Mtodos Numricos.

50
45
40
35
30
25
20
15
10
5
0
-2 0

- 32 0

-2 0

-1 0

10

20

30

Apuntes de clase.
Marco Antonio Pinto Ramos.

Mtodos Numricos
1. INTRODUCCIN Y PRECISIN EN LOS
CLCULOS NUMRICOS
1.1 Introduccin a los mtodos numricos
1.2 Cifras Significativas
1.2.1 Exactitud y precisin
1.2.2 Errores
1.3 Representacin de nmeros en la computadora
1.3.1 Sistemas numricos
1.3.1.1 Sistema binario
1.3.1.2 Sistema octal
1.3.1.3 Sistema hexadecimal
1.3.1.4 Sistema decimal
1.3.2 Representacin entera
1.3.3 Representacin de punto flotante
1.4 Algoritmos
1.4.1 Estabilidad
1.4.2 Convergencia
1.4.3 Recursividad
1.5 Series y sucesiones
1.5.1 Series
1.5.1.1 Series geomtricas
1.5.1.2 Series aritmticas
1.5.1.3 Series de Taylor
1.5.1.4 Series de Fourier
1.5.1.5 Series de Binomio
1.5.2 Sucesiones
1.5.2.1 Sucesiones geomtricas
1.5.2.2 Sucesiones aritmticas
1.6 Nmero de condicin
2. RACES DE ECUACIONES
2.1 Aproximacin grfica
2.2 Mtodo de Biseccin
2.3 Mtodo de Falsa Posicin
2.4 Mtodo de Newton Raphson
2.5 Mtodo de la Secante
2.6 Races mltiples
2.6.1 Mtodo de Newton Raphson modificado para
races mltiples
2.6.2 Mtodo de Mller

3. SISTEMAS DE ECUACIONES LINEALES

3.1 Matrices
3.2 Regla de Cramer
3.3 Eliminacin de Gauss Simple
3.4 Gauss Jordan
3.5 Normas de Vector y Matrices
3.6 Descomposicin LU
3.7 Descomposicin de Crout
3.8 Descomposicin de Cholesky
4. APROXIMACIN FUNCIONAL E
INTERPOLACIN
4.1 Ajuste de curvas
4.2 Ajuste por Mnimos Cuadrados
4.3 Interpolacin de polinomios con Diferencias Divididas
de
Newton
4.4 Interpolacin con polinomios Lagrange
4.5 Interpolacin Segmentara
5. INTEGRACIN Y DIFERENCIACIN
NUMRICA
5.1 Mtodos de de Newton-Cotes
5.1.1 Mtodo del Trapecio
5.1.2 Mtodo de Simpson un tercio
5.1.3 Mtodo de Simpson tres octavos
5.2 Cuadratura de Gauss
5.3 Diferenciacin Numrica
6. SOLUCIN NUMRICA DE ECUACIONES
DIFERENCIALES ORDINARIAS
6.1 Mtodo de Euler
6.2 Mtodo de Runge-Kutta
6.3 Sistemas de Ecuaciones
6.4 Mtodos de Runge-Kutta

BIBLIOGRAFA
1. ANLISIS NUMRICO*
Richard L. Burden/ J. Douglas Faires
Grupo Editorial Iberoamrica
2. MTODOS NUMRICOS PARA INGENIEROS*
Chapra, Canale
Ed. McGraw Hill, Mxico
3. MTODOS NUMRICOS / Aplicados a la Ingeniera
Antonio Nieves/Federico C. Domnguez Ed. CECSA
* Disponibles en Biblioteca Central UABC

Mtodos Numricos
Unidad I........................................................................................................................... 1
Introduccin................................................................................................................... 1
Aproximacin numrica y teora de errores................................................................ 1
Errores inherentes........................................................................................................................ 2
Errores de truncamiento............................................................................................................... 2
Errores de redondeo..................................................................................................................... 2
Error............................................................................................................................................. 3
Error relativo................................................................................................................................ 3
Error porcentual........................................................................................................................... 3
Cifras Significativas....................................................................................................... 4
Precisin y exactitud..................................................................................................... 4
Algoritmos...................................................................................................................... 4
Estabilidad...................................................................................................................... 5
Convergencia................................................................................................................. 5
Recursividad................................................................................................................... 6
Series y sucesiones....................................................................................................... 6
Criterio de convergencia y divergencia....................................................................... 7
Serie de Taylor............................................................................................................................. 7
Serie binomial.............................................................................................................................. 8
Serie de McLaurin........................................................................................................................8
Serie de Fourier............................................................................................................................ 9
Unidad II........................................................................................................................ 11
Solucin numrica de ecuaciones de una sola variable.......................................... 11
Aproximacin Grafica............................................................................................................... 11
Mtodo de Biseccin..................................................................................................................12
Mtodo de Falsa Posicin.......................................................................................................... 14
Mtodo de Newton-Raphson..................................................................................................... 16
Mtodo de la secante................................................................................................................. 18
Races Mltiples.........................................................................................................................20
Mtodo de Newton-Raphson modificado para races mltiples................................................ 21
Mtodo de Mller...................................................................................................................... 23
Unidad III ...................................................................................................................... 28
Solucin numrica de sistemas de ecuaciones........................................................ 28
Determinante de una matriz....................................................................................................... 31
Regla de Cramer........................................................................................................................ 32
Eliminacin de Gauss o Gaussiana Simple................................................................................ 34
Inversin de matrices................................................................................................................. 38
Descomposicin LU...................................................................................................................39
Descomposicin de CROUT......................................................................................................43
Descomposicin de Cholesky.................................................................................................... 47
Mtodo de Jacobi....................................................................................................................... 49
Mtodo de Gauss-Seidel............................................................................................................ 51
Normas de Vector y Matrices.................................................................................................... 53
Mnimos Cuadrados................................................................................................................... 56
Unidad IV....................................................................................................................... 57
Aproximacin funcional e interpolacin.................................................................... 57
Repaso de estadstica................................................................................................................. 57
I

Aproximacin por mnimos cuadrados en una recta..................................................................58

Interpolacin lineal.................................................................................................................... 60
Interpolacin cuadrtica............................................................................................................. 61
Interpolacin de Polinomios de Newton.................................................................................... 63
Interpolacin de polinomios de Lagrange..................................................................................65
Trazador Cbico.........................................................................................................................69
Integracin y diferenciacin numrica....................................................................... 72
Frmulas o ecuaciones de Newton-Cotes.................................................................................. 72
Integracin por el mtodo trapezoidal....................................................................................... 73
Aplicacin mltiple de la regla trapezoidal............................................................................... 75
Regla de Simpson . ................................................................................................................... 78
Unidad VI....................................................................................................................... 85
Solucin numrica de ecuaciones diferenciales...................................................... 85
Mtodo de Euler.........................................................................................................................86
Anlisis de error para el mtodo de Euler ................................................................................. 88
Mejoras al mtodo de Euler....................................................................................................... 91
Mtodo de Heun.........................................................................................................................91
Mtodos de Runge-Kutta............................................................................................. 94
Mtodos de Runge-Kutta de segundo orden.............................................................................. 94
Mtodo de Heun de un solo corrector ....................................................................................... 95
Mtodo de punto medio ............................................................................................................ 95
Mtodo de Ralston .................................................................................................................... 96
Mtodos de Runge-Kutta de tercer orden.................................................................................. 96
Mtodos de Runge-Kutta de cuarto orden................................................................................. 97
Mtodo de Runge-Kutta de orden superior................................................................................ 98
Ecuaciones diferenciales ordinarias de orden superior............................................................ 100

II

Mtodos Numricos
Unidad I.
Introduccin.
En el campo de la ingeniera y ciencias, existen infinidad de fenmenos que
requieren representarse mediante modelos matemticos. Desafortunadamente, la gran
mayora de estos modelos no tiene una solucin exacta no es fcil encontrarla. Es
estos casos es en donde los mtodos numricos proporcionan una solucin
aproximada al problema original. Un mtodo numrico es aquel que obtiene nmeros
que se aproximan a los que se obtendran aplicando la solucin analtica de un
problema.
Los mtodos numricos son herramientas extremadamente poderosas para la solucin
de problemas. Son capaces de manejar sistemas de ecuaciones grandes, no
linealidades geomtricas complicadas que son comunes en la practica de la ingeniera
y que, a menudo, son imposibles de resolver analticamente.
Aproximacin numrica y teora de errores
Debemos conformarnos siempre, en la prctica de la ingeniera y de las
ciencias, con una solucin aproximada a un problema por las siguientes razones:
Los modelos matemticos son aproximados esto es, simplificaciones al problema real.
No se toman en cuenta todos los factores que afectan a un fenmeno. Por ejemplo, en
el caso del tiro parablico, se suele despreciar la resistencia del aire, sin embargo, esta
puede ser importante.
Los modelos matemticos requieren de parmetros, los cuales la mayora de las veces
provienen de mediciones experimentales y estas, solo tienen una precisin limitada,
que depende del instrumento de medicin. Por ejemplo la constante de los gases
ideales. Tambin pueden provenir de clculos y estos tienen una precisin limitada que
depende tanto del mtodo como del instrumento de clculo que se utilicen. Por
ejemplo .
Los modelos matemticos resultantes son imposibles de resolver por mtodos
analticos y se debe de aproximar la solucin numricamente. Por ejemplo una
ecuacin de quinto grado.

Por lo anterior, humildemente tenemos que aceptar que siempre se tendrn presentes
errores, estos pueden clasificarse en:
Errores inherentes.
Errores de truncamiento.
Errores de redondeo.
Errores inherentes
Los errores inherentes son aquellos que tienen los datos de entrada de un
problema, y son debidos principalmente a que se obtienen experimentalmente,
debindose tanto al instrumento de medicin, como a las condiciones de realizacin del
experimento. Por ejemplo, s el experimento es a temperatura constante y no se logra
esto mas que en forma aproximada. Tambin pueden deberse a que se obtengan de
clculos previos. Por ejemplo el valor calculado es el de un nmero irracional como

2.
Errores de truncamiento
Los errores de truncamiento se originan por el hecho de aproximar la solucin

analtica de un problema, por medio de un mtodo numrico. Por ejemplo al evaluar la

funcin exponencial por medio de la serie de Taylor, se tiene que calcular el valor de la
siguiente serie infinita:
ex = 1 + x +

x2
2!

x3
3!

+ +

xN
N!

N= 0

xN
N!

Ante la imposibilidad de tomar todos los trminos de la serie, se requiere truncar

despus de cierto nmero de trminos. Esto nos introduce ciertamente un error, que es
el error de truncamiento. Este es independiente de la manera de realizar los clculos.
Solo depende del mtodo numrico empleado.
Errores de redondeo
Los errores de redondeo, se originan al realizar los clculos que todo mtodo
numrico o analtico requieren y son debidos a la imposibilidad de tomar todas las
cifras que resultan de operaciones aritmticas como los productos y los cocientes,
teniendo que retener en cada operacin el nmero de cifras que permita el instrumento
2

de clculo que se este utilizando. Por ejemplo al calcular el valor de

1
3

, tenemos que

conformarnos solo con la mayor cantidad de cifras 3, que maneje nuestro instrumento
de calculo.
Los errores anteriores tambin suelen denominarse como las fuentes de error.
La magnitud del error generada por alguna o todas las fuentes de error mencionadas
anteriormente, se puede cuantificar con ayuda de los siguientes parmetros:
Error.
Error relativo.
Error porcentual.
Error
El error se define como la diferencia entre el valor real Vr y una aproximacin a
este valor Va :
e = Vr Va
Error relativo
El error relativo se define como el cociente del error entre el valor real Vr
(s Vr 0 ):
er =

e Vr Va
=
Vr
Vr

En ciertos mtodos numricos se utilizan esquemas iterativos para calcular resultados.

En tales esquemas, se hace una aproximacin en base a la aproximacin anterior. Este
proceso se repite varias veces, o de forma iterativa, para calcular sucesivamente ms y
mejores aproximaciones.
En tales casos, el error a menudo se calcula como la diferencia entre aproximacin
previa y la actual por lo tanto, el error relativo porcentual o error porcentual esta dado
por:
Error porcentual
El error porcentual es simplemente el error relativo expresado en por ciento (%).
ep =

Vr Va
*100%
Vr
3

En 1966 Scarberough demostr que si el siguiente criterio se cumple puede tenerse la

seguridad de que el resultado es correcto en al menos n cifras significativas.
Es = 0.5 10 2 n
Cifras Significativas
El concepto de cifras significativas se ha desarrollado para designar formalmente
la confiabilidad de un valor numrico. El nmero de cifras significativas es el nmero de
dgitos que se puede usar con plena confianza. Por ejemplo podemos calcular un
nmero irracional con varias cifras, pero de ellas no todas, sobre todo las ltimas
pueden tomarse con plena confianza de que son correctas. Por otro lado, los ceros no
siempre son cifras significativas ya que pueden usarse solo para ubicar al punto
decimal. Por ejemplo los siguientes nmeros tienen todos 4 cifras significativas:
0.00001985, 0.0001985, 0.001985, 1985, 19.85.Para asegurar que un cero nos
represente una cifra significativa, es comn emplear la notacin cientfica. Por ejemplo
los siguientes nmeros tienen 3, 4 y 5 cifras significativas: 4.53 10 5 , 4.530 10 5
y 4.5300 10 5 . Tambin se suele poner explcitamente los ceros. Los siguientes
nmeros tienen 5 cifras significativas: 19850, 0.019850, 19.850.
Cifras significativas: Son aquellas que pueden usarse en forma confiable.
Precisin y exactitud
Los errores asociados con los clculos y mediciones se pueden caracterizar
observando su precisin y exactitud. La mayora de la gente piensa que estos trminos
son sinnimos, pero no es as. La precisin se refiere al nmero de cifras significativas
que representan una cantidad. La exactitud se refiere al grado de aproximacin que se
tiene de un nmero o de una medida al valor verdadero que se supone representa, es
decir, que tan cerca estamos del valor buscado. Por ejemplo, s leemos la velocidad del
velocmetro de un auto, esta tiene una precisin de 3 cifras significativas y una
exactitud de 5 Kmh.
Algoritmos
Algoritmo: Secuencia de pasos lgicos necesarios para llevar a cabo una tarea
especifica, generalmente los algoritmos se describen mediante un pseudocdigo. Y
pueden ser estables o inestables.
4

Ejemplo
Algoritmo hecho en pseudocdigo del promedio de n nmeros.
1.- Pedir datos
2.- Contar datos: n =nmeros de datos.
3.- Sumar los datos: suma = suma + dato(i )
4.- Dividir suma entre n : prom = suma / n
5.- Imprimir el prom
Estabilidad
Algoritmos estables: Son aquellos en los que los cambios pequeos en los datos
de entrada generan cambios pequeos al final o a la salida.
Algoritmos inestables: Son aquellos en los que los cambios pequeos en la entrada
producen grandes cambios en la salida.
Por ejemplo s en es un error en alguna etapa de un proceso y k es una constante
independiente de n el nmero de etapa, entonces s el error despus de n
operaciones se puede representar por f (n) = kn , se dice que el crecimiento del error
es lineal. S en cambio el error se representa por f (n) = k n para k > 1 , el crecimiento
del error se dice que es exponencial.
El crecimiento del error lineal es por lo general inevitable, y cuando k y n son
pequeos, los resultados son aceptables. El crecimiento del error exponencial debe ser
evitado, ya que el trmino k n ser grande, aun para valores relativamente pequeos de
n . Por lo tanto s el crecimiento del error es lineal el mtodo es estable y s es

exponencial es inestable.
Convergencia
Velocidad de convergencia (rapidez o razn de convergencia): Es el nmero de
iteraciones que requiere un clculo o algoritmo para converger o aproximarse a un
valor.
Es decir la convergencia se refiere al hecho de que los mtodos numricos obtienen n
trminos de una sucesin de valores. Comenzamos con un valor inicial que sea una
5

aproximacin de la solucin de un problema x0 Aplicando un mtodo numrico se

obtiene otra aproximacin x1 . Se repite el procedimiento para obtener x2 y as
sucesivamente, es decir, se generar la sucesin x0 , x1 , , xn (todos los trminos son
aproximaciones a la solucin del problema). S la sucesin obtenida al cabo de n
iteraciones tiende a un lmite se dice que el mtodo es convergente o divergente en
caso contrario.
Recursividad
Formula recursiva: Relaciona trminos sucesivos de una sucesin particular de
nmeros, funciones o polinomios, para proporcionar medios para calcular cantidades
sucesivas en trminos de las anteriores.
Series y sucesiones
Serie : 2,4,6,8,

(Infinita)

Sucesin : 2,4,6,8,10.

geomtrica
Series y Sucesiones
aritmtica

(Finita)

Sucesin aritmtica
a + (a + d ) + (a + 2d ) + + (a + ( N 1)d ) =

1
2

n( a + l )

donde: l = a + ( N 1)d y representa el ultimo termino de la sucesin.

Sucesin geomtrica
a + ax + ax + ax + + ax
2

N1

a (1 x N )
=
1 x

se dice que una sucesin es creciente si:

a n 1 an

decreciente si:
a n 1 an

Ejemplos
n

ax n (Geomtrica decreciente)

n= 1
0

ax n (Geomtrica creciente)

n=
0

(a + nb) (Aritmtica creciente)

n=

Criterio de convergencia y divergencia.

Sea

n= 1

una serie infinita dada y sea { S n } la sucesin de sumas parciales que

S n existe y es igual a S entonces se dice

definen esta serie infinita. Entonces si el Lim
n
que la serie converge y que S es la suma infinita dada.
S n , entonces se dice que la serie diverge no converge y S no tiene
Si coexiste al Lim
n
valor. Una serie infinita es convergente si y solo si, la secuencia correspondiente es
convergente.
Serie de Taylor
La serie de Taylor permite predecir o calcular el valor de una funcin en un punto
en trminos del valor de la funcin y sus derivadas en otro punto. Esto quiere decir que
cualquier funcin suave puede ser aproximada mediante un polinomio.
f ' ' ( a)( x a ) 2 f ' ' ' (a )( x a ) 3
f n (a )( x a ) n
f ( x ) = f (a) + f ' (a )( x a ) +
+
+ +
+ Rn
2!
3!
n!
Donde Rn es el trmino residual
f n 1 ( )h n + 1
Rn =
(n + 1)!
Algunas series tpicas de Taylor son las siguientes
ln(1 + x) = x

x2 x3 x4
xn
+

+ +
2
3
4
n
2

x 1 1 x 1
1 x 1
1 x 1
ln( x) =
+
+
+ +

x
2 x
3 x
n x

Para 1 < x 1
n

Para x

1
2

n
x 1 1 x 1 3 1 x 1 5
1 x 1
ln( x) = 2
+
+
+ +

5 x + 1
n x + 1
x + 1 3 x + 1

Para x > 0

sen( x) = x

x3 x5 x7
xn
+

+ +
3! 5! 7!
n!

Para < x <

cos( x) = 1

x2 x4 x6
+

+
2! 4! 6!

Para < x <

tan( x) = x +

1 3 2 5 17 7
x +
x +
x +
3
15
315

Para x <

sen 1 ( x ) = x +

1 x 3 1 3 x 5 1 3 5 x 7
+
+
+
2 3 2 4 5 2 4 6 7

Para x < 1

1 x 3 1 3 x 5 1 3 5 x 7
1

cos ( x) = sen ( x) = x +
+
+
+ Para x < 1
2
2
2 3 2 4 5 2 4 6 7

x3 x5 x7
senh( x) = x +
+
+
+
3! 5! 7!

Para < x <

x2 x4 x6
+
+
+
2! 4! 6!

Para < x <

cosh( x ) = 1 +

Serie binomial
(a + x) n = a n + na n 1 +

n(n 1)a n 2 2 n(n 1)(n 2)a n 3 3

x +
x +
2!
3!

Serie de McLaurin.
En matemticas a menudo se pueden representar funciones mediante una serie
infinita por ejemplo la funcin exponencial se puede utilizar usando
ex = 1+ x +

x 2 x3
xn
+
+ +
2! 3!
n!

