Está en la página 1de 197

Transparencias de AMPLIACI

ON DE MATEM

ATICAS
Gabriel Soler Lopez
Documento compilado con L
A
T
E
X el 9 de mayo de 2011

Indice general
I Ecuaciones diferenciales 6
2. Nociones basicas: ecuaci on diferencial, sistemas de ecuaciones diferenciales
y soluciones 7
1. Familias n-parametricas de soluciones y funciones . . . . . . . . . . . . . . . . . 9
2. Problema de Cauchy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3. Relaci on entre ecuaciones diferenciales y sistemas de ecuaciones diferenciales . . 11
4. Ecuaciones en variables separadas . . . . . . . . . . . . . . . . . . . . . . . . . . 12
4.1. Aplicaciones en ingeniera . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.2. Una primera aproximaci on al problema de la braquistocrona . . . . . . . 15
5. Familia de curvas ortogonales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
5.1. Ecuaciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
6. Ecuaciones exactas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
7. Analisis cualitativo de las ecuaciones de orden uno: el metodo de las isoclinas . . 25
3. Dinamica de poblaciones, ecuaci on logstica, Ley de Malthus, ecuaci onde
Gompertz. 27
1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2. Ley de Verhulst. Modelo logstico . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3. Ley de Gompertz. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4. Ecuaciones y sistemas diferenciales lineales 30
1. Deniciones basicas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2. Existencia y unicidad de soluciones . . . . . . . . . . . . . . . . . . . . . . . . . 31
3. Estructura de las soluciones de un sistema diferencial lineal . . . . . . . . . . . . 32
1
4. Estructura de las soluciones de la ecuacion lineal . . . . . . . . . . . . . . . . . . 33
5. Soluciones de los sistemas lineales con coecientes constantes . . . . . . . . . . . 33
5.1. Resoluci on de sistemas diferenciales lineales no homogeneas por el metodo
de los coecientes indeterminados . . . . . . . . . . . . . . . . . . . . . . 34
6. Resoluci on de ecuaciones diferenciales lineales con coecientes constantes . . . . 34
6.1. Resoluci on de ecuaciones diferenciales lineales no homogeneas por el meto-
do de los coecientes indeterminados . . . . . . . . . . . . . . . . . . . . 35
6.2. Reducci on de un sistema lineal a una ecuaci on lineal de orden superior . 36
7. Aplicaciones a la ciencia de las ecuaciones y sistemas diferenciales lineales . . . . 38
7.1. Una aplicaci on a las construcciones arquitectonicas . . . . . . . . . . . . 38
7.2. Aplicaciones a la electricidad . . . . . . . . . . . . . . . . . . . . . . . . . 44
II Calculo Numerico 52
5. Introducci on al calculo numerico 53
1. N umeros de las computadoras . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2. Errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.1. Errores de aproximaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.2. Error cometido al aproximar un n umero real por su representacion en
punto otante por truncatura . . . . . . . . . . . . . . . . . . . . . . . . 58
2.3. Errores ampliados por la aritmetica . . . . . . . . . . . . . . . . . . . . 58
3. Esquema general para la construcci on de metodos numericos para resolver un
problema matematico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.1. Criterios a tener en cuenta a la hora de seleccionar un algoritmo . . . . 60
6. Soluciones de ecuaciones de una variable 62
1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2. Repaso de resultados de calculo diferencial . . . . . . . . . . . . . . . . . . . . . 62
3. Metodo de bipartici on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.1. Cota del error absoluto en la n-sima aproximaci on . . . . . . . . . . . . 64
3.2. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.3. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2
4. Metodos iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.2. El metodo de las aproximaciones sucesivas . . . . . . . . . . . . . . . . . 70
4.3. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.4. El metodo de Lagrange o regula falsi
73
4.5. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.6. El metodo de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . 75
5. Convergencia de metodos iterativos de resoluci on de ecuaciones. Orden de con-
vergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.1. Observaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.2. Orden de convergencia de un metodo . . . . . . . . . . . . . . . . . . . . 80
6. Error en el metodo de las aproximaciones sucesivas . . . . . . . . . . . . . . . . 81
6.1. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
7. Error en el metodo de Lagrange o regula falsi
83
7.1. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
8. Error en el metodo de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . 84
8.1. Orden de convergencia en el metodo de Newton-Raphson . . . . . . . . . 84
8.2. Resultados sobre la convergencia . . . . . . . . . . . . . . . . . . . . . . 85
8.3. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
9. Metodo de la secante . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
9.1. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
10. Aceleraci on de la convergencia: el metodo
2
de Aitken . . . . . . . . . . . . . 88
10.1. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
11. Sistemas no lineales. El metodo de Newton . . . . . . . . . . . . . . . . . . . . 92
11.1. El metodo de Newton para sistemas . . . . . . . . . . . . . . . . . . . . 93
11.2. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7. Soluciones de sistemas lineales 95
1. Metodos directos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3
1.1. Resoluci on de sistemas triangulares . . . . . . . . . . . . . . . . . . . . . 95
1.2. Operaciones elementales . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
1.3. Resoluci on de sistemas no triangulares . . . . . . . . . . . . . . . . . . . 101
1.4. Resoluci on de sistemas lineales utilizando la factorizaci on LU . . . . . . 104
1.5. Algoritmo para calcular la factorizaci on LU (algoritmo de Doolitle-
Banaciewicz) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
1.6. Factorizacion de Cholesky . . . . . . . . . . . . . . . . . . . . . . . . . . 108
2. Metodos iterativos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
2.1. Resultados sobre normas matriciales . . . . . . . . . . . . . . . . . . . . 110
2.2. Construccion de metodos iterativos . . . . . . . . . . . . . . . . . . . . . 111
2.3. Estabilidad y errores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
2.4. Metodo de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
2.5. Metodo de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
2.6. Convergencia de los metodos de Jacobi y de Gauss-Seidel . . . . . . . . 139
2.7. Metodos de relajaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
8. Interpolaci on de funciones 141
1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
2. Interpolaci on polinomial de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . 144
2.1. Interpolaci on lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
3. Diferencias divididas y f ormula de Newton . . . . . . . . . . . . . . . . . . . . . 146
4. Diferencias divididas: propiedades y calculo . . . . . . . . . . . . . . . . . . . . 147
5. Estimacion del error de interpolaci on . . . . . . . . . . . . . . . . . . . . . . . . 149
6. Construccion del polinomio de interpolaci on usando diferencias nitas . . . . . 152
7. Formulas de Newton progresiva y regresiva . . . . . . . . . . . . . . . . . . . . 154
9. Metodos numericos para la resoluci on de integrales 157
1. Metodos numericos para calcular integrales. . . . . . . . . . . . . . . . . . . . . 157
10. Derivaci on e integraci on numericas 164
1. Introducci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
2. Formulas de derivaci on numerica de tipo interpolatorio . . . . . . . . . . . . . . 166
4
2.1. Formulas usuales de derivacion numerica de tipo interpolatorio que uti-
lizan entre uno y cuatro puntos de interpolaci on . . . . . . . . . . . . . . 167
2.2. Formulas de derivaci on numerica de orden superior . . . . . . . . . . . . 177
3. Formulas de integraci on numerica de tipo interpolatorio . . . . . . . . . . . . . 178
3.1. Formulas usuales de integracion numerica de tipo interpolatorio cuando
se conocen 1 y 2 puntos . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
3.2. Formulas de Newton-Cotes . . . . . . . . . . . . . . . . . . . . . . . . . 182
3.3. Formulas de cuadratura compuesta . . . . . . . . . . . . . . . . . . . . . 186
Bibliografa 196
5
Parte I
Ecuaciones diferenciales
6
Captulo 2
Nociones basicas: ecuaci on diferencial,
sistemas de ecuaciones diferenciales y
soluciones
Iniciamos esta lecci on introduciendo lo que es una ecuacion diferencial ordinaria que no es
m as que una expresi on del estilo:
f(t, y, y

, . . . , y
(n)
) = 0 (1)
donde f : D R
n+2
R es una funcion denida en un subconjunto abierto D R
n+2
.
Una ecuaci on diferencial se dir a autonoma si f no depende de t, es decir, es una expresi on
del estilo g(y, y

, . . . y
(n)
) = 0, donde g : D R
n+1
R.
A la variable t le daremos el nombre de variable independiente y con frecuencia utilizaremos
x en lugar de t, dependiendo de los fenomenos fsicos que modelemos en cada momento. La
variable y se llamara variable dependiente. Pondremos a continuaci on ejemplos de ecuaciones
diferenciales (no aut onomas):
y

+ y x = 0,
log y
(2)
+ ty y
(3)
= 0,
y

+ 4y

sen (ty) = 0,
7
y ahora ecuaciones diferenciales aut onomas:
y

+ cos y = 0,
tany
(4)
+ y arcsen y
(3)
= 0,
y

+ 4y e
y
= 0,
Seguimos, ahora con la noci on de soluci on. Una funcion real denida en un intervalo abierto
I, y : I R, es soluci on de la ecuaci on diferencial 1 si es n-veces derivable con derivadas
continuas y para todo t I se verica f(t, y(t), y

(t), . . . , y
(n)
(t)) = 0.
Ejercicio 2.1.
Dada la ecuaci on diferencial ty

= 3t
2
, demuestra que para cada elecci on de n umeros
reales c
1
y c
2
se tendra que y(t) = t
3
+ c
1
t
2
+ c
2
es solucion.
Una primera observaci on que se desprende de este ejemplo es que las soluciones no van a ser
unicas, en particular, en nuestro ejemplo hay innitas soluciones. Otra observaci on que se debe
hacer es que las soluciones deben buscarse en intervalos de denicion lo m as grandes posibles,
es decir lo que se busca son soluciones maximales.
La denici on de soluci on de ecuaciones diferenciales no excluye que demos como soluci on
funciones denidas implcitamente.
Ejemplo 2.2. Para la ecuacion diferencial yy

+t = 0, la expresi on t
2
+y
2
= c
2
(c constante)
dene a y en funci on de t en el intervalo (

c,

c) siendo y(t) soluci on de yy

+ t = 0.
Seguimos deniendo un sistema de ecuaciones diferenciales como una coleccion de expre-
siones como la que sigue:

f
1
(t, y
1
, y

1
, . . . , y
(n)
1
, y
2
, y

2
, . . . , y
(n)
2
, . . . , y
k
, y

k
, . . . , y
(n)
k
) = 0,
f
2
(t, y
1
, y

1
, . . . , y
(n)
1
, y
2
, y

2
, . . . , y
(n)
2
, . . . , y
k
, y

k
, . . . , y
(n)
k
) = 0,
.
.
.
f
s
(t, y
1
, y

1
, . . . , y
(n)
1
, y
2
, y

2
, . . . , y
(n)
2
, . . . , y
k
, y

k
, . . . , y
(n)
k
) = 0.
Las variables y
1
, y
2
, . . . , y
k
reciben el nombre de variables dependientes y t recibe el nombre
de variable independiente. Solo consideraremos sistemas con el mismo n umero de variables
dependientes que de ecuaciones, es decir, sistemas con k = s. La noci on de soluci on es an aloga
a la introducida anteriormente, es decir, a la funci on soluci on se le pide lo mismo que a las
soluciones de una ecuacion diferencial pero con cada una de las ecuaciones del sistema.
8
Ejercicio 2.3.
Vericar que el sistema de ecuaciones diferenciales:

= y,
y

= x + t,
tiene por soluciones x(t) = t + c
1
cos t + c
2
sen t e y(t) = 1 + c
1
sen t c
2
cos t en el intervalo
I = R para cada par de n umeros reales c
1
, c
2
.
Acabamos esta secci on deniendo el orden de una ecuaci on diferencial como el m as alto
grado de las derivadas que aparecen.
1. Familias n-parametricas de soluciones y funciones
En esta seccion pretendemos mostrar que, en general, las soluciones de una ecuaci on difer-
encial dependen de n-par ametros, aunque tambien veremos que se presentaran bastantes ex-
cepciones. Empezamos considerando la ecuaci on diferencial y

= f(t) para la que es claro que


una soluci on es y(t) =
_
f(t)dt + c, donde c es cualquier n umero real y
_
f(t)dt denota una
primitiva ja de la funci on f(t). Nos planteamos estudiar despues la ecuaci on y

= f(t) cuya
solucion es y(t) =
_
(
_
f(t)dt)dt + c
1
t + c
2
donde c
1
y c
2
son n umeros reales cualesquiera jos.
Siguiendo con el mismo razonamiento, la solucion y
(n)
= f(t) depender a de n-par ametros.
En general, la ecuacion diferencial f(t, y, y

, . . . , y
(n)
) = 0 tiene por soluciones una familia
n-parametrica de funciones, es decir, una familia de funciones del tipo y(t) = f(t, c
1
, c
2
, . . . , c
n
)
o en forma implcita, g(t, y, c
1
, c
2
, . . . , c
n
) = 0.
Aunque lo expuesto hasta aqu es cierto en general conviene poner de maniesto contrae-
jemplos sencillos a esta regla. La ecuaci on diferencial y
2
+ (y

)
2
= 1 no tiene soluciones,
y
2
+ (y

)
2
= 0 tiene como unica solucion la funci on y : R R constantemente igual a 0 y por
ultimo (y

y)(y

2y) = 0 tiene por soluciones la familia biparametrica denida implcitamente


por (y c
1
e
t
)(y c
2
e
2t
) = 0.
Problema inverso
Parece logico preguntarse si jada una familia n-parametrica de funciones, y(t) = f(t, c
1
, c
2
, . . . , c
n
)
o g(t, y, c
1
, c
2
, . . . , c
n
) = 0, existe una ecuaci on diferencial cuyas soluciones incluyen la famil-
ia jada. En general la respuesta a este problema es armativa y para encontrar la ecuaci on
9
diferencial basta con derivar n-veces la funci on y(t) obteniendo as n + 1 ecuaciones de las que
eliminaremos c para obtener una unica ecuaci on diferencial.
Ejercicio 2.4. B
usca una ecuaci on diferencial que contenga como soluciones a la familia uniparametrica
y(t) = ccos t + t y otra para la familia biparametrica z(t) = c
1
e
t
+ c
2
e
2t
.
Derivando respecto de t se obtiene y

(t) = csen t + 1, de donde


y

(t) =
(y(t) t)sen t
cos t
+ 1.
As que la familia uniparametrica y(t) = ccos t + t satisface la ecuacion y

= (t y) tant + 1.
Para obtener la ecuaci on diferencial de la familia biparametrica z(t) = c
1
e
t
+c
2
e
2t
derivamos
dos veces respecto de t y obtenemos
z

(t) = c
1
e
t
+ 2c
2
e
2t
,
z

(t) = c
1
e
t
+ 4c
2
e
2t
,
ahora eliminamos c
1
y c
2
utilizando las tres ecuaciones y se obtiene z

(t) 3z

(t) + 2z(t) = 0,
por lo que la familia biparametrica satisface la ecuacion diferencial:
z

3z

+ 2z = 0.
2. Problema de Cauchy
Si las ecuaciones diferenciales modelan fen omenos fsicos de los que queremos estudiar su
comportamiento posterior, no parece razonable que sus soluciones sean innitas como estamos
viendo que de hecho sucede. En realidad nuestro fen omeno fsico debera quedar determinado
por una sola de las soluciones desechando las demas, este proceso de elecci on de la funci on
adecuada se puede realizar con exito porque podremos medir, en general, el estado inicial del
sistema (el valor de la funci on en un valor determinado de t), a esta condicion inicial se le
llama condicion de Cauchy si la variable t es temporal y condicion de contorno si la variable x
es espacial. Llegamos as a la denici on de problema de Cauchy.
10
Entendemos por problema de Cauchy a una expresi on del estilo:

f(t, y, y

, . . . , y
(n)
) = 0,
y(t
0
) = y
0,1
,
y

(t
0
) = y
0,2
,
.
.
.
y
(n1)
(t
0
) = y
0,n
,
(2)
Una soluci on del problema de Cauchy (2) es una funcion denida en un intervalo abierto I,
y : I R, de manera que y(t) es solucion de la ecuaci on diferencial y adem as y
(k)
(t
0
) = y
0,k+1
para cada k 0, 1, . . . , n 1.
Ejercicio 2.5. R
esuelve el problema de Cauchy:

ty

= 3t
2
,
y(1) = 1,
y

(1) = 1,
sabiendo que la familia biparametrica y(t) = t
3
+ c
1
t
2
+ c
2
es una solucion de la ecuaci on
diferencial que dene el problema de Cauchy.
3. Relacion entre ecuaciones diferenciales y sistemas de
ecuaciones diferenciales
Dedicamos este apartado a justicar que una ecuaci on diferencial de orden n es equivalente
a un sistema de n ecuaciones diferenciales de orden 1. En particular demostraremos que la
ecuaci on:
y

= f(t, y, y

, . . . , y
(n)
) (E),
es equivalente al sistema:
(S)

1
= y
2
,
y

2
= y
3
,
.
.
.
y

n1
= y
n
,
f(t, y
1
, y
2
, . . . , y
n1
, y

n
) = 0,
11
en el sentido que si y(t) es solucion de la ecuaci on (E) entonces y(t), y

(t), . . . , y
(n1)
(t) son
una soluci on del sistema (S). Recprocamente, si y
1
(t), y
2
(t), . . . , y
n
(t) son soluci on del sistema
(S) entonces y
1
(t) es solucion de la ecuaci on (E) e y
2
(t), . . . , y
n
(t) son las derivadas sucesivas
de y
1
(t). Con lo cual, este metodo nos permite pasar de una ecuaci on de orden n a un sistema
de n ecuaciones de primer orden. Como la soluci on de la ecuaci on depende en general de n
par ametros, la soluci on del sistema tambien depender a de n par ametros.
4. Ecuaciones en variables separadas
Una ecuaci on diferencial en variables separadas es una ecuaci on de primer orden de la
forma
y

= f(t)g(y), (3)
o cualquier otra ecuaci on diferencial que pueda reducirse a ella. Ejemplos de estas ecuaciones
son:
y

= e
y
t log t,
y

=
t
sen y
,
y

= e
t
arcsen y,
y

=
3ty+t
2
y
(y1) log t
=
3t+t
2
log t
y
y1
,
y

= g(y).
Hemos querido iniciar el estudio de las ecuaciones de primer orden con las ecuaciones en
variables separadas porque son las m as sencillas de resolver. En efecto, si y(t) es solucion de 3
entonces y

(t) = f(t)g(y(t)) y por lo tanto si g(y(t)) ,= 0 se tiene que


y

(t)
g(y(t))
= f(t)
para cada t. Sean ahora G(y) =
_
1
g(y)
dy una primitiva de
1
g(y)
y F(t) =
_
f(t)dt una primitiva
de f(t) (en general
_
f(t)dt denota una primitiva particular de la funci on f, mientras que
_
f(t) representa a todas las primitivas de f(t), es decir, todas aquellas funciones que tienen
por derivada a f(t)).
Usando ahora la regla de derivaci on compuesta se obtiene
[G(y(t))]

= G

(y(t))y

(t) =
y

(t)
g(y(t))
= f(t)
12
por lo que G(y(t)) es una primitiva de f(t) y por lo tanto existir a una constante c tal que
G(y(t)) = F(t) +c, o lo que es lo mismo, y(t) est a denida implcitamente por G(y) = F(t) +c,
es decir,
_
1
g(y)
dy =
_
f(t)dt + c
es la solucion general de 3.
Para que los alumnos asimilen el metodo proponemos resolver el problema de Cauchy

=
ycos t
1+2y
2
,
y(0) = 1.
Seg un lo expuesto, la soluci on de la ecuaci on viene dada por
_
1+2y
2
y
dy =
_
cos tdt + c,
haciendo ambas primitivas se obtiene
log y + y
2
= sen t + c,
ahora la condici on inicial y(0) = 1 fuerza a que c = 1 y por lo tanto la soluci on del problema
viene dada en forma implcita por la ecuaci on:
log y + y
2
= sen t + 1.
4.1. Aplicaciones en ingeniera
Empezamos esta seccion con la exposici on del problema de la catenaria como un paso
preliminar al estudio de vigas. Este problema consiste en determinar la forma que toma un
cable cuando se suspende de dos puntos y se deja bajo la acci on de la gravedad, es el caso pues,
de los cables de uido electrico apoyados en dos torres.
Para resolver el problema jamos un sistema coordenado como muestra la gura 2.1, donde
hacemos coincidir el origen coordenado con el punto m as bajo que toma el cable y donde el eje
x es tangente a la curva que adopta el cable. Para obtener la ecuaci on de la curva utilizaremos
que el cable est a en equilibrio entre el punto m as bajo y el punto Q = (x, y(x)), la funci on p(s)
nos da densidad lineal de peso del cable. Las fuerzas que act uan en el problema son:
1. la tensi on horizontal H en el punto m as bajo,
2. la tensi on en el punto Q, que es variable y que denotamos por T(x, y),
13
6
-
x
y
O
H
?

Q
P
T
Figura 2.1: Catenaria
3. el peso de la porci on de cadena entre O y Q(x, y) que denotaremos por P(x, y).
Puesto que el sistema est a en equilibrio, la suma de las fuerzas horizontales (resp. verticales)
debe ser cero. As que:
T(x, y)cos = H y Tsen =
_
s
0
p(s)ds,
donde la integral
_
s
0
p(s)ds es la integral que nos da el peso del cable entre el punto O y el
punto Q(x, y) situado a una distancia s medida sobre la curva y(x). Deducimos ahora de la
primera de las dos ecuaciones
Tsen = H tan = Hy

(x),
por lo tanto
Hy

(x) =
_
s
0
p(t)dt.
Derivamos la igualdad anterior respecto de la variable x y se obtiene
Hy

=
d
dx
_
s
0
p(s)ds =
d
ds
_
s
0
p(t)dt
ds
dx
= p(s)
_
1 + y

(x)
2
,
lo que indica que la curva y(x) es solucion de la ecuaci on diferencial
Hy

= p(s)
_
1 + (y

)
2
. (4)
14
-10 -5 5 X
5
10
15
20
25
30
Y
Figura 2.2: Representaci on de la catenaria para el caso particular y(x) =
5
3
(e
3x
10
+ e

3x
10
).
Resolvemos 4 en el caso que la funci on p(s) sea constante e igual a p, que es el caso comentado
de los cables de tendido electrico. La ecuaci on 4 queda como
y

=
p
H
_
1 + (y

)
2
,
y cambiando y

por z transformamos la ecuaci on diferencial anterior por


z

=
p
H

1 + z
2
que es una ecuaci on en variables separadas con soluci on (utilcese que z(0) = 0):
log(z +

1 + z
2
) = ax.
Despejando z y cambiando de variable se obtiene:
y(x) =
H
2p
(e
px
H
+ e

px
H
).
Representamos para acabar la curva y(x) para los valores H = 10 y p = 3.
4.2. Una primera aproximaci on al problema de la braquistocrona
Esta seccion est a dedicada a la exposici on del problema de la braquistocrona y a ver c omo
podemos resolverlo utilizando las ecuaciones diferenciales y la ley de refraccion de Snell. No es
una resoluci on formal pero s una aproximaci on.
En 1606 Jean Bernoulli plante o encontrar la curva que conecta dos puntos A y B separados
horizontal y verticalmente una distancia prejada (que para mayor comodidad supondremos 1
15
m en ambas direcciones) de manera que si dejamos caer una bola por la curva bajo la acci on
de la gravedad tarda tiempo mnimo. Entre otros, Newton, Leibniz, LH opital, Jakob Bernoulli
y el propio Jean Bernoulli dieron respuesta al problema.
Para mayor simplicidad supondremos A = (0, 0) y B = (1, 1) (ver la Figura 2.3). La
solucion que daremos a los alumnos no se obtiene realmente mediante una resoluci on formal
ya que utilizamos que una partcula que se deslice por la curva que minimiza el tiempo debe
vericar que
sen (y)
v(y)
= c, (5)
donde v(y) es la velocidad de la partcula cuando se encuentra en el punto (x, y(x)), dicha
igualdad se obtiene haciendo un smil con la ley de refraccion de la luz de Snell. Ahora bien,
la velocidad v(y) es facil de calcular utilizando el principio de conservaci on de la energa, de
donde se obtiene
v =
_
2gy. (6)
?
-
A = (0, 0)
B = (1, 1)
x
y
C = (x, y(x))
(C)
Figura 2.3: Problema de la braquistocrona
Podemos encontrar ya la ecuaci on diferencial que satisface la funci on y(x), en efecto
sen (y) =
1
_
1 + tan
2
(

2
(y))
=
1
_
1 + (y

(x)
2
)
, (7)
ahora, combinando las ecuaciones 5, 6 y 7, tenemos
y(1 + (y

)
2
) = c
16
para una constante c. Esta ultima ecuacion se puede reescribir como una ecuaci on diferencial
en variables separadas
y

=
_
c y
y
,
cuya solucion general viene dada por
_ _
y
c y
dy = x + c
1
para una constante c
1
. Ahora integramos la ecuaci on como hemos indicado en el apartado de
ecuaciones en variables separadas y determinamos la constante c
1
para llegar a la soluci on
x = c
_

tan
1 + tan
2

_
=
c
2
(2 sen 2)
donde
= arctan
_
y
c y
.
Aplicaci on: interes compuesto
Actualmente las entidades de credito suelen ofrecer un interes anual por la cantidad de
dinero depositada en las cuentas de ahorro. Supongamos que ingresamos una cantidad inicial
de dinero C
0
y nuestra entidad nos ofrece un interes anual de k %. Si se denota por C(t) la
cantidad de dinero que tenemos en la cuenta en el instante t, la variaci on que sufre el dinero
debe cumplir la ecuaci on diferencial:
C

=
k
100
C,
que es una ecuaci on en variables separadas (aunque tambien ser a lineal como veremos). Por
lo tanto, para conocer la cantidad de dinero que tenemos en un instante t debemos resolver el
problema de Cauchy

=
k
100
C,
C(0) = C
0
,
donde t es el tiempo transcurrido en a nos. Como la solucion de la ecuaci on es C(t) = ce
kt/100
,
introducimos la condici on inicial y se obtiene c = C
0
, as que la cantidad de dinero que habr a en
la cuenta en el instante de tiempo t sera
C(t) = C
0
e
kt/100
.
17
5. Familia de curvas ortogonales
Dadas dos familias de curvas T y (, se dice que son ortogonales si para cada par de
curvas, y(x) de la primera y z(x) de la segunda, se tiene que las intersecciones de ambas son
perpendiculares, es decir, los vectores tangentes de ambas curvas en los puntos de intersecci on
son perpendiculares. Con las tecnicas desarrolladas en este tema podemos reducir el problema
de encontrar una familia de curvas ortogonales a una familia jada H, a resolver una ecuaci on
diferencial.
Este problema de encontrar familias de curvas ortogonales tiene interes en fsica. En efecto,
si una corriente uye por una l amina plana de material conductor, las curvas equipotenciales
son las lneas perpendiculares a las lneas de ujo.
Pasamos pues a ver c omo se resuelve el problema, para ello suponemos jado una familia
de curvas, H, denida mediante una ecuaci on diferencial y

= f(x, y), lo cual quiere decir que


la curva de H que pase por un punto (x
0
, y
0
), y : I R, tendra en dicho punto pendiente
f(x
0
, y
0
) y por lo tanto una curva perpendicular que interseque con ella deber a tener pendiente

1
f(x
0
,y
0
)
. As que la familia de curvas ortogonales a H debe satisfacer la ecuacion diferencial
z

=
1
f(x,z)
.
Para motivar al alumno comprobaremos, con este metodo, que la familia de crculos x
2
+y
2
=
c
2
tiene como familia ortogonal a las rectas de R
2
que pasan por el origen.
5.1. Ecuaciones lineales
En esta seccion vamos a considerar las ecuaciones lineales de primer orden, es decir,
ecuaciones del tipo: a
0
(t)y

+a
1
(t)y = b(t), donde las funciones a
0
(t), a
1
(t) y b(t) las suponemos
continuas y denidas en un intervalo I, adicionalmente suponemos que a
0
(t) ,= 0 para todo
t I, con lo cual la ecuaci on anterior puede reescribirse como:
y

+ p(t)y = q(t). (8)


Tanto p(t) como q(t) seran funciones continuas y siguiendo la notaci on de los sistemas de
ecuaciones lineales, diremos que 8 es homogenea cuando q(I) = 0 y no homogenea en caso
contrario. Hemos seguido [1, pp. 13-27], [3, p. 9-32] y [4, 13-27] para elaborar esta secci on.
18
Resoluci on de la ecuaci on lineal
El objetivo de este apartado es ense nar al alumno a resolver la ecuaci on 8, la idea de
la resoluci on es sencilla, consiste en multiplicar la ecuaci on por una funci on (t) de manera
que el miembro izquierdo de la ecuaci on obtenida sea ahora la derivada de la funci on (t)y(t)
(explicaremos que la funci on recibe el nombre de factor integrante). Despues tomaremos
primitivas en ambos miembros y dividiremos por (t) para obtener y(t).
Mediante una serie de c alculos justicativos en la pizarra, ser a f acil llegar a la expresi on de
:
(t) = e
_
p(t)dt
.
Ahora tenemos que la ecuaci on de partida queda equivalente a ((t)y)

= (t)q(t) y por lo
tanto, la soluci on general es:
y(t) =
1
(t)
_
(t)q(t)dt + c. (9)
Si ahora consideramos un problema de Cauchy asociado a una ecuaci on diferencial lineal
cabe preguntarse si la solucion ser a unica para cada condici on inicial dada. La respuesta la da
el siguiente teorema.
Teorema 2.6. Sea t
0
un punto del intervalo I e y
0
R. El problema de Cauchy

