn Rn , U un
abierto de Rn , se supone adem
as que f es continuamente derivable, y la
derivada en todo punto es inversible. Por consiguiente, se tiene el problema
f (x) = 0,

(IV.3.1)

cuyas soluciones, si estas existen son localmente u

nicas, por el teorema de
las funciones inversas, dado en la seccion precedente. Supongase que este
problema tiene al menos una solucion, denotandola por x . Sea x U
bastante pr
oximo de x , aplicando la definicion de la derivada en el punto x
se obtiene
f (x ) = f (x) + f (x)(x x) + O(kx xk2 ),
de donde despreciando el termino que contiene O se obtiene la ecuacion lineal
dada por
f (x)(x x) = f (x),
que por hipotesis tiene solucion y es u
nica. De donde, el metodo de Newton
tiene la formulacion siguiente, sea x0 un punto bastante pr
oximo de la

IV.3 M
etodo de Newton

175

solucion buscada x , xm se define recursivamente, por las ecuaciones

f (xm1 )(xm xm1 ) = f (xm1 ).

(IV.3.2)

Ejemplos
1.- Considerese la ecuacion de una sola variable dada por
f (x) = 2x tan x,
para aplicar el metodo de Newton la derivada est
a dada por
f (x) = 2

1
,
cos2 x

partiendo del punto inicial x0 = 1, 2 se obtiene los siguientes valores

mediante el metodo de Newton.
Tabla IV.3.1. Valores obtenidos por el metodo de Newton.
k

xk

f (xk )

1, 2

0.172152

1 1.16934

e2k /ek1

1.69993 102

2 1.16561 0.213431 103 3.97664

3 1.16556 0.347355 1007 3.44610
4 1.16556 .133227 1014

3.38337

2.- Considerese el sistema de ecuaciones dado por

(
x2 + y 2 4 = 0
.
xy 4 = 0
Las soluciones de este sistema de ecuaciones est
an dadas por la interseccion de una circunferencia de radio 2 y centro en el origen y una
hiperbola inclinada. Realizando un grafico se puede observar que una
de las raices est
a pr
oxima al punto (0.5, 2) que ser
a tomado como punto
inicial. La matriz derivada es igual a


2x 2y
,
f (x, y) =
y
x
utilizando el metodo de eliminacion de Gauss para calcular los valores
de (xk , yk ) se obtiene la siguiente tabla con las primeras 23 iteraciones
del metodo de Newton.

176

IV Ecuaciones No Lineales

Tabla IV.3.2. Valores obtenidos por el metodo de Newton.

k

xk

yk

kf (xk )k2

0.5

2.

0.25

.516666 1.96666

kek k2 / kek1 k2

0.134722

2 0.526332 1.94921 0.764322 101

14.3688

3 0.532042 1.93948 0.446506 10

28.3211

22 0.540690 1.92553 0.345530 105

446885.

23 0.540690 1.92553 0.210661 10

732995.

En las tablas IV.3.1 y IV.3.2, se observa que el metodo de Newton

converge cuadraticamente. Es importante poder confirmar te
oricamente este
resultado. Analizando el caso de una variable, se supone que f : I R es
dos veces continuamente derivable, x una solucion del problema f (x) = 0,
adem
as f (x ) 6= 0. Sea xk el valor de la k-esima iteracion obtenida del
metodo de Newton. El desarrollo de Taylor en xk de la funcion f y el metodo
de Newton para obtener xk+1 est
an dados por:
1
0 = f (xk ) + f (xk )(x xk ) + f (xk ) (x xk )2 +O((x xk )3 ),
| {z }
2
e2k
0 = f (xk ) + f (xk )(xk+1 xk ),

sustrayendo ambas cantidades se obtiene

de donde

1
0 = f (xk ) (xk+1 x ) f (xk )e2k + O((ek )3 ),
|
{z
} 2
e2k+1
ek+1 =

1 f (xk ) 2
e + O((ek )3 ),
2 f (xk ) k

mostrando as el teorema siguiente:

Teorema IV.3.1.- Sea f : I R, tres veces continuamente diferenciable,
x una solucion de la ecuacion f (x) = 0. Si f (x) 6= 0 en un vecindario de
x , x0 bastante pr
oximo de x , entonces
ek+1 =

1 f (xk ) 2
e + O((ek )3 ),
2 f (xk ) k

(IV.3.3)

IV.3 M
etodo de Newton

177

donde ek = x xk .
Para el caso de una funcion de varias variables, la situaci
on es bastante
similar, en efecto sea
f : U Rn Rn ,

donde U es un abierto de Rn , f es una funcion tres veces continuamente

derivable, cuya derivada es inversible para todo x U. La derivada de f
en el punto x U es una aplicaci
on lineal, cuya matriz respecto a la base
can
onica est
a dada por
f1

f1
x1
xn
.
..

f (x) =
. ,
..
fn

x1

fn

xn

donde f1 , . . . , fn son las componentes de la funcion f ; la segunda derivada

de f en el punto x U es una aplicaci
on bilineal simetrica, que respecto a
la base can
onica, est
a dada por
f (x)(h, k) =

X
i,j

2f
(x)hi , kj ,
xi xj

donde h, k Rn y los hi , kj son las componentes de h y k respecto a las

bases naturales. Para mas detalle ver Cartan. El desarrollo de Taylor en x
est
a dado por
1
3
f (x + h) = f (x) + f (x)h + f (x)(h, h) + O(khk ).
2
Teorema IV.3.2.- Sean f : U Rn Rn tres veces diferenciable, con
derivada inversible y x U con f (x ) = 0. Si {xk } es la sucesion definida
por el metodo de Newton, entonces el error ek = xk x satisface
ek+1 =

1
1
3
f (xk )
f (xk )(ek , ek ) + O(khk ).
2

Demostraci
on.- Similar a la del caso de una sola variable.

(IV.3.4)

C
alculo de la Derivada
Al implementar el metodo de Newton, se debe c
alcular la derivada de f en
cada punto. La primera forma de determinar la matriz f (xk ) es de manera
analtica, construyendo as una subrutina para evaluar los coeficientes de
la matriz jacobiana en cada iteracion. Pero lastimosamente, no siempre

178

IV Ecuaciones No Lineales

es posible calcular las derivadas parciales de manera analtica por varias

razones: funciones muy complicadas para derivar, c
alculos muy largos,
etc. Otra manera de evaluar los coeficientes de f (xk ) consiste en hacerlo
numericamente. Utilizando un esquema de primer orden para evaluar la
derivada parcial de fj respecto a xi , se tiene
fj
fj (x + tei ) fj (x)
(x) = lim
,
t0
xi
t
donde t R, ei es el i-esimo vector de la base can
onica. Ahora bien, se
plantea g(t) = fj (x + tei ) dejando fijo x, se tiene
fj
(x) = g (0).
xi
De donde, el problema consiste en calcular g (0); con un esquema de primer
orden se obtiene
g(t) g(0)
g (0)
.
(IV.3.5)
t
Cabe recalcar, que se puede aproximar g (0) con una mejor aproximacion,
para eso se puede utilizar los polinomios de interpolaci
on. Una pregunta
natural surge, cu
al t escoger?, para obtener la mejor aproximacion de g (0).
El error de aproximacion est
a dado por
1
g(t) g(0)
= g (0) + g (0)t + O(t2 ),
t
2
mientras que los errores de redondeo, suponiendo que g es una funcion
bien condicionada, est
a dado por los siguientes resultados, suponiendo que
g (t) g (0):
g(t(1 + 1 ))(1 + 2 ) g(0)(1 + 3 ) g(t) g(0)

t
t
n
o
1
g(t) + g (0)1 t(1 + 2 ) g(0)(1 + 3 ) g(t) + g(0)
t
o
1n
2 g(t) + g (0)1 t 3 g(0) ,
t
donde |i | eps, por consiguiente
error de redondeo

1
2 |g(0)| + |g (0)t| eps.
|t|

(IV.3.6)

IV.3 M
etodo de Newton

179

Lo ideal ser
a, por lo tanto escoger un valor de t de manera que los errores
de aproximacion y de redondeo se aproximen, ver figura IV.3.1.

Err de aprox

Err de redon.

Figura IV.3.1. Error de Aproximacion vs Error de Redondeo.

Observando la figura, se tiene que el error de aproximacion es del orden
de t, mientras que el error de redondeo es proporcional a eps/t, de donde
equilibrando ambos errores se obtiene
p
t = C eps,
(IV.3.7)
donde C es una constante elegida de acuerdo a la funcion f .

El Teorema de Newton-Misovski
Se ha formulado el metodo de Newton de una manera general, dando
inclusive una estimacion del error cometido, deduciendo que si el metodo
converge, la convergencia es cuadratica. Pero sin embargo, no se enunci
o las
condiciones suficientes para obtener convergencia de este metodo. El siguiente teorema dara las condiciones suficientes para asegurar la convergencia del
metodo, cuando la funcion f cumple ciertas condiciones.
Teorema IV.3.3.- Newton-Misovski. Sean D Rn abierto y convexo,
f : D Rn continuamente diferenciable, f (x) inversible para todo x D,
x0 D satisfaciendo las siguientes condiciones:
a)
kx0 k 
,






2
b) (f (y)1 f x + t(x y) f (x) (y x) t ky xk , x, y
D, t [0, 1];
1
c) := < 1;
2

< 1;
d) :=
1
0 , ) = {x Rn | kx x0 k }.
e) B(x

180

IV Ecuaciones No Lineales

Entonces:
i) La sucesion {xk } definida por el metodo de Newton se queda dentro
B(x0 , ) y converge hacia una solucion x de f (x) = 0.
2
ii) Se tiene la estimacion kxk k
2 kxk1 k .

2
iii) kxk x k
kxk1 k .
2k
2(1 )

Demostraci
on.- Es claro por la definicion del metodo de Newton que si
{xk } es convergente, entonces el lmite de la sucesion es igual a x , donde
f (x ) = 0. Se mostrar
as la conclusiones por induccion. Se supone que
xk , xk1 D, para k 1, entonces
kxk k

kxk1 k2 ,
2

en efecto


kxk k = (f (xk ))1 f (xk )



= (f (xk ))1 f (xk ) f (xk1 ) f (xk1 )xk1


Z 1


f (xk1 + txk1 ) f (xk1 ) xk1 dt
= f (xk )

1
0





f (xk ) f (xk1 + txk1 ) f (xk1 ) xk1 dt

t kxk1 k2 dt =

kxk1 k2 .
2

Se define k recursivamente por

2
k = k1
,

0 =

= .
2

Si x0 , x1 , . . . , xk D, entonces

kxk k k ;
2
es cierto para k = 0, sup
ongase cierto para k 1, por consiguiente

2

2
kxk k
kxk1 k k1
= k .
2
2
k

como 0 = , se tiene k = 2 , puesto que < 1,

lim k = 0.

IV.3 M
etodo de Newton

181

El siguiente paso es mostrar que {xk } es una sucesion de Cauchy y que

satisface el punto i). Se supone nuevamente, que x0 , . . . , xk D, 0 l k,
obteniendo
kxk+1 xl k kxk+1 xk k + + kxk+1 xl k
|
|
{z
}
{z
}
2
2
k
l

2
(1 + l2 + l4 + )

2 l2

.
1 l2
Para l = 0, se tiene kxk+1 x0 k
donde xk+1 B(x0 , ).
Por otro lado,
kxk+1 xl k

2 2
<
=
= , de
1 2
1
1

2 l2
0,
1 l2

cuando k l .

de donde la sucesion {xk } es una sucesion de Cauchy, y por lo tanto

convergente. Es as que se ha mostrado el punto i) y el punto ii) del teorema
quedando pendiente el u
ltimo punto. Se tiene
kxl+1 xk k kxl+1 xl k + + kxk+1 xk k ,
se plantea:
k1 =

kxk1 k ,
2

2
;
l = l1
k

de donde k1 k1 y k k 2 , adem
as

kxl k l
2
De donde

para l l 1.
2

kxl+1 xk k

kxk1 k
,
2 1 2k

haciendo tender l al infinito queda demostrado el punto iii)

Es necesario remarcar el siguiente hecho concerniente a la hipotesis b)

del teorema que se acaba de demostrar. Si f es 3 veces derivable, utilizando
la formula de Taylor se tiene


3
[f x + t(x y)) f (x) ](y x) = f (x)(t(y x), y x) + O(ky xk ),

182

IV Ecuaciones No Lineales

por consiguiente


(f (y))1 [f x + t(x y)) f (x) ](y x) = t(f (y))1 f (x)(y x, y x)+
3

O(ky xk ),
3

si D es bastante peque
no, entonces se puede despreciar O(ky xk ), de
donde






(f (y))1 [f x + t(x y)) f (x) ](y x) t (f (y))1 f (x) ky xk2 ,

por consiguiente

sup (f (y))1 f (x)

(IV.3.8)

x,yD

Para comprender el teorema, puede ser util estudiar en un ejemplo

tipo, las hipotesis del teorema y deducir las conclusiones que conducen estas
hip
otesis
Ejemplo
Sea, f : R2 R2 definida por
f (x) =

x21 + x22 1
x2 x21

la solucion del problema f (x) = 0 est

a dada por la intersecci
on de una
circunferencia de centro en el origen y radio 1 y una parabola cuyo vertice
se encuentra tambien en el origen. Este problema puede ser resuelto
graficamente, substituyendo x2 , pero el proposito del ejemplo es estudiar
el teorema de Misovski.
La derivada de f est
a dada por la matriz jacobiana


2x1 2x2
f (x) =
,
2x1
1
cuya inversa es igual a

(f (x))

1
=
2x1 (1 + 2x2 )

1
2x1

2x2
2x1

Observando una grafica del problema se escoge como dominio D a

n
o
1
D = (x1 , x2 )| < x1 , x2 < 2 .
2

Analizando las condiciones del teorema se tiene:

IV.3 M
etodo de Newton

183

a) Se escoge como valor inicial (1, 1) D, obteniendo

x0 = (1/6, 1/3), de donde

5
0, 37 = .
kx0 k =
6
b) El estudio de la segunda condici
on da:


(f (y))1 f (x + t(x y)) f (x) (y x)




1
2t(y1 x1 ) 2t(y2 x2 ) y1 x1
1 2y2
=
y2 x2
2t(y1 x1 )
0
2y1 (1 + 2y2 ) 2y1 2y1


2
t
(1 + y2 )(y1 x1 ) + (y2 x2 )2
=
.
2y1 (y2 x2 )2
2y1 (1 + 2y2 )

Se observa inmediatamente que las componentes son positivas, mayorando respecto a y, se obtiene






(f (y))1 f (x + t(x y)) f (x) (y x)


t  3(y1 x1 )2 + (y2 x2 )2 

,
4(y2 x2 )2
2
pasando a la norma de la convergencia uniforme, se obtiene






(f (y))1 f (x + t(x y)) f (x) (y x) 2t ky xk inf ty 2 ,

de donde:
b) = 2.
c) = 0, 37 < 1.
0, 37
1
0 , ) 6 D, de donde no se puede
d) =
. Ahora bien, B(x
1 0, 37
2
garantizar las conclusiones del teorema. Sin embargo, tomando como x0
el valor de la primera iteracion a partir del valor inicial del ejemplo se
tiene

t
5 2
x0 =
,
,
6 3
obteniendo


19/213
, kx0 k = 0, 066 = ,
x0 =
1/21

de donde

= 0, 066,

= 0, 07,

0 , ) D.
B(x

Por lo tanto, las tres condiciones del teorema son verificadas, teniendo
garantizada de esta manera la convergencia del metodo de Newton.
El teorema de Newton-Misovski da las ventajas de utilizar el metodo
de Newton para resolver el problema f (x) = 0, sin embargo:

184

IV Ecuaciones No Lineales

Desventajas del m
etodo de Newton
Cada iteracion del metodo es costosa en operaciones. En efecto el
c
alculo de f (x) y la resolucion del sistema lineal adyacente cuestan
mucho si la dimension del sistema es grande. Resolver el sistema LR
cuesta aproximadamente n3 /3 operaciones.
Convergencia local. El metodo converge solamente si x0 est
a suficientemente pr
oximo de la solucion x .

M
etodo de Newton Simplificado
Una de las mayores desventajas que tiene el metodo de Newton, consiste en
el hecho de calcular en cada iteracion la matriz derivada y el sistema lineal
asociado. Se puede simplificar el metodo de Newton de la siguiente manera:
x0

arbitrario,

1
xk = f (x0 )
f (xk ),

(IV.3.9)

xk+1 = xk + xk .

Por consiguiente se debe calcular una sola vez f (x0 ) y calcular una vez la
descomposici
on LR. Por lo tanto, la primera iteracion consume aproximadamente n3 /3 en el c
alculo de la descomposici
on, y las dem
as iteraciones necesitan aproximadamente n2 operaciones. La desventaja de utilizar el metodo
de Newton simplificado reside en el hecho en que se pierde la convergencia
cuadratica, obteniendo una convergencia lineal. En efecto, considerando este
metodo como un metodo iterativo simple, dado en la seccion precedente se
tiene:

1
xk+1 = (xk ), donde (x) = x f (x0 )
f (x);

1

(x) = I f (x0 )
f (x).
Ahora bien, se tiene convergencia local, si y solamente si

1
(I f (x0 )
f (x)) < 1,

por el teorema IV.2.9 y la convergencia lineal es consecuencia directa del

teorema citado.
Tanto el metodo de Newton, como su version simplificada, definen
iteraciones de la forma
xk = (M (xk ))1 f (xk ),
xk+1 = xk + xk ,

(IV.3.10)

donde M (x), es una matriz que depende de x. Para el metodo de Newton

se tiene M (x) = f (x) y para la version simplificada M (x) = f (x0 ). En

IV.3 M
etodo de Newton

185

el primer caso la matriz M es la derivada, en el segundo caso M es la

derivada en un punto arbitrario. Existen muchos problemas, en los cuales
la matriz derivada tiene ciertas particularidades que constituyen en ventajas
y desventajas al mismo tiempo, que puede solucionarse convenientemente
si se escoge una matriz M apropiada; por ejemplo f (x) puede tener una
estructura de matriz banda, con algunos elementos no nulos fuera de la
banda, es decir

,
f (x) =
..
..

.
.

planteando M (x) la matriz cuyos elementos est

an dados por la banda
principal de f (x) se tiene una buena aproximacion de f (x), disminuyendo
de esta manera el costo en operaciones. Las bases te
oricas de utilizar la
matriz M en lugar de f (x), est
an dadas por el siguiente teorema.

Teorema IV.3.4.- Newton-Kantorovich. Sean D Rn abierto y convexo,

f : D Rn continuamente diferenciables, M (x0 ) inversible y x0 D.
Ademas:


M (x0 )1 f (x0 ) ;
a)

1

b)
M (x0 )1 (f (y) f (x)) ky xk , x, y D;

c) M (x0 ) (f (x) M (x)) 0 + 1 kx x0 k,
M (x0 )1 (M (x) M (x0 ) kx x0 k;
d) 0 < 1, := max(, + 1 ) y
h=
e) B(x0 , ) D, con
=

1
2 2;
(1 0 )

1 2h
;
h
1 0

entonces:
i) M (x) es inversible para x B(x0 , ),
ii) La sucesion {xk } definida por (IV.3.10) se queda en B(x0 , ) y converge
hacia una solucion x de f (x) = 0,

=
iii) Se define h
= h,

(1 0 )2
=

p

1 2h
,

1 0
h

entonces x B(x0 , ) y no hay otra solucion de f (x) = 0 en

B(x0 , + ) D.

186

IV Ecuaciones No Lineales

h cuya
Antes de demostrar el teorema hay que remarcar que h
verificaci
on es inmediata y tambien ; en efecto considerando los
desarrollos en serie de Taylor se tiene:

1x=

X  1/2 
j0

(x)j = 1

x
c 2 x2 c 3 x3 ,
2

con los cj 0,
1

1 2h
= 1 + 4c2 h + 8c2 h2 + 16c4 h3 + ,
h

de donde . Ver la figura IV.3.2.

_
+

x0

Figura IV.3.2. Resultado del Teorema de Newton-Kantorovich.

Demostraci
on.- Demostrando el punto i), se tiene:


M (x) = M (x0 ) I + M (x0 )1 (M (x) M (x0 )) ,
|
{z
}
B
kBk kx x0 k < ,

1 1 2h
(1 0 )62 (1 0 ) 1,
=
h
1 0

de donde kBk < 1, por lo tanto (I + B) es inversible y su inversa est

a dada
por

X
(I + B)1 =
(1)k B k ,
k=0

IV.3 M
etodo de Newton

187

la norma de (I + B)1 , est

a mayorada por

por consiguiente

(I + B)1

M (x)1 M (x0 )

1
1

,
1 kBk
1 kx x0 k

1
kx x0 k < .
1 kx x0 k

(IV.3.11)

La demostracion del punto ii) se efectua por induccion. Si xk1 , xk

B(x0 , ), entonces xk+1 existe, se tiene:


kxk+1 xk k = M (xk )1 f (xk )



M (xk )1 f (xk ) f (xk1 ) f (xk1 )(xk xk1 )




+ M (xk )1 f (xk1 M (xk1 ) (xk xk1 )



M (xk )1 f (xk ) f (xk1 ) f (xk1 )(xk xk1 )


1
0 + 1 kxk1 x0 k kxk x0 k
1 kxk x0 k


Z 1h
i


1

f (xk1 +t(xk xk1 )) f (xk 1) dt(xk xk1 )
M (xk )

+

1
0 + 1 kxk1 x0 k kxk x0 k
1 kxk x0 k
1

kxk xk1 k
1 kxk x0 k 2


1
0 + 1 kxk1 x0 k kxk x0 k .
+
1 kxk x0 k
+

De donde

kxk+1 xk k
n
o
1
kxk xk1 k2 + (0 + ( kxk1 x0 k) kxk xk1 k .
1 kxk x0 k 2
Para resolver esta desigualdad, se remplaza kxk+1 xk k por tk+1 tk y
kxk x0 k por tk , el smbolo de desigualdad por el de igualdad, definiendo
as una sucesion {tk } R, que verifica:
t0 = 0,
t1 = ,
tk+1 tk =



1
(tk tk1 )2 + (0 + ( )tk1 )(tk tk1 ) ,
1 tk

188

IV Ecuaciones No Lineales

Se demuestra facilmente, por induccion que:

kxk+1 xk k tk+1 tk ,
kxk x0 k tk ;

en efecto, para k = 0 se cumple, sup

ongase cierto para k1, por consiguiente
kxk x0 k kxk xk1 k + + kx1 x0 k
tk tk1 + + t0 = tk ;
n
o
1
kxk+1 xk k
(tk tk1 )2 + 0 + ( )tk1 (tk tk tk1 )
1 tk 2
= tk+1 tk .
El siguiente paso es estudiar la sucesion {tk }, se tiene

(1 tk )(tk+1 tk ) = (t2k 2tk tk1 + t2k1 ) + 0 (tk tk1 )

2
+ tk1 (tk tk1 ) tk1 (tk tk1 ),
efectuando algunos arreglos y simplicaciones se obtiene la siguiente igualdad
(1 tk )(tk+1 tk )

2
t + (1 0 )tk
2 k

= (1 tk1 )(tk tk1 )

2
t
+ (1 0 )tk1 = ,
2 k1

expresi
on que es constante por que no depende de k. Expresando
tk+1 = tk +

2
2 tk

(1 0 )tk +
u(tk )
= tk +
= (tk ),
1 tk
v(tk )

donde las funciones u y v est

an dadas por
u(t) =

2
t (1 0 )t + ,
2

v(t) = 1 t.

Se debe mostrar por consiguiente que tk converge y eso sucede si y solamente

si tiene un punto fijo, y el radio expectral de en las proximidades del
punto fijo es estrictamente menor a 1.
Se tiene:
s
2
1 0
1 0
2
(t) = t u(t) = 0 t = 1,2 =

IV.3 M
etodo de Newton

189

donde 1,2 son las raices de u(t). Expresando ambas raices en funcion de h,
se obtiene

1 1 2h
,
1,2 =
h
1 0

puesto que h 1/2, las dos raices de u son positivas, siendo 1 la raiz mas
peque
na, se tiene:
1 2 ,
1 = .
Por otro lado, ambas raices son acotadas, en efecto
1 + 2
1
1 0
1
=
=
.
2
h 1 0

Estudiando la funcion (t) se tiene tres casos, que se observan en la figura

IV.3.3.

1/

2 1/

1 2

1 <

1
< 2

1/

2 =

Figura IV.3.3. Graficas de la funcion .

Para 0 < t < 1 , se tiene que (t) > 0, en efecto:
(t) = t +

u(t)
,
v(t)

v(t) + u (t)
v (t)
+ u(t) 2 ,
v(t)
v (t)
| {z }
>0
v(t) + u (t) = 1 t + t (1 0 ) = 0 + ( )t 0.
(t) =

Por consiguiente, es creciente sobre el intervalo (0, 1 ), y adem

as tk < 1 ;
para k = 0 es cierto, sup
ongase cierto para k, entonces
tk+1 = (tk ) < (1 ) = 1 ,

190

IV Ecuaciones No Lineales

La sucesion {tk } es creciente y mayorada, por lo tanto es convergente y

converge al primer punto fijo de , el cual es 1 . De aqu, se deduce que
xk B(x0 , 1 ).
Ahora se est
a en condiciones de mostrar que {xk } es una sucesion convergente, para tal motivo se debe demostrar antes que es una sucesion de
Cauchy. Se tiene:
kxk+1 xl k kxk+1 xk k + + kxl+1 xl k
tk+1 tk + + tl+1 tl
< 1 tl 0
cuando k l .
De donde lim = x y como M (xk ) es acotada se deduce inmediatak
mente
f (x ) = 0,
mostrando as el punto ii).
Para la demostracion del punto iii) son necesarias algunas convenciones
sobre la escritura de los smbolos utilizados. La sucesion {xk } est
a definida
por
1
xk+1 = xk M (x0 ) f (xk ),

planteando:

(x) = M (x0 ),
M

= ,

= ,
= 0.

Por otro lado,

1
1
(x))
M (x0 ) (f (x) M (x))
M (x0 ) (f (x) M



(x))
+ M (x0 )1 (M (x) M

0 + 1 kx x0 k + kx x0 k
=0 + 1 kx x0 k

1
con 0 = 0 , 1 = 1 + y
= . Definiendo G(x) = x M (x0 ) f (x), se
tiene:

G (x) =I M (x0 )1 f (x),

kG(y) G(xk1 )k kG(y) G(xk1 ) G (xk1 )(y xk1 )k

+ G (xk1 ) G (x0 ) (y xk1 )

+ kG (x0 )(y xk1 )k

M (x0 )1 f (y) + f (xk1 ) + f (xk1 )(x yk1 )


+ M (x0 )1 (f (xk1 ) f (x0 ))(y xk1 )


+ M (x0 )1 (M (x0 ) f (x0 ))(y xk1 )

IV.3 M
etodo de Newton

191

utilizando una integral como en el punto ii), se obtiene

kG(y) G(xk1 k

ky xk1 k
2
+ kxk1 x0 k ky xk1 k + 0 ky xk1 k ,

Sea y D B(x0 , + ), remplazando y por y en la u

ltima desigualdad, se
obtiene

ky xk1 k
2
+ kxk1 x0 k ky xk1 k + 0 ky xk1 k ,

ky xk1 k

y planteando tambien y = xk , se obtiene

kxk xk1 k

kxk xk1 k
2
+ kxk1 x0 k kxk xk1 k + 0 kxk xk1 k ,

Como en el punto ii) se remplazan kxk x0 k por tk t0 con t0 = 0 y

ky xk k por sk tk , el smbolo por la igualdad, obteniendo as:
tk+1 tk =
s k tk =

(tk tk1 )2 + tk1 (tk tk1 ) + 0 (tk tk1 ),

2
t0 = 0,
t1 = ;

(sk1 tk1 )2 + tk1 (sk1 tk1 ) + 0 (sk1 tk1 ),

2
s0 = ky x0 k < + .

Se demuestra por induccion que:

kxk+1 xk k tk+1 tk ,
kxk x0 k tk ,
ky xk k sk tk
El siguiente paso en la demostracion consiste en estudiar las sucesiones {tk }
y sk . Se tiene:
tk+1 tk =

s k tk =

2
(t 2tk tk1 + t2k+1 ) + tk1 (tk tk1 ) + 0 (tk tk1 ),
2 k

tk+1 t2k 0 tk = tk t2k1 0 tk1 = ,

2
2

2
(s
2sk1 tk1 + t2k1 ) + tk1 (sk1 tk1 ) + 0 (sk1 tk1 )
2 k1

sk s2k1 0 sk1 = tk t2k1 0 tk1 = .

2
2

192

IV Ecuaciones No Lineales

Definiendo la funcion (t) por

(t) =

2
t + 0 t + ,
2

entonces se obtiene, los resultados siguientes para sk y tk :

tk+1 = (tk ),
sk = (sk1 ),

t0 = 0;
s0 = ky x0 k < + .

Se tiene que, (t) = t + 0 0, si t 0, para estudiar la convergencia de

las sucesiones, se debe determinar los puntos fijos de , es decir resolver la
ecuacion
2
t + (0 1)t + = 0,
2
las raices de esta, est
an dadas por:
=

1 2h
,

se puede observar, que la sucesion tk es creciente y tiende hacia , por otro

lado la sucesion sk es decrecientre y tiende hacia . Ver la figura IV.3.4

(t)

Figura IV.3.4. Grafica de la funcion .

Como en el punto ii) se muestra que la sucesion {xk } es de Cauchy, por
consiguiente xk x y f (x ) = 0, adem
as se tiene
kx x0 k ,
ky x k sk tk 0,
y = x .


IV.3 M
etodo de Newton

193

Para ilustrar la utilizaci

on del teorema de Newton-Kantorovich, se tiene
el:
Ejemplo
Considerese, la funcion f dada por

 2
x1 + x22 1
,
f (x) =
x2 x21
partiendo del punto (1, 1) y tomando como dominio D = R2 , M (x) =
f (x), es decir el metodo de Newton en su version no modificada, se
tiene:
= 0, 37;

= 1, 2;

0 = 0;
= 1, 2.

= ;

1 = 0;

Verificando y efectuando c
alculos se obtiene:
h = 0, 444 1/2,

= = 0, 554;

+ = 0, 981.

M
etodo de Newton con Relajaci
on
Una de las principales desventajas del metodo de Newton, tanto en su version
original, como en su version simplificada, es que es necesario estar cerca de
la solucion del problema. Lamentablemente, en una gran mayora de casos
eso no es posible. Por lo tanto, es necesario modificar el metodo de manera
a que la convergencia sea una preocupacion menor. El metodo de Newton
est
a dado, por las iteraciones
1

xk+1 = xk (f (xk ))

f (xk ),

se tiene convergencia si kx1 x0 k suficientemente peque

no, sin embargo
esta condici
on no se cumple en general. Una solucion alternativa sera
modificar el metodo de la manera siguiente:
1

pk = (f (xk )) f (xk ),
xk+1 = xk + k pk ;
con 0 < 1. La base te
orica de esta modificaci
on est
a dada por la:

Proposici
on IV.3.5.- Sean D Rn , f : D Rn continuamente diferen1
ciable, x0 D, f (x0 ) 6= 0 y p0 = (f (x0 )) f (x0 ). Entonces para toda
matriz A inversible, existe 0 > 0 tal que para todo , 0 < < 0 , se tiene
kAf (x0 + p0 )k < kAf (x0 )k .

194

IV Ecuaciones No Lineales

Demostraci
on.- Se define la funcion g : R R para una matriz A fija e
inversible, como
g() = kAf (x0 + p0 )k22
t

= f (x0 + p0 ) At Af (x0 + p0 ),

calculando la derivada de g, se obtiene:

t

g () = 2f (x0 + p0 ) At Af (x0 + p0 )p0 ,

1

g (0) = 2f (x0 )t At Af (x0 )(f (x0 ))

=

2 kAf (x0 )k22

f (x0 )

< 0,

por consiguiente, existe 0 con las conclusiones requeridas por la proposici

on.

Otra de las motivaciones para modificar el metodo de Newton consiste
en el siguiente hecho. Sean D Rn , f : D Rn continuamente
diferenciable con derivada inversible para todo x D. Llamando p(x) =
1
(f (x)) f (x) la direccion de Newton para la funcion f , se obtiene la
siguiente ecuacion diferencial
x = p(x).

(IV.3.12)

Una manera de resolver numericamente esta ecuacion, ver Captulo VII,

consiste en aproximar la solucion mediante segmentos poligonales, es decir,
definir una sucesion de vertices, dados por
xk+1 = xk k p(xk ),

(IV.3.13)

este metodo de resolucion de ecuaciones diferenciales es conocido como el

metodo de Euler.
El metodo modificado se lo conococe como -estrategia y su formulacion
es la siguiente:
1
xk = (f (xk )) f (xk ),
(IV.3.14)
xk+1 = xk + k xk .
Si k = 1 para todo k, se tiene el metodo de Newton usual. La otra situacion
es escoger k , tal que
g() = kAf (xk + k xk )k min,
presentandose dos interrogantes:
Como escoger la matriz A?

(IV.3.15)

IV.3 M
etodo de Newton

195

Como calcular el mnimo de g()?

La eleccion de A, se la realiza considerando los siguientes hechos. Se
desea que
kxk + k xk x k min,
donde x es la solucion de f (x) = 0. No se conoce por el momento x , pero
se sabe f (x ) = 0. Se tiene, las siguientes aproximaciones:
f (x) f (x ) f (x )(x x ) f (xk )(x x )
con x = xk + k xk , de donde
1

xk + k xk x = (f (xk ))

f (xk + xk ),

escogiendo, de esta manera

1

A = (f (xk ))

(IV.3.16)

1
Por lo tanto (IV.3.15), se convierte en g() = (f (xk )) f (xk + xk ) y el
problema radica en determinar , para que g() sea mnimo. A continuacion
se da un algoritmo simple que permite determinar este :
k de k . Se tiene dos
Supongase que se conoce xk y una aproximacion
casos:
k ) 0, es decir xk +
k es peor que xk .
a) g(
Se busca el mas peque
no de los j > 1, tal que
k 2j ) < g(0),
g(
k 2j .
se plantea k =
k ) < 0. Se busca el j > 0 mas peque
b) g(
no tal que
k ) > g(2j
k )
g(2j+1
k .
y se plantea k = 2j
En ambos casos k no debe ser mas grande que 1.
k ? UtiFinalmente surge la u
ltima interrogante, Como determinar
lizando un desarrollo de Taylor se tiene:
(f (xk ))1 f (xk + xk ))


2

1
3
f (xk ) + f (xk )xk + f (xk )(xk , xk ) + O( )
= (f (xk ))
2

196

IV Ecuaciones No Lineales

Por otro lado f (xk ) + f (xk )xk = (1 )xk y (f (xk ))1 f (xk ) = xk ,
de donde utilizando el desarrollo de Taylor, la desigualdad del triangulo y
las observaciones anteriores, se tiene
2
hk + O(3 ))
2


donde hk = (f (xk ))1 f (xk )(xk , xk ) / kxk k . Despreciando el termino O(3 ), se obtiene un polinomio de grado 2, cuyo mnimo se encuentra
en
k = 1 ,

(IV.3.17)
hk
g() kxk k (1 +

faltando determinar hk . Como es pr

acticamente imposible determinar con
exactitud hk solo se requiere encontrar una buena aproximacion de hk . Para
tal efecto, se supone que se ha efectuado k 1 iteraciones, teniendo:
xk = (f (xk ))1 f (xk ),
dk = (f (xk1 ))1 f (xk ),
x

dk xk = (f (xk1 ))1 (f (xk ) f (xk1 ))x

dk
x
dk ).
(f (xk1 ))1 f (xk )(xk xk1 , x

Pasando a las normas se obtiene la siguiente relacion:

de donde

d
xk xk

hk
d
k1 kxk1 k x
k ,
kxk k

k
k = min 1, k1 kxk1 k kx
k .

d
d
xk xk xk

(IV.3.18)

Ejemplo
Considerese, la funcion f definida por
f (x) =

13x1 + x2 ((5 x2 ) 2)
29 + x1 + x2 ((1 + x2 )x2 14)

Tomando como valor inicial x1 = 0, 5 y x2 = 2, 24, se resolver

a el
problema f (x) = 0, utilizando la -estrategia, el metodo de Newton en
su version original. A continuacion se presentan los resultados obtenidos
para ambos:

IV.3 M
etodo de Newton

197

Tabla IV.3.3. Resultados con -estrategia.

Iteraci
on
1
2
3

x1

kxk

x2

8.5849058 3.94357758

7.8125 103

1183.1361

4.989738

4.0012650

4.9999949

4.0000006 1.03345 102

4.9999999

5.0

4.000000
4.0

13.574766

1.0

5.08213 10
0.0

Tabla IV.3.4. Resultados sin -estrategia.

Iteraci
on
1
2
3
4

x1

x2

1162.367 220.297
47637.0

21035.69

kxk
1183.1

147.095

46474.7

98.296

26601.42

9256.28 65.77062

11779.45

1755.45

4049.98 44.09533

5206.34

29.658

2294.57

748.669

20.056

1006.82

310.0149

13.688

438.7011

121.126

9.5002

188.934

41.5288

6.8016

79.6434

9.51218

5.16002

32.05875

1.887

4.3114

11.4307

13

4.7248

4.03167

2.8516

14

4.9968

4.0003

0.27378

15

4.9999

4.0000

16

4.9999

4.0

3.149 103

17

5.0

4.0

5
6
7
8
9
10
11
12

4.566 107
0.0

1.0
1.0
1.0

198

IV Ecuaciones No Lineales

Aproximaci
on de Broyden
Uno de los principales problemas en la implementacion del metodo de
Newton, tanto en su version con relajaci
on, como en su version original, es
el c
alculo de la matriz jacobiana f (xk ) en cada iteracion y por consiguiente
mediante el algoritmo de eliminacion de Gauss determinar la descomposici
on
LR de esta matriz. Existen muchas alternativas para evitar el c
alculo de la
matriz jacobiana y su descomposici
on LR en cada iteracion. El siguiente
an
alisis permitir
a encontrar algunas de estas alternativas. Utilizando las
relaciones dadas por (IV.3.17) y (IV.3.18) respecto a la determinaci
on de los
coeficientes de relajaci
on, la experiencia numerica indica que, si k hk 101
se puede tomar en el lugar de f (xk+1 ) f (xk ). En este caso se tiene
la versi
on simplificada del metodo de Newton. Sin embargo, existe otra
alternativa descubierta por Broyden en 1965. Se supone, que se conoce una
aproximacion Jk de f (xk ), es decir
Jk f (xk )

(IV.3.19)

de donde el metodo de Newton est

a dado por
xk = Jk 1 f (xk ),
xk+1 = xk + xk
el objetivo es por consiguiente, encontrar Jk+1 una aproximacion simple de
calcular de f (xk+1 ). Para tal efecto, la matriz Jk debe permanecer igual en
las direcciones ortogonales a xk , es decir:
Jk+1 p = Jk p
pxk ;
Jk+1 xk = Jk xk + q;

(IV.3.20)

por lo tanto
q = Jk+1 xk Jk xk = f (xk ) +

Jk+1 xk ,
| {z }
f (xk+1 )xk
{z
}
|
f (xk+1 ) + O kxk2

de donde
Jk+1 xk = Jk xk + f (xk+1 ).
(IV.3.20)


k+1 < kxk k, donde
Proposici
on IV.3.6.- Si Jk es inversible y x
xk = Jk1 f (xk )

k+1 = J 1 f (xk+1 ),
x
k

IV.3 M
etodo de Newton

199

entonces Jk+1 es inversible.

