Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cal Num Itis Apuntes PDF
Cal Num Itis Apuntes PDF
DE INGENIERIA INFORMATICA
Apuntes de
CALCULO NUMERICO
para la titulacion de
DE SISTEMAS
Portada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Contenido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1 Ecuaciones no lineales 7
1.1 Errores y condicionamiento en problemas numericos . . . . . . 8
1.2 Metodo y algoritmo de la biseccion: analisis de errores . . . . 12
1.3 Punto fijo e iteracion funcional . . . . . . . . . . . . . . . . . . 19
1.4 Analisis del metodo de Newton-Raphson . . . . . . . . . . . . 25
1.4.1 Metodo de Newton generalizado . . . . . . . . . . . . . 31
1.5 Un problema mal condicionado: ceros de un polinomio . . . . 34
1.5.1 Sucesiones de Sturm . . . . . . . . . . . . . . . . . . . 38
1.5.2 Algoritmo de Horner . . . . . . . . . . . . . . . . . . . 41
1.6 Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . . . . . 43
1.7 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . 54
3
4 Contenido
3 Interpolacion 141
3.1 Interpolacion polinomial . . . . . . . . . . . . . . . . . . . . . 142
3.1.1 Interpolacion de Lagrange . . . . . . . . . . . . . . . . 145
3.1.2 Interpolacion de Newton . . . . . . . . . . . . . . . . . 148
3.1.3 Interpolacion de Hermite . . . . . . . . . . . . . . . . . 157
3.2 Interpolacion por splines . . . . . . . . . . . . . . . . . . . . . 160
3.2.1 Splines cubicos . . . . . . . . . . . . . . . . . . . . . . 161
3.3 Ejercicios resueltos . . . . . . . . . . . . . . . . . . . . . . . . 164
3.4 Ejercicios propuestos . . . . . . . . . . . . . . . . . . . . . . . 168
Bibliografa 189
1. Ecuaciones no lineales
Metodos directos
Sin embargo, el siglo XIX, Abel probo que no existe ninguna formula equi-
valente (en termino de races) para resolver ecuaciones de grado superior a
cuatro.
7
8 Ecuaciones no lineales
Dado que cualquier algoritmo puede cometer errores, no solo por el algoritmo
en s, sino porque los datos pueden venir afectados de algun tipo de error
(redondeo, etc.) es muy importante el estudio de los distintos tipos de error
que puedan cometerse con vista a la fiabilidad de los resultados.
Observese que si solo disponemos del dato de que el error es, por ejemplo,
de 1m. no sabemos nada acerca de la fiabilidad del resultado, ya que no
es lo mismo decir que se ha cometido un error de un metro al medir la
altura de una persona que al medir la distancia entre dos galaxias.
por lo que aunque el error del dato sea muy pequeno, si la derivada f 0 (x) es
muy grande, el resultado obtenido f (x) puede diferir mucho del valor exacto
f (x).
Para el problema inverso, es decir conocido f (x) buscar el valor de x (resolver
una ecuacion) se tendra que
1
|x x| ' |f (x) f (x)|
|f 0 (x)|
por lo que si |f 0 (x)| fuese muy pequeno el error de la solucion puede ser muy
grande.
Ademas el problema no esta en el algoritmo que se aplique para evaluar f (x)
sino en el propio problema a resolver.
(x) = |f 0 (x)|
10 Ecuaciones no lineales
Si, por el contrario los errores que se producen en los distintos pasos no alteran
de forma significativa el resultado del problema, diremos que el algoritmo es
estable.
a+1
I0 = ln
a
Algoritmo
1
In = aIn1
n
11
Sin embargo, dado que para a = 10 es I0 = ln = 0.09531017980432 . . .
10
y el numero 0.09531017980432 . . . no podemos introducirlo en el ordenador
de manera exacta, debemos cometer algun error introduciendo un numero
aproximado I 0 de tal forma que cometemos un error inicial 0 = |I 0 I0 |.