Que es conocida como expansin de serie de McLaurin, que es una modificacin de la

serie de Taylor para cuando a = 0

Serie de Fourier
Sea f (x ) una funcin compleja peridica con perodo 2 , evaluada en dominio de
los nmeros reales e integrable sobre el intervalo -

a , es decir toda funcin

peridica puede ser representada por una suma de senos y csenos.

a0
+
2

f ( x) =

[a
n= 1

cos(n x) + bn s e n(n x)]

donde:
an =

1
f ( x) cos(n x)dx

bn =

f ( x) s e n( n x)dx

Cuadrada

Triangular

f (x )

f (x )

f ( x) =

4 Sen( x) Sen(3x ) Sen(5 x)

+
+
+

1
3
5

Diente de sierra

f ( x) =

4 Cos ( x) Cos (3x ) Cos (5 x)

+
+
+
2
2
2 1
3
5

Senoidal Rectificada

f (x )

f (x )

Sen( x ) Sen(2 x) Sen(3x)

f ( x) = 2

+

2
3
1

f ( x) =

1 1
+ sen( x)
2
2 Cos (2 x) Cos (4 x ) Cos (6 x)

+
+
+
1 3
3 5
5 7

Ejemplo
S e rie d e F o u rie r d e u n a s e a l C u a d ra d a

F (X )

4 Sen ( x)
X

1
4 Sen ( x ) Sen ( 3x )
Cuadrada ( x ) =
+

1
3

Cuadrada ( x ) =

Cuadrada( x ) =

4 Sen( x ) Sen(3 x ) S en(5 x )

+
+

1
3
5

Ejemplo de la obtencin de la serie de Fourier de una onda cuadrada

1 < x< 0
f ( x) =
0< x<
1

an =

an =

1
[ sen(n 0) + sen( n ) + sen(n ) sen(n 0)] = 0
n

bn =

bn =

1
1
1
0

cos(n x)
cos(n x) 0 =
[ cos(n 0) cos(n ) cos(n ) + cos(n 0)]
n
n
n

bn =

1
[1 cos(n ) cos(n ) + 1] = 1 [ 2 2 cos(n )] = 2 [1 cos(n )]
n
n
n

f ( x) dx =

cos(n x) dx +

- dx +

Como a0 = 0 , an = 0 y bn =
f ( x) =

f ( x) s e n(n x) dx =

cos(n x) dx =

+ x

1
0
sen(n x) + sen(n x)
n

s e n(n x ) dx +

s e n(n x) dx

2
[1 cos(n )] tenemos que
n

(1 cos(n ) ) sen(n x) 4
n = 1
=
n

dx =

1
x

] = 1 [ 0 + 0] = 0

a0 =

sen(n x ) 4 sen( x) sen(3x) sen(5 x)

+
+

= 1 +
n
3
5

n = 1, 3, 5...

10

Unidad II
Solucin numrica de ecuaciones de una sola variable.
Las soluciones de una ecuacin f ( x) = 0 , se llaman ceros o races de f (x) . En
algunos casos las races pueden ser obtenidas

con mtodos directos como por

ejemplo para una ecuacin cuadrtica se utiliza formula general. Aunque existen
ecuaciones que no se pueden resolver directamente, por ejemplo una funcin tan
simple tal como f ( x) = e x x . Para estos casos, la nica alternativa es una tcnica de
solucin numrica .
Aproximacin Grafica
Un mtodo simple para obtener una aproximacin a la raz de la ecuacin
f ( x) = 0 , consiste en graficar la funcin y observar en donde cruza al eje x .
Este punto representa el valor de x para el cual f ( x) = 0 proporciona una aproximacin
de la raz de la funcin f (x) .
Ejemplo
Usando la aproximacin grfica para obtener el coeficiente de razonamiento c ,
necesario para que un paracaidista de masa = 68.1 kg tenga una velocidad de 40 m / s
despus de una cada libre de 10 s , g = 9.81m / s 2 donde la funcin que representa este
echo esta dada por:
v(t ) =

gm
ct
1 e m
c

En este caso se rescribe la funcin de tal manera que sea igualada a cero, lo cual
queda:
ct

gm

f (c ) =
1 e m v

c
2
4
6
8
10
12
14
16
18
20
22

f (c )
45.00718
34.19047
25.20892
17.71226
11.42152
6.11394
1.61112
-2.23026
-5.52565
-8.36838
-10.83416

f (c)
35
30
25
20
15
10
Raiz Aproximada
14.75

5
0

10

12

14

16

18

c
20

22

-5
-1 0
-1 5

11

Mtodo de Biseccin
Este mtodo consiste en encerrar una raz entre un intervalo en el cul la funcin
debe cruzar al eje horizontal, e ir dividiendo el intervalo a la mitad hasta encontrar la
mejor aproximacin.
35
30
25
20

xr =

15
10

xi + xu
2

5
0
-5
-1 0

xi

10

12

xr

14

16

xi
xi

18

20

xr

xu

xu
xu

22

-1 5

El algoritmo se describe como sigue:

1.- Elegir lmites superior xu e inferior xi
2.- Obtener la nueva aproximacin a la raz xr =

xi + xu
2

3.- Si f ( xi ) f ( xr ) < 0 , entonces xi = xi y xu = xr

Si no
Si f ( xu ) f ( xr ) < 0 , entonces xi = xr y xu = xu
4.- Si f ( xu ) f ( xr ) = 0 , la raz es igual a xr ; termina el calculo

12

Ejemplo:
Resolviendo el ejemplo anterior utilizando el mtodo de biseccin con xi = 12 y
xu = 16 se tiene:
ct

gm

f (c ) =
1 e m v
c

xi

xu

xr

f ( xi )

f ( xu )

f ( xr )

er

1
2
3
4
5
6
7
8
9

12.0000000
14.0000000
14.0000000
14.5000000
14.7500000
14.7500000
14.7500000
14.7812500
14.7968750

16.0000000
16.0000000
15.0000000
15.0000000
15.0000000
14.8750000
14.8125000
14.8125000
14.8125000

14.0000000
15.0000000
14.5000000
14.7500000
14.8750000
14.8125000
14.7812500
14.7968750
14.8046875

6.1139431
1.6111164
1.6111164
0.5936984
0.0998300
0.0998300
0.0998300
0.0387748
0.0083032

-2.2302607
-2.2302607
-0.3844581
-0.3844581
-0.3844581
-0.1434972
-0.0221312
-0.0221312
-0.0221312

1.6111164
-0.3844581
0.5936984
0.0998300
-0.1434972
-0.0221312
0.0387748
0.0083032
-0.0069187

6.6666667
3.4482759
1.6949153
0.8403361
0.4219409
0.2114165
0.1055966
0.0527704

1a iteracin
x + xu 12 + 16
xr = i
=
= 14
2
2
ct

gm
1 e m v = 6.1139431
f (12) =

ct

gm
1 e m v = -2.2302607
f (16) =

f (14) =

ct

gm
1 e m v = 1.6111164

3 a iteracin
x + xu 14 + 15
xr = i
=
= 14.5
2
2
ct

gm
1 e m v = 1.6111164
f (14) =

ct

gm
1 e m v = -0.3844581
f (15) =

ct

gm
1 e m v = 0.5936984
f (14.5) =

er =

14.5 15
*100 = 3.4482759
14.5

2 a iteracin
x + xu 14 + 16
xr = i
=
= 15
2
2
ct

gm
1 e m v = 1.6111164
f (14) =

ct

gm
1 e m v = -2.2302607
f (16) =

ct

gm
m
f (15) =
1

e
v = -0.3844581
c

15 14
er =
*100 = 6.6666667
15
4 a iteracin
x + x 14.5 + 15
xr = i u =
= 14.75
2
2
ct

gm

f (14.5) =
1 e m v = 0.5936984
c

f (15) =

ct

gm
1 e m v = -0.3844581

ct

gm

f (14.75) =
1 e m v = 0.0998300
c

er =

14.75 14.5
* 100 = 1.6949153
14.75

13

Mtodo de Falsa Posicin

Un defecto del mtodo de biseccin es que al dividir el intervalo de xi a xu en
mitades, no se considera la magnitud de f ( xi ) y de f ( xu ) . Por ejemplo, si f ( xi )
esta ms cercano a 0 que f ( xu ) , es lgico pensar que la raz se encuentra ms
cerca de xi que de xu . El mtodo de falsa posicin aprovecha la visualizacin
grfica de unir f ( xi ) y f ( xu ) con una recta, donde la interseccin de esta recta con
el eje x representa una mejor estimacin a la raz.

f ( xi )

xr = xu

f ( xu )( xi xu )
f ( xi ) f ( xu )
xr

xi

xu

f ( xu )

De la grfica se observan tringulos semejantes

f ( xi )
f ( xu )
=
xr xi xr xu
de la ecuacin anterior despejamos xr y se obtiene:
xr = xu

f ( xu )( xi xu )
f ( xi ) f ( xu )

El algoritmo es igual al del mtodo de biseccin, lo nico que cambia es la ecuacin

para xr

14

Ejemplo
Utilizando el mtodo de la falsa posicin para determinar la raz de la ecuacin
del ejemplo anterior con xi = 12 y xu = 16 se tiene:
i

xi

xu

xr

f ( xi )

f ( xu )

f ( xr )

er

1
2
3
4
5
6
7
8
9
10

12.0000000
12.0000000
12.0000000
12.0000000
12.0000000
12.0000000
12.0000000
12.0000000
12.0000000
12.0000000

16.0000000
14.9308695
14.8150760
14.8026327
14.8012966
14.8011532
14.8011378
14.8011361
14.8011360
14.8011359

14.9308695
14.8150760
14.8026327
14.8012966
14.8011532
14.8011378
14.8011361
14.8011360
14.8011359
14.8011359

6.1139431
6.1139431
6.1139431
6.1139431
6.1139431
6.1139431
6.1139431
6.1139431
6.1139431
6.1139431

-2.2302607
-0.2514869
-0.0271452
-0.0029159
-0.0003131
-0.0000336
-0.0000036
-0.0000004
0.0000000
0.0000000

-0.2514869
-0.0271452
-0.0029159
-0.0003131
-0.0000336
-0.0000036
-0.0000004
0.0000000
0.0000000
0.0000000

0.7815922
0.0840618
0.0090264
0.0009691
0.0001040
0.0000112
0.0000012
0.0000001
0.0000000

1a iteracin
ct

gm
m
f (12) =
1

e
v = 6.1139
c

ct

gm
m
f (16) =
1

e
v = -2.2302
c

(-2.2302)(12 16)
xr = 16
= 14.9308
(-2.2302) (6.1139)
ct

gm
m
f (14.9308) =
1

e
v = -0.2514
c

2 a iteracin
ct

gm
m
f (12) =
1

e
v = 6.1139
c

ct

gm
m
f (14.9308) =
1

e
v = -0.2514
c

(-0.2514)(12 14.9308)
x r = 14.9308
= 14.8150
(6.1139) (-0.2514)
f (14.8150) =

ct

gm
m
1

e
v = -0.0271
c

14.8150 14.9308
* 100 = 0.7815
14.8150
4 a iteracin
ct

gm
m
f (12) =
1

e
v = 6.1139
c

ct

gm
m
f (14.8026) =
1

e
v = -0.0029
c

(-0.0029)(12 14.8026)
x r = 14.8026
= 14.8012
(6.1139) (-0.0029)

er =
3 a iteracin
ct

gm
f (12) =
1 e m v = 6.1139

ct

gm
f (14.8150) =
1 e m v = -0.0271

(-0.0271)(12 14.8150)
x r = 14.8150
= 14.8026
(6.1139) (-0.0271)
ct

gm
m
f (14.8026) =
1

e
v = -0.0029
c

er =

14.8026 14.8150
* 100 = 0.0840
14.8026

ct

gm
f (14.8012) =
1 e m v = -0.0003

er =

14.8012 14.8026
* 100 = 0.0090
14.8012

15

Mtodo de Newton-Raphson.
Los mtodos de Biseccin y Falsa posicin son llamados mtodos por intervalos
en los cuales los valores iniciales deben encerrar a la raz deseada. Los mtodos
siguientes son llamados mtodos de intervalo abierto dado que las condiciones
iniciales no necesariamente tienen que contener a la raz.
Si el valor inicial de la raz es xi , entonces se puede trazar una tangente del punto
f ( xi ) ; el punto donde esta tangente cruza al eje x representa una aproximacin de
la raz.
f (x)

f ' ( xi )

f (xi )

xi + 1 = xi

xi

f ( xi )
f ' ( xi )

xi + 1

Si la pendiente en un punto dado le llamamos primera derivada de la funcin f ' ( x) y

la pendiente de una recta es m =

y 2 y1
podemos tener que:
x 2 x1

f ' ( x) = m =

f ( xi )
y 2 y1
=
x 2 x1 xi xi + 1

Despejando xi + 1 tenemos la ecuacin de Newton-Raphson

xi + 1 = x i

f ( xi )
f ' ( xi )

16

Ejemplo:
Utilizar el mtodo de Newton-Raphson para encontrar la raz de f ( x) = e x x
empleando un valor inicial de x0 = 0
i

xi

f ( xi )

0
1
2
3
4
5

0.0000000
0.5000000
0.5663110
0.5671432
0.5671433
0.5671433

1.0000000
0.1065307
0.0013045
0.0000002
0.0000000
0.0000000

f ' ( xi )

er

-2.0000000
-1.6065307 100.0000000
-1.5676155 11.7092910
-1.5671434 0.1467287
-1.5671433 0.0000221
-1.5671433 0.0000000

Se tiene que f ( x) = e x x y su derivada es f ' ( x) = e x 1

1a iteracin
x0 = 0
f ( x0 ) = e x x = 1
f ' ( x0 ) = e x 1 = 2
f ( x0 )
1
x1 = x0
= 0
= 0.5
f ' ( x0 )
2
er =

0.5 0
* 100 = 100
0.5

2 a iteracin
x1 = 0.5
f ( x1 ) = e x x = 0.1065307
f ' ( x1 ) = e x 1 = 1.6065307
f ( x1 )
0.1065307
x2 = x1
= 0.5
f ' ( x1 )
- 1.6065307
= 0.5663110
0.5663110 0.5
er =
* 100
0.5663110
= 11.7092910

3a iteracin
x 2 = 0.5663110
f ( x 2 ) = e x x = 0.0013045
f ' ( x 2 ) = e x 1 = 1.6065307
f ( x2 )
0.0013045
x3 = x2
= 0.5663110
f ' ( x2 )
- 1.5676155
= 0.5671432
0.5671432 0.5663110
er =
* 100
0.5671432
= 11.7092910
4a iteracin
x3 = 0.5671432
f ( x3 ) = e x x = 0.0000002
f ' ( x3 ) = e x 1 = -1.5671434
f ( x3 )
0.0000002
x4 = x3
= 0.5671432
f ' ( x3 )
- 1.5671434
= 0.5671433
0.5671433 - 0.5671432
er =
* 100
0.5671433
= 0.1467287

17

Mtodo de la secante
El principal problema de la implementacin del mtodo de Newton-Raphson es
la evaluacin de la derivada. Aunque esto no es ningn inconveniente para los
polinomios, en algunos de los casos ciertas derivadas son difciles de evaluar.
En estos casos se puede aproximar la derivada mediante una diferencia dividida finita
regresiva.
f (x)
f ( xi 1 )

xi + 1 = xi

f ( xi )( xi 1 xi )
f ( xi 1 ) f ( xi )

f ( xi )

xi 1

xi

xi + 1

Si se toma como tringulos semejantes como sigue

f ( xi 1 ) f ( xi )
f ( xi )
=
xi xi 1
xi + 1 xi

despejando xi + 1 se obtiene la ecuacin de Newton-Raphson para la aproximacin de la

nueva raz
xi + 1 = xi

f ( xi )( xi 1 xi )
f ( xi 1 ) f ( xi )

18

Ejemplo:
Utilice el mtodo de la secante para calcular la raz de

f ( x) = e x x .

Comenzando con los valores iniciales de xi 1 = 0 y xi = 1

i

x0

xi

| er

0.00000000 1.00000000

x1
x2
x3

1.00000000 -0.63212056 100.00000000

0.61269984 -0.07081395 63.21205588

0.56383839 0.00518235 8.66586039

x4
x5

0.56717036 -0.00004242 0.58747239

0.56714331 -0.00000003 0.00476984

x6

0.56714329 0.00000000 0.00000286

x7

0.56714329 0.00000000 0.00000000

Primera iteracin
x0 = 0

f ( xi )

Segunda iteracin

x1 = 1
f ( x1 ) = e x x = -0.6321
1- 0
er =
* 100 = 100
1
(-0.6321)(0 1)
x2 = 1
= 0.6126
(1) (-0.6321)

x1 = 1
f ( x1 ) = e x x = -0.6321
x 2 = 0.6126 f ( x 2 ) = e x x = -0.0708
0.6126 - 1
er =
* 100 = 63.2120
0.6126
(-0.0708)(1 0.6126)
x3 = 0.6126
= 0.5638
(-0.6321) (-0.0708)

Tercera iteracin

Cuarta iteracin

x 2 = 0.6126
x3 = 0.5638

f ( x0 ) = e x x = 1

f ( x 2 ) = e x x = -0.0708
f ( x3 ) = e x x = 0.0051

x3 = 0.5638

f ( x3 ) = e x x = 0.0051

x 4 = 0.5671 f ( x 4 ) = e x x = -0.00004242
0.5638 - 0.6126
0.5671 - 0.5638
er =
* 100 = 8.6658
er =
* 100 = 0.5874
0.5638
0.5671
(0.0051)(0.6126 - 0.5638)
(-0.00004242)(0.5638 - 0.5671)
x4 = 0.5638
= 0.5671 x5 = 0.5671
(-0.0708) (0.0051)
(0.0051) (-0.00004242)
= 0.56714331

19

Races Mltiples
Una raz mltiple corresponde a un punto donde una funcin es tangencial al eje
horizontal x , por ejemplo si f (x) es formada por una multiplicacin de binomios iguales
se encontrara una raz repetida.
f ( x) = x 3 5 x 2 + 7 x 3
f ( x) = ( x 3)( x 1)( x 1) = ( x 3)( x 1) 2
f (x )
Raz Simple
Raz Doble

La ecuacin anterior tiene una raz doble porque un valor de x hace que dos trminos
de la ecuacin sean iguales a cero en x = 1 , se observa que en la curva toca al eje x
pero no lo cruza.
f ( x) = x 4 6 x 3 + 12 x 2 10 x + 3
f ( x) = ( x 3)( x 1)( x 1)( x 1) = ( x 3)( x 1) 3
f (x )

Raz Simple
Raz Triple

Para la ecuacin f ( x) = x 4 6 x 3 + 12 x 2 10 x + 3 se observa que la funcin es tangente

al eje x . En general, la multiplicacin impar de races cruza al eje horizontal x ,
mientras que la multiplicidad par no lo hace. Las races mltiples ofrecen ciertas
dificultades a los mtodos anteriormente expuestos.
20

Mtodo de Newton-Raphson modificado para races mltiples

Para el mtodo de Newton-Raphson modificado es necesario la obtencin de la
primera y segunda derivada de la funcin y la obtencin de la aproximacin de la raz
esta dada por:
xi + 1 = xi

f ( xi ) f ' ( xi )
[ f ' ( xi )] 2 f ( xi ) f ' ' ( xi )

La manera en que se realizan las iteraciones es de la misma forma que el del mtodo
de Newton-Raphson
Ejemplo:
Utilice el mtodo de Newton-Raphson modificado para evaluar la raz mltiple de
la ecuacin con un valor inicial de x0 = 0 f ( x) = x 3 5 x 2 + 7 x 3
Obteniendo la primera y segunda derivada de la funcin f (x ) se tiene que
f ' ' ( x) = 6 x 10

f ' ( x) = 3 x 2 10 x + 7
i

xi

f ( xi )

f ' ( xi )

f ' ' ( xi )

er

0
1
2
3
4

0.0000000
1.1052632
1.0030817
1.0000024
1.0000000

-3.0000000
-0.0209943
-0.0000190
0.0000000
0.0000000

7.0000000
-0.3878116
-0.0122982
-0.0000095
0.0000000

-10.0000000
-3.3684211
-3.9815100
-3.9999857
-4.0000000

100.0000000
10.1867572
0.3079275
0.0002381

Primera iteracin
x0 = 0
f ( x0 ) = x 5 x + 7 x 3 = 3
3

f ' ( x 0 ) = 3x 10 x + 7 = 7
f ' ' ( x0 ) = 6 x 10 = 10
( 3) (7)
x1 = 0
= 1.1052
2
[ 7] ( 3)( 10)
Segunda iteracin
x1 = 1.1052
f ( x1 ) = x 3 5 x 2 + 7 x 3 = -0.0209
f ' ( x1 ) = 3 x 2 10 x + 7 = -0.3878
f ' ' ( x1 ) = 6 x 10 = -3.3684
1.1052 - 0
er =
*100 = 100
1.1052

x2 = 1.1052

(-0.0209) (-0.3878)

[ - 0.3878] 2

(-0.0209)(3.3684)

= 1.0030

Tercera iteracin
x1 = 1.0030
f ( x1 ) = x 3 5 x 2 + 7 x 3 = -0.000019
f ' ( x1 ) = 3 x 2 10 x + 7 = -0.01229
f ' ' ( x1 ) = 6 x 10 = -3.9815
1.0030 - 1.1052
er =
* 100 = 10.1867
1.0030
(-0.000019) (-0.01229)
x2 = 1.0030
[ - 0.01229] 2 (-0.000019)(-3.9815)
= 1.0000024

21

Mtodo de Mller
El mtodo de la secante obtiene races estimando una proyeccin de una lnea
recta en el eje x a travs de dos valores de la funcin. El mtodo de Mller es similar,
solo que utiliza una parbola que pasa a travs de tres puntos. Estos coeficientes
pueden sustituirse en la formula cuadrtica para obtener el punto donde la parbola
intercepta al eje x, es decir a la raz estimada (x ) .

f ( x)

x
Raz
Estimada

x0
x

x2

x1

x
Raz

Escribiendo la aproximacin como la ecuacin de una parbola se tiene

f 2 ( x ) = a ( x x 2 ) 2 + b( x x 2 ) + c

(1)

Se desea que la parbola buscada intercepte los dos puntos [ x0 , f ( x0 )] , [ x1 , f ( x1 )] y

[ x2 , f ( x2 )]
Los coeficientes de la ecuacin (1) pueden evaluarse sustituyendo cada uno de los tres
puntos anteriores.
f ( x0 ) = a( x0 x2 ) 2 + b( x0 x2 ) + c