Demostraci
on.- Sean, R y pxk , se va mostrar que ker Jk+1 = {0}.
En efecto:
0 = Jk+1 (x + p)
= (Jk xk + f (xk+1 ) + Jk p
= Jk (xk + p) + f (xk+1 )
k+1 ,
= xk + p x
introduciendo el producto escalar, multiplicando por xk , se obtiene:


k+1 , xk = 0,
kxk k2 x

por la desigualdad de Cauchy-Schwartz, se tiene


k+1 , xk  x
k+1 kxk k < kxk k2 ,
 x

de donde = 0 y por consiguiente p = 0.

k se propone en los ejercicios.

La determinaci
on de xk+1 y x

Ejercicios
1.- Utilizando el teorema de Newton-Kantorovich encontrar > 0 tal que
la iteracion
zk+1 = zk

f (zk )
f (zk )

f (z) = z 3 1

converge hacia 1, si z0 C satisface |z0 1| < .

2.- Sea D Rn y f : D Rn continuamente diferenciable. Para x0 D

sup
ongase que f (x0 ) 6= 0 y que f (x0 ) sea inversible. Mostrar que
p0 = f (x0 )1 f (x0 )
es la u
nica direccion que tiene la propiedad siguiente:
para toda matriz inversible A existe 0 > 0 tal que para 0 < < 0
kAf (x0 + p0 )k2 < kAf (x0 )k2 .
3.- En el artculo
R.S. Dembo, S.C. Eisenstat & T. Steighaug(1982): Inexact Newton
methods. SIAM J. Numer. Anal., vol. 19,400-408.

200

IV Ecuaciones No Lineales
los autores consideran la modificaci
on siguiente del metodo de Newton:
f (xk )xk = f (xk ) + k
xk+1 = x + l + xk .

(IV.3.22)

Las perturbaciones k pueden ser interpretadas como la influencia de

los errores de redondeo, como el error debido a una aproximacion de
f (xk ),... Supongase que k = (xk ) y que
k (x)k kf (x)k

(IV.3.23)

con < 1.
a) Mostrar el resultado:
Sea D Rn abierto, f : D Rn y : D Rn continuamente
diferenciables en D. Si la condici
on (IV.3.23) es satisfecha con < 1
y si kx0 k es suficientemente peque
no, entonces la iteracion (IV.3.21)
converge hacia una solucion de f (x) = 0.
b) El teorema precedente no es cierto, en general, si se remplaza < 1
por 1. Mostrarlo.
Indicaci
on. Encontrar una matriz M (x) tal que la iteracion (IV.3.21) se
vuelva equivalente a
M (xk )xk = f (xk ),
y aplicar el teorema de Newton-Kantorovich. Utilizar la norma
kukJ = kf (x0 )uk .
4.- (U. Ascher & Osborne 1987). Considerar una funcion f : R2 R2 que
satisfaga




1
1 0
4 3 3
f (0) =
f (0) =
,
0 1
10 4 3 3




1
1/ 3 1/ 3
4

,
f (u) =
f (u) =
1
1
5 3
donde u = f (0). Aplicar el metodo de Newton con el valor inicial
x0 = 0. Para la sucesion {xk } obtenida de esta manera mostrar:
a) xk+2 = xk para todo k 0;
b) el test de monotonocidad






1


1
(f (xk )) f (xk+1 ) < (f (xk )) f (xk )
2

IV.3 M
etodo de Newton

201

es satisfecho en cada iteracion.

5.- Sea f : Rn Rn dos veces diferenciable. Mostrar que
kf (x)(h, k)k M khk kkk

donde M = max
i


X X  2 fi


.
(x)
 xj xl

j

6.- Sea f : D R2 dada por D =

f (x) =

x1 x2
(x1 8)x2




x1
x2


| 1 < x1 , x2 < 3 ,

x0 =

0.125
0.125

Calcular los valores y del teorema de Newton-Misovski. Mostrar

que el metodo de Newton converge hacia una solucion de f (x) = 0.
7.- Sean f : D Rn 3 veces continuamente diferenciable, Jk una aproximacion de la matriz f (xk ) y p Rn , p 6= 0. Para la aproximacion de
Broyden
pt
Jk+1 = Jk + (f (xk + p) f (xk ) Jk p). t
pp
se tiene:
a) (Jk+1 f (x0 + p))p = (1 )(Jk f (xk ))p

3
+( 1)f (xk )(p, p) + O(kpk ).
2
b) para [0, 2]
2

kJk+1 f (x0 + p)k2 kJk f (xk )k2 + kf (xk )(p, .)k2 + O(kpk ).

8.- Supongase que se conoce una aproximacion J0 de f (x0 ), y su descomposici

on LR. Considere la iteracion
Jk xk = f (xk )
xk+1 = xk + xk
donde Jk+1 (aproximacion de Broyden), est
a definido por
Jk+1 xk = Jk xk + f (xk+1 );
Jk+1 p = Jk p, si pt xk = 0.
Sin calcular explicitamente J1 y J2 , encontrar formulas para x1 y x2 .

202

IV Ecuaciones No Lineales

9.- Considerese una funcion f : Rn Rm donde m < n. El conjunto

E = {x|g(x) = 0}
representa una superficie en Rn .
Dado x
Rn . Proponer un algoritmo para calcular el punto de E el mas
pr
oximo de x
. Estudiar las hipotesis para que el algoritmo converga.
10.- Considerese la ecuacion integrale de Fredholm (cf. Ejercicio 3 seccion
IV.3)
y(x) =

(3 sin x sin t + 2 sin(2x) sin(2t))(y(t) + (y(t))3 )dt

(IV.3.24)
y(x) = 0 es solucion de (IV.3.24) para todo R. Con las ideas del
ejercicio 3 de la anterior seccion se puede escribir (IV.3.24) bajo la forma
G(c1 , c2 , ) = 0.
Calcular los , donde det G (C, 0) = 0.
C
Interpretar estos puntos con el teorema de las funciones implicitas.
(Soluciones: 1 = 2, 2 = 3)
11.- Mostrar numericamente que para 1 = 1 + ( > 0) el problema
(IV.3.24) posee al menos 3 soluciones, para 1 > 2 al menos 5
soluciones.
Calcular tambien todas las soluciones de (IV.3.24) para = 10, (hay
13).

IV.4 M
etodo de Gauss Newton

El estudio de las ecuaciones realizados en las secciones precedentes, consistan

en problemas de la forma f (x) = 0 o su variante del punto fijo x = f (x),
donde f : D Rn Rn . Sin embargo, existen muchos problemas donde
intervienen ecuaciones no lineales, que se encuentrar en una diversidad de
problemas, sobre todo en la determinaci
on de parametros en el analisis de
datos. El problema puede formularse de la siguiente manera. Sea
f : D Rn Rm

con

n m,

el problema consiste en encontrar x D, tal que

kf (x)k2 min .

(IV.4.1)

En el captulo II.5, se abordo el problema bajo su forma lineal, se

formulo el metodo QR para resolver este problema, y as mismo se introdujo
la noci
on de pseudo-inversa de una matriz. Para el problema no lineal, se
sigue el mismo esquema. Pero antes de continuar en esa direccion, existe
una alternativa de solucion. Se define la funcion g : D Rn de la manera
siguiente
2
g(x) = kf (x)k2 ,
(IV.4.2)
de donde

g (x) = 2(f (x)) f (x),

(IV.4.3)
t

se busca, por consiguiente, los x D tales que (f (x)) f (x) = 0. En principio

se podra utilizar el metodo de Newton para resolver este problema, pero la
principal desventaja, consiste en calcular la segunda derivada de f . Este
algoritmo da los mnimos locales.
La otra alternativa de solucion de este problema, se la dio mas arriba,
es el metodo de Gauss-Newton. Al igual que en el metodo de Newton, la
idea principal de este metodo consiste en linearizar el problema. Sea x0 D
un valor inicial. Utilizando un desarrollo de Taylor en x0 se obtiene
2

kf (x)k2 = kf (x0 ) + f (x0 )(x x0 ) + k2 ,

considerando los terminos lineales del segundo miembro de la ecuacion se
obtiene, al igual que en el captulo II.5,
+

x x0 = f (x0 ) f (x0 ),
+

donde f (x0 ) es la pseudo inversa de f (x).

(IV.4.4)

204

IV Ecuaciones No Lineales
Por lo tanto, se puede formular el metodo de Gauss-Newton, como:
+

xk = f (xk ) f (xk ),

(IV.4.5)

xk+1 = xk + xk .

El c
alculo de xk se lo realiza, utilizando la descomposici
on QR dada en
el captulo II.5. Como se puede observar, la implementaci
on del metodo de
Gauss-Newton es muy simple, y al igual que el metodo de Newton existen
muchas variantes o modificaciones de este.

Convergencia del M
etodo de Gauss-Newton
Sea, {xk } la sucesion definida por el metodo de Gauss-Newton, si esta
sucesion es convergente cuando k , se tiene
+

f (x) f (xk ) 0,

xk 0,

sup
ongase que lim xk = x , que el rango de f (x) es constante en un
k

vecindario de x , por que si no f (x) no sera continua, ver teorema II.5.6,

entonces
+
f (x ) f (x ) = 0.
(IV.4.6)
2

Por otro lado, si x D es un mnimo local de g(x) = kf (x)k2 , se tiene

xj

m
X

fi (x)

i=1

=2

de donde

m
X
fi
(x) fi (x) = 0,
xj
i=1
t

f (x) f (x) = 0.

j;

(IV.4.7)

Los resultados (IV.4.6) y (IV.4.7) est

an relacionados por el siguiente:
Proposici
on IV.4.1.- Se tiene
+

f (x) f (x) = 0 f (x) f (x).

(IV.4.8)

Demostraci
on.- Por el teorema II.5.5 existen dos matrices ortogonales U
y V , tales que

1
..

0
.
V t,
f (x) = U

k
0
0

IV.4 M
etodo de Gauss Newton

205

remplazando, se tiene

t
f (x) = V

..

0
U t = 0,

si y solamente si las primeras k componentes de U t f son nulas, si y solamente

si

1
1
..
+
0
.
U t = 0.
f (x) V

1
k
0
0

A la diferencia del metodo de Newton, el metodo de Gauss-Newton
ofrece solamente convergencia de tipo lineal, situacion que ser
a mostrada a
continuacion. Como antes, se define g(x) = (f (x))t f (x), si x es solucion
del problema de minimizacion de la norma euclidiana, se tiene g(x ) = 0.
El desarrollo en serie de Taylor en punto x de la funcion g, da el siguiente
resultado
2
0 = g(x) + g (x)(x x) + O(kx xk2 ),
por otra lado, la funcion g y sus derivadas parciales satisfacen:
gj (x) =
gj
(x) =
xk
de donde

m
X
fi (x)

i=1
m
X
i=1

xj

fi (x),

m
X
2 fi (x)
fi
fi
fi (x) +
(x)
(x),
xj xk
x
x
j
k
i=1
t

g (x) = B(x)(f (x), ) + f (x) f (x),

con B(x) una forma bilineal simetrica. Por consiguiente el desarrollo de

Taylor de g en xk , el k-esimo valor obtenido en la iteracion del metodo de
Gauss-Newton, es igual a
t

0 = f (xk ) f (xk ) + f (xk ) f (xk )(x xk ) + B(xk )(f (xk ), x xk )

+O(kx xk k22 ),

y por el metodo de Gauss Newton, se tiene

+

xk+1 xk = f (xk ) f (xk ),

206

IV Ecuaciones No Lineales
t

multiplicando esta u
ltima expresi
on por f (xk ) f (xk ) se obtiene
t

0 = f (xk ) f (xk )f (xk ) f (xk ) + f (xk ) f (xk )(xk+1 xk ),

y utilizando el teorema II.5.7, el inciso d), se tiene finalmente
t

f (xk ) f (xk ) + f (xk ) f (xk )(xk+1 xk );

sustrayendo esta u
ltima expresi
on con aquella concerniente al desarrollo de
Taylor, se obtiene
t

0 = f (xk ) f (xk )(xk+1 x ) + B(xk )(f (xk ), x xk ) + O(kx xk k2 ).

Ahora bien, sup
ongase adem
as que rang f (xk ) = n, es decir que el rango
sea maximal. De donde se tiene

1
t
2
xk+1 x = f (xk ) f (xk )
B(xk )(f (xk ), x xk ) + O(kx xk k2 ),
por consiguiente, el metodo de Gauss-Newton converge linealmente si


1
t

f (xk ) f (xk )
B(xk )(f (xk ), ) < 1;
y diverge si



f (xk ) f (xk )

1

B(xk )(f (xk ), )

> 1.

Debe observarse que si f (x )=0, el metodo de Gauss-Newton converge

cuadraticamente, en este caso se tiene un problema compatible. Por otro
lado, el problema inicial era buscar x tal que f (x) = 0, motivo por el cual se
debe esperar que la solucion encontrada por el metodo de Gauss-Newton de
f (x ) bastante peque
no, de manera que el radio espectral sea mas peque
no
que 1.
Al igual que en el metodo de Newton, el c
alculo de f (x) se lo realiza en muchas ocaciones numericamente, o en los casos en que se pueda
analticamente. Es indudable que la matriz f (x) en las iteraciones del
metodo de Gauss-Newton tienen un componente de error, utilizando las

relaciones (IV.3.5) y (IV.3.6), este error es del orden de eps, donde eps
es la precisi
on del computador. Por consiguiente la k-esima iteracion del
metodo de Gauss-Newton, considerando que el error cometido por redondeo
se encuentra solamente en el c
alculo de f (x), est
a dada por
+

xk = (f (xk ) + E) f (xk ),

IV.4 M
etodo de Gauss Newton

207

con kEk2 = eps. Efectuando operaciones con la pseudo inversa, dadas en

el teorema II.5.7 se obtiene:

1
t
t
xk = (f (xk ) + E) (f (xk ) + E)
(f (xk ) + E) f (xk ),


t
t
(f (xk ) + E) (f (xk ) + E) xk = (f (xk ) + E) f (xk ),


t
t
(f (xk ) + E) (f (xk ) + E) xk + (f (xk ) + E) f (xk ) = 0,
despreciando E en el primer termino de la u
ltima ecuacion, se obtiene


t
t
f (xk ) f (xk ) xk + f (xk ) f (xk ) + E t f (xk ) = 0,

introduciendo en la serie de Taylor, como se hizo mas arriba, se obtiene

t

E t f (xk ) = f (xk ) f (xk )(xk+1 x ) + B(xk )(f (xk ), x xk )

+O(kx xk k22 ),

mostrando as que si f (x ) 6= 0, es inutil buscar una precisi

on superior a

eps.

Modificaciones del M
etodo de Gauss-Newton
Similarmente al metodo de Newton, existen varias modificaciones del metodo
original de Gauss-Newton. Una de las mayores dificultades en la implementacion de este metodo consiste en calcular f (xk ) en cada iteracion.
Por consiguiente, una primera modificaci
on consiste en utilizar el metodo
de Gauss-Newton simplificado, el cual est
a dado por:
(
x0 bastante pr
oximo de la solucion,
+

xk = f (x0 ) f (xk ),

La principal ventaja de utilizar el metodo de Gauss-Newton simplificado

consiste en calcular por una vez f (x0 ) y luego efectuar la descomposici
on
QR. Sin embargo existe una desventaja, que no se puede llegar a la solucion
x , si f (x ) 6= 0, esto se ha observado al finalizar la anterior subsecci
on.
Otra modificaci
on corrientemente utilizada en el metodo de GaussNewton consiste en utilizar coeficientes de relajaci
on o mas conocido como la
-estrategia. Sobre todo, se utiliza la relajaci
on cuando los valores iniciales
utilizados para activar el metodo no est
an muy cerca de la solucion buscada,
adem
as como un medio de aceleraci
on de convergencia. Por lo tanto el
metodo de Gauss-Newton con -estrategia, est
a dado por

oximo de la solucion;

x0 bastante pr
+
xk = f (x0 ) f (xk ),

xk+1 = xk + k xk , 0 < k 1.

208

IV Ecuaciones No Lineales

El valor k se determina de la misma manera, que para el metodo de Newton,

con la u
nica variaci
on de utilizar la pseudo-inversa en el lugar de la inversa.
Ejemplos
1.- Este ejemplo est
a relacionado con la subsecci
on concerniente a la
convergencia del metodo de Gauss-Newton. Se busca x R tal que
g(t) = ext ajuste lo mejor posible m puntos (ti , yi ), i = 1, . . . , m; con
m 1. Por consiguiente, el problema consiste en determinar x tal que
m
X
i=1

(yi exti ) min,

de donde, dentro las caractersticas de la aplicaci

on del metodo de
Gauss-Newton se tiene:
xt

e 1 y1
t1 ext1

.
.
,
..
..
f (x) =
f (x) =
,
xtm
xtm
tm e
e
ym
continuando con los c
alculos se tiene:
t

f (x) f (x) =

m
X

(ti exti )2 ,

i=1

B(x)(f (x), ) =

m
X
i=1

Sea por otro lado tal que

 xt

e i yi  exti

t2i exti (exti yi ).

i = 1, . . . , m;

obteniendo, la mayoracion siguiente

 m

X

2 xti xti

ti e (e yi ) 

 i=1


 ,
m


X


xti 2
(ti e )




i=1

se tiene convergencia si < 1.

2.- Este ejemplo es una ilustraci

on numerica de la implementacion del
metodo de Gauss-Newton con relajaci
on. El problema consiste en
determinar la circunferencia que pasa lo mas cerca posible de los

IV.4 M
etodo de Gauss Newton

209

siguientes puntos: (2, 3), (2, 1), (1, 2), (3, 2) y (2.5, 2.5). Ahora bien la
ecuacion de una circunferencia de centro (h, k) y radio r est
a dada por

(x h)2 + (x k)2 r 2 = 0,

por consiguiente el problema consiste en determinar h, k y r de manera

que se obtenga la circunferencia mas pr
oxima a estos puntos. Para la
implementacion del metodo de Gauss-Newton, se tiene que

(h 2)2 + (k 3)2 r 2
(h 2)2 + (k 1)2 r 2

f (h, k, r) = (h 1)2 + (k 2)2 r 2

(h 3)2 + (k 2)2 r 2
(h 2.5)2 + (k 2.5)2 r 2

Despues de un simple grafico, se puede tomar como valores iniciales

h = 2, k = 2 y r = 1, utilizando el metodo de Gauss-Newton con
relajaci
on despues de 5 iteraciones, se obtiene los siguientes valores:

h =1.95833333333295,
k =1.95833333333295,
r =0.959239125904873

En la figura IV.4.1, se tiene la grafica de la circunferencia resultante

210

IV Ecuaciones No Lineales
del metodo de Gauss-Newton.
4.0
3.5
3.0
2.5
2.0
1.5
1.0
.5
.0
.0

.5

1.0

1.5

2.0

2.5

3.0

3.5

Figura IV.4.1. Circunferencia del metodo de Gauss-Newton.

4.0

IV.4 M
etodo de Gauss Newton

211

El M
etodo de Levenberg-Marquandt
El problema abordado en esta seccion, es resolver kf (x)k min, donde
f : Rn Rm , con n m. El metodo propuesto en el anterior paragrafo
fue el metodo de Gauss-Newton. Como se ha visto, uno de los mayores
incovenientes es que para iniciar las iteraciones se debe partir de un punto
inicial bastante pr
oximo de la solucion, por otro lado los analisis hechos se
basan en el supuesto que f (x) es de rango igual a n, es decir de rango maximal, adem
as si f (x) no es lo suficientemente peque
no el metodo de GaussNewton diverge. Por las razones expuestas es necesario formular un metodo
alternativo que permita evitar las situaciones enumeradas anteriormente.
El metodo de Levenberg-Marquandt que constituye un metodo alternativo para resolver el problema de encontrar x con kf (x)k mnima, se basa en
las siguientes ideas. Al formular el metodo de Gauss-Newton, se considero
la serie de Taylor de f (x) en el punto xk , resultado de la k 1 iteracion y
se plante
o
kf (x)k = kf (xk ) + f (xk )(x xk ) + O(kx xk k)k min,
suponiendo que x xk es lo suficientemente peque
no, se obtena como
formulacion del metodo de Gauss-Newton
kf (xk ) + f (xk )(x xk )k min,
y como condici
on suplementaria deseable
kx xk k min,
La idea de Levenberg fue de considerar el problema siguiente para determinar
el valor de xk+1
2

kf (xk ) + f (xk )(x xk )k2 + p kx xk k22 min,

(IV.4.9)

donde p > 0 es un parametro fijo. Si se deriva una vez la expresi

on (IV.4.9),
se obtiene:
t

2f (xk ) (f (xk ) + f (xk )(x xk )) + 2p(x xk ) = 0,


t
t
f (xk ) f (xk ) + pI (xk+1 xk ) = f (xk ) f (xk ).

(IV.4.10)

Dependiendo de la eleccion del parametro p, el metodo de LevenbergMarquandt, tiene los siguientes comportamientos:
Si p 0, se tiene el metodo de Gauss-Newton, para ver realmente lo
que sucede ver el captulo II, seccion 5, ejercicio 5.

212

IV Ecuaciones No Lineales

Si p es muy grande, entonces

1
t
xk = f (xk ) f (xk ),
p
de esta manera, se tiene la direccion de la pendiente mas grande, o
llamada tambien del gradiente, pero en este caso la convergencia podra
ser muy lenta.
La eleccion de p puede ser variable, en el sentido siguiente, comenzar con p
grande hasta que xk sea bastante peque
no y luego hacer decrecer p hasta
obtener el metodo de Gauss-Newton.

Ejercicios
1.- Encontrar una elipse, una hiperbola, que pasa lo mejor posible por los
puntos (xi , yi )i=1,...,m . Por ejemplo m = 10; (1/2, 1), (1/2, 0.1),
(2.5, 1), (1.5, 1.5), (0.3, 1.5), (0.5, 2), (3, 0.1), (3, 0.3), (2.5, 1),
(0.5, 3.5).
Indicaciones.- Plantear
f (x, y) = ax2 + 2bxy + cy 2 + dx + ey + g
y encontrar a, b, c, d, e, g tales que
m
X

f (xi , yi )

i=1

2

min

bajo la condici
on ac b2 = 1 para la elipse, y ac b2 = 1 para la
hiperbola.
2.- Considerese el problema de localizar un barco en el oceano. Para
volver el c
alculo mas simple, se supondr
a que la curvatura terrestre
es despreciable y que todos los puntos est
an situados en el sistema
de coordenadas rectangulares (x, y). Sobre el barco, se mide el angulo
entre el eje x y las varias estaciones emisoras, cuyas coordenadas son
conocidas.
i
xi
yi
i
1

42

158

248

IV.4 M
etodo de Gauss Newton

213

Te
oricamente, la posici
on (x, y) del barco satisface la relacion
arctan

y yi
x xi

= i

i.

Encontrar la posici
on probable de este. Las coordenadas aproximadas
del barco son x0 = 3, y0 = 2.
Atenci
on.- Hacer los c
alculos en radianes y utilizar siempre la misma
rama de la funcion arctan.

Captulo V
C
alculo de Valores Propios

La determinaci
on de valores propios o autovalores de una matriz A es
muy corriente en la resolucion de m
ultiples problemas. Sus aplicaciones van
desde problemas de minimizacion y maximizacion, soluci
on de sistemas de
ecuaciones diferenciales, ecuaciones con derivadas parciales, etc. El c
alculo
de valores propios y la determinaci
on de vectores propios para matriz de
un orden inferior o igual a 3 no presenta mayor problema, puesto que su
solucion depende del polinomio caracterstico cuyo grado en este caso es
inferior o igual a 3. Sin embargo, aquellos problemas, donde se requiere saber
los valores y vectores propios, provienen de matrices cuyo orden es mucho
mas grande que 3 Es por eso, necesario e imprecindible formular metodos y
algoritmos, lo mas eficientes posibles, teniendo en cuenta las particularidades
de las matrices que son estudiadas. Ahora bien, la mayor parte de los metodos
consevidos sirven para matrices simetricas o matrices normales, pues son
estas, las que se encuentran en la mayor parte de los problemas.
En este captulo, se estudiar
an y formularan tales metodos, pero se
comenzara haciendo una introduccion te
orica del problema de la determinaci
on de autovalores y vectores propios. Como segunda parte de este
captulo, se tendra la formulacion de estos metodos.

V.1 Teora Cl
asica y Condici
on del Problema

En esta seccion, se tratara los aspectos te

oricos indispensables para la
comprensi
on del problema de la evaluaci
on de valores propios de una matriz
A de orden n.
Definici
on V.1.1.- Sea A una matriz de n n a coeficientes complejos o
reales. C es un valor propio, si existe x Cn no nulo, tal que
Ax = x.

(V.1.1)

Si este es el caso, x es un vector propio asociado al valor propio .

Proposici
on V.1.2.- Sea A Mn (C), C es un valor propio, si y
solamente si
ker(A I) 6= {0}.
Demostraci
on.- Resultado inmediato de la definicion.

Consecuencia de la anterior proposici

on, se tiene que es un valor propio
si y solamente si
det(A I) = 0,
(IV.1.2)
de donde, se tiene la:
Definici
on V.1.3.- El polinomio caracterstico de la matriz A Mn (Cn )
est
a dado por
A () = det(A I).
(IV.1.3)
Por consiguiente, se deduce facilmente que es un valor propio de A
si y solamente si es una raiz de A (). Por otro lado, este polinomio es
a coeficientes complejos, de donde existen n valores propios, contando su
multiplicidad, de la matriz A Mn (C).
Proposici
on V.1.4.- Valor propio es una propiedad invariante por similaridad, es decir si B = T 1 AT , con T inversible, entonces A y B tienen los
mismos valores propios.
Demostraci
on.- En efecto, sea valor propio de A, entonces existe un
vector propio asociado a que se lo denota por v, se tiene
BT 1 v = T 1 AT T 1 v = T 1 Av = T 1 v,
de donde es un valor propio de B con T 1 v valor propio asociado.

 sica y Condicio
n del Problema
V.1 Teora Cla

215

Definici
on V.1.5.- Sea A Mn (C), se define la adjunta de A por
Aij = a
ji .
Definici
on V.1.6.- Se dice que una matriz U es unitaria si
U U = I.
Vale la pena recalcar, que una matriz ortogonal a coeficientes reales
es unitaria, y recprocamente una matriz unitaria a coeficientes reales es
ortogonal, en el caso en que existieran coeficientes complejos no reales la
situacion cambia. Por otro lado, es facil ver que el conjunto de las matrices
unitarias forman un grupo para la multiplicacion de matrices.
Teorema V.1.7.- Schur. Para cada matriz A Mn (C), existe una matriz
Q unitaria, tal que

1
0

Q AQ =

..

Demostraci
on.- Sea A una matriz cualquiera, entonces existe 1 que es
raiz de det(A I), de donde existe v1 vector propio asociado a 1 , se puede
suponer, sin perder generalidad, que kv1 k2 = 1. Se plantea
Q1 = (v1 , v2 , . . . , vn ),
con v2 , . . . , vn elegidos de manera que Q1 sea unitaria. Esta eleccion es
posible con el procedimiento de Gramm-Schmidt en el caso complejo. Se
observa inmediatamente, que

1 . . .

0
.
AQ1 = Q1
(1)

...
A
0
2 de orden n 1, tal que
De la misma manera se encuentra una matriz Q

2 . . .

0
,
2 = Q2 .
A(1) Q

..
A(2)
0

 lculo de Valores Propios

V Ca

216
y planteando

Q2 =
se tiene

1 0
2
0 Q

1
0

AQ1 Q2 = Q2 Q1

0
..
.

A(2)

repetiendo el procedimiento las veces que sea necesario, se tiene el resultado deseado. Cabe recalcar que este procedimiento da la descomposicion
requerida en a lo mas n pasos.

Teorema V.1.8.- Si A es normal, es decir A A = AA , entonces existe una
matriz unitaria Q tal que

Q AQ =

0
..

Demostraci
on.- Si la matriz A es normal y Q es unitaria, entonces Q AQ
es normal. En efecto

(Q AQ) (Q AQ) = Q A QQ AQ
= Q AA Q

= (Q AQ) (Q AQ) .
queda por demostrar, que si

1
0
B=

..

es triangular y normal, entonces

B=
Puesto que BB = B B, se tiene

1
0

..
.

0
n

 sica y Condicio
n del Problema
V.1 Teora Cla

0
2

..

1
0 0

n
0

..

1
0
=

n

2
..
.

de donde

0
2

..

n
2

217

0
,

|1 | = |1 | + || + + || ,
dando como resultado que la primera fila fuera del coeficiente de la diagonal
es nulo. Se continua con el mismo procedimiento hasta mostrar que B es
diagonal.


La condici
on del Problema a Valores Propios
Sea, A una matriz cualquiera a coeficientes complejos de orden n. Al igual que
en captulo II, es importante conocer la condici
on del problema planteado,
es decir la determinaci
on de valores propios. Para tal efecto sea A la matriz
con errores de redondeo de A, repasando la seccion II.1, se tiene que los
coeficientes de A satisfacen
a
ij = aij (1 + ij )

|ij | eps,

aij los coeficientes de A y eps la precisi

donde a
ij son los coeficientes de A,
on
de la computadora. Por consiguiente, el estudio de los valores propios de A
ij
de
pueden estudiarse de manera, mas general, para A + C, con cij =
eps
donde |cij | |aij |. Definiendo
f (, ) = det(A + C I),
se tiene inmediatamente que
f (0, ) = A ().
Supongase que 1 es una raiz simple de A (), entonces se tiene
f (0, 1 ) = 0,
f
(0, 1 ) 6= 0.

 lculo de Valores Propios

V Ca

218

Por el teorema de las funciones implcitas, se deduce que existe un vecindario

de (0, 1 ) en el cual existe una funcion (), tal que
f (, ()) = 0,
con

() = 1 + 1 + O(2 ).

Por consiguiente, se tiene el siguiente:

Teorema V.1.9.- Sea 1 una raiz simple de A (), entonces para 0,
existe un valor propio () de A + C, tal que
() = 1 +

u1 Cv1
+ O(2 )
u1 v1

(V.1.4)

donde Av1 = 1 v1 y u1 A = 1 u1 , u y v no nulos.

Demostraci
on.- Por el teorema, de las funciones implcitas se tiene
(A + C)v() = ()v(),
mas precisamente
(A + C)(v1 + v1 + O(2 )) = (1 + 1 + O(2 ))v1 ,
comparando los terminos de igual grado en cada miembro de la ecuacion
anterior, se tiene:
0 :
1

:
de donde

Av1 = 1 v1 ,
Av1 + Cv1 = 1 v1 + 1 v1 ,

(A 1 I) v1 = Cv1 + 1 v1 ,

multiplicando esta u
ltima por u1 , se obtiene

0 = u1 Cv1 + 1 u1 v1 .

Corolario V.1.10.- Si A es normal con valores propios diferentes, entonces



 u1 Cv1 


 u v1  kCk ,
1

es decir, el problema est

a bien condicionado.

 sica y Condicio
n del Problema
V.1 Teora Cla

219

Demostraci
on.- A es normal, por consiguiente existe una matriz Q unitaria
tal que

1
0
..
,
Q AQ =
.
0
n

una verificaci
on inmediata muestra que v1 es la primera columna de Q, as
mismo u1 es la primera fila de Q , de donde v1 = v1 , por lo tanto, se obtiene


 u1 Cv1  |u1 Cv1 |


 u v1  kv k2
1
1

kv1 k kCv1 k
2

kv1 k
kCk .

Ejemplos
1.- Se considera la matriz A definida por
A=

1
0 2

Es muy simple darse cuenta, que = 1 es un valor propio de A, por

consiguiente por simple inspeccion, se obtiene:
v1 =

 
1
,
0
1

de donde

u1 = p
1 + 2

1
u1 v1 = p
.
1 + 2

La matriz A es mal condicionada para el c

alculo de los valores propios
cuando , ya que u1 v1 0.
2.- El teorema de descomposici
on de Jordan indica que toda matriz A
es similar a una matriz de tipo Jordan, es decir existe una matriz T
inversible tal que
T 1 AT = J,

 lculo de Valores Propios

V Ca

220

donde J es una matriz diagonal por bloques,

J =

J(n1 , 1 )
..

.
J(nk , k )

J(ni , i ) =

1
..
.

.. .
.
i

Ahora bien, sup

ongase que A es similar a la matriz de tipo Jordan, dada
por

1 1 0 0
0 1 1 0
,

0 0 1 1
0 0 0 1
entonces se tiene que

det(A + C I) = (1 )4 + + O(2 ),
donde C es una perturbacion de A.
Calculando los valores propios de A + C, ver figura V.1.1, es facil ver
que el problema de determinar valores propios de A es un problema mal
condicionado

Figura IV.1.1. Determinaci

on de los valores propios de A + C

 sica y Condicio
n del Problema
V.1 Teora Cla

221

Ejercicios
1.- Una matriz A es de tipo Frobenius, si es de la forma

0
...
A=
0

a0

1
0

a1

..
.
0
an2
0

0
..
.
1
an1

a) Verificar que


det(A I) = (1)n n + an1 n1 + + a1 + a0 .

b) Calcular los vectores propios de A.

2.- Calcular los valores propios de la matriz tridiagonal

a
b

A=

c
a c
b a
b

n.
c

..
.

Las componentes del vector propio (v1 , v2 , , vn )t satisfacen una ecuaci

on de diferencias finitas con v0 = vn+1 = 0.
Verificar que vj = Const(1j 2j ) donde
a
1 + 2 =
,
c

b
1 2 = ,
c

1
2

n+1

= 1.

3.- Mostrar que los valores propios de una matriz A satisfacen

n
X
i=1

|i |

n
X

i,j=1

|aij | .

Se tiene igualdad, si y solamente si, A es diagonalizable con una matriz

unitaria.
n
X
2
Indicaci
on.|aij | es la traza de A A que es invariante respecto a
i,j=1

la transformacion A Q AQ.

 lculo de Valores Propios

V Ca

222

4.- Supongase que los valores propios de A con aij R son: + i, i,

3 , . . . , n con 6= 0, 3 , . . . , n diferentes. Mostrar que existe una
matriz T inversible con coeficientes reales tal que

T 1 AT =

0
3

..

.
n

Dar una relacion entre las columnas de T y los vectores propios de A.

5.- Sea A una matriz simetrica y B una matriz cualquiera. Para cada valor
propio B de B existe un valor propio de A de A tal que
|A B | kA Bk2 .
Indicaci
on.- Mostrar primero para un cierto v
v = (A B I)1 (A B)v,
deducir que




1 (A B I)1 (A B) kA Bk (A B I)1 .

6.- Sea A una matriz simetrica. Para cada ndice i existe un valor propio
de A tal que
sX
| aii |
|aij |2 .
j6=i

Indicaci
on.- Utilizar el ejercicio 5 con una matriz B conveniente.

V.2 Determinaci
on de Valores Propios

En la actualidad, existen muchos metodos numericos para el c

alculo de valores propios de una matriz. Sin embargo, la mayor parte de las aplicaciones en
fsica y otras disciplinas requieren en la mayora de los casos, la utilizaci
on
de matrices normales. Motivo por el cual, existen metodos especficos a este
tipo de matrices. Se comenzara, esta seccion formulando el metodo de la
Potencia.

El M
etodo de la Potencia
Sea, A una matriz de n n con coeficientes reales o complejos, el objetivo es
determinar el valor propio mas grande en valor absoluto. Sea y0 Rn (Cn )
arbitrario, se define la sucesion {yn } Rn de manera recursiva, como
yn+1 = Ayn ,

(V.2.1)

es evidente que yn = An y0 . Esta sucesion tiene propiedades interesantes para

la determinaci
on del valor propio mas grande, que est
an dadas en el:
Teorema V.2.1.- Sea A diagonalizable, es decir que existe una matriz T
inversible tal que

1
0
..
,
T 1 AT =
.
0
n
sup
ongase que los valores propios satisfacen
|1 | > |2 | |3 | |n |
sucesion {yk } definida por yk+1 = Ayk satisface:
y e1 T 1 y0 6= 0.
" Entonces la
 k !#

2 
a) yk = k1 a1 v1 + O  
,
1
donde Av1 = 1 v1 , Avj = j vj ,
y0 = a1 v1 + a2 v2 + + an vn , y
T = (v1 , , vn ).
b) Se tiene el cociente de Rayleigh, dado por
 k !
 2 
yk Ayk
(V.2.2)
= 1 + O   ,

yk yk
1
si adem
as, la matriz A es normal, entonces
 2k !
 2 
yk Ayk
.
= 1 + O  

yk yk
1

(V.2.3)

 lculo de Valores Propios

V Ca

224

Demostraci
on.- Los vectores v1 , , vn forman una base del espacio Cn ,
de donde
y0 = a1 v1 + a2 v2 + + an vn ,
deduciendose
yk = a1 k1 v1 + a2 k2 v2 + + an kn vn ,
por consiguiente
yk
= a1 v1 + a2
k1

2
1

k

v2 + + an

n
1

k

vn ,

con lo queda demostrado el punto a). Para la demostracion del punto b), se
tiene:
yk = k1 a1 v1 + k2 a2 v2 + + kn vn ,
Ayk = k+1
a1 v1 + k+1
a2 v2 + + k+1
n vn ,
1
X2

k
k

v vj a
i a
j ,

y yk =
i

j i

i,j

yk Ayk =

k k+1 v vj a
i a
j ,

i
i j

i,j

obteniendo el cociente de Rayleigh, dado por

 2 !
 1 
yk Ayk
= 1 + O   ,

yk yk
2

ahora bien si A es normal, se tiene que vi vj = 0, si i 6= j; obteniendo para

X
i |i |2k vi vi ,
yk Ayk =
i

yk yk

X
i

|i |2k vi vi .

Ejemplo
Considerese, la matriz A definida por

2
1

A = 0

0
0

1
2
1
0
0

0
1
2
1
0

0
0
1
2
1

0
0

0,

1
2

 n de Valores Propios
V.2 Determinacio

225

utilizando el ejercicio 2 de la seccion V.1, se obtiene que el valor propio

mas grande est
a dado por

3
) 3, 73205,
1 = 2(1 +
2
Tomando y0 = (1, 1, 1, 1, 1)t , se obtiene los valores de 1 dadas en la
tabla V.2.1.
Tabla V.2.1. Valores de 1 .
Iter.