El error n que se cometera al calcular In vendra dado por
1 1
n = |I n In | = aI n1 ( aIn1 ) = | a(I n1 In1 )| = |a|n1
n n
es decir,
n = |a|n1 = |a|2 n2 = = |a|n 0
por lo que si tomamos las 10 primeras cifras decimales de I0 , es decir, si
tomamos
I 0 = 0.0953101798 con 0 < 1010
obtendremos un error en la decima iteracion
en otras palabras,
a1 + b 1
Tomando el punto medio x1 =
2
Algoritmo de la biseccion
ai + b i
Para i = 1, . . . , n, . . ., Ii = [ai , bi ] y mi = (punto medio de Ii ) con
2
[ai , mi ] si sig(f (ai )) 6= sig(f (mi ))
I1 = [a, b] y Ii+1 =
[mi , bi ] si sig(f (bi )) 6= sig(f (mi ))
Algoritmo de la Biseccion
while (b-a)/2>
m = a+(b-a)/2;
if f(m) == 0
a = m;
b = m;
end
if sign f(a) == sign f(m)
a = m;
else
b = m;
end
end
m
ba af (b) bf (a)
c = b f (b) =
f (b) f (a) f (b) f (a)
Si son f (c) y f (b) los que tienen signos contrarios, la raz esta en el
intervalo [c, b].
c = a;
while abs f(c)>
c = (a*f(b)-b*f(a))/(f(b)-f(a));
if f(c) == 0
a = c;
b = c;
end
if sign f(a) == sign f(c)
a = c;
else
b =c;
end
end
c
16 Ecuaciones no lineales
Error a posteriori
f (x)
f (x)
x x
xn
f (x)
f (x)
x x
xn
f (x) f (xn )
= f 0 (c).
x xn
18 Ecuaciones no lineales
f (xn )
Como f (x) = 0, nos queda que x xn = , obteniendose:
f 0 (c)
)
|f (xn )| |f (xn )| |f (xn )| (x, xn )
n = 0 0 con (a, b)
|f (c)| mn |f (x)| mn |f 0 (x)| (xn , x)
(x, xn ) x(a,b)
x (xn , x)
es decir, puede que obtengamos por ejemplo que f (xn ) = k y sin embargo su
verdadero valor difiera mucho de k debido a la fuerte pendiente existente en
dicho punto, con lo que obtendremos una cota erronea del error.
Debemos, por tanto, asegurarnos de que nuestro problema esta bien condicio-
nado, es decir, no existen en el intervalo pendientes muy grandes (condiciona-
miento directo) ni muy pequenas (condicionamiento inverso) para garantizar
la fiabilidad del error a posteriori.
Sea (x) una funcion continua en [a, b], derivable en (a, b), con ([a, b]) [a, b]
tal que |0 (x)| q < 1 x [a, b], y sea x0 un punto cualquiera del intervalo
[a, b]. La sucesion
Demostracion.
Convergencia
(
[xn , xn+1 ]
xn+1 xn = (xn ) (xn1 ) = (xn xn1 )0 (c) con c
[xn+1 , xn ]
por lo que
|x2 x1 | q|x1 x0 |
|x3 x2 | q|x2 x1 | q 2 |x1 x0 |
..
.
|xn+1 xn | q n |x1 x0 |
..
.
S1 = x 0
S2 = x0 + (x1 x0 ) = x1
..
.
Sn+1 = Sn + (xn xn1 ) = xn
..
.
es decir
Unicidad
|x x0 |(1 |0 (c)|) = 0
y dado que |0 (c)| q < 1 = 1 |0 (c)| =
6 0, obtenemos que
0 0
|x x | = 0 y, por tanto, que x = x .
Dependiendo de los valores que toma 0 (x) en el intervalo [a, b], podemos
distinguir cuatro casos:
pudiendose observar (vease la Fig. 1.4) que en los casos (a) y (d) la sucesion
resulta ser divergente ya que |0 (x) > 1|.
En los casos (b) y (c), en los que |0 (x)| q < 1 el metodo converge
monotonamente en (b) y de forma oscilatoria en (c).
2 2 2
|0 (x)| = 2
2 = para cualquier x [1, 2]
(1 + x) 3 9
podemos garantizar que partiendo de x0 = 1 el metodo convergera a la raz
cuadrada de 3 y que el error a posteriori sera fiable.