(2)

f ( x1 ) = a( x1 x2 ) 2 + b( x1 x2 ) + c

(3)

f ( x2 ) = a ( x2 x2 ) 2 + b ( x2 x2 ) + c
f ( x2 ) = c

(4)

Sustituyendo (4) en (2) y (3)

f ( x0 ) f ( x2 ) = a ( x0 x2 ) 2 + b( x0 x2 )

(5)

f ( x1 ) f ( x2 ) = a ( x1 x2 ) 2 + b( x1 x2 )

(6)

22

Donde diremos que

h0 = x1 x0

0 =
a=

h1 = x2 x1

f ( x1 ) f ( x0 )
h0

1 0
h1 + h0

1 =
b = ah1 + 1

f ( x2 ) f ( x1 )
h1
c = f ( x2 )

Para encontrar la raz se aplica la formula cuadrtica general, pero esto podra
ocasionar un error potencial, por lo cual se utilizara una ecuacin alternativa.
x3 = x2 +

2c
b

b 2 4ac

(7)

Observe que el uso de la formula cuadrtica implica que se puedan encontrar tanto
races reales como complejas.
El error en las iteraciones se obtiene de la siguiente ecuacin
x x
a = 3 2
x3

100

(8)

La ecuacin (7) produce dos races correspondientes a los signos (+,-) del
denominador. En el mtodo de Mller de acuerdo con el signo de b se puede producir
un denominador muy grande, y por lo tanto proporciona una raz estimada ms cercana
a x2 .
Una vez que se determina x3 , se repite el proceso. Este resultado conduce a n punto
que es descartado, en general se utilizan dos estrategias para descartar dicho punto:
1. Si solo se localiza las races reales, elegimos dos puntos originales que se
aproximen a la nueva raz estimada x3
2. Si ambas races (real y compleja) han sido evaluadas, se emplea una
aproximacin secuencial. Esto es similar al mtodo de la secante, donde x1 ,
x2 y x3 toman el lugar de x0 , x1 y x2

23

Ejemplo
Utilice el mtodo de Mller con valores iniciales de x0 = 4.5 , x1 = 5.5 y x 2 = 5 para
determinar la raz de la ecuacin f ( x) = x 3 13 x 12 , las races de la ecuacin son 3,
-1, y 4
i

xi

f ( xi )

h0

h1

0
1
2
3
4
5
6

4.5000
5.5000
5.0000
3.9765
4.0011
4.0000
4.0000

20.6250
82.8750
48.0000
-0.8163
0.0368
0.0000
0.0000

1.0000
-0.5000
-1.0235
0.0246
-0.0010

-0.5000
-1.0235
0.0246
-0.0010
0.0000

62.2500
69.7500
47.6949
34.7310
35.0126

69.7500
47.6949
34.7310
35.0126
35.0000

15.0000
14.4765
12.9775
11.9775
12.0011

62.2500
32.8780
35.0498
35.0000
35.0000

48.0000
-0.8163
0.0368
0.0000
0.0000

x0 = 4.5

f ( x 0 ) = x 3 13 x 12 = 20.6250

x1 = 5.5

f ( x1 ) = x 3 13 x 12 = 82.8750

x2 = 5

f ( x 2 ) = x 3 13 x 12 = 48.0000

h0 = x1 x0 = 5.5 4.5 = 1

f ( x3a )

x 3b

f ( x3b )

f ( x1 ) f ( x0 ) (82.8750) f (20.6250)
=
= 62.2500
h0
1

1 =

f ( x 2 ) f ( x1 ) (48) (82.8750)
=
= 69.7500
h1
0.5

1 0 (69.7500) (62.2500)
=
= 15.0000
h1 + h0
( 0.5) + (1)

b = ah1 + 1 = (15.0000) ( 0.5) + (69.7500) = 62.2500

c = f ( x 2 ) = 48.0000
x3 a = x 2 +

2c
b

b 2 4ac

= 5+

2(48)
(62.2500) +

(62.2500) 2 4(15.0000)(48)

= 3.9765

f ( x3a ) = x 3 13 x 12 = -0.8163

x 3b = x 2 +

2c
b

b 4ac
2

= 5+

2(48)
(62.2500)

er

3.9765 -0.8163 1.8735 -29.7795

4.0011 0.0368 1.6808 -29.1020 25.7391
4.0000 0.0000 1.3013 -26.7133 0.6139
4.0000 0.0000 1.0779 -24.7600 0.0262
4.0000 0.0000 1.0833 -24.8119 0.0000

h1 = x 2 x1 = 5 5.5 = 0.5

0=

a=

x3 a

(62.2500) 2 4(15.0000)(48)

= 1.8735

f ( x3b ) = x 3 13 x 12 = -29.7795

24

Iteracin de punto fijo

Otro mtodo que podemos utilizar y que puede englobar a los dems mtodos
se denomina iteracin de punto fijo. Este mtodo se obtiene directamente del problema
original es decir:
f ( x) = 0

(1)

De esta ecuacin lo que puede intentarse para resolverla es despejar x , pero como ya
sabemos, esto puede ser imposible para ciertas funciones. El mtodo de iteracin de
punto fijo, sigue esta idea, pero como no es posible despejar x , al menos lo que se
hace es poner x en funcin de si misma, es decir:
x = g (x )

(2)

Esto se logra despejando x reacomodando la ecuacin original. Para resolver la

ecuacin se comienza con un valor inicial evaluando la funcin g (x) para hallar otro
valor de x . La x obtenida de esta manera, se usa para generar otra x , evalundola en
la funcin g (x) . Se repite el procedimiento nuevamente hasta que se cumpla algn
criterio de convergencia.
Por lo anterior la ecuacin (3) define el mtodo es:
xn + 1 = g ( xn )

(3)

Se puede demostrar que este mtodo por lo regular tiene convergencia lineal, por lo
cual podra ser lento. Ejemplo del mtodo de iteracin de punto fijo
La ecuacin x 3 + 2 x 2 + 10 x 20 = 0 se puede expresar de varias maneras como un punto
fijo:
xn + 1 =

20
x + 2 xn + 10

(4)

xn + 1 =

20 xn3 + 2 xn2
10

(5)

x n + 1 = sen( x n ) + x n

(6)

2
n

de la ecuacin sen( x ) = 0

de la ecuacin x 2 + x + sen( x + 0.15) = 0

x n + 1 = x n2 sen( x n + 0.15)

(7)

25

La desventaja de este mtodo es hallar una funcin g (x) que sea convergente. Se
puede demostrar que el mtodo ser convergente s
dg ( x)
1
dx

(8)

Como en general es difcil probar esto se prefiere ensayar con varias funciones g (x)
hasta hallar una que sea convergente. En la prctica en algunos casos el problema se
plantea directamente como una iteracin de punto fijo.
Los dems mtodos se pueden expresar como puntos fijos. Por ejemplo s
y ( xn )
dy ( xn )
dx

(9)

y ( xn )( xn xn 1 )
y ( xn ) y ( xn 1 )

(10)

g ( xn + 1 ) = xn
Se tiene el mtodo de Newton-Raphson. Si
g ( xn + 1 ) = xn
Se obtiene el mtodo de la secante.

26

Unidad III
Solucin numrica de sistemas de ecuaciones
Una matriz consiste de un arreglo rectangular de elementos representado por un
solo smbolo.
a11 a 21 a1m
a
a 22 a 2 m
A = 21

a n1 a n 2 anm
A es de n renglones por m columnas. Su dimensin es de n m donde An m
Si n = 1 ,se le conoce como vector

Si m = 1 ,se le conoce como vector

rengln;

columna

B = [ b1 b2

c1
c
2
C = c3


c n

b3 bm ]

Si m = n se le llama matriz cuadrada.

A4 4

a11
a
= 21
a31

a 41

a12
a 22
a32
a 42

a13
a 23
a33
a 43

a14
a 24
a34

a 44

En este caso la dimensin es: Dim[ A] = 4 4

A los elementos a11 , a 22 , a33 , a 44 y en general aii se les conoce como diagonal principal.
Tipos de matrices cuadradas
Matriz simtrica es aquella donde aij = a ji i, j .
5 1 2
A = 1 3 7
2 7 8
La matriz diagonal es aquella donde todos los elementos fuera de la diagonal principal
son cero.
a11
A = 0
0

0
a 22
0

0
0
a33
27

La matriz identidad es aquella cuyos elementos de la diagonal principal son 1 y los

dems 0.
1 0 0
I = 0 1 0
0 0 1
La matriz triangular superior es aquella en la que todos los elementos por debajo de
la diagonal principal son 0.
a11
A = 0
0

a12
a 22
0

a13
a 23
a33

La matriz triangular inferior es aquella en la que todos los elementos por encima de
la diagonal principal son 0.
a11
A = a 21
a31

0
a 22
a32

0
0
a33

Matriz banda, tribanda o tridiagonal La matriz banda tiene todos los elementos igual
a 0 excepto en una banda centrada sobre la diagonal principal.

A4 4

a11
a
= 21
0

a12
a 22
a32
0

0
a 23
a33
a 43

0
0
a34

a 44

Operaciones con matrices

Dos matrices de n m son iguales si y solo si cada elemento se encuentra en la
segunda matriz A = B Si aij = bij i, j .
Suma de matrices
C = A+ B
a11 a 21 b11 b21 c11 c 21
a
+
=

21 a 22 b21 b22 c 21 c 22
i = 1, 2, 3, , n
cij = aij + bij para
j = 1, 2, 3, , m

Resta de matrices
C = A B
a11 a 21 b11 b21
a

=
21 a 22 b21 b22
cij = a ij bij

c11
c
21

c 21
c 22

i = 1, 2, 3, , n

j = 1, 2, 3, , m

para
La suma y la resta de matrices son conmutativas y asociativas A + B = B + A :
E-F = -F + E

28

Multiplicacin
Multiplicacin por un escalar
ga11
ga
D = gA = 21

ga n1

ga 21
ga 22

ga n 2

ga1m
ga 2 m

ga nm

Multiplicacin de dos matrices

La multiplicacin de dos matrices se puede realizar si y solo si la primera matriz
tiene el mismo nmero de columnas que el nmero de renglones de la segunda matriz.
El producto de dos matrices se presenta como: C = AB
cij =

k=1

cik bkj

( An m )( Bm l ) = C n l

La multiplicacin es asociativa si se cumple las condiciones ( AB )C = A( BC )

La multiplicacin es distributiva si A( B + C ) = AB + AC
Aunque la multiplicacin de matrices es posible la divisin de matrices no esta definida.
Sin embargo, si la matriz A es cuadrada y no singular (Determinante diferente de cero)
existe una matriz A 1 llamada inversa de la matriz para la cual AA 1 = A 1 A = I .
La multiplicacin de una matriz por la inversa es anloga a la divisin en el sentido de
que un nmero dividido por si mismo es igual a 1.
Para matrices cuadradas la inversa esta dada de la siguiente forma.
Para matrices de 2 2

a11
Si A =
a 21
A 1 =

Para matrices de 3 3
a11
A = a 21
a31

a12
entonces
a 22

1
a11 a 22 a12 a 21

a 22
a
12

a 21
a11

1
A 1 =

a12
a 22
a32

a 22
a
32
a 21
a
31
a 21
a
31

a13
a 23 entonces
a33
a 23
a33
a 23
a33
a 22
a 32

a
12
a32
a11
a
31
a11

a 31

a13
a33
a13
a33
a12
a32

a12
a
22
a
11
a 21
a11
a
21

a13

a 23
a13

a 23
a12

a 22

29

Matriz transpuesta
Si los renglones y las columnas de una matriz A se intercambian, entonces la matriz
resultante de n m se conoce como la transpuesta de A y se denota AT
a11
a
A = 21
a31

a 41

a12
a 22
a32
a 42

a13
a 23
a33
a 43

a14
a11

a
a 24
T
12
A
=
entonces

a13
a34

a 44
a14

a 21
a 22
a 23
a 24

a31
a32
a33
a34

a 41
a 42
a 43

a 44

aij = a ji

La traza de una matriz es la suma de los elementos de su diagonal principal.

tr [ A] =

i= 1

aij

Determinante de una matriz

Para matrices de 2 2
Det[ A] = a11 a 22 a12 a 21
Para matrices de 3 3
Det [ A] =

a11a22 a33 + a12 a23a31 + a13a21a32

a31a22 a13 a32 a23a11 a33a21a12

Para matrices de 4 4
Det [ A] = a11 a 22 a33 a 44 -a11 a 22 a34 a 43 -a11 a32 a 23 a 44+a11 a32 a 24 a 43
+a11 a 42 a 23 a34 -a11 a 42 a 24 a 33 -a 21 a12 a 33 a 44+a 21 a12 a34 a 43
+a 21 a 32 a13 a 44 -a 21 a32 a14 a 43 -a 21 a 42 a13 a34+a 21 a 42 a14 a33
+a31 a12 a 23 a 44 -a31 a12 a 24 a 43 -a31 a 22 a13 a 44+a31 a 22 a14 a 43
+a31 a 42 a13 a 24 -a31 a 42 a14 a 23 -a 41 a12 a 23 a34+a 41 a12 a 24 a33
+a 41 a 22 a13 a34 -a 41 a 22 a14 a 33 -a 41 a32 a13 a 24+a 41 a32 a14 a 23

30

Regla de Cramer
La regla de Cramer permite resolver sistemas lineales de ecuaciones de n
ecuaciones, con n incgnitas. Si Ax = b es un sistema de ecuaciones. ( A es la matriz
de coeficientes del sistema, x es el vector columna de las incgnitas y b es el vector
columna de los trminos independientes). Entonces la solucin al sistema se presenta
as:
xj =

Aj
A

Por ejemplo si se tiene un sistema de tres ecuaciones y tres incgnitas

a11 x1
a21 x1

+
+

a12 x2
a22 x2

+
+

a13 x3
a23 x3

=
=

b1
b2

a31 x1

a32 x2

a33 x3

b3

escribiendo el sistema lineal en forma matricial tenemos

a11 a12
a
21 a22
a31 a32

a13 x1 b1
a23 x2 = b2
a33 x3 b3
Ax = b

Obtenemos el determinante de los coeficientes del sistema, luego sustituimos en cada

columna la matriz de resultados del sistema y se obtiene su determinante.
a11
A = a 21
a31

a12
a 22
a32

a13
a 23
a33

b1
b2
b1

a12
a 22
a32

a13
a 23
a33

x1 =

x2 =

x3 =

a11 b1
a 21 b2
a31 b3

a13
a 23
a33

A
a11
a 21
a31

a12
a 22
a32

b1
b2
b3

31

Ejemplo
Utilizar la regla de Cramer para resolver el siguiente sistema lineal.
0.3 x1

0.5 x 2

x3

0.01

0.5 x1
0.1 x1

+
+

x2
0.3 x 2

+
+

1.9 x3
0.5 x 3

=
=

0.67
0.44

Escribiendo el sistema lineal en forma matricial se tiene que

0.3 0.5 1 x1
0 .5 1 1 .9 x =

2
0.1 0.3 0.5 x3
Ax =

0.01
0.67

0.44
b

Obteniendo el determnate de A
0.3 0.5

A = 0.5 1 1.9
0.1 0.3 0.5
A = 0.3(1 0.5 0.3 1.9) 0.5(0.5 0.5 0.3 1) + 0.1(0.5 1.9 1 1) = 0.001

Sustituyendo el vector columna b en la primera columna de A j se obtiene x j

0.01 0.5
x1 =

0.67
1 1 .9
0.44 0.3 0.5
0.001

0.3 0.01

x2 =

0.5 0.67 1.9

0.1 0.44 0.5
0.001

0.3 0.5 0.01

x3 =

0.5 1
0.67
0.1 0.3 0.44
0.001

0.01 (1 0.5 1.9 0.3) 0.67 (0.5 0.5 0.3 1) + ( 0.44) (0.5 1.9 1 1)
0.001
0.0562
=
= 56.2
0.001

x1 =

0.3 (0.67 0.5 1.9 0.44) 0.5 ( 0.01 0.5 ( 0.44) 1) + 0.1 (( 0.01) 1.9 0.67 1)
0.001
0.0649
=
= 64.9
0.001

x2 =

0.3 (1 ( 0.44) 03 0.67) 0.5 (0.5 ( 0.44) 0.3 ( 0.01)) + 0.1 (0.5 0.67 1 ( 0.01))
0.001
0.0493
=
= 49.3
0.001

x3 =

0.3 0.5 1 56.2 0.01

Por lo tanto la solucin del sistema es 0.5 1 1.9 64.9 = 0.67

0.1 0.3 0.5 49.3 0.44

32

Eliminacin de Gauss o Gaussiana Simple

Este mtodo consiste en expresar el sistema como una matriz aumentada de la
forma
Ax = b
a11
a
21

a n1

a12
a 22

a13 a1n
a 23 a 2 n

an 2

a n 3 a nn

b1
b2

bn

La idea del mtodo es llevar el sistema a la forma triangular superior y de all despejar
una variable a la vez partiendo de la ltima. l ltimo paso se conoce como sustitucin
en reversa. Para lograr llevar el sistema a la forma triangular superior, se emplean las
operaciones elementales de matrices como son el intercambio de renglones, divisin
entre un escalar a cada rengln, as como suma y resta entre renglones.
Ejemplo
Resuelva el siguiente sistema de ecuaciones lineales mediante el mtodo de
Gauss
10 x1
x1
2 x1

x2
11x 2
x2
3x 2

2 x3
x3
10 x3
x3

3x4
x4
8 x4

=
=
=
=

6
25
11
15

La matriz aumentada es
6
10 1 2 0
1 11 1 3 25

2 1 10 1 11

0 3 1 8 15

Para simplificar el sistema se avanzara por la diagonal principal. Los elementos de la

diagonal principal se denominaran pivote.
Primero localicemos en la primera columna el primer elemento que sea 0 y lo
llevaremos al primer rengln. En este caso se tiene que el pivote es 10. Como no es 0,
no hacemos nada. En caso de ser necesario habramos intercambiado 2 renglones de
la matriz. A continuacin pasaremos a hacer 0 los elementos que estn debajo del
pivote. Para ello sumaremos mltiplos apropiados del rengln pivote a cada rengln de
tal forma que los elementos debajo del pivote sean 0.
33

Avancemos por la diagonal principal al segundo rengln. Este ser ahora el rengln
pivote.
2
0
6
10 1
R2 R2 R1 ( 1) / 10 0 10.9 0.8 3
25.6
R3 R3 R1 (2) / 10 0 0.8 9.6 1 12.2
3
1
8
15
R4 R4 R1 (0) / 10 0
Busquemos el primer elemento que sea 0 para que sea el pivote, el pivote es 10.9.
Eliminado los elementos debajo del pivote tenemos
2
0
6
10 1

0.8
3
25.6
0 10.9
0
9.541284 -0.779816 -10.321100
R3 R3 R2 ( 0.8) / 10.9 0

0
0
0.779816 7.174311 7.954128
R4 R4 R2 (3) / 10.9
Llevando el elemento 0 al rengln pivote, el pivote es 9.541, haciendo 0 elementos
abajo del elemento pivote
2
0
6
10 1

0.8
3
25.6
0 10.9
0
0 9.541284 -0.779816 -10.321100

0
0
0
7.110576
7.110576
R4 R4 R3 (-0.779816) / 9.541284
Ya tenemos la matriz A en la forma triangular superior. Continuacin usamos la
sustitucin en reversa.
10 x1

x2
10.9 x 2

2 x3
0.8 x3
9.541284 x3

3x4
0.779816 x 4
7.110576 x 4

=
=
=
=

6
25.6
-10.321100
7.110576

Por lo tanto tenemos que la solucin es:

1
2
x=
1

1

34

Eliminacin de Gauss Jordn

Jordn propuso una modificacin al procedimiento anterior. En vez de llevar el
sistema a la forma triangular superior y de all usar la sustitucin en reversa, l pens
que seria ms fcil continuar el procedimiento de eliminacin de elementos, es decir, l
propuso eliminar los elementos tanto arriba como abajo del pivote hasta llegar a la
matriz identidad. De esta manera la solucin del sistema se puede leer directamente de
la ltima columna de la matriz aumentada.
Ejemplo
Resuelva el siguiente sistema de ecuaciones lineales mediante el mtodo de
Gauss-Jordn
10 x1
x1
2 x1

x2
11x 2
x2
3x 2

2 x3
x3
10 x3
x3

3x4
x4
8 x4

=
=
=
=

6
25
11
15

La matriz aumentada es
6
10 1 2 0
1 11 1 3 25

2 1 10 1 11

0 3 1 8 15

Buscando el primer pivote que no sea 0 y llevndolo al rengln pivote, por lo tanto el
pivote es 10. Dividiendo entre el pivote el rengln pivote y eliminando los elemento
arriba y abajo del rengln pivote
R1 R1 / 10 1 0.1 0.2
0
0.6

R2 R2 R1 ( 1) 0 10.9 0.8 3 25.6

R3 R3 R1 (2) 0 0.8 9.6 1 12.2

R4 R4 R1 (0) 0
3
1
8
15

Avanzando por la diagonal principal al segundo rengln. Buscando el primer elemento

no sea 0 y llevndolo a la diagonal principal tenemos que el pivote es 10.9. Dividiendo
entre el pivote y eliminando los elemento arriba y abajo del pivote

35

R1 R1 R2 ( 0.1) 1
R2 R2 / 10.9 0
R3 R3 R2 ( 0.8) 0

R4 R4 R2 (3) 0

0
0.1927
2.7523E 2 0.8349
1 73.3944 E 3
0.2752
2.3486
0
9.541
0.7798
10.32

0
0.7798
7.714
7.954

Pasando al tercer rengln. Llevando el elemento 0 al rengln pivote, el pivote es

9.541y dividiendo entre el elemento pivote y haciendo 0 elementos arriba y abajo del
elemento pivote
R1 R1 R3 (0.1927)
1 0
R2 R2 R3 ( 73.3944 E 3) 0 1
0 0
R3 R3 / 9541

R4 R4 R3 ( 0.7798) 0 0

4.3269 E 2
0.2692

1.043
2.269
1 8.1937 E 2 10.82

0
7.111
7.111
0
0

Pasemos al cuarto rengln. Llevando el elemento 0 al rengln pivote, el pivote es

7.111. Dividiendo entre el elemento pivote y haciendo 0 elementos arriba y abajo del
elemento pivote
R1 R1 R4 (4.3269 E 2) 1
R2 R2 R4 (0.2692) 0
R3 R3 R4 ( 8.1937 E 2) 0

R4 R4 / 7.111
0

0
1
0
0

0
0
1
0

0 1
0 2
0 1

1 1

Por simple inspeccin la solucin es:

1
2
x=
1

1

36

Inversin de matrices
Este mtodo es ms terico. Consiste en expresar el sistema como una
ecuacin matricial de la forma Ax = b y despejar el vector columna x . Dado que no
esta definida la divisin de matrices se usa la matriz inversa A 1 . Multiplicando por la
matriz inversa ambos lados se tiene A 1 Ax = A 1b de donde Ix = A 1b y finalmente
x = A 1b . El problema se reduce a hallar la matriz inversa para multiplicarla por el
vector columna b y as hallar x .
Para hallar la matriz inversa se puede utilizar el siguiente procedimiento.
Se coloca la matriz A junto a una matriz identidad I del mismo tamao, es decir,
a11
a
21
a31

a n1

a12
a 22
a32

an2

a1n
a2n
a3n

a nn

1
0
0

0
1
0

0
0
1

0
0
0

Se aplica la eliminacin de Gauss Jordn a la matriz A , las operaciones que se le

hagan a la matriz A , tambin se le aplican a I . La matriz A se convierte en I. Se puede
demostrar que matriz I se convierte en A -1 .
Una vez hallada A -1 se procede a multiplicarla por b . x = A 1b

37

Descomposicin LU
El esquema de descomposicin LU es una transformacin de una matriz A
como producto de dos matrices: LU
A = LU

Donde L es una matriz triangular inferior y U es una matriz triangular superior.