Iter.

3.6

3.696969

3.721854

3.729110

3.731205

3.731808

3.731981

3.732031

3.732045

10

3.732049

11

3.732050

12

3.732051

13

3.732051

14

3.732051

Las componentes del valor propio respecto a 1 est

an dados por

1.07735026
1.86602540

v = 2.1547005 .

1.866025
1.07735026

Uno de los inconvenientes de utilizar el metodo de la potencia es que

la convergencia puede ser muy lenta si |1 /2 | 1. Sin embargo, existe una
modificaci
on del metodo de la potencia para acelerar la convergencia. Este
metodo es mas conocido como el:
M
etodo de la Potencia Inversa
La modificaci
on consiste en aplicar el metodo de la potencia a
(I A)1 ,
donde es una aproximacion del valor propio buscado de la matriz A. La
justificacion te
orica est
a dada por la siguiente proposici
on:
Proposici
on V.2.2.- es valor propio de A, si y solamente si,
1

(V.2.4)

 lculo de Valores Propios

V Ca

226
es valor propio de (I A)1 .

Demostraci
on.- es valor propio de A, si y solamente si existe v 6= 0 tal
que
Av = v,
si y solamente si
(I A)v = ( )v,
1
(I A)1 v =
v.

Por otro lado aplicando, el teorema V.2.1 se tiene que la convergencia

es del orden

 !
 1 k
 .
O 
2 
el valor propio mas grande de (I A)1 , entonces se tiene que
Sea
1
1 = .

(V.2.5)

El metodo de la potencia da una relacion recursiva para los yk , que est

a dada
por
yk+1 = (I A)1 yk ,
pero en lugar de calcular la inversa de la matriz, se puede resolver la ecuacion
(I A)yk+1 = yk ,

(V.2.6)

utilizando para tal efecto el algoritmo de eliminacion de Gauss.

En el anterior ejemplo se tenia como valor de 1 = 3.697 despues de
2 iteraciones del metodo de la potencia inversa. Aplicando el metodo de la
potencia inversa con = 3.697, se obtiene despues de dos iteraciones:
= 232.83,

1 = 3.7334052.
Puede suceder que la matriz A sea a coeficientes reales, sin embargo, el
valor propio buscado no sea real si no que contenga una parte imaginaria.
Supongase que = + i sea una aproximacion del valor propio buscado.
Entonces aplicando el metodo de la potencia inversa, se tiene


( + i)I A yk+1 = yk ,

(V.2.7)

 n de Valores Propios
V.2 Determinacio

227

por otro lado los vectores yk pueden ser descompuestos en un vector real y
otro imaginario, de la manera siguiente
yk = uk + ivk ,

uk , vk Rn ,

de donde, se obtiene una nueva formulacion para el metodo de la potencia

inversa, dada por
  


uk
uk+1
I A
I
,
=
vk
vk+1
I
I A
y el cociente de Rayleigh est
a dado por
yk yk+1
(ut ivkt )(uk+1 + ivk+1 )
= k

yk yk
utk uk + vkt vk
(ut uk+1 + vkt vk+1 + i(utk vk+1 vkt uk+1 )
.
= k
utk uk + vkt vk

(V.2.8)

Formas Tridiagonales y Matrices de Hessenberg

El metodo de la potencia y su version de la potencia inversa son metodos
aplicables a matrices, donde el valor propio mas grande en valor absoluto
lo es estrictamente. Por otro lado es necesario darse un vector inicial cuya
proyeccion sobre el espacio propio, respecto a este valor propio sea no nula,
es decir se debe tener una idea clara de la posible ubicaci
on de los vectores
propios. Ahora bien, en muchos casos es necesario conocer los diferentes
valores propios, situacion que no es posible con las dos versiones del metodo
de la potencia estudiados mas arriba.
Una gran clase de metodos de c
alculo de valores propios est
an dise
nados
para operar con matrices tridiagonales, sobre todo si estas son simetricas.
El objetivo de este paragrafo es construir algoritmos que permitan tridiagonalizar una matriz arbitraria, conservando las propiedades originales en los
casos en que sea posible.
Sea, A una matriz arbitraria de orden n n, se busca una transformacion, T tal que

..

..

..
T 1 AT = H =
.
. .

..
..

.
.

H es conocida bajo el nombre de matriz de Hessenberg. A continuacion, se

propone como algoritmo de reducci
on a la forma de Hessenberg, utilizando
matrices de tipo L, del algoritmo de eliminacion de Gauss.

 lculo de Valores Propios

V Ca

228
Algoritmo 1.
1.- Sea A una matriz arbitraria,
se busca |ak1 | = max |aj1 |,
j=2,...,n

se intercambia las filas k y 2 y tambien las columnas k y 2,

se define la matriz L2 por

1
0
1
0

ai1
0 l32 1
,
, i = 2, . . . , n;
L2 =
li2 =

.
a
.
21

..
..
0 ln2
1
se obtiene

L2 AL1
=
2

0
..
.

A(1)

2.- Se aplica el paso 1 a la matriz A(1) , y se continua hasta obtener una

matriz de Hessenberg.
La principal desventaja de utilizar este primer algoritmo propuesto es
que, si A es una matriz simetrica, H no lo es en general. Recordando el
captulo II.5, existe el algoritmo QR para reducir una matriz A a la forma
triangular. Es facil verificar que H = Qt AQ es simetrica, si Q es ortogonal
y A es simetrica. Por consiguiente, el segundo algoritmo propuesto utiliza
matrices de Householder para convertir una matriz A en una matriz de
Hessenberg.
Algoritmo 2.
1.- Sea A una matriz arbitraria, que puede escribirse, como


a11 a1n
,
A=
A1 An
por consiguiente Ak Rn1 .
Se define Q2 por

Q2 =

1 0
0 Q2

donde Q2 = I 2u2 ut2 , u2 est

a determinado por la condici
on, ver
Captulo V.2,

2

Q2 A1 =
... , 2 = signo a21 kA1 k2 ;
0

 n de Valores Propios
V.2 Determinacio
obteniendo
Q2 AQ1
2

0
..
.

229

A(1)

2.- Se procede como en 1, hasta obtener la forma de Hessenberg.

Teorema de Sturm y M
etodo de la Bisecci
on
Al utilizar el algoritmo 2, de la anterior subsecci
on, a una matriz A simetrica
se obtiene una matriz tridiagonal simetrica, que se la denota nuevamente por
A, para no cargar la notacion. Por consiguiente, A es de la forma

d1
e2

A=

e2
d2

e3
..
.
..
.

e3

..

..

.
en

en
dn

(V.2.9)

Se define, el polinomio p0 (x) por

p0 (x) = 1,

(V.2.10)

y los polinomios pi (x) i = 1, . . . , n, como

pi (x) = det(Ai xI),
donde
A=

Ai
0

(V.2.11)

Ai es la matriz formada por las primeras i filas y columnas de A. Por lo

tanto, se tiene
Pn (x) = det(A xI).
(V.2.12)
Por otro lado, los determinantes que definen estos polinomios cumplen la
siguiente relacion recursiva
det(Ai xI) = (di x) det(Ai1 xI) e2i det(Ai2 xI),

i = 2, 3, . . . , n;

de donde
pi (x) = (di x)pi1 (x) e2i pi2 (x),

i = 2, 3, . . . , n.

(V.2.13)

 lculo de Valores Propios

V Ca

230

Teorema V.2.3.- Sea A una matriz tridiagonal y simetrica con los coeficientes ei 6= 0 para i = 2, . . . , n. Entonces:
a) Las raices de pn (x) = A (x) son simples,
b) pn (i ) pn1 (i ) < 0 si i es una raiz de pn (x),
c) pj (x ) = 0 (1 j n 1, x R) pj1 (x )pj+1 (x ) < 0,
d) p0 (x) 0 para todo x R.
Demostraci
on.- El punto d) se verifica inmediatamente puesto que p0 (x) =
1 por definicion.
La demostracion del punto c) se la realiza por el absurdo, en efecto,
si se tuviera pj (x ) = 0 y pj+1 (x ) = 0, utilizando (V.2.13), se tendra
p0 (x ) = 0 lo cual contradice el hecho que p0 (x ) = 1. Ahora bien, utilizando
nuevamente (V.2.13) se tiene en el caso en que pj (x ) = 0
pj1 (x ) = e2nj+1 pj+1 (x ).
El punto b) implica el punto a), ya que pn (i ) 6= 0 conduce a que i sea
raiz simple. S
olo queda el punto b) por demostrar.
Se define, los polinomios:
qi (x) = (1)i pi (x)
q0 (x) = p0 (x);

1
,
e2 e3 ei+1

i = 1, . . . , n;

donde en+1 = 1. Efectuando c

alculos sobre los polinomios qj (x), se tiene
(1)i qi (x)e2 ei+1 =(di x)(1)i1 qi1 (x)e2 ei

e2i (1)i2 qi2 (x)e2 ei1 ,

de donde

ei+1 qi (x) + (di x)qi1 (x) + ei qi2 (x) = 0,

i = 2, . . . , n.

Esta u
ltima relacion puede escribirse de manera matricial, como

d1 x
e2
d2 x e3
e2

..

.
e3

...
|

{z
A xI

..
..

.
en

q (x)

0
0

..
q1 (x)

.
.
=

..

0
.
en q
qn (x)
n1 (x)
{z
}
dn x |
} q(x) 6= 0

Si i es valor propio de A, entonces q(i ) es un vector propio, derivando

la relacion matricial, se obtiene

 n de Valores Propios
V.2 Determinacio

q(x) + (A xI)q (x) =

231
0
..
.
0
qn (x)

multiplicando por la traspuesta de q(x), se tiene

0
..
.

,
q t (x)q(x) + q t (x)(A xI)q (x) = q t (x)

{z
}
|
0
= 0 si x = i
qn (x)

de donde

qn (i )qn1 (i ) = kq(i )k < 0,

dando por consiguiente
pn (i )pn1 (i ) < 0.

Cabe remarcar que los polinomios pi (x) i = 0, . . . , n; forman una
sucesion de Sturm, cuyo estudio y c
alculo de raices est
an dados en la
primera seccion del captulo IV concerniente a la resolucion de ecuaciones
polinomiales. Por consiguiente el n
umero de valores propios de la matriz A
en el intervalo [a, b], est
a dado por
w(b) w(a),

donde w(x) indica los cambios de signo de los polinomios pi (x). La

determinaci
on exacta de los valores propios se efectua mediante el algoritmo
de la biseccion, ya estudiado en la seccion IV.1. Ahora bien, el problema
consiste en encontrar un algoritmo simple que permita evaluar w(x).
Algoritmo para calcular w(x)
Se define la sucesion fi (x), i = 1, . . . , n; por
fi (x) =

pi (x)
,
pi1 (x)

(V.2.14)

obteniendo de inmediato, la siguiente relacion recursiva para fi (x):

f1 (x) = (d1 x);
fi (x) = (di x) e2i

1
,
fi1 (x)

i = 2, . . . , n.

(V.2.15)

 lculo de Valores Propios

V Ca

232

Ahora bien, si por azar, existe x R, i = 2, . . . , n con fi (x) = 0, (V.2.15)

puede ser modificado para evitar la division por 0, de la manera siguiente:

1
2

(di x) ei f (x) , si fi1 (x) 6= 0;

i1
(V.2.16)
fi (x) =

|ei |

(di x)
,
si fi1 = 0.
eps
La justificacion de utilizar la sucesion fi (x) est
a en la siguiente proposici
on.
Proposici
on V.2.4.- w(x) es igual al n
umero de elementos negativos de


f1 (x), f2 (x), . . . , fn (x)

Demostraci
on.- La demostracion tiene sus bases te
oricas en el Teorema
de Sylvester, que indica que si A es una matriz, T una matriz no singular,
entonces la matriz B = T t AT tiene el mismo n
umero de valores propios
negativos que la matriz A. Aplicando este teorema a la proposici
on a
demostrar, se tiene

1
e2 /f1 (x)
A xI = .

..

f (x)
1
f2 (x)

..

1
en /fn1

1
1 e /f (x)
2 1
..

fn (x)

1 en /fn1 (x)
1

de donde A xI tiene el mismo n

umero de valores propios negativos que el
conjunto {f1 (x), f2 (x), . . . , fn (x)}. Por otro lado este n
umero est
a dado por
w(x), quedando demostrada la proposici
on.

Para poder aplicar el algoritmo de la biseccion es necesario conocer los
intervalos, donde pueden estar localizados los valores propios, para evitar
busquedas inutiles. El siguiente teorema es muy util para determinar las
regiones donde se encuentran estos.
Teorema V.2.5.- Gerschgorin. Sea un valor propio de A matriz, Entonces
existe i tal que
X
|aij | .
(V.2.17)
| aii |
j6=i

Demostraci
on.- Sea x 6= 0, el vector propio asociado a , por consiguiente
x = (x1 , x2 , . . . , xn )t . Sea i, tal que
|xi | |xj |

j,

 n de Valores Propios
V.2 Determinacio

233

puesto que x 6= 0, se tiene necesariamente que xi 6= 0. Efectuando c

alculos
se obtiene:
n
X
aij xj = xi ,
j=1

X
j6=i

aij xj = ( aii )xi ,

pasando a valores absolutos se tiene:

| aii | |xi |
| aii |

X
j6=i

X
j6=i

|aij | |xj | ,
|aij | .


Generalizaci
on del M
etodo de la Potencia
Al formular el metodo de la potencia, se buscaba el valor propio, cuyo
valor absoluto era maximo, de una matriz A. Ahora bien, existen muchos
problemas en los cuales se requiere conocer no solamente el valor propio mas
grande en valor absoluto, sino tambien los otros valores propios. El prop
osito
de esta subsecci
on es formular un metodo que permita calcular los dos valores
propios mas grandes en modulo. Para tal efecto, es necesario suponer que
1 ,2 , . . . , n valores propios de A satisfacen
|1 | > |2 | > |3 | |n | .
Recordando el metodo de la potencia, se tiene la sucesion de los {yk }
definida por
yj+1 = Ayj ,
si y0 cumple ciertas condiciones, se tiene
 j !
 2 
j
yj = 1 [a1 v1 + O   ,
1

donde v1 es el vector propio asociado a 1 y a1 la componente de y0

respecto a v1 . Para evitar explosiones en los c
alculos de los yj se puede
mejorar el algoritmo de la potencia exigiendo que kyj k2 = 1, y adem
as para
evitar oscilaciones en los yj , se plantea por consiguiente


Ayj
(Ayj )1
yj+1 =
,
(V.2.18)
signo
kAyj k2
(yj )1

donde (yj )1 es la primera componente de yj . Puesto que los yj son de

norma igual a 1, haciendo referencia a vectores ortonormales, se cambia la
notacion de yj por qj , dando por consiguiente la siguiente definicion recursiva
para los qj :

 lculo de Valores Propios

V Ca

234

q0 arbitrario, tal que kq0 k2 = 1;

kqj k2 = 1;
(j+1)
1
qj+1

(V.2.19)

= Aqj .

Por el teorema V.2.1, se tiene que:

lim qj = v1 ,

(j)

lim 1 = 1 ,

con v1 valor propio de norma unitaria respecto a 1 . Por otro

lado la
velocidad de convergencia de (V.2.19), est
a dada por O (2 /1 )j .
Por consiguiente, el problema consiste en calcular 1 y 2 , si es posible
al mismo tiempo. Supongase que conoce de antemano 1 y v1 . Considerando
el subespacio vectorial V de Cn definido por


V = u Cn |u v1 = 0 ,

espacio de dimension n 1. La matriz A induce una aplicaci

on lineal que se
la denota por la letra A tambien, la cual est
a definida por
A : Cn Cn

y Ay

definiendo la aplicaci
on lineal f : V V como f = p A|V donde p es
la proyeccion ortogonal de Cn en V , y A|V es la restricci
on de A sobre el
espacio V se tiene el:
Teorema V.2.6.- Los valores propios de f son: 2 , . . . , n , mas precisamente se tiene

1 0
0
2 r22 r2n

U v,
f (v) = U
..

.
n
donde v V y

U AU =

r12
..
.

r1n
..

.
n

es la descomposici
on de Schur dada en teorema V.1.7.

 n de Valores Propios
V.2 Determinacio

235

Demostraci
on.- Sea U = (u1 , u2 , . . . , un ) matriz unitaria con u1 = v1 ,
entonces cualquier elemento v V se escribe, como
v=

n
X

i ui ,

i=2

por consiguiente
v = U ,

0
2

con =
... ;

de donde f (v) = AU .
Ahora bien, si U es la matriz unitaria de la descomposici
on de Schur de
A, se tiene

1 r12 r1n
..

f (v) = U
U U ,
..

.
n
como U = v, se tiene despues de una simple verificaci
on que

f (v) = U

0
2

r22
..
.

0
r2n
U v.

El teorema precedente proporciona un medio te

orico para calcular 2 ,
el cual es el metodo de la potencia a f . Por lo tanto, si se tiene determinado
1 y v1 el algoritmo de la potencia, se lo formula de la siguiente manera:
r0 , tal que v1 r0 = 0 y kr0 k2 = 1;
j = v1 Arj ;
krj k2 = 1;
(j+1)

Arj j v1 = 2

rj+1 .

Es facil verificar que

(j)

lim 2 = 2 ,

lim rj = u2 ;

(V.2.20)

 lculo de Valores Propios

V Ca

236

donde v2 es el vector propio de norma unitaria respecto a 2 .

Sera interesante poder calcular 1 y 2 al mismo tiempo, sin necesidad
de determinar primero 1 y luego 2 , esto es posible mediante el siguiente
algoritmo.
Se da, como vectores iniciales: q0 y r0 , tales que:
kq0 k = 1,

kr0 k = 1,

y r0 q0 = 0.

(V.2.21)

Se supone, que se ha calculado

rj , con krj k = 1 y rj qj = 0;

qj , con kqj k = 1;

entonces se aplica el algoritmo de la potencia de la siguiente manera

(j+1)
1
qj+1 ,

Aqj =
kqj+1 k = 1;

Arj ,
j+1 = qj+1

Arj j+1 qj+1 = j+1

2 rj+1 ,
krj+1 k = 1.

(V.2.22)

Se puede demostrar que tambien

(j)

lim 2 = 2 ,

lim rj = u2 ,

donde u2 es la segunda columna de la matriz U de la descomposici

on de
Schur de A. Vale la pena recalcar, el siguiente hecho
A (qj , rj ) = (qj+1 , rj+1 )
| {z } |
{z
}
Uj

Uj+1

(j+1)


(j+1)
(j+1) ,
2
{z
}

Rj+1


1 0
, el algoritmo de la
=
de donde planteando U0 = (q0 , r0 ) con
0 1
potencia generalizada, se expresa de manera matricial como
U0 U0

AUj = Uj+1 Rj+1 ,

donde el segundo miembro no es nada mas que la descomposicion QR, pero
esta vez utilizando matrices unitarias.
Si la matriz A tiene sus n valores propios diferentes, y adem
as que
verifican
|i | > |2 | > > |n | ,

 n de Valores Propios
V.2 Determinacio

237

el metodo de la potencia puede ser aplicado para calcular de manera

simultanea los n autovalores. Se toma U0 una matriz unitaria arbitraria
que puede ser por ejemplo U0 = I. Supongase que se ha calculado Rj y Uj ,
entonces se tiene
AUj = Uj+1 Rj+1 .
(V.2.23)
Se puede demostrar que:

Rj R =

..
.

Uj U,

cuando j , donde AU = U R es la descomposici

on de Schur.

El M
etodo QR
Al finalizar la u
ltima subsecci
on, se dio una generalizacion del metodo de la
potencia. Por razones de presentacion, se ver
a en esta seccion un algoritmo
equivalente a este u
ltimo, conocido como el metodo QR.
La version simple del algoritmo QR es aplicable a matrices, cuyos valores
propios son reales y diferentes en valor absoluto, se lo define recursivamente
de la siguiente manera:
Aj+1

A1 = A = Q1 R1 ,
= Rj Qj = Qj+1 Rj+1 ,

(V.2.24)

donde Qj es una matriz ortogonal, y R es una matriz triangular superior. De

donde, este algoritmo es equivalente al metodo de la potencia generalizada.
En efecto, planteando
Uj = Q1 Qj ,
se tiene

Uj+1 Rj+1 = Q1 Q2 Qj Qj+1 Rj+1 ,

| {z }
Rj Qj

llegando finalmente a

Uj+1 Rj+1 = Q1 R1 Q1 Q2 Qj .
| {z } |
{z
}
A

Uj

Puesto que el metodo QR y el algoritmo de la potencia son equivalentes, es

facil ver que

1
..
,
Rj R =
.
n
Qj I.

 lculo de Valores Propios

V Ca

238

Por otro lado, las matrices Aj+1 y Aj tienen los mismos valores propios, pues
Aj+1 = Qj Aj Qj
Indudablemente, el metodo QR es aplicable a toda matriz cuyos valores
propios son diferentes en modulo, sin embargo es conveniente reducir la
matriz A a una de tipo Hessenberg, ya que si A es una matriz de Hessenberg,
las matrices Ak construidas a partir del algoritmo QR lo son tambien, ver
ejercicio 5, adem
as el costo de operaciones es menor.
El siguiente resultado, enunciado sin demostracion, indica la velocidad
de convergencia del metodo QR donde A es una matriz de tipo Hessenberg.
Esta relacion esta dada por
(j+1)

an,n1
(j)

an,n1

es decir
(j)
an,n1

=O

n
n1

n
n1

j !

(V.2.25)

(V.2.26)

Uno de los problemas con que se confronta es que la convergencia puede

ser demasiado lenta, sobre todo si |n | |n1 |; pero este inconveniente
puede superarse aplicando el algoritmo QR, en lugar de la matriz A, a
A pI,

(V.2.27)

donde p n . p se lo conoce con el nombre de shift. En este caso la velocidad

de convergencia est
a dada por

j !
n p
(j)
an,n1 = O
.
(V.2.28)
n1 p
El algoritmo QR con shift
Antes de comenzar el algoritmo QR, se supone que la matriz A est
a
expresada bajo la forma de una matriz de Hessenberg. El algoritmo QR
con shift, se lo define de manera recursiva como:
A1 = A,
Qj Rj = Aj pj I,
Aj+1 = Rj Qj + pj I.
Las dos maneras mas corrientes de elegir el shift pk son:

(V.2.29)

 n de Valores Propios
V.2 Determinacio

239

(k)

1.- Se plantea pk = an,n .

Este procedimiento funciona bien, si todos los valores propios de la
matriz A son reales.
2.- Se toma pk , al valor propio de la matriz
!
(k)
(k)
an1,n1 an1,n
,
(k)
(k)
an,n1
an,n
(k)

que es mas pr
oximo al coeficiente an,n .
Una interrogante muy importante surge, cuando detener el algoritmo
QR. Uno de los criterios mas usados es el siguiente. Si



 


 (k)   (k)
 (k) 
(V.2.30)
an,n1  eps ann
 + an1,n1  ,
se plantea

(k)
n = ann
.

(V.2.31)

Luego se continua con la matriz A(k) de dimension n 1 resultante, hasta

obtener todos los valores propios de la matriz A.
La experiencia n
umerica muestra que el algoritmo QR converge linealmente, mientras que el algoritmo QR con shift tiene convergencia cuadratica.
Ejemplos
1.- Considerese, la matriz A definida por

10
7 6
A = 0.1 5 3
0 0.1 1

matriz de tipo Hessenberg. Por lo tanto lista, para ser aplicado el metodo
QR y el metodo QR con shift. A continuacion, se mostrar
a las iteraciones
resultantes del metodo QR sin shift
10.070493
A2 = .49305211 001
.00000000
10.105227
A3 = .24258892 001
.00000000
10.122222
A4 = .11880000 001
.00000000

7.0701525
4.9895287
.19067451 001
7.0677632
4.9656988
.35752960 002
7.0596308
4.9507267
.66976513 003

5.8875209
2.8589253
.93997833
5.8742925
2.8145741
.92907381
5.8759333
2.7975584
.92705007

 lculo de Valores Propios

V Ca

240

Puede observarse que la convergencia es lineal y adem

as se tiene
(k+1)

a21

(k)
a21
(k+1)
a32
(k)
a32

1
,
2

1
,
5

por consiguiente se necesitan por lo menos 10 iteraciones para obtener

(k)
(k)
a32 108 y por lo menos 23 iteraciones para tener a21 108 .
Para poder observar la verdadera potencia de aplicar el metodo QR con
shift, a continuacion se muestran las 6 iteraciones que son necesarias,
para obtener los valores propios de la matriz A.
p1 = 1.0
10.078261
7.0950933
A2 = .43358029 001 4.9964769
.00000000
.19045643 002
p2 = .92526107
10.112141
7.0679606
A3 = .19226871 001 4.9612733
.00000000
.62453559 006
p3 = .92526107
10.126953
7.0571468
A4 = .84142592 002 4.9464609
.00000000
.67414063 013
p4 = .84142592 002
10.138415
7.0571468
A5 =
.18617346 004 4.9349986
p5 = .18617346 004
10.138390
7.0497319
A6 =
.90446847 010 4.9350238

5.8540158
2.8312527
.92526107
5.8707690
2.8312527
.92526107
5.8766286
2.7929532
.92658424

obteniendo, as los siguientes valores propios:

1 = 10.138390,
2 = 4.9350238,
3 = 0.92658424.

2.- Puede observarse en el ejemplo anterior que la convergencia del metodo

QR con shift es cuadratica, para ilustrar este hecho, considerese


2 a
A=
,
1

 n de Valores Propios
V.2 Determinacio

241

con bastante peque

no. Aplicando el metodo QR con shift se tiene p1 = 1
y


1 a
,
A p1 I =
0

obteniendo

Q1 R1 =

1/ 1 + 2
/ 1 + 2


/ 1 + 2
1 + 2
2
0
1/ 1 +

lo que da
A1 =

2 /1 + 2


a/
1 + 2
,
a/ 1 + 2

de donde la convergencia es cuadratica, si a es arbitrario. Si la matriz

es simetrica, se puede observar que la convergencia sera c
ubica en este
ejemplo, tomar a = .

Ejercicios
1.- Calcular los valores propios y vectores propios de

2 1

1 2 12
A=
,
0 1 2 1
1 2

utilizando el metodo de la potencia inversa de Wielandt.

2.- Sea

88 7 6
296 169 6 2 + 3 6
360
1800
225

88 + 7 6
2 3 6
A = 296 + 169 6
.
1800
360
225

16 6
16 + 6
1
36
36
9
Calcular , , y una matriz T a coeficientes reales, tal que

0
T 1 = 0 .
0
0

La matriz A define un metodo de Runge-Kutta.

3.- Sea A una matriz de orden s que es diagonalizable, y sea J una matriz
de orden n. Se define el producto tensorial A J por

a11 J a1s J
.
..
.
A J = ..
.
as1 J ass J

 lculo de Valores Propios

V Ca

242

Encontrar un algoritmo eficaz para resolver un sistema lineal con la

matriz
I A J.
Indicaciones:
a) Mostrar que
(A B)(C C) = (AC) (BD).
b) Supongase que

T 1 AT = =

..

.
s

y utilizar la descomposici
on
I A J = (T I)(I J)(T 1 I)

(V2.32)

c) estimar el n
umero de multiplicaciones necesarias, si:
se calcula la descomposici
on LR de I A J,
se utiliza (V.2.32); el trabajo principal es el c
alculo de la descomposicon LR de I J.
4.- Calcular todos los valores propios de

1 1
1 2 1

..
..
A=
.
.

..

.
n

2 1

1 3

para n = 10 y n = 20. Utilizar el metodo de la biseccion.

5.- Mostrar que si la matriz A = A1 es una matriz de Hessenberg, las
matrices Ak , k = 2, construidas en el metodo QR son igualmente
matrices de Hessenberg.

Captulo VI
Integraci
on Num
erica

En muchos problemas aparecen integrales, ya sean estas simples, m

ultiples
y de otras clases. En los cursos elementales de Calculo, la determinaci
on de
primitivas es un topico de bastante importancia. Por consiguiente, existen los
elementos te
oricos para evaluar primitivas. Sin embargo la mayor parte de las
aplicaciones n
umericas donde interviene la integracion, presenta integrales
cuyo c
alculo de primitivas es imposible en terminos de funciones elementales,
o por las caractersticas propias de los problemas solo se requiere una
c
omputo aproximado de estas.
En este captulo se tratara las base te
oricas de la integral de Riemann,
luego se abordara la nocion de formula de cuadratura y como consecuencia
logica se definira el orden de una formula de cuadratura. El segundo
tema que ser
a estudiado, como parte integrante del An
alisis Numerico,
est
a relacionado con la estimacion del error cometido por la utilizaci
on de
metodos numericos de integracion. Se comparara, diferentes formulas de
cuadratura haciendo hincapie en aquellas de orden elevado. Las formulas
de cuadratura de Gauss ser
an estudiadas como un caso de formulas de orden
elevado y para comprenderlas mejor se introducir
a la noci
on de polinomios
ortogonales. Despues, se formulara un metodo adaptativo para determinar
integrales y como corolario se hara un tratamiento de singularidades, es decir
se implementara metodos para resolver integrales impropias. Como u
ltimo
t
opico, se vera la interpolaci
on trigonometrica, es decir se hara un estudio
de las Transformadas de Fourier discretas, como tambien la Transformada
de Fourier R
apida, mas conocida como FTP.

VI.1 Bases Te
oricas

En esta seccion, se ver

an las bases te
oricas de la teora de la integracion,
pero esta limitada a la integral de Riemann. Por otro lado, tambien ser
an
abordados las motivaciones para tener la integral como un instrumento
matematico de Calculo.
Uno de los problemas con el cual el hombre ha confortado desde epocas
lejanas, ha sido el c
alculo de areas, volumenes y otros, tanto por la necesidad
cotidiana, como tambien dentro el espritu de reflexi
on e investigacion que
lo ha caracterizado siempre.
La integral mas utilizada, desde el punto de vista de c
alculo y pr
actico,
es la integral de Riemann, cuya definicion permiti
o que el c
alculo integral
tuviese bases te
oricas cimentadas. En lo que sigue, se hara una presentacion
te
orica de esta importante nocion.
Definici
on VI.1.1.- Sea, [a, b] un intervalo compacto de la recta real. Se
llama subdivision del intervalo [a, b] un conjunto S [a, b] finito.
Por consiguiente S puede ser ordenado, como una sucesion finita de
puntos de [a, b] expresada de la manera siguiente


S = x0 < x1 < < xn [a, b].
Definici
on VI.1.2.- Sea S una subdivision de [a, b], se llama paso de la
subdivision S a
(S) = max |xi xi1 | .
i=1,...,n

Ahora bien, la nocion de integral est

a definida para funciones cuyo
dominio son intervalos compactos, adem
as se exige que la funcion sea
acotada. Como no es proposito del libro hacer una exposici
on sobre la teora
de la integracion, se dara una de las definiciones de una funcion integrable
en el sentido de Riemann.
Definici
on VI.1.3.- Sea f : [a, b] R una funcion acotada sobre un
intervalo compacto. Se dira que f es Riemann integrable si
lim

(S)0

n
X
i=1

f (i )(xi xi1 ) existe,

con i [xi1 , xi ], independientemente de S y de los i . Si este es el caso,

este lmite se lo denota por
Z b
f (x)dx.
a

 ricas
VI.1 Bases Teo

245

Se puede demostrar que las funciones monotonas, continuas y en escalera

son Riemann integrables. El c
alculo de la integral como un lmite puede ser
bastante tedioso, motivo por el cual, los cursos de Calculo en los niveles
b
asicos universitarios y ultimos cursos de colegio, dan un enfasis al c
alculo
de primitivas, que para recordar es:
Definici
on VI.1.4.- Dada una funcion sobre un intervalo I de R. Se dice
que una funcion : I R es una primitiva de si, en todo punto x de I,
la funci
on es derivable y si (x) = (x).
Sea f : [a, b] R una funcion integrable en el sentido de Riemann, se
define para todo x [a, b]
Z x
f (t)dt.
F (x) =
a

Proposici
on VI.1.5.- La funcion F es continua, adem
as si la funcion
f es continua en un punto x de [a, b], la funcion F es derivable en x y
F (x) = f (x).
Corolario VI.1.6.- Una funcion continua sobre un intervalo compacto
admite una primitiva.
Las demostraciones de la proposici
on y el corolario precedentes se las
puede encontrar en cualquier libro de An
alisis. A continuacion, se enuncia
uno de los teoremas fundamentales del c
alculo.
Teorema VI.1.7.- Sea f : [a, b] R una funcion integrable en el sentido
de Riemann que, adem
as admite una primitiva G. Para todo x [a, b], se
tiene:
Z x
G(x) G(a) =

f (t)dt.

Ahora bien, desde el punto de vista numerico, el c

alculo de primitivas
no tiene mayor utilidad pr
actica, pues en la mayor parte de los casos
la determinaci
on analtica de estas es costosa en tiempo. El tratamiento
numerico que se realiza en el c
alculo de integrales est
a basado en la misma
definicion de integral. Por consiguiente utilizando la definicion, se tiene que
> 0, existe S [a, b] y i [xi1 , xi ] tal que

 n
Z b

X


f (x)dx < ,
f (i )(xi xi1 )



a
i=1

de donde el enfoque numerico consiste en aproximar la integral utilizando,

sumas finitas de Riemann. Por otro lado, una de las tareas del An
alisis
Numerico en lo que respecta el c
alculo de integrales, esta dada en la construccion de formulas de cuadratura con un costo razonable en operaciones,
y una precisi
on aceptable en la determinaci
on de la integral.

 n Num
VI Integracio
erica

246

A continuacion, se mostrar
a las formulas de cuadratura o de integracion
mas rudimentarias.
a) Regla del Punto Medio
Consiste en utilizar la suma de Riemann con i =
consiguiente

xi1 + xi
, por
2



Z b
n
X
xi1 + xi
(xi xi1 )
f (x)dx.
f
2
a
i=1
La regla del punto medio, da resultados exactos cuando f es un
polinomio de grado menor o igual a 1. Ver figura VI.1.1.

x0

x1

x2

x3

xn-1 xn

Figura VI.1.1. Regla del Punto Medio.

b) Regla del Trapecio

Consiste en aproximar f (i )(xi1 xi ) con el area de un trapecio de
alturas f (xi1 ) y f (xi ). Por consiguiente
n
X
f (xi1 ) + f (xi )
i=1

(xi xi1 )

f (x)dx,

de donde, esta suma puede expresarse de manera mas simple, como

Z

f (x)dx f (x0 )

x2 x0
x 1 x0
+ f (x1 )
+
2
2
xn xn2
xn xn1
+ f (xn1 )
+ f (xn )
.
2
2

 ricas
VI.1 Bases Teo

x0

x1

x2

247

x3

xn-1 xn

Figura VI.1.2. Regla del Trapecio.

Esta formula es exacta para polinomios de grado igual o inferior a 1.
Ver figura VI.1.2.
c) Regla de Simpson
Consiste en aproximar f (i )(xi1 xi ), con el area de la superficie cuyo
lado superior, ver figura VI.1.3, esta dada por la parabola que pasa por
x
+x
x
+x
los puntos (xi1 , f (xi1 ), ( i12 i , f ( i12 i )) y (xi , f (xi )). Para
simplificar los c
alculos se toma para x0 , y x1 , obteniendo como polinomio
de interpolaci
on
f (x0 ) + f ((x0 + x1 )/2)
(x x0 )
x1 x0
f (x0 ) 2f ((x0 + x1 )/2) + f (x1 )
(x (x0 + x1 )/2)(x x1 ).
+2
(x1 x0 )2

p(x) = f (x0 ) + 2

Ahora bien, integrando este polinomio de segundo grado entre x0 y x1 ,

se obtiene
Z

x1

x0

f (x)dx

4
1
f (x0 ) + f
6
6

x0 + x1
2


1
+ f (x1 ) h1 ,
6

para finalmente tener

Z

f (x)dx

n 
X
1
i=1

4
f (xi1 ) + f
6
6




1
hi
+ f (xi ) hi .
xi1 +
2
6

La formula de Simpson es exacta para polinomios de grado igual o

 n Num
VI Integracio
erica

248
inferior a 3.

x0

x1
Figura VI.1.3. Regla de Simpson.

d) Regla de Newton
Consiste en aproximar f (i )(xi1 xi ), con el area de la superficie cuyo
lado superior, ver figura VI.1.4, esta dada por la parabola c
ubica que
2xi1 + xi
2xi1 + xi
, f(
)),
pasa por los puntos (xi1 , f (xi1 ), (
3
3
xi1 + 2xi
xi1 + 2xi
, f(
)) y (xi , f (xi )). De la misma manera que en la
(
3
3
regla de Simpson, se calcula esta parabola c
ubica utilizando por ejemplo
la formula de Newton para determinar polinomios de interpolaci
on,
luego se integra para obtener






Z x1
1
3
1
3
h1
2h1
f (x)dx f (x0 )+ f x0 +
+ f x0 +
+ f (x1 ) h1 .
8
8
3
8
3
8
x0
La regla de Newton es exacta para polinomios de grado menor o igual
a 3.

x0

x1
Figura VI.1.4. Regla de Newton.

F
ormulas de Cuadratura

 ricas
VI.1 Bases Teo

249

En los cuatro ejemplos precedentes de la anterior subsecci

on, puede observarse claramente que las reglas de integracion formuladas tienen la misma
estructura, la cual define tacitamente una formula de cuadratura. La mayor
parte de los metodos numericos est
an basados en este principio.
Se desea integrar la funcion f : [a, b] R, donde f es Riemann
integrable. Para tal efecto se considera una subdivision
S = {a = x0 < x1 < < xn = b} .
La integral puede ser aproximada mediante la formula de cuadratura siguiente
!
s
n
X
X
bi f (xj1 + ci hj ) ,
(VI.1.1)
j=1

i=1

los ci se llaman nudos de la formula de cuadratura y los bi son los coeficientes

de la formula de cuadratura.
Para la regla del Trapecio, se tiene s = 2, b1 = b2 = 1/2 y c1 = 0, c2 = 1.
As mismo, para la regla de Simpson se tiene s = 3, b1 = b3 = |1/6, b = 4/6
y c1 = 0, c2 = 1/2, c3 = 1.
Dada una formula de cuadratura, uno de los objetivos principales es
medir la precisi
on de esta. Por razones de simplicidad, es preferible estudiar
la formula de cuadratura en una funcion f : [0, 1] R y considerar h1 = 1, es
decir integrar numericamente con un paso de integracion. Por consiguiente,
se analizar
a el problema
s
X
i=0

bi f (ci )

f (x)dx.
0

El Orden de una F
ormula de Cuadratura
Definici
on VI.1.8.- Una formula de cuadratura tiene orden p, si y solamente si, p es el entero mas grande, tal que
s
X
i=0

bi f (ci ) =

f (x)dx,

(VI.1.2)

donde f es un polinomio de grado p 1.