+ p(t)y = q(t),
y(t
0
) = y
0
,
tiene soluci on unica dada por la expresi on
y(t) =
1
(t)
__
t
t
0
(s)q(s)ds + y
0
_
,
donde:
(t) = exp
__
t
t
0
p(s)ds
_
.
Conviene hacer notar en este punto al alumno que la soluci on general 9 obtenida es realmente
general en el sentido que cualquier solucion se escribe seg un la expresi on 9, la demostraci on de
este hecho se deduce del teorema anterior, seguiremos [4, p. 21]. En este punto de la exposici on
conviene ilustrar los resultados obtenidos con la resoluci on de alguna ecuaci on particular.
Por ultimo, pasaremos a explicar c omo acortar los c alculos para obtener soluciones generales
de la ecuaci on 8. A este respecto demostraremos que la soluci on general de la ecuaci on no
19
homogenea se puede obtener como la suma de la solucion general de la ecuaci on homogenea
y

h
+ p(t)y
h
= 0 con una de las soluciones particulares de la no homogenea 8. La ventaja de
resolver de este modo la ecuaci on lineal no homogenea es que la resoluci on de la homogenea
resulta m as sencillo:
y
h
(t) = c exp
_

_
p(t)dt
_
,
qued andonos a expensas de encontrar una soluci on particular de 8.
Para obtener una soluci on particular de la ecuaci on no homogenea utilizaremos el principio
de superposici on de soluciones: si y
1
(t), y
2
(t), . . . , y
n
(t) son soluciones de y

+ p(t)y = q
1
(t),
y

+p(t)y = q
2
(t), . . . , y

+p(t)y = q
n
(t) respectivamente, entonces a
1
y
1
(t)+a
2
y
2
(t)+ +a
n
y
n
(t)
es solucion de
y

+ p(t)y = a
1
q
1
(t) + a
2
q
2
(t) + + a
n
q
n
(t).
Para nalizar el apartado expondremos el metodo de los coecientes indeterminados, ecaz
en la b usqueda de soluciones de la ecuaci on lineal para p(t) constante y q(t) de la forma
e
t
[P
m
(t)cos t + Q
m
(t)sen t], siendo P
m
(t) y Q
m
(t) polinomios de grado menor o igual que
m. El metodo sugiere buscar las soluciones de la ecuaci on entre funciones del tipo:
y(t) = e
t
[R
m
(t)cos t + S
m
(t)sen t],
donde R
m
(t) y S
m
(t) son polinomios de grado menor o igual que m con coecientes que hay
que determinar usando la ecuaci on. No obstante, existe una salvedad al metodo anterior, si
q(t) = e
pt
P
m
(t), siendo P
m
(t) un polinomio de grado menor o igual que m. Buscaremos la
solucion particular entre funciones de la forma y(t) = tR
m
(t)e
pt
con R
m
(t) un polinomio con
coecientes a determinar. Algunos ejemplos dejaran claro el procedimiento.
Problemas de mezclas qumicas
En este apartado mostraremos a los alumnos c omo se pueden utilizar las ecuaciones difer-
enciales en problemas de mezclas qumicas. Supongamos que tenemos un tanque de volumen
V udv (udv representar a una unidad de volumen) en el que tenemos inicialmente una cantidad
y
0
udm (udm representara una unidad de masa) de una sustancia diluida a una concentraci on
y
0
V
udm/udv. Ahora empezamos a introducir una disoluci on de la misma sustancia a una con-
centraci on b udm/udv y velocidad k udv/udt (udt representar a una unidad de tiempo) y por
20
otro lado sacamos parte de la soluci on a una velocidad f udv/udt. Representemos por y(t) la
cantidad de sustancia dentro del tanque en el instante t, por lo tanto:
y

(t) = v
e
(t) v
s
(t)
donde v
e
y v
s
representan las velocidades de entrada y salida en el tanque de la sustancia.
Las condiciones del problema imponen que la velocidad de entrada de sustancia es constante,
en particular:
v
e
= kb,
la velocidad de salida v
s
no va a ser constante puesto que, aunque la velocidad de salida de la
disoluci on es constante, la concentraci on cambia en cada instante. Ahora bien, v
s
(t) =
y(t)
V (t)
f
donde V (t) representa el volumen de disolucion que tenemos en el instante t y que sera V (t) =
V + (k f)t. Por lo tanto y(t) satisface el problema de Cauchy

= kb
fy
V +(kf)t
,
y(0) = y
0
.
Podemos aplicar ahora los conocimientos ya adquiridos y resolver el problema de Cauchy
anterior obteniendo una ecuaci on para y(t). No obstante, la existencia de las constantes complica
la escritura y en general asusta al alumno, preferimos por lo tanto proponer un ejemplo concreto
que ayude al alumno a aanzar sus conocimientos.
Supongamos que tenemos un tanque con 400 litros de agua destilada y a nadimos a una
velocidad de 8 litros por segundo concentraci on salina de 0.05 Kilogramos de sal por litro.
Dejamos salir del tanque disoluci on a la misma velocidad que a nadimos concentraci on salina.
Cuanta sal habr a en el tanque al cabo de 1 minuto?
Siguiendo el planteamiento del problema hecho antes se obtiene el problema de Cauchy:

= 0,4
8y
400
,
y(0) = 0.
La ecuaci on homogenea y

=
y
50
tiene por solucion y(t) = Ke
t/50
siendo K una constante.
Ahora utilizamos que la funci on y
p
(t) = 20 es una solucion particular de la ecuaci on, se tiene
que la soluci on general ser a de la forma:
y(t) = 20 +Ke
t/50
.
21
Imponemos nalmente la condici on de Cauchy y(0) = 0 y se obtiene y(t) = 20 20e
t/50
,
entonces
y(60) = 20 20e
1/50
= 13,976 Kilogramos.
6. Ecuaciones exactas
En esta seccion vamos a estudiar ecuaciones diferenciales de primer orden del tipo
M(t, y) + N(t, y)y

= 0, (10)
siendo M y N funciones continuas denidas en un abierto D de R
2
. Estas ecuaciones se escriben
normalmente como:
M(t, y)dt + N(t, y)dy = 0.
Para este tipo de ecuaciones, si existe una funci on f : D R
2
R de clase c
1
tal que
f
t
(t, y) = M(t, y),
f
y
(t, y) = N(t, y) y f(t, y) = c dene a y como funcion implcita de t
entonces la funci on y(t) tal que f(t, y(t)) = c es solucion de la ecuaci on diferencial 10. En
efecto, derivamos en la anterior igualdad para obtener:
d
dt
f(t, y(t)) =
f
t
(t, y(t)) +
f
y
(t, y(t))y

(t) = M(t, y(t)) + N(t, y(t))y

(t) = 0.
Recprocamente, si y : K R es solucion de 10 entonces:
0 = M(t, y(t)) + N(t, y(t))y

(t) =
f
t
(t, y(t)) +
f
y
(t, y(t))y

(t) =
d
dt
f(t, y(t))
y por lo tanto f(t, y(t)) = cte. Se impone pues, dada una ecuacion diferencial 10, buscar una
funcion f : D R
2
R de clase c
1
tal que
f
t
(t, y) = M(t, y),
f
y
(t, y) = N(t, y). Este tipo
de ecuaciones diferenciales para las que existe la funci on f se llaman ecuaciones diferenciales
exactas. El siguiente teorema da respuesta a esta cuesti on, su demostraci on se puede encontrar
en [4, p. 65] aunque no la exigiremos.
Teorema 2.7. Supongamos que M(t, y) y N(t, y) son funciones de clase c
1
denidas en un
abierto D = I J donde I y J son intervalos de R. Entonces son equivalentes:
1. La ecuaci on M(t, y) + N(t, y)y

= 0 es exacta,
2.
M
y
(t, y) =
N
t
(t, y).
22
En este caso, jados t
0
I e y
0
J, la solucion general de la ecuaci on exacta viene dada por
f(t, y) :=
_
t
t
0
M(s, y)ds +
_
y
y
0
N(t
0
, u)du = c.
Si adem as N(t
0
, y
0
) ,= 0 entonces el problema de Cauchy

M(t, y) + N(t, y)y

= 0,
y(t
0
) = y
0
,
tiene soluci on unica, que est a denida implcitamente por la ecuacion f(t, y) = 0.
Proponemos la ecuaci on (3t
2
+4ty)dt+(2t
2
+2y)dy = 0 para ilustrar el metodo de resoluci on
que propone el anterior teorema. La ecuaci on es exacta, en efecto:
(3t
2
+ 4ty)
y
= 4t y
(2t
2
+ 2y)
t
= 4t,
si ahora jamos una condicion de Cauchy y(1) = 1, la soluci on del problema de Cauchy viene
dada por
0 = f(t, y) =
_
t
1
(3s
2
+ 4sy)ds +
_
y
1
(2 + 2u)du
= t
3
+ 2t
2
y + y
2
4
Factores integrantes
Empezamos esta seccion haciendo notar al alumno que la denici on que hemos dado de
ecuaci on exacta es ambigua ya que puede ocurrir que exista una funci on : D R
2
R
continua que no se anule en ning un punto y tal que (t, y)M(t, y)dt + (t, y)N(t, y)dy = 0 sea
exacta sin que 10 lo sea. Y evidentemente se trata de la misma ecuaci on diferencial, sera pues
m as correcto hablar de ecuaciones escritas en forma exacta y de ecuaciones escritas en forma
no exacta.
Para abordar la resoluci on de ecuaciones escritas en forma no exacta se introduce la noci on
de factor integrante que no es mas que una funci on : D R
2
R de clase c
1
que no se
anula en ning un punto y tal que
(t, y)M(t, y)dt + (t, y)N(t, y)dy = 0 (11)
23
est a escrita en forma exacta. Como estamos pidiendo a que no se anule, las ecuaciones 10 y
11 tienen las mismas soluciones. La funci on debe vericar (utilizando el Teorema 2.7)
(M)
y
=
(N)
t
,
o lo que es lo mismo,

M
y
+ M

y
=
N
t
+ N

t
,
de donde
N

t
M

y
=
_

M
y

N
t
_
.
No obstante, la ecuaci on anterior es una ecuaci on en derivadas parciales, en general, mucho
m as difcil de resolver que nuestra ecuaci on de partida. As que hallaremos factores integrantes
por metodos directos y nos limitaremos a factores integrantes de la forma (t, y) = (t) o
(t, y) = (y).
Existencia y unicidad de soluciones
Ya comentamos al introducir la noci on de problema de Cauchy, la importancia de que este
tenga soluci on unica si estamos tratando con ecuaciones diferenciales que modelan fen omenos
fsicos, ya que sin esta unicidad puede que no podamos predecir el comportamiento futuro del
sistema. Dejaremos claro en esta secci on que la soluci on no tiene que ser unica y ni siquiera
tiene por que existir. No obstante, bajo ciertas condiciones s que existe la soluci on.
En primer lugar ponemos un par de ejemplos, el primero de ellos,

= xlog y,
y

(0) = 1,
muestra que un problema de Cauchy no tiene por que tener solucion. A continuaci on consider-
amos el problema

= 3y
2/3
,
y

(0) = 0,
que tiene la ecuaci on diferencial en variables separadas y que podremos resolver como hemos
indicado anteriormente obteniendo y(t) = t
3
para todo t R. Observese que la funcion y(t) = 0
para todo t R tambien es solucion. En denitiva, este problema de Cauchy no tiene solucion
unica.
24
Expondremos seguidamente un resultado que garantiza la existencia y unicidad de solu-
ciones.
Teorema 2.8. Sea f : D = [t
0
a, t
0
+a] [y
0
b, y
0
+b] R continua y con derivada parcial
f
y
continua en D, sea M = m ax[f(x, y)[ : (x, y) D. Entonces el problema de Cauchy

= f(t, y),
y

(t
0
) = y
0
,
tiene soluci on unica denida en [t
0
, t
0
+ ] donde = mna, b/M.
Aunque el resultado anterior admite una formulaci on m as general en terminos de funciones
localmente lipschitzianas respecto de la variable y no lo expondremos bajo esas hip otesis mas
generales debido a que no hemos introducido previamente el concepto de funci on lipschitziana.
La demostraci on sigue las pautas de [2, pp. 67-80], pero la consideramos fuera del alcance de
los objetivos del curso.
Por ultimo haremos notar que la existencia de soluciones para problemas de Cauchy (no la
unicidad) se deduce exigiendo unicamente la continuidad de la funci on f.
Enunciaremos, sin demostrar, para acabar un teorema de existencia y unicidad para prob-
lemas de Cauchy asociados a sistemas de ecuaciones diferenciales.
7. Analisis cualitativo de las ecuaciones de orden uno: el
metodo de las isoclinas
Hasta ahora, el estudio que hemos hecho de las ecuaciones de orden uno solo permite
abordar la soluci on de algunos tipos concretos de ecuaciones, lo cual implica que, en general,
no seremos capaces de encontrar soluciones de una ecuacion de orden uno elegida al azar.
El metodo de las isoclinas no nos va a permitir resolver la ecuaci on diferencial pero s extraer
cierta informaci on cualitativa de las soluciones de una ecuaci on diferencial y

= f(x, y). En
efecto, si y(x) es una solucion de y

= f(x, y) y (x
0
, y
0
) es un punto de la graca, entonces la
pendiente de la soluci on en dicho punto es y

(x
0
) = f(x
0
, y
0
) que es un valor que conocemos.
Los puntos del plano donde la graca tiene pendiente seran
(x, y) : f(x, y) = ,
25
que en generar representa una curva llamada isoclina para la pendiente . Dibujando las iso-
clinas de la ecuaci on y d andose cuenta de que las curvas de las soluciones que cortan a una
isoclina lo hacen con la misma pendiente, podemos hacernos una idea aproximada de la forma
de las soluciones.
Atencion especial merecen las isoclinas para la pendiente 0 puesto que son las curvas donde
se van a localizar los extremos relativos de las funciones soluciones de la ecuacion diferencial.
Por otro lado, la segunda derivada de una soluci on y habr a de vericar:
y

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

(x),
lo cual nos permite averiguar las zonas de concavidad y convexidad de las curvas soluci on.
Aplicaremos este metodo al estudio cualitativo de algunos ejemplos.
26
Captulo 3
Dinamica de poblaciones, ecuaci on
logstica, Ley de Malthus, ecuaci onde
Gompertz.
1. Introduccion
En esta lecci on la funci on p(t) mide la evoluci on de una poblaci on y la variable independiente
es una variable temporal. Estudiaremos los siguientes modelos:
1. Ley malthusiana. La poblaci on evoluciana de acuerdo a la ecuaci on p

= ap para cierta
constante a > 0. Podemos corregir el modelo introduciendo una taxa de emigraci on:
p

= ap c. En este modelo hay tres casos rese nables:


(1) p
0
> c/a, la poblaci on crece indenidamente
(2) p
0
< c/a, la poblaci on se extingue
(3) p
0
= c/a, la poblaci on queda constante.
2. Ley de Verhulst (modelo logstico). p

= a
_
1
p
b
_
p
3. Ley de Gompertz. p

= ap log
b
p
27
2. Ley de Verhulst. Modelo logstico
Se trata de resolver la ecuacion p

= a
_
1
p
b
_
p que es equivalente a p

ap =
ap
2
b
. Esta
ecuaci on se puede resolver mediante el cambio de variable v = p
1
que nos lleva a la ecuaci on
lineal
v

+ av =
a
b
.
Esta ecuaci on se resuelve facilmente y se obtiene v(t) = ke
at
+
1
b
, de donde:
p(t) =
1
ke
at
+
1
b
.
Usando que p(0) = p
0
tenemos nalmente que:
p(t) =
1
_
1
p
0

1
b
_
e
at
+
1
b
.
Ejercicio 3.1.
Estudia si los siguientes datos siguen un modelo logstico.
A no Poblaci on
1997 1.5 10
6
1998 3.82 10
6
2002 3.26 10
7
2007 3.8 10
7
3. Ley de Gompertz.
La soluci on de la ecuaci on de Gompertz p

= ap log
b
p
se conseguira integrando
_
dp
p log
b
p
=
_
adt = at + k.
Haciendo el cambio de variable log
b
p
= u obtenemos el resultado de la ecuaci on como:
log [ log
b
p
[ = at k
o equivalentemente
[ log
b
p
[ = ce
at
, c > 0.
Distinguimos tres casos:
28
1. p > b. En este caso p(t) = be
ce
at
con c > 0
2. p < b. En este caso p(t) = be
ce
at
con c > 0
3. p = b entonces p(t) = b.
En los dos primeros casos podemos abreviar la soluci on poniendo: p(t) = b
_
p
0
b
_
e
at
.
Ejercicio 3.2.
Estudia si los siguientes datos siguen un modelo de Gompertz.
A no Poblaci on
1997 3.8 10
7
1998 4.92 10
6
2002 1.53 10
6
2007 1.5 10
6
29
Captulo 4
Ecuaciones y sistemas diferenciales
lineales
1. Deniciones basicas.
Empezamos este captulo exponiendo al alumno las deniciones que vamos a utilizar a
lo largo de este captulo y el siguiente. Un sistema de ecuaciones diferenciales lineales es un
sistema de ecuaciones diferenciales de la forma

1
= a
11
(x)y
1
+ a
12
(x)y
2
+ + a
1n
(x)y
n
+ b
1
(x),
y

2
= a
21
(x)y
1
+ a
22
(x)y
2
+ + a
2n
(x)y
n
+ b
2
(x),
. . . . . . . . . . . . . . . . . .
y

n
= a
n1
(x)y
1
+ a
n2
(x)y
2
+ + a
nn
(x)y
n
+ b
n
(x),
(1)
donde las funciones a
ij
(x) y b
i
(x) son continuas para todo 1 i, j n en un intervalo I. Este
sistema de ecuaciones diferenciales se puede escribir resumidamente como
y

= A(x)y +b(x), (2)


donde
A(x) =

a
11
(x) a
12
(x) . . . a
1n
(x)
a
21
(x) a
22
(x) . . . a
2n
(x)
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
(x) a
n2
(x) . . . a
nn
(x)

y b(x) =

b
1
(x)
b
2
(x)
.
.
.
b
n
(x)

.
30
Hacemos notar que en la ecuaci on 2 y

denota la derivada coordenada a coordenada, cuando


b(x) es el vector 0 el sistema de ecuaciones diferenciales se dice homogeneo y en caso contrario,
se dice que el sistema es no homogeneo. Diremos que el sistema 1 es de coecientes constantes
si todas las funciones a
i,j
(x) son constantes, o equivalentemente si la matriz A(x) es constante.
Una ecuaci on diferencial lineal de orden n es una expresi on de la forma
a
n
(x)y
(n)
+ a
n1
(x)y
(n1)
+ a
n2
(x)y
(n2)
+ + a
1
(x)y

+ a
0
(x)y = c(x), (3)
donde las funciones a
i
(x), 1 i n, y c(x) estan denidas en un intervalo I y son continuas.
Si la funcion a
n
(x) es tal que a
n
(x) ,= 0 para todo x de I, entonces la ecuaci on 3 se puede
reescribir como
y
(n)
+ c
n1
(x)y
(n1)
+ c
n2
(x)y
(n2)
+ + c
1
(x)y

+ c
0
(x)y = d(x), (4)
siendo las funciones c
i
(x), 1 i n, y d(x) continuas en el intervalo I.
La ecuaci on diferencial anterior se puede reescribir como un sistema diferencial lineal intro-
duciendo las variables y
i
= y
(i1)
, 1 i n:

1
y

2
.
.
.
y

0 1 0 . . . 0
0 0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
c
0
(x) c
1
(x) c
2
(x) . . . c
n1
(x)

y
1
y
2
.
.
.
y
n

0
0
.
.
.
d(x)

Planteamos este tema de ecuaciones y sistemas de ecuaciones lineales de manera que iremos
de lo general a lo particular, en particular veremos primero las propiedades que satisfacen las
soluciones de las expresiones 1 y 4 para despues pasar al c alculo efectivo de dichas soluciones,
aunque aclaramos ya, que no seremos capaces de resolver todos los casos posibles que se pueden
plantear a priori.
2. Existencia y unicidad de soluciones
Empezamos esta seccion mostrando que los sistemas de ecuaciones diferenciales homogeneos
tienen solucion unica una vez jada una condicion inicial. El siguiente teorema resume dicha
existencia y unicidad de soluciones.
31
Teorema 4.1 (Existencia y unicidad de soluciones). Dado el sistema de ecuaciones difer-
enciales y

= A(t) + b(t), siendo cada componente de A y b funciones continuas denidas en


un intervalo I. Entonces, el problema de Cauchy

= A(t)y +b(t),
y(t
0
) = y
0
,
(5)
tiene soluci on unica denida en todo el intervalo I.
Por otro lado, este teorema de existencia y unicidad de soluciones implica la existencia
y unicidad de soluciones para la ecuaci on lineal de orden n en los terminos que damos a
continuaci on:
Corolario 4.2 (Existencia y uniciad de soluciones). El problema de Cauchy:

y
(n)
+ a
1
(t)y
(n1)
+ . . . a
n1
(t)y

+ a
n
(t) = b(t),
y(t
0
) = y
0,1
,
y

(t
0
) = y
0,2
,
.
.
.
y
(n1)
(t
0
) = y
0,n
,
para funciones continuas a
1
(t), a
2
(t), . . . a
n
(t) y b(t) denidas en un intervalo I tiene soluci on
unica.
3. Estructura de las soluciones de un sistema diferencial
lineal
Empezamos ocup andonos de la estructura de las soluciones del sistema homogeneo
y

= A(t)y, (6)
en particular:
Teorema 4.3. Las soluciones del sistema lineal homogeneo 6 tienen estructura de espacio
vectorial sobre R. Adem as su dimension es n (n es el n umero de componentes de y).
32
4. Estructura de las soluciones de la ecuaci on lineal
Aprovechando la estructura que satisfacen las soluciones de los sistemas lineales y utilizan-
do la relaci on que existe entre sistemas de ecuaciones lineales y ecuaciones lineales, seg un se ha
visto en la introducci on del desarrollo de los contenido de este tema, vamos a dar un teorema
de estructura de las soluciones de la ecuacion diferencial lineal homogenea de grado n:
y
(n)
+ c
n1
(t)y
(n1)
+ c
n2
(t)y
(n2)
+ + c
1
(t)y

+ c
0
(t)y = 0, (7)
siendo c
i
(t), 0 i n 1, y d(t) funciones continuas denidas en un intervalo I.
En primer lugar podemos establecer:
Teorema 4.4. Las soluciones de (7) forman un espacio vectorial real de dimensi on n.
El teorema anterior nos permite denir un sistema fundamental de soluciones de (7) co-
mo una base y
1
(t), y
2
(t), . . . , y
n
(t) del espacio de soluciones de (7). Debido a que cualquier
solucion de nuestra ecuaci on lineal homogenea ser a de la forma:
y(t) =
1
y
1
(t) +
2
y
2
(t) + +
n
(t)y
n
(t).
Teorema 4.5. El conjunto de soluciones de (4) tiene estructura de variedad afn de dimension
n sobre el cuerpo de los n umeros reales. Es decir, toda soluci on y(t) de (7) es de la forma
y(t) =
1
y
1
(t) +
2
y
2
(t) + +
n
y
n
(t) + y
p
(t),
donde
i
R para 1 i n, el conjunto y
1
(t), y
2
(t), . . . , y
n
(t) constituye un sistema fun-
damental de la ecuaci on homogenea (7) e y
p
(t) es una solucion particular del problema no
homogeneo.
5. Soluciones de los sistemas lineales con coecientes
constantes
Proposici on 4.6. Sean A M
m
(R) e y(t) una solucion de y

= Ay. Entonces cada una de


las coordenadas de y(t) es una combinaci on lineal de las funciones
t
k
e
ta
cos tb, t
k
e
ta
sen tb,
donde a + bi recorre el conjunto de los valores propios de A con b 0 y 0 k < m(a + bi).
33
5.1. Resoluci on de sistemas diferenciales lineales no homogeneas por
el metodo de los coecientes indeterminados
Sea
y

= Ay +b(t) (8)
un sistema de ecuaciones lineales tal que la matriz A pertenece a M
m
(R) y el termino inde-
pendiente es de la forma b(t) = e
at
[cos btp(t) + sen btq(t)] donde p y q son vectores columna
que tienen en cada una de sus componentes polinomios de grado a lo sumo k N. Tomemos
= a + bi, entonces:
1. Si no es un valor propio de A entonces 8 tiene una solucion particular de la forma
y
p
(t) = b(x) = e
at
[cos btr(t)+sen bts(t)], siendo r y s vectores columna cuyas coordenadas
son polinomios en t de grado a lo sumo k.
2. Si es un valor propio de A entonces 8 tiene una solucion particular de la forma y
p
(t) =
b(x) = e
at
[cos btr(t) + sen bts(t)], siendo r y s vectores columna cuyas coordenadas son
polinomios en t de grado a lo sumo k + m().
6. Resolucion de ecuaciones diferenciales lineales con co-
ecientes constantes
Recordamos que por una ecuaci on lineal con coecientes constantes entendemos una ex-
presi on del estilo:
y
(n)
+ a
1
y
(n1)
+ + a
n1
y

+ a
n
y = b(t), (9)
donde a
i
R para todo i 1, 2, . . . , n y b(t) es una funcion continua denida en un intervalo
I. En esta seccion nos dedicaremos a dar las estrategias a seguir para resolver la ecuaci on.
Recordamos que la resoluci on de 9 requiere de la soluci on de la ecuaci on homogenea
y
(n)
+ a
1
y
(n1)
+ + a
n1
y

+ a
n
y = 0 (10)
y de encontrar una soluci on de 9. Nos ocupamos ahora de buscar un sistema fundamental de
soluciones de 10 buscando soluciones de la forma y(t) = e
rx
con r C. Derivando y(t) n veces
34
y sustituyendo en la ecuaci on diferencial homogenea tenemos que:
(r
n
+ a
1
r
n1
+ + a
n1
r + a
n
)e
rx
= 0,
y como la exponencial nunca se anula se tiene que tener r
n
+a
1
r
n1
+ +a
n1
r +a
n
= 0, es
decir, r ha de ser raz de la ecuaci on z
n
+ a
1
z
n1
+ + a
n1
z + a
n
= 0 que recibe el nombre
de ecuaci on caracterstica.
El polinomio p(z) = z
n
+ a
1
z
n1
+ + a
n1
z + a
n
se llama polinomio caracterstico.
Es mas:
Teorema 4.7. Si la ecuaci on caracterstica de (10) tiene por soluciones las races reales
a
1
, a
2
, . . . , a
j
con multiplicidades r
1
, r
2
, . . . , r
j
y las races complejas
1
+
1
i,
2
+
2
i, . . . ,

h
+
h
i con multiplicidades s
1
, s
2
, . . . , s
h
, entonces el conjunto:
j
_
l=1
x
t
e
a
l
t
: 0 t < r
l

h
_
l=1
x
t
e

l
t
cos
l
t, x
t
e

l
t
sen
l
t : 0 t < s
l

es un sistema fundamental de soluciones de la ecuacion 10.