Ax = b

(1)

Ax b = U

(2)

u11 u12
0 u
22

0
0

u13
u23
u33

x1 d1
x = d
2 2
x3 d 3

Ux D = 0

(3)

(4)

Suponer la existencia de una matriz L que tiene la forma

1 0
L = l21 1
l31 l32

0
0
1

(5)

Que tiene la propiedad de que al multiplicarla por (5) produzca (2)

L(Ux D) = Ax b

(6)

Si estas condiciones se cumplen

LU = A

(7)

LD = b

(8)

1.- Paso a descomposicin. La matriz A se le factoriza o descompone en matrices

triangular superior U y triangular inferior L
2.- Paso de sustitucin. Las matrices L y U se utilizan para determinar una solucin x
para un lado derecho de (8), en este paso a su vez se divide en 2, primero la ecuacin
(8) se utiliza para generar un vector intermedio D por sustitucin hacia adelante.
Posteriormente el resultado se sustituye en la ecuacin (4), la cual se resuelve por
sustitucin hacia atrs para hallar x
La eliminacin de Gauss puede utilizarse para descomponer A en L y U . Recordar
que U es una matriz triangular superior.

38

 a11
U = 0
0

a12
a '22
0

a13
a '23 el superndice () indica el nmero de veces que el rengln ha sido
a' '33

modificado por la eliminacin de Gauss

a11 a12
A = a21 a22
a31 a32

a13
a23
a33

Aunque no es obvio, la matriz L se produce durante este paso

1
L = f 21
f 31

0
1
f 32

Donde:

0
0
1

a 21
a11

f 21 =

f 31 =

a31
a11

f 32 =

a'32
a' 22

Recurdese que: A = LU
Ejemplo
Obtener la descomposicin LU mediante eliminacin Gaussiana y encontrar la
solucin del siguiente sistema.
3 x1
0.1x1
0.3 x1

0.1x 2
7 x2
0.2 x 2

0.2 x3
0.3 x3
10 x3

=
=
=

7.85
19.3
71.4

Escribiendo el sistema lineal de ecuaciones en forma matricial se tiene:

3 0.1 0.2 x1 7.85
0.1
7
0.3 x2 = 19.3

0.3 0.2 10 x3 71.4

Haciendo ceros los elementos por debajo de la diagonal principal
R2 R2
R3 R3

0.1
3
0.3
3

3 0.1 0.2
R1 0.1
7
0.3
R1 0.3 0.2 10

0.2
3 0.1
0 7.0033 0.293333

0.19
R3 R3 7.0033
R2 0 0.19
10.02

39

a1x 3 0.1
0.2

a ' 2 x 0 7.0033 0.293333

a' '3 x 0
0
10.012042
de la Matriz tenemos U y del sistema de ecuaciones tenemos a b
0.2
3 0.1

U = 0 7.0033 0.293333
0
0
10.012042
a
0.1
f 21 = 21 =
= 0.0333
a11
3
a
0.3
f 31 = 31 =
= 0.1
a11
3
f 32 =

a'32 0.19
=
= 0.02713
a '22 7.0033

7.85
b = 19.3
71.4
0
0
1

L = 0.0333
1
0
0.1
0.02713 1

Tenemos que A = LU
3 0.1 0.2
A = 0.1
7
0.3 L =
0.3 0.2 10

0
0
0.2
1
3 0.1
0.0333

1
0 U = 0 7.0033 0.293333

0.1
0
0.02713 1
0
10.012042

y que LD = b entonces
0
0 d 1
1
0.0333
1
0 d 2 =

0.02713 1 d 3
0.1
LD =

7.85
19.3

71.4
b

Haciendo una sustitucin hacia delante se obtiene D por lo tanto:

d1 = 7.85
sustituyendo d1
0.0333 d1 + d 2 = 19.3
d 2 = 19.3 (0.0333)(7.85) = 19.5617
sustituyendo d1 y d 2
0.1 d1 0.02713 d 2 + d 3 = 71.4
d 3 = 71.4 (0.1)(7.82) + (0.02713)( 19.5617) = 70.0843

7.85
D = 19.5617
70.0843

40

UX = D
0.2
3 0.1
0 7.0033 0.293333

0
0
10.012042

x1 7.85
x = 19.5617
2

x3 70.0843

Haciendo sustitucin hacia atrs encontramos el resultado del sistema de ecuaciones

De la ecuacin despejamos x3
10.012042 x3 = 70.0843
x3 =

70.0843
= 7
10.012042

despejando x 2
7.0033 x 2 0.293333 x3 = 19.5617
x2 =

19.5617 + 0.293333 x3 19.5617 + (0.293333)(7)

=
= 2.5
7.0033
7.0033

Despejando x1
3 x1 0.1 x 2 0.2 x3 = 7.85
x1 =

7.85 + 0.1 x 2 + 0.2 x3 7.85 + (0.1)( 2.5) + (0.2)(7)

=
= 3
3
3

Por lo tanto la solucin del sistema lineal es

3
X = 2.5
7

3 0.1 0.2 3 7.85

0.1
7
0.3 2.5 = 19.3

0.3 0.2 10 7 71.4

41

Descomposicin de CROUT
Es anloga a la descomposicin LU para la solucin de sistemas lineales, solo
que la matriz b contiene la columna correspondiente a una matriz identidad, para la
obtencin de la inversa de la matriz.
Ejemplo
Utilizar la descomposicin LU para determinar la inversa de la matriz A
recuerde que AA 1 = I
3 0.1 0.2
A = 0.1
7
0.3
0.3 0.2 10
Utilizando la decomposicin LU mediante eliminacin Gaussiana simple y encontrar
LU se tiene que: Haciendo ceros los elementos por debajo de la diagonal principal

R 2 R2
R3 R3

0.1
3
0.3
3

0.2
3 0.1 0.2
3 0.1

R1 0.1
7
0.3
0 7.0033 0.293333
0.19
R1 0.3 0.2 10
R3 R3 7.0033
R2 0 0.19
10.02
a1x 3 0.1
0.2

a ' 2 x 0 7.0033 0.293333

a' '3 x 0
0
10.012042

De la matriz tenemos U y B es la primera columna de una matriz identidad para

calcular la primera columna de la inversa de la matriz
0.2
3 0.1

U = 0 7.0033 0.293333
0
10.012042
0
f 21 =
f 31

a 21 0.1
=
= 0.0333
a11
3

a
0.3
= 31 =
= 0.1
a11
3

f 32 =

a'32 0.19
=
= 0.02713
a ' 22 7.0033

1
b = 0
0
0
0
1

L = 0.0333
1
0
0.1
0.02713 1

42

Tenemos que A = LU
3 0.1 0.2
A = 0.1
7
0.3 L =
0.3 0.2 10

0
0
0.2
1
3 0.1
0.0333

1
0 U = 0 7.0033 0.293333

0.1
0
0.02713 1
0
10.012042

y que LD = b entonces
0
0 d 1
1
0.0333
1
0 d 2 =

0.1
0.02713 1 d 3
LD =

1
0

0
b

Haciendo una sustitucin hacia delante se obtiene D por lo tanto:

d1 = 1
sustituyendo d1
0.0333 d1 + d 2 = 0
d 2 = (0.0333)(1) = 0.033333
sustituyendo d1 y d 2
0.1 d1 0.02713 d 2 + d 3 = 0
d 3 = (0.1)(1) + (0.02713)( 0.0333) = 0.100904

UX = D
0.2
3 0.1
0 7.0033 0.293333

0
0
10.012042

1
x1

x = - 0.033333
2

x3 - 0.100904

Haciendo sustitucin hacia atrs encontramos el resultado del sistema de ecuaciones

para encontrar la primera columna de la inversa de la matriz.
De la ecuacin despejamos x3
10.012042 x3 = 0.104904

x3 =

0.104904
= 0.0100783
10.012042

Despejando x 2
7.0033 x2 0.293333 x3 = 0.033333
x2 =

0.033333 + 0.293333 x3 0.033333 + (0.293333)( 0.0100783)

=
= 0.00518177
7.0033
7.0033

Despejando x1
3 x1 0.1 x2 0.2 x3 = 1
x1 =

1 + 0.1 x 2 + 0.2 x3 7.85 + (0.1)( 0.00518177) + (0.2)( 0.0100783)

=
= 0.332489
3
3
43

Por lo tanto la primera columna de la inversa de la matriz es

0.332489
X 1 = 0.00518177
0.0100783

? ?
0.332489

A = 0.00518177 ? ?
0.0100783 ? ?
1

Para la segunda columna

0
LD = 1
0

0
0 d 1 0
1
0.0333
1
0 d 2 = 1

0.1
0.02713 1 d 3 0

Haciendo una sustitucin hacia delante se obtiene D por lo tanto:

d1 = 0
sustituyendo d1
0.0333 d1 + d 2 = 1
d 2 = 1 (0.0333)(0) = 1
sustituyendo d1 y d 2
0.1 d1 0.02713 d 2 + d 3 = 0
d 3 = (0.1)(0) + (0.02713)(1) = 0.02713

UX = D
0.2
3 0.1
0 7.0033 0.293333

0
0
10.012042

0
x1
x =
1
2
x3 0.02713

Haciendo sustitucin hacia atrs encontramos el resultado del sistema de ecuaciones

para encontrar la segunda columna de la inversa de la matriz.
De la ecuacin despejamos x3
10.012042 x3 = 0.02713

x3 =

0.02713
= 0.00270973
10.012042

Despejando x 2
7.0033 x 2 0.293333 x3 = 1
x2 =

1 + 0.293333 x3 1 + (0.293333 )(0.00270973)

=
= 0.142903
7.0033
7.0033

Despejando x1
3 x1 0.1 x 2 0.2 x3 = 0
x1 =

0.1 x 2 + 0.2 x3 (0.1)(0.142903) + (0.2)(0.00270973)

=
= 0.00494407
3
3

Por lo tanto la segunda columna de la inversa de la matriz es

44

 0.00494407
X 2 = 0.142903
0.00270973

0.00494407 ?
0.332489

A = 0.00518177 0.142903 ?
0.0100783 0.00270973 ?
1

Para la Tercer columna

0
LD = 0
1

0
0 d 1 0
1
0.0333
1
0 d 2 = 0

0.1
0.02713 1 d 3 1

Haciendo una sustitucin hacia delante se obtiene D por lo tanto:

d1 = 0
sustituyendo d1
0.0333 d1 + d 2 = 0
d 2 = (0.0333)(0) = 0
sustituyendo d1 y d 2
0.1 d1 0.02713 d 2 + d 3 = 1
d 3 = 1 (0.1)(0) + (0.02713)(0) = 1

UX = D
0.2
3 0.1
0 7.0033 0.293333

0
0
10.012042

x1 0
x = 0
2
x3 1

Haciendo sustitucin hacia atrs encontramos el resultado del sistema de ecuaciones

para encontrar la Tercera columna de la inversa de la matriz.
De la ecuacin despejamos x3
10.012042 x3 = 1

x3 =

1
= 0.0998797
10.012042

x2 =

0.293333 x3 (0.293333 )(0.0998797)

=
= 0.00418344
7.0033
7.0033

Despejando x 2
7.0033 x 2 0.293333 x3 = 0
Despejando x1
3 x1 0.1 x 2 0.2 x3 = 0
x1 =

0.1 x 2 + 0.2 x3 (0.1)(0.00418344) + (0.2)(0.0998797)

=
= 0.0067981
3
3

Por lo tanto la segunda columna de la inversa de la matriz es

0.0067981
X 3 = 0.00418344
0.0998797

0.00494407 0.0067981
0.332489
A 1 = 0.00518177 0.142903 0.00418344
0.0100783 0.00270973 0.0998797

45

Descomposicin de Cholesky
Una matriz simtrica es aquella en que aij = a ji i, j , por lo tanto AT = A . La
descomposicin de Cholesky se basa en que una matriz simtrica se puede
descomponer en A = LLT donde
a11
a
12
a13

a13 l11
a 23 = l 21
a33 l 31

a12
a 22
a 23

0
l 22
l 32

0 l11 l 21
0 0 l 22
l 33 0 0

a11 = l 211

l11 =

a 21 = l11l 21

l 21 =

a31 = l11l 31

l 31
l 32
l 33

a11

a 21
l11
a
l31 = 13
l11

2
a22 = l212 + l22

l 22 =

a32 = l31l21 + l32l22

l 32

a33 = l 312 + l 322 + l 332

l33 =

a 22 l 212
a l l
= 32 31 21
l 22
a33 (l312 + l322 )

De donde se obtiene las siguientes formulas:

lii =

lij =

aij

i 1

k=1

lii

aii

lki lkj

i 1

k= 1

lki2 Para los elementos de la diagonal principal

para i < j

Para los elementos fuera de la diagonal principal

46

Ejemplo
Aplicar la descomposicin de Cholesky a:
55
6 15

A = 15 55 255
55 255 1500
l11 =
l21 =
l22 =

a11 =

6 = 2.44949

a21
15
=
= 6.12372
l11 2.44949
2
a22 l21
=

55 (6.12372) 2 = 4.1833

l31 =

a13
55
=
= 22.4537
l11 2.44949

l32 =

a32 l31l21 255 ( 22.4537)(6.12372)

=
= 28.0879
l22
4.1833

l 33 =

a33 (l 312 + l 322 ) =

1500 (22.4537) 2 (28.0879) 2 = 14.3842

0
0
2.44949

L = 6.12372 4.1833
0
22.4537 28.0879 14.3842
2.44949 6.12372 22.4537
L =
0
4.1833 28.0879

0
0
14.3842
T

Por lo tanto A = LLT

0
0 2.44949 6.12372 22.4537 6 15
55
2.44949
6.12372 4.1833

0
0
4.1833 28.0879 = 15 55 255

22.4537 28.0879 14.3842

0
0
14.3842 55 255 1500

47

Mtodo de Jacobi.
Esta tcnica muestra cierta similitud con el mtodo de iteracin de punto fijo, ya que
consiste en despejar una de las incgnitas de una ecuacin dejndola en funcin de las
otras. La manera ms sencilla es despejar a x1 de la primer ecuacin, x 2 de la
segunda ecuacin, xi de la i-sima ecuacin, hasta xn de la n-sima ecuacin. Es
necesario por razones obvias que todos los elementos de la diagonal principal de la
matriz de coeficientes del sistema lineal, sean diferentes de cero.
Sea el sistema lineal:
a11 x1
a21 x1

+
+

a12 x2
a22 x2

+
+

a13 x3
a23 x3

+
+

+
+

a1n xn
a2 n xn

=
=

b1
b2

a31 x1

an1 x1

a32 x2

a33 x3

a3n xn

an 2 x2

an 3 x3

ann xn

b3

bn

Al realizar los despejes propuestos se tiene x1 de la primera ecuacin, x 2 de la

segunda ecuacin, etc. se tiene:
b1 ( a12 x2 + a13 x3 + + a1n xn )
a11
b2 ( a21 x1 + a23 x3 + + a2 n xn )
x2 =
a22
b ( a31 x1 + a32 x2 + + a3n xn )
x3 = 3
a33

b ( an1 x1 + an 2 x2 + an 3 x3 + a1n 1 xn 1 )
xn = 1
ann
x1 =

Para estimar la primera aproximacin a la solucin se debe partir de un vector inicial, el

cual puede ser el vector x 0 = 0 , o algn otro que se encuentre prximo al vector de
solucin x . En general, el vector de aproximacin a la solucin despus de las
iteraciones se puede calcular de la siguiente manera.
bi
xik + 1 =

j= 1
j i

aij x kj

aii

48

Ejemplo
Resolver el siguiente sistema de ecuaciones utilizando el mtodo de Jacobi.
Emplear el vector inicial de x 0 = 0 .
6 x1
x1
3x1
x1

x2
10 x2
2 x2
x2

+
+
+

x3
2 x3
8 x3
x3

=
=
=
=

4 x4
x4
x4
5 x4

17
17
19
14

Al despejar las incgnitas correspondientes se tiene.

#
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

x1 =

17 ( x2 x3 + 4 x4 )
6

x2 =

17 ( x1 + 2 x3 x4 )
10

x3 =

19 (3 x1 2 x2 x4 )
8

x4 =

14 ( x1 + x2 + x3 )
5

x1

x2

x3

x4

Ex1

Ex 2

Ex3

Ex 4

0
2.833333
1.645833
0.756528
0.959948
1.073512
1.006483
0.986458
1.000805
1.002851
0.999591
0.999489
1.000145
1.000090
0.999962
0.999986
1.000009
1.000002
0.999998
1.000000
1.000000

0
1.700000
2.178333
1.863917
1.942440
2.018098
2.005556
1.994260
1.999071
2.001116
2.000022
1.999758
2.000017
2.000046
1.999991
1.999992
2.000003
2.000001
1.999999
2.000000
2.000000

0
2.375000
2.087500
2.825104
3.055073
2.986768
2.975894
3.000917
3.003342
2.999007
2.999290
3.000233
3.000104
2.999937
2.999984
3.000014
3.000001
2.999997
3.000000
3.000001
3.000000

0
2.800000
4.181667
3.982333
3.889110
3.991492
4.015676
3.997587
3.996327
4.000643
4.000595
3.999781
3.999896
4.000053
4.000014
3.999987
3.999998
4.000003
4.000000
3.999999
4.000000

100
72.151899
117.550945
21.190747
10.578776
6.659766
2.030015
1.433584
0.203982
0.326059
0.010259
0.065556
0.005505
0.012786
0.002459
0.002301
0.000752
0.000384
0.000193
0.000056

100
21.958684
16.868601
4.042524
3.748981
0.625399
0.566434
0.240665
0.102221
0.054703
0.013216
0.012983
0.001409
0.002727
0.000028
0.000553
0.000064
0.000104
0.000024
0.000018

100
13.772455
26.108919
7.527439
2.286907
0.365414
0.833855
0.080719
0.144546
0.009464
0.031418
0.004312
0.005552
0.001578
0.000983
0.000415
0.000150
0.000101
0.000020
0.000022

100
33.041052
5.005441
2.397042
2.565018
0.602230
0.452505
0.031519
0.107896
0.001219
0.020349
0.002879
0.003930
0.000967
0.000675
0.000273
0.000108
0.000067
0.000014
0.000015

49

Mtodo de Gauss-Seidel.
Este mtodo trabaja de manera similar al mtodo de Jacobi, ya que realizan los
mismos despejes. La diferencia consiste en que en el proceso iterativo, cada una de las
aproximaciones de cada variable que se calcula se sustituye inmediatamente en el
clculo de la siguiente variable en esa misma iteracin. De esta manera la
convergencia es ms rpida.
Ejemplo
Resolver el siguiente sistema de ecuaciones utilizando el mtodo de GaussSeidel. Emplear el vector inicial de x 0 = 0 .