3 + xn
As pues, partiendo de x0 = 1 y haciendo xn+1 = obtenemos:
1 + xn
x1 = 2 x14 = 1.73205079844084
x2 = 1.66666666666667 x15 = 1.73205081001473
x3 = 1.75000000000000 x16 = 1.73205080691351
x4 = 1.72727272727273 x17 = 1.73205080774448
x5 = 1.73333333333333 x18 = 1.73205080752182
x6 = 1.73170731707317 x19 = 1.73205080758148
x7 = 1.73214285714286 x20 = 1.73205080756550
x8 = 1.73202614379085 x21 = 1.73205080756978
x9 = 1.73205741626794 x22 = 1.73205080756863
x10 = 1.73204903677758 x23 = 1.73205080756894
x11 = 1.73205128205128 x24 = 1.73205080756886
x12 = 1.73205068043172 x25 = 1.73205080756888
x13 = 1.73205084163518 x26 = 1.73205080756888
|f (xn )|
El error vendra dado por n < donde f (x) = x2 3, por lo que
mn |f 0 (x)|
x[1,2]
|x226 3|
26 < = 4.884981308350688 1015 < 1014
2
es decir, 3 = 1.73205080756888 con todas sus cifras decimales exactas.
Orden de convergencia
x 1
(x) = en [1, 1] es contractiva ya que |0 (x)| = < 1 x [1, 1]
2 2
x0 = 1 = x1 = 0.5 x2 = 0.25 x3 = 0.125 = x4 = 0.0625
x2 0
x 1
(x) = en [1, 1] es contractiva: | (x)| = < 1 x [1, 1]
4 2 2
x0 = 1 x1 = 0.25 x2 = 0.015625 x3 = 6.105 . . . 105
x3
2
x 1
(x) = en [1, 1] es contractiva: |0 (x)| = < 1 x [1, 1]
6 2 2
Como elegir una funcion de iteracion (x) que nos garantice una convergen-
cia, al menos, de segundo orden?
f (xn )
Si partiendo de x0 [a, b] la sucesion (xn ) con xn+1 = (xn ) = xn
f 0 (xn )
converge entonces (x) es contractiva.
Ademas:
f (lim xn ) f (lim xn )
lim xn+1 = lim xn 0
= = 0 = f (lim xn ) = 0
lim f (xn ) lim f 0 (xn )
es decir, lim xn = x.
y = f (x)
x
x2 x1 x0
Orden de convergencia
f (x)
Si el metodo converge, (x) = x es contractiva y ademas
f 0 (x)
f 02 (x) f (x)f 00 (x) f (x)f 00 (x)
0 (x) = 1 = con f 0 (x) 6= 0 = 0 (x) = 0
f 02 (x) f 02 (x)
1 n max |f 00 (x)|
n (k0 )2 con k
k 2 mn |f 0 (x)|
lo que nos proporciona una cota del error a priori, pudiendose garantizar la
1
convergencia siempre que k0 < 1 es decir, si 0 .
k
Algoritmo
Una vez realizado un estudio previo para ver que se cumplen las condiciones
que requiere el metodo, establecer el valor inicial x0 y calcular el valor de
m = mn |f 0 (x)|, el algoritmo, que tiene por entradas los valores de a, b, x, ,
x[a,b]
f (x) y m y por salida la raz x, es el siguiente:
Algoritmo de Newton
e = abs (f(x)/m);
while e>
x = x-f(x)/f0 (x);
e = abs (f(x)/m);
end
x
28 Ecuaciones no lineales
x2 3 x2 + 3
f (xn ) 1 3
xn+1 = xn 0 = xn n = n = xn +
f (xn ) 2xn 2xn 2 xn
x0 =2
x1 = 1.75000000000000
x2 = 1.73214285714286
x3 = 1.73205081001473
x4 = 1.73205080756888
|f (xn )|
El error vendra dado, al igual que en el Ejemplo 1.3 por n < ,
mn |f 0 (x)|
x[1,2]
por lo que
|x24 3|
4 < = 4.884981308350688 1015 < 1014
2
es decir, 3 = 1.73205080756888 con todas sus cifras decimales exactas.