6.1. Resoluci on de ecuaciones diferenciales lineales no homogeneas
por el metodo de los coecientes indeterminados
Cuando el termino no homogeneo es de una forma determinada, el metodo de los coecientes
indeterminados tiene una extensi on a este contexto.
Teorema 4.8 (Coecientes indeterminados). Sea la ecuaci on lineal de orden n con coe-
cientes constantes:
y
(n)
+ a
1
y
(n1)
+ + a
n1
y

+ a
n
y = e
at
[p(t)cos bt + q(t)sen bt], (11)
tal que p(t) y q(t) son polinomios de grado a lo sumo k N 0 y sea = a + bi. Entonces:
1. Si no es una raz de la ecuaci on caracterstica entonces 11 tiene una soluci on particular
de la forma y
p
(t) = e
at
[r(t)cos bt +s(t)sen bt] con r y s polinomios de grado a lo sumo k.
2. Si es una raz de la ecuaci on caracterstica de multiplicidad l entonces 11 tiene una
soluci on particular de la forma y
p
(t) = e
at
t
l
[r(t)cos bt + s(t)sen bt] con r y s polinomios
de grado a lo sumo k.
35
Ejemplo 4.9. Resolver la ecuaci on y

4y

= t + 3cos t + e
2t
.
Solucion: la ecuaci on caracterstica
3
4 = 0 tiene como races a 0, 2 y -2 con lo que la
solucion general de la ecuaci on homogenea ser a:
y
h
(t) = c
1
+ c
2
e
2t
+ c
3
e
2t
.
Ahora calculamos una soluciones particulares de las ecuaciones no homogeneas:
1. y

4y

= t,
2. y

4y

= 3cos t,
3. y

4y

= e
2t
,
utilizando el teorema anterior. Por el principio de superposici on de las soluciones se tendr a que
una soluci on de y

4y

= t+3cos t+e
2t
se puede obtener como suma de soluciones particulares
de las tres ecuaciones anteriores, respectivamente y
p
1
, y
p
2
e y
p
3
.
Como = 0 es raz de la ecuaci on caracterstica de multiplicidad 1, se debe buscar y
p
1
tal
que:
y
p
1
(t) = t(at + b) = at
2
+ bt.
Imponiendo que y
p
1
sea soluci on de la primera ecuaci on, se tiene que y
p
1
(t) = 1/8t
2
.
Por otro lado, como i no es solucion de la ecuaci on caracterstica entones buscamos y
p
2
(t) =
ccos t + dsen t. Por ultimo, como -2 es raz de la ecuaci on caracterstica de multiplicidad 1
buscamos y
p
3
(t) = fte
2t
. Haciendo calculos obtenemos: y
p
2
(t) = 3/5sen t e y
p
3
(t) = 1/8te
2t
.
Por lo tanto, la soluci on general de la ecuaci on primera es:
y(t) = c
1
+ c
2
e
2t
+ c
3
e
2t

1
8
t
2

3
5
sen t +
1
8
te
2t
.
6.2. Reduccion de un sistema lineal a una ecuaci on lineal de orden
superior
Este metodo consiste en pasar de un sistema de ecuaciones diferenciales lineales a una
ecuaci on lineal de orden superior mediante un proceso similar al del metodo de Gauss para
36
resolver sistemas de ecuaciones lineales numericos, para los detalles se puede consultar [4, p.
138-142]. Concretamente se pretender a resolver sistemas de la forma:

L
11
(y
1
) + L
12
(y
2
) + + L
1n
(y
n
) = b
1
(t),
L
21
(y
1
) + L
22
(y
2
) + + L
2b
(y
n
) = b
2
(t),
. . . . . .
L
n1
(y
1
) + L
n2
(y
2
) + + L
nn
(y
n
) = b
n
(t),
(12)
donde para cada (i, j) 1, 2, . . . , n
2
, L
ij
es un operador lineal de la forma L
ij
(y) = a
m
ij
y
(m)
+
a
m1
ij
y
(m1)
+ + a
1
ij
y

+ a
0
ij
y con a
k
ij
R para todo k 1, 2, . . . , m. Basandonos en el
hecho de que dos operadores lineales de este tipo conmutan, se puede reducir el sistema 12 a
un sistema triangular. A la hora de realizar las operaciones algebraicas para triangularizar el
sistema, sera de interes simplicar la notacion utilizando la igualdad D
m
y = y
(m)
, con lo que
el sistema 12 se reescribe como:

p
11
(D)y
1
+ p
12
(D)y
2
+ + p
1n
(D)y
n
= b
1
(t),
p
21
(D)y
1
+ p
22
(D)y
2
+ + p
2b
(D)y
n
= b
2
(t),
. . . . . .
p
n1
(D)y
1
+ p
n2
(D)y
2
+ + p
nn
(D)y
n
= b
n
(t),
(13)
donde ahora cada p
ij
(D) son polinomios en D y mediante las operaciones algebraicas ahora se
triangulariza el sistema.
Para ilustrar el metodo resolvemos el sistema de ecuaciones diferenciales lineales:

= 6x 3y + 14z,
y

= 4x + 3y 8z,
z

= 2x y + 5z.
(14)
Para ello empezamos reescribiendo el sistema anterior utilizando el operador derivaci on D:

(D + 6)x + 3y 14z = 0,
4x + (D 3)y + 8z = 0,
2x + y + (D 5)z = 0.
Ahora eliminamos la variable y de dos ecuaciones restando a la primera ecuaci on tres veces la
tercera y a la segunda (D 3) veces la tercera:

Dx + (3D + 1)z = 0,
(2D + 2)x + (D
2
+ 8D7)z = 0,
2x + y + (D 5)z = 0.
37
Eliminamos seguidamente x de una de las ecuaciones anteriores, para ello sumamos a la segunda
ecuaci on dos veces la primera:

Dx + (3D + 1)z = 0,
2x + (D
2
+ 2D5)z = 0,
2x + y + (D 5)z = 0,
y a continuaci on se le resta a la primera ecuaci on la segunda multiplicada por
D
2
:

(
1
2
D
3
D
2
+
5
2
D 3D + 1)z = 0,
2x + (D
2
+ 2D5)z = 0,
2x + y + (D 5)z = 0,
obteniendose el sistema triangular deseado. Ahora se resuelven las ecuaciones lineales obtenidas
de arriba hacia abajo y el proceso concluye.
7. Aplicaciones a la ciencia de las ecuaciones y sistemas
diferenciales lineales
7.1. Una aplicaci on a las construcciones arquitectonicas
El uso de vigas en la construccion requiere estudiar el material del que est an hechas y su
colocaci on para saber cu al ser a la exi on de la viga una vez colocada. En este apartado nos
ocuparemos s olo de vigas construidas uniformemente y para aproximarnos a su estudio podemos
suponer que una viga est a constituida por bras distribuidas longitudinalmente, vease la viga
exada de la gura 4.1, donde las bras superiores est an comprimidas y las inferiores alargadas.
El objetivo que nos marcamos es obtener la curva descrita por la bra que, antes de exar
la viga, ocupaba el eje horizontal de la viga. Esta curva se denomina curva el astica o curva de
exion. Por otro lado denominaremos supercie de separaci on de la viga al plano exado que
contiene la curva el astica o de exi on.
Con objeto de encontrar dicha curva jamos una secci on transversal de la viga a una dis-
tancia x del extremo izquierdo, denotemos por AB la intersecci on de la secci on transversal de
38
6
-
-
y
x
y
Q(x, y)
A
B
Figura 4.1: Viga
la viga con la supercie de separaci on de la viga y por Q(x, y) a la intersecci on de AB con
la curva el astica. Seg un la mec anica se sabe que el momento M con respecto a AB de todas
las fuerzas que act uan sobre cualquiera de los dos segmentos en los que AB divide a la curva
elastica es:
independiente del segmento considerado,
viene dado por
M = EI/R, (15)
donde E es la elasticidad de la viga, I el momento de inercia de la secci on transversal con
respecto a AB y R es el radio de curvatura de la curva el astica en el punto Q(x, y).
Para visualizar mejor el problema hacemos de la viga un objeto unidimensional, consideran-
do s olo la curva el astica, con lo que la secci on transversal queda reducida al punto P. Ademas
imponemos una condici on adicional al problema, debido a que la pendiente de la curva y(x) es
peque na haremos la aproximaci on
R =
1 + y

(x)
y

(x)

1
y

(x)
.
Retomando la ecuaci on 15 y la aproximaci on anterior para R obtenemos para el momento
la ecuaci on
EIy

(x) = M,
39
donde el momento ector M sera la suma de los momentos de las fuerzas exteriores que act uan
sobre el segmento de la viga respecto al punto P tomando por convenio que las fuerzas hacia
arriba dan momentos positivos y hacia abajo negativos.
Vamos a estudiar ahora dos casos concretos, el primero el de una viga apoyada sobre dos
puntos y el segundo el de una viga empotrada a la pared.
VIGA APOYADA SOBRE DOS PUNTOS
Estudiamos en este apartado la exi on de una viga de carga uniforme de c Newtons por
metro de longitud, longitud l y una carga de b Newtons concentrada en su punto medio (vease
la gura 4.2).
6
-
6 6
?
?
O
x
y
-
- - -
?
-
-
l x
lx
2
lx
2
x
2
x
2
l
2
x
a
a
b
cx
cl cx
P
R
Figura 4.2: Viga apoyada sobre dos puntos
Consideramos las fuerzas que aparecen sobre el segmento OP de la viga, estas son:
1. una fuerza hacia arriba en O igual a la mitad del peso total, es decir a =
cl+b
2
Newtons,
2. una fuerza de cx Newtons que podemos suponer concentrada en el punto (
x
2
, y(
x
2
)),
3. adem as, cuando l/2 x l entra en juego la fuerza de modulo b en el punto medio de
la viga, a x
l
2
metros de P.
40
As que el momento ector en P sera:
M
1
=
cl + b
2
x cx
x
2
=
cl + b
2
x c
x
2
2
si x
l
2
y
M
2
=
cl + b
2
x cx
x
2
b(x
l
2
) =
bl
2
+
cl b
2
x c
x
2
2
si x
l
2
.
A continuaci on hacemos notar que podemos adoptar una notaci on conjunta para el momento
ector, en efecto, observese que
M
i
=
clx
2

cx
2
2
+ (1)
i
b
2
(x
l
2
) +
bl
4
,
de donde resulta la ecuaci on diferencial a resolver:
EIy

(x) =
clx
2

cx
2
2
+ (1)
i
b
2
(x
l
2
) +
bl
4
. (16)
Integramos ahora 16 dos veces para obtener:
EIy(x) =
cl
12
x
3

c
24
x
4
+ (1)
i
b
12
(x
l
2
)
3
+
bl
8
x
2
+ ex + d,
e imponiendo las condiciones de contorno y(0) = y(l) = 0 obtenemos
d =
bl
24
y
e =
cl
3
bl
2
b
24
.
Hacemos notar por ultimo que para calcular y(0) tomamos i = 1 y para el c alculo de y(l)
elegimos i = 2. Proponemos ahora al alumno encontrar cu ando la funci on y alcanza un mnimo
y cu al es su valor, problema que tiene gran importancia a la hora de colocar vigas.
VIGA EMPOTRADA EN LA PARED
Estudiamos ahora la exi on de una viga de carga uniforme de c Newtons por metro de
longitud, longitud l y una carga de b Newtons concentrada en su punto medio (vease la gura
4.3). En este caso la novedad es que la viga no est a apoyada en dos puntos sino que se encuentra
empotrada, esto conlleva a que la pendiente de la curva el astica y(x) verique las condiciones
de contorno y

(l) = y

(0) = 0 adem as de las mismas condiciones que antes y(l) = y(0) = 0.


Estudiamos por separado la curva el astica y(x
1
) para los valores de x
1
entre 0 y
l
2
y por
otro lado para los valores de x
1
entre
l
2
y l. Empezamos considerando las fuerzas que act uan
sobre OQ
1
con 0 x
1

l
2
:
41
1. un par de momento desconocido K, que act uan en O debido a la acci on de la pared sobre
la viga,
2. un empuje hacia arriba igual a
cl+b
2
newtons,
3. cx
1
newtons a
x
1
2
metros de Q
1
.
As que, la ecuaci on de los momentos queda como
EIy

(x
1
) = K +
cl + b
2
x
1

1
4
cx
2
1
para 0 x
1

l
2
,
de donde, integrando una primera vez y usando que y

(0) = 0 se obtiene
EIy

(x
1
) = Kx
1
+
cl + b
4
x
2
1

1
12
cx
3
1
.
Integramos una segunda vez y utilizamos la condici on de contorno y(0) = 0 para obtener
EIy(x
1
) = K
x
2
1
2
+
cl + b
12
x
3
1

1
48
cx
4
1
.
6
-
O
x
y
6 6
?
-
-
-
-
-
cl+b
2
cl+b
2
x
2
x
2
2
x
2

l
2
x
1
x
1
2
Q
1
Q
2
b
?
?
cx
1
cx
2
K
R
K
Figura 4.3: Viga empotrada
Ahora estudiamos y(x
2
) para
l
2
x
2
l, empezamos estudiando las fuerzas que act uan
sobre OQ
2
, que no son mas que las anteriores a nadiendo el peso b en el punto x
2
=
l
2
, es decir,
a x
2

l
2
de Q
2
. Por lo tanto:
EIy

(x
2
) = K +
cl + b
2
x
2

c
4
x
2
b(x
2

l
2
),
42
integramos ahora dos veces e imponemos las condiciones y

(0) = 0 e y(0) = 0 para obtener


EIy

(x
2
) = Kx
2
+
cl + b
4
x
2
2

c
12
x
3
2

b
2
(x
2

l
2
)
2
,
y
EIy(x
2
) =
K
2
x
2
2
+
cl + b
12
x
3
2

c
48
x
4
2

b
6
(x
2

l
2
)
3
.
Por ultimo se impone la condicion y

(
l
2
) = 0 para obtener
K =
cl + b
8
l + c
l
2
24
,
con lo que tenemos perfectamente determinada la curva el astica que describe la viga.
Ademas de estos dos problemas tipo de vigas, plantearemos a los alumnos que calculen la
curva el astica de una viga en voladizo o mensula tal y como se muestra en la gura 4.4, teniendo
l metros de longitud y un peso uniforme de c newtons por metro. En las clases de problemas
resolveremos varios problemas con datos numericos.
-
6
-
-
O
l
x
-
lx
2
Q(x, y)
?
c(l x)
R
x
y
Figura 4.4: Viga en voladizo o mensula
43
7.2. Aplicaciones a la electricidad
Vamos a ocuparnos en este apartado de estudiar las ecuaciones diferenciales que modelan
el ujo de corriente en un circuito electrico simple como el de la gura 4.5. Empezamos con un
repaso de electricidad que nos llevara al planteamiento de las ecuaciones.

E(t)
+
R
L
i
C
Figura 4.5: Circuito electrico simple
Los elementos que aparecen en el circuito 4.5 son:
una fuente de fuerza electromotriz
1
E cuya misi on es impulsar las cargas electricas y
producir una corriente I(t) en el circuito,
un inductor de inductancia L, que se opone a cualquier cambio de la intensidad de la
corriente y produce una cada de la fuerza electromotriz gobernada por la ecuaci on
E
L
= LI

(t),
un condensador de capacitancia C, que almacena una carga Q, carga que diculta la
entrada de nueva carga y produce una cada de fuerza electromotriz dada por
E
C
=
Q
C
,
una resistencia R que se opone al paso de la corriente y que provoca una cada de la
fuerza electromotriz dada por la ecuaci on
E
R
= RI (Ley de Ohm).
1
esta fuente de fuerza electromotriz puede variar con el tiempo
44
Conviene tener en cuenta que la corriente I(t) es el ritmo al que uye la carga, por lo
que I(t) = Q

(t). Adem as como, de acuerdo con la ley de Kirchho, la suma de las fuerzas
electromotrices en torno a un circuito cerrado es cero se tiene
E E
R
E
L
E
C
= 0,
que se puede reescribir, teniendo en cuenta las consideraciones anteriores, como
LI

(t) + RI(t) +
Q(t)
C
= E(t). (17)
Ahora utilizamos la relaci on entre I(t) y Q(t) para llegar a las siguientes dos ecuaciones
diferenciales equivalentes que gobiernan el circuito:
LI

(t) + RI

(t) +
I(t)
C
= E

(t)
y
LQ

(t) + RQ

(t) +
Q(t)
C
= E(t).
Hemos visto en las secciones anteriores que un ataque global a estas ecuaciones no es posible,
ya que para encontrar una soluci on particular de las ecuaciones juega un papel importante la
funcion E(t), sera pues en las clases de problemas donde resolveremos las ecuaciones anteriores
para casos concretos de la funci on E(t).
Antes de dar por concluida esta secci on conviene plantear las ecuaciones de un circuito
m as complicado para que los alumnos aprendan o recuerden las leyes b asicas de la electricidad
anteriormente expuestas. En particular, propondremos plantear las ecuaciones del circuito 4.6.

E(t)
+
R
1
L
R
2
i
+
C
2

C
1
+
Figura 4.6: Circuito electrico
Denotamos por I
1
(t) la intensidad de corriente que uye por la resistencia R
1
, por I
2
(t)
la intensidad que uye por R
2
y por I
3
la intensidad que uye por L y C
2
. Por lo tanto, una
45
primera ecuaci on que relaciona las tres intensidades es
I
1
(t) = I
2
(t) + I
3
(t). (18)
Por otro lado aplicamos la ley de Kirchho dos veces, una para el subcircuito que contiene a
la fuente de fuerza electromotriz, la resistencia R
1
y el condensador de capacitancia C
1
. Y una
segunda vez para el subcircuito que tiene a R
2
, el inductor y el capacitador de capacitancia C
2
.
Con lo cual obtenemos
E

(t) = I

1
(t)R
1
+
I
1
(t)
C
1
+ I

2
(t)R
2
(19)
y
I

2
(t)R
2
= I

3
(t)L +
I
3
(t)
C
2
. (20)
Estas tres ecuaciones se pueden reducir a estudiar la ecuaci on lineal de tercer grado:
E

(t) = (
R
1
L
R
2
+ L)I

3
+ (R
1
+
L
R
2
C
1
)I

3
+ (
R
1
C
2
R
2
+
1
C
1
+
C
2
)I

3
+
1
C
1
C
2
R
2
I
3
.
Una vez calculada I
3
, podemos utilizar la ecuaci on en variables separadas
I

2
=
L
R
2
I

3
+
1
C
2
R
2
I
3
para calcular I
2
. Por ultimo despejamos I
1
de la ecuaci on 18.
Osciladores arm onicos no acoplados
El objetivo de esta secci on es el de obtener las ecuaciones que gobiernan el movimiento de
un carro sometido a la fuerza de un muelle tal y como se muestra en la gura 4.7.
x
1
Figura 4.7: Oscilador arm onico
46
VIBRACIONES ARM

ONICAS SIMPLES NO AMORTIGUADAS


De acuerdo a la ley de Hooke y a la segunda ley de Newton, si denotamos por x(t) la posici on
del carro (considerando la posici on de equilibrio en x = 0), por k la rigidez del muelle y por m
la masa del carro, entonces
mx

(t) = kx.
Esta ecuaci on se puede reescribir como
x

(t) +
k
m
x = 0,
cuya solucion general hemos visto que es:
x(t) = c
1
sen (
_
k
m
t) + c
2
cos (
_
k
m
t)
.
As que si movemos el carro a una posicion x = x
0
y all lo soltamos con velocidad inicial
0, el movimiento del carro viene dado por la funci on
x(t) = x
0
cos (
_
k
m
t),
es decir, el carro se mueve periodicamente alrededor de la posici on de equilibrio con periodo
T = 2
_
m
k
.
VIBRACIONES ARM

ONICAS SIMPLES AMORTIGUADAS


El movimiento hasta aqu descrito es irreal puesto que siempre tendremos una fuerza de
amortiguamiento debida a la viscosidad del medio donde el carro se abre paso. Si suponemos
que dicha fuerza de amortiguamiento es proporcional a la velocidad y se opone al movimiento,
la ecuaci on que nos da el movimiento del carro es
mx

(t) = kx(t) cx

(t) con c > 0,


que se puede reescribir como
x

(t) +
c
m
x

(t)
k
m
x(t) = 0. (21)
Resolvemos seguidamente la ecuaci on diferencial anterior con las condiciones de contorno
dadas en el caso no amortiguado, es decir, x(0) = x
0
y x

(0) = 0. Para ello se resuelve la


47
ecuaci on caracterstica asociada a la ecuaci on diferencial, de donde se obtienen las races r
1
=

c
2m
+
_
(
c
2m
)
2

k
m
y r
2
=
c
2m

_
(
c
2m
)
2

k
m
.
Para dar la resoluci on hace falta distinguir tres casos:
1. Si (
c
2m
)
2

k
m
> 0 se sigue que las races r
1
y r
2
son n umeros reales negativos y la solucion
de la ecuaci on diferencial 21 es:
x(t) =
x
0
r
1
e
r
2
t
x
0
r
2
e
r
1
t
r
1
r
2
.
Una representaci on gr aca de la anterior funci on nos har a ver que en este caso el carro
no oscila en torno a la posici on de equilibrio, sino que se mueve de regreso a la posici on
de equilibrio. Diremos que estamos en un movimiento sobreamortiguado.
2. Consideramos en este caso que (
c
2m
)
2
=
k
m
, con lo que la ecuaci on caracterstica tiene una
raz doble r
1
= r
2
=
c
2m
=
_
k
m
, con lo cual la soluci on de la ecuaci on diferencial es
x(t) = x
0
e

k
m
t
(1 +
_
k
m
t).
Un estudio de esta funci on nos muestra que en este caso tampoco hay oscilaci on y el carro
tiende a pararse. A este movimiento se le denomina crticamente amortiguado.
3. Queda por considerar el caso donde las dos races de la ecuaci on caracterstica son com-
plejas y conjugadas, que denotaremos por r
1
=
c
2m
+ ai y por r
2
=
c
2m
ai, donde
a =
_
k
m
(
c
2m
)
2
. La soluci on de 21 en este caso es
x(t) =
x
0
a
e

c
2m
t
(acos (at) +
c
2m
sen (at)),
funcion que puede reescribirse como
x(t) =
x
0
_
a
2
+ (
c
2m
)
2
a
e

c
2m
t
cos (at ),
donde = arctan(
c
2m
a
). Esta escritura de x(t) nos dice que el carro oscila en torno al punto
de equilibrio con una amplitud que decrece exponencialmente. Este movimiento recibe el
nombre de subamortiguado.
MOVIMIENTOS FORZADOS
48
Hasta aqu hemos considerado el movimiento del carro sin que act uen sobre el fuerzas ajenas
al sistema y las unicas ecuaciones lineales que nos han salido son homogeneas. No obstante,
si aplicamos al carro una fuerza externa obtendremos un movimiento forzado en general y en
algunos casos puede que sea una vibraci on forzada. En clase de problemas nos ocuparemos
de este tipo de movimiento considerando fuerzas externas peri odicas del estilo a la funci on
f(t) = f
0
cos (t), con lo que, la ecuaci on del movimiento es
x

+
c
m
x

+ kx = f(t). (22)
Pensamos que la resolucion general de la ecuaci on 22 distraer a la atenci on de los alumnos m as
que aclarar los metodos de resolucion. Pensamos que ser a mejor resolver problemas concretos
donde tengamos valores jos de los par ametros que estan en juego en 22. No obstante vamos a
hacer un resumen de los posibles movimientos que encontraremos.
Para empezar exponemos que una soluci on particular de la ecuaci on 22 es
x
p
(t) =
f
0
_
(k
2
m)
2
+
2
c
2
cos (t ) donde = arctan(
c
k
2
m
).
Por lo tanto, la soluci on de la ecuaci on 22, x(t), ser a la suma de una de las soluciones de la
ecuaci on homogenea x
h
(t) y la soluci on particular x
p
, es decir x(t) = x
p
(t) + x
h
(t). Conviene
notar que la parte que proviene de la resoluci on de la ecuaci on homogenea tiende hacia cero,
con lo cual predomina la soluci on particular y el movimiento tiende a hacerse oscilatorio de
amplitud:
T =
f
0
_
(k
2
m)
2
+
2
c
2
.
Haremos notar que cuando el par ametro c es peque no y se aproxima a
_
k
m
, la amplitud
de la vibraci on es muy grande, este fen omeno se conoce con el nombre de resonancia. Co-
mentaremos que un fen omeno relacionado con este produjo la ruptura del puente de Tacoma,
mostraremos una animaci on de tal ruptura.
Por ultimo comentaremos la similitud de la ecuaci on 22 con la ecuaci on de un circuito
electrico gobernado por la ecuaci on diferencial
LQ

+ RQ

+
Q
C
= E
0
cos (t), (23)
por lo que las consideraciones anteriormente hechas para el movimiento del carro se aplican a
la cantidad de carga que uye por un circuito electrico que satisfaga la ecuaci on 23.
49
Osciladores arm onicos acoplados
Acabamos esta seccion generalizando el problema anterior para dos carros sujetos con
muelles a una pared y atados entre s con otro muelle, situaci on que describe la gura 4.8,
donde x
i
mide la distancia de cada carro a su posici on de equilibrio.
x
1
x
2
Figura 4.8: Oscilador arm onico acoplado
Aplicamos la ley de Hooke a cada uno de los carros suponiendo que el carro de la izquierda
(carro 1) pesa m
1
kilogramos, el carro de la derecha (carro 2) pesa m
2
kilogramos y los muelles,
de izquierda a derecha, tiene constantes de rigidez k
1
, k
2
y k
3
respectivamente. As que para el
carro 1, la ecuaci on de su movimiento ser a:
m
1
x

1
(t) = k
1
x
1
(t) + k
3
(x
2
(t) x
1
(t)),
y para el carro 2:
m
2
x

2
(t) = k
2
x
2
(t) k
3
(x
2
(t) x
1
(t)).
Por lo tanto el movimiento del sistema viene regido por las ecuaciones diferenciales:

m
1
x

1
= (k
1
k
3
)x
1
+ k
3
x
2
,
m
2
x

2
= (k
2
k
3
)x
2
+ k
3
x
1
,
sistema que, utilizando la relaci on entre ecuaciones y sistemas, se reduce a resolver la ecuaci on
diferencial lineal de orden 4:
m
1
m
2
k
3
x
(iv)
1
+
k
1
+ k
3
+ (k
2
+ k
3
)m
1
k
3
x

1
+
_
(k
2
+ k
3
)(k
1
+ k
3
)
k
3
k
3
_
x
1
= 0.
50
Se usara posteriormente la relaci on:
x
2
=
m
1
x

1
+ (k
1
+ k
3
)x
1
k
3
.
En clases de problemas resolveremos problemas de este estilo con datos numericos.
51
Parte II
Calculo Numerico
52
Captulo 5
Introducci on al calculo numerico
1. N umeros de las computadoras
Un n umero (mantisa 16
exponente
) de punto otante con precisi on simple que utiliza la
serie 3000 de IBM consta de 32 bits:
1. 1 bit para el signo (0 para los n umeros positivos y 1 para los negativos),
2. 7 bits para la caracterstica que compondra el exponente considerando que la base es 16,
3. 24 bits para la mantisa.
Es decir, es una expresi on del tipo que sigue donde todas las letras son ceros o unos:
s
1
e
1
e
2
e
3
e
4
e
5
e
6
e
7
m
1
m
2
m
3
m
4
m
5
m
6
m
7
m
8
m
9
m
10
m
11
m
12
. . .
. . . m
13
m
14
m
15
m
16
m
17
m
18
m
19
m
20
m
21
m
22
m
23
m
24
Ademas es necesario exigir que en el conjunto m
1
, m
2
, m
3
, m
4
haya al menos un 1 para
tener unicidad en la representaci on. Este n umero m aquina en decimal es el n umero:
_
(1)
s
1
24

j=1
m
j
_
1
2
_
j
_
16

6
j=0
e
j
2
j
53
Ejercicio 5.1. Construcci on de un n umero decimal dado en binario:
0 1 0 0 0 0 1 0
1 0 1 1 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
El primer bit indica que el n umero es positivo,
Los siete siguientes dgitos son para el exponente, pasemos primero el n umero binario a
decimal:
1 2
6
+ 0 2
5
+ 0 2
4
+ 1 2
3
+ 0 2
2
+ 1 2
1
+ 0 2
0
= 66,
ahora el exponente es:
exponente = 66 64.
Los siete siguientes n umeros conguran la mantisa que se calcula como sigue:
mantisa = 1
_
1
2
_
1
+ 1
_
1
2
_
3
+ 1
_
1
2
_
4
+ 1
_
1
2
_
7
+ 1
_
1
2
_
8
+ 1
_
1
2
_
14
As que el n umero representado es:
+
_
1
_
1
2
_
1
+ 1
_
1
2
_
3
+ 1
_
1
2
_
4
+ 1
_
1
2
_
7
+
1
_
1
2
_
8
+ 1
_
1
2
_
14
_
16
6664
= 179, 015625
54
N umero m as pr oximos a este por defecto
0 1 0 0 0 0 1 0
1 0 1 1 0 0 1 1 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1
Que en expresi on decimal es: 179,0156097512109375.
N umero m as pr oximos a este por exceso
0 1 0 0 0 0 1 0
1 0 1 1 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 1
Que en expresi on decimal es: 179,0156402587890625.
55
N umero m as grande
0 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Que en expresi on decimal es:
24

j=1
(1/2)
j
16

6
j=0
2
j
64
=
16777215
16777216
16
63
=
72370051459731155395629498483707 . . .
52848515283263408224491816939302836806615040

= 10
76
N umero positivo m as peque no
0 0 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Que en expresi on decimal es:
(1/2)
4
16
64
= 16
65

= 10
78
56
2. Errores
2.1. Errores de aproximacion
A partir de ahora representaremos a los n umeros m aquina en forma normalizada de punto
otante
0, d
1
d
2
. . . d
k
10
n
, 1 d
1
9, 0 d
i
9, i 2, 3, . . . , k
Cualquier n umero real positivo de la forma
y = 0, d
1
d
2
. . . d
k
d
k+1
d
k+2
10
n
Si y se encuentra dentro del rango de la computadora, la forma de punto otante de y
(denotada por fl(y)) se puede obtener de dos maneras:
Por corte o truncamiento, tomando
fl(y) = 0, d
1
d
2
. . . d
k
10
n
Por redondeo, tomando
fl(y) =

0, d
1
d
2
. . . d
k
10
n
si d
k+1
< 5
0, d
1
d
2
. . . d
k
10
n
+ 10
nk
si d
k+1
5
Denici on 5.2 (Error absoluto). Si p

es una aproximaci on de p, el error absoluto que se


comete en la aproximacion es [p p

[.
El error relativo es
|pp

|
|p|
si p ,= 0.
Ejercicio 5.3. baja
p p

Error absoluto Error relativo


0, 3000 10 0, 3100 10 0,1 0, 333

3 10
0, 3000 10
3
0, 3100 10
3
0, 1 10
4
0, 333

3 10
0, 3000 10
4
0, 3100 10
4
0, 1 10
3
0, 333

3 10
Denici on 5.4 (Aproximaci on con t dgitos). Se dice que el punto p

aproxima con t dgitos


o cifras signicativas, si t es el entero no negativo m as grande para el cual
[p p