Proposici
on VI.1.9.- Una formula de cuadratura es de orden p, si y
solamente si
s
X
1
bi cq1
= ,
q = 1, . . . , p.
(VI.1.3)
i
q
i=0

 n Num
VI Integracio
erica

250

Demostraci
on. La integracion es una operaci
on lineal, por lo tanto es
suficiente mostrar que (VI.1.2) se cumple para f (x) = xq1 , donde q =
1, . . . , p 1. Ahora bien,
Z

xp1 dx =

1
.
q


Por simple verificaci

on, puede comprobarse que la formula de cuadratura
de la regla del Trapecio es p = 2, la de la regla de Simpson es p = 4.
Definici
on VI.1.10.- Una formula de cuadratura se dice simetrica, si:
ci = 1 cs+1i ,
bi = bs+1i ,

i = 1, . . . , s.

(IV.1.3)

Teorema VI.1.11.- Una formula de cuadratura simetrica tiene un orden

par.
Demostraci
on.- Supongase que la formula de cuadratura sea exacta para
f (x) polinomio de grado 2k. Por consiguiente se debe demostrar que la
formula de cuadratura es exacta para los polinomios de grado igual a 2k + 1.
Sea f (x) un polinomio de grado igual a 2k + 1. Ahora bien, f (x) puede
expresarse de la siguiente manera

2k+1
1
f (x) = c x
+ g(x),
2
donde g(x) es un polinomio de grado a lo mas 2k. Por otro lado
Z

2k+1

1
dx = 0.
c x
2

Por consiguiente, es suficiente mostrar que


2k+1
1
bi ci
= 0,
2
i=1

s
X

esto es cierto debido a la simetra de la formula de cuadratura.

Estimacion del Error

Dada una funcion f : [a, b] R, se quiere tener una estimacion del error
cometido por la utilizaci
on de una formula de cuadratura. Sea c1 , . . . , cs y

 ricas
VI.1 Bases Teo

251

b1 , . . . , bs los coeficientes y los nudos respectivamente, de una formula de

cuadratura dada. Por consiguiente, se tiene
Z b
n
s
X
X
f (x)dx =
hj
bi f (xj + ci hj ) =
a

j=1

i=1

n
X

j=1

"Z

xj

f (x)dx hj

xj1

s
X

bi f (xj + ci hj ) .

i=1

Para poder determinar el error, es decir la diferencia entre la integral y la

formula de cuadratura que aproxima la integral, se define
Z x0 +h
s
X
E(f ) =
f (x)dx h
bi f (x0 + ci h).
(VI.1.4)
x0

i=1

Habiendo definido E(f ), se puede determinar su valor, el cual est

a dado en
el siguiente:
Teorema VI.1.12.- Sea f C k [a, b], es decir f k veces continuamente
derivable. Entonces, se tiene
#
"
Z 1
k1
s
X hj+1
X
1
j
E(f ) =
bi ci + hk+1
Pk (t)f (k) (x0 + th)dt

j!
j
+
1
0
j=0
i=1

(VI.1.5)

donde
Pk (t) = E

k1
(x t)+
(k 1)!

k1
+

k1
0

0
<0

Demostraci
on.- Se tiene, efectuando un cambio de variable en la integral,
que
Z 1
s
X
bi f (x0 + ci h),
E(f ) = h
f (x0 + th)dt h
0

i=1

por otro lado, el desarrollo en serie de Taylor de f (x0 + h) con resto en

forma de integral est
a dado por
f (x0 + h) =

hj (j)
f (x0 ) + hk
j!

k1
X

hj (j)
f (x0 )tj + hk
j!

j=0

por lo tanto
f (x0 + th) =

k1
X

j=0

(1 )k1 (k)
f (x0 + h)d,
(k 1)!
t

(t )k1 (k)
f (x0 + h)d,
(k 1)!

 n Num
VI Integracio
erica

252

introduciendo esta serie en E(f ), se obtiene

k1
s
i
hZ 1
X hj+1
X
bi cji
f (j) (x0 )
tj dt
E(f ) =
j!
j=0
| 0 {z } i=1
+h

k+1

"Z

1
j+1

(t )k+1
+
f (k) (x0 + h)d dt
(k 1)!
#
Z ci
s
k1
X
(ci )+
(k)
bi

f (x0 + h)d
(k 1)!
0
i=1

remplazando en el lmite de integracion t por 1, se tiene que el u

ltimo termino
del lado derecho de la anterior relacion, est
a dado por
#
Z 1 "Z 1
s
k1
X
(ci )+
(t )k+1
+
k+1
bi
f (k) (x0 + h)d.
dt
h
(k

1)!
(k

1)!
0
0
i=1


La funcion Pk (t) definida en el teorema, es conocida por el nombre de

Nucleo de Peano de la formula de cuadratura c1 , . . . , cs ; b1 , . . . , bs .
Teorema VI.1.13.- El nucleo de Peano de una formula de cuadratura dada,
tiene las siguientes propiedades:
s

k1
(1 )k X (ci )+

k!
(k 1)!
i=1

a);

Pk ( ) =

b)
c)
d)

Pk ( ) = Pk1 ( ), para k 2;
Pk (1) = 0, para k 2,
si ci 1;
Pk (0) = 0, para 2 k p,
si ci 0 y p orden de la f.q.;

e) Si la formula de cuadratura es 0 c1 < . . . < cs 1 y

s
X

bi = 1,

i=1

entonces P1 ( ) es lineal por trozos, con las siguientes propiedades: P1 (0) = 0,

P1 |(ci1 ,ci ) (x) = x + di , donde di es una constante, adem
as P1 (ci+ )
P1 (ci ) = bi , ver figura VI.1.4.

c1

c2

cs

Figura VI.1.5. Grafica de P1 ( )

 ricas
VI.1 Bases Teo

253

Demostraci
on.- Para el punto a), se tiene que
Pk ( ) =
=
=

1
0
1

s
k1
k1
X
(x )+
(x )+
bi
dx
(k 1)!
(k 1)!
i=1
s
k1
X
(x )+
(x )k1
bi
dx
(k 1)!
(k 1)!
i=1
s

k1
(1 )k X (x )+
bi

.
k!
(k 1)!
i=1

El punto b), se obtiene del punto a), derivando para k 2. El punto c) es

verificaci
on inmediata, remplazando en = 1, siempre que los ci 1.
La demostracion del punto d) se basa en que la formula de cuadratura,
es exacta para los polinomios de grado inferior a p y
s

X
1
ck1
bi i

k! i=1 (k 1)!
#
"
s
1 X k1
1
.
bi c

=
(k 1)! k i=1 i

Pk (0) =

El punto e) es una verificaci

on sencilla que se deja al lector.

Ejemplo
La regla de Simpson es una formula de cuadratura, dada por
c1 = 0,
c2 = 1/2,
c3 = 1;
b1 = 1, /6 b2 = 4, /6 b3 = 1/6.
Utilizando las propiedades dadas en el teorema precedente, se tiene:

1
1

, 0 ;
2
P1 ( ) = 6

(1 ) 1 , 1 1.
6
2

P2 ( ) se obtiene integrando P1 ( ) por el punto b) del teorema precedente. Por consiguiente

2
1

+ , 0 ;
6
2
2
P2 ( ) =
2

(1

)
1
(1

,
< 1.
2
6
2

 n Num
VI Integracio
erica

254

De la misma manera, se obtiene P3 ( ) de P2 ( ), dando como resultado:

2
3
1

, 0 ;

12
6
2
P3 ( ) =
3
2

(1 ) (1 ) , 1 < 1;
6
12
2

3
4

+ , 0 ;

36 24
2
P4 ( ) =
3
(1 )4
(1

)
1

,
< 1.
24
36
2
Ver los graficos en la figura IV.1.6.
Consecuencia inmediata del teorema VI.1.12, se tiene el siguiente:
Teorema VI.1.14.- Sean, f C k [a, b], c1 , . . . , cs ; b1 , . . . , bs una formula de
cuadratura cuyo orden p k, entonces
Z 1




k+1
(VI.1.6)
|E(f )| h
|Pk ( )| d
max f (k) (x) .
x[x0 ,x0 +h]

.6

.1

P1

.4

P2

.2
.0

.0

.5

1.0

.0

.0

.5

1.0

.2
.4
.1

.6
.01

P3

P4

.004
.003
.002
.001

.00

.0

.5

1.0

.000
.001
.002
.003
.004

.01

.0

.5

1.0

 ricas
VI.1 Bases Teo

255

Figura VI.1.6. Nucleos de Peano, para la formula de Simpson.

Para el ejemplo precedente, se tiene que la formula de Simpson es una
formula de cuadratura de orden 4, por consiguiente
Z

1
0

|P4 ( )| d = 2

1/2

P4 ( )d =

1
,
2880

de donde, si f es cuatro veces continuamente derivable, se tiene que el error

verifica


h5


|E(f )|
max f (4) (x) .
2880 x[x0 ,x0 +h]

Teorema VI.1.15.- Si f C k [a, b], k p , donde p es el orden de la formula

de cuadratura, entonces



Z b
s
n
X
X



bi f (xj1 + ci hj )
hj
f (x)dx


 a
i=1
j=1
Z 1




hk (b a)
|Pk ( )| d max f (k) (x) ,
x[a,b]

(VI.6.7)

donde h = max hi .

Demostraci
on.- Se tiene
#
" s
Z b
n
X
X
bi f (xj1 + ci hj ) =
hj
f (x)dx
a

j=1

i=1

"Z
n
X
j=1

hk+1
j

por otro lado, se tiene

n
X
i=1

=
hk+1
j

n
X
i=1

xj

f (x)dx hj

xj1

s
X

bi f (xj1 + ci hj )

i=1





|Pk ( )| d max f (k) (x) ,
x[a,b]

hj hkj (b a)hk .


 n Num
VI Integracio
erica

256

Por lo tanto, la Regla de Simpson da la siguiente estimacion para el error

global


h4 (b a)


|error|
max f (4) (x) .
2880 x[a,b]

Los teoremas VI.1.13 a VI.1.15 dan estimaciones te

oricas del error
cometido, cuando se utiliza una formula de cuadratura. Sin embargo, es importante comprobar estas estimaciones te
oricas con experimentos numericos.
Suponiendo que la subdivision del intervalo [a, b] es uniforme, de la formula
(VI.1.7), suponiendo f suficientemente derivable, se deduce,
Z

f (x)dx =

s
n
X
X
bi f (xj1 + ci h) + Chp + O(hp+1 ),
h
j=1

(VI.1.8)

i=1

donde C depende solamente de a, b y f (x). Por consiguiente, el error satisface

Error Chp .

(VI.1.9)

Introduciendo logaritmos, se tiene

log10 (Error) = log10 C + p log h,
denotando fe, la cantidad de evaluaciones de la funcion f (x), en el proceso
de integracion numerica, se tiene
fe =

C
,
h

donde C es una constante, Por lo tanto, se obtiene

log10 (Error) = C + p log10 fe.

(VI.1.10)

De esta u
ltima relacion, se deduce que log10 (Error) y log10 fe tienen
una relacion lineal de pendiente p, donde p es el orden de la formula de
cuadratura. En la figura VI.1.7, se comprueba este hecho, utilizando como
integral test
Z 1
1
cos(ex )ex dx = sin(e).

 ricas
VI.1 Bases Teo
106

257

fe

105

104

103

102

101

100 0
10

err glob
101

102

103

104

105

106

107

108

109

1010

Metodo de Euler
Metodo de Runge
Metodo de Heun
Metodo de Kutta
Metodo 3/8
Figura VI.1.7. Grafica del Error vs fe.

Ejercicios
1.- Calcular el orden de la regla de Newton:
1 2
(ci ) = (0, , , 1),
3 3

1 3 3 1
(bi ) = ( , , , ).
8 8 8 8

2.- Sean 0 c1 < c2 < < cs 1 dados. Mostrar que existe una formula
de cuadratura u
nica con nudos ci y con un orden s.

 n Num
VI Integracio
erica

258

3.- Mostrar que si la formula de cuadratura satisface

ci = 1 cs+1i ,

y si es de orden s, entonces se tiene tambien

bi = bs+1i .

4.- Como se debe elegir c1 , c2 ? para que la formula de cuadratura

b1 f (c1 ) + b2 f (c2 )
tenga un orden maximal. C
ual es el orden?, La formula de cuadratura
es simetrica?
Z 2
dx
5.- Calcular
= ln 2 mediante la regla del trapecio, la regla de Simpson
1 x
y la regla de Newton. C
ual formula es la mejor? Hacer un gr
afico
logartmico para el n
umero de evaluaciones de la funcion f respecto
al error.
6.- Lo mismo que el ejercicio 5, pero para
Z 2
exp(sin x)dx.
0

7.- Calcular utilizando

Z 1p
Z 1
dx
y

=
4
1 x2 dx.
=4
2
0
0 1+x
Por que el segundo resultado es menos bueno?
8.- Mostrar que el resultado obtenido por la regla del trapecio, o por la regla
de Simpson, es una suma de Riemann.
9.- Sean h = (b a)/n, xi = a + ih y


1
1
T (h) = h f (x0 ) + f (x1 ) + + f (xn1 ) + f (xn ) .
2
2
Demostrar que para f suficientemente derivable
Z b
h2
f (x)dx T (h) = (f (b) f (a)) + O(h3 ).
12
a
10.- Calcular los nucleos de Peano para la formula del ejercicio 4 y hacer sus
graficas.
11.- Calcular la expresi
on

R
b
a

f (x)dx T (h)

,
h2
para f (x) = 1/x, a = 1, b = 10; con varios valores de h. Verificar la
formula del ejercicio 9.

VI.2 Cuadraturas de Orden Elevado

En esta seccion, se daran las herramientas te

oricas, para construir formulas
de cuadratura de orden elevado. El interes que se tiene para utilizar formulas
de cuadratura del mayor orden posible, reside sustancialmente en el hecho
de aumentar la precisi
on en el c
alculo de integrales definidas, como tambien
de disminuir el n
umero de evaluaciones de la funcion a integrar, ver la figura
VI.1.7.
Mediante el ejercicio 2, de la seccion precedente, se demuestra que si
c1 , . . . , cs dados, existe una u
nica formula de cuadratura que es de orden
s, es decir
s
X
1
= ,
bi cq1
(VI.2.1)
i
q
i=1

para q = 1, . . . , s.
Sea m un entero no negativo, la formula de cuadratura c1 , . . . , cs ;
b1 , . . . , bs ; es de orden s + m, si y solamente si, la formula de cuadratura
es exacta para polinomios de grado s + m 1. Ahora bien, se define el
polinomio M (x) de grado s, por
M (x) = (x c1 )(x c2 ) (x cs ),

(VI.2.2)

donde los ci son los nudos de la formula de cuadratura estudiada. Sea f (x)
un polinomio de grado s + m 1, por la division con resto se tiene que
f (x) = q(x)M (x) + r(x),
donde q(x) y r(x) son polinomios con deg q m 1 y deg r s 1. Por
consiguiente
Z

f (x)dx =

q(x)M (x)dx +

r(x)dx.

Utilizando la formula de cuadratura en la anterior expresi

on, se obtiene
s
X
i=1

bi f (ci ) =

s
X
i=1

bi q(ci )M (ci ) +
{z
=0

s
X

bi r(ci ),

i=1

suponiendo que el orden de la formula de cuadratura sea s, se acaba de

demostrar el:

VI.2 Cuadraturas de Orden Elevado

259

Teorema VI.2.1.- Sea (bi , ci ), i = 1, . . . , s; una formula de cuadratura con

orden s. Entonces

Z 1

q(x)M (x)dx = 0,
0
el orden de la formula de

cuadratura es s + m

para todo polinomio q(x)

con deg q m 1.
Ejemplo
El ejercicio 4 de la seccion precedente demanda la construccion de una
formula de cuadratura del orden mas elevado posible. En consecuencia,
se define
M (x) = (x c1 )(x c2 ).
Se tiene que la formula de cuadratura es de orden 3 si y solamente si
Z

M (x)dx = 0,

1 1
(c1 + c2 ) + c1 c2 = 0,
3 2
la formula de cuadratura es de orden mas grande o igual a 4, si adem
as
Z

xM (x)dx = 0,

1
1 1
(c1 + c2 ) + c1 c2 = 0,
4 3
2
obteniendo as un sistema de dos ecuaciones y dos incognitas. Una vez
determinados los ci , el siguiente paso es determinar los bi .

Polinomios Ortogonales
Uno de los mayores inconvenientes en la construccion de formulas de
cuadratura de orden elevado utilizando el teorema VI.2.1, consiste en el hecho
siguiente: se deben resolver sistemas de ecuaciones no lineales para determinar los nudos de la formula de cuadratura. Esta claro que para formulas de
cuadratura con una cantidad no muy grande de nudos esto es posible, sin
embargo para s ya mas grande esto presenta una desventaja. En esta subseccion se estudiar
an polinomios ortogonales, cuyas raices son precisamente
los nudos.

 n Num
VI Integracio
erica

260

Se iniciar
a esta subsecci
on, definiendo un conjunto de funciones particulares. Sea : (a, b) R una funcion, llamada funcion de peso. Sea
E=

f : (a, b) R|

(x) |f (x)| dx < .

(VI.2.3)

Puede mostrarse que E es un espacio vectorial para la adicion de funciones y

la multiplicacion por escalares reales. Para las aplicaciones en general, puede
suponerse que f es una funcion continua.
Suponiendo que (x) > 0, puede definirse un producto escalar sobre E,
de la siguiente manera,
hf, gi =

(x)f (x)g(x)dx.

(VI.2.4)

Hay que remarcar dos hechos importantes; el primero E es en realidad

un conjunto de clases de equivalencia de funciones, donde la relacion de
equivalencia est
a definida por
f g f (x) 6= g(x) en un conjunto de medida nula.
La segunda observacion es consecuencia de la primera, se puede suponer
por lo tanto que E est
a constituida por funciones continuas, a lo sumo por
funciones continuas por trozos, y con ciertas condiciones impuestas a (x)
puede demostrarse que
hf, f i = 0 f = 0.
Definici
on VI.2.2.- f es ortogonal a g, que se denota por f g, si
hf, gi = 0.

(VI.2.5)

El objetivo central ser

a, por consiguiente, encontrar M (x) q(x) si
deg q m 1.
Teorema VI.2.3.- Sea (x) dado, entonces existe una sucesion de polinomios p0 (x), p1 (x), p2 (x), . . ., tal que:
deg pj = j;
hpk , qi = 0,

q polinomio de grado k 1.

Si se supone que pk (x) = xk + r(x) con deg r(x) k 1, los polinomios son
u
nicos.

261

VI.2 Cuadraturas de Orden Elevado

Los polinomios satisfacen la siguiente relacion recursiva:
p1 (x) := 0,
p0 (x) = 1,
2
pk+1 = (x k+1 )pk (x) k+1 pk1 (x),

(VI.2.6a)
(VI.2.6b)

donde
k+1 =

hxpk , pk i
,
hpk , pk i

2
k+1
=

hpk , pk i
.
hpk1 , pk1 i

(VI.2.6c)

Demostraci
on.- El primer punto del teorema, se obtiene a partir del
proceso de ortogonalizacion de Gramm-Schmidt. Las relaciones entre los diferentes polinomios ortogonales se demuestra por induccion. Por consiguiente,
se supone cierto para los polinomios p0 , p1 , . . . , pk . Ahora bien, se tiene
pk+1 (x) = xpk (x) +

k
X

cj pj (x),

j=0

por que el coeficiente dominante de pk es 1. Aplicando el producto escalar

se tiene
0 = hpk+1 , pk i
= hxpk , pk i +

k
X
j=0

cj hpj , pk i

= hxpk , pk i + ck hpk , pk i,
de donde
ck =

hxpk , pk i
.
hpk , pk i

Por otro lado, aplicando nuevamente el producto escalar se tiene

0 = hpk+1 , pk1 i
= hxpk , pk1 i +

k
X
j=0

cj hpj , pk1 i

= hxpk , pk1 i + ck1 hpk1 , pk1 i

Ahora bien, se verifica facilmente, utilizando la definicion del producto
escalar definido en E, que
hxpk , pk1 i = hpk , xpk1 i,

 n Num
VI Integracio
erica

262

con la hipotesis de induccion, se verifica inmediatamente que

hpk , xpk1 i = hpk , pk i,
de donde
ck1 =

hpk , pk i
.
hpk1 , pk1 i

Los restantes cj , son nulos, utilizando la hipotesis de induccion sobre la

ortogonalidad.

Consecuencia de este teorema, es que si los nudos de una formula de
cuadratura son las raices del polinomio ps , definido en el teorema precedente,
se tiene M (x) = ps (x) y por el teorema VI.2.1 el orden de la formula de
cuadratura es igual o mayor a 2s.
Teorema VI.2.4.- Sean los pk , como en el teorema VI.2.3, entonces las
raices de pk (x) son reales, simples y est
an localizadas en el intervalo (a, b).
Demostraci
on.- Se donota por 1 , . . . , T las raices distintas de pk donde
la funci
on pk (x) cambia de signo. Se define el polinomio g(x) por
g(x) = (x 1 ) (x T ),
por consiguiente, se tiene que
g(x)pk (x)
no cambia de signo, de donde
hg(x), pk (x)i =
6 0,
por lo tanto deg g k, y por la hipotesis inicial se tiene necesariamente que
T = k.

En la tabla VI.2.1, se tienen los diferentes tipos de polinomios ortonormales para diferentes tipos de funcion de peso (x).
Tabla VI.2.1. Ejemplos de Polinomios Ortonormales
(x)

(a, b)

Notacion

Nombre

(1, 1)

Pk (x)

Polinomios de Legendre

(1, 1)

Tk (x)

Polinomios de Chebichef

1
p
1 x2

(1 x) (1 + x)
x ex
x2

(1, 1)

(,)

Pk

(x)

Jacobi, , > 1

(0, )

()
Lk (x)

Pol. de Laguerre, > 1

(, )

Hk (x)

Polinomios de Hermite

263

VI.2 Cuadraturas de Orden Elevado

Teorema VI.2.5.- F
ormula de Rodriguez. Sea (x) una funcion de peso
definida como antes. Entonces
pk (x) = Ck

1 dk 
(x)(x a)k (b x)k .
k
(x) dx

(VI.2.7)

Demostraci
on.- Una verificaci
on simple sobre pk (x), muestra que se tratan
efectivamente de polinomios. Para la relacion de ortogonalidad con k dado,
es suficiente mostrar que si q(x) es un polinomio de grado k 1 entonces
q pk . En efecto
Z

dk 
(x)(x a)k (b x)k q(x)dx
k
a dx
b


dk1 
k
k

(x)x

a)
(b

x)
q(x)
=

k1
dx
a
{z
}
|
=0
Z b k1


d

(x)x a)k (b x)k q (x)dx

k1
a dx
..
.
Z b


(x)x a)k (b x)k q (k) dx
=

(x)pk (x)q(x)dx =

= 0.


La mayor parte de los c
alculos de integrales definidas, tienen como funcion de
peso (x) = 1. A continuacion se estudiar
a con mayor detalle los polinomios
de Legendre.

Los Polinomios de Legendre

Los polinomios de Legendre son los polinomios ortogonales para la funcion
de peso (x) = 1 definida en el intervalo (1, 1), ver la tabla VI.2.1. Por otro
lado, utilizando la formula de Rodriguez se puede elegir los Ck de manera
que Pk (1) = 1. Por consiguiente, se tiene


dk 
k
k 
1 = Pk (1) = Ck
= Ck (2)k k!,
(1 x) (1 + x) 
dxk
x=1

de donde

Ck =

(1)k
,
2k k!

 n Num
VI Integracio
erica

264
por lo tanto
Pk (x) =

(1)k dk
(1 x2 )k .
k
k
2 k! dx

(VI.2.8)

Los polinomios de Legendre pueden ser calculados mediante la formula

de Rodriguez, o mediante una relacion recursiva, ver ejercicio 1. En la tabla
VI.2.2, se da los cuatro primeros polinomios de Legendre.
Tabla VI.2.2. Polinomios de Legengre
k

Pk (x)

x
3 2
x
2
5 3
x
2

2
3

1
2
3
x
2

Puede observarse que si k es par, entonces Pk (x) = Q(x2 ) donde Q es un

polinomio; de la misma manera si k es impar, se tiene que Pk (x) = xQ(x2 ).

Las F
ormulas de Cuadratura de Gauss
La verificaci
on del orden de una formula de cuadratura, se la realiza en el
intervalo [0, 1]. Efectuando una transformacion afn, se tiene que M (x) del
teorema VI.2.1, es igual a
M (x) = (x c1 ) (x cs ) = Ps (2x 1)

(VI.2.9)

con Ps el s-simo polinomio de Legendre, si se desea que orden de la formula

cuadratura sea al menos s. El siguiente teorema, tiene una importancia en
lo concerniente al orden de una formula de cuadratura.
Teorema VI.2.6.- El orden de una formula de cuadratura dada por (bi , ci ),
i = 1, . . . , s; es menor o igual a 2s.
Demostraci
on.- Por el absurdo. Supongase que existe una formula de
cuadratura de orden superior o igual a 2s + 1, de donde para todo polinomio
l(x) de grado s, se tiene
Z 1
l(x)M (x)dx,
0

VI.2 Cuadraturas de Orden Elevado

265

sin embargo, tomando l(x) = M (x) se tiene

Z

M 2 (x)dx = 0,

lo que conduce a una contradiccion

El objetivo, ser
a por consiguiente, encontrar una formula de cuadratura
de orden maximo, es decir 2s. Por la observacion hecha al inicio de esta
u
ltima subsecci
on, los nudos ci de la formula de cuadratura de orden s son
las raices de Ps (2x 1) polinomio de Legendre. Como consecuencia de lo
anteriormente expuesto se tiene el siguiente teorema formulado por Gauss
en 1814.
Teorema VI.2.7.- Una formula de cuadratura (ci , bi ), i = 1, . . . , s; es de
orden 2s si y solamente si c1 , . . . , cs son las raices de Ps (2x 1), Ps (t)
polinomio de Legendre y los bi est
an determinados por
s
X

1
,
q

bi cq1
=
i

i=1

q = 1, . . . , s.

(VI.2.10)

Por otro lado, debe observarse que los coeficientes de una formula de
cuadratura de Gauss son extrictamente positivos, en efecto, se define
li (x) =

s
Y
x cj
c
i cj
j=1
j6=i

el i-esimo polinomio de Lagrange para la subdivsi

on c1 < < cs . El grado
de este polinomio es igual a s 1 y verifica
li (cj ) =

j 6= i;

0,
1,

j = i.

Ahora bien, se tiene

bi =

s
X
j=1

bj (li (cj )) =

(li (x))2 dx > 0,

ya que, deg li2 = 2s 2 < 2s.

El c
alculo de los coeficientes bi de una formula de cuadratura de Gauss,
pueden ser resueltos mediante el sistema lineal dado por (VI.2.10). Sin
embargo este procedimiento no es el mejor, debido a la acumulacion de los

 n Num
VI Integracio
erica

266

errores de redondeo. Existe un procedimiento que determina los bi de una

manera sencilla, el est
a dado en el:
Teorema VI.2.8.- Para la formula de cuadratura de Gauss de orden 2s, se
tiene
1
bi =
, i = 1, . . . , s;
(VI.2.11)
(1 x2i )Ps (xi )2
donde xi = 2ci 1.
Demostraci
on.- Se tiene,
bi =

s
X

bj li (cj ) =

li (t)dt,

j=1

realizando la transformacion x = 2t 1, se obtiene

Z

1
2

bi =

li

=C

x+1
2

dx,

por otro lado, se tiene

li

x+1
2

Ps (x)
,
x xi

de donde pasando al lmite, se obtiene

lim C

xxi

Ps (x)
= CPs (xi ) = 1,
x xi

despejando C, bi est
a dado por
1
2

1
bj li (cj ) =
bi =
2
j=1

bi =

Ps (x)
dx.
(x xi )Ps (xi )

(VI.2.12)

Adem
as,
s
X

Ps (x)
(x xi )Ps (xi )

2

esta integral se la resulve por partes, obteniendo as

1
bi =

2(Ps (xi ))2

(Ps (x))2

1
dx
(x xi )2

dx,

(VI.2.13)

267

VI.2 Cuadraturas de Orden Elevado




 Z 1
1
Ps (x)
1
Ps (x)
1
=
dx
+
+

1 xi
(x xi )Ps (xi )
2(Ps (xi ))2 1 xi
1 Ps (xi )
{z
}
|


x+1
= li
2


s
X P (xj )
xj + 1
1
1
li
=
bj s

2
2 +
2
(x
)
P
2(Ps (xi )) 1 xi
s i
j=1
=

1
1
+ 2bi
2(Ps (xi ))2 1 x2i

En el ejercicio 1 de esta seccion, se mostrar

a que los polinomios de
Legendre verifican la siguiente relacion recursiva
(1 x2 )Ps (x) = sxPs (x) + sPs1 (x),
de donde

(1 x2i )Ps (xi ) = sPs1 (xi ),

obteniendo

bi =

1 x2i
.
s2 (Ps1 (xi ))2

(VI.2.14)

En la tabla VI.6.3, se dan las primeras formulas de cuadratura de Gauss.

Tabla VI.6.3. Primeras Formulas de Cuadratura de Gauss.
s
1
2
3

c1
1
2

c2

c3

b1

b2

b3

1
3

2
6

1
15

2
10

1
3
+
2
6
1
2

1
15
+
2
10

1
2

1
2

5
18

8
18

5
18

Ejercicios
1.- Para los polinomios de Legendre, demostrar que:
(k + 1)Pk+1 (x) = (2k + 1)xPk (x) kPk1 (x);
(1 x2 )Pk (x) = kxPk (x) + kPk1 (x).

 n Num
VI Integracio
erica

268

2.- Los polinomios de Chebychef est

an definidos por
Tk (x) = cos(k arccos x).
Verificar que:
T0 (x) = 1; T1 (x) = x;
Tk+1 (x) = 2xTk (x) Tk1 (x);
Z 1
1
p
Tk (x)Tj (x), para i 6= j.
1
1 x2
3.- Calcular las raices de P8 (x) con un metodo iterativo, como por ejemplo
el metodo de la biseccion.
4.- Mostrar que el nucleo de Peano Pk (t) de una formula de cuadratura
satisface
Z 1
s
X
1

bi ck .
Pk (t)dt =
k + 1 i=1 i
0
5.- Sea p el orden de una formula de cuadratura y sup
ongase que el nucleo
de Peano Pp (t) no cambia de signo sobre [0, 1]. Mostrar que
Z

x0 +h

x0

f (x)dx h

s
X
i=1

bi f (x0 + ci h) = h

p+1

s
X
1
bi cpi
h
p+1
i=1

f (p) (),

con (x0 , x0 + h).

Indicaci
on.- Utilizar el teorema VI.1.15 con k = p.
6.- Mostrar que para las formulas de cuadratura de Gauss de orden 2s, el
nucleo de Peano P2s (t) no cambia de signo.

VI.3 Implementaci
on Num
erica

El c
alculo numerico de integrales definidas, requiere la implementacion de
las formulas de cuadratura en forma de programas o subrutinas. Dada una
funci
on f : [a, b] R, el c
alculo de
Z

f (x)dx,

(VI.3.1)

se lo realiza teniendo en cuenta el error que se desea cometer. Generalmente

se da una tolerancia que se la denota por TOL, por consiguiente se busca una
aproximacion I, tal que
Z

Z b
 b



f (x)dx I  TOL
|f (x)| dx.

 a

a

(VI.3.2)

Ahora bien, una manera de conseguir (VI.3.2), es subdividir el intervalo

[a, b] en subintervalos y aplicar el teorema VI.1.16 de manera de obtener
un h
optimo. Sin embargo este procedimiento presenta dos incovenientes:
es necesario conocer de antemano este h optimo; adem
as de conocer las
propiedades de la funcion f a integrar. La segunda manera de resolver
(VI.3.2) es de concevir un algoritmo, donde el c
alculo del error se haga de
manera automatica es decir utilizando un metodo adaptativo.
Lo primero que se debe tener en la implementacion de un programa que
permita evaluar la integral de una funcion f , es una estimacion del error. Sea
(bi , ci ) i = 1, . . . , s, una formula de cuadratura y a = x0 < x1 < < xn = b,
una subdivision de [a, b]; se define el error en cada subintervalo [xi , xi+1 ] a
E(f, xi , xi+1 ) =

xi+1

xi

f (x)dx (xi+1 xi )

s
X
j=1

bj f (xi + cj (xi+1 xi )).

(VI.3.3)
Por lo tanto, el programa que va calcular numericamente la integral debe
tener en cuenta dos aspectos:
1.- Estimacion del error.
2.- Elecci
on de la subdivision de [a, b], x0 < x1 < < xn ; tal que
n
X
j=0

|E(f, xj , xj+1 )| TOL

|f (x)| dx.

 n Num
VI Integracio
erica

270
Por consiguiente, denotando por:
res[a,b] = I,

resabs[a,b] =

|f (x)| dx,

se tiene el siguiente algoritmo.

err[a,b]

Z


 b


=
f (x)dx I  ,

 a

Algoritmo
Calcular: res[a,b] , resabs[a,b] y err[a,b] .
err[a,b] TOL resabs[a,b] : si es cierto se ha terminado, si no continuar
el siguiente paso.
a+b
Plantear c = c =
y calcular:
2
res[a,c] ,
res[c,b] ,

err[a,c] ,
err[c,b] ,

resabs[a,c] ,
resabs[c,b] ;

err[a,c] + err[c,b] TOL resabs[a,c] + resabs[c,b] : si es cierto se ha
terminado, si no dividir el subintervalo con error maximal y continuar
con el siguiente paso.
Continuar hasta que
X

err[aj ,cj ] TOL

X


resabs[aj ,cj ] .

Una vez planteado el algoritmo, el principal problema consiste en estimar

el error cometido en el c
alculo de la integral, en cada subintervalo [xi , xi+1 ].
El teorema VI.1.12 da una estimacion cuando la formula de cuadratura tiene
un orden p, la cual est
a dada por
E(f, x0 , x1 ) = h

p+1

Pp (t)f (p) (x0 + th)dt,

donde Pp (t) es el k-simo nucleo de Peano, para la formula de cuadratura. El

principal inconveniente de utilizar esta estimacion radica en que el c
alculo
de la derivada de orden p de f puede ser tan complicado, como encontrar
una primitiva de f , y por otro lado, determinar el nucleo de Peano no es una
tarea nada simple, motivos por los cuales, la estimacion del teorema VI.1.12
no es nada pr
actica desde el punto de vista computacional.
Ahora bien, existen dos metodos numericos que permiten encontrar una
estimacion del error cometido en cada subintervalo, sin necesidad de conocer
las propiedades del nucleo de Peano y de las derivadas de la funcion a

 n Num
VI.3 Implementacio
erica

271

integrar. Por consiguiente sea (ci , bi ), una formula de cuadratura dada de

orden p, se desea estimar
Z x1
s
X
bi (f (x0 + ci (x1 x0 )).
f (x)dx (x1 x0 )
E(f, x0 , x1 ) =
x0

i=1

El primer metodo para estimar E es conocido como QUADPACK, algoritmo

implementado en algunas bibliotecas de programas. La idea central de este
metodo es tomar una segunda formula de cuadratura (
ci , bi ) con un orden
p > p y estimar E(f, x0 , x1 ), como
" s
#
s
X
X
bi f (x0 + ci (x1 x0 )
E(f, x0 , x1 ) = (x1 x0 )
bi f (x0 + ci (x1 x0 )) ,
i=1

i=1

(VI.3.4)
Para evitar demasiadas evaluaciones de la funcion f , es deseable que
{c1 , . . . , cs } {
c1 , . . . , cs} ,

es decir
{
c1 , . . . , cs} = {c1 , . . . , cs } {cs+1 , . . . , cs+m } ,
con s + m = s. Sin embargo m debe ser mas grande que s, si la formula de
cuadratura (ci , bi ) es una de tipo Gauss; en efecto, si m s, se tiene:
s+m
X

i=1
s
X

bi cj1 = 1 ,
i
j

bi cij1 =

i=1

1
,
j

j = 1, . . . , s + m;
j = 1, . . . , 2s;

lo cual conduce a que

bi =

bi , i = 1, . . . , s;
0, i = s + 1, . . . , s + m;

obteniendo as, la misma formula de cuadratura. Por consiguiente es necesario elegir m > s, por ejemplo m = s + 1.
Por otro lado, se pueden elegir los ci restantes de manera que la formula
de cuadratura (
ci , bi ), i = 1, . . . , 2s + 1; tenga un orden igual a 3s + 2.
Esta formula de cuadratura lleva el nombre de Konrad, en honor a su
descubridor. El metodo QUADPACK, toma como resultado de la integral al
resultado numerico proporcionado por la formula de cuadratura de Konrad,
es decir
2s+1
X
bi f (x0 + ci (x1 x0 )),
res = (x1 x0 )
(VI.3.5)
i=1

 n Num
VI Integracio
erica

272

la estimacion del error cometido es de la formula de cuadratura de Gauss y

no as de la de Konrad. No obstante, se puede obtener una estimacion de
este error. En efecto los errores de las formulas de cuadratura est
an dados
por:
errGauss = Ch2s+1 + . . . ,
3s+3 + . . . .
errKonrad = Ch
Para simplificar los c
alculos se puede suponer que tanto C, como C son
iguales y valen 1, obteniendo as, cuando h tiende a 0

3/2
h3s+3 ,
h2s+1
de donde la estimacion del error de la formula de cuadratura multiplicada
por una constante de seguridad est
a dada por:
"
!#3/2
2s+1
s
X
X
bi f (x0 + ci h)
err = (x1 x0 )
bi f (x0 + ci h)
100,
i=1

i=1

(VI.3.6)

finalmente se tiene
resabs = (x1 x0 )

2s+1
X
i=1

bi |f (x0 + ci (x1 x0 ))| .

(VI.3.7)

El segundo metodo es conocido como GAUINT,GAUSS. Al igual que en el

metodo QUADPACK, se considera una formula de cuadratura de tipo Gauss
(ci , bi ), i = 1, . . . , s; pero s impar, de manera que uno de los nudos sea igual
a 1/2. Luego se considera la formula de cuadratura de orden al menos s 1
obtenida de la formula original, cuyos nudos est
an dados por
{
c1 , . . . , cs1 } = {c1 , . . . , cs } \ {1/2} .