6 x1
x1
3 x1
x1

x2
10 x 2
2 x2
x2

+
+
+

x3
2 x3
8 x3
x3

4 x4
x4
x4
5 x4

=
=
=
=

17
17
19
14

Al despejar las incgnitas correspondientes se tiene.

#
0
1
2
3
4
5
6
7
8
9
10
11

x1 =

17 ( x2 x3 + 4 x4 )
6

x2 =

17 ( x1 + 2 x3 x4 )
10

x3 =

19 (3 x1 2 x2 x4 )
8

x4 =

14 ( x1 + x2 + x3 )
5

x1

x2

x3

x4

Ex1

Ex 2

Ex3

Ex 4

0
2.83333333
0.71527778
1.03040509
0.99613069
1.00039613
0.99995356
1.00000466
0.99999948
1.00000005
0.99999999
1

0
1.98333333
1.72069444
2.02378356
1.99524565
2.00042108
1.99993764
2.00000561
1.99999926
2.00000007
1.99999999
2

0
1.80833333
3.05256944
2.98175752
3.00116106
2.99977015
3.00001651
2.99999735
3.0000002
2.99999997
3
3

0
4.125
3.89770833
4.00718924
3.99850748
4.00011747
3.99998154
4.00000153
3.99999979
4.00000002
4
4

100
296.116505
30.582857
3.440754
0.426375
0.044260
0.005111
0.000519
0.000058
0.000006
0.000001

100
15.263540
14.976360
1.430296
0.258717
0.024173
0.003399
0.000317
0.000040
0.000004
0.000000

100
40.760288
2.374838
0.646534
0.046367
0.008212
0.000639
0.000095
0.000008
0.000001
0.000000

100
5.831418
2.732112
0.217125
0.040249
0.003398
0.000500
0.000043
0.000006
0.000001
0.000000

50

Los mtodos de Jacobi y Gauss-Seidel convergern si en la matriz de coeficientes el

valor absoluto de cada elemento de la diagonal principal es mayor que la suma de los
valores absolutos de todos los dems electos de la misma fila y columna.
Entonces se asegura convergencia si:
n

aii >

i= 1
i j

aij

para

1 j n

aij

para

1 i n

Y
aii >

j= 1
j i

Ejemplo
Aplicar el criterio de convergencia para los mtodos de Jacobi y Gauss-Seidel.
+

+
+

x1
x1
5 x1
x1

6 x2
x2
x2
x2

x3
8 x3
x3
x3

x4
4 x4
x4
6 x4

=
=
=
=

6
7
0
30

Aplicando el criterio de convergencia se tiene.

x1
x1
5 x1
x1

+
+

6 x2
x2
x2
x2

x3
8 x3
x3
x3

x4
4 x4
x4
6 x4

=
=
=
=

6
7
0
30

1 > 6 + 1+ 1 = 3
1 > 1 + 8 + 4 = 13
1> 5 + 1+ 1 = 7
6 > 1+ 1+ 1= 3

Reacomodando y aplicando el criterio de convergencia.

5 x1
x1
x1
x1

+
+

x2
6 x2
x2
x2

+
+

x3
x3
8 x3
x3

x4
x4
4 x4
6 x4

=
=
=
=

0
6
7
30

5>
6>
8>
6

1+ 1+
1+ 1+
1+ 1+
> 1+ 1+

1= 3
1= 3
4= 6
1= 3

51

Normas de Vector y Matrices

Norma 1
Vi =

ai

i= 1

3 0.1 0.2 V1
A = 0.1
7
0.3 = V2
0.3 0.2 10 V3
V1 = 3 + 0.11 + 0.2 = 33
V2 = 0.1 + 7 + 0.3 = 7.4
V3 = 0.3 + 0.2 + 10 = 10.5

Norma 2
Vi
V1

(3) 2 + ( 0.1) 2 + ( 0.2) 2 = 3.008321

V1

(0.1) 2 + (7) 2 + ( 0.3) 2 = 7.007139

V1

(0.3) 2 + ( 0.2) 2 + (10) 2 = 10.00649

i= 1

ai

Norma infinito
Vi
V1

= 3

V2

= 7

V3

= 10

= max{ ai , i = 1,2,3, , n }

52

Nmero de condicin
Sea A una matriz no singular (determinante diferente de cero) de n n y E otra
matriz no singular de n n muy pequea (de valores muy pequeos).
Qu tan pequea debe de ser E para que la matriz perturbada A + E sea tambin no
singular (que tenga inversa), y que tanto difiere A 1 de ( A + E ) 1 ?
La inversa calculada de A es muy comn que se encuentre muy cerca de la matriz
ligeramente perturbada A + E .
Sin embargo, este resultado no garantiza la precisin de A 1 y ( A + E ) 1 pueden diferir
significativamente, entonces se dice que dicha matriz ( A + E ) 1 esta mal condicionada a
la inversin. Existe un nmero de condicin que mide el grado de condicionamiento de
una matriz y esta dado por:
cond [ A] = A

A 1

Si el nmero de condicin es grande, entonces A 1 es sensible a pequeas

perturbaciones, y por lo tanto la inversa calculada se encuentra mal condicionada
Para calcular el nmero de condicin de la matriz debemos de normalizar la matriz para
que su mayor elemento por vector sea 1
Si cond [ A] es cercano a 1, la matriz esta bien condicionada.

53

Ejemplo
Encuentre el nmero de condicin de:
1
A = 12
13

1
5

1
2

1
3

1
3

1
4

1
4

Se normaliza la matriz para que el elemento por rengln sea mximo 1.

Normalizando A se tiene
1
A = 1
1

1
3

2
3

1
2

3
4

= 1.83333
= 2.16667
= 2.35000

=
Max
aij

i= 1

Obteniendo la norma infinito A

A

3
5

1
2

= Max {1.83333,2.16667,2.35000}

= 2.35000

La inversa de la matriz normalizada A es

18 10
9

A = 36 96 60
30 90 60
1

18 10
9

A = 36 96 60
30 90 60
1

= 37.0
= 192
= 180

= Max { 37,192,180} = 192

Obteniendo el nmero de condicin tenemos que:

Cond [ A] = A

A 1

Cond [ A] = (2.35) (192) = 451.2

Con lo cual se observa que la matriz A esta mal condicionada a pequeas
perturbaciones

54

Mnimos Cuadrados
Si se tiene un sistema sobredeterminado del estilo
A n m x m n = b n m
Si n > m por lo tanto existe m error dado por
e = b Ax

donde x es el vector de soluciones estimado

El error
E=

i= 1

ei

= eT e

Donde E es un escalar.
El vector de soluciones estimado es
x = ( AT A) 1 AT b
Donde ( AT A) 1 AT es llamada pseudoinversa Monroe Penrose
El error mnimo se encuentra
Emin = eT e = bT b bT Ax
Ejemplo
Realice un programa que encuentre el estimado de x , as mismo que
proporcione el error mnimo Emin para el siguiente sistema sobredeterminado.
a
a
a
a
a

3b + 9c = 18
2b + 4c = 10
= 2
+ 3b + 9c = 2
+ 4b + 16c = 5

55

Unidad IV
Aproximacin funcional e interpolacin.
A menudo se proporcionan datos mediante un conjunto de puntos discretos. Sin
embargo a veces se requieren estimaciones de puntos entre esos valores discretos.
Repaso de estadstica.
N

Media.

Suma de cuadrados.

y = = ( y) = E[ y] =
St =

i= 1

St
=
=
N1

Desviacin estndar.

Sy = =

Suma del error cuadrtico medio.

Sr =

Sy

Cv =

Error estndar del estimado.

Sy/x =

i= 1

yi

( yi y )
N1

St
=
N1
2

i= 1

Coeficiente de varianza.

i= 1

( yi y ) 2
N

Varianza.

ei =

(y
i= 1

i= 1

r=

a 0 a1 xi )

* 100%
Sr
n 2
n

Coeficiente de correlacin.

N
yi yi
i= 1
N ( N 1)
2

r =

n xi y i
i= 1

i= 1

r2 =

n
x xi
i= 1
2
i

x
i

i= 1

i= 1

i= 1

yi

n
y yi
i= 1

2
i

St Sr
St

Ajuste perfecto cuando S r = 0 y r = r 2 = 1 .

56

Aproximacin por mnimos cuadrados en una recta.

La forma ms simple de una aproximacin por mnimos cuadrados es el ajuste
de una lnea recta a un conjunto de parejas de datos observadas.
12

11

y = a0 + a1 x + e

10
9
8
7
6
5
4
3
2

x
0

10

12

14

16

18

20

La expresin matemtica de una lnea recta es y = a 0 + a1 x + e donde a0 y a1 son

coeficientes que representan la interseccin con el eje de las abscisas y la pendiente
respectivamente y e es el error o residuo entre el modelo y las observaciones.
Donde a0 y a1 vienen dadas por:
n
n n
n xi y i x i y i
i= 1 i= 1
a1 = i = 1
2
n
n
2
n x i xi
i= 1
i= 1

a 0 = y a1 x

57

Ejemplo.
Ajustar a una lnea recta los valores de x y y . Calcular la desviacin estndar,
el error estndar del estimado y el coeficiente de correlacin.
x
y

0.0
9.1

1.0
7.3

2.0
3.2

3.0
4.6

4.0
4.8

5.0
2.9

6.0
5.7

7.0
7.1

8.0
8.8

9.0
10.2

Obteniendo las sumas

xi

0
1
2
3
4
5
6
7
8
9
xi = 45

yi

xi2

yi2

9.1
7.3
3.2
4.6
4.8
2.9
5.7
7.1
8.8
10.2

0
1
4
9
16
25
36
49
64
81

82.81
53.29
10.24
21.16
23.04
8.41
32.49
50.41
77.44
104.04

yi = 63.7

xi2 = 285

yi2 = 463.33

xi yi

0
7.3
6.4
13.8
19.2
14.5
34.2
49.7
70.4
91.8
xi yi = 307.3

De donde a1 y a0
n
n n
n xi yi xi yi
i = 1 i = 1 = 10 (307.3) (45) (63.7) = 0.250303
a1 = i = 1
2
n
10 (285) (45) 2
n
n xi2 xi
i= 1
i= 1
n

a 0 = y a1 x

x=

xi

i= 1

= 4 .5

y=

i= 1

yi

= 6.37

a 0 = y a1 x = 6.37 - (0.250303) (4.5) = 5.2436364

Por lo tanto la ecuacin el ajuste con mnimos cuadrados es:
y = a 0 + a1 x = 5.2436364 + 0.250303x
La correlacin es
n

r=

r2 =

n xi y i
i= 1

i= 1

xi2 xi
i= 1
n

x
i

i= 1

i= 1

i= 1

yi

y i2 y i
i= 1
n

10 (307.3) (45) (63.7)

10 (285) (45) 2 10 (463.33) (63.7) 2

= 0.2996601

58

Interpolacin lineal.
Con frecuencia se tienen que estimar valores intermedios entre valores
conocidos. La forma mas simple de interpolacin es conectar dos puntos con una lnea
recta, este mtodo es llamado interpolacin lineal.
I n t e r p o la c io n L in e a l

f (x )

f ( x) = f ( x0 ) +

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

f ( x1 )
f (x)

f ( x0 )
x

x0

x
x1

La forma de una ecuacin lineal esta dada por f ( x) = a 0 + a1 x1

Donde para encontrar la aproximacin mediante una lnea recta, usamos tringulos
semejantes y se obtiene
f ( x) f ( x0 ) f ( x1 ) f ( x0 )
=
x x0
x1 x0
de donde es fcil despejar a f (x) .
f ( x) = f ( x0 ) +

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

donde f (x) representa la interpolacin del polinomio mediante una lnea recta.
Ejemplo:
Estimar el Ln(2) mediante interpolacin lineal tomando los puntos de Ln (1) = 0 y
Ln (6) = 1.791759 . Despus repita el procedimiento pero usando un intervalo ms
pequeo de Ln (1) = 0 a Ln (4) = 1.386294 . El valor real de Ln (2) = 0.693147 .
x0 = 1 f ( x0 ) = 0
x1 = 6 f ( x1 ) = 1.791759

f ( 2) = f ( x0 ) +
Ev =

f ( x1 ) f ( x0 )
1.791759 0
( x x0 ) = 0 +
(2 1) = 0.358352
x1 x0
6 1

vv v a
0.693147 0.358352
=
100 = 48.30%
vv
0.693147

59

Interpolacin cuadrtica.
La forma general de una Interpolacin cuadrtica es:
f ( x) = b0 + b1 ( x x0 ) + b2 ( x x0 )( x x1 )
f (x )

In te r p o la c i n C u a d r a tic a

f ( x) = a0 + a1 x + a2 x 2
f ( x2 )

f ( x1 )

f ( x0 )

x0

x1

x2

Expandiendo el polinomio se obtiene.

f ( x) = b0 + b1 x b1 x0 + b2 x 2 + b2 x0 x1 b2 x x0 b2 x x1
Agrupando trminos podemos representar al polinomio de la forma:
f ( x) = a 0 + a1 x + a 2 x 2
de donde tenemos que:
a 0 = b0 b1 x 0 + b2 x 0 x1
a1 = b1 b2 x0 b2 x1
a 2 = b2
Los coeficientes b0 , b1 , b2 y se obtienen mediante diferencias divididas.
b0 = f ( x0 )
b1 =

f ( x1 ) f ( x0 )
x1 x0

f ( x2 ) f ( x1 ) f ( x1 ) f ( x0 )

x2 x1
x1 x0
b2 =
x2 x0
Con lo cual se obtiene el polinomio de interpolacin cuadrtico.

60

Ejemplo.
Ajustar a tres puntos dados para obtener Ln( 2) , usando un polinomio de
segundo orden de donde los puntos a interpolar son:
x0 = 1 f ( x0 ) = 0
x1 = 4 f ( x1 ) = 1.386294
x2 = 6 f ( x2 ) = 1.791759
Obteniendo los coeficientes b0 , b1 , b2 , tenemos que
b0 = f ( x 0 ) = 0
b1 =

f ( x1 ) f ( x 0 ) 1.386294 0
=
= 0.462098
x1 x0
4 1

f ( x 2 ) f ( x1 ) f ( x1 ) f ( x 0 ) 1.791759 1.386294 1.386294 0

x 2 x1
x1 x0
6 4
4 1
b2 =
=
= 0.051873
x 2 x0
6 1
Obteniendo los coeficientes del polinomio
a 0 = b0 b1 x 0 + b2 x0 x1 = 0 (0.462098)(1) + ( 0.051873)(1)(4) = -0.669591
a1 = b1 b2 x0 b2 x1 = (0.462098) ( 0.051873)(1) ( 0.051873)(1) = 0.721464
a 2 = b2 = 0.051873
Donde el polinomio queda
f ( x) = a 0 + a1 x + a 2 x 2 = -0.669591 + 0.721464 x 0.051873x 2
Evaluando el polinomio para f ( x = 2) tenemos que
f ( x = 2) = -0.669591 + 0.721464 x 0.051873 x 2 = 0.565844
donde el error verdadero es:
Ev =

Vv Va
0.693147 - 0.565844
100 =
100 = 18.3659%
Vv
0.693147

61

Interpolacin de Polinomios de Newton.

La Formula general para la interpolacin de Newton para un polinomio de n
orden. f n ( x ) = b0 + b1 ( x x0 ) + b2 ( x x 0 )( x x1 ) + + bn ( x x 0 )( x x1 ) ( x x n 1 )

(1)

Para un polinomio de n-simo orden se requiere n + 1 puntos. Donde:

b0 =
b1 =
b2 =
b3 =

f ( x0 )
f ( x1 , x 0 )
f ( x 2 , x1 , x 0 )
f ( x3 , x 2 , x1 , x0 )

bn = f ( x n , x n 1 , , x1 , x 0 )

(2)

Donde las evaluaciones puestas entre parntesis son diferencias divididas finitas.
f ( xi , x j ) =

f ( xi ) f ( x j )

(3)

xi x j

La segunda diferencia dividida:

f ( xi , x j , x k ) =

f ( xi , x j ) f ( x j , x k )

(4)

xi x k

La n-sima diferencia dividida es:

f ( x n , x n 1 , , x1 , x0 ) =

f ( x n , x n 1 , , x 2 , x1 ) f ( x n 1 , x n 2 , , x1 , x0 )
xn x0

(5)

Estas diferencias se utilizan para evaluar los coeficientes b0 , b1 , b2 , , bn los cuales se

utilizan para obtener el polinomio de interpolacin, el cual es conocido como el
polinomio de interpolacin por diferencias divididas de Newton.
f n ( x) = f ( x0 ) + ( x x 0 ) f ( x1 , x0 ) + ( x x 0 )( x x1 ) f ( x 2 , x1 , x0 )
+ + ( x x0 )( x x1 ) ( x x n 1 ) f ( x n , x n 1 , , x1 , x0 )

i
1
2
3
4
5

xi
x0
x1
x2
x3
x4

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

Primero
f ( x1 , x0 )
f ( x 2 , x1 )
f ( x3 , x 2 )
f ( x 4 , x3 )

Segundo
f ( x 2 , x1 , x0 )
f ( x3 , x 2 , x1 )
f ( x 4 , x3 , x 2 )

Tercero
f ( x3 , x 2 , x1 , x0 )
f ( x 4 , x3 , x 2 , x1 )

(6)

Cuarto
f ( x 4 , x3 , x 2 , x1 , x0 )

62

Ejemplo.
Utilice la interpolacin de polinomios de Newton para interpolar los siguientes
puntos a un polinomio de tercer orden para estimar Ln( 2) .
x0 = 1 f ( x 0 ) = 0
x1 = 4 f ( x1 ) = 1.386294
x 2 = 6 f ( x 2 ) = 1.791759
x3 = 5 f ( x3 ) = 1.609438

xi

xi

f ( xi )

f ( xi , xi 1 )

f ( xi , xi 1 , xi 2 )

f ( xi , xi 1 , xi 2 , xi 3 )

x0

1
4
6
5

0
1.38629436
1.79175947
1.60943791

0.46209812
0.20273255
0.18232156

-0.05187311
-0.02041100

0.00786553

x1
x2
x3

Donde las diferencias divididas son:

f ( x0 ) = 0
f ( x1 , x0 ) = 0.46209812
f ( x 2 , x1 , x 0 ) = -0.05187311
f ( x3 , x 2 , x1 , x0 ) = 0.00786553
Y el polinomio resultante queda:
f 3 ( x ) = f ( x0 ) + ( x x0 ) f ( x1 , x0 ) + ( x x0 )( x x1 ) f ( x 2 , x1 , x0 ) + ( x x0 )( x x1 )( x x 2 ) f ( x3 , x 2 , x1 , x 0 )

f 3 ( x) = (0) + ( x 1)(0.46209812) + ( x 1)( x 4)(-0.05187311) + ( x 1)( x 4)( x 6)(0.00786553)

f 3 (2) = (0) + (2 1)(0.46209812) + (2 1)(2 4)(-0.05187311) + (2 1)(2 4)(2 6)(0.00786553)

f 3 (2) = 0.62876858
Donde el error verdadero es
Ev =

Vv Va
0.693147 - 0.62876858
100 =
100 = 9.287868
Vv
0.693147

63

Interpolacin de polinomios de Lagrange.