[
[p[
< 5 10
t
.
57
2.2. Error cometido al aproximar un n umero real por su repre-
sentacion en punto otante por truncatura
Tomemos un n umero
y = 0, d
1
d
2
. . . d
k
d
k+1
d
k+2
10
n
y su representaci on en punto otante por truncatura
fl(y) = 0, d
1
d
2
. . . d
k
10
n
,
entonces:

y fl(y)
y

0.d
k+1
d
k+2
10
nk
0, d
1
d
2
. . . d
k
d
k+1
d
k+2
10
n

0.d
k+1
d
k+2
. . .
0, d
1
d
2
. . . d
k
d
k+1
d
k+2

10
k
.
Como d
1
,= 0 el valor mnimo del denominador sera como mucho 0, 1, por otro lado el
numerador es menor que 1. As que:

y fl(y)
y

1
0, 1
10
k
= 10
k+1
,
dicho de otro modo, la representaci on de y por fl(y) tiene k 1 dgitos signicativos.
2.3. Errores ampliados por la aritmetica
Ejercicio 5.5. Ponemos como ejemplo los errores que se pueden obtener cuando trabajamos
con un corte de cinco dgitos.
Tomemos los n umeros:
x =
1
3
, y =
5
7
, u = 0, 714251, v = 98765, 9, w = 0, 111111 10
4
.
Ahora hacemos las operaciones de forma exacta y con el corte de cinco dgitos.
58
Operaci on Resultado Valor real Error absoluto Error relativo
x + y 0,10476 10
1
22/21 0,190 10
4
0,182 10
4
x y 0,38095 8/21 0,238 10
5
0,625 10
5
x y 0,23809 5/21 0,524 10
5
0,220 10
4
x/y 0,21428 10 15/7 0,571 10
4
0,267 10
4
y u 0,30000 10
4
0,34714 10
4
0,471 10
5
0,136
(y u)/w 0,27000 10 0,31243 10 0,424 0,136
(y u) v 0,29629 10 0,34285 10 0,465 0,136
u + v 0,98765 10
5
0,98766 10
5
0,161 10 0,163 10
4
Ejercicio 5.6 (Wilkinson, 1959). Consideremos el polinomio
p(x) = (x 1)(x 2) . . . (x 19)(x 20),
que se puede expresar como:
p(x) = 2432902008176640000 8752948036761600000x
+13803759753640704000x
2
12870931245150988800x
3
+8037811822645051776x
4
3599979517947607200x
5
+1206647803780373360x
6
311333643161390640x
7
+63030812099294896x
8
10142299865511450x
9
+1307535010540395x
10
135585182899530x
11
+11310276995381x
12
756111184500x
13
+40171771630x
14
1672280820x
15
+53327946x
16
1256850x
17
+ 20615x
18
210x
19
+ x
20
Las races de este polinomio son evidentemente 1, 2, . . . , 10, sin embargo si aumentamos
59
al coeciente de x
1
9 la cantidad 10
7
, las nuevas races son:
1,000000000 2,000000000
3,000000000 4,000000000
4,999999999 6,000000000
6,999697234 8,007267603
8,917250249 20,846908101
10,095266145 0,643500904i
11,793633881 1,652329728i
13,992358137 2,518830070i
16,730737466 2,812624894i
19,562439400 1,940330347i
3. Esquema general para la construcci on de metodos
numericos para resolver un problema matematico
1. Sustituir el problema inicial por un algoritmo de calculo que contiene un par ametro n.
2. Probar la convergencia del algoritmo, es decir, asegurar que las aproximaciones x
n
conver-
gen a la soluci on del problema x. Es necesario tambien estimar la rapidez de convergencia
del algoritmo.
3. El metodo o algoritmo debe ser estable, es decir, peque nas modicaciones de los datos no
deben ocasionar cambios grandes en el resultado nal.
4. Implementar el algoritmo en un ordenador
3.1. Criterios a tener en cuenta a la hora de seleccionar un algorit-
mo
60
1. El n umero de operaciones efectuadas, y
2. La memoria requerida.
61
Captulo 6
Soluciones de ecuaciones de una
variable
1. Introduccion
Pasos a seguir a la hora de resolver una ecuaci on numerica:
1. Acotaci on de las races,
2. Separaci on de races en intervalos en los que solo haya una de ellas,
3. Aproximaci on de estas races por alg un metodo numerico.
2. Repaso de resultados de calculo diferencial
Teorema 6.1 (Bolzano). Sea f[a, b] R una funcion continua y tal que f(a)f(b) < 0 (es
decir, que toma valores opuestos en los extremos del intervalo), entonces existe r (a, b) tal
que f(r) = 0.
Proposici on 6.2. Si adem as de las condiciones del teorema anterior tenemos que f es derivable
en (a, b) con f

(x) > 0 para todo x (a, b) (respectivamente f

(x) < 0) entonces la raz r es


unica.
Proposici on 6.3 (Error en la aproximaci on de una raz). Sea r una raz de la ecuaci on,
f(x) = 0, un valor aproximado de la misma, tal que r, [a, b]. Si f es derivable en [a, b] y
62
[f

(x)[ m
1
> 0 para todo x [a, b], entonces
[ r[
[f()[
m
1
.
3. Metodo de bipartici on
Dada una ecuaci on f(x) = 0 con f continua en [a, b] y tal que f(a)f(b) < 0 y con una raz
unica en [a, b], el metodo de bipartici on consiste en realizar los siguientes pasos:
1. Calcular el punto medio entre a y b, es decir m
0
=
a+b
2
,
2. Si f(m) = 0 entonces r = m
0
,
3. En caso contrario tomamos el intervalo [a
1
, b
1
] [a, b] entre [a, m
0
] o [m
0
, b]. Elegimos
aquel en el que la funcion toma en los extremos puntos opuestos, es decir, r [a
1
, b
1
].
4. Volvemos al primer paso y repetimos la operaci on hasta que r = m
n
(puede que no se
consiga).
Si no conseguimos la raz en un n umero nito de pasos, al menos tendremos una sucesi on
de intervalos encajados en la que se encuentra la raz:
r [a
n
, b
n
] [a
1
, b
1
] [a, b],
adem as:
b
n
a
n
=
b a
2
n
.
Teorema 6.4. (a
n
) es una sucesion creciente y (b
n
) es una sucesion decreciente, ambas acotada,
y por lo tanto convergentes.
As que:
lm
n
a
n
= b
y
lm
n
b
n
= a,
adem as:
lm
n
(a
n
b
n
) = = 0 = = 0.
63
Ademas este lmite es la raz de la ecuaci on porque:
lm
n
f(a
n
)f(b
n
) = f()
2
0 f() = 0.
3.1. Cota del error absoluto en la n-sima aproximaci on
Si tomamos como valor aproximado de r a a
n
, tenemos:
0 r a
n

b a
2
n
.
Si tomamos como valor aproximado de r a b
n
, tenemos:
0 b
n
r
b a
2
n
.
64
3.2. Ejemplo
La ecuaci on f(x) = x
3
+4x
2
10 = 0 tiene una raz en [1, 2], ya que f(1) = 5 y f(2) = 14,
si aplicamos el algoritmo de biseccion obtenemos los valores de la tabla que sigue:
1
Figura 6.1: Ejemplo del metodo de bipartici on
65
3.3. Ejemplo
Calcular una raz de la ecuaci on f(x) = 0 para la funci on f(x) = cos x x en el intervalo
[0,

2
].
En este ejemplo tenemos f(0) = 1 > 0 y f(

2
) =

2
, con lo cual empezamos calculando el
punto medio del intervalo de partida, es decir: m
1
=

4
0,7853981633974483.
Figura 6.2: Gr aca de la funcion f(x) = cos x x
66
n x
n
f(x
n
)
1 0.7853981633974483 f(x) = 0,0782913822109007
2 0.39269908169872414 f(x) = 0,5311804508125626
3 0.5890486225480862 f(x) = 0,24242098975445903
4 0.6872233929727672 f(x) = 0,08578706038996975
5 0.7363107781851077 f(x) = 0,0046403471698514
6 0.760854470791278 f(x) = 0,03660738783981099
7 0.7485826244881928 f(x) = 0,015928352815779867
8 0.7424467013366502 f(x) = 0,005630132459280346
9 0.739378739760879 f(x) = 0,0004914153002637534
10 0.7378447589729933 f(x) = 0,0020753364865229162
11 0.7386117493669362 f(x) = 0,0007921780792695676
12 0.7389952445639076 f(x) = 0,0001504357420498703
13 0.7391869921623933 f(x) = 0,00017047619334453756
67
n x
n
f(x
n
)
14 0.7390911183631504 f(x) = 0,000010016828909886755
15 0.739043181463529 f(x) = 0,0000702103057914627
16 0.7390671499133397 f(x) = 0,000030096950741631545
17 0.739079134138245 f(x) = 0,000010040113990528177
18 0.7390851262506977 f(x) = 1,1655808984656346 10
8
19 0.7390881223069241 f(x) = 5,0025832334377185 10
6
20 0.7390866242788109 f(x) = 2,4954628828899317 10
6
21 0.7390858752647542 f(x) = 1,2419033295074655 10
6
22 0.7390855007577259 f(x) = 6,151237084139893 10
7
23 0.7390853135042118 f(x) = 3,017339367250571 10
7
24 0.7390852198774547 f(x) = 1,450390605395313 10
7
25 0.7390851730640762 f(x) = 6,669162500028136 10
8
26 0.7390851496573869 f(x) = 2,7517907730256752 10
8
27 0.7390851379540423 f(x) = 7,931049372800203 10
9
Vemos por lo tanto que r

= 0,7390851379540423 es casi una raz ya que f(x) = 7,931049372800203


10
9
, adem as podemos utilizar la f ormula del error dada antes para ver la distancia entre r

y
la raz exacta r:
[r r

[
b a
2
n
=

2
2
27
=

2
28
1,17033 10
8
.
4. Metodos iterativos
4.1. Introduccion
Fijemos una ecuacion f(x) = 0 con f una funci on continua en [a, b] y f(a)f(b) < 0 y con
raz unica en el intervalo [a, b].
La idea de los metodos iterativos es transformar la ecuaci on f(x) = 0 en una equivalente
del tipo g(x) = x, partir de un punto x
0
y generar la sucesi on x
n+1
= g(x
n
) esperando que x
n
converja a la raz buscada.
La forma m as f acil de transformar la primera ecuaci on en la segunda es sumar a la ecuaci on
el valor x. En efecto, sumando x en los dos miembros de f(x) = 0 tendramos:
f(x) + x = x,
con lo cual las ecuaciones f(x) = 0 y g(x) = f(x) + x = x tendran las mismas soluciones.
69
4.2. El metodo de las aproximaciones sucesivas
Se trata en este metodo de iterar la funci on g(x) = x f(x).
Cuestiones:
1. Converge la sucesi on x
n
?
2. Si la sucesi on converge Cu al es el lmite?
Respuesta a la segunda cuesti on: Si x
n
converge, pongamos que s = lm
n
x
n
.
Como x
n+1
= x
n
f(x
n
), tomamos lmites en ambos miembros para obtener:
s = s f(s) f(s) = 0,
as que si s [a, b] entonces s es la raz buscada.
OJO. Falta por responder a la primera cuesti on.
70
4.3. Ejemplo
Calcular una raz de la ecuaci on f(x) = 0 para la funci on f(x) = cos x x en el intervalo
[0,

2
].
Soluci on
1. Puesto que f(0)f(

2
) = (cos 00)(cos

2

2
) =

2
< 0 la ecuaci on que queremos resolver
tiene soluci on en el intervalo indicado en el enunciado.
2. La soluci on es unica ya que f

(x) = sen x 1 < 0 en el intervalo (0,



2
).
3. Aplicamos el metodo de las aproximaciones sucesivas para construir la sucesi on:
x
n+1
= x
n
cos x
n
+ x
n
,
eligiendo x
0
=

4
obtenemos:
En este metodo estamos iterando la funci on g(x) = 2x cos x:
Figura 6.3: Gr aca de la funcion g(x) = 2x cos x
71
n x
n
f(x
n
)
1 2.3325011713754127 f(x) = 3,02265734745889
2 5.355158518834303 f(x) = 4,755743935615579
3 10.110902454449882 f(x) = 10,884609575267495
4 20.995512029717375 f(x) = 21,539480900765657
5 42.53499293048303 f(x) = 42,41181446616622
6 84.94680739664925 f(x) = 85,93915324912504
7 170.88596064577428 f(x) = 170,56112402576437
8 341.4470846715386 f(x) = 341,99868510365667
9 683.4457697751952 f(x) = 683,296956952193
10 1366.7427267273883 f(x) = 1367,7315093963823
n x
n
f(x
n
)
11 2734.4742361237704 f(x) = 2734,195796764641
12 5468.670032888411 f(x) = 5469,335425260797
13 10938.005458149208 f(x) = 10937,48222994844
14 21875.487688097648 f(x) = 21876,325222637726
15 43751.812910735374 f(x) = 43752,22324494608
16 87504.03615568145 f(x) = 87504,345802033
17 175008.38195771445 f(x) = 175009,3311944499
18 350017.71315216436 f(x) = 350016,76058858045
19 700034.4737407449 f(x) = 700033,5290261906
20 1,4000680027669356 10
6
f(x) = 1,400068044819482 10
6
72
4.4. El metodo de Lagrange o regula falsi
Se trata en este metodo de iterar la funci on g(x) =
af(x)xf(a)
f(x)f(a)
generando la sucesi on x
n+1
=
g(x
n
).
Observaci on 6.5. Si la sucesi on x
n
converge hacia s, entonces s es una raz de la ecuaci on
f(x) = 0.
Demostracion. Como x
n+1
=
af(xn)xnf(a)
f(xn)f(a)
tomamos lmites en ambos miembros para obtener:
s =
af(s) sf(a)
f(s) f(a)
.
Entonces:
sf(s) sf(a) = af(s) sf(a) sf(s) = af(s).
Ahora, si f(s) ,= 0, dividimos por f(s) y obtenemos s = a que no es posible, por lo que
f(s) = 0.
Observaci on 6.6. Falta por ver bajo que condiciones se tiene que el lmite s esta en el intervalo
[a, b].
4.5. Ejemplo
Calcular una raz de la ecuaci on f(x) = 0 para la funci on f(x) = cos x x en el intervalo
[a, b] = [0,

2
].
Soluci on
En este caso la funci on que se itera es
g(x) = a f(a)
x a
f(x) f(a)
=
x
cos x x 1
,
que tiene por representaci on gr aca la siguiente:
73
Figura 6.4: Gr aca de la funcion g(x) =
x
cos xx1
n x
n
f(x
n
)
1 0.6110154703516573 0,2080503950703395
2 0.7715332725065588 0,05469081137638798
3 0.7315255468090177 0,012630647967308506
4 0.7408833840173693 0,0030107685128945016
5 0.7386594513993443 0,0007123592359320474
6 0.7391860173859011 0,0001688447226523282
7 0.7390612307973641 0,000040003162820267946
8 0.7390907967668461 9,478600082046817 10
6
9 0.7390837912871613 2,2458661765867305 10
6
10 0.7390854511741777 5,32140073006282 10
7
11 0.7390850578774011 1,2608617849796389 10
7
12 0.7390851510658234 2,9875084073260894 10
8
13 0.739085128985593 7,078655328562888 10
9
74
4.6. El metodo de Newton-Raphson
Suponemos aqu que la funcion f es derivable. La idea de este metodo es utilizar las tangentes
a la curva y = f(x) como aproximaci on de la curva.
Se trata en este metodo de iterar la funci on g(x) = x
f(x)
f

(x)
.
Observaci on 6.7. Si la sucesi on x
n
converge hacia s, entonces s es una raz de la ecuaci on
f(x) = 0.
Demostracion. Como x
n+1
= x
n

f(xn)
f

(xn)
tomamos lmites en ambos miembros para obtener:
s = s
f(s)
f

(s)
.
Entonces:
0 =
f(s)
f

(s)
f(s) = 0.
Ejemplo 6.8. Calcular una raz de la ecuaci on f(x) = 0 para la funci on f(x) = cos x x en
el intervalo [0,

2
].
Solucion. 1. Puesto que f(0)f(

2
) = (cos 0 0)(cos

2


2
) =

2
< 0 la ecuaci on que
queremos resolver tiene solucion en el intervalo indicado en el enunciado.
2. La soluci on es unica ya que f

(x) = sen x 1 < 0 en el intervalo (0,



2
).
3. Aplicamos el metodo de Newton para construir la sucesi on:
x
n+1
= x
n

cos x
n
x
n
sen x
n
1
,
es decir, en este caso estamos iterando la funci on g(x) = x
cos xx
sen x1
cuya gr aca es:
Eligiendo x
0
=

4
obtenemos:
75
Figura 6.5: Gr aca de la funcion g(x) = x
cos xx
sen x1
n x
n
f(x
n
)
0 0.7853981635
1 0.73955361337 -0.000754874682502682
2 0.7390851781 7,512986643920527 10
8
3 0.7390851332 7,771561172376096 10
16
4 0.7390851332 0
76
5. Convergencia de metodos iterativos de resoluci on de
ecuaciones. Orden de convergencia
Sea f : [a, b] R una funci on continua tal que f(a)f(b) < 0 y con una unica raz en
el intervalo [a, b]. Sea adem as la ecuaci on g(x) = x equivalente a la ecuaci on f(x) = 0 y
consideremos la sucesi on (x
n
)
nN
generada al iterar un punto x
0
[a, b], es decir:

x
0
[a, b],
x
n+1
= g(x
n
).
El problema que nos ocupa es ver para que funciones g se tiene que la sucesion (x
n
)
n
converge.
77
Teorema 6.9. Si g es una funcion real denida en [a, b] que verica las condiciones siguientes:
1. Para todo x [a, b], g(x) [a, b].
2. Existe un n umero real k con 0 k < 1 tal que para cualesquiera x, y [a, b] se tiene:
[g(x) g(y)[ k[x y[.
Entonces existe una unica raz s de la ecuaci on x = g(x) en [a, b] que se obtiene como el lmite
de una sucesion (x
n
)
n
donde x
0
es un punto arbitrario de [a, b] y x
n+1
= g(x
n
) para todo n 0.
78
(1) Cuando una funci on satisface la condici on segunda del teorema anterior se dice que es
lipschitziana con constante de lipschitz k.
(2) Si la funcion g es derivable con derivada continua y (condici on 2) [g

(x)[ k < 1 para


todo x [a, b] entonces g verica la segunda condici on del teorema anterior.
(3) El teorema anterior sigue siendo v alido si se sustituye el intervalo [a, b] por otro de los
tipos siguientes [a, +), (, b] o R.
(4) La condici on g(x) [a, b] para todo x [a, b] es difcil de probar, veamos una condicion
alternativa cuando g satisface la condicion 2.
(Condici on 1)

g(
a+b
2
)
a+b
2

(1 + k)
ba
2
(5) Los errores en el paso n-simo vienen dados por la f ormula:
[x
n
s[
k
1 k
[x
n
x
n1
[
k
n
1 k
[x
1
x
0
[.
(6) El teorema anterior nos da un resultado de convergencia global, sin embargo las hip otesis
son muy fuertes y muchas veces no se cumplen o son difciles de demostrar que se cumplen.
Por lo tanto vamos a dar un teorema de convergencia local con condiciones mas debiles.
Teorema 6.10 (Convergencia local). Supongamos que g y g

son funciones continuas en


alg un intervalo que contenga a s (punto jo de g). Si [g

(s)[ < 1 entonces existe > 0 tal que


para todo x
0
[s , s + ] se tiene que la sucesion (x
n
)
n
con x
n+1
= g(x
n
) para todo n 0
converge a s.
79
5.2. Orden de convergencia de un metodo
Ademas de saber si un metodo converge es interesante saber a que velocidad lo hace, es
decir, conocer la rapidez a la que disminuye el error e
n
= x
n
s.
Denici on 6.11 (Orden de convergencia). Se dice que el metodo x
n+1
= g(x
n
) es conver-
gente de orden p (p n umero real mayor o igual que 1) si:
lm
n
[e
n+1
[
[e
n
[
p
= k > 0
Cuando p = 1 entonces 0 < k < 1.
Calculo del orden de convergencia para funciones regulares. Si la funcion g es de
clase C
k+1
utilizaremos su desarrollo de Taylor de orden k para obtener:
e
n+1
= x
n+1
s = g(x
n
) g(s) =
g

(s)e
n
+
1
2!
g

(s)e
2
n
+ +
1
k!
g
(k)
(s)e
k
n
+
1
(k + 1)!
g
(k+1)
(
n
)e
k+1
n
As que:
lm
n
[e
n+1
[
[e
n
[
= [g

(s)[
y si 0 < [g

(s)[ < 1 se dice que el metodo tiene convergencia lineal o de primer orden.
Si [g

(s)[ = 0 entonces:
lm
n
[e
n+1
[
[e
n
[
2
=
1
2
[g

(s)[,
luego si [g

(s)[ ,= 0 se dice que la convergencia es cuadr atica.


En general, si
g

(s) = g

(s) = . . . g
(r1)
(s) = 0 y g
(r)
,= 0
el metodo se dice que es de orden r.
OJO. Para metodos en los que no se puede calcular el desarrollo de Taylor puede que el
orden de convergencia no sea entero.
80
6. Error en el metodo de las aproximaciones sucesivas
Se trata en este metodo de iterar la funci on g(x) = x f(x). Ahora bien, si f es derivable
con derivada continua tambien lo ser a g y se tendra:
g

(x) = 1 f

(x).
Evaluando la derivada en la raz s e imponiendo la condici on de convergencia local, tenemos:
[g

(x)[ = [1 f

(x)[ < 1
o equivalentemente
0 < f

(s) < 2.
Esta condici on es muy restrictiva y a veces se suele modicar el metodo calculando las
iteradas ((x) es una funcion real que no se anula):
x
n+1
= x
n

f(x
n
)
(x
n
)
.
En concreto, si (x) = (constante) se tiene que
g

(s) = 1
f

(s)

,
y eligiendo adecuado para que [1
f

(s)

[ < 1 se obtiene la convergencia local.


Ademas, si g

(s) = 1
f

(s)

,= 0 el metodo es de orden 1.
6.1. Ejemplo
Vimos que el metodo de las aproximaciones sucesivas para la ecuaci on f(x) = 0 con funci on
f(x) = cos x x en el intervalo [0,

2
] no converga eligiendo x
0
=

4
.
Recordamos que para el metodo de las aproximaciones sucesivas g(x) = x cos x + x y
g

(x) = 2 + sen x por lo que [g

(x)[ 1 y no se cumple la condicion de convergencia local.


Elijamos la mejora del metodo de las aproximaciones sucesivas iterando ahora la funci on
(hay que elegir ):
g
1
(x) = x
cos x x

.
Ahora g

1
(x) = 1
sen x1

=
+sen x+1

y si 5, entonces [g

1
(x)[ < [

[ = 1 para todo
x (0, /2).
81
As que iterando la funcion g
1
(x) = x
cos xx
5
y eligiendo x
0
sucientemente pr oximo a la
raz se obtendra convergencia hacia la raz. Analicemos numericamente el ejemplo propuesto
para x
0
=

4
.
n x
n
f(x
n
)
1 0.7697398869552682 f(x) = 0,05164816777638792
2 0.7594102533999906 f(x) = 0,03416807965206914
3 0.7525766374695767 f(x) = 0,022646531484189714
4 0.7480473311727388 f(x) = 0,015028843320097685
5 0.7450415625087192 f(x) = 0,009981838971564239
6 0.7430451947144063 f(x) = 0,006633394780471091
7 0.7417185157583122 f(x) = 0,004409821318133167
8 0.7408365514946855 f(x) = 0,002932327656555378
9 0.7402500859633745 f(x) = 0,0019501802670155444
.
.
.
.
.
.
.
.
.
38 0.7390851417899699 f(x) = 1,4350903909665647 10
8
39 0.7390851389197891 f(x) = 9,54733481162151 10
9
82
7. Error en el metodo de Lagrange o regula falsi
En este caso se itera la funcion g(x) =
af(x)xf(a)
f(x)f(a)
, si esta es de clase C
2
en un intervalo que
contenga al intervalo [a, s], tenemos:
g

(s) =
f(a) + (s a)f

(s)
f(a)
y
f(a) = f(s) + f

(s)(a s) +
f

(c)
2!
(a s)
2
con a < c < s.
Por lo tanto debemos tener:
[g

(s)[ =

(c)(a s)
2
2f(a)

< 1
para que haya convergencia local, en general, lineal.
7.1. Ejemplo
Volvemos a la ecuaci on f(x) = 0 para la funci on f(x) = cos xx en el intervalo [a, b] = [0,

2
].
La funci on que se itera es
g(x) = a f(a)
x a
f(x) f(a)
=
x
cos x x 1
,
luego
[g

(s)[ =

(c)s
2
2

cos c s
2
2

para alg un c [a, s].


Ahora bien s < 1 ya que f(0)f(1) < 0 y por lo tanto:

cos c s
2
2

1/2
y hay convergencia local que es lineal ya que g

(s) ,= 0.
83
8. Error en el metodo de Newton-Raphson
8.1. Orden de convergencia en el metodo de Newton-Raphson
Si tomamos una funcion real no negativa (x) podemos plantearnos iterar la funci on g(x) =
x
f(x)
(x)
(mejora del metodo de las aproximaciones sucesivas).
En este caso
g

(x) = 1
f

(x)(x)

(x)f(x)
(x)
2
y si s es una raz de f(x) entonces:
g

(x) = 1
f

(s)
(s)
,
as que si (x) = f

(x) y f

(x) no se anula, el metodo obtenido iterando g(x) tiene convergencia


cuadr atica.
84
8.2. Resultados sobre la convergencia
Teorema 6.12 (Convergencia local). Sea f

continua y f

no nula en alg un intervalo abierto


que contenga una raz s de f(x) = 0. Entonces existe > 0 tal que el metodo de Newton es
convergente para todo x
0
tal que [x
0
[. Si f

tambien es continua, entonces la convergencia


es al menos cuadr atica.
Teorema 6.13 (Convergencia global). Sea f de clase C
2
vericando:
1. f(a)f(b) < 0,
2. Para todo x [a, b] se tiene que f

(x) ,= 0 (crecimiento o decrecimiento estricto)


3. Para todo x [a, b], f

(x) 0 (alternativamente se puede tener para todo x [a, b],


f

(x) 0)
4. m ax[
f(a)
f

(a)
[, [
f(b)
f

(b)
[ b a
Entonces existe una unica raz s de f(x) = 0 en [a, b] y la sucesi on (x
n
)
n
del metodo de Newton
converge hacia s para todo x
0
[a, b] tal que f(x
0
)f

(x
0
) 0. Si adem as f C
3
([a, b]) la
convergencia es al menos cuadr atica.
8.3. Ejemplo
El metodo de Newton para la ecuaci on cos x x = 0 en el intervalo [0,

2
] converge para
cualquier valor x
0
[0,

2
].
As que tenemos f(x) = cos x x, f

(x) = sen x 1 y f

(x) = cos x.
Ya hemos visto antes que f(0)f(

2
) < 0, luego se satisface la primera hip otesis del metodo
de Newton.
Ademas la hip otesis 2 se cumple porque f

(x) = sen x 1 ,= 0 y la hip otesis 3 se cumple


porque f

(x) = cos x 0 para todo x [0,



2
].
Por ultimo tenemos que
[f(0)/f

(0)[ =

cos 0
sen 0 1

= 1
y que
[f(/2)/f

(/2)[ =

cos (/2)
sen (/2) 1

=

4


2
0 =

2
,
85
con lo que nuestro ejemplo tambien verica la hipotesis cuarta y tenemos la convergencia global
del metodo de Newton en nuestro ejemplo en el intervalo [0,

2
].
9. Metodo de la secante
El metodo de Newton tiene el inconveniente de hacer intervenir la derivada f

(x) y esta a
veces es difcil de calcular.
As que en el metodo de la secante se sustituye la derivada f

(x
n
) por la aproximaci on:
f

(x
n
)
f(x
n
) f(x
n1
)
x
n
x
n1
,
dando lugar al metodo que sigue:
x
n+1
= x
n
f(x
n
)
x
n
x
n1
f(x
n
) f(x
n1
)
=
x
n1
f(x
n
) x
n
f(x
n1
)
f(x
n
) f(x
n1
)
En este caso necesitamos dos puntos de partida x
0
y x
1
de [a, b].
Recordad que el metodo de Lagrange o regula falsi viene denido por:
x
n+1
=
af(x
n
) x
n
f(a)
f(x
n
) f(a)
,
es decir el metodo de la secante es este mismo metodo cambiando a por x
n1
. Si recordamos
como construamos el metodo de Lagrange se tiene que en metodo de la secante x
n+1
es la
abscisa de la interseccion con el eje OX de la recta que pasa por los puntos (x
n
, f(x
n
)) y
(x
n1
, f(x
n1
)).
86
Observaci on 6.14. Es previsible que el orden de convergencia sea menor que el de Newton
pero mayor que el de Lagrange.
Por otro lado, al no ser un metodo de la forma x
n+1
= g(x
n
), el estudio del error se debe
hacer de otra manera.
Teorema 6.15 (Orden de convergencia). El orden de convergencia del metodo de la secante
es p =
1+

5
2
1,618 . . .
9.1. Ejemplo
n x
n
f(x
n
)
0 0 1
1

2

2
2 0.6110154703516573 0,02080503950703395
3 0.7232695414357495 0,026376287678165022
4 0.739567106974727 0,0008067229134491871
5 0.7390834365030763 2,839636690565861 10
6
6 0.739085133034638 3,021248806689414 10
10
87
10. Aceleraci on de la convergencia: el metodo
2
de
Aitken
Para el metodo de las aproximaciones sucesivas y el metodo de Lagrange el error es de la
forma:
e
n+1
= (A+
n
)e
n
siendo A = g

(s), 0 < [A[ < 1 y lm


n

n
= 0.
Si se supone que
n
= 0, entonces se tiene:
x
n+1
s = A(x
n
s) y
x
n+2
s = A(x
n+1
s),
por lo tanto:
x
n+2
x
n+1
= A(x
n+1
x
n
),
de donde
A =
x
n+2
x
n+1
x
n+1
x
n
.
As que:
s =
x
n+1
Ax
n
1 A
=
x
n+1
x
n
Ax
n
+ x
n
1 A
=
x
n+1
x
n
+ (1 A)x
n
1 A
= x
n
+
x
n+1
x
n
1 A
y sustituyendo en esta formula el valor de A se obtiene el valor de s con s olo tres iteraciones
del metodo:
s = x
n