1 A
La formula xn+1 = xn + es conocida como formula de Heron ya que
2 xn
este matematico la utilizaba para aproximar la raz cuadrada de un numero
real positivo A hacia el ano 100 a.C. pues saba que si dispona de un valor
aproximado xn y este fuese mayor que la raz buscada, necesariamente A/xn
sera menor que su raz y viceversa, por lo que la media entre ambos deba ser
una mejor aproximacion que xn . En otras palabras, en cada iteracion tomaba
como aproximacion de la raz la media aritmetica entre el valor xn anterior y
el cociente A/xn .
Analisis del metodo de Newton-Raphson 29
9
x1 x0
x x2
y = f (x)
x x0 x1
Por otra parte, como no nos interesa que x0 este situado cerca de un extremo
local, vamos a estudiar los diferentes casos con que podemos encontrarnos
y elegir, en cada uno de ellos, un valor adecuado para x0 (aquel que no se
encuentre cercano a un extremo local).
Analisis del metodo de Newton-Raphson 31
a a b b
b b a a
Observese que en cualquiera de los cuatro casos (vease la Figura 1.8) hemos
optado por elegir, como valor inicial x0 , el extremo en el que la funcion tiene
el mismo signo que su segunda derivada.
Este resultado, que formalizamos a continuacion en forma de teorema es co-
nocido como regla de Fourier.
Sea f (x) una funcion continua y dos veces derivable [a, b]. Si sig f (a) 6= sig f (b)
y sus dos primeras derivadas f 0 (x) y f 00 (x) no se anulan en [a, b] existe una
unica raz de la ecuacion f (x) = 0 en dicho intervalo y se puede garantizar la
convergencia del metodo de Newton tomando como valor inicial x0 el extremo
del intervalo en el que la funcion y su segunda derivada tienen el mismo signo.
f (x)
La raz x de f (x) tambien lo es de g(x) = pero con la particularidad
f 0 (x)
de que
g(x)
(x) = x
g 0 (x)
verifica que 0 (x) y 00 (x) tienden a cero cuando x lo hace a x, por lo
que al aplicar el metodo de Newton a la funcion g(x) obtenemos x con
una convergencia de, al menos, tercer orden.
Este proceso tiene el inconveniente de que si f (x) es, por ejemplo, un
polinomio, g(x) es una funcion racional, por lo que se complican los
calculos.
f (xn )
xn+1 = xn k (1.3)
f 0 (xn )
y=x
y = sen x
-1
0 1
x0 = 1
.....................
f 0 (x10 ) = 0.0001 . . .
x10 = 0.016822799 . . . f 00 (x10 ) = 0.016 . . .
f 000 (x ) = 0.9998 . . .
10
.....................
f 0 (x20 ) = 0.00000001 . . .
x20 = 0.0000194 . . . f 00 (x20 ) = 0.0019 . . .
f 000 (x ) = 0.9999 . . .
20
Como la convergencia es muy lenta, hace pensar que se trata de una raz
multiple. Ademas, como la primera y la segunda derivadas tienden a cero y
la tercera lo hace a 1, parece que nos encontramos ante una raz triple, por lo
que aplicamos el metodo generalizado de Newton.
xn sen xn
xn+1 = xn 3
1 cos xn
que comenzando, al igual que antes, por x0 = 1 se obtiene:
x0 =1
x1 = 0.034 . . .
x2 = 0.000001376 . . .
x3 = 0.00000000000009 . . .
Por el teorema fundamental del Algebra sabemos que Pn (x) posee n races y,
por tanto, puede ser factorizado de la forma
Pn (x) = a0 (x x1 )(x x2 ) (x xn )
por lo que
P (x)
Q(x) = = a0 (x x1 )(x x2 ) (x xk )
D(x)
Es decir, hemos encontrado un polinomio cuyas races son las mismas que las
de P (x) pero todas ellas simples.
por lo que
P (x)
Q(x) = = x3 3x + 2 = (x 1)(x 2)
D(x)
que tiene las mismas races que P (x) pero todas simples.
Si ya conocemos que una ecuacion solo tiene races simples y queremos calcu-
larlas, parece apropiado que un primer paso consista en detectar donde pueden
encontrarse. As por ejemplo, si son reales, determinar intervalos de una am-
plitud reducida en los que se encuentren las races de la ecuacion.
se verifica que:
A
|x| < 1 + siendo A = max |ai |
|a0 | i1
A
|x| < 1 + con |x| > 1
|a0 |
Es evidente que esta cota tambien la verifican las races x con |x| < 1.