Con los mismos argumentos desarrollados para el metodo QUADPACK, pero

esta vez tomando el resultado numerico proporcionado por la formula de
cuadratura de Gauss, se obtiene:
s
X
bi f (x0 + ci h),
(VI.3.8)
res = (x1 x0 )
"

i=1

err = (x1 x0 )

s
X

resabs = (x1 x0 )

bi f (x0 + ci h)

i=1
s
X
i=1

s
X
i=1

bi |f (x0 + ci h)| .

bi f (x0 + ci h)

!#2

100, (VI.3.9)
(VI.3.10)

Las experiencias numericas muestran que en la mayora de los casos las

estimaciones del error cometido son demasiado pesimistas, ver en la tabla
VI.3.1, las experiencias numericas han sido realizadas por el metodo GAUINT.
El programa GAUINT, para estas experiencias numericas, utiliza una formula
de cuadratura de Gauss de orden 30.

 n Num
VI.3 Implementacio
erica

273

Tabla VI.3.1 Error exacto vs Error estimado.

f (x)
1
x 4 + x2 + 1

[a, b]

Error exacto

err

[0, 2]

0.23 1010

0, 90 1010

25e25x

[0, 1]

0, 14 1011

0.23 105

[0, 1/2]

0, 98 105

0.14 108

Puede observase que la tercera funcion a ser integrada

es una excepcion de la
regla anteriormente formulada, eso se debe a que x no es lo suficientemente
derivable, y el algoritmo ha sido concebido para funciones lo suficientemente
lisas.

Tratamiento de singularidades
Los metodos desarrollados en la anterior subsecci
on, tal como se puede
observar en la tabla precedente, son utilizables para funciones lo suficientemente derivables. Por lo tanto, no son muy eficientes para resolver integrales
definidas de funciones no muy lisas, adem
as existen integrales impropias cuyo
c
alculo es frecuente en diversas aplicaciones, como por ejemplo integrales de
los tipos:
Z 1
Z 1
f (x)
dx,
(log x)f (x)dx.
x
0
0
Ejemplo
Considerese, la funcion
f (x) =

4x log x
,
x4 + 100

R1
se desea calcular 0 f (x)dx. Esta integral es impropia, no obstante que
una formula de cuadratura de tipo Gauss proporciona resultados que
se aproximan al valor exacto de esta integral. Esto se debe a que los
nudos de la formula utilizada son diferentes de 0 y que la funcion f (x)
es singular en x = 0. Ahora bien, el error exacto al integrar sobre el
intervalo [0, 1] es del orden de 0.18 104 , el cual est
a cerca del 5% del

 n Num
VI Integracio
erica

274

valor exacto, valor muy grande. Un procedimiento para obtener un error

que este en el orden de TOL, es definir la sucesion Sk dada por
Sk =

k Z
X
j=0

bj

f (x)dx,

aj

donde bj = 2jk y aj = bj /2, para j > 0. Con este procedimiento,

solamente se debe calcular la integral en el intervalo mas peque
no.
Para poder comparar los resultados obtenidos con el metodo numerico,
el valor exacto de la integral, calculada mediante series, es igual a
Z 1
Z 1
4x log x
1 4x log x
4
dx =
dx
100
x
+
100
1 + x4 /100
0
0
Z 1

X
x4k
1
(4x log x)
dx
(1)k
=
100 0
100k
k=0
Z

4 X (1)k 1 4k+1
=
x
log xdx
100
100k 0
k=0

1
1 X (1)k
,
k
100
(2k
+
1)2
100
k=0

lo que es igual con 16 cifras de precisi

on a
Z 1
4x log x
dx = 9.9889286860336184 1003 .
4
x
+
100
0
Aplicando el procedimiento mencionado mas arriba, se obtiene la tabla
VI.3.2.
Tabla VI.3.2. Calculo Integral.
Sk

Error Exacto

Sk

Error Exacto

S0

1.748733098830973E 07

S7

1.067342048077790E 11

1.092958187148829E 08

S9

6.830988674016991E 10

S11

4.269368018838815E 11

S13

S1
S2
S3
S4
S5
S6

4.371832748595316E 08

S8

2.732395467872073E 09

S10

1.707747172841056E 10

S12

2.668355120194476E 12
6.670896474103571E 13
1.667728455334582E 13
4.169407874510255E 14
1.042395336714463E 14
2.605554660917164E 15

 n Num
VI.3 Implementacio
erica

275

Se puede observar inmediatamente, que la convergencia para calcular la

integral es muy lenta, es necesario, efectuar 13 subdivisiones para obtener
un error igual o inferior a 2.61 1015 . Cada utilizaci
on del programa
GAUINT requiere 15 evaluaciones de la funcion f , por consiguiente para
obtener el error mencionado, es necesario por lo menos 14 15 evaluaciones de la funcion f .
Para evitar tantas evaluaciones de la funcion f , es necesario construir
un algoritmo que permita acelerar la convergencia. Una forma de hacerlo es
utilizar procedimientos de extrapolaci
on al lmite dado en el captulo III.3.
Ahora bien, el metodo que ser
a estudiado para acelerar la convergencia en
el c
alculo de estas integrales ser
a tratado con un procedimiento equivalente,
el cual consiste en utilizar diferencias finitas.
A partir de la tabla precedente puede observarse, el siguiente hecho:
Denotese por S el valor exacto de la integral, entonces
Sn+1 S

1
(Sn S),
4

es decir
Sn+1 S (Sn S).

(VI.3.11)

Supongase, que se conoce tres valores consecutivos de la sucesion {Sk }, por

decir: Sn , Sn+1 y Sn+1 , utilizando la notacion de diferencias finitas dada en
el captulo III.1, se tiene el siguiente sistema lineal
(
Sn+1 S = (Sn S)
,
(VI.3.12)
Sn+2 S = (Sn+1 S)
de donde sustrayendo ambas ecuaciones, se obtiene
Sn+1 = Sn ,
por consiguiente
=

Sn+1
.
Sn

(VI.3.13)

Despejando S de la segunda ecuacion de (VI.3.12), se tiene

1
Sn+1
1
Sn Sn+1
,
=Sn+1
Sn+1 Sn

S =Sn+1

obteniendo as
Sn = Sn+1

Sn Sn+1
.
2 Sn

(VI.3.14)

 n Num
VI Integracio
erica

276

El metodo que acaba de ser formulado por (VI.3.14), es conocido por el

procedimiento 2 de Aitken. En la tabla VI.3.3, se dan los valores obtenidos
por este procedimiento, para el ejemplo precedente.
Tabla VI.3.3. Procedimiento de Aitken.
Sk

Valor integral

Error Exacto

S0

9.988928686033609E 03

0.35E 14

9.988928686033618E 03

0.26E 14

S1
S2

9.988928686033618E 03

0.26E 14

Con la finalidad de comparar la eficiencia, del procedimiento 2 de Aitken,

para obtener un error del orden de 0.26 1014 solo se necesitan 3 evaluaciones de integrales de f , mientras que, sin el procedimiento de aceleraci
on
es necesario 14 evaluaciones de integral.
El siguiente paso en lograr una convergencia mas rapida en el c
alculo de
integrales, consiste en generalizar el procedimiento 2 de Aitken, para tal
efecto se supuso que
Sn+1 S = (Sn S),
por consiguiente
Sn S = Cn .
Ahora bien, para ser mas precisos se puede suponer que
S n S = C 1 1 + C 2 2 + C k k ,

(VI.3.15)

con los i diferentes dos a dos, de donde la diferencia n = Sn S satisface

una ecuacion de diferencias finitas o relacion recursiva de la forma
n+k + a1 n+k1 + + ak n = 0.

(VI.3.16)

La teora de ecuaciones de diferencias finitas, tiene como resultado central,

que los i , i = 1, . . . , k; son raices del polinomio caracterstico de (VI.3.16)
dado por
k + a1 k1 + + ak .
(VI.3.17)
Se tiene un problema inverso, pues no se conocen los valores de los ak , pero
si los valores de n , los cuales pueden servir para determinar los valores de
los ak a partir del sistema lineal

Sn S
Sn+k S ak
..

..
..
= 0.
(VI.3.18)

.
.
.
Sn+k S

Sn+2k S

a1

 n Num
VI.3 Implementacio
erica

277

Este sistema tiene soluciones no triviales para el sistema lineal homogeneo,

por lo tanto el determinante de la matriz es nulo. Efectuando sustracciones
sobre las filas de la matriz, se obtiene
S S
S
S S
S

det

n+1

Sn
..
.

Sn+1

Sn+k1

luego, se tiene

Sn


 Sn

..

.


Sn+k1

Sn+1
Sn+1

n+k

Sn+k
Sn+k
..
.

Sn+k
= 0,
..

Snk1




=




Snk1

1


 Sn
= S 
..
.


Sn+k1

1
Sn+1

1
Sn+k
..
.

Snk1

efectuando sustracciones sobre la columna de la matriz del lado derecho de

la ecuacion, se obtiene finalmente


Sn
Sn+1
Sn+k 



Sn+1
Sn+k 
 Sn


..
..


.
.




Sn+k1

Snk1


S=
(VI.3.19)
 2 Sn
2 Sn+k1 



..
..


.
.


 2 Sn+k1 2 Sn+k2 
Por ultimo la relacion (VI.3.19), puede mejorarse si al determinante del
numerador se agrega la primera linea a la segunda linea, la segunda linea a
la tercera y as sucesivamente, convirtiendose en


Sn+1
Sn+k 
 Sn


 Sn+1 Sn+1 Sn+k+1 
 .

..
 .

.
 .



Sn+k
Snk
(k)

(VI.3.20)
S = 
2
2 Sn+k1 
 Sn


..
..
.

.
.


 2 Sn+k1 2 Sn+k2 

 n Num
VI Integracio
erica

278

Este resultado constituye una joya desde el punto de vista te

orico, pero es una
cat
astrofe, si se quiere implementar numericamente, las razones son obvias.
Por lo tanto es necesario construir un algoritmo que permita determinar
S (k) , sin necesidad de calcular explcitamente los determinantes encontrados
en la u
ltima expresi
on. El metodo que ser
a explicado constituye el algoritmo
epsilon o mas simplemente -algoritmo.
Algoritmo Epsilon
El siguiente teorema formulado por Wynn en 1956, permite calcular S (k) .
(n)

Teorema VI.3.1.- Dados S0 , S1 , S2 , . . . , se define la sucesion k

1, 0, . . . ; n = 0, 1, . . . , de manera recursiva, como

k =

(n)

1 = 0,
(n)

= Sn ,

(n)
k+1

(n+1)
k1

(n)

= Sn ,

entonces
(n)

= Sn ,

(VI.3.21)

1
(n+1)

(n)

(n)

= Sn(3) , . . .

(VI.3.22)

Demostraci
on.- Una demostracion completa y una explicacion detallada
puede encontrarse en Brezinski.

La sucesion definida por el teorema precedente permite formular el algoritmo en forma de una tablero, ver la figura VI.3.1.

(0)
1

(0)
0

(1)
(0)
1
1

(1)
0 (0)
2

(1)
(2)
1 1 (0)
3

(0)
(1)
(2)
4
2
0
(2)
(1)

(3)
1 1 3 (0)
5

(1)
(2)
(3)
0 2 4 (0)
6

Figura VI.3.1. Esquema -algoritmo.

 n Num
VI.3 Implementacio
erica

279

En la figura VI.3.4, podr

a apreciarse la verdadera potencia del algoritmo. La sucesion definida por
Sn = 4

n
X
(1)k
,
2k + 1

(VI.3.23)

k=0

converge hacia , sin embargo la convergencia de esta sucesion es muy

lenta. Para obtener una precisi
on de 1035 , son necesarias por lo menos 1035
evaluaciones de esta sucesion, lo cual es imposible: por el tiempo de c
alculo
y por el error de redondeo. Aplicando el epsilon-algoritmo, se obtiene la
(n)
precisi
on requerida, los errores de k son dados en la figura VI.3.4.
100

k=0

102

k=2
104
106

k=4

108

k=6

1010

k=8

1012

k=10

1014
1016
1018
1020
0

k=24
1

k=22
3

Figura VI.3.4. Error de

10
(n)
k

11

12

13

14

15

en funcion de n.

Otro medio para acelerar la convergencia en el c

alculo de integrales
impropias, consiste en efectuar un cambio de variable conveniente. A continuaci
on se presentara algunos ejemplos donde el c
alculo de la integral
converge con mas rapidez o mayor lentitud dependiendo del cambio de
variable elegido.
Ejemplos

 n Num
VI Integracio
erica

280
a) Considerese, la integral impropia
Z 1
0

log x
dx.
x2 + 100

Se observa inmediatamente que f (x) no est

a acotada en las proximidades
del origen. Aplicando la funcion GAUINT con una tolerancia igual a
TOL = 1014 . Si se desea obtener el valor exacto de esta integral con
un error exacto inferior a 1013 son necesarias 69 15 evaluaciones de
la funcion f .
Efectuando el cambio de variable x = t2 , se obtiene la integral
Z 1
4t log t
dt,
4
0 t + 100
integral que ha sido ya evaluada, ver la tabla VI.3.2. La funcion a integrar
es acotada, y son necesarias 27 15 evaluaciones de la funcion integrada.
Si nuevamente se realiza otro cambio de variable, como por ejemplo,
t = s2 , se obtiene la integral
Z 1
16s3 log s
ds,
8
0 s + 100
denotando por h(s) a la funcion integrada, se puede mostrar que h(s)
es dos veces continuamente diferenciable. Resolviendo por la funcion
GAUINT son necesarias 7 15 evaluaciones de h.
b) Las integrales de la forma
Z 1
f (x)
dx,
x
0
pueden ser calculadas con menos evaluaciones, si se hace el cambio de
variable x = t2 , obteniendo as
Z 1
2
f (t2 )dt.
0

c) Las integrales impropias del tipo

Z

f (x)dx,

mediante el cambio de variable x = 1/t se convierten en

Z 1
1
f (1/t) 2 dt.
t
0

 n Num
VI.3 Implementacio
erica

281

Por lo tanto, para acelerar la convergencia, puede utilizarse de manera

combinada el -algoritmo, con un cambio de variable adecuado. Vale la pena
recalcar que el objetivo principal del cambio de variable es volver la funcion
integrada mas lisa, es decir que sea lo suficientemente derivable para poder
aplicar la subrutina GAUINT en el maximo de su eficiencia. Sin embargo el
cambio de variable puede volver mas complicada la funcion a integrar, motivo
por el cual la ganancia obtenida en una disminuci
on de evaluaciones de la
funci
on integrada puede perderse con las mismas evaluaciones de la funcion.
Uno de los tipos de integral donde mejor se ajusta los metodos de
aceleraci
on propuestos, como el cambio de variable conveniente o el algoritmo
epsilon consiste en:
Funciones con Oscilaciones
Escapando un poco a la rutina del libro de presentar las bases te
oricas de
la solucion de un problema, para luego tratar algunos ejemplos, se analizar
a
este tipo de evaluaci
on de integral impropia con un ejemplo.
Considerese la integral de Fresnel, dada por
Z

1
sin(x )dx =
2
2

.
2

La funci
on sin(x2 ) se anula en x2 = k con k N, definiendo as una sucesion
de n
umeros positivos {xk }, dada por
xk =
Planteando
Ik =

xk+1

k.

sin(x2 )dx,

k = 0, 1, 2, . . . ;

xk

donde Ik pueden ser calculadas por GAUINT se define la sucesion {Sk }, por
Sk =

k
X

Ij ,

j=0

teniendo como resultado

Z

sin(x2 )dx = lim Sk .

k

Ahora bien la convergencia de Sk es muy lenta, utilizando -algoritmo

la velocidad de la convergencia hacia la integral, se aumenta de manera
ostensible. Ver la tabla VI.3.4.

 n Num
VI Integracio
erica

282

Tabla VI.3.4. Calculo de la integral de Fresnel

k

Sk

Sk

Sk

S (3)

S (4)

S (5)

0 .89483147 .63252334 .62682808 .62666213 .62665722 .62665721

1 .43040772 .62447449 .62660885 .62665582 .62665582
2 .78825896 .62773451 .62667509 .62665746 .62665746
3 .48624702 .62603581 .62664903 .62665692
4 .75244267 .62705261 .62666112 .62665713
5 .51172983 .62638728 .62665483
6 .73311637 .62685063 .62665838
7 .52703834 .62651269
8 .72060138 .62676812
9 .53751806
10 .71165881

Ejercicios
1.- Para una sucesion {Sn }n0 , el -algoritmo est
a definido por:
(n)

1 = 0,
(n)

= Sn ,

(n)

(n+1)

k+1 = k1 +

1
(n+1)
k

(n)

Si la aplicaci
on del -algoritmo a {Sn }n0 y a {Sn }n0 = {aSn + b}
(n)
(n)
proporciona respectivamente las cantidades k y k . Mostrar que
(n)

(n)

2l = a2l + b,

1 (n)

.
a 2l+1

(n)

2l+1 =

2.- Utilizar el -algoritmo para el c

alculo de las integrales:
a)

1
100

x0.99 dx,

b)

log x
dx.
x

 n Num
VI.3 Implementacio
erica

283

3.- Supongase que la sucesion {Sn } satisface

Sn+1 S = ( + n )(Sn S)
con || < 1, lim n = 0 y considerese el procedimiento 2 de Aitken
n

Sn = Sn+1

Sn Sn+1
,
2 Sn

n = 0, 1, . . . .

Demostrar que la sucesion {Sn } converge mas rapidamente hacia S que

la sucesion {Sn }; es decir
Sn S
= 0.
n Sn S
lim

Indicaci
on.- Verificar que Sn = ( 1 + n )(Sn S) y encontrar una
formula similar para 2 Sn

VI.4 Transformaci
on de Fourier

En est
a seccion ser
a abordado el c
alculo numerico de las transformadas de
Fourier, es decir los coeficientes de las series de Fourier para una determinada
funci
on. Se iniciar
a un repaso te
orico sobre las series de Fourier, luego se
introducir
a la transformada discreta de Fourier, cuya abreviacion usual es
T DF , para finalmente ver la transformacion rapida de Fourier mas conocida
como F F T .
Las motivaciones de la utilizaci
on de series de Fourier est
an dadas por
sus diferentes aplicaciones en numerosas areas de la ciencia, como de la
tecnologa; para citar algunas de ellas, se tiene el tratamiento de se
nales, la
resoluci
on de ecuaciones diferenciales, la construccion de metodos espectrales
en la resolucion de ecuaciones a derivadas parciales, etc.
La teora de la transformacion de Fourier est
a ntimamente ligada a
las funciones 2-periodicas e integrables. En este libro se supondr
a que las
funciones son integrables en el sentido de Riemann, y no se considerar
a el
caso mas general. Recordando la:
Definici
on VI.4.1.- La serie de Fourier de una funcion 2- periodica e
integrable, est
a dada de manera formal por
f (x)

f(k)eikx ,

(VI.4.1)

kZ

donde los coeficientes de Fourier est

an definidos por
1
f(k) =
2

f (x)eikx dx.

(VI.4.2)

Denotando por E, el espacio de las funciones 2-periodicas, tales que

Z

2
0

f (x)f (x)dx < ,

f E,

se tiene que E es un espacio vectorial provisto del producto sesquilinial, dado

por
Z 2
f (x)g(x)dx.
hf, gi =
(VI.4.3)
0

Una simple verificaci

on muestra que las funciones definidas por
k (x) = eikx ,

(VI.4.4)

 n de Fourier
VI.4 Transformacio

285

constituyen una familia ortogonal de funciones, es decir

hk , j i = 0,

si j 6= k.

Para conocer mas respecto a las propiedades de espacios de Hilbert, familias

ortonormales y series de Fourier existe una ambundante bibliografa, por
ejemplo Rudin.
La definicion VII.4.1 es una definicion formal, es decir la serie de Fourier
de una funcion dada, no necesariamente debe converger hacia la funcion.
Sin embargo existen condiciones suficientes sobre la funci
on f , para que
la serie de Fourier converga hacia f o por lo menos en casi todos los
puntos. A continuacion se enunciar
a estas condiciones suficientes y el tipo
de convergencia que uno puede esperar obtener.
Teorema VI.4.2.- Dirichlet. Sea f : R C una funcion de clase C 1 por
trozos y periodica de periodo 2. La serie de Fourier de f es convergente en
todo punto de R. En un punto x donde la funcion es continua, el lmite de
la serie es f (x). En un punto x donde f no es continua, la suma de la serie
es
1
(f (x ) + f (x+ )).
(VI.4.5)
2
Adem
as, la convergencia de la serie de Fourier de f es uniforme en todo
intervalo compacto que no contiene ning
un punto de discontinuidad de f .
Demostraci
on.- Una demostracion de este teorema puede encontrarse en
Gramain.

Con la formulacion de este teorema, se conoce la clase de funciones
de las cuales la serie de Fourier es igual a la funcion, en todo caso en los
puntos donde la funcion es continua. Es prop
osito de esta seccion estudiar
los metodos numericos que permitan calcular los coeficientes de Fourier, y
por ende la serie de Fourier asociada. Una primera alternativa de c
alculo de
estos coeficientes consiste en utilizar un metodo de integracion propuesto en
las secciones precedentes de este captulo. Sin embargo existen alternativas
menos costosas y mas simples que dan excelentes resultados.
Sea f : [0, 2] C, sup
ongase que la funcion f (x) es conocida para los
x dados por la subdivision equidistante
xl =

2l
,
N

l = 0, 1, . . . , N.

(VI.4.6)

Como f (xN ) = f (x0 ) por hipotesis, el c

alculo de (VI.4.2) puede realizarse
mediante la regla del trapecio, obteniendo como aproximacion de f(k)
N 1
1 X
f (xl )eikxl .
fN (k) =
N
l=0

(VI.4.7)

 n Num
VI Integracio
erica

286

Ahora bien, (VI.4.7) induce las definiciones siguientes.

Considerese, el espacio de las sucesiones N -periodicas
PN = {(yk )kZ |yk C, yk+N = yk }.

(VI.4.8)

Definici
on VI.4.3.- La transformada discreta de Fourier (DFT) de y PN
es la sucesion (zk )kZ , donde
N 1
N 1
1 X
1 X
ikxl
yl e
yl kl ,
=
zk =
N
N
l=0

con

= e2i/N .

l=0

Se la denota z = FN y.
Proposici
on VI.4.4.- La transformada discreta de Fourier satisface las
siguientes propiedades:
a) Para y PN , se tiene que FN y PN .
b) La aplicaci
on Fn : PN PN es lineal y biyectiva.
c) La aplicaci
on inversa de FN est
a dada por
1
FN
= N FN ,

donde

(VI.4.9)

N 1
1 X

(FN z)k := (FN z)k =

zl kl .
N

(VI.4.10)

l=0

Demostraci
on.- Utilizando el hecho que N = e2i = 1 y lN =
N l
( ) = 1, se obtiene
zk+N =

N 1
N 1
1 X
1 X
yl (k+N )l =
yl kl = zk ,
N
N
l=0

l=0

mostrando as la periocidad de zk . La linearidad de FN resulta de una

verificaci
on inmediata. Para mostrar la biyectividad y al mismo tiempo la
formula (VI.4.10), se calcula
N 1
1 X

(FN FN y)j =
(FN y)k kj
N
k=0

N 1 N 1
1 X X
yl kl kj
N 2 k=0 l=0

N 1
1 X
= 2
yl
N l=0

1
= yj .
N

N 1
1 X k(jl)

N
k=0

 n de Fourier
VI.4 Transformacio

287

La u
ltima igualdad de este c
alculo, es consecuencia de
N
1
X

km

k=0

N
1
X

m k

( ) =

k=0

mN 1
m 1

N
=0

si m = 0modN
si no.

Hay que remarcar que m = 1 si m = 0modN .

Estudio del Error

Supongase que
yl = f (xl ),

xl =

2l
,
N

l = 0, 1, . . . , N ;

para una funcion f : R C que es 2-periodica. La formula siguiente describe c

omo la transformada de Fourier discreta dada por (VI.4.7) aproxima
los coeficientes de Fourier dados por (VI.4.2).
X
Teorema VI.4.5.- Si la serie
f(k) es absolutamente convergente, enkZ

tonces

fn (k) f(k) =

f(k + jN ).

(VI.4.11)

jZ
j6=0

Demostraci
on.- La hipotesis sobre los coeficientes de Fourier implica que
se tenga igualdad en la formula (VI.4.1), ver Gramain. Por lo tanto, se tiene
N 1
1 X X
fN (k) =
f (n)einxl
N
l=0

nZ

kl

!
N
1
X
1
(nk)l
f(n)
=

N
nZ
l=0
|
{z
}

1 si n = k((mod)N
=
0 si no
X
=
f(k + jN )
X

jZ

Corolario VI.4.6.- Sea f : R C, p veces continuamente derivable (p 2)

y 2-peri
odica. Entonces,
fN (k) f(k) = O(N p ),

para

|k|

N
.
2

(VI.4.12)

 n Num
VI Integracio
erica

288
En particular, con h = 2/N , se tiene

Z 2
N 1
h X
1
f (xj )
f (x)dx = O(hp ),
2 j=0
2 0

(VI.4.13)

lo que significa que, para funciones lisas y periodicas, la formula del trapecio
es muy precisa.
Demostraci
on.- Se mostrar
a primero que los coeficientes de Fourier satisfacen


 
(VI.4.14)
f (k) C.kp .
En efecto, varias integraciones por partes dan
1
f(k) =
2

f (x)eikx dx

2
Z
eikx 
(i)1 2
= f (x)
f (x)eikx dx
+
ik 0
2
0
|
{z
}
0

..
.

(ik)p
2

f (p) (x)eikx dx

Z 2 

1
 (p) 
f (x) dx.
2 0
Para |k| N/2 y j =
6 0 se tiene que |k + jN | (|j| 1/2)N , utilizando
(VI.4.11), se obtiene
 X



C(j 1/2)p N p = C1 N p .
fN (k) f(k)
teniendo as, (VI.4.14) con C =

j1

Observese que la serie en esta formula converge para p > 1.


Es muy importante remarcar que fn (k) es una sucesion N -periodica,
propiedad de la transformada discreta de Fourier, y que por otro lado f(k)
converge muy rapidamente hacia 0 por (VI.4.14). Por consiguiente para k
grande, por ejemplo k N , fN es una mala aproximacion de f(k); mientras
que para |k| N/2 la aproximacion es en general muy buena.

Interpolaci
on Trigonom
etrica
Para la division equidistante (VI.4.6) del intervalo [0, 2] y para
y0 , y1 , . . . , yN 1 dados, se busca un polinomio trigonometrico, es decir una

 n de Fourier
VI.4 Transformacio

289

combinacion lineal finita de funciones eikx , que pase por (xl , yl ), para
l = 0, 1, . . . , N 1. La existencia de tal polinomio trigonometrico est
a
asegurada por el siguiente:
Teorema VI.4.7.- Sea y PN y z = FN y su transformada discreta de
Fourier. Entonces, el polinomio trigonometrico
N/2

pN (x) =

zk eikx :=


X
1
zk eikx ,
zN/2 eiN x/2 + zN/2 eiN x/2 +
2
|k|<N/2

k=N/2

(VI.4.15)

satisface pn (xl ) = yl para l = 0, 1, . . . , N 1.

Hay que remarcar que si los yk son reales, {zk } es una sucesion hermtica,
es decir zk = zk y por lo tanto el polinomio pN (x) es un polinomio a
coeficientes reales.
Demostraci
on.- Para l fijo, la sucesion {zk eikxl } es N -periodica, por
consiguiente
pN (xl ) =

N
1
X
k=0

zk eikxl = N (FN z)l = N (FN FN y)l = yl .



El siguiente teorema a ser enunciado provee una estimacion del error

de la interpolaci
on trigonometrica con consecuencias importantes, que ser
an
explicadas posteriormente.
X
Teorema VI.4.8.- Sea f : R C una funcion 2-periodica tal que
f(k)
kZ

sea absolutamente convergente. Entonces, el polinomio trigonometrico dado

por (VI.4.15), para yl = f (xl ) satisface para todo x R
|pN (x) f (x)| 2pN (x) =

|k|N/2



 
f (k) .

(VI.4.16)

Demostraci
on.- Restando (VI.4.1) de (VI.4.15) se obtiene
N/2

pN (x) f (x) =

k=N/2



X
fN (k) f(k) eikx

f(k)eikx .

|k|N/2

La aserci
on es pues consecuencia de (VI.4.11) y de la desigualdad del
triangulo


 n Num
VI Integracio
erica

290

Este teorema permite una interpretacion interesante. Considerese una

funci
on 2-periodica de frecuencia maximal M , es decir f(k) = 0 para
|k| > M . Entonces, el polinomio trigonometrico da el resultado exacto
pN (x) = f (x) para todo x, si
N > 2M.

(VI.4.17)

Este resultado, el Teorema del Muestreo, da una formula para el n

umero de
muestras necesarias para obtener una representacion exacta de una funcion.
La evaluaci
on de FN requiere N 2 multiplicaciones y adiciones, si se
la realiza directamente. Sin embargo existe un procedimiento que permite
descender el costo en operaciones a N log2 N . Este procedimiento ser
a visto
en la siguiente subsecci
on.

Transformaci
on R
apida de Fourier (FFT)
El algoritmo que ser
a estudiado, se debe a Cooley & Tukey en 1965, se basa
sobre las ideas de Runge 1925. Para poder formular este, es necesario la
siguiente:
Proposici
on VI.4.9.- Sean u = (u0 , u1 , . . . , uN 1 ) PN ,
v = (v0 , v1 , . . . , vN 1 ) PN y defnase
y = (u0 , v0 , u1 , v1 . . . . , uN 1 , vN 1 ) P2N .

(VI.4.18)

Entonces, para k = 0, 1, . . . , N 1, se tiene (2N = e2i/2N = ei/N )

k
2N (F2N y)k = N (FN u)k + 2N
N (FN v)k ,

(VI.4.18)

k
2N (F2N y)k+N = N (FN u)k 2N
N (FN v)k .

2
Demostraci
on.- Utilizando el hecho que 2N
= N , un c
alculo directo da
para k arbitrario

2N (F2N y)k =

2N
1
X

yj e2ijk/2n

j=0

2N
1
X

jk
yj 2N

j=0

N
1
X
l=0

2lk
y2l 2N
+
|{z}
| {z }
ul

lk
N

N
1
X
l=0

(2l+1)k

y2l+1 2N
| {z } | {z
vl

k
lk
2N
N

k
= N (FN u)k + 2N
N (FN v)k.

 n de Fourier
VI.4 Transformacio

291

N
La segunda formula de (VI.4.18) resulta de 2N
= 1.

La formula (VI.4.18) permite calcular, con N multiplicaciones y 2N

adiciones, la transformada discreta de Fourier de y P2N a partir de FN u
y FN v. El mismo procedimiento puede ser aplicado recursivamente a las
sucesiones u y v, si estas tienen una longitud par.
Si se supone que N = 2m , se obtiene el algoritmo presentado en el
esquema siguiente (para N = 8 = 23 ).
FN/4

y0
y1

y2 *

y
FN 3
y4

y5

y6
y7

FN/2

y0
y4

 * FN/8 y0 = y0

y1
y5

 * FN/8 y1 = y1

FN/8 y4 = y4
y0 *
y2
  * FN/8 y2 = y2

y4
y2
FN/4
y6
y6
FN/8 y6 = y6

FN/4
FN/2

(VI.4.19)

FN/8 y5 = y5
y1 *
y3
  * FN/8 y3 = y3

y5
y3
FN/4
y7
y7
FN/8 y7 = y7

Figura VI.4.1. Esquema para Calculo de FFT.

La programaci
on de este algoritmo se la realiza en dos etapas. La
primera, se ordena los yi en el orden exigido por (VI.4.19), es decir es
necesario invertir los bits en la representacion binaria de los indices:
0=(0, 0, 0)
1=(0, 0, 1)
2=(0, 1, 0)
3=(0, 1, 1)
4=(1, 0, 0)
5=(1, 0, 1)
6=(1, 1, 0)
7=(1, 1, 1)

0=(0,0,0)
4=(1,0,0)
2=(0,1,0)
6=(1,1,0
1=(0,0,1)
5=(1,0,1)
3=(0,1,1)
7=(1,1,1)

Despues, se efectua las operaciones de (VI.4.18) de la manera como indica

el esquema (VI.4.19).

 n Num
VI Integracio
erica

292

Para pasar de una columna a otra en el esquema (VI.4.19) son necesarias

N/2 multiplicaciones complejas y de otras N adiciones o sustracciones. Como
m = log2 N pasajes son necesarios, entonces se tiene el:
Teorema VI.4.10.- Para N = 2m , el c
alculo de FN y puede ser realizado
con:
N
log2 N
multiplicaciones complejas y
2
N log2 N
adiciones complejas.
Para ilustrar mejor la importancia de este algoritmo, ver la tabla VI.4.1
para comparar el c
alculo de FN y con o sin FFT.
Tabla VI.4.1. Comparaci
on de FFT con DFT.
N

N2

25 = 32

103

10

20

10

10

N log2 N cociente
6

10

12

10

6.4

160
4

10

100

2 10

5 104

Aplicaciones de la FFT
La transformada rapida de Fourier, tiene una gran cantidad de aplicaciones,
desde el c
alculo de espectrogramas, resolucion de ecuaciones diferenciales
ordinarias o a derivadas parciales, hasta la solucion de sistemas lineales.
Definiendo el producto de convolucion de dos sucesiones N -periodicas
y PN y z Pn , por
N
1
X
(y z)k =
ykl zl .
(VI.4.20)
l=0

Se tiene la siguiente propiedad, ver ejercicio 1,

FN (y z) = N FN y FN z,

(VI.4.21)

de donde (VI.4.20) puede ser calculado mediante O(N log2 N ) operaciones.

La resolucion de un sistema lineal con una matriz de Toeplitz circular
puede ser resuelto utilizando FFT. En efecto, un tal sistema es de la forma

a0
a1
a2
..
.

aN 1
a0
a1
..
.

aN 2
aN 1
a0
..
.

aN 1

aN 2

aN 3

x0
a1
a 2 x1

a 3 x2
. .
.. ..
a0

xN 1

b0
b1
b2
..
.
bN 1

(VI.4.22)

 n de Fourier
VI.4 Transformacio

293

Evidentemente, el sistema lineal (VI.4.22) es equivalente a a x = b, si se

considera (ai ), (xi ) y (bi ) como sucesiones de PN .
La multiplicacion de una matriz de Toeplitz arbitraria con un vector
a
0
a1

a2
.
.
.

aN 1

a1
a0
a1
..
.

a2
a1
a0
..
.

aN 2

aN 3

aN +1 x0 b0
aN +2 x1 b1

aN +3 x2 = b2 , (VI.4.23)

.. .. ..
.
.

.
bN 1
xN 1

a0

puede ser resuelta utilizando FFT, considerando las sucesiones en P2N

a = (a0 , a1 , . . . , aN 1 , 0, aN +1 , aN +2 , . . . , a1 ),
x = (x0 , x1 , . . . , xN 1 , 0, 0, . . . , 0).
Se puede verificar facilmente que el resultado del producto (VI.4.23) es la
primera mitad del producto de convolucion a x. Por consiguiente, el c
alculo
con FFT da un algoritmo rapido para efectuar el producto (VI.4.23).

Ejercicios
1.- Mostrar que
Fn (y z) = N FN y FN z,
para el producto de convolucion
(y z)k =

N
1
X

ykl zl ,

l=0

de dos suceciones N -periodicas. Deducir que

1
y z = N FN
(FN y FN z).

2.- Resolver la ecuacion diferencial con valores en la frontera

u (x) = 1
graficar la solucion.

u(0) = u(2) = 0,

Captulo VII
Ecuaciones Diferenciales

El estudio de una gran cantidad de fen

omenos de las mas diversas caractersticas se traducen en ecuaciones diferenciales. La descripcion de un
fen
omeno mediante ecuaciones diferenciales tiene un proposito primordial
que es la predecibilidad. Por otro lado, permite obtener conclusiones de
car
acter local, que ser
an extrapoladas para tener informaciones globales
del modelo estudiado. El enfasis que se hace a la resolucion analtica de
las ecuaciones diferenciales en los cursos de Ecuaciones Diferenciales que
se dictan en los primeros niveles de las universidades, tienen el objetivo de
encontrar soluciones generales a los diversos problemas diferenciales que se
encuentran en el transcurso de los estudios universitarios, como tambien en
el ejercicio profecional. Este hecho se debe fundamentalmente que hasta hace
no mucho, no se contaban con los medios tecnologicos que permitan resolver
ecuaciones diferenciales con la precisi
on que se requera. Por consiguiente, el
objetivo de estos cursos eran esencialemte obtener las soluciones en forma de
formulas, perdiendose as el car
acter esencial de las ecuaciones diferenciales
que es el estudio local de los fen
omenos. Adem
as cuestiones como existencia
y unicidad no son abordadas por falta de tiempo.
Este captulo tiene como objetivo principal la formulacion de metodos
numericos de resolucion de problemas diferenciales a valores iniciales o
problemas de Cauchy. La primera parte tratara sobre cuestiones de existencia
y unicidad de las ecuaciones diferenciales. Luego se abordara los metodos a
un paso y como expresi
on de estos; los metodos de Runge-Kutta, desde la
construccion de estos, estimaciones de error y como corolario los metodos
encajonados del tipo Dormand & Prince. La tercera parte de este captulo
tratara los metodos numericos a paso m
ultiple, se ver
a la construccion de
estos, cuestiones de estabilidad y convergencia.

VII.1 Generalidades

En este captulo I, I0 designan intervalos abiertos de R no reducidos a un

punto y t0 un punto fijo de I0 ; se da una funcion f definida y continua sobre
I0 Rm con valores en Rm , un elemento y0 Rm , y se desea encontrar una
funci
on y continua y derivable sobre el intervalo I0 , con valores en Rm , tal
que:
y (t) = f (t, y(t)),
y(t0 ) = y0 .

t I0 ;

(VII.1.1)
(VII.1.2)

Este problema se lo conoce con el nombre de problema de Cauchy para el

sistema diferencial (VII.1.1); la condici
on (VII.1.2) se llama una condici
on
de Cauchy. Una funcion y que satisface el sistema (VII.1.1) es llamada una
integral del sistema (VII.1.1). En numerosos ejemplos fsicos, la variable t
representa el tiempo, el instante t0 , es por consiguiente, llamado instante
inicial y la condici
on (VII.1.2) llamada condici
on inicial.
Se puede remarcar que si se denota por y1 , y2 , . . . , ym las componentes
de y, por f1 (t, y1 , . . . , ym ), . . . , fm (t, y1 , . . . , ym ) las componentes de f (t, y)
la ecuacion (VII.1.1) es equivalente al sistema

y1 (t) = f1 (t, y1 (t), . . . , ym (t))

y2 (t) = f2 (t, y1 (t), . . . , ym (t))

.
(VII.1.3)
..

ym (t) = fm (t, y1 (t), . . . , ym (t))

Las ecuaciones del sistema VII.1.3 son de primer orden, pues en estas, el
orden de derivacion mas alto que aparece es el primero. Considerese ahora
un problema diferencial de orden p, de la forma
y (p) (t) = f (t, y(t), y (t), . . . , y (p1) ),

(VII.1.4)

el cual puede convertirse en problema de la forma (VII.1.1), planteando

z1 (t) = y(t),

z2 (t) = y (t), . . . , zp (t) = y (p1) (t);

el problema diferencial (VII.1.4), por consiguiente es equivalente al sistema

z1 (t) = z2 (t)

..

.
.