(x
n+1
x
n
)
2
x
n+2
2x
n+1
+ x
n
En general tendremos que
n
,= 0, pero si es peque no comparado con A en el lmite, entonces
el razonamiento anterior indica que la sucesi on
x

n
= x
n

(x
n+1
x
n
)
2
x
n+2
2x
n+1
+ x
n
puede que converja a la raz s m as r apidamente que x
n
.
Teorema 6.16 (Aitken). Si (x
n
)
n
es una sucesion que converge hacia s y el orden de con-
vergencia es 1, entonces la sucesi on (x

n
)
n
denida como antes converge m as r apido hacia s y
adem as:
lm
n
x

n
s
x
n
s
= 0.
10.1. Ejemplo
Retomamos el ejemplo que venimos utilizando en este captulo, es decir resolver f(x) =
cos x x = 0. Vimos en las mejoras de metodo de las aproximaciones sucesivas que iterando
la funci on g(x) = x +
f(x)
5
el metodo converga hacia la raz de la ecuaci on eligiendo x
0
=
Pi
4
y que f(x
39
) < 10
8
. Volvamos a realizar este ejemplo aplicando la aceleraci on de Aitken a la
sucesi on all obtenida.
89
n
x
n
f
(
x
n
)
x
/ n
f
(
x
/ n
)
1
0
.
7
6
9
7
3
9
8
8
6
9
5
5
2
6
8
2
-
0
.
0
5
1
6
4
8
1
6
7
7
7
6
3
8
7
9
2
0
.
7
3
9
1
4
4
6
1
4
6
1
4
3
1
3
7
-
0
.
0
0
0
0
9
9
5
5
0
0
9
2
5
6
6
7
9
1
3
7
2
0
.
7
5
9
4
1
0
2
5
3
3
9
9
9
9
0
6
-
0
.
0
3
4
1
6
8
0
7
9
6
5
2
0
6
9
1
4
0
.
7
3
9
1
1
1
5
1
8
4
6
7
1
4
9
2
-
0
.
0
0
0
0
4
4
1
5
8
9
3
2
3
8
7
7
3
8
9
3
6
3
0
.
7
5
2
5
7
6
6
3
7
4
6
9
5
7
6
7
-
0
.
0
2
2
6
4
6
5
3
1
4
8
4
1
8
9
7
1
4
0
.
7
3
9
0
9
6
8
2
8
4
2
1
3
1
2
3
-
0
.
0
0
0
0
1
9
5
7
3
2
8
8
2
4
4
2
0
1
2
3
7
4
0
.
7
4
8
0
4
7
3
3
1
1
7
2
7
3
8
8
-
0
.
0
1
5
0
2
8
8
4
3
3
2
0
0
9
7
6
8
5
0
.
7
3
9
0
9
0
3
1
4
4
9
2
1
4
7

8
,
6
7
1
4
5
7
4
1
1
5
6
8
7
1
7

1
0

6
5
0
.
7
4
5
0
4
1
5
6
2
5
0
8
7
1
9
2
-
0
.
0
0
9
9
8
1
8
3
8
9
7
1
5
6
4
2
3
9
0
.
7
3
9
0
8
7
4
2
7
8
9
8
1
6
4
7

3
,
8
4
0
4
1
1
0
2
4
6
3
5
9
4
8

1
0

6
6
0
.
7
4
3
0
4
5
1
9
4
7
1
4
4
0
6
3
-
0
.
0
0
6
6
3
3
3
9
4
7
8
0
4
7
1
0
9
1
0
.
7
3
9
0
8
6
1
4
9
2
6
3
1
3
6
5

1
,
7
0
0
4
7
0
4
9
6
1
9
0
9
3
1
2

1
0

6
7
0
.
7
4
1
7
1
8
5
1
5
7
5
8
3
1
2
2
-
0
.
0
0
4
4
0
9
8
2
1
3
1
8
1
3
3
1
6
7
0
.
7
3
9
0
8
5
5
8
3
0
3
9
8
5
3

7
,
5
2
8
3
2
0
9
0
8
8
8
9
4
4
1

1
0

7
8
0
.
7
4
0
8
3
6
5
5
1
4
9
4
6
8
5
5
-
0
.
0
0
2
9
3
2
3
2
7
6
5
6
5
5
5
3
7
8
0
.
7
3
9
0
8
5
3
3
2
3
4
2
5
4
2
4

3
,
3
3
2
6
1
9
9
5
9
9
9
4
7
8
7

1
0

7
9
0
.
7
4
0
2
5
0
0
8
5
9
6
3
3
7
4
5
-
0
.
0
0
1
9
5
0
1
8
0
2
6
7
0
1
5
5
4
4
4
0
.
7
3
9
0
8
5
2
2
1
3
5
8
8
4
6
9

1
,
4
7
5
1
8
3
3
6
5
4
6
2
4
8
4
6

1
0

7
1
0
0
.
7
3
9
8
6
0
0
4
9
9
0
9
9
7
1
3
-
0
.
0
0
1
2
9
7
1
3
1
7
5
8
5
8
6
7
0
0
4
0
.
7
3
9
0
8
5
1
7
2
2
3
0
3
0
3

6
,
5
2
9
6
2
1
2
1
0
3
9
3
7
9
9

1
0

8
90
n
x
n
f
(
x
n
)
x
/ n
f
(
x
/ n
)
1
1
0
.
7
3
9
6
0
0
6
2
3
5
5
8
2
5
4
-
0
.
0
0
0
8
6
2
8
2
9
0
2
2
4
0
2
6
4
4
7
0
.
7
3
9
0
8
5
1
5
0
4
8
3
9
9
6
1

2
,
8
9
0
1
3
3
0
8
8
4
0
6
7
9
8
8

1
0

8
1
2
0
.
7
3
9
4
2
8
0
5
7
7
5
3
7
7
3
4
-
0
.
0
0
0
5
7
3
9
6
6
0
8
5
5
8
2
1
3
3
8
0
.
7
3
9
0
8
5
1
4
0
8
5
8
5
2
9
8

1
,
2
7
9
2
0
3
4
6
5
3
7
6
3
5
5
1

1
0

8
1
3
0
.
7
3
9
3
1
3
2
6
4
5
3
6
6
5
7
-
0
.
0
0
0
3
8
1
8
2
2
5
5
4
9
9
3
0
8
3
1
5
0
.
7
3
9
0
8
5
1
3
6
5
9
8
1
5
5
4

5
,
6
6
1
8
2
0
7
8
9
9
8
1
6
7
5

1
0

9
1
4
0
.
7
3
9
2
3
6
9
0
0
0
2
5
6
5
8
4
-
0
.
0
0
0
2
5
4
0
0
7
2
7
1
0
2
2
2
0
5
2
0
.
7
3
9
0
8
5
1
3
4
7
1
2
4
7
9
3

2
,
5
0
5
9
3
0
4
6
3
1
3
6
9
6
2
8

1
0

9
1
5
0
.
7
3
9
1
8
6
0
9
8
5
7
1
4
5
4
-
0
.
0
0
0
1
6
8
9
8
0
6
0
1
8
2
5
9
0
7
6
8
0
.
7
3
9
0
8
5
1
3
3
8
7
7
8
7
1
9

1
,
1
0
9
1
2
1
5
7
2
3
6
2
4
2
6

1
0

9
1
6
0
.
7
3
9
1
5
2
3
0
2
4
5
1
0
8
8
9
-
0
.
0
0
0
1
1
2
4
1
6
9
0
8
4
7
3
9
6
6
7
9
0
.
7
3
9
0
8
5
1
3
3
5
0
8
4
7
5
2

4
,
9
0
8
9
4
6
5
8
2
5
6
0
2
4
7

1
0

1
0
. . .
. . .
. . .
. . .
. . .
3
4
0
.
7
3
9
0
8
5
1
7
6
9
8
8
8
2
2
7

7
,
3
2
6
0
1
2
8
0
7
5
0
6
9
9
9

1
0

8
0
.
7
3
9
0
8
5
1
3
3
2
1
5
1
6
0
6
1
,
1
1
0
2
2
3
0
2
4
6
2
5
1
5
6
5

1
0

1
6
3
5
0
.
7
3
9
0
8
5
1
6
2
3
3
6
7
9
7
1

4
,
8
7
3
8
3
2
1
3
7
8
7
4
9
5
6

1
0

8
0
.
7
3
9
0
8
5
1
3
3
2
1
5
1
6
0
8

2
,
2
2
0
4
4
6
0
4
9
2
5
0
3
1
3

1
0

1
6
3
6
0
.
7
3
9
0
8
5
1
5
2
5
8
9
1
3
2
9

3
,
2
4
2
4
5
1
3
0
7
4
5
0
2
6
7

1
0

8
0
.
7
3
9
0
8
5
1
3
3
2
1
5
1
6
0
8

2
,
2
2
0
4
4
6
0
4
9
2
5
0
3
1
3

1
0

1
6
3
7
0
.
7
3
9
0
8
5
1
4
6
1
0
4
2
3
0
3

2
,
1
5
7
1
3
0
2
0
7
7
9
1
6
2
4
3

1
0

8
3
8
0
.
7
3
9
0
8
5
1
4
1
7
8
9
9
6
9
9

1
,
4
3
5
0
9
0
3
9
0
9
6
6
5
6
4
7

1
0

8
3
9
0
.
7
3
9
0
8
5
1
3
8
9
1
9
7
8
9
1

9
,
5
4
7
3
3
4
8
1
1
6
2
1
5
1

1
0

9
91
11. Sistemas no lineales. El metodo de Newton
Consideremos el sistema no lineal de dos ecuaciones con dos inc ognitas:

f
1
(x, y) = 0,
f
2
(x, y) = 0,
deniendo f(x, y) = (f
1
(x, y), f
2
(x, y)) el sistema se puede escribir como f(x, y) = 0. Al igual
que hicimos para ecuaciones escalares, nos podemos plantear estudiar un sistema equivalente
del estilo al que sigue:

g
1
(x, y) = x,
g
2
(x, y) = y,
deniendo g(x, y) = (g
1
(x, y), g
2
(x, y)) el sistema se puede escribir como g(z) = z si z denota
al punto (x, y).
92
Teorema 6.17. Sea I un conjunto cerrado de R
2
tal que:
1. g(z) I para todo z I,
2. Existe L [0, 1) para la que se verica |g(z) g(w)| L|z w| para todo z, w I.
Entonces, para todo z
0
= (x
0
, y
0
) I la sucesi on z
n+1
= g(z
n
) converge hacia la unica
soluci on s = (s
1
, s
2
) de la ecuaci on g(z) = z.
Adem as, para todo n N se tiene las siguiente cota del error:
|z
n
s|
L
m
1 L
|z
1
z
0
|.
La segunda condicion del teorema se puede modicar por otra mas sencilla de
comprobar
Sea I = [a
1
, b
1
] [a
2
, b
2
] y las funciones componentes g
1
y g
2
de clase C
1
(I), entonces:
g
1
(z) g
1
(w) = g
1
(z
1
, z
2
) g
1
(w
1
, w
2
) =
2

i=1
g
1
(
11
,
12
)
x
i
(z
i
w
i
)
g
2
(z) g
2
(w) = g
2
(z
1
, z
2
) g
2
(w
1
, w
2
) =
2

i=1
g
2
(
21
,
22
)
x
i
(z
i
w
i
)
Ahora utilizando la norma | |
1
en R
2
se tiene que:
|g(z) g(w)|
1
= [g
1
(z) g
1
(w)[ +[g
2
(z) g
2
(w)[
L
2
[z
1
w
1
[ +
L
2
[z
2
w
2
[ +
L
2
[z
1
w
1
[ +
L
2
[z
2
w
2
[ L|z w|
1
.
11.1. El metodo de Newton para sistemas
Nos limitamos en este caso a presentar el metodo de Newton para resolver el sistema f(z) = 0
que tenamos al iniciar esta secci on sobre sistemas de ecuaciones.
El metodo de Newton consiste en iterar la funcion (vectorial):
g(z) = z Jf(z)
1
f(z),
en esta denici on se utiliza la notaci on:
Jf(z) = Jf(z
1
, z
2
) =

f
1
x
1
(z)
f
1
x
2
(z)
f
2
x
1
(z)
f
2
x
2
(z)

adem as suponemos que este jacobiano es siempre invertible.


As que el metodo consiste en elegir z
0
I y construir la sucesi on:
z
m+1
= z
m
Jf(z
m
)
1
f(z
m
).
En la practica se suele presentar en la forma que sigue:
Jf(z
m
)(z
m+1
z
m
) = f(z
m
),
es decir, para calcular z
m+1
primero se calcula e
m
= z
m+1
z
m
y despues z
m+1
= e
m
+z
m
.
11.2. Ejemplo
Aplicar el metodo de Newton bidimensional para resolver el sistema:

f(x, y) = x
3
3xy
2
+ 1 = 0,
g(x, y) = 3x
2
y y
3
,
n (x, y) |f(x, y)|
1 (0,6666666666666667; 0,8333333333333334) 0,540399
2 (0,5086919161874546; 0,8410998744133783) 0,0778404
3 (0,49932999564375125; 0,8662691717880057) 0,00213865
4 (0,4999999113699129; 0,8660249031568892) 0,15252366691516051 10
5
5 (0,4999999999999555; 0,8660254037846933) 0,7755405543805221 10
12
94
Captulo 7
Soluciones de sistemas lineales
1. Metodos directos
Se trata de dar en este captulo metodos para resolver sistemas de n ecuaciones lineales con
n incognitas denidos en forma matricial por:
Ax = b,
donde A M
nn
(R) y b M
nn
(R). Este sistema se puede representar explcitamente por:

a
11
x
1
+ a
12
x
2
+ . . . a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ . . . a
2n
x
n
= b
2
. . .
a
n1
x
1
+ a
n2
x
2
+ . . . a
nn
x
n
= b
n
1.1. Resoluci on de sistemas triangulares
Un sistema triangular es un sistema de la forma
r
11
x
1
+ r
12
x
2
+ . . . r
1n
x
n
= c
1
r
22
x
2
+ . . . r
2n
x
n
= c
2
. . .
r
nn
x
n
= c
n

su resolucion no supone ninguna dicultad y consiste en hacer secuencialmente las siguientes


sustituciones:
x
n
=
c
n
r
nn
,
95
x
i
=
c
i

n
j=i+1
r
ij
x
j
r
ii
para i = n 1, n 2, . . . , 1.
As que el coste computacional de operaciones aritmeticas elementales (sumas, diferencias,
productos y cocientes) para resolver el sistema es:
n

i=1
1 + 2(n i) = n + n(n 1) = n
2
.
96
1.2. Operaciones elementales
Dada una matriz A M
mn
(K), podemos denir sobre ella tres tipos de transformaciones
elementales por las:
1. Intercambiar la la i con la la j:

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
j1
a
j2
a
jn
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn

F
ij

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
a
j1
a
j2
a
jn
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn

.
2. Multiplicar la la i por un escalar ,= 0:

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn

F
i
()

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn

.
3. Sumar a la la j la la i multiplicada por un escalar :
97

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
j1
a
j2
a
jn
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn

F
i
j
()

a
11
a
12
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
a
i1
a
i2
a
in
.
.
.
.
.
.
.
.
.
.
.
.
a
j1
+ a
i1
a
j2
+ a
i2
a
jn
+ a
jn
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn

.
Las operaciones elementales por columnas son an alogas a las que hemos introducido por las,
dada una matriz A M
mn
(K), denimos tres transformaciones elementales por columnas:
1. Intercambiar la columna i con la columna j:

a
11
a
1i
a
1j
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
mi
a
mj
a
mn

C
ij

a
11
a
1j
a
1i
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
mj
a
mi
a
mn

.
2. Multiplicar la columna i por un escalar ,= 0:
98

a
11
a
1i
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
mi
a
mn

C
i
()

a
11
a
1i
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
mi
a
mn

.
3. Sumar a la columna j la columna i multiplicada por un escalar :

a
11
a
1i
a
1j
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
mi
a
mj
a
mn

C
i
j
()

a
11
a
1i
a
1j
+ a
1i
a
1n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
mi
a
mj
+ a
mi
a
mn

.
Diremos que C es una matriz elemental si es una de las siguientes matrices:
E1.
C
ij
(I
k
) = F
ij
(I
k
) =

1 . . . 0 . . . 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 0 . . . 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 1 . . . 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 0 . . . 0 . . . 1

i
j

i j
99
E2.
F
i
()(I
k
) = C
i
()(I
k
) =

1 . . . 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 0 . . . 1

i
E3.
F
i
j
()(I
k
) =

1 . . . 0 . . . 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 1 . . . 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . . . . 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 0 . . . 0 . . . 1

i
j

i j
E4.
C
i
j
()(I
k
) =

1 . . . 0 . . . 0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 1 . . . . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 0 . . . 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 . . . 0 . . . 0 . . . 1

i
j

i j
Ahora es f acil comprobar las siguientes igualdades para una matriz A M
mn
(K):
100
1. F
ij
(A) = F
ij
(I
m
)A,
2. C
ij
(A) = AC
ij
(I
n
),
3. F
i
()(A) = F
i
()(I
m
)A,
4. C
i
()(A) = AC
i
()(I
n
),
5. F
j
i
()(A) = F
j
i
()(I
m
)A,
6. C
j
i
()(A) = AC
j
i
()(I
n
).
1.3. Resoluci on de sistemas no triangulares
Se trata de resolver el sistema matricial Ax = b como se ha expuesto al principio de la
explicaci on, sistema que se puede escribir desarrollado como:

a
11
x
1
+ a
12
x
2
+ . . . a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ . . . a
2n
x
n
= b
2
. . .
a
n1
x
1
+ a
n2
x
2
+ . . . a
nn
x
n
= b
n
Suponemos que el sistema es compatible determinado, es decir det A ,= 0 y que a
11
,= 0. As que
multiplicando la matriz ampliada asociada al sistema simult aneamente por las matrices (re-
cuerda que esta matriz era la matriz (A[b)) F
1
i
(
a
i1
a
11
)(I
n
), i = 2, 3, . . . , n obtenemos el sistema:

a
(1)
11
x
1
+ a
(1)
12
x
2
+ . . . a
(1)
1n
x
n
= b
(1)
1
a
(1)
21
x
1
+ a
(1)
22
x
2
+ . . . a
(1)
2n
x
n
= b
(1)
2
. . .
a
(1)
n1
x
1
+ a
(1)
n2
x
2
+ . . . a
(1)
nn
x
n
= b
(1)
n
donde a
(1)
i1
= 0 para todo i = 2, . . . , n.
Ahora transformamos el nuevo sistema obtenido siguiendo el mismo procedimiento y mul-
tiplicando por F
2
i
_

a
(1)
i2
a
(1)
22
_
(I
n
), i = 3, 4, . . . , n y se obtiene el sistema:

a
(2)
11
x
1
+ a
(2)
12
x
2
+ . . . a
(2)
1n
x
n
= b
(2)
1
a
(2)
21
x
1
+ a
(2)
22
x
2
+ . . . a
(2)
2n
x
n
= b
(2)
2
. . .
a
(2)
n1
x
1
+ a
(2)
n2
x
2
+ . . . a
(2)
nn
x
n
= b
(2)
n
101
tal que a
(2)
i1
= 0 para todo i = 2, . . . , n y a
(1)
i2
= 0 para todo i = 3, . . . , n.
Siguiendo este procedimiento construimos un secuencia de sistema equivalentes:
(A, b) (A
(1)
[b
(1)
) (A
(2)
[b
(2)
) (A
(n1)
[b
(n1)
) := (R, c)
siendo el ultimo sistema un sistema triangular:
r
11
x
1
+ r
12
x
2
+ . . . r
1n
x
n
= c
1
r
22
x
2
+ . . . r
2n
x
n
= c
2
. . .
r
nn
x
n
= c
n

que se resuelve haciendo n


2
operaciones aritmeticas elementales. Los n umeros a
(i1)
i,i
reciben el
nombre de pivote y deben ser siempre no nulos, si no sera necesario permutar alguna la para
seguir el procedimiento.
102
Teorema 7.1 (Factorizaci on LU). Sea A una matriz como antes, entonces el metodo ex-
plicado anteriormente (eliminaci on gaussiana) permite construir matrices L y U unicas tales
que:
PA = LU,
siendo P una matriz de permutaci on (necesaria introducir si alg un pivote es nulo) y
L =

1 0 . . . 0
l
21
1 . . . 0
.
.
.
.
.
.
.
.
. 0
l
n1
. . . l
n,n1
1

, U =

u
11
u
12
. . . u
1n
0 u
22
. . . u
2n
.
.
.
.
.
.
.
.
. 0
0 . . . 0 u
nn

La formula de este teorema se denomina factorizaci on LU de la matriz A.


103
1.4. Resoluci on de sistemas lineales utilizando la factorizaci on LU
La resoluci on del sistema lineal Ax = b se puede realizar por el siguiente procedimiento:
1. Obtenci on de la factorizacion LU = A y
2. Resoluci on de los sistemas triangulares Ux = c y Lc = Pb.
Coste computacional de la factorizaci on LU.
Para pasar de la matriz A a la matriz A
(1)
es necesario hacer:
1. n 1 divisiones,
2. 2(n 1)(n 1) multiplicaciones,
3. 2(n 1)(n 1) sumas.
Para pasar de la matriz A
(1)
a la matriz A
(2)
es necesario hacer:
1. n 2 divisiones,
2. 2(n 2)(n 2) multiplicaciones,
3. 2(n 2)(n 2) sumas.
Y as sucesivamente.
El coste total ser a pues:
n1

k=1
(k 1) + 2
n1

k=1
(k 1)
2

n(n 1)
2
+ 2
_
n
0
x
2
dx =
n(n 1)
2
+
2
3
n
3
.
En la eliminaci on gaussiana es preciso elegir una ecuaci on con el elemento a
i1
,= 0 (que recibe
el nombre de pivote). A partir de esta se elimina x
1
de las restantes ecuaciones. La elecci on de
este pivote puede tener gran importancia si las operaciones se realizan en coma otante.
Ejemplo 7.2 (Forsythe). Resolver el sistema lineal:
1,00 10
4
x
1
+ 1,00x
2
= 1,00
1,00x
1
+ 1,00x
2
= 2,00
104
Este sistema tiene por soluci on exacta a:
x
1
=
1
0,9999
= 1,00010001 . . . , x
2
=
0,9998
0,9999
= 0,99989998.
Realizamos las operaciones con coma otante con tres cifras signicativas exactas siguiendo
dos procedimientos:
1. Tomamos como pivote a
11
= 1,00 10
4
obteniendo:
a
21
a
11
= 1,00 10
4
, a
(1)
22
= 1,00 1,00 10
4
= 1,00 10
4
,
b
(1)
2
= 2,00 1,00 10
4
= 1,00 10
4
As que:
x
2
=
b
(1)
2
a
(1)
22
= 1,00, x
1
=
b
1
a
12
x
2
a
11
=
1,00 1,00 1,00
1,00 10
4
= 0!!!
2. Cambiando las las de la matriz ampliada tenemos ahora como pivote a 1,00 y obtenemos
ahora:
a
21
a
11
= 1,00 10
4
, a
(1)
22
= 1,00 1,00 10
4
= 1,00,
b
(1)
2
= 1,00 2,00 1,00 10
4
= 1,00
As que:
x
2
=
b
(1)
2
a
(1)
22
= 1,00, x
1
=
b
1
a
12
x
2
a
11
=
2,00 1,00 1,00
1,00
= 1,00
105
1.5. Algoritmo para calcular la factorizaci on LU (algoritmo de Doolitle-
Banaciewicz)
Se trata de calcular secuencialmente la primera la de U, la primera columna de L, la
segunda la de U, la segunda columna de L, . . .
Para k = 1, 2, . . . , n, se realizan las siguientes operaciones:
Para j = k, . . . , n,
u
kj
= a
kj

k1

p=1
l
kp
u
pj
;
Para i = k + 1, . . . , n,
l
ik
=
1
u
kk
_
a
ik

k1

p=1
l
ip
u
pk
_
.
Ejemplo 7.3. Resolver mediante la factorizaci on LU el sistema de ecuaciones lineales:
x
1
+ x
2
+ 3x
4
= 4
2x
1
+ x
2
x
3
+ x
4
= 1
3x
1
x
2
x
3
+ 2x
4
= 3
x
1
+ 2x
2
+ 3x
3
x
4
= 4

La secuencia de operaciones
(E2 2E1) (E2), (E3 3E1) (E3), (E4 (1)E1) (E4), (E3 4E2) (E3),
(E4 (3)E2) (E4)
lo convierte en el sistema triangular:
x
1
+ x
2
+ 3x
4
= 4
x
2
x
3
5x
4
= 7
3x
3
+ 13x
4
= 13
13x
4
= 13.

Ademas tenemos que la factorizacion LU es:

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

1 0 0 0
2 1 0 0
3 4 1 0
1 3 0 1

1 1 0 3
0 1 1 5
0 0 3 13
0 0 0 13

106
As que si ahora queremos resolver Ax = b = LUx = b lo hacemos en dos pasos, primero
hacemos la sustituci on y = Ux y luego Ly = b, es decir
LUx = Ly =

1 0 0 0
2 1 0 0
3 4 1 0
1 3 0 1

y
1
y
2
y
3
y
4

8
7
14
7

Este sistema se resuelve por sustituci on hacia atr as. Efectivamente, el sistema es:
y
1
= 8
2y
1
+ y
2
= 7
3y
1
+ 4y
2
+ y
3
= 14
y
1
3y
3
+ y
4
= 7.

y las soluciones son:


y
1
= 8, y
2
= 9, y
3
= 26, y
1
= 26.
Finalmente resolvemos
Ux = y =

8
9
26
26

1 1 0 3
0 1 1 5
0 0 3 13
0 0 0 13

x
1
x
2
x
3
x
4

Resolvemos este sistema por sustituci on hacia atr as y obtenemos nalmente:


x
1
= 2, x
2
= 0, x
3
= 1, x
1
= 3.
107
1.6. Factorizacion de Cholesky
Se trata ahora de calcular la descomposici on LU de matrices simetricas y denidas positivas.
Para ellas, la factorizacion obtenida ser a m as sencilla. En concreto:
Teorema 7.4 (Cholesky). Si A M
n
(R), entonces: A es simetrica y denida positiva si y
s olo si existe L triangular inferior real, con l
ii
> 0 (i = 1, 2, . . . , n), tal que A = LL
t
.
Algoritmo de la factorizaci on de Cholesky.
1.
l
jj
=

_
a
jj

j1

k=1
l
2
jk
2. Si i = j + 1, . . . , n
l
ij
=
a
ij

j1

k=1
l
ik
l
jk
l
jj
108
2. Metodos iterativos
Dado el sistema lineal compatible determinado Ax = b, un metodo iterativo para su res-
olucion consiste en construir una sucesi on x
(m)

m=0
de vectores que aproximan a la soluci on
exacta, es decir, aproximan a x = A
1
b. As que lo que pretendemos es encontrar la sucesi on
anterior con la propiedad:
lm
n
x
(m)
= x.
Los metodos iterativos usuales construyen la sucesi on citada anteriormente mediante la
forma:
x
(m+1)
= Bx
(m)
+ c, con B M
nn
(R) y c, x
(0)
R
n
(1)
Denici on 7.5. El metodo anterior se dice convergente si para cualquier x
(0)
R
n
se verica
la siguiente igualdad:
lm
n
x
(n)
= x = A
1
b. (2)
Observaci on 7.6. Si el metodo 1 es convergente entonces se debe tener
x = Bx + c c = (I B)A
1
b.
Denici on 7.7. El metodo 1 se dice consistente si se verica la condici on anterior, es decir,
si
c = (I B)A
1
b. (3)
Teorema 7.8 (De convergencia). El metodo 1 es convergente si y s olo si se verican las dos
condiciones que siguen:
1. El metodo es consistente.
2. (B) < 1 donde (B) = m ax
valor propio de B
[[
109
2.1. Resultados sobre normas matriciales
Recordamos que una norma sobre el conjunto M
nn
(R) es una aplicaci on
| |
M
: M
nn
R
+
0
tal que:
1. |A|
M
= 0 A = 0.
2. Para toda matriz A y todo R se tiene |A|
M
= [[|A|.
3. Para cualesquiera matrices A y B se tiene la desigualdad triangular |A+B|
M
|A|
M
+
|B|
M
Si adem as esta norma verica
4. para cualesquiera matrices A y B se tiene |AB|
M
|A|
M
|B|
M
,
entonces se dice que | |
M
es una norma matricial.
Denici on 7.9 (Normas matriciales inducidas). Si | |
v
es una norma vectorial sobre R
n
podemos inducir sobre M
nn
(R) la siguiente norma matricial (denominada norma matricial
inducida por | |
v
):
|A| := m ax
xv=1
|Ax|
v
Observaci on 7.10. Para la norma anterior se verica que para cualesquiera A A
nn
(R) y
x R
n
entonces:
|Ax| |A||x|
v
Proposici on 7.11. Las normas matriciales inducidas por las normas | |
1
, | |
2
y | |

son
respectivamente las siguientes:
1. |A|
1
= m ax
j{1,2,...n}

n
i=1
[a
ij
[,
2. |A|
2
=
_
(A
t
A),
3. |A|

= m ax
i{1,2,...n}

n
j=1
[a
ij
[.
donde A = (a
ij
) A
nn
(R) y para B A
nn
(R) se dene (B) = m ax
valor propio de B
[[.
110
2.2. Construcci on de metodos iterativos
Tomando la descomposici on A = M N con M una matriz regular, entonces el sistema
Ax = b se puede escribir ahora en la forma:
Mx = Nx + b x = M
1
Nx + M
1
b,
lo que sugiere estudiar el metodo iterativo:
x
(m+1)
= M
1
Nx
(m)
+ M
1
b (4)
Puesto que aqu B = M
1
N y c = M
1
b = (I B)A
1
b tenemos que el metodo 4 es
consistente. As que usando el teorema de convergencia se tiene que para que el metodo sea
convergente es suciente con que (M
1
N) < 1.
En este momento nos es de utilidad el siguiente resultado tecnico:
Teorema 7.12. Para toda norma matricial y toda matriz A M
nn
(R) se verica (A) |A|.
De hecho se tiene la igualdad:
(A) =nf|A| : | | es una norma matricial
Usando el teorema precedente se puede armar ahora que para que un metodo sea conver-
gente es suciente con que sea consistente y que para alguna norma matricial | | se tenga
que |M
1
N| < 1.
Ademas se tiene que:
Teorema 7.13. Todo metodo 1 iterativo convergente es de la forma 4 con A = M N siendo
M regular.
2.3. Estabilidad y errores
Para
Estabilidad. Para analizar la estabilidad del metodo vamos a suponer que estamos re-
alizando los calculos cometiendo un peque no error, as que por un lado los c alculos exactos
seran:
x
(m)
= Bx
(m1)
+ c
111
y los aproximados:
x
(m)
= B x
(m1)
+ c +
(m)
.
As que el error que cometemos en cada iterada ser a:
x
(m)
x
(m)
= B( x
(m1)
x
(m1)
) +
(m1)
,
x
(0)
x
(0)
=
(0)
.
De ambas igualdades se deduce que:
x
(m)
x
(m)
= B
m