Un problema mal condicionado: ceros de un polinomio 37
Consideremos la ecuacion
por lo que cualquier raz real del polinomio debe estar en el intervalo (13, 13).
Aplicando la regla de Laguerre obtenemos:
2 9 1 24 12
4 8 4 20 16
2 1 5 4 28
2 9 1 24 12
5 10 5 20 240
2 1 4 48 252
ecuacion deba tener alguna raz en el intervalo (4, 5). En otras palabras, 4
puede ser una cota superior para las races positivas de la ecuacion aunque la
regla de Laguerre no lo garantice. De hecho, la mayor de las races positivas
de nuestra ecuacion es x = 3.56155281280883 . . . < 4.
Si fi (c) = 0 entonces fi1 (c) y fi+1 (c) tienen signos opuestos, es decir,
fi1 (c) fi+1 (c) < 0. (Engloba al apartado anterior).
f0 (x)
Si f0 (c) = 0 con c [a, b] entonces pasa de negativa a positiva
f1 (x)
en c. (Esta bien definida en c por ser f1 (c) 6= 0 y es creciente en dicho
punto).
Para determinar las demas funciones de la sucesion vamos dividiendo fi1 (x)
entre fi (x) para obtener
Ejemplo 1.9 Vamos a construir una sucesion de Sturm que nos permita se-
parar las races de la ecuacion x4 + 2x3 3x2 4x 1 = 0.
f0 (x) = x4 + 2x3 3x2 4x 1. f00 (x) = 4x3 + 6x2 6x 4.
f1 (x) = 2x3 + 3x2 3x 2.
f2 (x) = 9x2 + 9x + 2.
f3 (x) = 2x + 1.
f4 (x) = 1.
3 2 1 0 1 2 +
4 3 2
f0 (x) = x + 2x 3x 4x 1 + + + +
f1 (x) = 2x3 + 3x2 3x 2 0 + 0 + +
2
f2 (x) = 9x + 9x + 2 + + + + + + + +
f3 (x) = 2x + 1 + + + +
f4 (x) = 1 + + + + + + + +
cambios de signo 4 4 3 3 1 1 0 0
Un problema mal condicionado: ceros de un polinomio 41
Sabemos, por ello, que existe una raz en el intervalo (3, 2), dos races en
el intervalo (1, 0) y una cuarta raz en el intervalo (1, 2).
Como f0 (1) = 1 < 0, f0 (0.5) = 0.0625 > 0 y f0 (0) = 1 < 0 podemos
separar las races existentes en el intervalo (1, 0) y decir que las cuatro races
de la ecuacion dada se encuentran en los intervalos
Si, una vez eliminadas las races multiples y separadas las races, queremos
resolver la ecuacion, utilizaremos el metodo de Newton.
Al aplicarlo nos encontramos con que tenemos que calcular, en cada paso, los
valores de P (xn ) y P 0 (xn ) por lo que vamos a ver, a continuacion, un algo-
ritmo denominado algoritmo de Horner que permite realizar dichos calculos
en tiempo lineal.
Algoritmo de Horner
P (x) P (x0 )
= Q(x) = b0 xn1 + b1 xn2 + + bn2 x + bn1
x x0
se tiene que
b 0 = a0
b 1 = a1 + x 0 b 0
b 2 = a2 + x 0 b 1
..
.
bn1 = an1 + x0 bn2
r = P (x0 ) = an + x0 bn1
se tiene que
P 0 (x0 ) = Q(x0 )
y el calculo de Q(x0 ) es analogo al que hemos realizado para P (x0 ), es decir,
aplicando el algoritmo de Horner a Q(x) obtenemos
Regla de Ruffini
Una regla util para hacer los calculos a mano es la conocida regla de Ruffini
que consiste en disponer las operaciones como se indica a continuacion.
a0 a1 a2 an1 an
x0 x0 b0 x0 b1 x0 bn2 x0 bn1
b0 b1 b2 bn1 P (x0 )
Ejercicios resueltos 43
Si utilizamos la regla de Ruffini solo tenemos que volver a dividir por x0 , como
se muestra a continuacion, para obtener el valor de P 0 (x0 ).