El polinomio de interpolacin de Lagrange se puede obtener de manera directa a
partir de la formulacin del polinomio de Newton. Haremos esto nicamente para el
caso del polinomio en primer orden. Para obtener la forma de Lagrange, reformulamos
las diferencias divididas. Por ejemplo, la primera diferencia dividida
Se puede reformular como.
f ( x1 ) f ( x0 )
x1 x0

(1)

f ( x0 )
f ( x1 )
+
x0 x1 x1 x 0

(2)

f ( x1 , x0 ) =
La cual es referida como
f ( x1 , x0 ) =

Por ultimo, al agrupar trminos similares y simplificar se tiene la forma del polinomio de
Lagrange
f ( x) =

x x1
x x0
f ( x0 ) +
f ( x1 )
x0 x1
x1 x0

(3)

La interpolacin de polinomios de Lagrange es simplemente una reformulacin del

polinomio de Newton que evita el clculo por diferencias divididas. Se puede expresar
de manera concisa como
f ( x) =

i= 0

Li ( x) f ( xi )

(4)

Donde
n

x xj

j= 0
j i

xi x j

Li ( x) =

(5)

Donde designa el producto de por ejemplo cuando n = 1 es

f ( x) =

x x0
x x1
f ( x0 ) +
f ( x1 )
x0 x1
x1 x 0

(6)

Cuando n = 2 es
f ( x) =

( x x 0 )( x x 2 )
( x x0 )( x x1 )
( x x1 )( x x 2 )
f ( x0 ) +
f ( x1 ) +
f ( x 2 ) (7)
( x 0 x1 )( x0 x 2 )
( x1 x 0 )( x1 x 2 )
( x 2 x0 )( x 2 x1 )

64

Cuando n = 3
f ( x) =

( x x1 )( x x2 )( x x3 )
( x x0 )( x x2 )( x x3 )
f ( x0 ) +
f ( x1 )
( x0 x1 )( x0 x2 )( x0 x3 )
( x1 x0 )( x1 x2 )( x1 x3 )

( x x0 )( x x1 )( x x3 )
( x x0 )( x x1 )( x x2 )
+
f ( x2 ) +
f ( x3 )
( x2 x0 )( x2 x1 )( x2 x3 )
( x3 x0 )( x3 x1 )( x3 x2 )

(8)

Para los casos en donde el orden del polinomio se desconozca, el mtodo de Newton
tiene ventajas debido a que profundiza en el comportamiento de las diferentes frmulas
de orden superior. En general puede integrarse fcilmente en los clculos de Newton
ya que la aproximacin usa una diferencia dividida. De esta forma, desde el punto de
vista de clculo, a menudo, se prefiere el mtodo de Newton.
Ejemplo.
Utilice la interpolacin de polinomios de Lagrange para interpolar los siguientes
puntos a un polinomio de primero y segundo orden para estimar Ln(2) ,
x0 = 1 f ( x0 ) = 0
x1 = 4 f ( x1 ) = 1.386294
x 2 = 6 f ( x 2 ) = 1.791759
Para n = 1 sustituyendo en la ecuacin los punto se tiene
f ( x) =

x x0
x x1
f ( x0 ) +
f ( x1 )
x0 x1
x1 x 0

f ( x) =

x 4
x 1
(0) +
(1.386294)
1 4
4 1

Para x = 2
f (2) =

2 4
2 1
(0) +
(1.386294) = 0.462098
1 4
4 1

Donde el error verdadero es

Ev =

Vv Va
0.693147 - 0.462098
100 =
100 = 33.3333%
Vv
0.693147

Para n = 2
f ( x) =

( x x 0 )( x x 2 )
( x x0 )( x x1 )
( x x1 )( x x 2 )
f ( x0 ) +
f ( x1 ) +
f ( x2 )
( x 0 x1 )( x0 x 2 )
( x1 x 0 )( x1 x 2 )
( x 2 x0 )( x 2 x1 )

f ( x) =

( x 4)( x 6)
( x 1)( x 6)
( x 1)( x 4)
(0) +
(1.386294) +
(1.791759)
(1 4)(1 6)
(4 1)(4 6)
(6 1)(6 4)

Para x = 2

f ( 2) = 0.565844

Donde el error verdadero es

E v = 18.3659%
65

Trazador de primer orden.

La conexin ms simple entre dos puntos es por medio de una lnea recta. Los
trazadores de primer orden para un grupo de datos ordenados pueden definirse como
un conjunto de funciones lineales.

f ( xn )

f (x)

In te r p o la c io n S e g m e n t a r ia
f ( x) = f ( xn 1 ) + mn 1 ( x x n 1 )

f (xn 1 )

f (x2 )
f ( x3 )

f ( x) = f ( x0 ) + m0 ( x x0 )

f ( x) = f ( x 2 ) + m2 ( x x2 )

f ( x0 )

f ( x) = f ( x1 ) + m1 ( x x1 )

f ( x1 )
x0

x1

x2

x3

xn 1

xn

Donde:
mi es la pendiente de la lnea recta que conecta a los puntos.
mi =

f ( xi + 1 ) f ( xi )
xi + 1 xi
f ( x ) = f ( x 0 ) + m0 ( x x 0 )

x 0 x x1

f ( x) = f ( x1 ) + m1 ( x x1 )

x1 x x 2

f ( x) = f ( x 2 ) + m2 ( x x 2 )

x 2 x x3

f ( x) = f ( x n 1 ) + mn 1 ( x x n 1 )

xn 1

x xn

66

Ejemplo.
Ajuste los siguientes puntos con segmentaras de primer orden. Evaluar la
funcin en x = 5 .
x0 = 3.0

f ( x 0 ) = 2.5

x1 = 4.5

f ( x1 ) = 1.0

x 2 = 7.0

f ( x 2 ) = 2.5

x3 = 9.0

f ( x3 ) = 0.5

Obteniendo las pendientes tenemos

m0 =

f ( x1 ) f ( x0 ) 1.0 2.5
=
= 1
x1 x 0
4.5 3.0

m1 =

f ( x 2 ) f ( x1 ) 2.5 1.0
=
= 0.6
x 2 x1
7.0 4.5

m2 =

f ( x3 ) f ( x 2 ) 0.5 2.5
=
= 1
x3 x 2
9.0 7.0

Donde la interpolacin segmentara queda como

f ( x) = 2.5 1.0( x 3.0)

3 .0 x 4 .5

f ( x) = 1.0 + 0.6( x 4.5)

4.5 x 7.0

f ( x) = 2.5 1.0( x 7.0)

7.0 x 9.0

Evaluando en x = 5 tomamos la funcin f ( x) = 1.0 + 0.6( x 4.5)

f (5) = 1.0 + 0.6(5 4.5) = 1.3

67

Trazador Cbico.
El objetivo de los trazadores cbicos es obtener un polinomio de tercer orden
para cada intervalo entre los nodos, como en.
f i ( x) = ai x 3 + bi x 2 + ci x + d i
Para poder obtener trazadores cbicos en un intervalo se aplica la siguiente ecuacin.
f ( xi 1 )
f ' ' ( xi 1 )
f ' ' ( xi )
f ' ' ( xi 1 )( xi xi 1 )
( xi x ) 3 +
( x xi 1 ) 3 +

( xi x )
6( xi xi 1 )
6( xi xi 1 )
6
( xi xi 1 )

f ( xi )
f ' ' ( xi )( xi xi 1 )
+

( x xi 1 ) ( I )
6
( xi xi 1 )

f i ( x) =

Donde: f ' ' es la segunda derivada al final de cada intervalo, las cuales se desconocen.
Para poder evaluar estas incgnitas se utiliza la siguiente ecuacin.
( x i x i 1 ) f ' ' ( x i 1 ) + 2( x i + 1 x i 1 ) f ' ' ( x i ) + ( x i + 1 x i ) f ' ' ( x i + 1 ) =
6
[ f ( xi + 1 ) f ( xi )] + 6 [ f ( xi 1 ) f ( xi )] ( II )
xi + 1 xi
xi x i 1

Ejemplo.
Ajuste los siguientes puntos con trazadores cbicos. Evaluar la funcin en x = 5
x0 = 3.0

f ( x 0 ) = 2.5

x1 = 4.5

f ( x1 ) = 1.0

x 2 = 7.0

f ( x 2 ) = 2.5

x3 = 9.0

f ( x3 ) = 0.5

Utilizando la ecuacin ( II ) para generar un conjunto de ecuaciones simultneas.

Tomando i = 1
( x i x i 1 ) f ' ' ( x i 1 ) + 2( x i + 1 x i 1 ) f ' ' ( x i ) + ( x i + 1 x i ) f ' ' ( x i + 1 ) =
6
[ f ( xi + 1 ) f ( x i )] + 6 [ f ( xi 1 ) f ( x i )]
xi + 1 xi
xi x i 1
(4.5 3.0) f ' ' (3.0) + 2(7.0 3.0) f ' ' (4.5) + (7.0 4.5) f ' ' (7.0) =

6
[ 2.5 1.0] + 6 [ 2.5 1]
7.0 4.5
4.5 3.0

1.5 f ' ' (3.0) + 8.0 f ' ' (4.5) + 2.5 f ' ' (7.0) = 9.6

68

Tomando i = 2
(7.0 4.5) f ' ' (4.5) + 2(9.0 4.5) f ' ' (7.0) + (9.0 7.0) f ' ' (9.0) =

6
[ 0.5 2.5] + 6 [1.0 2.5]
9.0 7.0
7 4.5

2.5 f ' ' (4.5) + 9.0 f ' ' (7.0) + 2.0 f ' ' (9.0) = 9.6
de donde nos queda un sistema de ecuaciones simultaneas y las evaluaciones de
f ' ' (9.0) y f ' ' (3.0) decimos que son igual a cero dado que no existen puntos suficientes
para encontrar las derivadas
1.5 f ' ' (3.0) + 8.0 f ' ' (4.5) + 2.5 f ' ' (7.0) = 9.6
2.5 f ' ' (4.5) + 9.0 f ' ' (7.0) + 2.0 f ' ' (9.0) = 9.6
Con lo cual el sistema de ecuaciones queda como sigue
8.0 f ' ' (4.5) + 2.5 f ' ' (7.0) = 9.6
2.5 f ' ' (4.5) + 9.0 f ' ' (7.0) = 9.6

8.0 2.5 f ' ' ( 4.5) 9.6

2.5 9.0 f ' ' (7.0) = 9.6

Resolviendo el sistema tenemos que

f ' ' (4.5) 1.679087
f ' ' (7.0) = 1.533080

Los valores de f ' ' (4.5) y f ' ' (7.0) se sustituyen en la ecuacin ( I ) para obtener los
trazadores cbicos de primer intervalo
Tomando i = 1 tenemos que
f ( x0 )
f ' ' ( x0 )
f ' ' ( x 0 )( x1 x 0 )
f ' ' ( x)
( x1 x) 3 +
( x x0 ) 3 +

( x1 x)
6( x1 x0 )
6( x1 x0 )
6
( x1 x 0 )

f ( x1 )
f ' ' ( x1 )( x1 x0 )
+

( x1 x0 )
6
( x1 x 0 )

f1 ( x) =

Sustituyendo
f 1 ( x) =

1.679087
2 .5
( x 3.0) 3 +
( 4.5 x) +
6(4.5 3.0)
(4.5 3.0)

1 .0
(1.679087)(4.5 3.0)
(4.5 3.0)
( x 3.0)
6

f 1 ( x) = 0.18656522( x 3.0) 3 + 1.6666(4.5 x ) + 0.246894916( x 3.0)

3 .0 x 4 .5

Operaciones similares se pueden hacer para encontrar el segundo y tercer intervalo

f 2 ( x) = 0.111939(7.0 x ) 3 0.102205( x 4.5) 3
0.299620(7.0 x ) + 1.638783( x 4.5)

4 .5 x 7 .0

f 3 ( x) = 0.127757(9.0 x) 3 + 1.761027(9.0 x) + 0.25( x 7.0)

7 .0 x 9 .0

Sustituyendo x = 5 para obtener f 2 ( x) tenemos que f 2 (5) = 1.102180

69

Unidad V.
Integracin y diferenciacin numrica.
La integracin de una funcin dentro del mbito de la ingeniera tiene tantas
aplicaciones que es una herramienta indispensable. Una integral representa un rea
bajo la curva sobre el eje horizontal, acotada por un intervalo. La funcin a integrarse,
en general deber tener una de las tres formas siguientes.
1. Una funcin simple y continua tal como un polinomio, una funcin exponencial o
una funcin trigonomtrica.
2. Una funcin complicada y continua que es difcil o imposible de integrar
directamente.
3. Una funcin tabulada en donde los valores de f (x) se dan en un conjunto de
puntos discretos, como es el caso, a menudo, de datos experimentales.
Frmulas o ecuaciones de Newton-Cotes.
Son esquemas de integracin numrica donde se reemplaza una funcin
complicada con una funcin aproximada o fcil de integrar.
b

I=

f ( x) dx

f n ( x) dx

Donde f n (x) es un polinomio de la forma:

f n ( x) = a0 + a1 x + a2 x 2 + + an 1 x n 1 + an x n
Donde n es el orden del polinomio.
f (x)

f (x)
f (b )

f (b)

f (a )

f (a)

a
a

x
b

b x

Estimacin de una integral mediante una

lnea recta.

Estimacin de una integral mediante una

parbola.

70

La integral se puede aproximar mediante una serie de polinomios aplicados por

pedazos a la funcin o datos sobre segmentos de longitud constante.
Se disponen de formas cerradas y abiertas de las ecuaciones de Newton-Cotes. Las
formas cerradas son aquellas en las que se conocen los datos al inicio y al final del
intervalo de la integracin. Las formas abiertas son aquellas en las cuales los lmites de
integracin se extienden ms all del intervalo de los datos conocidos.
f (x )

f (x )

Forma cerrada

Forma abierta

Integracin por el mtodo trapezoidal.

Es la primera forma o mtodo de integracin de Newton-Cotes. La integral
aproximada es:
b

I=

f ( x) dx

f ( a) + f (b)
(b a )
2

Geomtricamente el mtodo trapezoidal es un equivalente a aproximar grficamente el

rea de un trapezoide bajo la recta que una a f (a ) y f (b)
f (x )
f (b)
f (a)

El error aproximado est dado por:

Ea =

(b a ) 2 b
f ' ' ( x)dx
12 a

71

Ejemplo.
Utilice el mtodo de integracin trapezoidal para integrar numricamente la
siguiente funcin desde a = 0 y b = 0.8 . El valor verdadero es 1.640533.
f ( x) = 400 x 5 900 x 4 + 675 x 3 200 x 2 + 25 x + 0.2
Evaluando a y b en f (x) se tiene
a= 0

f (a ) = 0.2

b = 0 .8

f (b) = 0.232

Sustituyendo en los valores en la regla trapezoidal tenemos.

b

I=

f ( x) dx

f ( a) + f (b)
(0.2) + (0.232)
(b a )
(0.8 0) = 0.1728
2
2

Obteniendo el error verdadero y E a , por lo tanto E a es:

.8

f ' ' ( x)dx = 48

Donde f ' ' ( x) = 8000 x 3 10800 x 2 + 4050 x 400

b

Ea =
Ev =

(b a ) 2
(0.8 0) 2
f
'
'
(
x
)
dx
=

( 48) = 2.56
12 a
12

vv v a
1.640533 0.172800
100 =
100 = 89.47%
vv
1.640533

72

Aplicacin mltiple de la regla trapezoidal

Para mejorar la exactitud de la regla trapezoidal se divide el intervalo de
integracin de a a b en un nmero n de segmentos y se aplica el mtodo en cada uno
de los nuevos segmentos
f (x)

f (x)

x0

x1

x2

x0

x1

Para dos segmentos.

x2

x3

Para tres segmentos.

f (x )

x0

x1

x3

x2

xn 3

xn 2

xn 1

xn

Para n segmentos.
Con lo cual se tiene que la regla trapezoidal mltiple es:
n 1

I=

f ( x) dx

f ( x 0 ) + 2 f ( x i ) + f ( x n )
i= 1

2n

(b a )

De donde (b a ) es la anchura del intervalo de integracin.

n 1

f ( x 0 ) + 2 f ( x i ) + f ( x n )
i= 1

es la altura promedio del trapecio.

2n
Para calcular la anchura de los nuevos intervalos tenemos que:
Y el error aproximado est dado por:

Ea =

(b a) 2
12n 2

h=

b a
n

f ' ' ( x) dx

73

Ejemplo.
Utilice el mtodo de integracin trapezoidal mltiple para integrar numricamente
la siguiente funcin desde a = 0 y b = 0.8 . Utilizando dos y tres segmentos. El valor
verdadero es 1.640533
f ( x) = 400 x 5 900 x 4 + 675 x 3 200 x 2 + 25 x + 0.2
Para dos segmentos
h=

b a 0.8 0
=
= 0.4
n
2
x0 = 0
x1 = 0.4
x 2 = 0.8

f ( x 0 ) = 0.2
f ( x1 ) = 2.456
f ( x 2 ) = 0.232
n 1

I=

f ( x) dx

f ( x 0 ) + 2 f ( x i ) + f ( x n )
i= 1

2n

(b a) 2
Ea =
12n 2

(b a ) =

(0.2) + 2 ( 2.456) + (0.232)

(0.8 0) = 1.0688
2 2

(0.8 0) 2
f ' ' ( x)dx =
( 48) = 0.64
12 2 2

vv v a
1.640533 1.0688
100 =
100 = 34.85%
vv
1.640533

Ev =

Para tres segmentos

h=

b a 0.8 0
=
= 0.266667
n
3
x0 = 0

f ( x 0 ) = 0.2

x1 = 0.266667

f ( x1 ) = 1.432724

x 2 = 0.533333

f ( x 2 ) = 3.487177

x3 = 0.8

f ( x 2 ) = 0.232

I=

f ( x) dx =

Ea =
Ev =

(b a) 2
12n 2

(0.2) + 2 (1.432724 + 3.487177) + (0.232)

(0.8 0) = 1.369574
2 3
b

f ' ' ( x) dx =

(0.8 0) 2
( 48) = 0.284444
12 3 2

vv va
1.640533 1.369574
100 =
100 = 16.51%
vv
1.640533
74

Regla de Simpson.
Una manera de mejorar la exactitud del mtodo trapezoidal es usar polinomios
de mayor orden para conectar los puntos. Por ejemplo, si existe un punto entre f (a ) y
f (b) , a la mitad, estos puntos se pueden conectar mediante una parbola.
Si hay dos puntos igualmente espaciados entre f (a ) y f (b) , los cuatro puntos
se pueden conectar mediante un polinomio de tercer orden.
A las ecuaciones que se utilizan para calcular las integrales bajo estos
polinomios se conocen como reglas de Simpson.
f (x )

f (x )

x0

Simpson

x1

1
3

x2

x0

(Parbolas)

Regla de Simpson

x1

Simpson

x2

3
8

x3

(Cbicas)

Utilizando un polinomio de segundo orden tenemos que la aproximacin del rea

bajo la curva mediante tres puntos o una parbola esta dada por:
b

I=

f ( x) dx

f ( x 0 ) + 4 f ( x1 ) + f ( x 2 )
(b a )
6

Para calcular la anchura de los nuevos intervalos tenemos que:

h=

b a
2

Y el error aproximado est dado por:

Ea =

(b a) 4
2880

IV

( x)dx

75

Ejemplo
Utilice el mtodo de Simpson

1
3

para integrar numricamente la siguiente funcin,

desde a = 0 y b = 0.8 .
f ( x) = 400 x 5 900 x 4 + 675 x 3 200 x 2 + 25 x + 0.2
Obteniendo la anchura
h=

b a 0.8 0
=
= 0.4
n
2

Por lo tanto
x0 = 0

f ( x 0 ) = 0.2

x1 = 0.4

f ( x1 ) = 2.456

x 2 = 0.8

f ( x 2 ) = 0.232

I=

f ( x) dx

Ev =

f ( x 0 ) + 4 f ( x1 ) + f ( x 2 )
(0.2) + 4(2.456) + (0.232)
(b a) =
(0.8 0) = 1.367467
6
6

vv v a
1.640533 1.367467
100 =
100 = 16.64%
vv
1.640533

(b a ) 4
Ea =
2880

IV

( x)dx = E a =

(0.8 0) 4
( 1920) = 0.273066
2880

76

Regla de Simpson

de aplicacin mltiple.