(0)
+
m

j=1
B
mj

(j)
,
Tomando una norma matricial inducida por una vectorial (usamos la misma notaci on para
ambas):
| x
(m)
x
(m)
| =
m

j=1
|B|
mj
|
(j)
| sup|
(j)
|
m

j=1
|B|
j

sup|
(j)
|

j=1
|B|
j
=
1
1 |B|
sup |
(j)
|.
As que el metodo es estable siempre que sea convergente ya que peque nos errores de re-
dondeo dan errores peque nos en la iteraci on n, que adem as se pueden hacer bastante peque nos
si la norma de B no est a cercana a 1.
112
Errores.
Observemos que si x = lm
n
x
(m)
:
|x
(m)
x| = |Bx
(m1)
Bx| |B||x
(m1)
x|
|B
2
||x
(m2)
x| |B
m
||x
(0)
x|,
es decir:
|x
(m)
x| |B
m
||x
(0)
x|.
Por otro lado:
|x
(m)
x| = |x
(m)
x
(m1)
+ x
(m1)
x|
|x
(m)
x
(m1)
| +|x
(m1)
x|
y
|x
(m)
x| |B||x
(m1)
x|
Por lo tanto:
(1 |B|)|x
(m1)
x| |x
(m)
x
(m1)
|
Tomando ahora una norma matricial tal que |B| < 1 se deduce de lo anterior que:
|x
(m)
x|
|B|
1 |B|
|x
(m)
x
(m1)
|
Esta relacion es importante ya que se puede utilizar para estimar el error y como test de
parada del programa correspondiente.
113
2.4. Metodo de Jacobi
Ya hemos expuesto anteriormente que todo metodo convergente para resolver el sistema
Ax = b es de la forma:
x
(m+1)
= M
1
Nx
(m)
+ M
1
b
o equivalentemente:
Mx
(m+1)
= Nx
(m)
+ b,
donde A = M N y M es invertible.
El metodo de Jacobi consiste en considerar la descomposici on de la matriz A que sigue:
A = D L U, donde:
D =

a
11
0 . . . 0
0 a
22
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . a
nn

, U =

0 a
12
. . . a
1,n1
a
1n
0 0 . . . a
2,n1
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 0 a
n1,n
0 0 . . . 0 0

y L =

0 0 0 . . . 0
a
21
0 0 . . . 0
a
31
a
32
0 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
. . . 0

El metodo de Jacobi consiste en denir:


M = D y N = L + U.
As que el metodo de Jacobi se puede expresar como:
Dx
(k+1)
= (L + U)x
(k)
+ b
y usando componentes:
x
(k+1)
i
=
1
a
ii
_

j=1,j=i
a
ij
x
(k)
j
+ b
i
_
114
Ejemplo
Se trata de resolver aqu el sistema Ax = b para los valores de A y b que se indican a
continuaci on.
A =

0,3 0,1 0 0
0,1 0,1 0,1 0
0 0 0,7 0
0 0 0 0,2

, b =

6
2
0
3

As que las matrices que siguen son las que intervienen el metodo de Jacobi.
L =

0 0 0 0
0,1 0 0 0
0 0 0 0
0 0 0 0

U =

0 0,1 0 0
0 0 0,1 0
0 0 0 0
0 0 0 0

D =

0,3 0 0 0
0 0,1 0 0
0 0 0,7 0
0 0 0 0,2

M =

0,3 0 0 0
0 0,1 0 0
0 0 0,7 0
0 0 0 0,2

N =

0 0,1 0 0
0,1 0 0,1 0
0 0 0 0
0 0 0 0

M
1
N =

0 0,33333333333333337 0 0
1 0 1 0
0 0 0 0
0 0 0 0

M
1
=

3,3333333333333335 0 0 0
0 10 0 0
0 0 1,4285714285714286 0
0 0 0 5

115
Seguidamente ponemos el n umero de iteraci on i, el valor de x
(i)
denotado por x y el valor
de Ax
(i)
b denotado por z. Partimos del valor x
(0)
= (0, 0, 0, 0)
t
.
1. x
(1)
=

20
20
0
15

z
(1)
=

2
2
0
0

2. x
(2)
=

13,333333333333332
40
0
15

z
(2)
=

2
0,666666666666667
0
0

3. x
(3)
=

6,666666666666664
33,33333333333333
0
15

z
(3)
=

0,6666666666666679
0,6666666666666665
0
0

4. x
(4)
=

8,88888888888889
26,666666666666664
0
15

z
(4)
=

0,666666666666667
0,22222222222222232
0
0

5. x
(5)
=

11,11111111111111
28,88888888888889
0
15

z
(5)
=

0,22222222222222232
0,2222222222222221
0
0

6. x
(6)
=

10,370370370370368
31,11111111111111
0
15

z
(6)
=

0,22222222222222143
0,0740740740740744
0
0

116
7. x
(7)
=

9,629629629629628
30,370370370370367
0
15

z
(7)
=

0,07407407407407529
0,07407407407407396
0
0

8. x
(8)
=

9,876543209876543
29,629629629629626
0
15

z
(8)
=

0,0740740740740744
0,024691358024691468
0
0

9. x
(9)
=

10,123456790123457
29,876543209876544
0
15

z
(9)
=

0,024691358024691468
0,024691358024691246
0
0

10. x
(10)
=

10,041152263374483
30,123456790123456
0
15

z
(10)
=

0,02469135802469058
0,008230452674897304
0
0

11. x
(11)
=

9,958847736625513
30,041152263374485
0
15

z
(11)
=

0,008230452674897748
0,008230452674897304
0
0

12. x
(12)
=

9,986282578875171
29,958847736625515
0
15

z
(12)
=

0,00823045267489686
0,00274348422496562
0
0

13. x
(13)
=

10,013717421124827
29,98628257887517
0
15

z
(13)
=

0,0027434842249647318
0,00274348422496562
0
0

117
14. x
(14)
=

10,004572473708276
30,013717421124827
0
15

z
(14)
=

0,00274348422496562
0,0009144947416550586
0
0

15. x
(15)
=

9,995427526291722
30,004572473708276
0
15

z
(15)
=

0,0009144947416555027
0,0009144947416555027
0
0

16. x
(16)
=

9,99847584209724
29,99542752629172
0
15

z
(16)
=

0,0009144947416555027
0,00030483158055183424
0
0

17. x
(17)
=

10,00152415790276
29,998475842097243
0
15

z
(17)
=

0,00030483158055183424
0,0003048315805516122
0
0

18. x
(18)
=

10,00050805263425
30,001524157902757
0
15

z
(18)
=

0,00030483158055094606
0,00010161052685075944
0
0

19. x
(19)
=

9,99949194736574
30,00050805263425
0
15

z
(19)
=

0,0001016105268512035
0,0001016105268507594
0
0

20. x
(20)
=

9,99983064912191
29,99949194736574
0
15

z
(20)
=

0,0001016105268512035
0,00003387017561662375
0
0

118
21. x
(21)
=

10,00016935087808
29,99983064912191
0
15

z
(21)
=

0,00003387017561617966
0,000033870175616845
0
0

22. x
(22)
=

10,00005645029269
30,00016935087808
0
15

z
(22)
=

0,00003387017561617966
0,00001129005853872655
0
0

23. x
(23)
=

9,99994354970730
30,00005645029269
0
15

z
(23)
=

0,00001129005853872655
0,00001129005853917064
0
0

24. x
(24)
=

9,9999811832357
29,9999435497073
0
15

z
(24)
=

0,00001129005853961473
3,76335284624218 10
6
0
0

25. x
(25)
=

10,000018816764
29,9999811832357
0
15

z
(25)
=

3,76335284624218 10
6
3,76335284624218 10
6
0
0

26. x
(26)
=

10,0000062722547
30,0000188167642
0
15

z
(26)
=

3,76335284624218 10
6
1,254450948895424 10
6
0
0

27. x
(27)
=

9,9999937277452
30,0000062722547
0
15

z
(27)
=

1,25445094933951 10
6
1,254450948895424 10
6
0
0

119
28. x
(28)
=

9,9999979092484
29,9999937277452
0
15

z
(28)
=

1,25445094933951 10
6
4,18150316150445 10
7
0
0

29. x
(29)
=

10,000002090751
29,9999979092484
0
15

z
(29)
=

4,18150316150445 10
7
4,18150316150445 10
7
0
0

30. x
(30)
=

10,000000696917
30,000002090751
0
15

z
(30)
=

4,181503152622667 10
7
1,393834385687853 10
7
0
0

120
Ejemplo del metodo iterativo de Jacobi con convergencia
A =

0,3 0,1 0,03 0,1


0,1 0,1 0 0,1
0 0,2 0,7 0
0,2 0,01 0 0,2

b =

6
2
0
3

L =

0 0 0 0
0,1 0 0 0
0 0,2 0 0
0,2 0,01 0 0

U =

0 0,1 0,03 0,1


0 0 0 0,1
0 0 0 0
0 0 0 0

D =

0,3 0 0 0
0 0,1 0 0
0 0 0,7 0
0 0 0 0,2

M =

0,3 0 0 0
0 0,1 0 0
0 0 0,7 0
0 0 0 0,2

N =

0 0,1 0,03 0,1


0,1 0 0 0,1
0 0,2 0 0
0,2 0,01 0 0

M
1
N

0 0,333333 0,1 0,333333


1 0 0 1
0 0,285714 0 0
1 0,05 0 0.

M
1
=

3,33333 0 0 0
0 10 0 0
0 0 1,42857 0
0 0 0 5.

Los valores propios de la matriz de iteraci on son:


0,192258 + 0,873648i; 0,192258 0,873648i; 0,461828; 0,0773108,
121
as que el radio espectral es:
m ax
_
0,192258
2
+ 0,873648
2
; 0,461828; 0,0773108 =
m ax0,894552; 0,894552; 0,461828; 0,0773108 = 0,894552
y el metodo es convergente.
En la iteracion 1
x
(1)
= 20; 20; 0; 15)
y
z
(1)
= (3,5; 0,5; 4; 3,8)
En la iteracion 2
x
(2)
= (8,33333; 25; 5,71429; 34)
y
z
(2)
= (2,57143; 3,06667; 1; 2,38333)
En la iteracion 3
x
(3)
= (0,238095; 5,66667; 7,14286; 22,0833)
y
z
(3)
= (4,21548; 0,334524; 6,13333; 1,40762)
En la iteracion 4
x
(4)
= (13,8135; 2,32143; 1,61905; 15,0452)
y
z
(4)
= (0,632143; 2,10897; 0,669048; 2,77687)
En la iteracion 5
x
(5)
= (15,9206; 18,7683; 0,663265; 28,9296)
y
z
(5)
= (3,52607; 1,17772; 4,21794; 0,210532)
En la iteracion 146
x
(146)
= (9,88722; 5,26316; 1,50376; 24,6241)
122
y
z
(146)
= (3,8529 10
7
; 2,98462 10
7
; 3,29515 10
7
; 2,22702 10
7
)
En la iteracion 147
x
(147)
= (9,88722; 5,26316; 1,50376; 24,6241)
y
z
(147)
= (3,95691 10
7
; 1,70791 10
8
; 5,96924 10
7
; 2,27014 10
7
)
En la iteracion 148
x
(148)
= (9,88722; 5,26316; 1,50376; 24,6241)
y
z
(148)
= (1,56168 10
7
; 2,45404 10
7
; 3,41582 10
8
; 2,65502 10
7
)
En la iteracion 149
x
(149)
= (9,88722; 5,26316; 1,50376; 24,6241)
y
z
(149)
= (3,76691 10
7
; 8,06948 10
8
; 4,90808 10
7
; 7,95719 10
8
)
En la iteracion 150
x
(150)
= (9,88722; 5,26316; 1,50376; 24,6241)
y
z
(150)
= (1,98743 10
8
; 1,6535 10
7
; 1,6139 10
7
; 2,43058 10
7
)
123
2.5. Metodo de Gauss-Seidel
Consiste en tomar M = DL y N = U, con lo que el metodo se puede expresar mediante
cualquiera de las tres siguientes opciones:
x
(k+1)
= (D L)
1
Ux
(k)
+ (D L)
1
b
(D L)x
(k+1)
= Ux
(k)
+ b
x
(k+1)
i
=
1
a
ii
_

i1

j=1
a
ij
x
(k+1)
j

n

j=i+1
a
ij
x
(k)
j
+ b
i
_
Ejemplo del metodo iterativo de Gauss-Seidel con convergencia
Se trata de resolver aqu el sistema Ax = b para los valores de A y b que se indican a
continuaci on.
A =

0,3 0,1 0 0
0,1 0,1 0,1 0
0 0 0,7 0
0 0 0 0,2

, b =

6
2
0
3

As que las matrices que siguen son las que intervienen el metodo de Gauss-Seidel.
L =

0 0 0 0
0,1 0 0 0
0 0 0 0
0 0 0 0

U =

0 0,1 0 0
0 0 0,1 0
0 0 0 0
0 0 0 0

D =

0,3 0 0 0
0 0,1 0 0
0 0 0,7 0
0 0 0 0,2

M =

0,3 0 0 0
0,1 0,1 0 0
0 0 0,7 0
0 0 0 0,2

N =

0 0,1 0 0
0 0 0,1 0
0 0 0 0
0 0 0 0

124
M
1
N =

0 0,333333 0 0
0 0,333333 1 0
0 0 0 0
0 0 0 0

M
1
=

3,33333 0 0 0
3,33333 10 0 0
0 0 1,42857 0
0 0 0 5

Seguidamente ponemos el n umero de iteraci on i, el valor de x


(i)
denotado por x y el valor
de Ax
(i)
b denotado por z. Partimos del valor x
(0)
= (0, 0, 0, 0)
t
.
Los valores propios de la matriz de iteraci on son
0,3333333333333334; 0; 0; 0,
as que el radio espectral es:
m ax0,3333333333333334; 0; 0; 0 = 0,3333333333333334
y el metodo es convergente.
1.
x
(1)
= (20; 40; 0; 15)
t
y
z
(1)
= (4; 0; 0; 0)
t
2.
x
(2)
= (6,666666666666664; 26,666666666666664; 0; 15)
t
y
z
(2)
= (1,333333333333334; 0; 0; 0)
t
3.
x
(3)
= (11,11111111111111; 31,111111111111107; 0; 15)
t
y
z
(3)
= (0,44444444444444375; 2,220446049250313 10
16
; 0; 0)
t
4.
x
(4)
= (9,62962962962963; 29,629629629629626; 0; 15)
t
y
z
(4)
= (0,1481481481481488; 2,220446049250313 10
16
; 0; 0)
t
125
5.
x
(5)
= (10,123456790123457; 30,123456790123456; 0; 15)
t
y
z
(5)
= (0,049382716049382935; 0; 0; 0)
t
6.
x
(6)
= (9,958847736625513; 29,95884773662551; 0; 15)
t
y
z
(6)
= (0,016460905349794608; 0; 0; 0)
t
7.
x
(7)
= (10,013717421124829; 30,013717421124827; 0; 15)
t
y
z
(7)
= (0,00548696844993124; 0; 0; 0)
t
8.
x
(8)
= (9,995427526291722; 29,99542752629172; 0; 15)
t
y
z
(8)
= (0,0018289894833110054; 0; 0; 0)
t
9.
x
(9)
= (10,00152415790276; 30,001524157902757; 0; 15)
t
y
z
(9)
= (0,0006096631611036685; 0; 0; 0)
t
10.
x
(10)
= (9,999491947365746; 29,999491947365744; 0; 15)
t
y
z
(10)
= (0,00020322105370151888; 0; 0; 0)
t
126
11.
x
(11)
= (10,000169350878084; 30,000169350878082; 0; 15)
t
y
z
(11)
= (0,00006774035123324751; 0; 0; 0)
t
12.
x
(12)
= (9,999943549707305; 29,999943549707304; 0; 15)
t
y
z
(12)
= (0,00002258011707834129; 0; 0; 0)
t
13.
x
(13)
= (10,00001881676423; 30,00001881676423; 0; 15)
t
y
z
(13)
= (7,526705691596192 10

6; 0; 0; 0)
t
14.
x
(14)
= (9,999993727745256; 29,999993727745256; 0; 15)
t
y
z
(14)
= (2,5089018977908495 10

6; 0; 0; 0)
t
15.
x
(15)
= (10,00000209075158; 30,00000209075158; 0; 15)
t
y
z
(15)
= (8,363006323008904 10
7
; 0; 0; 0)
t
16.
x
(16)
= (9,999999303082806; 29,999999303082802; 0; 15)
t
y
z
(16)
= (2,7876687802574907 10
7
; 2,220446049250313 10
16
; 0; 0)
t
127
17.
x
(17)
= (10,000000232305732; 30,00000023230573; 0; 15)
t
y
z
(17)
= (9,292229297130916 10
8
; 0; 0; 0)
t
18.
x
(18)
= (9,999999922564756; 29,999999922564754; 0; 15)
t
y
z
(18)
= (3,097409795316253 10
8
; 0; 0; 0)
t
19.
x
(19)
= (10,000000025811747; 30,000000025811744; 0; 15)
t
y
z
(19)
= (1,0324698429542423 10
8
; 2,220446049250313 10
16
; 0; 0)
t
20.
x
(20)
= (9,999999991396084; 29,99999999139608; 0; 15)
t
y
z
(20)
= (3,4415670313592273 10
9
; 2,220446049250313 10
16
; 0; 0)
t
21.
x
(21)
= (10,000000002867973; 30,00000000286797; 0; 15)
t
y
z
(21)
= (1,1471890104530758 10
9
; 0; 0; 0)
t
22.
x
(22)
= (9,99999999904401; 29,999999999044007; 0; 15)
t
y
z
(22)
= (3,823963368176919 10
10
; 0; 0; 0)
t
128
23.
x
(23)
= (10,000000000318662; 30,00000000031866; 0; 15)
t
y
z
(23)
= (1,2746514954642407 10
10
; 0; 0; 0)
t
24.
x
(24)
= (9,99999999989378; 29,999999999893777; 0; 15)
t
y
z
(24)
= (4,248867924161459 10
11
; 0; 0; 0)
t
25.
x
(25)
= (10,000000000035406; 30,000000000035406; 0; 15)
t
y
z
(25)
= (1,4162893080538197 10
11
; 0; 0; 0)
t
26.
x
(26)
= (9,999999999988196; 29,999999999988194; 0; 15)
t
y
z
(26)
= (4,721556479125866 10
12
; 0; 0; 0)
t
27.
x
(27)
= (10,000000000003935; 30,000000000003933; 0; 15)
t
y
z
(27)
= (1,573852159708622 10
12
; 0; 0; 0)
t
28.
x
(28)
= (9,999999999998687; 29,999999999998685; 0; 15)
t
y
z
(28)
= (5,24913446042774 10
13
; 0; 0; 0)
t
129
29.
x
(29)
= (10,000000000000437; 30,000000000000433; 0; 15)
t
y
z
(29)
= (1,7408297026122455 10
13
; 2,220446049250313 10
16
; 0; 0)
t
30.
x
(30)
= (9,999999999999854; 29,99999999999985; 0; 15)
t
y
z
(30)
= (5,861977570020827 10
14
; 2,220446049250313 10
16
; 0; 0)
t
31.
x
(31)
= (10,000000000000048; 30,000000000000046; 0; 15)
t
y
z
(31)
= (1,865174681370263 10
14
; 0; 0; 0)
t
32.
x
(32)
= (9,999999999999984; 29,999999999999982; 0; 15)
t
y
z
(32)
= (6,217248937900877 10
15
; 0; 0; 0)
t
33.
x
(33)
= (10,000000000000005; 30,000000000000004; 0; 15)
t
y
z
(33)
= (1,7763568394002505 10
15
; 0; 0; 0)
t
34.
x
(34)
= (9,999999999999998; 29,999999999999996; 0; 15)
t
y
z
(34)
= (8,881784197001252 10
16
; 0; 0; 0)
t
130
35.
x
(35)
= (10; 30; 0; 15)
t
y
z
(35)
= (0; 0; 0; 0)
t
36.
x
(36)
= (9,999999999999998; 29,999999999999996; 0; 15)
t
y
z
(36)
= (8,881784197001252 10
16
; 0; 0; 0)
t
37.
x
(37)
= (10; 30; 0; 15)
t
y
z
(37)
= (0; 0; 0; 0)
t
38.
x
(38)
= (9,999999999999998; 29,999999999999996; 0; 15)
t
y
z
(38)
= (8,881784197001252 10
16
; 0; 0; 0)
t
39.
x
(39)
= (10; 30; 0; 15)
t
y
z
(39)
= (0; 0; 0; 0)
t
40.
x
(40)
= (9,999999999999998; 29,999999999999996; 0; 15)
t
y
z
(40)
= (8,881784197001252 10
16
; 0; 0; 0)
t
131
41.
x
(41)
= (10; 30; 0; 15)
t
y
z
(41)
= (0; 0; 0; 0)
t
42.
x
(42)
= (9,999999999999998; 29,999999999999996; 0; 15)
t
y
z
(42)
= (8,881784197001252 10
16
; 0; 0; 0)
t
43.
x
(43)
= (10; 30; 0; 15)
t
y
z
(43)
= (0; 0; 0; 0)
t
44.
x
(44)
= (9,999999999999998; 29,999999999999996; 0; 15)
t
y
z
(44)
= (8,881784197001252 10
16
; 0; 0; 0)
t
45.
x
(45)
= (10; 30; 0; 15)
t
y
z
(45)
= (0; 0; 0; 0)
t
46.
x
(46)
= (9,999999999999998; 29,999999999999996; 0; 15)
t
y
z
(46)
= (8,881784197001252 10
16
; 0; 0; 0)
t
132
47.
x
(47)
= (10; 30; 0; 15)
t
y
z
(47)
= (0; 0; 0; 0)
t
48.
x
(48)
= (9,999999999999998; 29,999999999999996; 0; 15)
t
y
z
(48)
= (8,881784197001252 10
16
; 0; 0; 0)
t
49.
x
(49)
= (10; 30; 0; 15)
t
y
z
(49)
= (0; 0; 0; 0)
t
50.
x
(50)
= (9,999999999999998; 29,999999999999996; 0; 15)
t
y
z
(50)
= (8,881784197001252 10
16
; 0; 0; 0)
t
Ejemplo de Gauss-Seidel no convergente
A =

0,3 0,1 0 0
0,1 0,1 0,1 0
0 0 0,7 0
0 0 0 0,2

, b =

6
2
0
3

L =

0 0 0 0
0,1 0 0 0
2 0 0 0
0 0 0 0

U =

0 0,1 3 0
0 0 0,1 0
0 0 0 0
0 0 0 0

133
D =

0,3 0 0 0
0 0,1 0 0
0 0 0,7 0
0 0 0 0,2

M =

0,3 0 0 0
0,1 0,1 0 0
2 0 0,7 0
0 0 0 0,2

N =

0 0,1 3 0
0 0 0,1 0
0 0 0 0
0 0 0 0

M
1
N =

0 0,333333 10 0
0 0,333333 9 0
0 0,952381 28,5714 0
0 0 0 0.

M
1
=

3,33333 0 6,29108 10
17
0
3,33333 10 6,29108 10
17
0
9,52381 0 1,42857 0
0 0 0 5.

Los valores propios de la matriz de iteraci on son:


28,2718; 0,0336866; 0; 0,
as que el radio espectral es:
m ax28,2718, 0,0336866, 0, 0 = 28,2718
y el metodo no es convergente.
En la iteracion 50
x
(50)
= (2,6749 10
72
, 2,40457 10
72
, 7,64257 10
72
, 15)
t
y
Ax
(50)
b = (1,42422 10
73
, 7,37225 10
71
, 6,53226 10
56
, 0)
t
134
Otro ejemplo del metodo de Gauss Seidel con convergencia
A =

0,3 0,1 0,03 0,1


0,1 0,1 0 0,1
0 0,2 0,7 0
0,2 0,01 0 0,2

b =

6
2
0
3

L =

0 0 0 0
0,1 0 0 0
0 0,2 0 0
0,2 0,01 0 0

U =

0 0,1 0,03 0,1


0 0 0 0,1
0 0 0 0
0 0 0 0

D =

0,3 0 0 0
0 0,1 0 0
0 0 0,7 0
0 0 0 0,2

M =

0,3 0 0 0
0,1 0,1 0 0
0 0,2 0,7 0
0,2 0,01 0 0,2

N =

0 0,1 0,03 0,1


0 0 0 0,1
0 0 0 0
0 0 0 0

M
1
N =

0 0,333333 0,1 0,333333


0 0,333333 0,1 1,33333
0 0,0952381 0,0285714 0,380952
0 0,316667 0,095 0,266667

M
1
=

3,33333 0 0 0
3,33333 10 0 0
0,952381 2,85714 1,42857 0
3,16667 0,5 4,16334 10
17
5.

Los valores propios de la matriz de iteraci on son:


0,99302; 0,364449; 1,52408 10
17
; 0,
135
as que el radio espectral es:
m ax0,99302; 0,364449; 1,52408 10
17
; 0 = 0,99302
y el metodo es convergente.
En la iteracion 1
x
(1)
= (20; 40; 11,4286; 33)
y
Ax
(1)
b = (7,64286; 3,3; 4,69243 10
16
; 0)
En la iteracion 2
x
(2)
= (5,47619; 18,4762; 5,27891; 10,4476)
y
Ax
(2)
b = (8,60408; 2,25524; 2,57129 10
15
; 4,44089 10
16
)
En la iteracion 3
x
(3)
= (23,2041; 32,7565; 9,35899; 36,5663)
y
Ax
(3)
b = (8,17427; 2,61186; 1,53003 10
15
; 4,44089 10
16
)
En la iteracion 4
x
(4)
= (4,04347; 20,6097; 5,88849; 11,987)
y
Ax
(4)
b = (8,25197; 2,45792; 2,6216 10
15
; 4,44089 10
16
)
En la iteracion 5
x
(5)
= (23,4631; 31,4761; 8,99316; 36,8893)
y
Ax
(5)
b = (8,14526; 2,49023; 4,9483 10
16
; 4,44089 10
16
)
En la iteracion 993
x
(993)
= (9,90069; 5,2889; 1,51112; 24,6362)
136
y
Ax
(993)
b = (0,00805601; 0,00244585; 1,82818 10
15
; 4,44089 10
16
)
En la iteracion 994
x
(994)
= (9,87384; 5,23759; 1,49645; 24,612)
y
Ax
(994)
b = (0,00799978; 0,00242878; 5,85903 10
16
; 0)
En la iteracion 995
x
(995)
= (9,9005; 5,28855; 1,51101; 24,6361)
y
Ax
(995)
b = (0,00794394; 0,00241183; 1,1176 10
15
; 4,44089 10
16
)
En la iteracion 996
x
(996)
= (9,87402; 5,23795; 1,49656; 24,6121)
y
Ax
(996)
b = (0,00788849; 0,00239499; 1,47408 10
15
; 0)
En la iteracion 997
x
(997)
= (9,90032; 5,28819; 1,51091; 24,6359)
y
Ax
(997)
b = (0,00783343; 0,00237827; 9,40003 10
16
; 0)
En la iteracion 998
x
(998)
= (9,87421; 5,2383; 1,49666; 24,6123)
y
Ax
(998)
b = (0,00777876; 0,00236167; 9,41196 10
16
; 0)
En la iteracion 999
x
(999)
= (9,90014; 5,28784; 1,51081; 24,6357)
137
y
Ax
(999)
b = (0,00772446; 0,00234519; 1,2953 10
15
; 0)
En la iteracion 1000
x
(1000)
= (9,87439; 5,23864; 1,49676; 24,6125)
y
Ax
(1000)
b = (0,00767054; 0,00232882; 1,47408 10
15
; 0)
138
2.6. Convergencia de los metodos de Jacobi y de Gauss-Seidel
Denici on 7.14. Una matriz A se dice que es estrictamente diagonal dominante si:
[a
ii
[ >

j=i
[a
ij
[ para todo i 1, 2, . . . , n
Teorema 7.15. Si la matriz de coecientes del sistema Ax = b es estrictamente diagonal
dominante, los metodos de Jacobi y Gauss-Sidel son convergentes.
Si llamamos E
J
y E
G
a las matrices de iteracion M
1
N correspondientes a cada uno de los
metodos, se tiene:
(E
J
) c (E
G
) c,
donde:
c = m ax
i
_
n

j=1,j=i
[a
ij
[
[a
ii
[
_
< 1
Teorema 7.16. Sea A una matriz simetrica con elementos en la diagonal positivos. Entonces,
el metodo de Gauss-Seidel converge si y s olo si A es una matriz denida positiva.
Teorema 7.17. Sea A una matrz simetrica. Si la matriz que resulta de sustituir los elementos
a
ij
, con i ,= j, por sus opuestos es denida positiva, entonces el metodo de Jacobi converge si y
solo si A es denida positiva.
Teorema 7.18. Para matrices tridiagonales los radios espectrales de las matrices de los metodos
de Jacobi y Gauss-Seidel verican:
(E
G
) = (E
J
)
2
y por lo tanto ambos metodos simult aneamente convergentes o divergentes. Cuando ambos con-
vergen entonces el de Gauss-Seidel es, asint oticamente, mas r apido.
2.7. Metodos de relajaci on
Si es un n umero real no nulo y tomamos la descomposici on de la matriz A: A = DLU,
entonces tambien se puede escribir
A =
1