(t)
= zp (t)
z

p1

zp (t) = f (t, z1 (t), . . . , zp (t))

297

VII.1 Generalidades
de donde planteando
z = (z1 , z2 , . . . , zp )t
se tiene

F (t, z) = (z2 , . . . , zp , f (t, z1 , . . . , zp ))t ,

z (t) = F (t, z(t)).

(VII.1.5)

La condici
on de Cauchy para el problema (VII.1.5) est
a dada por
y(t0 ), y (t0 ), . . . , y (p1) (t0 ).
Ahora bien, en este captulo no ser
a tratado el problema diferencial
general de orden p, dado por
F (t, y(t), y (t), . . . , y (n) (t)) = 0,

t I0 .

(VII.1.6)

Cuando se puede aplicar el teorema de las funciones implicitas, (VII.1.6) es

localmente equivalente a la ecuacion de la forma (VII.1.4) y la teora que
ser
a desarrollada en este captulo podr
a ser aplicada a este tipo de problema
sin inconvenientes. Si el teorema de las funciones implicitas no es aplicable,
serias dificultades matematicas y numericas pueden aparecer, en este caso se
habla de ecuaciones diferenciales algebraicas, para saber mas sobre este tipo
de ecuaciones referirse a Hairer & Wanner.
Finalmente es necesario remarcar que, si bien I0 es un intervalo abierto,
el estudio de las soluciones de los problemas diferenciales permite considerar
los intervalos de la forma [t0 , t0 + T ) y (t0 T, t0 ], obteniendo el intervalo
abierto por recolamiento de ambos subintervalos semiabiertos.

Teoremas de Existencia y Unicidad

En esta subsecci
on se supondr
a que la terminologa b
asica es conocida por
el lector. No obstante, se enunciar
a dos teoremas muy importantes en lo que
concierne el analisis numerico de ecuaciones diferenciales. El primer teorema
a enunciarse da condici
ones suficientes para asegurar la existencia y unicidad
de las soluciones de los problemas a valores iniciales. El segundo teorema
est
a relacionado con la condici
on misma del problema, pues cuando se trata
numericamente un problema es de suponer que se trabaja con una solucion
aproximada del problema.
Teorema VII.1.1.- Cauchy-Lipschitz. Supongase que f es continua sobre
I0 Rm y que satisface una condici
on de Lipschitz, es decir que existe un
real L tal que
kf (t, z) f (t, y)k L kz yk

(t, y) y (t, z) I0 Rm ;

(VII.1.7)

entonces el problema (VII.1.1,2) admite una solucion y una sola.

Demostraci
on.- Se dara una demostracion directa que tiene la ventaja de
ser valida cuando se remplaza Rn por un espacio de Banach.

298

VII Ecuaciones Diferenciales

Paa fijar las ideas, sup

ongase que I0 = [t0 , t + t0 ] y considerese la
aplicaci
on que a y C 0 ([t0 , t + t0 ]) asocia (y) C 0 ([t0 , t + t0 ]) definida
por
Z
t

f (s, y(s))ds.

(y)(t) = y0 +

t0

Introduciendo la norma

kykL = max(e2L(st0 ) ky(s)k)

sI0

que dota C 0 (I0 ) de una estructura de espacio de Banach. Se tiene

Z t
kf (s, y(s)) f (s, y (s))k ds
k((y) (y ))(t)k

t0
t

t0

Le2L(st0 ) ds ky y kL

1
e2L(tt0 ) ky y kL ,
2
deduciendose

1
ky y kL .
2
El teorema del punto fijo implica que tiene un solo punto fijo en C 0 (I0 ),
de donde se tiene el resultado.

k(y) (y )kL

Teorema VII.1.2.- Sea f : V Rn continua, donde V Rn+1 abierto.

Sup
ongase que: y(x) es una soluci
on de y = f (x, y) sobre [x0 , x
], tal que
y(x0 ) = y0 ; v(x) una soluci
on aproximada de la ecuaci
on diferencial sobre
[x0 , x
0 ] tal que
kv (x) f (x, v(x))k l
(VII.1.8)
y f satisface una condici
on de Lipschitz sobre un conjunto que contenga
{(x, y(x)), (x, z(x))}, es decir
kf (x, y) f (x, z)k L ky zk .

(VII.1.9)

Entonces
ky(x) v(x)k ky0 v(x0 )k eL(xx0 ) +
Demostraci
on.- Se tiene:


 L(xx0 )
e
1 .
L

(VII.1.10)

(y (s) v (s))ds
y(x) v(x) = y(x0 ) v(x0 ) +
x0
Z x
(f (s, y(s)) f (s, v(s)) + f (s, v(s)) v (s)) ds,
= y(x0 ) v(x0 ) +
x0

299

VII.1 Generalidades

pasando a las normas y aplicando las hipotesis (VII.1.8) y (VII.1.9), se

obtiene
Z x
(L ky(s) v(s)k + ) ds.
ky(x) v(x)k ky0 v(x0 )k +
x0

Planteando
u(x) = ky0 v(x0 )k +
se deduce

x0

(L ky(s) v(s)k + ) ds,

u (x) = L ky(x) v(x)k + Lu(x) + ,

de esta manera se obtiene la desigualdad diferencial

u (x) Lu(x) +
u(x0 ) = ky0 v(x0 )k .

(VII.1.11)

Para resolver este desigualdad, se considera la familia de ecuaciones:

wn (x) = Lwn (x) + ,

wn (x0 ) = u(x0 ) +

1
,
n

(VII.1.12)

cuyas soluciones est

an dadas por:
wn (x) = wn (x0 )eL(xx0 ) +


 L(xx0 )
e
1) .
L

El siguiente paso en la demostracion es mostrar que

u(x) wn (x).

(VII.1.13)

Supongase lo contrario, es decir que existe un n y s > x0 , tales que

u(s) > wn (s). Considerese el conjunto
A = {x > x0 |u(x) > wn (x)}
y sea x1 = inf A. Por continuidad se tiene u(x1 ) = wn (x1 ). De donde:
wn (x1 ) wn (x0 ) =

x1
x0
x1
x0

wn (s)ds

x1

(Lwn (s) + )ds

Z x1
(Lu(s) + )ds
u (s)ds
=

= u(x1 ) u(x0 ),

x0

x0

300

VII Ecuaciones Diferenciales

por lo tanto
w(x0 ) u(x0 ),
llegando a una contradiccion con 1/n 0.


Problemas con Valores en la Frontera

La teora de existencia y unicidad de ecuaciones diferenciales son generalmente formuladas para problemas de Cauchy o problemas a valores iniciales,
sin embargo existe una gran variedad de problemas diferenciales de otras caractersticas que ser
an tratados en esta subsecci
on.
Toda ecuacion diferencial puede expresarse como un sistema de ecuaciones diferenciales de primer orden de la manera siguiente
y = f (x, y),

(VII.1.14)

donde f : R Rn Rn .
Un problema diferencial con valores en la frontera es darse una ecuacion
diferencial del tipo (VII.1.14) con n condiciones para y(a) y y(b), donde
a, b R. Existe una gama de problemas diferenciales con valores en la
frontera. A continuacion se mostrar
a los ejemplos mas representativos.
Ejemplos
a) Problemas a valores iniciales. Son de la forma
y = f (x, y),
y(x0 ) = y0 .
Este tipo de problema tiene solucion u
nica si f es continua y verifica las
condiciones de Lipschitz.
b) Considerese el problema
y = y;

y(a) = A,
y(b) = B.

La ecuacion diferencial de segundo orden puede reducirse al siguiente

sistema de primer orden
y1 = y2 ,
y2 = y1 ;
con condiciones de borde dadas por y1 (a) = A y y1 (b) = B. Este
problema siempre tiene solucion u
nica cuando a 6= b.

301

VII.1 Generalidades

c) Encontrar una solucion T periodica de una ecuacion diferencial, por

ejemplo
y = y + cos x.
Es muy facil deducir que T = 2k, con k entero. El problema es encontrar
una solucion de la ecuacion diferencial que satisfaga
y(x) = y(x + T ).
d) Determinar el parametro Rp de la ecuacion
y = f (x, y, ),
donde la solucion buscada verifica y(a) = ya y g(y(a)) con g : Rn Rp .
Ahora bien, este problema puede expresarse como el problema diferencial
equivalente
y = f (x, y, ),
= 0,
con condiciones de frontera
y(a) = ya ,
g(y(b)) = 0.
e) Problemas a frontera libre, son de la forma
y(0) = A,
y(l) = B,
y (l) = 0;

y = f (x, y, y );

con l desconocido. Este problema mediante una transformacion afn de

x, puede expresarse de la siguiente forma


z

2
z = l f lt, z,
,
l
l = 0,

con condiciones de borde dadas por

z(0) = A,

z(1) = B,

z (1) = 0.

En base a los ejemplos expuestos mas arriba, el problema diferencial con

valores en la frontera puede expresarse como
y = f (x, y),
r(y(a), y(b)),

(VII.1.15)

302

VII Ecuaciones Diferenciales

donde f : R Rn R y r : Rn Rn Rn .
Por consiguiente la funcion r en los diferentes ejemplos, ser
a igual a:
r(y(a), y(b)) = y(a) ya

 
 

y1 (a)
y1 (b)
y1 (a) A
r
,
=
y2 (a)
y2 (b)
y1 (b) B
r(y(x0 ), y(x0 + T )) = y(x0 ) y(x0 + T )

ejemplo a),
ejemplo b),
ejemplo c),

Introduciendo la notacion siguiente

y(x, a, ya )

(VII.1.16)

para expresar la solucion y(x) que satisface y(a) = ya , el problema diferencial

con condiciones en la frontera consiste en encontrar ya , tal que
r(ya , y(b, a, ya )) = 0.

(VII1.17)

Definiendo la funcion F : Rn Rn por

F (ya ) = r(ya , y(b, a, ya )),

(VII.1.18)

resumiendose el problema diferencial con valores en la frontera a encontrar

ya tal que
y = f (x, y),
(VII.1.19)
F (ya ) = 0.
Supongase que y (x) sea una solucion de (VII.1.19), es decir ya = y (a),
adem
as que F (ya ) sea inversible, por el teorema de la inversion local la
nica y por consiguiente y (x) lo es tambien.
solucion ya es localmente u
La ecuacion F (ya ) se resuelve generalmente por un metodo iterativo,
si F no es lineal, se utiliza por ejemplo el metodo de Newton. Para poder
aplicar el metodo de Newton es necesario conocer F (ya ). Ahora bien, se
tiene
F (ya ) =

r
r
y
(ya , y(b, a, ya )) +
(ya , y(b, a, ya ))
(b, a, ya ). (VII.1.20)
ya
yb
ya

Diferenciabilidad respecto a los Valores Iniciales

En la expresi
on (VII.1.20) puede observarse que existe una expresi
on que es
derivada respecto al valor inicial ya . Retomando la notacion de la seccion
precedente se tiene y(x, x0 , y0 ) es la solucion que pasa por (x0 , y0 ) de la

303

VII.1 Generalidades

ecuacion diferencial y = f (x, y), donde f : R Rn Rn . El problema

consiste en determinar
y
(x, x0 , y0 ).
(VII.1.21)
y0
En el caso lineal, se tiene que la ecuacion diferencial es de la forma
y = A(x)y

(VII.1.22)

donde A(x) es una matriz de coeficientes (aij (x) continuos. La solucion

general de (VII.1.22) est
a dada por
y(x, x0 , y0 ) =

n
X

y(x, x0 , ei )y0i = R(x, x0 )y0

(VII.1.23)

i=1

donde los ei son los vectores de la base can

onica de Rn . La matriz R(x, x0 )
se llama el nucleo resolvente o la resolvente de la ecuacion (VII.1.22). Es
facil de verificar que
y
(x, x0 , y0 ) = R(x, x0 )
(VII.1.24)
y0
Para el caso no lineal la situacion es un poco mas complicada. Se tiene
y
(x, x0 , y0 ) = f (x, y(x, x0 , y0 ))
x

(VII.1.25)

suponiendo que y/y0 existe y el orden de derivacion conmuta, se obtiene




y
f
y
(x, x0 , y0 ) =
(x, y(x, x0 , y0 ))
(x, x0 , y0 )
x y0
y
y0
con

de donde

y
(x0 , x0 , y0 ) = I,
y0
y
(x, x0 , y0 ) es la resolvente de la ecuacion diferencial lineal
y0
=

f
(x, y(x, x0 , y0 )).
y

(VII.1.26)

Shooting Simple
Retomando el problema con valores en la frontera formulado bajo la forma
de las ecuaciones (VII.1.18) y (VII.1.19) puede ser resuelto utilizando el
metodo conocido como shooting simple, que en sntesis es utilizar un metodo

304

VII Ecuaciones Diferenciales

n
umerico para resolver (VII.1.19). Este metodo puede ser Newton u otro
metodo numerico adaptado al problema. Sin pretender dar una teora que
justifique tal metodo, para tal efecto referirse a Stoer, se mostrar
a este
metodo implementado en ejemplos.
Ejemplos
a) Considerese el problema con valores en la frontera dado por:
y = ey ,

y(0) = 1,
(VII.1.27)
1
y(1) = .
2
Utilizando la notacion de la subsecci
on precedente, se plantea
y(x, ),
la solucion del problema diferencial a valores iniciales
y = ey ,

y(0) = 1,
y (0) = .

(VII.1.27b)

El problema (VII.1.27) se traduce en encontrar , tal que

1
.
2
En la figura VII.1.1, puede observarse en la grafica los valores de y(1) en
funci
on de .
y(1, ) =

y(1)

0
0

10

Figura VII.1.1. Valores de y(1) en funcion de .

305

VII.1 Generalidades

Observando la grafica, se puede deducir que el problema (VII.1.27) tiene

dos soluciones. El siguiente paso es aplicar el metodo del shooting simple,
obteniendo de esta manera dos soluciones. La primera con
= 0.9708369956661049,
la segunda solucion con
= 7.93719815816973.
Puede apreciarse las graficas de las dos soluciones, en la figura (VII.1.2)
5

Figura VII.1.2. Soluciones del Problema (VII.1.26).

b) En este ejemplo se analizar
a un problema de soluciones periodicas.
Considerese la ecuacion diferencial de Van der Pol, dada por
y = (1 y 2 )y y.

(VII.1.28)

El problema consiste en determinar si existe una solucion periodica y

sobre todo c
omo es esta. Ahora bien, (VII.1.28) puede escribirse como
el sistema de ecuaciones diferenciales
y1 = y2 ,
y2 = (1 y12 )y2 y1 .

(VII.1.29)

Planteando y(x) = (y1 (x), y2 (x)), el problema se resume en encontrar

T > 0, tal que y(T ) = y(0), que puede formularse de la siguiente manera
F (T, y0 ) = y(T, 0, y0 ) y0 = 0.

(VII.1.30)

306

VII Ecuaciones Diferenciales

Supongase que T, y0 sean una aproximacion de la solucion del problema
(VII.1.30), de donde
F (T + T, y0 + y0 ) = 0,
con T , y0 escogidos convenientemente. Desarrollando en serie de
Taylor, se deduce:
F
F
(T, y0 )T +
(T, y0 )y0 = 0,
T
y0


y
y(T, 0, y0 ) y0 + f (y(T, 0, y0 ))T +
(T, 0, y0 ) I y0 = 0.
y0
F (T, y0 ) +

Por consiguiente, se tiene n ecuaciones lineales, con n + 1 incognitas,

agregando la condici
on suplementaria
y0 f (y(T, 0, y0 )),

(VII.1.31)

se obtiene


y
(T, 0, y0 ) I
y0
t
f (y(T, 0, y0 ))

f (y(T, 0, y0 ))
0



y0
T


y(T, 0, y0 ) y0
.
0
(VII.1.32)

Partiendo de los valores iniciales

y1 (0) = 1.,
y2 (0) = 2.,
T = 7.;
luego de 14 iteraciones se obtiene con una precisi
on del orden de 1013 ,
los valores iniciales y el periodo
y1 (0) = 2.00861986087296,
y2 (0) = 0.,
T = 6.66328685933633.
La solucion periodica de la ecuacion Van der Pol puede apreciarse en la

307

VII.1 Generalidades
figura VII.1.3
3

0
0

Figura VII.1.3. Soluciones Periodica de Van der Pol.

Shooting M
ultiple
La solucion del problema con valores en la frontera
y = f (x, y),

r(y(a), y(b)) = 0,

requiere que para todo punto x de la region donde est

a definida la solucion y
se tenga una aproximacion numerica de y(x). En el metodo shooting descrito
en la anterior subsecci
on, solamente el valor inicial y(a) = ya es determinado.
En muchos problemas es suficiente conocer este valor, sin embargo en una
gran variedad de problemas con valores en la frontera conocer este valor no
es nada fiable. Para ilustrar esto, considerese la ecuacion diferencial.
y y + 110y = 0,

(VII.1.33)

cuya solucion general est

a dada por
y(x) = C1 e10x + C2 e11x ,

(VII.1.34)

308

VII Ecuaciones Diferenciales

donde C1 y C2 son constantes reales arbitrarias. El problema a valor inicial

y(0) = y0 y y (0) = y0 tiene como solucion
y(x) =

11y0 y0 10x y0 + 10y0 11x

e
+
e .
21
21

(VII.1.35)

Ahora bien, considerese el problema con valores en la frontera dado por

y(0) = 1,

y(10) = 1;

la solucion de este problema consiste en determinar y0 de la formula

(VII.1.35). Por consiguiente, resolviendo la ecuacion lineal
11 y0 100 10 + y0 110
e
+
e
= 1;
21
21
se obtiene
y0 =

21 10e110 11e100
.
e110 e100

Debido a la aritmetica de punto flotante que las computadoras poseen, en

lugar de y0 , se manipula la cantidad
y0 = 10(1 + ), con || eps.

(VII.1.36)

Suponiendo que los c

alculos se hacen en doble precisi
on, se puede tomar por
ejemplo = 1016 . Remplazando y0 en (VII.1.35), se obtiene
y(100)

1015 110
e
2.8 1031 .
21

Otra de las dificultades mayores en la implementacion del metodo

shooting en su version simple, es la necesidad de contar con una buena
aproximacion de ya , lo que en general no sucede. Por otra lado, los valores
que pueden tomar los ya , en muchas situaciones, est
an confinados a regiones
demasiado peque
nas; por ejemplo considerese el problema
y = y 3 ,
y(0) = 1,
y(100) = 2;

(VII.1.37)

los valores que puede tomar y (0), para que y(x) este definida en el intervalo
[0, 100], est
an restringidos a un intervalo de longitudo no mayor a 106 . Por
este motivo puede deducirse la dificultad de implementar el metodo shooting
simple.

VII.1 Generalidades

309

El remedio a estas dificultades enumeradas mas arriba est

a en la implementacion del metodo shooting m
ultiple, que consiste en subdividir el
intervalo [a, b] en subintervalos de extremidades xi , es decir tomar una subdivision a = x0 < x1 < xn = b. Luego, se denota por yi = y(xi ). De esta
manera se obtiene el sistema de ecuaciones

y(x1 , x0 , y0 ) y1 = 0

y(x2 , x1 , y1 ) y2 = 0

..
(VII.1.38)
.

y(xn , xn1 , yn1 ) = 0

r(y0 , yn ) = 0.
La solucion de (VII.1.38) se la encuentra utilizando un metodo iterativo,
que puede ser Newton si el problema no es lineal. Como ilustraci
on de este
Metodo se tiene los siguientes dos ejemplos.
Ejemplos
a) Considerese el problema (VII.1.37). Para su resolucion se ha subdividido equidistantemente en 100 subintervalos. La solucion del sistema
(VII.1.38) se la hecho utilizando el metodo de Newton. Las iteraciones
y las graficas pueden apreciarse en la figura VII.1.4.

310

VII Ecuaciones Diferenciales

iter=0

2
1
0

20

40

60

80

100

iter=1

2
1
0

20

40

60

80

100

iter=2

2
1
0

20

40

60

80

100

iter=3

2
1
0

20

40

60

80

100

iter=4

2
1
0

20

40

60

80

100

iter=11

2
1
0

20

40

60

80

100

Figura VII.1.4. Implementacion M

ultiple Shooting.
b) Este ejemplo est
a relacionado con un problema ingeneril. Un granjero
desea un silo cuya base sea un crculo de radio 5 m, de altura 10 m y
el techo sea un crculo de radio 2.5 m, la capacidad del silo debe ser
exactamente de 550 m3 . Suponiendo que el costo es proporcional al area
del silo. C
ual es la forma de este?
Matem
aticamente el problema puede ser formulado como:
area lateral min,
volumen = 550.
Por la simetra del problema, se puede deducir que el silo es una superficie
de revolucion, por lo tanto el problema puede expresarse de la manera

311

VII.1 Generalidades
siguiente: Encontrar una funcion y(x), tal que

10

p
1 + y 2 dx min,

10

y 2 dx = 550,

y(0) = 5,
y(10) = 2.5.

Planteando
L(, y, y ) = y



p
55
1 + y 2 y 2
,

el problema es equivalente, por los Multiplicadores de Lagrange a

Z

10

L(, y, y )dx min .

Este problema es de tipo variacional. Aplicando las ecuaciones de EulerLagrange se convierte en el problema diferencial siguiente

d
dx

 p

55
2
2
y 1 + y (y

 p


55
2
2
y 1 + y (y ) = 0.
y

La solucion de este problema ha sido efectuada utilizando el meto de

shooting m
ultiple. Como solucion inicial se ha utilizado una parabola
que satisfaga las condiciones de contorno y la condici
on de volumen. El
intervalo [0, 10] ha sido subdivido en 10 subintervalos de igual longitud.
Despues de 5 iteraciones se llega a una precisi
on de 1010 . Las iteraciones

312

VII Ecuaciones Diferenciales

del metodo pueden apreciarse en la figura VII.1.5.
8
7
6
5
4
3
2
1
0
0
8
7
6
5
4
3
2
1
0
0
8
7
6
5
4
3
2
1
0
0

iter=0

10

iter=2

10

iter=4

10

8
7
6
5
4
3
2
1
0
0
8
7
6
5
4
3
2
1
0
0
8
7
6
5
4
3
2
1
0
0

iter=1

10

iter=3

10

iter=5

10

Figura VII.1.4. Determinaci

on del Silo optimo.
A continuacion se presenta una serie de ejercicios, cuya finalidad es
recordar las nociones b
asicas sobre las ecuaciones diferenciales.

Ejercicios
1.- Resolver:

p
y = x signo(y) |x|,
y = exp(y) sin(x),
y = (x y + 3)2 .

Dibujar los campos de vectores.

2.- Dibujar el campo de vectores de la ecuacion
xy =

p
x2 y 2 + y.

313

VII.1 Generalidades
Encontrar una formula explicita para las soluciones.
3.- La ecuacion de un cuerpo en caida libre est
a dada por
r =

M
,
r2

r (0) = v0 .

r(0) = R,

(VII.1.39)

Plantear r = p(r), deducir una ecuacion diferencial para p y resolverla.

Encontrar una condici
on para v0 , tal que r(t) si t . Calcular las
soluciones de (VII.1.39) que tienen la forma a(b x) .
4.- Transformar la ecuacion de Bernoulli
y +

y
+ (1 + x)y 4 = 0,
1+x

en una ecuacion lineal. Plantear y(x) = z(x)q con q conveniente.

5.- Resolver la ecuacion de Riccati
y = y 2 + 1 x2 .

(VII.1.40)

Dibujar el campo de vectores considerando las curvas donde y = cons,

las isoclinas. Deducir una solucion particular (x) de (VII.1.40). Calcular
las otras soluciones mediante la transformacion z(x) = y(x) (x).
6.- Encontrar la solucion de

y 3y 4y = g(x),

g(x) =

cos x,
0,

0 x /2;
/2 x;

que satisface y(0) = y (0) = 0.

7.- Resolver las ecuaciones lineales


3
6

y =
y,
2 3

y =

1
4

1
3

VII.2 M
etodo de Euler

En esta seccion ser

a estudiado el metodo mas sencillo de resolucion de
ecuaciones diferenciales con valores iniciales.
Se considera el problema a valor inicial o problema de Cauchy dado por
(
y = f (x, y),
(VII.2.1)
y(t0 ) = y0 ,
donde f : V Rn continua, con V R Rn . Se desea determinar y(t0 + T ),
para eso se considera la subdivision del intervalo [t0 , t0 + T ] dada por
t0 < t1 < t2 < < tn = t0 + T,
definiendo
hi = xi+1 xi ,

i = 0, . . . , n 1.

(VII.2.2)

La idea fundamental del metodo de Euler consiste en aproximar la solucion

exacta en x1 , utilizando una tangente que pase por (x0 , y0 ), es decir
y1 = y0 + h0 f (x0 , y0 ).

(VII.2.3)

xi+1 = xi + hi ,
yi+1 = yi + hi f (xi , yi ).

(VII.2.4)

De manera general

La solucion numerica proporcionada por el metodo de Euler es, por consiguiente una funcion poligonal, ver figura VI.2.1, denotada por yh (x), llamada
polgono de Euler; esta funcion esta definida por:
h = (h0 , . . . , hn ),
(
x [xk , xk+1 ],

yh (x) = yk + (x xk )f (xk , yk ).

y1
y0

y2
y3

y4
y5

y6
y(x)

x1

x2 x3

x4

x5

x6

Figura VII.2.1. El Polgono de Euler

(VII.2.5)

VII.2 M
etodo de Euler

315

Una pregunta muy natural, que uno puede plantearse, consiste en determinar
bajo que condiciones el metodo de Euler converge hacia la solucion exacta
del problema diferencial de Cauchy, cuando n .
Considerese el problema
y = f (x, y),
y(x0 ) = y0 ,

(VII.2.6)

donde f : U Rn , con U R Rn abierto. Se define

|h| =

max

i=0,...,n1

hi .

(VII.2.7)

Proposici
on VII.2.1.- Sea D = {(x, y)|x [x0 , x0 + a], ky y0 k b} U.
Supongase que f |{D continua, A = max kf (x, y)k, = min(a, b/A).
(x,y)D

Entonces para cada division h del intervalo [x0 , x0 + ] se tiene:

a) kyh (x) yh (
x)k A kx x
k; x, x
[x0 , x0 + ].
b) si kf (x, y) f (x0 , y0 )k sobre D, entonces
kyh (x) (y0 + (x x0 )f (x0 , y0 ))k |x x0 | .
Demostraci
on.-El punto a) es trivial, ya que es consecuencia de la
definicion de yh , A y la desigualdad del triangulo aplicada una cantidad
finita de veces.
La demostracion del punto b) es la siguiente. Sea x [x0 , x0 + ], por
consiguiente x [xk1 , xk ], de donde
yh (x) = yk + (x xk1 )f (xk1 , yk1 )
= y0 + h0 f (x0 , y0 ) + h1 f (x1 , y1 ) + + hk2 f (xk2 , yk2 )
+ (x xk1 )f (xk1 , yk1 ).
Ahora bien,
y0 + (x x0 )f (x0 , y0 ) = y0 + h0 f (x0 , y0 ) + . . . hk2 f (x0 , y0 )
+
(x xk1 )f (xk1 , yk1 ),
obteniendo finalmente b).

Proposici
on VII.2.2.- Sea h una division del intervalo I. Sean yh (x) el
polgono de Euler para (x0 , y0 ) y zk (x) el polgono de Euler para (x0 , z0 ). Si
kf (x, y) f (x, z)k L ky zk ,

(x, y), (x, z) D;

(VII.2.8)

entonces
kyh (x) zh (x)k kx0 z0 k eL(xx0 ) .

(VII.2.9)

316

VII Ecuaciones Diferenciales

Antes de demostrar esta proposici

on vale la pena recalcar que si f
satisface una condici
on de Lipschitz, es decir (VII.2.8), el polgono de Euler
es u
nico paa h dado.
Demostraci
on.- Se tiene:
y1 = y0 + h0 f (x0 , y0 ),
z1 = z0 + h0 f (x0 , z0 ),
obteniendo como desigualdad
ky1 z1 k ky0 z0 k + h0 L ky0 z0 k
(1 + h0 L) ky0 z0 k
eh0 L ,

procediendo de manera recursiva, se obtiene

kyk zk k eLhk1 kyk1 zk1 k
eL(xx0 ) ky0 z0 k .

Teorema VII.2.3.- Cauchy. Sea D = {(x, y)|x0 x x0 + a, ky y0 k}

U; sup
ongase:
i) f |D continua, A = max kf (x, y)k, = min(a, b/A),
(x,y)D

ii) kf (x, y) f (x, z)k L ky zk si (x, y), (x, z) D;

entonces:
a) Si |h| 0, entonces los polgonos de Euler yh (x) convergen uniformemente sobre [x0 , x0 + ] hacia una funcion (x).
b) (x) es solucion de y = f (x, y), y(x0 ) = y0 .
c) La solucion es u
nica sobre [x0 , x0 + ].
Demostraci
on.- Inicialmente se mostrar
a, que si hk es una sucesion de subdivisiones de [x0 , x0 + ] con |hk | 0, entonces la sucesion de poligonos de
Euler asociada, es una sucesion de Cauchy para la norma de la convergencia
uniforme. Para tal efecto, se mostrar
a que
 
 
> 0 > 0 tal que |h| < , h
<


= x [x0 , x0 + ] se tiene yh (x) yh (x) < .

una division mas fina que h.

donde h es una division con |h| < y h

VII.2 M
etodo de Euler

317

Sea > 0 dado, entonces existe > 0 tal que si |x x

| y
ky yk A implica que kf (x, y) f (
x, y)k . Esto es cierto por que
f es uniformemente continua sobre D.
Por la proposici
on VII.2.1, se tiene
kyh (x) {y0 + (x x0 )f (x0 , y0 )}k |x x0 | ,
de donde
i
h


yh (x) y (x) (x1 x0 )eL(xx1 ) + + (x xk )eL(xxk )
h
Z x
eL(xx0 ) 1
eL(xs) ds =

L
x0

eL 1
,
L

por consiguiente, {yh (x)} es una sucesion de Cauchy, con que no depende
de x. Como consecuencia inmediata, se tiene que la sucesion converge hacia
una funci
on (x) que adem
as es continua.
La demostracion del punto b) se basa en los siguientes hechos: yh (x0 ) =
y0 implica que (x0 ) = y0 , se considera el modulo de continuidad de f ,
definido por
() = sup{kf (x, y) f (
x, y)k | |x x
| , ky yk A},
se observa inmediatamente, que () 0 si 0. Utilizando la proposici
on
VII.2.2, se obtiene
kyh (x + ) yh (x) f (x, yh (x))k (),
de donde, se tiene
k(x + ) (x) f (x, (x))k (),
efectuando el pasaje al lmite, se obtiene
(x) = f (x, (x)).
La unicidad del punto c) ha sido ya demostrada en el corolario VII.1.12 
Corolario VII.2.4.- f : U Rn (U Rn ) continuamente diferenciable.
D = {(x, y)|x0 x x0 + , ky y0 k b} U.

318

VII Ecuaciones Diferenciales

f
L, f (x, y) M .
(x,
y)
Sobre D se tiene kf (x, y)k A,
x


y
Entonces

M + AL  L(xx0 )
e
1 |h| ,
(VII.2.10)
ky(x) yh (x)k
L
donde y(x) es solucion de y = f (x, y), y(x0 ) = y0 .

Demostraci
on.- Remontando la demostracion del teorema precedente, se
tiene
eL(xx0 ) 1
kyh (x) y(x)k
.
L
Puesto que f es diferenciable, se tiene
kf (x, y) f (
x, y)k L ky yk + M |x x
|
A |h| + |h| ,
de donde planteando = (LA + M ) |h| se tiene (VII.2.10).

Efectos de los Errores de Redondeo

Generalmente no se puede calcular la solucion exacta del esquema (VII.2.4);
se calcula solamente la solucion del esquema perturbado dado por

yn+1
= yn + hn f (tn , yn ) + hn n + n

(VII.2.11)

donde n designa el error con el cual es calculado la funcion f y n los errores

de redondeo cometidos por la computadora. Se supondr
a que |n | y
|n | .
Con la hipotesis suplementaria que f es continuamente diferenciable,
como en en el corolario VII.2.4, se tiene planteando en = yn yn y
sustrayendo (VII.2.11) con (VII.2.4),
en+1 = en + hn [f (tn , yn ) f (tn , yn )] + hn n + n .

(VII.2.12)

Puesto que f es diferenciable, se obtiene de (VII.2.12) el siguiente esquema

en+1 = en + hn [

f
2
(tn , yn )en ] + hn n + n + O(ken k ).
y

(VII.2.13)

Planteando zn = hn en , despreciando O(ken k ) y suponiendo que hn = h

constante, se obtiene el siguiente esquema para zn , con
zn+1 = zn + h[

f
(tn , yn )zn ] + h(hn + n ),
y

(VII.2.14)

VII.2 M
etodo de Euler

319

de donde zn es la solucion numerica exacta obtenida a partir del metodo de

Euler de la ecuacion
z (t) = [

f
(t, y(t))]z(t) + (h(t) + (t)).
y

(VII.2.15)

En lugar de estudiar la solucion numerica de (VII.2.15), se estudiar

a la
solucion de este problema cuando h tiende a 0. Qualquier solucion de
la ecuacion diferencial (VII.2.15) no puede ser identicamente nula por
la existencia del termino no homogeneo no nulo, para h suficientemente
peque
no este termino no homogeneo es no nulo. Sea C = max kz(t)k cuando
h = 0, por otro lado denotando zh (t) la solucion de (VII.2.15) para un h fijo,
se tiene que zh (t) converge uniformente hacia z0 (t) cuando h tiende a 0. Por
lo tanto, existe un intervalo cerrado J [t0 , t0 + T ] y h0 para los cuales
kzh (t)k

C
2

t J, h h0 .

Puesto que en z(tn )/h, se tiene que

lim en = .

h0

Error

Acaba de observarse que cuando la longitud de paso hn tiende a 0,

el error debido al redondeo toma un lugar preponderante, distorsionando
completamente cualquier resultado numerico. En la figura VII.2.2 puede
verse un comportamiento aproximado del error de redondeo en funcion de
h.

Figura VII.2.2. Error de Redondeo en el Metodo de Euler.

La pregunta natural que surge es: C
ual es el h mnimo que se puede
tomar sin que el error de redondeo sea preponderante? La respuesta a esta

320

VII Ecuaciones Diferenciales

pregunta tiene dos fuentes, la primera que radica en la pr

actica numerica,
y la segunda en un analisis sobre el origen de los otros errores que ocurren
durante la implementacion del metodo. Ambos estudios llegan a la conclusi
on
de

hmin C eps,
(VII.2.16)
donde eps es la precisi
on de la computadora.
Las mayoraciones que se acaban de dar son por lo general demasiado
pesimistas, por ser rigurosos matematicamente, uno se situa en la situacion
mas desfavorable posible. Por otro lado si se toma h muy peque
no, inferior
a eps, el algoritmo se mantiene estacionario.

Estabilidad del M
etodo de Euler
En la anterior subsecci
on se pudo observar la incidencia directa del error de
redondeo. En esta parte se analizar
a la propagacion del error de redondeo
en la solucion numerica. Considerese el problema siguiente
y = y,

y(0) = y0 .

(VII.2.17)

El metodo de Euler con paso constante, da el siguiente esquema

yn+1 = yn + hyn ,

(VII.2.18)

sup
ongase que en lugar de y0 , se introduce una aproximacion y0 , planteando
en = yn yn donde yn es la solucion numerica de la ecucion (VII.2.17) con
valor inicial y0 . Los en verifican la siguiente relacion:
en+1 = en + hen ,

e0 = (
y0 y0 ),

de donde
en = (h + 1)n e0 .

(VII.2.19)

Por consiguiente, el esquema (VII.2.17) ser

a estable siempre y cuando
lim en = 0,

situacion que sucede cuando |h + 1| < 1. Por consiguiente, para obtener un

metodo estable es necesario que
hmax =

2
.
||

(VII.2.20)

Por lo expuesto en la anterior subsecci

on y en esta, se tiene necesariamente
que la longitud de paso est
a acotada inferiormente e superiormente. La
cota inferior impide que el error de redondeo distorsione completamente

VII.2 M
etodo de Euler

321

la solucion numerica del problema, mientras que la cota superior en los

problemas lineales impide que el metodo diverga. La idea de estabilidad
puede generalizarse a problemas diferenciales lineales de mayor dimension.
Por ejemplo, considerese el problema
y = Ay,

y(0) = y0 .

Con el procedimiento utilizado anterioremente e introduciendo normas en

los lugares apropiados es facil mostrar que el metodo de Euler es estable si
(A + I)h < 1,

(VII.2.21)

donde (A + I) es el radio espectral de la matriz A + I. Planteando z = h,

se tiene estabilidad en el metodo, si y solamente si |z + 1| < 1. De donde, se
tiene definida una region de estabilidad, dada en la figura VII.2.3, la parte
achurada del crculo corresponde a la region donde el metodo es estable.

Figura VII.2.3. Region de Estabilidad del Metodo de Euler

El siguiente ejemplo ilustra, que el metodo de Euler no es un metodo
muy apropiado para resolver ciertos problemas diferenciales a valor inicial.
Considerese, el problema
y (x) = 100y(x) + cos x,
y(0) = 0.

(VII.2.22)

La solucion de este problema, est

a dada por
y(x) =

1
100
cos x +
sin x + Ce100x ,
10001
10001

con C una constante determinada por la condici

on inicial. Puede observarse
que para x = , se tiene
y()

100
0, 01.
10001

(VII.2.23)

322

VII Ecuaciones Diferenciales

Aplicando el metodo de Euler con paso constante se tiene:

yh () = 9.999 103 ,
165

yh () = 60.101.
h2 =
155
h1 =

No obstante que h2 h1 1.2 103 , la diferencia de los resultados es

abismal. La explicacion de este fen
omeno de inestabilidad ha sido explicado
mas arriba.
El problema dado por (VII.2.22) est
a dentro una categora de problemas
diferenciales conocidos con el nombre de ecuaciones diferenciales rigidas, ver
Hairer & Wanner. Para evitar aberraciones en los resultados numericos en
la resolucion numerica de esta clase de problemas, el metodo de Euler puede
modificarse, obteniendo as el:

M
etodo de Euler Implcito
En lugar de utilizar el esquema dado por (VII.2.4); el metodo de Euler
implcito, est
a dado por el esquema
yk+1 = yk + hk f (xk+1 , yk+1 ).