Utilizando un polinomio de segundo orden de manera mltiple tenemos que la

aproximacin del rea bajo la curva mediante estos puntos esta dada por.
f ( x0 ) + 4

I =

f ( x) dx

n 1

f ( xi ) + 2

i = 1, 3, 5

n 2

f ( x j ) + f ( xn )

j = 2 , 4 , 6

(b a)

3n

Para calcular la anchura de los nuevos intervalos tenemos que:

h=

b a
n

Y el error aproximado est dado por:

b

(b a ) 4
Ea =
f IV ( x)dx
4
180n a
Para n = 2 tendramos grficamente.
f (x )

x0

x1

x2

x3

x4

77

Ejemplo.
Utilice el mtodo de Simpson

1
3

de aplicacin mltiple con n = 4 para integrar

numricamente la siguiente funcin, desde a = 0 y b = 0.8 .

f ( x) = 400 x 5 900 x 4 + 675 x 3 200 x 2 + 25 x + 0.2
Obteniendo la anchura
h=

b a 0.8 0
=
= 0.2
n
4

Por lo tanto
x0 = 0

f ( x 0 ) = 0.2

x1 = 0.2

f ( x1 ) = 1.288

x 2 = 0.4

f ( x 2 ) = 2.456

x3 = 0.6

f ( x3 ) = 3.464

x 4 = 0.8

f ( x 4 ) = 0.232

Aplicando le regla de simpson mltiple tenemos.

f ( x0 ) + 4

I=

f ( x) dx

n 1

i = 1, 3, 5

I=

f ( x) dx

Ev =
Ea =

n 2

f ( x j ) + f ( xn )

j = 2 , 4 , 6

3n

f ( xi ) + 2

(b a )

(0.2) + 4 (1.288 + 3.464) + 2 (2.456) + (0.232)

(0.8 0) = 1.623467
3n

vv v a
1.640533 1.623467
100 =
100 = 1.04%
vv
1.640533
(b a) 4
180n 4

IV

( x)dx =

(0.8 0) 4
( 1920) = 0.017066
180 4 4

78

Regla de Simpson

Utilizando un polinomio de tercer orden tenemos que la aproximacin del rea

bajo la curva mediante cuatro puntos o una ecuacin cbica esta dada por:
b

I =

f ( x) dx

f ( x0 ) + 3 f ( x1 ) + 3 f ( x2 ) + f ( x3 )
(b a )
8

Para calcular la anchura de los nuevos intervalos tenemos que:

h=

b a
3

Y el error aproximado est dado por:

b

(b a ) 4
Ea =
f IV ( x) dx

6480 a
Ejemplo.
Utilice el mtodo de Simpson

3
8

para integrar numricamente la siguiente funcin,

desde a = 0 y b = 0.8 .
f ( x) = 400 x 5 900 x 4 + 675 x 3 200 x 2 + 25 x + 0.2
Obteniendo la anchura
h=

b a 0.8 0
=
= 0.266667
n
3

Por lo tanto
x0 =
x1 =
x2 =
x3 =

0
0.266667
0.533333
0.8

f ( x) dx

f ( x0 ) + 3 f ( x1 ) + 3 f ( x 2 ) + f ( x3 )
(b a )
8

f ( x) dx

(0.2) + 3 (1.432724) + 3 (3.487177) + (0.232)

(0.8 0) = 1.519170
8

I=

a
b

I=

Ev =

f ( x 0 ) = 0.2
f ( x1 ) = 1.432724
f ( x 2 ) = 3.487177
f ( x 2 ) = 0.232

vv v a
1.640533 1.519170
100 =
100 = 7.3977%
vv
1.640533

(b a) 4
Ea =
6480

IV

(0.8 0) 4
( x) dx =
( 1920) = 0.121363
6480

79

Diferenciacin numrica
La diferenciacin numrica, o aproximacin numrica, es un mtodo utilizado
para evaluar las derivadas de funciones por medio de valores funcionales de puntos de
datos discretos. Si se conocen los valores funcionales de dichos datos discretos, la
funcin se puede expresar de una forma aproximada por medio de una interpolacin
polinomial. Por lo que, al diferenciar dicho polinomio, se pueden evaluar sus derivadas.
Por definicin la derivada de una funcin esta dada por:
f ' ( x) = l im

h 0

f ( x + h) f ( x )
h

Diferenciacin hacia delante, hacia atrs y centrada

f (x )

f ( x)

f ' ( x0 )

f '( x0 )

f ( x0 + h)
f ( x0 )

f ' ( x0 )

f ( x0 )

f ( x0 + h) f ( x0 )
h

f ' (x 0 )

f ( x0 ) f ( x0 h)
h

f ( x 0 h)

x0

x0 + h

x0 h

Diferenciacin hacia atrs

Diferenciacin hacia delante

f ( x)

x0

f ' ( x0 )

f (x0 + h)
f ( x0 )

f ' ( x0 )
f ( x 0 h)

x0 h

x0

f ( x0 + h) f ( x0 h)
2h

x0 + h

Diferenciacin centrada

80

Lo siguiente es un resumen de las frmulas de diferenciacin que se pueden obtener a

partir de desarrollos en serie de Taylor.
Expresiones de Primeras Diferencias Centrales
f ' ( x0 ) =

f ( x 0 + h) f ( x 0 h)
2h

f ' ' ( x0 ) =

f ( x 0 + h) 2 f ( x 0 ) + f ( x 0 h )
h2

f ' ' ' ( x0 ) =

f ( x 0 + 2h ) 2 f ( x 0 + h ) + 2 f ( x 0 h) f ( x 0 2 h )
2h 3

IV

( x0 ) =

f ( x 0 + 2 h ) 4 f ( x 0 + h ) + 6 f ( x 0 ) 4 f ( x 0 h) + f ( x 0 2 h )
h4

Expresiones de Primeras Diferencias Hacia delante

f ' ( x0 ) =

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

f ' ' ( x0 ) =

f ( x 0 + 2h ) 2 f ( x 0 + h ) + f ( x 0 )
h2

f ' ' ' ( x0 ) =

f ( x 0 + 3h) 3 f ( x0 + 2h) + 3 f ( x0 + h) f ( x0 )
2h 3

IV

( x0 ) =

f ( x0 + 4h) 4 f ( x 0 + 3h) + 6 f ( x 0 + 2h) 4 f ( x0 + h) + f ( x0 )

h4

Expresiones de Primeras Diferencias Hacia Atrs

f ' ( x0 ) =

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

f ' ' ( x0 ) =

f ( x 0 ) 2 f ( x 0 h) + f ( x 0 2h)
h2

f ' ' ' ( x0 ) =

f ( x 0 ) 3 f ( x 0 h) + 3 f ( x 0 2h) f ( x 0 3h)
2h 3

IV

( x0 ) =

f ( x0 ) 4 f ( x 0 h) + 6 f ( x 0 2h) 4 f ( x0 3h) + f ( x0 4h)

h4

Ejemplo
sense aproximaciones de Diferencias Finitas Hacia Adelante, Hacia Atrs y
Centradas para estimar la primera derivada en x = 0.5 de:
f ( x) = 0.1x 4 0.15 x 3 0.5 x 2 0.25 x + 1.2

81

Unidad VI
Solucin numrica de ecuaciones diferenciales.
Sea
dv
c
= g v
dt
m
Una ecuacin diferencial de primer orden, donde:
g , c y m son constantes.
v es una variable dependiente.

t es una variable independiente.

Las ecuaciones diferenciales se dividen en:
Ecuaciones diferenciales ordinarias (EDO), si poseen una sola variable independiente.
Ecuaciones

diferenciales

parciales

(EDP),

si

poseen

dos

ms

variables

independientes.
La ecuacin
m

d 2x
dx
+ c + kx = 0
2
dt
dt

Es una ecuacin diferencial de segundo orden, c y k son constantes. A estas

ecuaciones se les conoce como ecuacin de segundo grado; en general a las
ecuaciones de orden mayor a uno se les conoce como ecuaciones de orden superior.
Las ecuaciones de orden superior se pueden reducir a un sistema de ecuaciones de
primer orden definiendo nuevas variables, si:
y=

dx
dt

Entonces
dy d 2 x
=
dt dt 2
Sustituyendo las ecuaciones anteriores se tiene que
m

dx
dy cy + kx
+ cy + kx = 0 o
=
dt
dt
m

La solucin matemtica de la EDO se puede obtener por separacin de variables e

integrando, con lo que se obtiene:
dv = g dt

c
v dt
m

v=

c
v dt
m
82

Linealizacin de EDOs.
Una EDO lineal es aquella que se ajusta a la forma general:
an ( x) y n + an 1 ( x ) y n 1 + + a1 ( x) y + a0 ( x) = f ( x)
donde:
y n = derivada n-sima de y respecto a x
a y f (x) = funciones especficas de x

Mtodo de Euler
La primera derivada proporciona una estimacin de la pendiente en xi tal como
se observa en la figura siguiente
y

Predicho

Error

Verdadero

xi

xi + 1

De la figura se observa que

yi + 1 = yi + h
Donde es la pendiente

= f ( xi , yi )
Es decir la funcin evaluada en los puntos ( xi , yi ) rescribiendo la ecuacin anterior se
tiene que
y i + 1 = y i + f ( xi , y i ) h
A esta ecuacin se le conoce como mtodo de Euler o punto medio de Euler Cauchy

83

Ejemplo.
Utilizar el mtodo de Euler para integrar (Resolver la ecuacin diferencial)
numricamente, con condiciones iniciales x = 0 , y = 1 , hasta x = 4 con paso de iteracin
de 0.5.:
dy
= 2 x 3 + 12 x 2 20 x + 8.5
dx
Resolviendo la ecuacin diferencial tenemos que la solucin real es:
y = 0.5 x 4 + 4 x 3 10 x 2 + 8.5 x + 1
Resolviendo usando Euler
i

xi

yi

f ( xi , yi )

vv

Ev

0
1
2
3
4
5
6
7
8

0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
4.0

1
5.25000
5.87500
5.12500
4.50000
4.75000
5.87500
7.12500
7.00000

8.50000
1.25000
-1.50000
-1.25000
0.50000
2.25000
2.50000
-0.25000

1.00000
3.21875
3.00000
2.21875
2.00000
2.71875
4.00000
4.71875
3.00000

0.00
63.11
95.83
130.99
125.00
74.71
46.88
50.99
133.33

Calculando yi + 1 tenemos que

yi + 1 = yi + f ( xi , yi ) h
f ( x 0 = 0, y 0 = 1) = 2 0 3 + 12 0 2 20 0 + 8.5 = 8.5
y1 (0.5) = y 0 + f ( x 0 , y 0 ) h = 1 + 8.5 0.5 = 5.25
Tememos que la aproximacin es que y1 = 5.25
Obteniendo el valor real
y (0.5) = 0.5 0.5 4 + 4 0.5 3 10 0.5 2 + 8.5 0.5 + 1 = 3.21875
El error Verdadero relativo porcentual es:
Ev =

vv va
3.21875 5.25
=
= 63.11%
vv
3.21875

Calculando y 2 tenemos que

f ( x1 = 0.5, y1 = 5.25) = 2 0.53 + 12 0.52 20 0.5 + 8.5 = 1.25
y2 (1) = y1 + f ( x1 , y1 ) h = 5.25 + 1.25 0.5 = 5.875
y (1) = 0.5 14 + 4 13 10 12 + 8.5 1 + 1 = 3
84

El error verdadero es
vv va 3 5.875
=
= 95.83%
vv
3
Se contina sucesivamente x = {1.5, 2, 2.5, 3, 3.5 y 4} de acuerdo al paso utilizado. Los
valores obtenidos son valores de la curva que resulta de la ecuacin.
Graficando la solucin aproximada y la verdadera se tiene:
y

h=0.5
5

Solucin verdadera
1

0 .5

1 .5

2 .5

3 .5

Anlisis de error para el mtodo de Euler

Los tipos de errores en las ecuaciones diferenciales ordinarias pueden ser de
truncamiento y de redondeo, los primeros son causados por las tcnicas empleadas
para aproximar, estas pueden ser de dos tipos

Local

Truncamiento
Tipos de errores en las EDOS
Propagado
Redondeo

Error de truncamiento: Es causado por las tcnicas empleadas para aproximar.

Error de redondeo: Es el resultado del nmero finito de cifras significativas que puede
manejar un procesador.
Error local: Es el resultado de aplicar el mtodo en cuestin a un solo paso.
Error propagado: Resulta de las aproximaciones producidas en los pasos previos.
Se puede obtener informacin sobre la magnitud y propiedades del error de
truncamiento al derivar el mtodo de Euler directamente de las series de Taylor:
y ' = f ( x, y )

donde: y ' =

dy
dx
85

Si la solucin tiene derivadas continuas, entonces se puede representar mediante una

expansin en series de Taylor respecto a ( xi , yi ) de la forma:
(n)

yi + 1 = yi + y 'i h +

yi ' ' 2
y
h + + i h n + Rn
2!
n!

Donde h = xi + 1 y Rn es un trmino remanente definido por:

Rn =

y ( n + 1) ( ) n + 1
h
( n + 1)!

Donde es cualquier punto entre el intervalo definido entre xi y xi + 1 .

Una forma alternativa se obtiene al sustituir las ecuaciones anteriores para obtener
yi + 1 = yi + f ( xi , yi )h +

f ' ( xi , yi ) 2
f ( xi , yi ) ( n 1) n
h + +
h + Oh n + 1
2!
n!

Donde Oh n + 1 especifica el error de truncamiento local, el cual es proporcional al tamao

del paso elevado a la (n + 1) -sima potencia.
Al comparar la ecuaciones se observa que el mtodo de Euler corresponde a la serie
de Taylor e incluyendo el trmino f ( xi , yi )h . De la comparacin se observa que ocurre
un error de truncamiento debido a que se aproxima la solucin verdadera mediante un
nmero finito de trminos de la serie de Taylor.
Ev =

f ' ( xi , yi ) 2
h + + Oh n + 1
2

A lo cual se obtiene el error de truncamiento local verdadero. Si h es lo suficientemente

pequea, los errores en la ecuacin anterior disminuyen al elevar el orden de h y el
resultado se presenta como:
Ea =

f ' ( xi , y i ) 2
h o Ea = Oh 2
2!

donde Ea es el error de truncamiento local aproximado.

86

Ejemplo.
Use la ecuacin Ev =

f ' ( xi , yi ) 2
h + + Oh n + 1 para estimar el error del paso inicial
2!

del ejemplo anterior. Utilcela tambin para determinar el error debido a cada uno de los
trminos de orden superior de la serie de Taylor.
Del ejemplo anterior tenemos que
f ( x, y ) =

dy
= 2 x 3 + 12 x 2 20 x + 8.5
dx

Con condiciones iniciales x = 0 , y = 1 , hasta x = 4 con paso de iteracin de 0.5. para

este ejemplo obtendramos un Ev de
Ev =

f ' ( xi , yi ) 2 f ' ' ( xi , yi ) 3 f ' ' ' ( xi , yi ) 4

h +
h +
h
2!
3!
4!

Donde derivando f ( x, y ) se tiene

f ( x, y ) = 2 x 3 + 12 x 2 20 x + 8.5
f ' ( x, y ) = 6 x 2 + 24 x 20
f ' ' ( x, y ) = 12 x + 24
f ' ' ' ( x, y ) = 12
Tomado el punto inicial x = 0 , se tiene el error para la primera derivada
f ' ( xi , yi ) 2 6 x 2 + 24 x 20 2 6 (0) 2 + 24 (0) 20 2
h =
0.5 =
0.5 = 2.5
2!
2
2
Para la segunda derivada se tiene
f ' ' ( xi , yi ) 3 12 x + 24 3 12 (0) + 24 3
h =
0.5 =
0.5 = 0.5
3!
6
6
Para la tercera derivada se tiene
f ' ' ' ( xi , yi ) 4 12 4 12 4
h =
0.5 =
0.5 = 0.03125
4!
24
24
El error verdadero se obtiene sumando los errores para cada trmino
Ev = 2.5 + 0.5 0.03125 = 2.03125
Recordando que se sabe el valor verdadero es 3.21875 y que la estimacin obtenida
con el mtodo de Euler es 5.25,
Valor verdadero = estimacin de aproximacin + error
Valor verdadero = 5.25 2.03125 = 3.21875

87

Mejoras al mtodo de Euler

Una fuente fundamental de error en el mtodo de Euler es que la derivada al
principio del intervalo se supone que se aplica a travs del intervalo entero. Existen dos
modificaciones simples para ayudar a evitar este inconveniente. Las modificaciones en
realidad pertenecen a una clase mayor de mtodos de solucin llamados mtodos de
Runge-Kutta. Sin embargo ya que tiene una interpretacin grafica sencilla, se presenta
antes de la derivacin formal de los mtodos de Runge-Kutta. Para corregir estas
deficiencias se plantean primero el mtodo de Heun y posteriormente los mtodos de
Runge-Kutta.
Mtodo de Heun
Un mtodo para mejorar la aproximacin a la pendiente implica el clculo de dos
derivadas del intervalo, en un punto inicial y otra en un punto final. En seguida se
promedian las derivadas y se obtiene una aproximacin mejorada de la pendiente en el
intervalo completo. Este esquema, llamado mtodo de Heun, que se muestra en la
siguiente figura.
0

Pendiente = f ( xi + 1 , yi + 1 )

Pendiente = f ( xi , yi )

xi

Pendiente =

a)

xi + 1

xi

b)

f ( xi , yi ) + f ( xi + 1 , yi0+ 1 )
2

xi + 1

Esquema Grafico del mtodo de Heun. a) Predictor y b) Corrector.

El mtodo de Euler, la pendiente al principio de un intervalo es
yi = f ( xi yi )
Se usa para extrapolar linealmente a yi + 1 :
yi0+ 1 = yi + f ( xi , yi )h
En el mtodo estndar de Euler se parara en este punto. Sin embargo en el mtodo de
0
Heun, la yi + 1 no es la respuesta final si no una prediccin intermedia. Esto se debe a

88

0
que se ha distinguido a esta con el superndice 0. La ecuacin de yi + 1 se llama

ecuacin predictora. Proporciona una aproximacin de yi + 1 que permite el clculo de

una pendiente aproximada al final del intervalo:
yi + 1 = f ( xi + 1 , yi0+ 1 )
Por lo tanto, se pueden combinar las dos pendientes y obtener una pendiente promedio
sobre el intervalo:
y' =

y 'i + y 'i + 1 f ( xi , yi ) + f ( xi + 1 , yi0+ 1 )

=
2
2

Esta pendiente promedio se usa para extrapolar linealmente de yi a yi + 1 usando el

mtodo de Euler:
yi + 1 = yi +

f ( xi , yi ) + f ( xi + 1 , yi0+ 1 )
h
2

Que se llama una ecuacin correctora.

El mtodo de Heun es un esquema predictor-corrector. Se puede expresar
concisamente como:
Predictor
Corrector

y i0+ 1 = y i + f ( xi , y i )h
yi+ 1

f ( xi , y i ) + f ( xi + 1 , y i0+ 1 )
= yi +
h
2

Ntese que debido a que la ecuacin del corrector tiene yi + 1 en ambos lados del signo
igual, esta puede aplicarse para "corregir" en un esquema iterativo. Esto es, se puede
usar una aproximacin anterior varias veces para proporcionar una aproximacin
mejorada de yi + 1 . Se debe entender que este proceso no necesariamente converge a
la respuesta correcta sino converger a una aproximacin con un error de truncamiento
finito.
El error aproximado esta dado por
Ea =

Aproximacin actual Aproximacin anterior

100%
Aproximacin actual

89

Ejemplo
Utilizar el mtodo de Heun para resolver (Integrar) numricamente la ecuacin
diferencial y ' = 4e 0.8 x 0.5 y desde x = 0 a x = 4 con tamao de paso 1. La condicin
inicial en ( x, y ) = (0,2) .
Donde la solucin verdadera es:
y=

4 0.8 x
e e 0.5 x + 2e 0.5 x
1.3

Resolviendo usando Heun

i

xi

yv

yi

f ( xi , yi )

yi0+ 1

f ( xi + 1 , yi0+ 1 )

Ev

0
1
2
3
4

0
1.0
2.0
3.0
4.0

2.00000
6.19463
14.84392
33.67717
75.33896

2.00000
6.70108
16.31978
37.19925
83.33777

3.00000
5.55162
11.65224
25.49308

5.00000
12.25270
27.97202
62.69233

6.40216
13.68578
30.10670
66.78396

0.00
8.18
9.94
10.46
10.62

La pendiente f ( xi , yi )
f (0,2) = y ' = 4e 0.8 x 0.5 y = 4e 0.8 0 0.5 2 = 3
yi0+ 1 = yi + f ( xi , yi )h = 2 + 3 1 = 5

0
Estimando el predictor yi + 1
0
Estimando la pendiente f ( xi + 1 , yi + 1 )

f (1,5) = 4e 0.8 x 0.5 y = 4e 0.8 1 0.5 5 = 6.40216

Obteniendo al corrector
yi + 1 = yi +

f ( xi , yi ) + f ( xi + 1 , yi0+ 1 )
3 + 6.40216
h = 2+
1 = 6.70108
2
2

Obteniendo le error verdadero

Ev =

6.19463 6.70108
100 = 8.18%
6.19463

Este resultado proporciona un error relativo porcentual de 8.18%, el cual comparado

con el mtodo de Euler, es ms pequeo aun cuando solo se uso un corrector.
y

100

80

60

Solucin verdadera

40

20
Aproximacin de

x
0
0

90

Grfica de comparacin del valor verdadero con respecto a la aproximacin

Mtodos de Runge-Kutta.
Los mtodos de Runge-Kutta logran la exactitud del procedimiento de las series
de Taylor sin requerir el uso de derivadas superiores. Existen diversas variantes, pero
todas tienen la siguiente forma:
yi + 1 = yi + ( xi , yi , h)h
Donde ( xi , yi , h) es conocida como la funcin incremento, la cual puede interpretarse
como una pendiente representativa en un intervalo. Esta funcin se escribe de forma
general como:

= a1k1 + a2 k 2 + + an k n
Donde las a son constantes y las k son:
k1 = f ( xi , yi )
k 2 = f ( xi + p1 h, yi + q11 k1 h)
k3 = f ( xi + p2 h, yi + q21 k1 h + q22 k 2 h)

k n = f ( xi + pn 1 h, yi + qn 1,1 k1 h + qn 1, 2 k 2 h + + qn 1,n 1 k n 1 h)
Obsrvese que las k son las relaciones de recurrencia; esto indica que k1 aparece en
la ecuacin para k 2 , y k 2 aparece en la ecuacin para k3 , etc.
Mtodos de Runge-Kutta de segundo orden
La versin de segundo orden para yi + 1 = yi + ( xi , yi , h)h es:
yi + 1 = yi + (a1 k1 + a2 k 2 ) h
Donde
k1 = f ( xi , yi )
k 2 = f ( xi + p1 h, yi + q11 k1 h)
Los valores para a1 , a2 , p1 y q11 son evaluados al igualar el termino de segundo orden
de yi + 1 = yi + (a1 k1 + a2 k 2 ) h con la expansin de la serie de Taylor. Para desarrollar esto
se obtienen tres ecuaciones con cuatro constantes desconocidas. Dichas ecuaciones
son:
91

1
1
a2 q11 =
2
2
Debido a que se tienen cuatro incgnitas y tres ecuaciones, se propone el valor de una
a1 + a2 = 1

a2 p1 =

de estas incgnitas para determinar las dems. Por ejemplo, si se propone un valor
para a2 , se obtiene:
a1 = 1 a2 y p1 = q11 =

1
2a2

Debido a que se puede elegir un nmero infinito de valores para a2 , existen tambin un
nmero infinito de mtodos o ecuaciones de Runge-Kutta de 2do. Orden. Las variantes
ms comunes son: Mtodo de Heun de un solo corrector, Mtodo del Punto Medio y
Mtodo de Ralston, los cuales se describen a continuacin.
Mtodo de Heun de un solo corrector a 2 =

1
2

Si se supone que a2 = 12 , entonces a1 = 12 y p1 = q11 = 1 . Estos parmetros

sustituidos en yi + 1 = yi + (a1 k1 + a2 k 2 ) h da
k
k
yi + 1 = yi + 1 + 2 h
2
2
Donde
k1 = f ( xi , yi )
k 2 = f ( xi + h, y i + k1 h)
Obsrvese que k1 es la pendiente al inicio del intervalo y k 2 es la del final.
Mtodo de punto medio a 2 = 1
Si se supone que a2 = 1 , entonces a1 = 0 y p1 = q11 =

. Estos parmetros

sustituidos en yi + 1 = yi + (a1 k1 + a2 k 2 ) h da:

yi + 1 = yi + k 2 h
Donde
k1 = f ( xi , yi )
k 2 = f ( xi +

1
2

h, yi +

1
2

k1 h)

92

Mtodo de Ralston a 2 =

2
3

Ralston y Rabinowitz determinaron que al seleccionar a2 =

2
3

se obtiene un lmite

mnimo sobre el error de truncamiento para los algoritmos de Runge-Kutta de segundo

orden. Para esta versin, a1 =

y p1 = q11 =

1
3

3
4

lo cual da:

2
1
y i + 1 = y i + k1 + k 2 h
3
3
Donde
k1 = f ( x i , y i )
k 2 = f ( xi +

3
4

h, y i +

3
4

k1 h )

Mtodos de Runge-Kutta de tercer orden.