DL
1

D U.
139
Tomamos ahora:
M =
1

D L
N =
1

D + U
y el metodo iterativo correspondiente ser a:
x
(k+1)
= (
1

D L)
1
(
1

D + U)x
(k)
+ (
1

DL)
1
b,
o tambien:
(
1

D L)x
(k+1)
= (
1

D + U)x
(k)
+ b.
En componentes el metodo puede escribirse como sigue:
1

a
ii
x
(k+1)
i
+

i1
j=1
a
ij
x
(k+1)
j
=
1

a
ii
x
(k)
i

n

j=i+1
a
ij
x
(k)
j
+ b
i
(i = 1, 2, . . . , n)
Observaci on 7.19. Cuando = 1 tenemos el metodo de Gauss-Seidel
Teorema 7.20. (E

) [ 1[. En consecuencia un condici on necesaria para obtener la


convergencia del metodo de relajaci on es que 0 < < 2.
Teorema 7.21. 1. Si A es estrictamente diagonal dominante y 0 < 1, el metodo de
relajaci on es convergente.
2. Si A es simetrica y a
ii
> 0 entonces el metodo de relajaci on es convergente si y s olo si se
verican las dos condiciones siguientes:
a) 0 < < 2,
b) A es denida positiva.
140
Captulo 8
Interpolaci on de funciones
1. Introduccion
Por el termino interpolacion nos referimos al problema consistente
en calcular el valor de una funci on en un punto cuando:
1. O bien no se conoce la expresi on explcita de la funci on,
2. O no es f acil evaluar la expresi on de la funci on en el punto deseado.
Resultado dado por el calculo numerico:
Construir una funci on f acil de evaluar y que coincida con la funci on
de partida en los datos que conocemos de esta.
Cuestiones basicas a tener en cuenta en un problema de interpolaci on
1. Los datos que se desea que sean comunes a la funci on dada y a la
que se va a interpolar.
141
2. El tipo de funci on que se va a usar como funci on interpoladora o
funci on de interpolaci on.
A continuaci on relacionamos los problemas de interpolaci on m as
usuales.
Problema de interpolaci on polinomial de Lagrange
Suponemos conocidos los valores de una funci on f : [a, b] R en
n + 1 puntos:
f
i
= f(x
i
), x
i
[a, b], 0 i n.
Bajo estas premisas el problema de interpolacion de Lagrange con-
siste en construir (si existe) un polinomio P de grado menor o igual
que n tal que:
P(x
i
) = f
i
, 0 x
i
n.
Problema de interpolaci on de Taylor
Si de una funci on f : [a, b] Rconocemos los valores de f y sus
derivadas sucesivas hasta el orden n en un punto x
0
[a, b], el proble-
ma de interpolacion de Taylor consiste en hallar un polinomio P de
grado menor o igual que n tal que:
P
(k)
(x
0
) = f
(k)
(x
0
), 0 k n.
142
Problema de interpolaci on de Hermite
Si de una funci on f : [a, b] Rconocemos los valores de f y su
derivada f
/
en los puntos x
0
, x
1
, . . . , x
n
[a, b]:
f
i
= f(x
i
), f
/
i
= f
/
(x
i
), x
i
[a, b], 0 i n,
en un problema de interpolacion de Hermite se trata de calcular un
polinomio P de grado menor o igual que 2n + 1 tal que:
P(x
i
) = f
i
y P
/
(x
i
) = f
/
i
, 0 i n.
Ejercicio 8.1. Estudiar el problema de interpolaci on siguiente:
hallar un polinomio p de grado no mayor que 2 tal que p(x
0
) = z
0
,
p(x
1
) = z
1
, p
/
(x
2
) = z
2
,
Ejercicio 8.2. Queda determinado un polinomio p de grado no
mayor que tres por las condiciones p(0), p(1) p
/
(1) y p
//
(0)? Y
por p(0), p
/
(0) p
/
(1) y p
//
(
1
2
)?
Ejercicio 8.3. Sea f una funcion de x de la cual se conocen
f(0), f
/
(0),
_
1
1
f(x)dx. Existe un polinomio de grado no mayor
que dos tal que
p(0) = f(0), p
/
(0) = f
/
(0),
_
1
1
p(x)dx =
_
1
1
f(x)dx?
143
Ejercicio 8.4. Se considera el problema de interpolaci on siguiente:
hallar un polinomio de grado no mayor que n tal que
_
x
j
0
p(t)dt = z
j
, 0 j n.
Que condiciones deben cumplir los x
j
para que haya existencia y
unicidad de soluci on en este problema?
Ejercicio 8.5. Se desea interpolar una funcion f(x) con un poli-
nomio de la forma a + bx
2
, conociendo f(x) en dos puntos dados
x
1
, x
2
. Estudiar el problema de interpolaci on correspondiente.
Ejercicio 8.6. Escribir, usando la interpolacion de Lagrange, un
polinomio de grado no mayor que 2 que tome los valores 1, 2, 1
en los puntos 0, 1, 2 respectivamente.
2. Interpolaci on polinomial de Lagrange
Recordamos que suponemos conocidos los valores de una funci on
f : [a, b] R en n + 1 puntos:
f
i
= f(x
i
), x
i
[a, b], 0 i n.
Y tenemos que construir (si existe) un polinomio P de grado menor
o igual que n tal que:
P(x
i
) = f
i
, 0 x
i
n.
144
El teorema que sigue nos garantiza la existencia y unicidad del poli-
nomio en cuesti on.
Teorema 8.7. Existe un unico polinomio de grado menor o igual
que n tal que P(x
i
) = f
i
para todo i 0, 1, . . . , n.
Demostracion. Unicidad. Si P y Q son dos polinomios vericando
las condiciones del teorema se tiene que el polinomio R = P Q
es tambien de grado menor o igual que n y adem as para todo i
0, 1, . . . , n tenemos:
R(x
i
) = P(x
i
) Q(x
i
) = f
i
f
i
= 0.
As que R tiene grado a lo sumo n y posee n+1 ceros por lo que R 0
y P = Q.
Existencia. Consideramos los polinomios de grado n siguientes:
l
k
(x) =
n

i=0,i,=k
(x x
i
)
n

i=0,i,=k
(x
k
x
i
)
=
(x x
0
) . . . (x x
k1
)(x x
k+1
) . . . (x x
n
)
(x
k
x
0
) . . . (x
k
x
k1
)(x
k
x
k+1
) . . . (x
k
x
n
)
.
Observese que para estos polinomios se tiene que para todo i ,= k,
l
k
(x
i
) = 0 y l
k
(x
k
) = 1.
Luego, el polinomio P buscado se obtiene como combinacion lineal
145
se los polinomios l
k
de la siguiente forma:
P(x) = f
0
l
0
+ f
1
l
1
+ + f
n
l
n
,
que es la f ormula de Lagrange para el polinomio de interpolaci on.
2.1. Interpolaci on lineal
Es el caso particular cuando n = 1, con lo cual se tienen dos puntos
y hallamos la recta que pasa por ellos. Si denotamos los puntos por
x
i1
y x
i
, el polinomio de interpolaci on lineal ser a:
P(x) = f
i1
l
i1
(x) + f
i
l
i
(x) =
x
i
x
x
i
x
i1
f
i1
+
xx
i1
x
i
x
i1
f
i
.
3. Diferencias divididas y formula de Newton
La f ormula de Newton tiene como objetivo subsanar ciertas limita-
ciones de la interpolaci on de Lagrange. El problema de la interpolaci on
de Lagrange radica en que al a nadir nuevos puntos de interpolaci on, ya
no nos sirven los calculos anteriores, por ello es conveniente disponer de
otra f ormula para determinar P
k
(polinomio de interpolaci on de grado
menor o igual que k) que permita una mas f acil transici on de P
k
a
P
k+1
.
Podemos escribir el polinomio de interpolaci on como sigue:
146
P
n
(x) = A
0
+ A
1
(x x
0
) + A
2
(x x
0
)(x x
1
) + +
A
n
(x x
0
)(x x
1
) . . . (x x
n1
) =
n

i=0
f[x
0
, x
1
, . . . , x
i
]
i1

j=0
(x x
j
)
Esta expresion recibe el nombre de formula de Newton.
Observaci on 8.8. Esta f ormula permite calcular el polinomio P
k+1
aprovechando los c alculos previos hechos para calcular el polinomio
P
k
.
Denici on 8.9 (Diferencia dividida). El coeciente A
k
recibe
el nombre de diferencia dividida de f en los puntos x
0
, x
1
, . . . , x
k
y
se representa por:
A
k
= f[x
0
, x
1
, . . . , x
k
].
4. Diferencias divididas: propiedades y calculo
Teorema 8.10. Para k 1 se verica
f[x
0
, x
1
, . . . , x
k
] =
f[x
0
, . . . , x
k1
] f[x
1
, . . . , x
k
]
x
0
x
k
Disposici on practica. El calculo pr actico de la f ormula de New-
ton requiere conocer las diferencias divididas de todos los ordenes de
147
f en los puntos x
0
, x
1
, . . . , x
n
. Para ello se suele hacer una tabla de la
manera que sigue:
x
0
f(x
0
) = f[x
0
]

/
f[x
0
, x
1
]
x
1
f(x
1
) = f[x
1
]

/
f[x
0
, x
1
, x
2
]

/
f[x
1
, x
2
]

/
f[x
0
, x
1
, x
2
, x
3
]
x
2
f(x
2
) = f[x
2
]

/
f[x
1
, x
2
, x
3
]

/
f[x
0
, x
1
, x
2
, x
3
, x
4
]

/
f[x
2
, x
3
]

/
f[x
1
, x
2
, x
3
, x
4
]
x
3
f(x
3
) = f[x
3
]

/
f[x
2
, x
3
, x
4
]

/
f[x
3
, x
4
]
x
4
f(x
4
) = f[x
4
]
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Observese que para calcular f[x
2
, x
3
, . . . , x
n1
] solo hacen falta las
diferencias divididas construidas a partir de f(x
2
), f(x
3
), . . . , f(x
n1
).
148
5. Estimaci on del error de interpolaci on
Denici on 8.11 (Error de interpolaci on). Dada una funci on
f : [a, b] R y su polinomio de interpolacion en los puntos
x
0
, x
1
, . . . , x
n
[a, b], llamaremos error de interpolaci on a la
diferencia E(x) = f(x) P(x).
Ejemplo 8.12. Tomemos como ejemplo la funcion f(x) =
1
x
deni-
da en el intervalo [1, 3]. El polinomio de interpolacion de f en los
puntos 1 y 3 es P(x) =
1
3
x +
4
3
. La diferencia graca entre f y P
se puede apreciar en la gura 8.1.
0.5 1 1.5 2 2.5 3 3.5
x
0.5
1
1.5
2
y
Figura 8.1: Gr aca de la funcion f(x) =
1
x
y un polinomio de interpolaci on lineal
Consideremos la funci on auxiliar a(x) = e

1
100(x2)
2
+1e

1
100(0,5)
2
,
cuya gr aca puede verse en la gura 8.2. Para esta funci on se tiene
que a(1,5) = a(2,5) = 1.
149
Figura 8.2: Gr aca de a(x)
Ahora denimos:
g(x) =

1
x
, si 1 x 1,5
a(x)
1
x
, si 1,5 x 2,5
1
x
, si 2,5 x 3
Esta funci on es continua y coincide con f en [0,5; 1,5] [2,5; 3,5],
vease la gr aca de la funcion en la gura 8.3.
Figura 8.3: Gr acas de f(x) =
1
x
, g(x) y un polinomio de interpolaci on lineal de ambas
Gr acamente se observa que la aproximaci on del polinomio de
150
interpolacion a la gr aca es tango mejor cuanto m as regular es la
funcion. Este hecho sera refrendado con los teoremas que siguen.
Teorema 8.13. Si f es una funcion denida en los puntos (dis-
tintos) x
0
, x
1
, . . . , x
n
, x [a, b] y P
n
es el polinomio de interpo-
lacion de grado menor o igual que n de f en x
0
, x
1
, . . . , x
n
, el error
de interpolacion en x puede escribirse de la forma:
f(x) P(x) = f[x
0
, x
1
, . . . , x
n
, x]
n

i=0
(x x
i
).
Teorema 8.14. Si f C
n
([a, b]) y x
0
, x
1
, . . . , x
n
[a, b] son
n + 1 puntos distintos, entonces existe un punto (a, b) tal que:
f[x
0
, x
1
, . . . , x
n
] =
f
(n)
()
n!
.
Corolario 8.15. Si f C
(n+1)
([a, b]), x
0
, x
1
, . . . , x
n
, x [a, b]
son n+2 puntos distintos y P
n
(x) es el polinomio de interpolaci on
de f en los puntos x
0
, x
1
, . . . , x
n
, entonces:
E(x) = f(x) P(x) =
f
(n+1)
()
(n + 1)!
n

i=0
(x x
i
),
siendo un punto del intervalo maximo denido por los puntos
x
0
, x
1
, . . . , x
n
, x
151
Corolario 8.16. Si M = m ax
atb
[f
(n+1)
(t)[, se tiene que:
[E(x)[
M
(n + 1)!
max
atb
[
n

i=0
(t x
i
)[
para todo x [a, b].
Interpolaci on lineal. Si f C
2
([a, b]) y x (x
0
, x
1
), la f ormula
anterior se reescribe aqu como:
[E(x)[
M
2
max
t[x
0
,x
1
]
[(t x
0
)(t x
1
)[ con M = max
t[x
0
,x
1
]
[f
//
(t)[.
Ademas, como (t x
0
)(t x
1
) tiene un maximo relativo en t =
x
0
+x
1
2
cuyo valor es
(x
1
x
0
)
2
4
, se tiene
[E(x)[
M
8
(x
1
x
0
)
2
.
6. Construcci on del polinomio de interpolaci on usando
diferencias nitas
Consideremos una funci on f denida en una sucesi on de puntos
equidistantes, con distancia h > 0 entre cada dos puntos consecutivos:
x
j
= x
0
+ jh con j Z.
Se llama diferencia progresiva de f en x
k
a
f(x
k
) = f(x
k
+ h) f(x
k
) = f(x
k+1
) f(x
k
).
152
Para simplicar la notaci on denotamos f
j
= f(x
j
) con lo que se
tiene
f
k
= f
k+1
f
k
.
Las diferencias progresivas de orden superior se denen por inducci on
en la forma siguiente:

n+1
f
k
= (
n
f
k
) =
n
f
k+1

n
f
k
, n 1,
ademas por convenio ponemos:

0
f
k
= f
k
.
Denici on 8.17 (Diferencia progresiva). A
n
f
k
se le llama
diferencia progresiva de orden n de f en x
k
.
Los calculos de las diferencias progresivas de una funci on se suelen
disponer en una tabla como la del cuadro 8.1.
Analogamente, se denen las diferencias regresivas:
f
k
= f
k
f
k1
,

n+1
f
k
= (
n
f
k
) =
n
f
k

n
f
k1
, (n 1)

0
f
k
= f
k
.
La relaci on entre ambas diferencias est a dada por:
f
k
= f
k1
,

n
f
k
=
n
f
kn
.
153
f
0
f
0
f
1

2
f
0
f
1

3
f
0
f
2

2
f
1

4
f
0
f
2

3
f
1

5
f
0
f
3

2
f
2

4
f
1
f
3

3
f
2
f
4

2
f
3
f
4
f
5
Cuadro 8.1: Tabla de diferencias progresivas de f
Proposici on 8.18. Para todo n 0 se verica

n
f
k
= n!h
n
f[x
k
, x
k+1
, . . . , x
k+n
] y

n
f
k
= n!h
n
f[x
kn
, x
kn+1
, . . . , x
k
]
7. Formulas de Newton progresiva y regresiva
Formula de Newton progresiva.
La f ormula de Newton para el polinomio de interpolaci on de f en
n + 1 puntos distintos x
0
, x
1
, . . . , x
n
es:
P(x) =
n

i=0
f[x
0
, x
1
, . . . , x
i
]
i1

j=0
(x x
j
).
Ahora, si los puntos x
i

n
i=0
estan igualmente espaciados, o sea, x
j
=
154
x
0
+ jh (j = 0, 1, . . . , n) se tiene que:
f[x
0
, . . . , x
i
] =

i
f
0
i!h
i
y el polinomio de interpolaci on se escribe de la forma:
P(x) =
n

i=0

i
f
0
i!h
i
i1

j=0
(x x
j
).
Ahora haciendo el cambio de variable x = x
0
+th obtenemos: P(x
0
+
th) =

n
i=0

i
f
0
i!

i1
j=0
(t j) y si denimos

t
i

=
t(t 1) . . . (t i + 1)
i!
,
nos queda la formula de Newton progresiva:
P(x
0
+ th) =
n

i=0

t
i

i
f
0
.
Formula de Newton regresiva.
Si partimos de nuevo del polinomio de interpolaci on de f en n + 1
puntos distintos x
n
, x
n1
, . . . , x
0
:
P(x) =
n

i=0
f[x
n
, x
n1
, . . . , x
ni
]
i1

j=0
(x x
nj
),
tomamos puntos equidistantes y hacemos el cambio x = x
h
+th, P(x)
puede escribirse en la forma:
155
P(x) = P(x
h
+ th) =
n

i=0

t + i 1
i

i
f
n
=
n

i=0
(1)
i

t
i

i
f
n
,
que se conoce como formula de Newton regresiva.
156
Captulo 9
Metodos numericos para la resoluci on
de integrales
1. Metodos numericos para calcular integrales.
La regla del trapecio Dada una funci on f : [a, b] R integrable, la regla del trapecio
consiste en aproximar la integral denida
_
b
a
f(x)dx por
_
b
a
P
1
(x)dx, donde P
1
(x) es el unico
polinomio de grado 1 (recta) que pasa por los puntos (a, f(a)) y (b, f(b)). As que:
_
b
a
f(x)dx
_
b
a
P
1
(x)dx =
b a
2
(f(a) + f(b))
y el error que cometemos en dicha aproximaci on, si la funci on f es de clase c
2
, es:
E =
1
12
(b a)
3
f

(c),
donde c es un punto del intervalo (a, b).
El error anterior puede reducirse si utilizamos la regla del trapecio compuesta, esta consiste
en dividir el intervalo [a, b] en n subintervalos de longitud h =
ba
n
y aplicar la regla del trapecio
simple a cada uno de los intervalos [a +jh, a +(j +1)h] con j 0, 1, . . . , n 1. Este metodo
proporciona la aproximaci on:
_
b
a
f(x)dx
h
2
_
f(a) + 2
n1

i=1
f(a + ih) + f(b)
_
,
para esta aproximaci on el error que se comete, si f es de clase c
2
, es:
E =
1
12
(b a)h
2
f

(c),
157
siendo c un punto del intervalo (a, b).
La regla de Simpson. La idea de esta regla es aproximar la funci on f : [a, b] R a integrar
por el polinomio de grado 2 ( unico) que pasa por los puntos (a, f(a)), (
a+b
2
, f(
a+b
2
)) y (b, f(b)).
De esta manera, se obtiene la aproximaci on:
_
b
a
f(x)dx
_
b
a
P
2
(x)dx =
b a
6
_
f(a) + 4f(
a + b
2
) + f(b)
_
.
Ademas, si la funci on es de clase c
4
, existe c (a, b) tal que, el error que se comete en la
aproximaci on es:
E =
1
2880
(b a)
5
f
(iv)
(c).
Al igual que en la regla del trapecio, si subdividimos el intervalo [a, b] en n partes (con
n n umero par) y aplicamos a cada una de ellas la regla de Simpson, se obtiene una mejor
aproximaci on de la integral:
_
b
a
f(x)dx
h
3

f(a) + 2
n/2

i=2
f(a + 2(i 1)h)
+4
n/2

i=1
f (a + (2i 1)h) + f(b)

,
con un error, si f es de clase c
4
, dado por:
E =
1
180
(b a)h
4
f
(iv)
(c),
estando c en (a, b).
Ejemplo 9.1. Comparaci on del valor de
_
4
3
(sen x + cos x + e
x
)dx = 33,278341730851935 cal-
culado usando las reglas del trapecio y Simpson haciendo n particiones del intervalo [3, 4],
(2 n 50).
Programa de Mathematica:
TrapecioCompuesta[fun , a , b , n ] :=
integral = 0;
h = (b a)/n;
158
For[j = 0, j < n,
integral = integral + Trapecio[fun, a + hj, a + (j + 1)h];
j = j + 1];
integral//N
Tambien se puede denir el metodo del trapecio compuesto en Mathematica usando las
formulas desarrolladas en la teora:
TrapecioCompuestaBis[fun , a , b , n ] :=
h = (b a)/n;
integral = (f[a] + f[b]) h/2;
For[j = 1, j <= n 1,
integral = integral + hf[a + jh];
j = j + 1];
integral//N
SimpsonCompuestaBis[fun
,
a
,
b
,
n
]
:=
h = (b a)/n;
integral = (f[a] + f[b]) h/3;
For[j = 1, j <= n/2,
integral = integral + 4h/3f[a + (2j 1)h];
j = j + 1];
For[j = 2, j <= n/2,
integral = integral + 2h/3f[a + 2(j 1)h];
j = j + 1];
integral//N
For[n = 2, n <= 50,
simpson = SimpsonCompuesta[f, 3, 4, n];
trapecio = TrapecioCompuesta[f, 3, 4, n];
exacto = Integrate[f[x], x, 3, 4];
errorsimpson = Error[simpson, exacto];
errortrapecio = Error[trapecio, exacto];
159
Print[Para n=, n, el valor aproximado por Simpson es: ,
InputForm[simpson], y por el trapecio: , InputForm[trapecio]];
Print[El error de Simpson es: , errorsimpson, y el del trapecio: ,
errortrapecio];
n = n + 2;
]
Print[El valor exacto de la integral es: , InputForm[exacto // N]]
Resultados obtenidos con Mathematica:
1. Para n = 2 el valor aproximado por Simpson es: 33,279058180108045 y por el trapecio:
34,02019810976089.
El error de Simpson es: 0,000716449 y el del trapecio: 0,741856.
2. Para n = 4 el valor aproximado por Simpson es: 33,278386777441625 y por el trapecio:
33,46434316252127.
El error de Simpson es: 0,0000450466 y el del trapecio: 0,186001.
3. Para n = 6 el valor aproximado por Simpson es: 33,27835063881905 y por el trapecio:
33,36105351045315.
El error de Simpson es: 8,90796710950603210
6
y el del trapecio 0,08271177960120712.
4. Para n = 8 el valor aproximado por Simpson es: 33,27834455048327 y por el trapecio:
33,32487587371154.
El error de Simpson es: 2,819631329087357610
6
y el del trapecio 0,04653414285960866.
5. Para n = 10 el valor aproximado por Simpson es: 33,27834288598059 y por el trapecio:
33,308126180449406.
El error de Simpson es: 1,155128652952086610
6
y el del trapecio 0,029784449597466844.
6. Para n = 12 el valor aproximado por Simpson es: 33,278342287970716 y por el trapecio:
33,29902635672758.
El error de Simpson es: 5,57118776667309110
7
y el del trapecio 0,020684625875641016.
160
7. Para n = 14 el valor aproximado por Simpson es: 33,278342031588494 y por el trapecio:
33,29353903317648.
El error de Simpson es: 3,00736554548208810
7
y el del trapecio 0,01519730232454708.
8. Para n = 16 el valor aproximado por Simpson es: 33,2783419071449 y por el trapecio:
33,28997738129034.
El error de Simpson es: 1,762929666693224810
7
y el del trapecio 0,011635650438402534.
9. Para n = 18 el valor aproximado por Simpson es: 33,278341840913676 y por el trapecio:
33,28753544812954.
El error de Simpson es: 1,10061743496814310
7
y el del trapecio 0,00919371727760665.
10. Para n = 20 el valor aproximado por Simpson es: 33,27834180306481 y por el trapecio:
33,285788709597796.
El error de Simpson es: 7,22128798980037310
8
y el del trapecio 0,007446978745856425.
11. Para n = 22 el valor aproximado por Simpson es: 33,27834178017495 y por el trapecio:
33,28449630017032.
El error de Simpson es: 4,932301567173169610
8
y el del trapecio 0,006154569318378433.
12. Para n = 24 el valor aproximado por Simpson es: 33,27834176567768 y por el trapecio:
33,28351330515993.
El error de Simpson es: 3,482574117974479610
8
y el del trapecio 0,005171574307989202.
13. Para n = 26 el valor aproximado por Simpson es: 33,2783417561365 y por el trapecio:
33,28274829693282.
El error de Simpson es: 2,528455911310345510
8
y el del trapecio 0,004406566080883634.
14. Para n = 28 el valor aproximado por Simpson es: 33,27834174965024 y por el trapecio:
33,282141281985496.
El error de Simpson es: 1,879829869544380510
8
y el del trapecio 0,003799551133563339.
15. Para n = 30 el valor aproximado por Simpson es: 33,27834174511683 y por el trapecio:
33,281651570503875.
161
El error de Simpson es: 1,426489393274721410
8
y el del trapecio 0,0033098396519430917.
16. Para n = 32 el valor aproximado por Simpson es: 33,27834174187124 y por el trapecio:
33,28125077568126.
El error de Simpson es: 1,101930524605165810
8
y el del trapecio 0,00290904482931853.
17. Para n = 34 el valor aproximado por Simpson es: 33,278341739498465 y por el trapecio:
33,28091860547047.
El error de Simpson es: 8,64653304510909510
9
y el del trapecio 0,0025768746185359515.
18. Para n = 36 el valor aproximado por Simpson es: 33,27834173773128 y por el trapecio:
33,28064024271764.
El error de Simpson es: 6,8793422070001510
9
y el del trapecio 0,002298511865698627.
19. Para n = 38 el valor aproximado por Simpson es: 33,27834173639335 y por el trapecio:
33,2804046637003.
El error de Simpson es: 5,541418657273311510
9
y el del trapecio 0,0020629328483703357.
20. Para n = 40 el valor aproximado por Simpson es: 33,27834173536551 y por el trapecio:
33,28020352969805.
El error de Simpson es: 4,51357595743218110
9
y el del trapecio 0,0018617988461169244.
21. Para n = 42 el valor aproximado por Simpson es: 33,27834173456529 y por el trapecio:
33,28003043881075.
El error de Simpson es: 3,71334851756444110
9
y el del trapecio 0,001688707958815483.
22. Para n = 44 el valor aproximado por Simpson es: 33,278341733934774 y por el trapecio:
33,27988041017379.
El error de Simpson es: 3,082841315560358510
9
y el del trapecio 0,0015386793218492567.
23. Para n = 46 el valor aproximado por Simpson es: 33,27834173343264 y por el trapecio:
33,279749521588194.
El error de Simpson es: 2,580700764198695710
9
y el del trapecio 0,001407790736261516.
162
24. Para n = 48 el valor aproximado por Simpson es: 33,27834173302867 y por el trapecio:
33,279634650548246.
El error de Simpson es: 2,176728797209648310
9
y el del trapecio 0,001292919696306738.
25. Para n = 50 el valor aproximado por Simpson es: 33,27834173270066 y por el trapecio:
33,27953328627316.
El error de Simpson es: 1,848728059528070810
9
y el del trapecio 0,0011915554212247326.
26. El valor exacto de la integral es: 33,278341730851935.
163
Captulo 10
Derivaci on e integraci on numericas
1. Introduccion
Las f ormulas de derivaci on e integraci on numericas se emplean cuan-
do se sabe que existen la derivada de una funci on en un punto y la
integral en un intervalo, pero no es posible calcularlas analticamente
por uno de los dos motivos que siguen:
1. La informaci on que se posee de la funci on es una tabla de valores,
2. La expresi on de f es difcil de manejar.
En estos casos, lo mas normal es aproximar el valor de f
/
(c) por una
combinaci on lineal de los valores de f en los puntos x
i
, 0 i n, en
que esta denida, es decir:
f
/
(c)
n

i=0
a
i
f(x
i
). (1)
164
Al utilizar la f ormula anterior para dar una aproximaci on de la derivada
estamos cometiendo un error que podemos denotar por R(f) y que se
puede denir por la igualdad:
f
/
(c) =
n

i=0
a
i
f(x
i
) + R(f). (2)
Denici on 10.1 (Exactitud). La formula 1 se dice exacta para
si se verica R() = 0.
Uno de nuestros objetivos es el estudio de f ormulas como la 1 y su
error correspondiente R(f). La comparaci on de dos f ormulas de este
estilo se puede hacer de dos formas:
1. comparando las expresiones respectivas de R(f),
2. comparando su exactitud para una familia de funciones derivables
en c y denidas en los puntos x
i
.
Para el calculo de integrales seguiremos un proceso analogo: si la
integral
_
b
a
f(x)dx existe se aproximar a por una f ormula de la forma:
_
b
a
f(x)dx
n

i=0
a
i
f(x
i
) (3)
y el error cometido en dicha aproximaci on se denotar a tambien por
R(f) y vendr a denido por la relaci on:
_
b
a
f(x)dx =
n

i=0
a
i
f(x
i
) + R(f) (4)
165
Denici on 10.2 (Exactitud de orden r). Las formulas 1 y 3 se
dicen exactas de orden r si R(x
i
) = 0 para todo i 0, 1, 2, . . . , r.
Ejercicio 10.3. Calcular a
1
y a
2
para que la regla de derivaci on
numerica f
/
(
1
2
) a
1
f(0) + a
2
f(
1
2
) sea exacta para las funciones 1
y x.
Ejercicio 10.4. Calcular a
1
y a
2
para que la regla de integraci on
numerica
_
1
0
f(x)dx a
1
f(0)+a
2
f(
1
2
) sea exacta para las funciones
1 y x.
2. Formulas de derivaci on numerica de tipo interpola-
torio
Dada una funci on real de variable real f : [a, b] Rpara la que
conocemos su valor en los puntos (distintos) x
0
, x
1
, . . . , x
n
[a, b], si
queremos calcular el valor f
/
(c) para alg un c (a, b) podemos utilizar
el polinomio de interpolaci on P de f en los puntos x
0
, x
1
, . . . , x
n