a0 a1 a2 an2 an1 an
x0 x0 b0 x0 b1 x0 bn3 x0 bn2 x0 bn1
c0 c1 c2 cn2 P 0 (x0 )
2 1 3 4 5
2 4 10 14 36
2 5 7 18 31
2 4 18 50
2 9 25 68
por lo que
P (2) = 31 y P 0 (2) = 68
Solucion:
Para x < 0:
1 1
<0 y ex > 0 = ex 6=
x x
y por tanto, no existen races negativas.
Para x > 0:
(
f (0) = 1 < 0
f (x) = xex 1 =
f (+) = + > 0
y existe, por tanto, un numero impar de races positivas (al menos una).
b) Metodo de la biseccion:
(
f (0) = 1 < 0
[a1 , b1 ] = [a, b] = [0, 1] con
f (1) = e 1 > 0
Ejercicios resueltos 45
c) Metodo de Newton:
f (xn )
La formula de Newton-Raphson es xn+1 = xn
f 0 (xn )
Dado que, por el apartado anterior, se conoce que la raz se encuentra
en el intervalo [0.5625, 0.5703125] y que
f (0.5625) < 0
f (x) = xex 1 =
f (0.5703125) > 0
f 0 (x) = (x + 1)ex = f 0 (x) > 0 x [0.5625, 0.5703125]
f 00 (x) = (x + 2)ex = f 00 (x) > 0 x [0.5625, 0.5703125]
es decir
|f (xn )| |f (xn )|
n 0 <
mn |f (x)| 2.74
x[0.5625,0.5703125]
46 Ecuaciones no lineales
obteniendose que
|f (x0 )|
x0 = 0.5703125 con 0 < = 0.00320437856505 . . .
2.74
|f (x1 )|
x1 = 0.56715149835900 . . . con 1 < = 0.00000827757122 . . .
2.74
Por lo que la solucion de la ecuacion es 0.567 con sus tres cifras decimales
exactas.
Ejercicio 1.2 Probar que la ecuacion x2 + ln x = 0 solo tiene una raz real y
hallarla, por el metodo de Newton, con 6 cifras decimales exactas.
Puede observarse que solo existe un punto de corte entre ellas, por lo que la
ecuacion x2 + ln x = 0 solo posee una raz real.
Analticamente hay que probar que las graficas no vuelven a cortarse en ningun
otro punto, sin embargo, dado que en su dominio de definicion, que es (0, +),
ln x es creciente y x2 decreciente, no pueden volver a cortarse.
Partiendo de x0 = 0.1 y aplicando el metodo de Newton, en el intervalo (0.1, 1)
(no tomamos (0, 1) por no estar definido el logaritmo en 0), dado por la formula
|f (xn )| |f (xn )|
con un error, a posteriori, dado por n 0 = , obtenemos:
mn |f (x)| 2
x(0,1)
Solucion:
a)
3
|x| < 1 + = 4 = 4 < x < 4
1
b) f0 (x) = P (x) = x3 + 3x2 + 2.
P 0 (x) = 3x2 + 6x = f1 (x) = x2 + 2x
x3 + 3x2 + 2 = (x2 + 2x)(x + 1) + (2x + 2) = f2 (x) = x 1
x2 + 2x = (x 1)(x + 3) + 3 = f3 (x) = 1
4 3 4
3 2
x + 3x + 2 + +
x2 + 2x + + +
x1 +
1
Cambios de signo 2 1 1
por lo que solo posee una raz real, la cual se encuentra en el intervalo
(4, 3).
f (4) = 14 < 0
3 2
c) f (x) = x + 3x + 2 = es decir, la funcion
f (3) = 2 > 0
cambia de signo en los extremos del intervalo (4, 3).
por lo que se verifican las hipotesis del teorema de Fourier y, por tanto,
tomando como valor inicial x0 = 4 (extremo en el que la funcion tiene
el mismo signo que la segunda derivada) se tiene garantizada la conver-
gencia del metodo de Newton.
f (xn ) x3n + 3x2n + 2
d) Dado que xn+1 = xn = x n se obtiene que
f 0 (xn ) 3x2n + 6xn
xn+1 = 3.19582334575880.