Se puede llevar una derivacin anloga a la del mtodo de segundo orden, para
n = 3 . El resultado de esta derivacin es de seis ecuaciones con ocho incgnitas para

determinar los parmetros restantes. Una versin comn que resulta es

yi + 1 = yi +

[ 16 ( k1 + 4k2 + k3 ) ] h

Donde
k1 = f ( xi , yi )
k 2 = f ( xi +

1
2

h, yi +

1
2

k1 h)

k 3 = f ( xi + h, y i k1 h + 2 k 2 h)

93

Mtodos de Runge-Kutta de cuarto orden.

Los Mtodos de Runge-Kutta ms populares son los de cuarto orden. Como sucede
con los mtodos de segundo orden. Existe un nmero infinito de versiones. Se
presentan las dos versiones mas comunes de este mtodo la primera versin se basa
1
3

en la regla de Simpson

y comnmente es llamada mtodo clsico de Runge-Kutta

como se describe continuacin.

yi + 1 = yi +

[ (k
1
6

+ 2 k 2 + 2 k3 + k 4 ) ] h

Donde
k1 = f ( xi , yi )
k2 = f ( xi +

1
2

h, yi +

1
2

k1 h)

k3 = f ( xi +

1
2

h, yi +

1
2

k 2 h)

k4 = f ( xi + h, yi + k3 h)
La segunda se basa en la regla de Simpson
yi + 1 = yi +

3
8

y se escribe as

[ 18 ( k1 + 3k2 + 3k3 + k4 ) ] h

Donde
k1 = f ( xi , yi )
k 2 = f ( xi + 13 h, yi +

1
3

k1 h)

k3 = f ( xi + 13 h, yi +

1
3

k1 h +

1
3

k 2 h)

k 4 = f ( xi + h, yi + k1 h k 2 h)

94

Mtodo de Runge-Kutta de orden superior.

Donde se requiera mayor exactitud, se recomienda el mtodo de Runge-Kutta de
quinto orden, Butcher
yi + 1 = yi + h[ 901 ( 7 k1 + 32k3 + 12k 4 + 32k5 + 7 k6 ) ]
Donde
k1 = f ( xi , yi )
k 2 = f ( xi +

1
4

h, yi +

k3 = f ( xi +

1
4

h, yi + 18 hk1 + 18 hk 2 )

k 4 = f ( xi +

1
2

h, yi 12 hk 2 + hk3 )

k5 = f ( xi +

3
4

h, yi +

k 6 = f ( xi + h, yi

3
7

1
4

3
16

hk1 )

hk1 +

hk1 +

2
7

9
16

hk 4 )

hk 2 +

12
7

hk3

12
7

hk 4 +

8
7

hk5 )

Se pueden disponer de formulas de Runge-Kutta de orden superior, tales como el

mtodo de Butcher, pero, en general, la ganancia obtenida en exactitud por mtodos de
orden superior al cuarto orden se contrapone con la complejidad y esfuerzo de clculo.

95

Ejemplo
Utilizar el mtodo de Runge-Kutta de cuarto orden clsico para resolver
(Integrar) numricamente la ecuacin diferencial y ' = 4e 0.8 x 0.5 y desde x = 0 a x = 4
con tamao de paso 1. La condicin inicial en ( x, y ) = (0,2) .
Donde la solucin verdadera es:
y=

4 0.8 x
e e 0.5 x + 2e 0.5 x
1.3

xi

yi

Vv

k1

k2

k3

k4

Ev

0
1
2
3
4

0
1.0
2.0
3.0
4.0

2.00000
6.20104
14.86248
33.72135
75.43917

2.00000
6.19463
14.84392
33.67717
75.33896

3.00000
5.80165
12.38089
27.23203

4.21730
8.72954
19.02976
42.10991

3.91297
7.99756
17.36754
38.39044

5.94568
12.71283
27.97769
62.07423

0.00
0.10
0.13
0.13
0.13

Utilizando las ecuaciones de Runge-Kutta clsico de cuarto orden se calculan las k n

k1 = f ( x0 , y0 ) = f (0,2) = 4e 0.8 0 0.5 2 = 3
k 2 = f ( x0 +

1
2

h, y0 +

k3 = f ( xi +

1
2

h, yi +

1
2
1
2

k1 h) = f (0.5,3.5) = 4e 0.8 0.5 0.5 3.5 = 4.21730

k 2 h) = f (0.5,4.10865) = 4e 0.8 0.5 0.5 4.10865 = 3.91297

k 4 = f ( xi + h, yi + k3 h) = f (1,5.91297) = 4e 0.8 1 0.5 5.91297 = 5.94568

Sustituyendo las k n obtenemos la siguiente aproximacin
yi + 1 = yi +

[ 16 ( k1 + 2k2 + 2k3 + k4 ) ] h =

2+

[ 16 ( 3 + 2 4.21730 + 2 3.91297 + 5.94568) ] 1 =

6.20104

Obteniendo le error verdadero

Ev =

6.19463 6.20104
100 = 0.10%
6.19463

96

Ecuaciones diferenciales ordinarias de orden superior

Los procedimientos numricos vistos en esta unidad solo se aplicaron a ecuaciones
de primer orden

dy

dx

= f ( x, y ) , sujeto a la condicin inicial y ( x0 ) = y0 . En este apartado

se aplicaran para ordenes superiores, por ejemplo, para aproximar una solucin de una
ecuacin diferencial de segundo orden, se rescribe la ecuacin de tal manera que se
despeje la derivada de mayor orden para que tenga la forma siguiente en el caso de
una ecuacin diferencial de segundo orden tenemos que.
d2y
dy
= a1 ( x) + a0 ( x) y + g ( x)
2
dx
dx
Donde
y es la variable dependiente
x es la variable independiente

ai (x) son las coeficientes de la ecuacin diferencial

g (x) es el coeficiente independiente la ecuacin diferencial
Se puede escribir de forma matricial como sigue
'

1
y = 0
y '
a 0 ( x) a1 ( x)

y + 0 g ( x )
y ' 1

Para una ecuacin diferencial de tercer orden

d3y
d2y
dy
=
a
(
x
)
+ a1 ( x ) + a0 ( x) y + g ( x)
2
3
2
dx
dx
dx
Escribindola en forma matricial
'

y 0
1
0
y' = 0
0
1
y ' ' a0 ( x) a1 ( x) a2 ( x )

y 0
y ' + 0 g ( x )
y ' ' 1

97

Por ejemplo escriba de manera matricial la siguiente ecuacin diferencial de segundo

orden
y ' '+ xy'+ y = 0
Despejando la derivada de mayor orden tenemos
y ' ' = xy ' y
Escribindola de manera matricial
'

y = 0
1 y 0
y ' 1 x y ' + 1 0
Como g ( x) = 0 la ecuacin a resolver es
'

y = 0
1 y
y ' 1 x y '
Para una ecuacin diferencial de tercer orden
x 3 y ' ' '+ 5 x 2 y ' '+ 7 xy '+ 8 y = 1
Despejando la derivada de mayor orden tenemos
y ' ' ' = 1 5 x 1 y ' ' 7 x 2 y ' 8 x 3 y
Escribindola de manera matricial
'

y
0
y' = 0

y ' '
8 x 3

1
0
7x 2

0
1
5 x 1

y 0
y ' + 0 1
x3
y ' ' 1

98

Ejemplo
Utilizar el mtodo de Runge-Kutta de segundo orden (Ralston) para resolver
(Integrar) numricamente la ecuacin diferencial se segundo orden y ' '+ 5 y '+ 4 y = 0
desde x = 0 a x = 1 con tamao de paso 0.25. la condicin inicial en y (0) = 1 y y ' (0) = 0
Donde la solucin verdadera es:
y=

4
3

e x 13 e 4 x

Despejando la derivada de mayor orden podemos rescribir la ecuacin diferencial de la

siguiente manera
y ' ' = 5 y ' 4 y
Escribindola en forma matricial
'

y = 0
1 y 0
y ' 4 5 y ' + 1 0
Como no existe el trmino independiente
'

y = 0
1 y
y ' 4 5 y '
i

xi

yi

y'i

k1

k '1

k2

k '2

vv

Ea

0.00

1.0000

0.0000

0.0000

-4.0000

-0.7500

-0.2500

1.0000

0.00

0.25

0.8750

-0.3750

-0.3750

-1.6250

-0.6797

0.1797

0.9158

4.46

0.50

0.7305

-0.4805

-0.4805

-0.5195

-0.5779

0.3279

0.7636

4.33

0.75

0.5941

-0.4691

-0.4691

-0.0309

-0.4749

0.3499

0.6132

3.11

1.00

0.4759

-0.4134

0.4844

1.75

'

y
1 y donde y son las condiciones iniciales 1
Dado que f ( xi , yi ) = = 0
y '
0

5 y '

y
'

calculando k1 y k 2
1 1 = 0
k1 = f ( xi , y i ) = f 0 , 1 = 0
0
0

5 0 4

k 2 = f ( xi +

3
4

h, y i +

3
4

k1 h) = f 0 +
0

3
4

0.25, 1 +
0

3
4

0 0.25 = f 0.1875 , 1
4

0.1875 0.75

1 1 = 0.75
k 2 = f 0.1875 , 1 = 0
0
.
1875

0
.
75

5 0.75 0.25

99

Calculando y1
2
1
y i + 1 = y i + k1 + k 2 h =
3
3

1 + 1 0 + 2
0 3 4 3

0.75 0.25 = 0.8750

0.25
0.3750

Realizando otra iteracin tenemos que k1 y k 2

1 0.8750 = 0.3750
k1 = f ( xi , y i ) = f 0.25 , 0.8750 = 0
0
.
25

0
.
3750

5 0.3750 1.6250

k 2 = f ( xi +

3
4

h, y i +

3
4

k1 h) = f 0.25 + 34 0.25, 0.8750 + 34 0.3750 0.25 = f 0.4375 , 0.8047

0.3750
1.6250
0.25

0.4375 0.6797

1 0.8047 = 0.6797
k 2 = f 0.4375 , 0.8047 = 0
0
.
4375

0
.
6797

5 0.6797 0.1797

Calculando y2
2
2
1
1

yi + 1 = yi + k1 + k 2 h = 0.8750 + 0.3750 + 0.6797 0.25 = 0.7305

0
.
3750

1
.
6250
0
.
1797

0.4805

3
3

3
3
En la siguiente figura se observa los resultados graficados
y
1
Solucin verdadera

Aproximacin de

0 .5

x
0
0 .2

0 .4

0 .6

0 .8

Aproximacin de

1 .2

1 .4

1 .6

1 .8

y'

-0 .5

100

Universidad Autnoma de Baja California

Mtodos Numricos
Tarea unidad II
EJERCICIOS
NOTA: Usa todos los dgitos en tu calculadora para que la aproximacin sea lo ms exacta
posible.
2

1. Usa el mtodo de biseccin para aproximar la raz de f ( x) = e x 2 x + 1 comenzando en

el intervalo [0.75,1] y hasta que a < 1% . Solucin: xr =0.8046875.
2. Usa el mtodo de biseccin para aproximar la raz de f ( x) =

x 2 + 1 + tan x comenzando

en el intervalo [0.5,1] y hasta que a < 1% . Solucin: xr =0.9453125.

3. Usa el mtodo de la regla falsa para aproximar la raz de f ( x) = 4 x 2 x 3 comenzando en
el intervalo [1,2] y hasta que a < 1% . Solucin: xr =1.310240113.
4. Usa el mtodo de la regla falsa para aproximar la raz de f ( x) = ln x + x 2 4 comenzando
en el intervalo [1,2] y hasta que a < 1% . Solucin: xr =1.841068663.
5. Usa el mtodo de Newton-Raphson para aproximar la raz de f ( x) = 1 x 2 arctan x
comenzando con x0 = 0.5 y hasta que a < 1% . Solucin: xr =0.650561444.
6. Usa el mtodo de Newton-Raphson para aproximar la raz de f ( x) = cos x x , comenzando
con x0 = 1 y hasta que

a < 1% . Solucin: xr =0.739085133.

7. Usa el mtodo de la secante para aproximar la raz de f ( x) = arcsin x e 2 x comenzando

con x0 = 0 , x1 = 0.5 y hasta que a < 1% . Solucin: xr =0.419118641.
8. Usa el mtodo de la secante para aproximar la raz de

f ( x) = e x x comenzando

con x0 = 0 , x1 = 1 y hasta que a < 1% . Solucin: xr = 0.567170358.

9. Usa el mtodo de iteracin del punto fijo para aproximar la raz de

f ( x) = sen x x 1

comenzando con x0 = 0.52 y hasta que a < 1% . Solucin: xr =0.513272518

10. Usa el mtodo de iteracin del punto fijo para aproximar la raz de

f ( x) = ln x + 2 x 4

comenzando con x0 = 1.5 y hasta que a < 1% . Solucin: xr =1.725168086.

11. Usa el mtodo de Newton Rasphson modificado para

aproximar la raz de
4
3
2
f ( x) = x 6 x + 12 x 10 x + 3 comenzando con x0 = 0 y hasta que a < 1% . xr =1.

Universidad Autnoma de Baja California

Mtodos Numricos
Tarea unidad III
EJERCICIOS
NOTA: Usa todos los dgitos en tu calculadora para que la aproximacin sea lo ms exacto
posible.
1.- Si A y B son las siguientes matrices obtenga lo que se le pide.
1 5 6
4 3 1

A = 2 1 3 B = 1 2 6
4 0 5
1 0 4

( )

e) AT f) Det AT
g) Det ( B )
2.- Para los siguientes sistemas de ecuaciones obtenga la regla de Cramer.
12 x3 + 2 x 4 = 36
7 x1 3 x2 + 8 x3 = 49
4 x1 3 x 2 + 7 x3 = 3
4 x1 6 x2 + 10 x3 = 84
5 x1 + 4 x 2 = 25
x1 2 x2 5 x3 = 5
x 2 6 x3 + 4 x 4 = 17
3.- Resuelva los siguientes sistemas de ecuaciones mediante eliminacin Gaussiana, y con el
mtodo de Gauss-Jordan.
x1 + 3x2 2 x3 + x4 = 15.25
x1 14 x2 = 103
x1 + 3x2 x3 + 2 x4 = 21
x1 3 x2 + 12 x3 = 10
x2 x3 + 4 x4 = 23
5 x1 12 x2 + 2 x3 = 33
2 x1 + 6 x2 + x3 + 2 x4 = 35.5
4.- Utilice descomposicin LU para resolver los siguientes sistemas.
2 x1 + 5 x2 2 x3 + 4 x4 = 77
4 x1 2 x2 x3 = 39
x2 + 4 x3 + 6 x4 = 69
x1 6 x2 + 2 x3 = 28
x1 + 2 x2 2 x3 + 3 x4 = 42
x1 3 x2 + 12 x3 = 86
x1 + 2 x2 3 x3 + 5 x4 = 58
5.- Use la Crout (Inversa por LU ) para obtener la inversa de las siguientes matrices. As
mismo obtenga el nmero de condicin de dichas matices.
1 3 2 1
10 3 6
1 3 1 2
4 9

A=
B = 1
8 2
C=

0 1 1 4
3 7
2 4 9

2 6 1 2
a) A B

b) B A

c) B + A

d) 9 A

6.- Obtenga la descomposicin de Cholesky para las siguientes matrices.

9 18 15 12
4 2 14
18 52 18 16
0.04 0.16

A=
B = 2 10 46
C=

15 18 38 36
0.16 0.89

14
46
243

12 16 36 49

Universidad Autnoma de Baja California

Mtodos Numricos
Tarea unidad IV
EJERCICIOS
NOTA: Usa todos los dgitos en tu calculadora para que la aproximacin sea lo ms exacto
posible.

1.- Resuelva las siguientes integrales definidas obteniendo la mejor exactitud posible

sen x
dx
x

(1

1.5

x 4 x + 3 x )dx
3

1
2

x2
2

dx

2.- Hallar los polinomios interpoladores de segundo y tercer grado con nodos en los
puntos 0, 1,1 y 2,1, 1, 2 respectivamente de las funciones: a. f ( x) = x , b. f ( x) = x 2 ,
c. f ( x) = 2 x 2 3 x + 1 , d. f ( x) = 1 /( 2 x + 1) , e. f ( x) = 1 /(1 + x 2 ) . Y evalelos para cuando
x = 0 .5
3.- Halla el polinomio interpolador de tercer grado de la funcin sen(x) con los puntos
en los Halla 0, / 4, 3 / 4, y el polinomio interpolador de cuarto grado con nodos en
los puntos 0, / 4, / 2,3 / 4, En ambos casos para el punto x = / 8 .
4.- Obtenga la derivada de las siguientes ecuaciones para x = 10
y = e X

3 sin( x )
2 + cos( x )

f ( x) =

ln( X )

5.- Obtenga la derivada de las siguiente ecuacin para x = 5 y = e X ln x

2

6.- Ajuste un a polinomio de interpolacin de Lagrange los siguientes puntos para

obtener x = 5 , as mismo use el mtodo de mnimos cuadrados para el mismo punto.
X
1.2
1.8
3.1
4.9
5.7
7.1
F(X)
4.5
5.9
7.0
7.8
7.2
6.8
7.- utiliza la regla trapezoidal, Simpson

cos( x)dx

1
0

1
3

3
8

y
2

e x dx

para resolver las siguientes integrales

cos( x 2 )dx

Universidad Autnoma de Baja California

Mtodos Numricos
Tarea IV
1. Dada la siguiente ecuacin diferencial: con condiciones iniciales
cada paso del proceso iterativo hasta x = 4
Solucin:

y (2) = 0.5 tomando h = 0.5 en

use el mtodo de Euler.

y (2) 8.21613948403160
y' =

x2 + y2

2. Dada la ecuacin diferencial: Use el mtodo de Heun para aproximar

y (1) = 1.5 .

cada paso del proceso iterativo. Con condiciones iniciales

Solucin: .

y (1.3) tomando h = 0.1 en

y (1.3) 1.80788129697832
y ' = ln( x + y )

3. Dada la ecuacin diferencial:

y ' = 2 x + y 3 Usa el mtodo de punto medio para aproximar y (2.3)

para aproximar tomando h = 0.1 en cada paso del proceso iterativo. Con condiciones iniciales de

y ( 2) = 1
Solucin:

y (2.3) 1.79693050

4. Dada la siguiente ecuacin diferencial, Use el mtodo de Ralston para aproximar

y (3.3) tomando

h = 0.1 en cada paso del proceso iterativo. Con condiciones iniciales y (3) = 2.5
Solucin:

y (3.3) 2.52416053645258
y' =

1
x + y
2

5. Dada la siguiente ecuacin diferencial: Use el mtodo de Runge-Kutta tercer orden para aproximar

y (4.3) tomando h = 0.1 en cada paso del proceso iterativo. Con condiciones iniciales y (4) = 5
Solucin:

y (4.3) 5.48415211356027
y ' = ln( x ) +

1
y

6. Dada la siguiente ecuacin diferencial, Use el mtodo de Runge-Kutta cuarto orden Simpson 1 3 para
aproximar

y (3.3) tomando h = 0.1 en cada paso del proceso iterativo. Con condiciones iniciales de

y (3) = 10
Solucin:

y (3.3) 11.51580929220025
y' =

x+

7. Dada la siguiente ecuacin diferencial de segundo orden, Use el mtodo de Euler para aproximar

y (0.5) tomando h = 0.1 en cada paso del proceso iterativo. Con condiciones iniciales de y (0) = 0 y
y ' (0) = 0 Solucin: y (0.5) 0.12084227416098
y ' ' y ' = e x cos( x)
Solucin real y =

1
2

12 e x cos( x) + 12 e x sin( x)

8. Dada la siguiente ecuacin diferencial de tercer orden, Use el mtodo de Heun para aproximar

y (0.5) tomando h = 0.1 en cada paso del proceso iterativo. Con condiciones iniciales de y (0) = 0 ,
y ' (0) = 0 y y ' ' (0) = 1 Solucin: y (0.5) 0.11002693350417
2 y ' ' '+ 3 y ' ' 3 y ' 2 y = e x
x2
2x
Solucin real y = 89 e + 19 e +

5
18

ex +

1
2

e x