(es decir P(x) =

n
i=0
f
i
l
i
(x) en la forma de Lagrange) para dar la
aproximaci on:
f
/
(c) P
/
(c) =
n

i=0
f
i
l
/
i
(c) (5)
166
A la f ormula 5 se le llama de tipo interpolariorio porque se ha
obtenido derivando el polinomio de interpolaci on. Para esta se tiene
que f(x) = P(x) +E(x) siendo E(x) el error de interpolaci on. Si f es
derivable en c entonces el error E tambien sera derivable y se vericar a:
f
/
(c) =
n

i=0
f
i
l
/
i
(c) + E
/
(c) (6)
siendo el error R(f) = E
/
(c).
Llamando a
i
= l
/
i
(c) en la expresion 5 se tiene que esta formula es
del tipo 1.
Teorema 10.5 (Exactitud de las f ormulas de derivaci on
interpolatorias). La formula f
/
(c)

n
i=0
a
i
f(x
i
) es exacta para
todo polinomio de grado menor o igual que n si y solo si es de tipo
interpolatorio (o sea si a
i
= l
/
(c
i
) para 0 i n siendo l
i
(x) los
polinomios de base de Lagrange).
2.1. Formulas usuales de derivaci on numerica de tipo interpolatorio
que utilizan entre uno y cuatro puntos de interpolaci on
Un punto. Si se conoce el valor de f en un punto x
0
entonces
f
/
(c) 0.
Dos puntos. Si se conocen f(x
0
) y f(x
1
) entonces el polinomio de
interpolaci on es P(x) = f(x
0
) +f[x
0
, x
1
](xx
0
) y resulta la f ormula:
167
f
/
(c) f[x
0
, x
1
] =
f(x
1
) f(x
0
)
x
1
x
0
(7)
Frecuentemente se utiliza x
0
= c y x
1
= c+h con lo que la ecuaci on
anterior se escribe como:
f
/
(c)
f(c + h) f(c)
h
(8)
Si f es de clase C
2
en el intervalo [c, c + h] (o [c + h, c]) el error
puede expresarse en la forma
R(f) =
h
2
f
//
()
siendo un punto intermedio entre c y c + h. Para la prueba de esta
expresion del error basta con utilizar el desarrollo de Taylor.
Ejemplo 10.6. Presentamos un ejemplo realizado con Mathemat-
ica para la funci on f(x) = sen x + cos x + 5e
5x
. Ponemos a contin-
uacion el programa realizado con Mathematica as como los resul-
tados obtenidos en las 5 primeras operaciones. Tomamos el ori-
gen (c = 0) como el punto donde vamos a calcular las derivadas
numericas, as que el valor exacto de la derivada en dicho punto es
26. Este ejemplo se repetir a con los dem as metodos de derivaci on
numerica.
Programa en Mathematica:
168
f[x ] := Sin[x] + Cos[x] + 5Exp[5x];
c = 0.;
tolerancia = 10
20
;
itermax = 5;
derivadaexacto = f[c];
For[j := 1, j <= itermax,
h = 10
j
;
derivada = (f[c + h] f[c])/h;
Print[f(, c, ) es aproximadamente , InputForm[derivada],
para h=, N[10
j
], . El error cometido es: , derivadaexacto
- derivada, .];
If[Abs[derivadaexacto - derivada] < tolerancia, Print[La
precision buscada se alcanza al cabo de , j, iteraciones.];
Break[] ];
j = j + 1;
If[j > itermax, Print[Tras , j, iteraciones no se alcanza
la precisi on deseada.]; Break[]];
]
Resultados obtenidos:
169
1. f
/
(0) es aproximadamente 33,38443935425495 para h =
0,1. El error cometido es: 7,384439354254951.
2. f
/
(0) es aproximadamente 26,63053156309525 para h =
0,01. El error cometido es: 0,6305315630952499.
3. f
/
(0) es aproximadamente 26,06210413037946 para h =
0,001. El error cometido es: 0,06210413037945983.
4. f
/
(0) es aproximadamente 26,006201040127408 para h =
0,0001. El error cometido es: 0,006201040127407964.
5. f
/
(0) es aproximadamente 26,000620010346864 para h =
0,00001. El error cometido es: 0,0006200103468643192.
Tambien es frecuente utilizar los puntos x
0
= c h y x
1
= c + h
con lo que la f ormula 7 queda de la forma:
f
/
(c)
f(c + h) f(c h)
2h
(9)
en cuyo caso y suponiendo que f sea de clase C
3
en el intervalo [c
h, c + h] se tiene que el error se expresa mediante la expresion:
R(f) =
h
2
6
f
///
()
que se puede probar con el desarrollo de Taylor.
Ejemplo 10.7. Para esta eleccion de x
0
y x
1
y los mismos datos
170
que en el ejemplo anterior programamos la f ormula de derivaci on
numerica.
Programa en Mathematica:
f[x ] := Sin[x] + Cos[x] + 5Exp[5x];
c = 0.;
tolerancia = 10
20
;
itermax = 5;
derivadaexacto = f[c];
For[j := 1, j <= itermax,
h = 10
j
;
derivada = (f[c + h] f[c h])/(2h);
Print[f(, c, ) es aproximadamente , InputForm[derivada],
para h=, N[10
j
], . El error cometido es: , derivadaexacto
- derivada, .];
If[Abs[derivadaexacto - derivada] < tolerancia, Print[La
precision buscada se alcanza al cabo de , j, iteraciones.];
Break[] ];
j = j + 1;
If[j > itermax, Print[Tras , j, iteraciones no se alcanza
la precisi on deseada.]; Break[]];
171
]
Resultados obtenidos:
1. f
/
(0) es aproximadamente 27,053099441155652 para h=
0.1 . El error cometido es: 1,053099441155652.
2. f
/
(0) es aproximadamente 26,01040130224419 para h =
0,01. El error cometido es: 0,010401302244190447.
3. f
/
(0) es aproximadamente 26,000104000129642 para h =
0,001. El error cometido es: 0,00010400012964240091.
4. f
/
(0) es aproximadamente 26,000001039996334 para h =
0,0001. El error cometido es: 1,03999633438434110
6
.
5. f
/
(0) es aproximadamente 26,000000010384383 para h =
0,00001. El error cometido es: 1,0384383131167851
10
8
Tres puntos. Usando interpolaci on en los puntos x
0
, x
1
, x
2
se
obtiene el polinomio:
P(x) = f(x
0
) + f[x
0
, x
1
](x x
0
) + f[x
0
, x
1
, x
2
](x x
0
)(x x
1
)
y la aproximaci on:
172
f
/
(x) f[x
0
, x
1
]+f[x
0
, x
1
, x
2
][(xx
0
)+(xx
1
)]
(10)
y tomando x
0
= c, x
1
= c + h y x
2
= c + 2h se tiene:
f
/
(c)
f(c + 2h) + 4f(c + h) 3f(c)
2h
(11)
y el error admite la expresi on:
R(f) =
h
2
3
f
///
()
con intermedio entre c y c + 2h y siempre que f sea de clase C
3
en
un intervalo que contenga a c, c + h y c + 2h.
Ejemplo 10.8. Para la f ormula de derivaci on interpolatoria usan-
do tres puntos dada anteriormente, se programa en Mathematica
el metodo como sigue.
Programa en Mathematica:
f[x ] := Sin[x] + Cos[x] + 5Exp[5x];
c = 0.;
tolerancia = 10
20
;
itermax = 5;
derivadaexacto = f[c];
For[j := 1, j <= itermax,
173
h = 10
j
;
derivada = (f[c + 2h] + 4f[c + h] 3f[c])/(2h);
Print[f(, c, ) es aproximadamente , InputForm[derivada],
para h=, N[10
j
], . El error cometido es: , derivadaexacto
- derivada, .];
If[Abs[derivadaexacto - derivada] < tolerancia, Print[La
precision buscada se alcanza al cabo de , j, iteraciones.];
Break[] ];
j = j + 1;
If[j > itermax, Print[Tras , j, iteraciones no se alcanza
la precisi on deseada.]; Break[]];
]
Resultados obtenidos:
1. f
/
(0) es aproximadamente 22,91815345385226 para h =
0,1. El error cometido es: 3,081846546147741.
2. f
/
(0) es aproximadamente 25,978399939283037 para h =
0,01. El error cometido es: 0,0216000607169633.
3. f
/
(0) es aproximadamente 25,999791216673174 para h =
0,001. El error cometido es: 0,00020878332682627843.
174
4. f
/
(0) es aproximadamente 25,999997919221585 para h =
0,0001. El error cometido es: 2,080778415347595 10
6
.
5. f
/
(0) es aproximadamente 25,999999979120503 para h =
0,00001. El error cometido es: 2,087949724227655710
8
.
Cuatro puntos. En este caso lo m as usual es tomar x
0
= c
h, x
1
= c, x
2
= c + h y x
3
= c + 2h obteniendose la expresi on:
f
/
(c)
f(c + 2h) + 8f(c + h) 8f(c h) + f(c 2h)
12h
(12)
y el error toma la forma:
R(f) =
h
4
30
f
(v)
()
si f es de clase C
5
en un intervalo que contenga a c + 2h y c 2h.
Ejemplo 10.9. Para la f ormula de derivaci on interpolatoria us-
ando cuatro puntos dada anteriormente, se programa en Mathe-
matica el metodo como sigue.
Programa en Mathematica:
f[x ] := Sin[x] + Cos[x] + 5Exp[5x];
c = 0.;
tolerancia = 10
20
;
itermax = 5;
175
derivadaexacto = f[c];
For[j := 1, j <= itermax,
h = 10
j
;
derivada = (f[c + 2h] + 8f[c +h] 8f[c h] +f[c
2h])/h/12;
Print[f(, c, ) es aproximadamente , InputForm[derivada],
para h=, N[10
j
], . El error cometido es: , derivadaexacto
- derivada, .];
If[Abs[derivadaexacto - derivada] < tolerancia, Print[La
precision buscada se alcanza al cabo de , j, iteraciones.];
Break[] ];
j = j + 1;
If[j > itermax, Print[Tras , j, iteraciones no se alcanza
la precisi on deseada.]; Break[]];
]
Resultados obtenidos:
1. f
/
(0) es aproximadamente 25.946340423184086 h= 0.1 . El
error cometido es: 0.05365957681591382.
2. f
/
(0) es aproximadamente 25.999994789782992 h= 0.01 .
176
El error cometido es: 5,210217008055906 10
6
.
3. f
/
(0) es aproximadamente 25.99999999947829 h= 0.001 .
El error cometido es: 5,21708898304496 10
10
.
4. f
/
(0) es aproximadamente 25.999999999994174 h= 0.0001
. El error cometido es: 5,8264504332328215 10
12
.
5. f
/
(0) es aproximadamente 25.99999999995569 h= 0.00001
. El error cometido es: 4,430944500199985 10
11
.
2.2. Formulas de derivacion numerica de orden superior
Se obtienen mediante el mismo procedimiento que las anteriores, es
decir, derivando las veces necesarias el polinomio de interpolaci on. En
este caso es necesario que el n umero de puntos en los que interpolamos
sea estrictamente superior al orden de derivacion, si no obtendramos
que la derivada sera 0.
Caso k = 2 y tres puntos de interpolaci on: x
0
, x
1
, x
2
. En
este caso se tiene que:
f
//
(c) 2f[x
0
, x
1
, x
2
] (13)
Si tomamos puntos simetricos respecto al central x
0
= c h, x
1
=
c, x
2
= c + h, resulta:
177
f
//
(c)
f(c + h) 2f(c) + f(c h)
h
2
(14)
Si f es de clase C
4
en un intervalo que contenga a c h y c +h, se
puede escribir el error como:
R(f) =
h
2
12
f
(iv)
()
3. Formulas de integraci on numerica de tipo interpola-
torio
Las f ormulas de integraci on numerica de tipo interpolatorio son las
que se obtienen integrando el polinomio de interpolaci on. En concreto,
si se conoce f en x
i
, 0 i n, entonces:
f(x) = P(x) + E(x),
siendo P(x) el polinomio de interpolaci on de f en los puntos conocidos
y E(x) el error de interpolaci on correspondiente. Si f es integrable en
[a, b] se tiene
_
b
a
f(x)dx =
_
b
a
P(x)dx +
_
b
a
E(x)dx
y puesto que P(x) =

n
i=0
f(x
i
)l
i
(x) resulta:
_
b
a
f(x)dx =
n

i=0
__
b
a
l
i
(x)dx
_
f(x
i
) + R(f) (15)
178
deniendo a
i
=
_
b
a
l
i
(x)dx nos queda como la f ormula 3. Al igual que
en el parrafo anterior, se tiene el siguiente teorema:
Teorema 10.10 (Exactitud de las f ormulas de integraci on
interpolatorias). La formula
_
b
a
f(x)dx

n
i=0
a
i
f(x
i
) es exacta
para todo polinomio de grado menor o igual que n si y solo si
es de tipo interpolatorio (o sea si a
i
=
_
b
a
l
i
(x)dx para todo i
0, 1, . . . , n, siendo l
i
(x) los polinomios de base de Lagrange).
3.1. Formulas usuales de integraci on numerica de tipo interpolato-
rio cuando se conocen 1 y 2 puntos
Un punto x
0
. En este caso la formula de interpolaci on numerica
usando el punto x
0
se reduce a:
_
b
a
f(x)dx f(x
0
)(b a)
y en este caso el error de integracion numerica se puede expresar con
la relaci on:
R(f) =
_
b
a
f[x
0
, x](x x
0
)dx
Formula del rectangulo
En particular,si x
0
= a se tiene la formula del rect angulo:
179
_
b
a
f(x)dx f(a)(b a)
y si f es de clase C
1
en el intervalo [a, b] el error de integraci on ser a:
R(f) = f
/
()
(b a)
2
2
donde (a, b).
Ejemplo 10.11. Utilizaremos la f ormula del rect angulo para cal-
cular el valor aproximado de
_
4
3
(sen x+cos x+e
x
)dx = 33,278341730851935.
Para ello usamos el programa Mathematica.

Ordenes para Mathematica y resultados:


f[x ] := Sin[x] + Cos[x] + Exp[x];
Error[a , b ] := N[Abs[b a]];
FormulaRectangulo[g , a , b ] := g[a](b a)
FormulaRectangulo[f, 3, 4]//N
19,236664434647086
Error[FormulaRectangulo[f, 3, 4], Integrate[f[x], x, 3, 4]]
14,041677296204849
Formula del punto medio
Si x
0
=
a+b
2
se tiene la formula del punto medio:
180
_
b
a
f(x)dx f
_
a + b
2
_
(b a)
y si f es de clase C
2
en el intervalo [a, b] el error de integraci on ser a:
R(f) = f
//
()
(b a)
3
24
donde (a, b).
Ejemplo 10.12. Utilizaremos la f ormula del punto medio para cal-
cular el valor aproximado de
_
4
3
(sen x+cos x+e
x
)dx = 33,278341730851935.

Ordenes para Mathematica y resultados:


FormulaPuntoMedio[g , a , b ] := g[(a + b)/2](b a)
FormulaPuntoMedio[f, 3, 4]//N
31,8282120437119
Error[FormulaPuntoMedio[f, 3, 4], Integrate[f[x], x, 3, 4]]
1,4501296871400366
Dos puntos, x
0
y x
1
.
En este caso el polinomio de interpolaci on es:
P(x) = f(x
0
) + f[x
0
, x
1
](x x
0
)
y la integraci on de este polinomio dar a:
_
b
a
P(x)dx = f(x
0
)(b a) + f[x
0
, x
1
]
_
(b x
0
)
2
(a x
0
)
2
2
_
.
Si tomamos ahora x
0
= a y x
1
= b obtenemos la formula del trapecio:
181
_
b
a
f(x)dx
b a
2
(f(b) + f(a))
cuyo error se puede expresar, si f es de clase C
2
en el intervalo [a, b],
como:
R(f) =
(b a)
3
12
f
//
()
siendo un punto del intervalo (a, b).
Ejemplo 10.13. Utilizaremos la f ormula del trapecio para calcular
el valor aproximado de
_
4
3
(sen x+cos x+e
x
)dx = 33,278341730851935.

Ordenes para Mathematica y resultados:


Trapecio[g , a , b ] := (b a)/2(g[a] + g[b])
Trapecio[f, 3, 4]//N
36,2122
Error[Trapecio[f, 3, 4], Integrate[f[x], x, 3, 4]]
2,93384
3.2. Formulas de Newton-C otes
Son aquellas f ormulas de integraci on numerica de tipo interplatorio
en las que los puntos de interpolacion son equidistantes y dividen al
intervalo [a, b] en partes iguales.
182
Dado un n umero n N y deniendo h =
ba
n
podemos denir los
puntos en los que interpolaremos como:

x
0
= a,
x
i
= x
0
+ ih, 0 i n.
Estas f ormulas en las que se incluyen los puntos extremos de los inter-
valos se llaman f ormulas cerradas, aquellas en las que no se incluyen
los extremos se llaman abiertas. A continuaci on vemos las f ormulas
cerradas para tres cuatro y cinco puntos de interpolaci on:
Tres puntos. En este caso interpolaremos en los puntos a,
a+b
2
, b
y la f ormula resultante se llama formula de Simpson (una de las mas
usadas por su simplicidad y precisi on):
_
b
a
f(x)dx
b a
6
_
f(a) + 4f(
a + b
2
) + f(b)
_
El error correspondiente a esta f ormula es, si f es de clase C
4
en [a, b]:
R(f) = f
(iv)
()
h
5
90
= f
(iv)
()
(b a)
5
2880
donde (a, b) y en este caso h =
ba
2
.
De esta expresion del error se deduce que la f ormula de Simpson es
exacta para cualquier polinomio de grado menor o igual que 3.
Ejemplo 10.14. Utilizaremos la f ormula de Simpson para calcular
el valor aproximado de
_
4
3
(sen x+cos x+e
x
)dx = 33,278341730851935.
183

Ordenes para Mathematica y resultados:


Simpson[g , a , b ] := (b a)/6(g[a] + 4g[(a + b)/2] + g[b])
Simpson[f, 3, 4]//N
33,2895
Error[Simpson[f, 3, 4], Integrate[f[x], x, 3, 4]]
0,0111944
Cuatro puntos. En este caso interpolaremos en los puntos a,
2a+b
3
,
a+2b
3
, b
y la f ormula resultante es:
_
b
a
f(x)dx
b a
8
_
f(a) + 3f(
2a + b
3
) + 3f(
a + 2b
3
) + f(b)
_
El error correspondiente a esta f ormula es, si f es de clase C
4
en [a, b]:
R(f) = f
(iv)
()
3h
5
80
donde (a, b) y en este caso h =
ba
3
.
Ejemplo 10.15. Uso de la f ormula de Newton-C otes usando 4
puntos para calcular el valor aproximado de
_
4
3
(sen x + cos x +
e
x
)dx = 33,278341730851935.

Ordenes para Mathematica y resultados:


CotesCuatro[g , a , b ] := (b a)/8(g[a] + 3g[(2a +b)/3] +
3g[(a + 2b)/3] + g[b])
184
CotesCuatro[f, 3, 4]//N
33,2833
Error[CotesCuatro[f, 3, 4], Integrate[f[x], x, 3, 4]]
0,00499295
Cinco puntos. En este caso interpolaremos en los puntos x
0
=
a, x
1
= a + h, x
2
= a + 2h, x
3
= a + 3h, x
4
= b con h =
ba
4
y la
f ormula resultante es:
_
b
a
f(x)dx
b a
90
(7f
0
+ 32f
1
+ 12f
2
+ 32f
3
+ 7f
4
)
El error correspondiente a esta f ormula es, si f es de clase C
6
en [a, b]:
R(f) = f
(vi)
()
8h
7
945
donde (a, b).
Ejemplo 10.16. Uso de la f ormula de Newton-C otes usando 5
puntos para calcular el valor aproximado de
_
4
3
(sen x + cos x +
e
x
)dx = 33,278341730851935.

Ordenes para Mathematica y resultados:


CotesCinco[g , a , b ] := (b a)/90(7g[a] + 32g[a + (b
a)/4] + 12g[a + 2(b a)/4] + 32g[a + 3(b a)/4] + 7g[b])
CotesCinco[f, 3, 4]//N
185
33,2784
Error[CotesCinco[f, 3, 4], Integrate[f[x], x, 3, 4]]
0,0000179221
3.3. Formulas de cuadratura compuesta
La regla del trapecio compuesta.
El error de la regla del trapecio puede reducirse si utilizamos la regla
del trapecio compuesta, esta consiste en dividir el intervalo [a, b] en n
subintervalos de longitud h =
ba
n
y aplicar la regla del trapecio simple a
cada uno de los intervalos [a+jh, a+(j+1)h] con j 0, 1, . . . , n1.
Este metodo proporciona la aproximaci on:
_
b
a
f(x)dx
h
2
_
f(a) + 2

n1
i=1
f(a + ih) + f(b)
_
,
para esta aproximaci on el error que se comete, si f es de clase c
2
, es:
R(f) =
1
12
(b a)h
2
f
//
(c),
siendo c un punto del intervalo (a, b).
La regla de Simpson compuesta.
Al igual que en la regla del trapecio, si subdividimos el intervalo
[a, b] en n partes (con n n umero par) y aplicamos a cada una de ellas
la regla de Simpson, se obtiene una mejor aproximacion de la integral:
186
_
b
a
f(x)dx
h
3
_
f(a) + 2

n/2
i=2
f(a + 2(i 1)h) + 4

n/2
i=1
f (a + (2i 1)h) + f(b)
_
,
con un error, si f es de clase c
4
, dado por:
E =
1
180
(b a)h
4
f
(iv)
(c),
estando c en (a, b).
Ejemplo 10.17. Comparaci on del valor de
_
4
3
(sen x+cos x+e
x
)dx =
33,278341730851935 calculado usando las reglas del trapecio y Simp-
son compuestas haciendo n particiones del intervalo [3, 4], (2
n 50).
Programa de Mathematica:
TrapecioCompuesta[fun , a , b , n ] :=
integral = 0;
h = (b a)/n;
For[j = 0, j < n,
integral = integral+Trapecio[fun, a+hj, a+(j+1)h];
j = j + 1];
integral//N
Tambien se puede denir el metodo del trapecio compuesto en
Mathematica usando las formulas desarrolladas en la teora:
187
TrapecioCompuestaBis[fun , a , b , n ] :=
h = (b a)/n;
integral = (f[a] + f[b]) h/2;
For[j = 1, j <= n 1,
integral = integral + hf[a + jh];
j = j + 1];
integral//N
SimpsonCompuestaBis[fun
,
a
,
b
,
n
]
:=
h = (b a)/n;
integral = (f[a] + f[b]) h/3;
For[j = 1, j <= n/2,
integral = integral + 4h/3f[a + (2j 1)h];
j = j + 1];
For[j = 2, j <= n/2,
integral = integral + 2h/3f[a + 2(j 1)h];
j = j + 1];
integral//N
For[n = 2, n <= 50,
simpson = SimpsonCompuesta[f, 3, 4, n];
trapecio = TrapecioCompuesta[f, 3, 4, n];
188
exacto = Integrate[f[x], x, 3, 4];
errorsimpson = Error[simpson, exacto];
errortrapecio = Error[trapecio, exacto];
Print[Para n=, n, el valor aproximado por Simpson es:
,
InputForm[simpson], y por el trapecio: , InputForm[trapecio]];
Print[El error de Simpson es: , errorsimpson, y el del
trapecio: ,
errortrapecio];
n = n + 2;
]
Print[El valor exacto de la integral es: , InputForm[exacto
// N]]
Resultados obtenidos con Mathematica:
1. Para n = 2 el valor aproximado por Simpson es: 33,279058180108045
y por el trapecio: 34,02019810976089.
El error de Simpson es: 0,000716449 y el del trapecio: 0,741856.
2. Para n = 4 el valor aproximado por Simpson es: 33,278386777441625
y por el trapecio: 33,46434316252127.
El error de Simpson es: 0,0000450466 y el del trapecio: 0,186001.
189
3. Para n = 6 el valor aproximado por Simpson es: 33,27835063881905
y por el trapecio: 33,36105351045315.
El error de Simpson es: 8,907967109506032 10
6
y el del
trapecio 0,08271177960120712.
4. Para n = 8 el valor aproximado por Simpson es: 33,27834455048327
y por el trapecio: 33,32487587371154.
El error de Simpson es: 2,8196313290873576 10
6
y el del
trapecio 0,04653414285960866.
5. Para n = 10 el valor aproximado por Simpson es: 33,27834288598059
y por el trapecio: 33,308126180449406.
El error de Simpson es: 1,1551286529520866 10
6
y el del
trapecio 0,029784449597466844.
6. Para n = 12 el valor aproximado por Simpson es: 33,278342287970716
y por el trapecio: 33,29902635672758.
El error de Simpson es: 5,571187766673091 10
7
y el del
trapecio 0,020684625875641016.
7. Para n = 14 el valor aproximado por Simpson es: 33,278342031588494
y por el trapecio: 33,29353903317648.
190
El error de Simpson es: 3,007365545482088 10
7
y el del
trapecio 0,01519730232454708.
8. Para n = 16 el valor aproximado por Simpson es: 33,2783419071449
y por el trapecio: 33,28997738129034.
El error de Simpson es: 1,7629296666932248 10
7
y el del
trapecio 0,011635650438402534.
9. Para n = 18 el valor aproximado por Simpson es: 33,278341840913676
y por el trapecio: 33,28753544812954.
El error de Simpson es: 1,100617434968143 10
7
y el del
trapecio 0,00919371727760665.
10. Para n = 20 el valor aproximado por Simpson es: 33,27834180306481
y por el trapecio: 33,285788709597796.
El error de Simpson es: 7,221287989800373 10
8
y el del
trapecio 0,007446978745856425.
11. Para n = 22 el valor aproximado por Simpson es: 33,27834178017495
y por el trapecio: 33,28449630017032.
El error de Simpson es: 4,9323015671731696 10
8
y el del
trapecio 0,006154569318378433.
191
12. Para n = 24 el valor aproximado por Simpson es: 33,27834176567768
y por el trapecio: 33,28351330515993.
El error de Simpson es: 3,4825741179744796 10
8
y el del
trapecio 0,005171574307989202.
13. Para n = 26 el valor aproximado por Simpson es: 33,2783417561365
y por el trapecio: 33,28274829693282.
El error de Simpson es: 2,5284559113103455 10
8
y el del
trapecio 0,004406566080883634.
14. Para n = 28 el valor aproximado por Simpson es: 33,27834174965024
y por el trapecio: 33,282141281985496.
El error de Simpson es: 1,8798298695443805 10
8
y el del
trapecio 0,003799551133563339.
15. Para n = 30 el valor aproximado por Simpson es: 33,27834174511683
y por el trapecio: 33,281651570503875.
El error de Simpson es: 1,4264893932747214 10
8
y el del
trapecio 0,0033098396519430917.
16. Para n = 32 el valor aproximado por Simpson es: 33,27834174187124
y por el trapecio: 33,28125077568126.
192
El error de Simpson es: 1,1019305246051658 10
8
y el del
trapecio 0,00290904482931853.
17. Para n = 34 el valor aproximado por Simpson es: 33,278341739498465
y por el trapecio: 33,28091860547047.
El error de Simpson es: 8,646533045109095 10
9
y el del
trapecio 0,0025768746185359515.
18. Para n = 36 el valor aproximado por Simpson es: 33,27834173773128
y por el trapecio: 33,28064024271764.
El error de Simpson es: 6,8793422070001510
9
y el del trapecio
0,002298511865698627.
19. Para n = 38 el valor aproximado por Simpson es: 33,27834173639335
y por el trapecio: 33,2804046637003.
El error de Simpson es: 5,5414186572733115 10
9
y el del
trapecio 0,0020629328483703357.
20. Para n = 40 el valor aproximado por Simpson es: 33,27834173536551
y por el trapecio: 33,28020352969805.
El error de Simpson es: 4,513575957432181 10
9
y el del
trapecio 0,0018617988461169244.
193
21. Para n = 42 el valor aproximado por Simpson es: 33,27834173456529
y por el trapecio: 33,28003043881075.
El error de Simpson es: 3,713348517564441 10
9
y el del
trapecio 0,001688707958815483.
22. Para n = 44 el valor aproximado por Simpson es: 33,278341733934774
y por el trapecio: 33,27988041017379.
El error de Simpson es: 3,0828413155603585 10
9
y el del
trapecio 0,0015386793218492567.
23. Para n = 46 el valor aproximado por Simpson es: 33,27834173343264
y por el trapecio: 33,279749521588194.
El error de Simpson es: 2,5807007641986957 10
9
y el del
trapecio 0,001407790736261516.
24. Para n = 48 el valor aproximado por Simpson es: 33,27834173302867
y por el trapecio: 33,279634650548246.
El error de Simpson es: 2,1767287972096483 10
9
y el del
trapecio 0,001292919696306738.
25. Para n = 50 el valor aproximado por Simpson es: 33,27834173270066
y por el trapecio: 33,27953328627316.
194
El error de Simpson es: 1,8487280595280708 10
9
y el del
trapecio 0,0011915554212247326.
26. El valor exacto de la integral es: 33,278341730851935.
195
Bibliografa
[1] W. E. Boyce and R. C. Di Prima. Elementary Dierential equa-
tions (4
a
edicion). John Wiley & Sons, Nueva York, 1986.
[2] M. Braun. Dierential equations and their applications.
Springer-Verlag, Berln, 1993.
[3] L. Cassas us, F. Marcell an, and A. Zarzo. Ecuaciones diferenciales,
problemas lineales y aplicaciones. McGraw-Hill, Madrid, 1990.
[4] V. Jimenez. Ecuaciones diferenciales, c omo aprenderlas, c omo
ense narlas. Universidad de Murcia, Murcia, 2000.
196