Ejercicio 1.5 Aplicar el metodo de Sturm para separar las races de la ecua-
cion
2x6 6x5 + x4 + 8x3 x2 4x 1 = 0
y obtener la mayor de ellas con seis cifras decimales exactas por el metodo de
Newton.
f4 (x) = x2 x 1
Dividimos ahora f3 (x) entre f4 (x), obteniendo:
Al haber llegado a un resto nulo sabemos que la ecuacion original tiene races
multiples.
El maximo comun divisor entre P (x) y su derivada es f4 (x) = x2 x 1,
por lo que el polinomio cuyas races son las mismas que las de P (x) solo que
simples es
P (x)
Q(x) = 2 = 2x4 4x3 x2 + 3x + 1
x x1
Debemos, ahora, de construir una sucesion se Sturm para Q(x).
A
Dado que |x| < 1 + , donde A = 4 y |a0 | = 2, se tiene que |x| < 3, o lo que
|a0 |
es lo mismo, 3 < x < 3.
3 1 0.5 0 1 1.5 2 3
4 3 2
2x 4x x + 3x + 1 + + + + + +
6x3 9x2 x + 2 + + + +
g2 (x) = 13x2 13x 8 + + + + + +
2x 1 + + + +
1 + + + + + + + +
Cambios de signo 4 4 3 2 2 1 0 0
La mayor de las races se encuentra en el intervalo [1.5, 2], pero dado que
Q0 (1.5) = 0 podemos tomar el intervalo [1.6, 2] en el cual:
(
Q(1.6) < 0
Q(x) = 2x4 4x3 x2 + 3x + 1
Q(2) > 0
Q0 (x) = 8x3 12x2 2x + 3 > 0 x [1.6, 2]
x0 =2
x1 = 1.8
x2 = 1.684726867
x3 = 1.632243690
x4 = 1.618923782 = 4 0.01841
x5 = 1.618037855 = 5 0.0011
x6 = 1.618033989 = 6 0.0000047
x7 = 1.618033989 = 7 0.885 1010
Ejercicio 1.6 En este ejercicio se pretende calcular 10 1 por el metodo de
Newton. Consideramos, para ello, la funcion f (x) = x10 1 cuya grafica se da
en la Figura 1.
Fig. 1 Fig. 2
Ejercicios resueltos 53
a) Probar, analticamente, que en el intervalo [0.5, 1.5] posee una unica raz
real.
b) Si tomamos x0 = 0.5 obtenemos la raz x = 1 en la iteracion numero 43,
mientras que si tomamos x0 = 1.5 se consigue el mismo resultado en la
iteracion numero 9. Como podramos haber conocido a priori el valor
que se debe elegir para x0 ?
c) Sabras justificar el porque de la extremada lentitud de la convergencia
cuando iniciamos el proceso en x0 = 0.5? y por que sigue siendo lento
el proceso si comenzamos en x0 = 1.5? Justifica las respuestas.
d) Dado que en el intervalo [0.5, 1.5] no se anula la funcion x5 , las races de
f (x) son las mismas que las de g(x) = f (x)/x5 = x5 x5 cuya grafica
se da en la Figura 2. Se puede aplicar a g(x) la regla de Fourier en
dicho intervalo?
e) Si resolvemos, por el metodo de Newton, la ecuacion g(x) = 0, se
obtendra la raz con mayor rapidez que cuando lo hicimos con f (x) = 0?
Justifica la respuesta sin calcular las iteraciones.
Solucion:
g 00 (0.5) < 0
d) g 0 (x) = 5x4 + 5x6 y g 00 (x) = 20x3 30x7 con
g 00 (1.5) > 0
por lo que no puede aplicarse la regla de Fourier en dicho intervalo. (Si
reducimos el intervalo a [0.5, 1.01] si podemos aplicarla, obteniendo que
debemos tomar x0 = 0.5).
a) Probar, mediante una sucesion de Sturm, que posee una unica raz en el
intervalo (6, 7).
1
x = F (x) = (x3 6x2 + 7),
3
podemos asegurar su convergencia?