(VII.2.24)

Puede observarse inmediatamente, que para determinar yk+1 se debe resolver

una ecuacion, que en lo general no es lineal. Comparando con la version
explcita del metodo de Euler, esto constituye una dificultad adicional, pues
para evaluar yk+1 debe utilizarse un metodo de resolucion de ecuaciones,
como ser el metodo de Newton. Puede mostrarse, ver Hairer & Wanner,
que si hk es lo suficientemente peque
no, la convergencia del metodo de
Newton, o de otro metodo de resolucion est
a asegurada. Se ha expuesto
la desventaja principal del metodo de Euler implcito, respecto al metodo
de Euler explcito. A continuacion se expondr
a la principal motivacion
de utilizar la version implcita en determinadas situaciones. La principal
desventaja del metodo de Euler explcito en radica en la falta de estabilidad
cuando h no es los suficientemente peque
no, ver el ejemplo en el cual para
2 pasos muy proximos, las soluciones numericas del problema (VII.2.22)
difieren de manera significativa. El analisis de estabilidad del metodo de
Euler implcito es muy similar a la del metodo de Euler explcito, en
efecto considerando el problema (VII.2.18), se tiene que el metodo implcito
satisface la siguiente relacion recursiva para el error
en+1 = en + hen+1 ,

(VII.2.25)

de donde, se obtiene de manera explcita

en+1 =

1
en ,
1 h

(VII.2.26)

VII.2 M
etodo de Euler

323

teniendo de esta manera estabilidad en la propagacion de los errores de

redondeo, si y solamente si
|1 h| > 1.

(VII.2.27)

|z 1| > 1,

(VII.2.28)

Para los problemas de la forma y = Ay, (VII.2.27) y remplazando z = h,

se obtiene el dominio de estabilidad dado por
el cual est
a dado en la figura VII.2.3.

Figura VII.2.3. Region de Estabilidad del Metodo de Euler Implcito.

Ejercicios
1.- Aplicar el metodo de Euler al problema
y = y2 ,

y(0) = 1.

Evaluar y(1/4).
Utilizar pasos constantes, (por ejemplo h=1/6). Estimar el error con el
corolario VII.2.4. Comparar esta estimacion con el error exacto.
2.- Demostrar el resultado siguiente: Si el problema
y = f (x, y),
n

y(x0 ) = y0 ,
n

con f : U R continua, U R abierto y (x0 , y0 ) U posee una

y una sola solucion sobre el intervalo I, entonces los polgonos de Euler
yh (x) convergen uniformemente sobre I hacia esta solucion.
3.- Aplicar el metodo de Euler al sistema
y1 = y2 , y1 (0) = 1,
y2 (0) = 0.
y2 = y1 ,
Utilizar pasos constantes para encontrar una aproximacion de la solucion
en el punto x = 0.4. Estimar el error como en el ejercicio 1 y compararla
con el error exacto. La solucion exacta es y1 (x) = cos x, y2 (x) = sin x.

VII.3 M
etodos de Runge-Kutta

En la anterior seccion se formulo el metodo de Euler en su version explcita

como en su version implcita. Uno de los grandes problemas con el cual
se debe confrontar en la utilizaci
on de este metodo, consiste en la falta
de precisi
on de este, ver el corolario VII.2.4, motivo por el cual, los pasos
de integracion deben ser demasiado peque
nos, induciendo de esta manera
grandes perturbaciones debido al error de redondeo.
En esta seccion se pretende construir metodos cuya precisi
on sea mas
elevada, permitiendo as menos evaluaciones y una menor incidencia del
error de redondeo en los c
alculos. Se estudiar
a los metodos conocidos como
metodos a un paso, en contraposici
on a los metodos multipasos que ser
an
tratados en la siguiente seccion.
Se pretende calcular una aproximacion de la solucion de
y = f (x, y),

y(x0 ) = y0 ,

(VII.3.1)

sobre el intervalo [x0 , xe ]. Se procede como sigue: De la misma manera que

en el metodo de Euler, se particiona [x0 , xe ] en subintevalos x0 < x1 < <
xN = xe , se denota hn = xn+1 xn y se calcula yn y(xn ) por una formula
de la forma
yn+1 = yn + hn (hn , xn , yn ).
(VII.3.2)
Una tal formula se llama metodo a un paso, por que el c
alculo de yn+1 utiliza
los valores de hn , xn , yn de un paso solamente.
Puede observarse facilmente que el metodo de Euler corresponde bien a
esta categora de metodos a un paso. Vale la pena recalcar que los metodos
de la forma (VII.3.2) no solamente son metodos a un paso, si no que tambien
explcitos. Para saber mas referirse a Hairer & Wanner. Para simplificar la
notacion, solamente se considerar
a el primer paso, es decir cuando n = 0 en
(VII.3.2) y escribir h en lugar de h0 .
Para obtener otros metodos numericos se integra (VII.3.1) de x0 a x0 +h.
La expresi
on que se obtiene, est
a dada por
y(x0 + h) = y0 +

x0 +h

f (t, y(t))dt.

(VII.3.3)

x0

La idea central consiste en remplazar la integral de (VII.3.3) por una

expresi
on que la aproxime. Por ejemplo, si se utiliza h(f (x0 , y0 )) como
aproximacion se tiene el metodo de Euler Explcito. Por consiguiente, la
idea ser
a utilizar formulas de cuadratura que tienen un orden mas elevado.

VII.3 M
etodos de Runge-Kutta

325

Como ejemplo de la utilizaci

on de este ingenioso argumento, se tiene el
metodo de Runge. Se toma la formula del punto medio que es una formula
de cuadratura de orden 2. Obteniendo as
y(x0 + h) y0 + hf



h
h
x0 + , y(x0 + ) ,
2
2

(VII.3.4)

obteniendo posteriormente el valor desconocido y(x0 + h/2) mediante el

metodo de Euler. Esto da


h
h
y1 = y0 + hf x0 + , y0 + f (x0 , y0 ) .
2
2

(VII.3.5)

La interpretacion geometrica del metodo de Runge, ver figura VII.3.1,

consiste en hacer pasar una recta tangente por el punto medio de las curvas
integrales de la ecuacion diferencial, obteniendo este punto medio mediante
una tangente que sale de (x0 , y0 ). Ver la figura VII.3.1.

x0

x0 +h/2

x 0 +h

Figura VII.3.1 Metodo de Runge

Kutta en 1901, generaliz
o la idea de Runge, conduciendo a la definicion
siguiente de los metodos que llevan sus nombres.
Definici
on VII.3.1.- Un metodo de Runge-Kutta a s pisos, est
a dada por:
k1 = f (x0 , y0 ),
k2 = f (x0 + c2 h, y0 + ha21 k1 ),
k3 = f (x0 + c3 h, y0 + h(a31 k1 + a32 k2 )),
..
.
ks = f (x0 + cs h, y0 + h(as1 k1 + + as,s1 ks1 ));
y1 = y0 + h(b1 k1 + + bs ks );

(VII.3.6)

326

VII Ecuaciones Diferenciales

donde los ci , aij , bj son coeficientes. El metodo se representa por el esquema

c1 = 0
c2

a21

c3
..
.

a31
..
.

a32
..
.

..

cs

as1

as2

as,s1

b1

b2

(VII.3.7)

bs1

bs

Los metodos de Euler, como tambien los metodos de Runge y Heun est
an
dados en la tabla III.3.1
Tabla III.3.1. Primeros metodos de Runge-Kutta
0
0
0

1/2
1

1/2
0

Euler

1/3

1/3

2/3

2/3

1/4

Runge

3/4

Heun

Por razones de cuadratura, se supondr

a siempre que los ci satisfacen siempre
c1 = 0,

ci =

i1
X

aij , i = 2, . . . , s.

(VII.3.8)

j=1

La definicion de orden de cuadratura para las formulas de cuadratura,

puede extenderse a los metodos de Runge-Kutta de la siguiente manera.
Definici
on VII.3.2.- Se dice que el metodo de Runge-Kutta dado por
(VII.3.6) tiene el orden p si, para cada problema y = f (x, y), y(x0 ) = y0
con f suficientemente derivable, el error despues de un paso satisface
y1 y(x0 + h) = O(hp+1 ),

cuando h 0.

(VII.3.9)

La diferencia (VII.3.9) se llama error local del metodo.

El metodo de Euler es un metodo de orden 1, por que
y(x0 + h) = y0 + hy (x0 ) + O(h2 ) = y0 + hf (x0 , y0 ) + O(h2 ) = y1 + O(h2 ).

VII.3 M
etodos de Runge-Kutta

327

El metodo de Runge est

a basado sobre la formula del punto medio que es
una formula de cuadratura de orden 2:
y(x0 + h) = y0 + hf (x0 + h/2, y(x0 + h/2)) + O(h3 ).
Remplazando y(x0 + h/2) por el valor y0 + (h/2)f (x0 , y0 ) del metodo de
Euler, se agrega un termino de tama
no O(h3 ). Entonces, este metodo tiene
orden p = 2.
El metodo de Heun, ver tabla VII.3.1, se obtiene a partir de la formula
de cuadratura



h
2h
2h
y(x0 + h) = y0 +
f (x0 , y0 ) + 3f x0 +
, y(x0 +
)
+ O(h4 ),
4
3
3
si se remplaza y(x0 + 2h/3) por la aproximacion del metodo de Runge. De
donde el metodo de Heun tiene el orden p = 3.
Utilizando la suposici
on (VII.3,8) que es una condici
on simplificadora,
se tiene la siguiente proposici
on.
Proposici
on VII.3.3.- La condici
on (VII.3.8) implica que es suficiente
considerar problemas autonomos de la forma y = f (y) para verificar la
condici
on de orden.
Demostraci
on.- Se supone que (VII.3.9) es satisfecha para los problemas
autonomos de la forma y = F (y), y(x0 ) = y0 .
Considerese un problema de la forma y = f (x, y), y(x0 ) = y0 , el cual es
equivalente al problema
y = f (x, y),
x = 1,
obteniendo as

Y = F (Y ),

y(0) = y0 ,
x(0) = 0,



 
1
x
, F (Y ) =
Y =
f (x, y),
y

donde

(VII.3.10)

con valor inicial Y0 = (x0 , y0 )t . La aplicaci

on del metodo de Runge-Kutta al
problema (VII.3.10) da

 
 
s
i1
X
X
1
x1

,
Y1 = Y0 + h
bi Ki =
,
aij Kj =
Ki = F Y0 + h
ki
y1
i=1

j=1

lo que es equivalente a (VII.3.6), por que

Y0 + h

i1
X
j=1

aij Kj =

x0
y0

+h

i1
X
j=1

aij

1
kj

x0P
+ ci h
i1
y0 + h j=1 aij kj

.


328

VII Ecuaciones Diferenciales

El siguiente paso, es de estudiar un procedimiento que permita determinar metodos de Runge-Kutta de ordenes mas elevados. Un buen ejercicio
ser
a construir el metodo de Kutta que es de orden 4.

Construcci
on de un m
etodo de orden 4
La idea principal de la construccion del metodo de Runge, es considerar los
desarrollos en serie de Taylor de la solucion exacta y(x0 +h), como tambien de
la solucion numerica obtenida a partir del metodo, que se la denota por y1 (h).
Luego comparar las series, para obtener condiciones sobre los coeficientes del
metodo.
Serie de Taylor de la soluci
on exacta
Considerese el problema de Cauchy
y = f (y),

y(x0 ) = y0 .

(VII.3.11)

derivando la ecuacion (VII.3.11), se obtiene para la solucion exacta

y =fy y = fy f (y)
y =fy (y , f (y)) + fy fy y = fy (f (y), f (y)) + fy fy f (y)
y (4) =fy (f (y), f (y), f (y)) + 3fy (fy f (y), f (y) + fy fy (f (y), f (y))
+ fy fy fy f (y),
de donde la serie de Taylor de la solucion exacta est
a dada por
y(x0 + h) = y0 + hf (y0 ) +
+
+

h2
f f (y0 )
2! y

h3
fy (f (y0 ), f (y0 )) + fy fy f (y0 )
3!
fy (f (y), f (y), f (y)) +

(VII.3.12)

3fy (fy f (y), f (y)


+ fy fy (f (y), f (y)) + fy fy fy f (y) + O(h5 ).
Serie de Taylor de la soluci
on num
erica
Para calcular la serie de Taylor de y1 , es suficiente determinar las series de
los
i1
X
ki = f (x0 + h
aij kj ).
(VII.3.13)
j=1

Ahora bien, se puede considerar (VII.3.13) como una ecuaci

on a punto fijo,
pudiendo as aproximar los ki por el metodo de las aproximaciones sucesivas.
Comenzando la primera aproximacion de ki , se tiene
ki = f (y0 ) + O(h),

VII.3 M
etodos de Runge-Kutta

329

utilizando (VII.3.8), se obtiene

ki = f (y0 ) + ci hfy f (y0 ) + O(h2 ).
La segunda iteracion da como resultado
X
aij cj fy f (y0 ) + O(h3 ))
ki = f (y0 + hci f (y0 ) + h2
j

= f (y0 ) + ci hfy f (y0 ) + h2

aij cj fy fy f (y0 ) +

+ O(h ).

h2 2
c f (f (y0 ), f (y0 ))
2 i y

Efectuando todava una vez mas una iteracion, e introduciendo los valores
obtenidos en la definicion (VII.3.5) de yi , se obtiene
!
!
X
X
h2
bi ci (f f )0
(VII.3.14)
2
bi f0 +
y1 = y0 + h
2
i
i

!
X
h3 X 2
bi aij cj (f f f )0
bi ci (f (f, f ))0 + 6
3
+
3!
ij
i

!
X
h4 X 3
+
bi ci aij cj (f (f f f ))0
bi ci (f (f, f, f ))0 + 8
4!
ij
i

X
bi aij ajk ck (f f f f )0 + O(h5 ),
+ 24
ijk

donde el subndice 0 indica que las evaluaciones deben ser hechas en el punto
y0 .
Comparando los coeficientes de (VII.3.12) y (VII.3.14), se encuentran
las condiciones que deben satisfacer los coeficientes ci , bi y aij para contar
con un metodo de orden 4. Estas condiciones se las enuncia en el:

Teorema VII.3.4.- Condiciones de Orden. El metodo de Runge-Kutta

(VII.3.6) tiene el orden 4 si los coeficientes satisfacen (VII.3.8) y
X
bi = 1,
(VII.3.15a)
i

bi ci =

1
,
2

(VII.3.15b)

bi c2i =

1
,
3

(VII.3.15c)

X
i

330

VII Ecuaciones Diferenciales

X

1
,
6

(VII.3.15d)

bi c3i =

1
,
4

(VII.3.15e)

bi ci aij cj =

1
,
8

(VII.3.15f )

bi aij c2j =

1
,
12

(VII.3.15g)

bi aij ajk bk =

1
.
24

(VII.3.15h)

bi aij =

ij

X
i

ij

X
ij

X
ijk

Es necesario remarcar que si el metodo satisface solamente (VII.3.15a),

(VII.3.15a,b) o (VII.3.15,a,b,c) tiene el orden 1, 2 o 3 respectivamente.
El siguiente paso es la resolucion del sistema (VII.3.15), para s = 4.
Este sistema consiste de 8 ecuaciones no lineales para 10 parametros bi ,
aij ; los ci est
an determinados por la condici
on (VII.3.8). Las condiciones
(VII.3.15a,b,c,e) traducen el hecho que (bi , ci ) es una formula de cuadratura
de orden 4. Por consiguiente los bi pueden ser determinados si los ci son
conocidos. En particular, se obtiene
b3 c3 (c3 c2 )(c4 c3 ) =

c2 c4
c2 + c3
1
+
.
2
3
4

(VII.3.16)

Por otro lado (VII.3.15g)c2 (VII.3.15d) da

b4 a43 c3 (c3 c2 ) =

1
c2
,
12
6

(VII.3.17)

1
c4
.
6
8

(VII.3.18)

y c4 (VII.3.15d)(VII.3.15f) implica que

b3 (c4 c3 )a3 2c2 =

Si se multiplica (VII.3.17) con (VII.3.18), luego (VII.3.16) con (VII.3.15h),

se obtiene para la misma expresi
on, las dos formulas:



1
c4
c2
1
b4 a43 a32 c2 b3 c3 (c3 c2 )(c4 c3 ) =
,

12
6
6
8


c2 c4
c2 + c3
1
b4 a43 a32 c2 b3 c3 (c3 c2 )(c4 c3 ) =
/24,
+

2
3
4
lo que es equivalente a
c2 (1 c4 ) = 0.

VII.3 M
etodos de Runge-Kutta

331

Puesto que c2 6= 0, consecuencia de la condici

on (VII.3.15h), se tiene
necesariamente que c4 = 1. La solucion general del sistema (VII.3.16), se
la obtiene de la manera siguiente.
M
etodo de Resoluci
on.- Plantear c1 = 0, c4 = 1; c2 y c3 son parametros
libres; calcular b1 , b2 , b3 , b4 tales que la formula de cuadratura sea de orden
4; calcular a32 utilizando (VII.3.18), a43 utilizando (VII.3.19) y a42 proviene
de (V II.3.15d); finalmente calcular a21 , a31 , a41 de (VII.3.8) para i = 2, 3, 4.
Entre los metodos de orden 4, los mas conocidos est
an dados en la tabla
VII.3.2.
Tabla VII.3.2. Metodos de Kutta
0

0
1/2

1/2

1/2

1/2

1/6 2/6 2/6 1/6

Metodo de Runge-Kutta

1/3

1/3

2/3

1/3

1/8

1
1

3/8 3/8 1/8

Regla 3/8

M
etodos Encajonados
Para resolver un problema realista, un c
alculo a paso constante es en
general ineficiente. Existen diversas causas para esta ineficiencia: la primera
es que se debe conocer a priori una estimacion del error local cometido,
lo cual es complicado en general ocasionando una perdida de generalidad
en los programas a implementarse. La otra raz
on fundamental que existen
intervalos donde los pasos de integracion pueden ser de longitud mayor. El
principal problema reside en como escoger los pasos de integracion. La idea
que puede resolver satisfactoriamente estos problemas consiste en escoger
pasos de integracion de manera que el error local sea en todo caso inferior o
igual a T ol dado por el utilizador. Motivo por el cual es necesario conocer
una estimacion del error local. Inspirados en el programa GAUINT descrito
en VI.3, se construye un metodo de Runge-Kutta con y1 como aproximacion
numerica, y se utiliza la diferencia y1 y1 como estimacion del error local
del metodo menos preciso.
Se da un metodo de orden p a s pisos, con coeficientes ci , aij , bj . Se busca
un metodo de orden p < p que utiliza las mismas evaluaciones de f , es decir
y1 = y0 + h(b1 k1 + + bs ks ),

(VII.3.19)

332

VII Ecuaciones Diferenciales

donde los ki est

an dados por (VII.3.3). Para tener mas libertad, se agrega a
menudo un termino que contenga f (x1 , y1 ) a la formula (VII.3.19), de todas
maneras se debe calcular f (x1 , y1 ) para el paso siguiente, determinando as
y1 , como
y1 = y0 + h(b1 k1 + + bs ks + bs+1 f (x1 , y1 )).

(VII.3.20)

Un tal metodo encajonado puede ser representado en forma de un esquema,

ver la tabla VII.3.3.
Tabla VII.3.3. Metodos encajonados
c1 = 0
c2

a21

c3
..
.

a31
..
.

a32
..
.

..

cs

as1

as2

as,s1

(1)

b1
b1

b2
b2

bs1
bs1

bs
bs

(bs+1 )

El siguiente paso es la determinaci

on del h optimal. Si se aplica el metodo
con un valor h, la estimacion del error satisface

y1 y1 = (y1 y(x0 + h)) + (y(x0 + h) y1 ) = O(hp+1 ) + O(hp+1

) Chp+1
.
(VII.3.21)
El h optimal, denotado por hopt , es aquel donde esta estimacion es pr
oxima
de T ol, es decir

T ol Chp+1
(VII.3.22)
opt .

Eliminando C de las dos u

ltimas formulas, se obtiene
s
T ol
p+1

hopt = 0.9 h
.
ky1 y1 k

(VII.3.23)

El factor 0.9 se lo agrega para volver el programa mas seguro.

Algoritmo para la selecci
on autom
atica de paso.
Al iniciar los c
alculos, el utilizador provee una subrutina que calcule el valor
de f (x, y), los valores iniciales x0 , y0 y una primera eleccion de h.
A) Con h, calcular y1 , err = ky1 y1 k y hopt dado por (VII.3.23).
B) Si err T ol, el paso es aceptado, entonces
x0 := x0 + h,

y0 := y1 ,

h := min(hopt , xend x0 );

VII.3 M
etodos de Runge-Kutta

333

si no el paso es rechazado
h := hopt .
C) Si x0 = xend se ha terminado, si no se recomienza por (A) y se calcula
el paso siguiente.
La pr
actica numerica muestra que es aconsejable remplazar (VII.3.23)
por



.
hopt = h min 5, max(0.2, 0.9(T ol/err)1/p+1
Para la norma dada en la relacion (VII.3.23), se utiliza en general
v
u n 

u 1 X yi1 yi1 2
ky1 y1 k = t
, donde sci = 1 + max(|yi0 | , |yi1 |).
n i=1
sci

(VII.3.24)
En la literatura especializada, estos metodos encajonados con control
de paso automatico, se los denota por RKpp donde RK son las iniciales
de Runge-Kutta y p, p son los ordenes de los metodos encajonados. En la
actualidad la utilizaci
on de tales metodos es muy com
un. En la tabla VII.3.4
se da el esquema del metodo de Dormand-Prince RK54 ; este metodo es
analizado minuciosamente en Hairer & Wanner.
Tabla VII.3.4. Metodo Dormand-Prince 5(4)
0
1
5

1
5

3
10

3
40

4
5

44
45

8
9

19372
6561

9017
3187

9
40
56
15

32
9

25360
2187

64448
6561

355
33

46732
5247

49
176

35
384

500
1113

125
192

2187
6784

11
84

y1

35
384

500
1113

125
192

2187
6784

11
84

y1

5179
57600

7571
16695

393
640

92097
339200

187
2100

1
40

212
729

5103
18656

334

VII Ecuaciones Diferenciales

En el ejemplo siguiente se detallar

a la construccion de un metodo
encajonado con seleccion de paso automatico. Por razones de simplicidad, se
considerar
a un metodo RK32 .
Ejemplo
T
omese un metodo de orden p = 3 a s = 3 pisos, que en este caso ser
a el
metodo de Heun, ver tabla VII.1.1 y se buscara un metodo encajonado de
orden p = 2 de la forma (VII.3.20), es decir se aumenta s de 1, agregando
un (s + 1)-emo piso con los coeficientes as+1,i , para i = 1, . . . , s.
De esta manera se obtiene el siguiente sistema de ecuaciones para los
coeficientes bi , el cual est
a dado por:
b1 + b2 + b3 + b4 = 1
1
2
1
b2 + b3 + b4 = .
3
3
2
Puedo observarse que para que el metodo encajonado tenga un orden
igual a 2, se requieren 2 condiciones, quedando as dos grados de libertad.
Al igual que en el metodo de Heun, puede plantearse b2 = 0, b4 puede
escogerse libremente, por ejemplo b4 = 1/2 de donde por la segunda
ecuacion se deduce facilmente que b3 = 0 y por la primera ecuacion
b1 = 1/2. Por lo tanto se obtiene el esquema dado en la tabla VII.3.5.

Tabla VII.3.5. Ejemplo de Metodo Encajonado

0
1/3

1/3

2/3

2/3

1/4

3/4

1/2

1/2

Soluciones Continuas
Uno de los incovenientes mayores de los metodos formulados en esta seccion
consiste en el hecho que estos dan las soluciones en un conjunto discreto
de puntos. Una primera alternativa es unir estas soluciones con polgonos,
si los puntos donde el metodo ha dado las soluciones. El resultado no es
satisfactorio desde varios puntos de vista. Si el metodo es de orden elevado
la interpolaci
on lineal, vista en el Captulo III, tiene como efecto la perdida
de precisi
on. Desde el punto de vista grafico las soluciones dejan de ser

VII.3 M
etodos de Runge-Kutta

335

lisas. Debido a estas dos razones expuestas es necesario complementar estos

metodos con alternativas que permitan dar soluciones densas.
Existen varias alternativas validas que permiten subsanar esta falencia
de los metodos de Runge-Kutta. La primera consiste en la construccion de los
metodos de Runge-Kutta Continuos. Para tal efecto, se considera un metodo
de Runge-Kutta dado de antemano. Se desea evaluar utilizando este esquema
en el punto x = x0 + h con 0 < 1. Los coeficientes de este metodo
se los denota por ci (), aij (), bj (). Ahora bien, el metodo ser
a interesante
desde el punto de vista numerico, si los coeficientes ci (), aij () no dependen
de coincidiendo de esta manera con los del metodo dado de antemano. Sin
embargo no es nada raro que el metodo obtenido a partir de los bi () tenga
un orden inferior. Esto se debe a que los aij , ci ya est
an prescritos. Para
ilustrar esta construccion considerese el ejemplo siguiente.
Ejemplo
Se considera nuevamente el metodo de Heun dado en la tabla VII.3.1.
Utilizando el teorema VII.3.4, remplazando y(x0 + h) por y(x0 + h) se
obtienen las siguientes condiciones de orden para los coeficientes bi ():
b1 + b2 + b3 = ,
1
b2 +
3
1
b2 +
9

2
2
b3 = ,
3
2
4
3
b3 = ,
9
3
3
4
b3 = .
9
6

Como puede observarse es imposible que los coeficientes bi puedan

satisfacer las condiciones para obtener un metodo de orden 3, por lo
tanto, uno debe contentarse con obtener un metodo de orden 2 para
diferente de 1 y para = 1 un metodo de orden 3. Tomando las dos
primeras ecuaciones y planteando b2 = 0, como en el metodo de Heun,
3
3
se tiene para b3 = 2 y para b1 = ( ). obteniendo as, el esquema
4
4
dado en la tabla VII.5.6.

Tabla VII.5.6. Ejemplo de Metodo Continuo.

0
1/3

1/3

2/3

2/3
3

( 4 )

3 2

336

VII Ecuaciones Diferenciales

La segunda estrategia para construir soluciones continuas, consiste en

utilizar la interpolaci
on de Hermite con polinomios c
ubicos, tomando como
extremidades y0 , y1 y como derivadas f (x0 , y0 ) y f (x1 , y1 ). Es facil ver,
que a diferencia de la primera alternativa es necesario evaluar y1 . Viendo
el captulo III, la interpolaci
on de Hermite tiene un error del orden O(h4 ),
equivalente a un metodo de tercen orden.

Convergencia de los M
etodos de Runge-Kutta
En las subsecciones precedentes, se ha hecho un analisis del error local,
intimamente ligado al orden del metodo. Pero no se ha analizado que sucede
con el error global de la solucion numerica. Para analizar este tipo de error
es necesario introducir alguna notacion adicional.
Considerese un metodo a un paso
yn=1 = yn + hn (xn , yn , hn ),

(VII.3.25)

aplicado a una ecuacion diferencial y = f (x, y), con valor inicial y(x0 ) =
y0 . Es natural plantearse sobre la magnitud del tama
no del error global
y(xn ) yn . A continuacion se enunciar
a un teorema general sobre esta clase
de error.
Teorema VII.3.5.- Sea y(x) la solucion de y = f (x, y), y(x0 ) = y0 sobre
el intervalo [x0 , xe ]. Supongase que:
a) el error local satisface para x [x0 , xe ] y h hmax
ky(x + h) y(x) h(x, y(x), h)k C hp+1 ,

(VII.3.26)

b) la funcion (x, y, z) satisface una condici

on de Lipschitz
k(x, y, h) (x, z, h)k ky zk ,

(VII.3.27)

para h hmax y (x, y), (x, z) en un vecindario de la solucion.

Entonces , el error global admite para xn xe la estimacion

C  (xn x0 )
ky(xn ) yn k hp
e
1 ,
(VII.3.28)

donde h = max hi , bajo la condici

on que h sea lo suficientemente pequ
no.
i

Demostraci
on.- La idea central de la demostracion es estudiar la influencia
del error local, cometido en el paso i-esimo a la propagacion de yn . Enseguida,
adicionar los errores acumulados. Ver figura VII.3.2.
Sean {yn } y {zn } dos soluciones numericas obtenidas por (VII.3.25) con
valores iniciales y0 y z0 respectivamente. Utilizando la condici
on de Lipschitz
dada por (VII.3.27), su diferencia puede ser estimada como
kyn+1 zn+1 k kyn zn k + hn kyn zn k

= (1 + hn ) kyn zn k ehn kyn zn k .(VII.3.29)

VII.3 M
etodos de Runge-Kutta

337

Recursivamente, se obtiene
kyn zn k ehn1 ehn2 ehi kyi zi k .
y el error propagado Ei , ver figura VII.3.2, satisface
(xn xi )
kEi k e(xn xi ) kei k Chp+1
,
i1 e

y0

y(xn )
En
E n1

e n1

e1
e

(VII.3.30)

E1
y

x0

x1

x2 x 3

xn

Figura VII.3.2. Estimacion del error global.

La desigualdad del triangulo, as como (VII.3.30) da, ver la figura VII.3.3,
para la estimacion de la suma
ky(xn ) yn k

n
X
i=1

kEi k

n
X

(xn xi )
hp+1
i1 e

i=1

Chp h0 e(xn x1 ) + + hn2 e(xn xn1 ) + hn1

Z xn

Chp  (xn x0 )
p
e(xn t) dt =
Ch
e
1 .

x0

( x n x)

x
x0

x1

x2

x n1

xn

Figura VII.3.3. Estimacion de la suma de Riemann.

338

VII Ecuaciones Diferenciales

Solo queda justificar la implicacion de (VII.3.25) en (VII.3.27), ya que la

estimacion (VII.3.25) es valida solamente en un vecindario
U = {(x, y)| ky y(x)k b} de la solucion exacta. Si se supone que h es lo
suficientemente peque
no, mas precisamente, si h es tal que

Chp  (xe x0 )
e
1 b,

se estar
a seguro que todas las soluciones numericas de la figura VII.3.2 se
quedar
an en U.


Supongase que (VII.3.25) representa un metodo de Runge-Kutta, se

verificar
a las hipotesis del teorema precedente. La condici
on (VII.3.26) es
satisfecha para un metodo de orden p. Solo queda por verificar la condici
on
de Lipschitz (VII.3.27), para la funcion
(x, y, h) =

s
X

bi ki (y),

(VII.3.31)

i=1

donde

ki (y) = f x + ci h, y + h

i1
X
j=1

aij kj (y) .

(VII.3.32)

Proposici
on VII.3.6.- Si f (x, y) satisface una condici
on de Lipschitz
kf (x, y) f (x, z)k L ky zk en un vecindario de la solucion de y =
f (x, y), la expresi
on (x, y, h) de (VII.3.31) verifica la condici
on (VII.3.27)
con

X
X
X
|bi aij | + (hmax L)2
|bi aij ajk | + .
|bi | + (hmax L
= L
i

ij

ijk

(VII.3.33)

Demostraci
on.- La condici
on de Lipschitz para f (x, y) aplicado a
(VII.3.32) da
kk1 (y) k1 (z)k = kf (x, y) f (x, z)k L ky zk
kk2 (y) k2 (z)k L ky z + ha21 (k1 (y) k1 (z))k
L(1 + hmax L |a21 |) ky zk ,
etc. Las estimaciones (VII.3.34) introducidas en
k(x, y, h) (x, z, h)k

s
X
i=1

|bi | kki (y) ki (z)k ,

(VII.3.34)

VII.3 M
etodos de Runge-Kutta

339

implican (VII.3.27) con dado por (VII.3.33).

Experiencias Num
ericas
En esta subsecci
on se mostrar
a varios ejemplos donde los metodos de RungeKutta act
uan. Se comparara varios metodos.
1.- Se considera la ecuacion diferencial, con valor inicial,
y = y + sin x,

y(0) = 1;

(VII.3.35)

la solucion de este problema, est

a dada por
y(x) =

1
3 x 1
e cos x + sin x.
2
2
2

(VII.3.36)

En la figura VII.3.4, se muestra las graficas de diferentes metodos de

Runge-Kutta. El intervalo de integracion es [0, 10]. Puede comprobarse,
que al igual que en los metodos de integracion, existe una relacion lineal
entre log10 (Error Global) y el n
umero de evaluaciones de la funcion,
fe. Esta relacion lineal tiene una pendiente 1/p, donde p es el orden del
metodo.
106

fe

105

104

103

102

101

100 0
10

err glob
101

102

103

104

105

106

107

108

109

1010

Metodo de Euler
Metodo de Runge
Metodo de Heun
Metodo de Kutta
Metodo 3/8

Figura VII.3.4. Relacion del error global vs fe.

340

VII Ecuaciones Diferenciales

2.- En esta experiencia numerica, se implementa un metodo encajonado,

para este efecto, se toma el metodo dado en uno de los ejemplos
precedentes. La ecuacion diferencial sobre la cual es examinada tal
metodo, es una ecuacion diferencial de una reaccion qumica, conocida
como Brusselator. Por consiguiente, se debe resolver:
y1 = 1 + y12 y2 4y1 ,
y2

= 3y1

y1 (0) = 1.5,
y2 (0)3,

y12 y2 ,

(VII.3.37)

sobre el intervalo [0, 10]. Los resultados obtenidos con T ol = 105

son presentados en la figura VII.3.5. En la grafica superior, las dos
componentes de la solucion utilizando la solucion continua del metodo
de Heun, ver metodos continuos. En la grafica del medio, la longitud
de los pasos, los pasos aceptados est
an ligados, mientras que los pasos
rechazados indicados por . En la grafica inferior, la estimacion del error
local, como tambien los valores exactos del error local y global.
6

y2

5
4
3
2

y1

100

10

101

102
0
103

Error global

10

10

105
106
107
108

Error local exacto

Error local estimado

Figura VII.3.5. Experiencia numerica de un metodo encajonado.

VII.3 M
etodos de Runge-Kutta

341

Ejercicios
1.- Aplicar el metodo de Runge al sistema
y1 = y2 ,
y2 = y1 ,

y1 (0) = 1,
y2 (0) = 0,

con h = 1/5. Comparar el trabajo necesario y la precisi

on del resultado
con el metodo de Euler.
2.- Considerese un metodo de Runge-Kutta a s pisos y de orden p. Mostrar
que
s
X
1
bi cq1
=
para q = 1, . . . , p.
i
q
i=1

es decir, la formula de cuadratura asociada tiene al menos el orden p.

3.- Aplicar un metodo de Runge-Kutta de orden p = s, s es el n
umero de
pisos, al problema y = y, donde es una constante compleja. Mostrar
que la solucion numerica est
a dada por

s
j
X
z
y0 ,
z = h.
y1 =
j!
j=0
4.- Construir todos los metodos de Runge-Kutta de orden 3 con s = 3 pisos.
5.- Considerese el problema
y =

y + g(x),
x

y(0) = 0

con g(x) suficientemente derivable y 0. Mostrar que este problema

admite una y una sola solucion. Las derivadas de la solucion en el punto
x = 0 son

1

(j)
y (0) = 1
g (j1) (0).
j
6.- Aplicar un metodo de Runge-Kutta al problema del ejercicio anterior,

1
utilizar la definicion f (x, y) = 1 j
g(0), para x = 0.
a) Mostrar que el error del primer paso satisface

y(h) y1 = C2 h2 g (0) + O(h3 )

donde C2 depende solamente de los coeficientes del metodo.
c) Calcular C2 para uno de los metodos de Kutta.

VII.4 M
etodos Multipasos

Los metodos a un paso calculan un valor aproximado yn+1 , en el instante tn+1 , utilizando u
nicamente el valor aproximado yn . La utilizaci
on
de varios valores aproximados yn , yn1 , . . ., permite obtener a precisi
on
igual metodos de costo menos elevado; estos metodos son com
unmente
llamados multipasos, mas precisamente cuando los c
alculos utilizan r valores precedentes: yn , yn1 , . . . , ynr+1 , es decir concernientes los r pasos:
hn , hn1 , . . . , hnr+1 , se habla de metodos a r pasos. Entre estos metodos,
los metodos de Adams son aquellos que parecen ser a la hora actual los mas
eficaces cuando el problema diferencial es bien condicionado, ser
an estudiados en esta subsecci
on. Los algoritmos modernos utilizan estos metodos con
un n
umero variable de pasos y un tama
no de paso variables. La variaci
on
del n
umero de pasos y la longitud de los pasos permite adaptar el metodo
a la regularidad de la solucion, permite tambien de levantar las dificultades
de arranque que presentan los metodos a n
umero de pasos fijo.

M
etodos de Adams Explcitos
Sea una division x0 < x1 < < xn = xe del intervalo sobre el cual se
busca resolver la ecuacion diferencial y = f (x, y) y sup
ongase que se conoce
aproximaciones yn , yn1 , . . . , ynk1 de la solucion para k pasos consecutivos
(yi y(xj )). De la misma forma que para la derivacion de los metodos de
Runge-Kutta, se integra la ecuacion diferencial, para obtener
Z xn+1
f (t, y(t))dt.
(VII.4.1)
y(xn+1 ) = y(xn ) +
xn

Pero en lugar de aplicar una formula de cuadratura standard a la integral

(VII.4.1), se remplaza f (t, y(t)) por el polinomiio de grado k1, que satisfaga
p(xj ) = fj ,

para j = n, n 1, . . . , n k + 1;

donde fj = f (xj , yj ). Ver la figura VII.4.1.

f nk+1

x nk+1

f n1

x n1

fn

xn

p(t)

x n+1

Figura VII.4.1. Metodo de Adams.

(VII.4.2)

VII.4 M
etodos Multipasos

343

Por consiguiente, la aproximacion de y(xn+1 ) est

a definida por
yn+1 = yn +

xn+1

p(t)dt.

(VII.4.3)

xn

Si se representa el polinomio p(t) por la formula de Newton, ver el teorema

III.1.9,
p(t) =

k1
X
j=0

j1
Y
i=0

(t xni ) f [xn , xn1 , . . . , xnj ],

(VII.4.4)

el metodo (VII.4.3) se convierte en

yn+1 = yn +

k1
X
j=0

xn+1 j1
Y

xn

i=0

(t xni ) f [xn , xn1 , . . . , xnj ]. (VII.4.5)

El caso mas simple de estas formulas de Adams explcitas consiste cuando

la division es equidistante. En esta situacion se tiene xj = x0 + jh, las
diferencias divididas pueden ser expresadas bajo la forma
f [xn , xn1 , . . . , xnj ] =

j fn
,
j!hh

(VII.4.6)

donde 0 fn = fn , fn = fn fn1 , 2 fn = (fn ), . . . son las diferencias

finitas regresivas.
La formula (VII.4.5), planteando t = xn + sh, se convierte en
yn+1 = yn + h

k1
X
j=0

donde
1
j =
j!

1 j1
Y

(i + s)ds =

j j fn ,

i=0

s+j1
j

(VII.4.7)

ds.

Los primeros coeficientes j est

an dados en la tabla VII.4.1.
Tabla VII.4.1. Coeficientes para los metodos de Adams Explcitos.
j 0 1
j 1

1 5 3 251 95 19087 5257 1070017

2 12 8 720 288 60480 17280 3628800

344

VII Ecuaciones Diferenciales

Casos particulares de los metodos de Adams explcitos son:
k = 1 : yn+1 = yn + hfn ,
(metodo de Euler);


2
1
k = 2 : yn+1 = yn + h
fn fn1 ;
3
2


16
5
23
k = 3 : yn+1 = yn + h
fn fn1 + fn2 ;
12
12
12


59
37
9
55
k = 4 : yn+1 = yn + h
fn fn1 + fn2 fn3 .
24
24
24
24

Si se quiere aplicar este metodo, por ejemplo para k=4, a la resolucion

de y = f (x, y), y(x0 ) = y0 , es necesario conocer y0 , y1 , y2 y y3 . Despues
se puede utilizar la formula de recurrencia para determinar y4 , y5 , . . .. Al
formular Adams sus metodos, el utilizaba la serie de Taylor de la solucion
en el punto inicial, sin embargo es mas c
omodo empezar con un metodo
a un paso del tipo de Runge-Kutta y luego utilizar el metodo multipaso
correspondiente.
En la construccion del metodo de Adams explcito dado por (VII.4.5),
se ha utilizado el polinomio de interpolaci
on p(t) fuera del intervalo
[xnk+1 , xn ]. Esta situacion puede provocar grandes errores, ver nuevamente
III.1. Por lo tanto, este inconveniente puede modificarse considerando los:

M
etodos de Adams Implcitos
La idea central de estos metodos consiste en considerar el polinomio p (t)
de grado k, que satisface
p (t) = fj

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

para,

(VII.4.9)

A diferencia de la version explcita fn+1 = f (xn+1 , yn+1 ) es todava desconocido. El siguiente paso es definir la aproximacion numerica por
Z xn+1
p (t)dt.
(VII.4.10)
yn+1 = yn +
xn

De la misma manera que en el caso explcito, la formula de Newton da

!
j1
k
Y
X

(t xni+1 )dt f [xn+1 , xn , . . . , xnj+1 ],

(VII.4.11)
p (t) =
j=0

i=0

de donde el metodo est

a dado por
yn+1 = yn +

Z
k
X
j=0

xn+1 j1
Y

xn

i=0

(t xni+1 ) f [xn+1 , xn , . . . , xnj+1 ].

(VII.4.12)

VII.4 M
etodos Multipasos

345

El caso mas simple de estas formulas de Adams implcitas consiste

cuando la division es equidistante, el metodo est
a dado por
yn+1 = yn + h

k
X

j j fn+1 ,

j=0

(VII.4.13)

donde
1
j!

j =

1 j1
Y
i=0

(i + s 1)ds =

s+j2
j

ds.

(VII.4.14)

an dados en la tabla VII.4.2.

Los primeros coeficientes j est
Tabla VII.4.2. Coeficientes para los metodos de Adams Implcitos.
j

j 1

1
1
1
19
3
863
375
33953

2
12
24
720
160
60480
24192
3628800

Casos particulares de los metodos de Adams implcitos son:

k = 0 : yn+1 = yn + hfn+1 = yn + hf (xn+1 , yn+1 );


1
1
k = 1 : yn+1 = yn + h
fn+1 + fn ;
2
2


8
1
5
k = 2 : yn+1 = yn + h
fn+1 + fn fn1 ;
12
12
12


19
5
1
9
k = 2 : yn+1 = yn + h
fn+1 + fn fn1 + fn2 .
24
24
24
24
Cada una de estas formulas representa una ecuacion no lineal para yn+1 , que
es de la forma
yn+1 = n + hf (xn+1 , yn+1 ).
(VII.4.15)
que puede ser resuelta por el metodo de Newton o simplemente por el metodo
iterativo simple.

M
etodos Predictor-Corrector
Los metodos de Adams implcitos tienen la gran ventaja sobre la version
explcita, por que las soluciones provistas son mas realistas. Sin embargo la
gran dificultad de estos metodos es la resolucion de (VII.4.15). En algunos
casos particulares, como en el caso de los sistemas lineales, esta resolucion

346

VII Ecuaciones Diferenciales

podr
a hacerse directamente, pero en el caso general la utilizaci
on de un
metodo iterativo para resolver el sistema no lineal es necesaria. Por otro lado,
es necesario recalcar que yn+1 es una aproximacion de la solucion exacta,
motivo por el cual es natural pensar que un c
alculo muy preciso de yn+1
tal vez no sea necesario. Es por eso, que una mejora de esta situacion puede
darse de la manera siguiente. Primero calcular una primera aproximacion por
un metodo explcito, luego corregir este valor, una o varias veces, utilizando
la formula (VII.4.15). Con este algoritmo, un paso de este metodo toma la
forma siguiente:
Pk1
P: se calcula el predictor yn+1 = yn + h j=0
j j fn por el metodo de
Adams explcito; yn+1 es ya una aproximacion de y(xn+1 ).
E: evaluaci
on de la funcion: se calcula fn+1 = f (xn+1 , yn+1 ).
C: la aproximacion corregida est
a dada por yn+1 = n + h fn+1 .
E: calcular fn+1 = f (xn+1 , yn+1 ).
Este procedimiento, que se lo denota PECE, es el mas utilizado. Otras
posibilidades son: efectuar varias iteraciones, por ejemplo PECECE, o de
omitir la u
ltima evaluaci
on de f , es decir PEC, y de tomar fn+1 en el lugar
de fn+1 para el paso siguiente.

Metodos BDF
Se ha visto que los metodos de Adams, tanto en su version explcita, como
en su version implcita consideran polinomios de interpolaci
on que pasan
por los fj . Esta manera de abordar el problema de la aproximacion de las
soluciones de un problema diferencial es eficaz cuando el problema diferencial
es bien condicionado, pero estos pueden volverse muy costosos desde el
punto de vista computacional para los problemas diferenciales rgidos. Por
consiguiente, puede ser interesante de utilizar el metodo de las diferencias
retr
ogradas que ser
a descrito en esta subseccion.
La idea central de los metodos BDF consiste en considerar el polinomio
q(t) de grado k, ver figura VII.4.2, definido por
q(xj ) = yj ,

para

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

(VII.4.16)

y se determina yn+1 , de manera que

q (xn+1 ) = f (xn+1 , q(xn+1 )).

(VII.4.17)

Como en la formula (VII.4.11), la formula de Newton da

q(t) =

k
X
j=0

j1
Y
i=0

(t xni+1 ) y[xn+1 , xn , . . . , xnj+1 ].

(VII.4.18)

VII.4 M
etodos Multipasos

347

Cada termino de esta suma contiene el factor (t xn+1 ), de donde es muy

facil calcular q (xn+1 ), obteniendo as
k
X
j=0

j1
Y
i=1

(xn+1 xni+1 ) y[xn+1 , xn , . . . , xnj+1 ] = f (xn+1 , yn+1 ).

(VII.4.19)
yn+1

ynk+1

x nk+1

q(t)

yn
yn1

xn

x n1

x n+1

Figura VII.4.2. Metodo de tipo BDF

Para el caso equidistante, (VII.4.19) utilizando (VII.4.6) se convierte en
k
X
1
j=1

j yn+1 = hfn+1 .

(VII.4.20)

Obteniendo de esta manera, los siguientes casos particulares:

k = 1 : yn+1 yn = hfn+1 ;
3
1
k=2:
yn+1 2yn + yn1 = hfn+1 ;
2
2
11
3
1
k=3:
yn+1 3yn + yn1 yn2 = hfn+1 ;
6
2
3
4
1
25
yn+1 4yn + 3yn1 yn2 + yn3 = hfn+1 .
k=4:
12
3
4
De nuevo, cada formula define implcitamente la aproximacion numerica
yn+1 .

Estudio del Error Local

Al igual de los metodos a un paso, como los metodos de Runge-Kutta, existe
la noci
on de orden para los metodos multipasos, el cual est
a ntimamente
ligado al estudio del error local.

348

VII Ecuaciones Diferenciales

Los metodos multipasos pueden expresarse bajo la forma siguiente
k
X

i yn+i = h

k
X

i fn+i ,

(VII.4.21)

i=0

i=0

donde k 6= 0 y |0 | + |0 | > 0. El metodo es explcito si k = 0, si no el

metodo es implcito.
Definici
on VII.4.1.- Sea y(x) una solucion de y = f (x, y(x)) y sea
yn+k el valor obtenido por el metodo (VII.4.21) utilizando yi = y(xi ) para
i = n, . . . , n + k 1, ver figurar VII.4.3. Entonces
error local = y(xn+k ) yn+k .

(VII.4.22)

Se dice que el metodo (VII.4.21) tiene el orden p si el error local es O(hp+1 ).

yn+k1

y(x)

y n+1
yn

xn

yn+k

x n+k1

xn+1

x n+k

Figura VII.4.3. Definicion del error local.

Para estudiar el error local de un metodo multipaso, se utiliza el operador
L definido por:
L(y, x, h) =

k
X
i=0

(i y(x + ih) hi y (x + ih)) .

(VII.4.23)

Como yi = y(xi ), para i = n, . . . , n + k 1 en la definicion dada mas arriba,

se tiene que fi = f (xi , y(xi )) = y (xi ) para i = n, . . . , n + k 1 y la formula
(VII.4.21) puede ser expresada bajo la forma
k
X
i=0

i y(xn + ih) + k (yn+k y(xn+k )) =h

k
X

i y (xn + ih)

i=0

+ h(fn+k f (xn+k , y(xn+k ))),

lo que es equivalente a


f
L(y, xn , h) = k I hk (. . .) (y(xn+k ) yn+k ),
y

(VII.4.24)

VII.4 M
etodos Multipasos

349

el argumento de f /y puede ser diferente para cada linea de esta matriz,

ver el teorema del valor medio o incrementos finitos. La formula muestra que
el error local del metodo (VII.4.21) es O(hp+1 ) si y solamente si L(y, x, h) =
O(hp+1 ) para toda funcion y(x) que es suficientemente derivable.
Teorema VII.4.2.- Un metodo multipaso tiene el orden p, si y solamente
si sus coeficientes satisfacen
k
X

k
X

i = 0 y

i=0

i iq = q

i=0

k
X

iq1 para q = 1, . . . , p.

(VII.4.25)

i=0

Demostraci
on.- En la formula (VII.4.23), se desarrolla las expresiones
y(x + ih) y y (x + ih) en serie de Taylor y obteniendo
L(y, x, h) =

k
X

i=0

y (q) (x)

g0

= y(x)

k
X
i=0

k
X
X
(ih)q
(ih)r
i
y (r+1) (x)
h
q!
r!
i=0
r0

X
g1

(q)

hq
(x)
q!

k
X
i=0

i i q

k
X
i=0

La condici
on L(y, x, h) = O(hp+1 ) da la condici
on (VII.4.25).

q1

Ejemplo
Considerese el metodo de Adams explcito a k pasos. Para q k, se
considera la ecuacion diferencial y = qxq1 cuya solucion es y(x) = xq .
En esta situacion, el polinomio p(t) de (VII.4.2) es igual a f (t, y(t)) y el
metodo de Adams explcito da el resultado exacto. Por consiguiente, se
tiene L(y, x, h) = 0, ver la formula (VII.4.24) lo que implica
k
X
i=0

i (x + ih)q qi (x + ih)q1 h = 0

y por lo tanto (VII.4.25), planteando x = 0. Entonces, el orden de este

metodo es k. Se puede mostrar que efectivamente el orden es igual a
k.
De la misma manera, se muestra que el metodo de Adams implcito tiene
el orden p = k + 1 y el metodo BDF el orden p = k.

Estabilidad
A simple vista la relacion (VII.4.25) permite formular metodos multipaso con
un n
umero dado de pasos con un orden optimal. Sin embargo la experiencia

350

VII Ecuaciones Diferenciales

numerica mostro que los resultados obtenidos no siempre eran validos. Es

por eso necesario introducir una nueva nocion en el estudio de estos metodos.
Esta nocion est
a intimamente ligada a la estabilidad del metodo. Para
comprender mejor el problema que se plantea con los metodos multipaso,
es necesario referirse al siguiente ejemplo enunciado por Dahlquist en 1956.
Se plantea k = 2 y se construye un metodo explicito, 2 = 0, 2 = 1
con un orden maximal. Utilizando las condiciones dadas por (VII.4.25) con
p = 3, se llega al siguiente esquema:
yn+2 + 4yn+1 5yn = h(4fn+1 + 2fn ).

(VII.4.26)

yn+2 + 4(1 h)yn+1 + (5 + 2h)yn = 0.

(VII.4.27)

Una aplicaci
on a la ecuacion diferencial y = y con y(0) = 1 da la formula
de recurrencia
Para resolver la ecuacion precedente, se calcula el polinomio caracterstico
de esta, obteniendo
2 + 4(1 h) (5 + 2h) = 0,

(VII.4.28)

ecuacion de segundo grado cuyas soluciones son

1 = 1 + h + O(h2 ),

La solucion de (VII.4.27) tiene la forma

2 = 5 + O(h).

yn = C1 1n + C2 2n

(VII.4.29)

donde las constantes C1 y C2 est

an determinadas por y0 = 1 y y1 = eh . Para
n
n grande, el termino C2 2 C2 (5)n es dominante y ser
a muy dificil que
la solucion numerica converga hacia la solucion exacta. Ver figura VII.4.4.

3.0

h=0.01

h=0.05

2.0

1.0
.0

h=0.025
.5

h=0.1
1.0

Figura VII.4.4. Inestabilidad del metodo VII.4.26.

VII.4 M
etodos Multipasos

351

La raz
on de la divergencia de la solucion numerica en el ejemplo precedente,
es que el polinomio
k
X
i i ,
(VII.4.30)
() =
i=0

tiene una raiz que es mas grande que 1 en valor absoluto.

Para encontrar una condici
on necesaria para la convergencia, se considerar
a el problema y = 0 con valores iniciales y0 , y1 , . . . , yk1 perturbados.
La solucion numerica yn satisface:
k yn+k + + 0 yn = 0,

(VII.4.31)

y est
a dada por una combinacion lineal de:
n . . . . . . . . . . . . . . . . . . . . si es una raiz simple de () = 0,
n , n n . . . . . . . . . . . . . . . si es una raiz doble de () = 0,
n , n n , . . . , nl l . . . . . . si es una raiz de multiplicidad l.
Para que la solucion numerica quede acotada, es necesario que las
condiciones de la definicion siguiente sean satisfechas.
Definici
on VII.4.3.- Un metodo multipaso es estable, si las raices del
polinomio () satisfacen 
= 0 entonces  1,
i) si ()
 
= 0 y  = 1 entonces es una raiz simple de ().
ii) si ()
Se puede mostrar facilmente que los metodos de Adams tienen como
polinomio caracterstico
() = k1 ( 1).
Por consiguiente los metodos de Adams son estables para la definicion que
acaba de ser enunciada. Por otro lado se muestra igualmente que los metodos
BDF son estables solamente para k 6.
Existe un resultado muy importante en la teora de la estabilidad de los
metodos multipaso, cuya demostracion escapa a los objetivos del libro. Este
resultado es conocido como la primera barrera de Dahlsquist.
Teorema VII.4.4.- Primera barrera de Dahlsquist. Para un metodo multipaso estable, el orden k satisface p k + 2 si k es par, p k + 1 si k es
impar y p k si el metodo es explcito.

Convergencia de los M
etodos Multipaso
Debido a la complejidad de la demostracion, en esta subsecci
on se
tratara, solamente el caso equidistante.

352

VII Ecuaciones Diferenciales

Teorema VII.4.5.- Supongase que los k valores de partida satisfagan

ky(xi ) yi k C0 hp , para i = 0, 1, . . . , k 1. Si el metodo multipaso
(VII.4.21) es de orden p y estable, entonces el metodo es convergente de
orden p, es decir el error global satisface
ky(xn ) yn k Chp ,

para xn x0 = nh Const.

(VII.4.34)

Demostraci
on.- El punto esencial de la demostracion es el siguiente: Se
escribe formalmente el metodo multipaso (VII.4.21) bajo la forma de un
metodo a un paso. El metodo multipaso es de la forma, suponiendo k = 1
yn+k =

k1
X

i yn+i + h(xn , yn , . . . , yn+k1 , h).

(VII.4.35)

i=0

Para un metodo explcito k = 0, est

a dada por
(xn , yn , . . . , yn+k1 , h) =

k1
X

i f (xn+i , yn+i ),

i=0

y para un metodo general, est

a definida implcitamente por
(xn , yn , . . . , yn+k1 , h) =

k1
X

i f (xn+i , yn+i )

(VII.4.36)

i=0

+ k f

xn+k , h(xn , yn , . . . , yn+k1 , h)

k1
X

i yn+i

i=0

Luego se considera los supervectores

Yn = (yn+k1 , . . . , yn+1 , yn )t ,
pudiendo de esta manera escribir el metodo dado por (VII.4.35), bajo la
forma
Yn+1 = AYn + h(xn , Yn , h),
(VII.4.37)
donde

k1 1 k2 1

0
1

A =
1

1 1

0
..
.
..
..
.
.

0 1
(x, Y, h)

0
O , (x, Y, h) =

..

..
.
0
0
(VII.4.37)

VII.4 M
etodos Multipasos

353

El siguiente paso en la demostracion es introducir el error local. Se considera

los valores yn , . . . , yn+k1 sobre la solucion exacta, denotando
Y (xn ) = (y(xn+k1 , . . . , y(xn+1 ), y(xn ))t ,

(VII.4.38)

y aplicando una vez el metodo multipaso. Esto da

Yn+1 = AY (xn ) + h(xn , Y (xn ), h).
La primera componente de Yn+1 Y (xn+1 ) es exactamente el error local
dado por (VII.4.22), mientras que las otras componentes son iguales a cero.
Como el metodo es de orden p, por hipotesis, se tiene




Yn+1 Y (xn+1 ) C1 hp+1 ,

xn+1 x0 = (n + 1)h Const.

(VII.4.39)
A continuacion se debe analizar la propagacion del error, es decir introducir
la estabilidad del metodo. Considerese una segunda solucion numerica,
definida por
Zn+1 = AZn + h(xn , Zn , h)
para

y estimar la diferencia Yn+1 Zn+1 . Como ilustraci

on del siguiente paso
en la demostracion se considerar
a solamente los metodos de Adams, pues el
caso general requiere de la utilizaci
on de otra norma, cuyo estudio escapa el
alcanze de este libro. Por consiguiente
yn+k zn+k yn+k1 zn+k1
..

yn+k1 zn+k1
.

..
yn+1 zn+1
yn zn
yn+1 zn+1

(xn , Yn , h) (xn , Zn , h)

0
.
+h
..

Utilizando la norma infinita y condici

on de Lipschitz para que es consecuencia de la de f (x, y), se obtiene
kYn+1 Zn+1 k (1 + h) kYn Zn k .

(VII.4.40)

Ahora se ver
a la acumulacion de los errores propagados. Esta parte de la
demostracion es exactamente igual que para los metodos a un paso, ver el

354

VII Ecuaciones Diferenciales

paragrafo VII.3 y la figura VII.4.5.

y0


y(xn )
En
E n1

e n1

e1
e

E1
y

x0

x1

x2 x 3

xn

Figura VII.3.2. Estimacion del error global para metodos multipaso.

Ejercicios
1.- Para los coeficientes del metodo de Adams explcito, demostrar la
formula de recurrencia siguiente:
1
1
1
m + m1 + m2 + +
0 = 1.
2
3
m+1
Indicaci
on.-Introducir la serie
G(t) =

j tj ,

j = (1)j

j=0

s
j

ds

y demostrar que
G(t) =

(1 t)s ds

log(1 t)
1
G(t) =
,
t
1t

enseguida, desarrollar la segunda formula en serie de Taylor y comparar

los coeficients de tm .
2.- Considerese la identidad
y(xn+1 ) = y(xn1 +

xn+1

f (t, y(t))dt

xn1

para la solucion de la ecuacion diferencial y = f (x, y).

VII.4 M
etodos Multipasos

355

a) Remplazar en la identidad la funcion desconocida f (t, y(t)) por el

polinomio p(t), como se ha hecho para construir el metodo de Adams
explcito. Deducir la formula de Nystron
yn+1 = yn1 + h

k1
X
j=0

j j fn .

b) Calcular los primeros j .

c) Verificar la identidad j = 2j j1 , donde j son los coeficientes
del metodo de Adams explcito.
3.- Mostrar que el metodo BDF a k pasos tiene orden k.
4.- Calcular el orden para la formula de Nystron, ver ejercicio 2.
5.- Un metodo multipaso se dice simetrico, si
j = kj ,

j = kj .

Mostrar que un metodo simetrico siempre tiene un orden par.

6.- Dado un predictor de orden p 1
k
X

iP yn+1 = h

k1
X

iP fn+1 ,

(P )

i fn+1 .

(C)

i=0

i=0

y un corrector de orden p
k
X
i=0

i yn+1 = h

k
X
i=0

a) Escribir el metodo P (EC)M E bajo la forma

Yn+1 = AYn + h(xn , Yn , h).
b) Mostrar que este metodo es convergente de orden p, si el corrector es
estable, no es necesario que el predictor sea estable.

Bibliografa

Al final de cada libro o artculo, se indica entre corchetes y car

acteres italicos
el captulo y/o seccion al que hace referencia.
J.H Ahlberg, E.N. Nilson & J.L. Walsh (1967): The Theory of Splines
and Their Applications. Academic Press, New York. [III.2]
G. Arfken (1985): Mathematical Methods for Physicists. Academic Press,
London. [I.3], [VI.2].
V.I. Arnold (1992): Ordinary Differential Equations. Springer-Textbook. [VII.1].
K.E. Atkinson (1978): An Introduction to Numerical Analysis. John
Wiley & Sons. [I], [III], [VI].
O.A Axelsson (1976): A class of iterative methods for finite element
equations. Comp. Math. in Appl. Mech. and Eng. 9. [II.4].
N. Bakhbalov (1976): Methodes Numeriques. Editions Mir, Moscou. [I],
[III], [VI].
C. de Boor (1978): A Practical Guide to Splines. Springer-Verlag, Berlin.
[III.2].
C. Brezinski (1977): Acceleration de la Convergence en Analyse Numerique. Lectures Notes in Mathematics, Nr. 584, Springer-Verlag. [III.3], [VI.3].
J.C Butcher (1987): The Numerical Analysis of Ordinary Differential
Equations. John Wiley & Sons. [VII].
H. Cartan (1977): Cours de Calcul Differentiel. Hermann, Paris. [IV.2],
[IV.3].
P.G Ciarlet (1982): Introduction a
` lanalyse numerique matricielle et a
`
loptimisation. Mason, Paris. [II].
M. Crouzeix & A.L. Mignot (1984): Analyse Numerique des Equations
Differentielles. Mason, Paris. [III], [VI] , [VII].
G. Dahlquist & A. Bj
orck (1974): Numerical Methods. Prentice-Hall. [I],
[III], [VI].
R. Dautray & J.L. Lions (1988): Mathematical Analysis and Numerical
Methods for Science and Technology, volume 2, Functional and Variational
Methods. Springer-Verlag. [VI.4].
P.J. Davis & P. Rabinowitz (1975): Methods of Numerical Integration.
Academic Press, New York. [VI].

358

Bibliografa

J. Dieudonne (1980): Calcul Infinetisimal. Hermann, Paris. [IV.1],

[IV.2], [VI.4].
J.J. Dongarra, C.B. Moler, J.R. Bunch & G.W. Stewart (1979): LINPACK Users Guide. SIAM, Philadelphia. [II].
A. Gramain (1988): Integration. Hermann, Paris. [VI.1], [VI.4].
R.P. Grimaldi (1989): Discrete and Combinatorial Mathematics. Addison-Wesley Publishing Company. [II.3].
E. Hairer, S.P. Nrsett & G. Wanner (1987): Solving Ordinary Differential Equations I. Nonstiff Problems. Springer Series in Comput. Math., vol.
8. it [VII].
E. Hairer & G. Wanner. Solving Ordinary Differential Equations. Stiff
Problems. Springer Series in Comput. Math., vol. 11. [VII].
P. Henrici (1962): Discrete Variable Methods in Ordinary Differential
Equations. John Wiley & Sons. [VII].
R.A. Horn & C.R. Johnson (1985): Matrix Analysis. Cambridge University Press. [II.1], [V.1].
G.H Golub & C.F. Van Loan (1989): Matrix Computations. The Johns
Hopkins University Press, Baltimore and London. [II].
K.L. Kantorovitch & G. Akilov (1981): Analyse Fonctionnelle, Volume2.
Editions Mir, Moscou. [IV.2], [IV.3]
V.I. Krylov (1962): Approximate calculation of integrals. Macmillan, New
Yor. [VI].
S. Lang (1987): Linear Algebra. Springer-Verlag. [II], [V].
M. Marden (1966): Geometry of Polinomials. American Mathematical
Society, Providence, Rhede Island, 2nd Edition. [IV.1]
J.M. Ortega & W.C. Rheinboldt (1970): Iterative Solution of Nonlinear
Equations in Several Variables. Academic Press, New York. [IV].
A.M. Ostrowski (1966): Solution of Equations and Systems of Equations.
Academic Press, New York, 2nd edition. [IV].
B.N. Parlett (1980): The Simmetric Eigenvalue Problem. Prentice-Hall,
Englewood Cliffs, New Jersey. [V].

R. Piessens, E. de Doncker-Kapenga, C.W. Uberhuber

& D.K. Kahaner
(1983): QUAD-PACK. A Subroutine Package for Automatic Integration.
Springer Series in Comput. Math., vol. 1. [VI].
W.H Press, B.R. Flannery, S.A Teukolsky & W.T Vetterling (1989):
Numerical Recipies. The Art of Scientific Computing (Version FORTRAN).
Cambridge University Press, Cambridge. [VI.4].
C.R. Rao: (1973): Linear Statistical Inference and Its Applications.
John Wiley & Sons. [II.5]

Bibliografa

359

W. Rudin (1976): Principles of Mathematical Analysis. MacGraw Hill,

trird edition. [IV.2], [VI.1].
A.A Samarski & E.S. Nikolaev (1982): Metodos de solucion de las
ecuaciones reticulares, Tomo I y II. Editorial Mir, Moscou. [III.3], [III.4]
B.T. Smith, J.M. Boyle, Y. Ikebe, V.C. Klema & C.B Moler (1970):
Matrix Eigensystem Routines: EISPACK Guide. 2nd ed., Springer-Verlag,
New York. [V]
J. Stoer & R. Bulirsch (1980): Introduction to Numerical Analysis.
Springer-Verlag, New York. [I], [III], [VI].
G.H. Stewart (1973): Introduction to Matrix Computations. Academic
Press, New York. [II].
L. Swhwartz (1970): Analyse, Topologie generale et analyse fonctionnelle. Hermann, Paris. [IV.2].
R.A. De Vore & G.G. Lorentz (1991): Constructive Approximation.
Springer-Verlag. [III.2].
J.H. Wilkinson (1963): The Algebraic Eigenvalue Problem. Clarendon
Press, Oxfordd. [V].
J.H. Wilkinson (1965): Rounding Errors in Algebraic Process. PrenticeHall, New York. [I].
J.H. Wilkinson (1969): Rundungsfehler. Springer-Verlag, Berlin. [I], [II].
J.H. Wilkinson & C. Reinsch (1971): Handbook for Automatic Computation, Volume II, Linear Algebra. Springer-Verlag, New York. [II], [V].
FORTRAN/9000 Reference (1991): Hewlett-Packard Company. [I.2].

Indice de Smbolos

Los smbolos matematicos que aparecen en el libro, est

an enunciados en este
glosaria de la manera siguiente. En la primera columna el smbolo mismo, al
medio el nombre de este y a la derecha la pagina donde est
a definido.
P(x)
arr(x)
eps
kk
kk

problema, 2.
redondeo de x, 8.
precisi
on de la computadora, 8.
norma de vector, 25.
norma de matriz, 26.
1
vector 1, 29.
cond(A)
condici
on de la matriz A, 29.
LR
descomposici
on de Gauss, 37.
diag(r1 , r2 , . . . , rn ) matriz diagonal, 45.
D1/2
matriz raiz cuadrada, 45.

coeficiente de relajaci
on, 56.

producto tensorial de matrices, 60.

kxkA
norma natural, 72.
Q
matriz ortogonal, 87.
A+
pseudo inversa de una matriz, 93.
y[xi0 , . . . , xik ]
diferencia dividida de orden k, 107.
k yi
diferencia finita progresiva, 109.
k yi

diferencia finita regresiva, 109.

Tn (x)
polinomio de Chebichef, 113.
li (x)
polinomio de Lagrange, 116.
n
constante de Lebesgue, 116.
fx
aplicaci
on derivada, 168.
(A)
radio espectral, 171.
ker
nucleo de una aplicaci
on lineal, 214.
A ()
polinomio caracterstico, 214.
A
matriz adjunta, 215.
U
matriz unitaria, 215.
Pk ( )
nucleo de Peano de orden k, 251.
Pk (x)
polinomio de Legendre, 262.
FN
transformada discreta de Fourier, 286.
yk
producto de convolucion, 292.

Indice Alf
abetico

acelerador de convergencia, 147,

276
Adams
metodo explcito, 341
metodo implcito, 343
Aitken, 276
algoritmo, 2
biseccion, 161, 164
Cholesky, 43
epsilon, 278
Euclides, 157
Gauss, 37
H
orner, 3,7
aplicaci
on de spline, 142
aproximacion de Broyden, 198
armonica, sucesion, 148
axiomas de Moore-Penrose, 96
BDF, metodos, 345
Broyden, 198
Brusselator, 339
Bulirsch, sucesion, 148
busqueda
de Fibonacci, 129
de pivote parcial, 41
c
alculo derivada, 177
c
alculo variacional, 310
Cardano, 154
Cauchy, 297
cero
localizacion, 155
multiplicidad, 105
Chebichef
polinomio, 73, 113
puntos, 116
teorema, 74
cociente de Rayleigh, 223,
227
constante
de Lebesgue, 116

condici
on
del problema a valores propios, 217
del problema lineal,30,33
de un problema, 10
de una matriz, 29,30
Lipschitz, 297,298
construccion
polinomio de interpolaci
on, 106
metodo de orden 4, 327
spline, 133
convergencia
acelerador, 147
interpolaci
on, 119
metodo de Gauss-Newton, 204
metodo de Gauss-Seidel, 49
metodo de Jacobi, 49
metodos de Runge-Kutta, 335
metodos multipaso, 350
spline, 133
costo, 3
descomposici
on LR, 39
descomposici
on QR, 90
transformada rapida de Fourier, 291
Cramer, regla de, 35
Dahlsquist, primera barrera, 350
descomposici
on
Cholesky, 44, 45
Jordan, 219
LR, 37, 38, 39
QR, 87
Schur, 215, 234
valores singulares, 94
diferencias
divididas, 107
finitas, 109
direccion
conjugada, 69, 70
Newton, 194
dispositivo
ideal de c
alculo, 2
material de c
alculo, 8
Dormand & Prince, 332

364
ecuaciones
con derivadas parciales, 59
cuadraticas, 152
c
ubicas, 153
de grado cuarto, 154
diferenciales, 296
Euler-Lagrange, 310
no resolubles por radicales, 155
resolubles por radicales, 152
eficiencia, 3
-algoritmo, 278
error
de aproximacion, 5
de la aproximacion spline, 136
de interpolaci
on, 111
del metodo, 5
de truncacion, 4
formula de cuadratura, 250
extrapolaci
on, 149
metodo gradiente, 68
metodo gradiente condicionado, 72
metodo Gauss-Newton, 205,
metodo Multipaso, 346
metodo Newton, 176
transformada discreta de Fourier,
287
errores de redondeo, 115
estabilidad
algoritmo de Gauss, 41,42,43
backward analysis, 13
forward analysis, 12
metodo de Euler, 319
metodo de Euler explcito, 322
metodo multipaso, 348
numericamente estable, 12
Euler
efecto de los errores de redondeo,
317
estabilidad, 319
metodo, 313
metodo implcito, 321
polgono, 313
extrapolaci
on
polinomial, 145
tablero, 147
error, 149

betico
Indice Alfa

factorizaci
on,
incompleta de Cholesky, 77
fen
omeno de Runge, 124
FFT, 290
Fibonacci, busqueda, 129
formas tridiagonales, 227
formula
de Cardano, 154
de Newton, 107
de Nystrom, 354
de Rodrguez, 262
formula de cuadratura, 248
error, 250
Gauss,
264266
orden, 249
orden elevado, 259
simetrica, 249
Fourier
error, 287
serie de, 284
transformada, 284
transformada discreta, 286
transformada rapida, 290
funcion
integrable, 244
modelo, 83
ortogonal, 260
peso, 259
funciones con oscilaciones, 281
Galois, teorema, 155
GAUINT, 272
Gauss,
algoritmo de eliminacion, 36, 37
formulas de cuadratura,
264266
convergencia Gauss-Newton, 204
metodo Gauss-Newton, 203
Gerschgorin, teorema, 156, 232
grado de aproximacion, 120
grafo dirigido, 49
Hermite, 104, 138
Heun, 325

 betico
Indice Alfa

Interpolaci
on
convergencia, 119
de Lagrange, 104108
de Hermite, 104
trigonometrica, 289
Kantorovich, ver teorema
Konrad, 271
Lagrange, 104
-estrategia, 194
Lebesgue, 116
Levenberg-Marquandt, 210
Lipschitz, 297
mantisa, 8
matriz
adjunta, 215
definida positiva, 43
Frobenius, 155, 221
Hessenberg, 227
Hilbert, 31, 87
Householder, 88, 228
irreducible, 49, 50
no-negativa, 50
normal, 216
ortogonal, 30
pseudo-inversa de una, 92
simetrica, 43
tridiagonal, 227
Toeplitz, 292
unitaria, 215
Vandermonde, 31
metodo,
Adamas explcitos, 341
Adamas implcitos, 343
a un paso, 323
BDF, 345
de la biseccion, 229
de la potencia, 223
de la potencia generalizada, 233
de la potencia inversa, 225
Dormand & Prince, 332
encajonados, 330
Euler, 313, 325
falsa posici
on, 165
Gauss Newton, 203-205
Gauss Seidel, 4856
Gradiente, 67
Gradiente Conjugado, 69
Gradiente Conjugado
Precondicionado, 75

365
Heun, 325
iterativos, 163172
iterativo simple, 169
Jacobi,4856
Levenberg-Marquandt, 210
Maehly, 158
Multipaso, 341
Newton, 157, 174199
Newton con Relajaci
on, 193
Newton Simplificado, 184
predictor-corrector, 344
QR, 237
QR con shift, 238
Sobrerelajaci
on SOR, 56, 58
Runge-Kutta, ver Runge-Kutta
SSOR precondicionado, 78
mnicmos cuadrados, 83
interpretacion estadstica, 84
interpretacion geometrica, 85
Misovski,
ver teorema Newton-Misovski
modificaciones de Gauss-Newton, 207
modulo de continuidad, 121
Newton
direccion, 194
Kantorovich, 185
metodo, 157, 174199
metodo con Relajaci
on, 193
metodo simplificado, 184
Misovski, 179
regla de, 247
norma,
absoluta, 26
ciudad-bloque, 25
de la convergencia uniforme, 25
de una matriz, 26
de un vector, 25
euclidiana, 25
Frobenius, 33
monotona, 26
natural, 72
Nucleo de Peano, 251254
nucleo resolvente, 303
operaci
on elemental, 2
orden
formula de cuadratura, 249
metodo de Runge-Kutta, 325
construccion de
un metodo de orden 4, 327

366

betico
Indice Alfa

Peano, 251254
region de estabilidad, 320
Pearson, 99
regla
Perron-Frobenius, 52
del punto medio, 246
pivote, 40
del trapecio, 246
polgono de Euler, 313
de Newton, 247
polinomio
de Simpson, 247
caracterstico, 214
Cramer, 35
Chebichef, 73, 113, 262
resolvente, 303
Rodriguez, 262
Hermite, 104
interpolaci
on de Hermite, 104, 138, 262 Romberg, 148
Runge-Kutta
interpolaci
on de Lagrange, 104
condiciones de orden, 327,328
Jacobi, 262
convergencia, 335
ortonormales, 260
error glogal, 335
Lagrange, 104, 105
error local, 325
Laguerre, 262
Dormand-Prince, 332
Legendre, 262, 263
esquema, 325
precisi
on de la computadora, 8
Euler, 325
primitiva, 245
Heun, 325
problema, 2
Kutta, 330
a valor inicial, 296
metodos, 324
bien condicionado, 10
metodos encajonados, 330
con valores en la frontera, 300
orden, 325
de Cauchy, 296
regla 3/8, 330
de minimizacion, 66
Runge, 325
mal condicionado, 10
soluciones continuas, 333
potencia inversa de Wielandt, 225
procedimienteo 2 de Aitken, 276
Schur, 215,234
producto
serie de Fourier, 284
de Kronecker, 65
Shooting
escalar de funciones, 260
m
ultiple, 307
sesquilineal, 284
simple, 303
tensorial de matrices, 60
soluciones continuas, 333
Property A de Young, 55
SOR, 56
punto
Spline
flotante, 8
aplicaci
on,142
de Chebichef, 117
construccion, 133
punto fijo, 169
c
ubico, 131,132
pseudo-inversa de una matriz, 92
error, 136
fijo en los bordes, 132
QUADPACK, 271
natural, 132
SSOR precondicionado, 78
Rayleigh, 223,227
radio espectral, 58
redondeado, 8

 betico
Indice Alfa

optimal, 58
Sturm, 159
sucesiones
armonica, 148
Bulirsch, 148
Romberg, 148
Sturm, 159
Sylvester, 232
tablero de extrapolaci
on, 147
teorema
Cauchy-Lipschitz, 297, 315
Chebichef, 74
Dirichlet, 285
del Muestreo, 289
Fundamental del Algebra, 152
Galois, 155
Gerschgorin, 156, 232
Jordan, 219
Newton-Kantorovich, 185
Newton-Misovski, 179
Pearson, 99
Perron-Frobenius, 52
punto fijo, 169
Schur, 215
Sylvester, 232
Weirstrass, 124
Wilkinson, 42
Wynn, 278
transformada
discreta de Fourier, 286
r
apida de Fourier, 290
valor absoluto de un vector, 26
valor propio, 215
valores singulares, 94
Van der Pol, 305
vector propio, 215
Weirstrass, 124
Wilkinson, 42
Wynn, 278

367

368

betico
Indice Alfa

Una Introducci
on al An
alisis Num
erico es un libro
que pretende dar un enfoque moderno de los topicos
introductorios de esta disciplina. Las nociones de
estabilidad y error son analizadas minuciosamente en cada
tema. La formulacion de metodos y algoritmos es tratada
de una manera construccionista, evitando de esta manera
las recetas y trucos que aperecen en otros libros.
El libro cuenta con siete captulos que dan una idea de
lo que constituye actualmente el An
alisis Numerico. Estos
son: Preliminares, Sistemas Lineales, Interpolaci
on,
Ecuaciones No Lineales, Calculo de Valores Propios,
Integracion Numerica y Ecuaciones Diferenciales.
Por sus caractersticas, este libro puede utilizarse como
texto base, o bien como un complemento bibliografico.
Esta destinado a alumnos o profesionales interesados en
el An
alisis Numerico. Como prerequisito para una buena
utilizaci
on de este libro, se requiere tener los conocimientos
b
asicos de analisis y algebra lineal