Sol : a = 0.
c) Cual de los extremos del intervalo [a, a + 1] debe tomarse como valor
inicial para asegurar la convergencia del metodo de Newton?
Sol : x0 = a = 0.
Sol : x = 0.500562.
a) Acotar las races y construir una sucesion de Sturm para probar que solo
posee dos races reales, una positiva y otra negativa, dando intervalos de
amplitud 1 que las contengan.
c) Aplicar Fourier para determinar el valor inicial que debe tomarse para
garantizar la convergencia del metodo de Newton en el calculo de la raz
negativa. Tenemos las tres cifras exactas si tomamos como raz -4.646 ?
a) Puede carecer de races reales? y tener dos y solo dos races reales?
b) Utilizar el metodo de Sturm para probar que tiene una unica raz real
si, y solo si, k < 0 o k > 4, y que solo tiene races multiples si k = 0 o
k = 4 no existiendo, en ningun caso, una raz triple.
c) Para k = 4 admite una unica raz real en el intervalo [0, 1]. Si tomamos
como valor aproximado de la raz x = 0.3553 de cuantas cifras decimales
exactas disponemos?
Sol : x0 = 1, x2 = 0.365079 . . ..
Q(x) = x3 3x2 3x + 2
Sol : S, x0 = 1.3.
Ejercicio 1.13
Cuando dos races positivas de una ecuacion polinomica estan muy proximas,
suele ser difcil separarlas mediante intervalos cerrados. Para alejarlas se
puede proceder como sigue:
Se obtiene as una ecuacion polinomica cuyas races son los cuadrados de las
races de la ecuacion P (x) = 0. La relacion entre las races de la nueva
ecuacion con las de P (x) = 0 es i2 j2 = (i + j )(i j ). As, se observa
que las nuevas races se alejan (o se acercan) i + j veces mas que las races
de P (x) = 0.
Si este procedimiento se aplica dos veces se obtiene una ecuacion de la forma
(t 14 ) (t n4 ) = 0
Sea la ecuacion P (x) = 2x2 9x + 10 = 0, y sea Q(x) = 0 la ecuacion obtenida
al aplicar dos veces el metodo anteriormente descrito. Se pide:
d.1) Encontrar un intervalo [a, b] que solo contenga a la mayor raz real
de esta ecuacion y en donde se verifiquen las hipotesis de la regla
de Fourier.
Ejercicio 1.14
Sol : x2 = 4.78799912600669
Ejercicios propuestos 59
Sol : S.
2. Sistemas de ecuaciones linea-
les
kx yk kxk kyk
61
62 Sistemas de ecuaciones lineales
n
X
Norma-1 kxk1 = |xi |
i=1
v
u n
uX
Norma eucldea o Norma-2 kxk2 = t |xi |2
i=1
d(x, y) = d(y, x) x, y E.
d(x, y) = kx yk
d(x, y) = 0 kx yk = 0 kx yk = 0 x = y.
d(x, y) = kx yk = kx z + z yk kx zk + kz yk =
lim kvk vk = 0
k
Esta definicion coincide con la idea intuitiva de que la distancia de los vectores
de la sucesion al vector lmite v tiende a cero a medida que se avanza en la
sucesion.
Se define
kAxk
kAk = max = max{kAxk : kxk = 1}
xV {0} kxk
de tal forma que a cada norma vectorial se le asociara, de forma natural, una
norma matricial.
Como ahora se dara el maximo en un vector que tenga todas sus coor-
denadas iguales a 1, se tiene que
n
X
kAk = max |aij |.
i
j=1
Tenemos pues, que las normas asociadas (algunas veces llamadas subordinadas)
a las normas de vector estudiadas anteriormente son:
n
X
Norma-1 kAk1 = max |aij |.
j
i=1
n
X
Norma infinito kAk = max |aij |.
i
j=1
1 1 2
Ejemplo 2.2 Para la matriz A = 2 1 1 se tiene:
1 0 1
n
X
kAk1 = max |aij | = max{(1 + 2 + 1), (1 + | 1| + 0), (2 + 1 + 1)} = 4
j
i=1
6 1 5
T
El polinomio caracterstico de la matriz A A = 1 2 1 es
5 1 6
p() = 3 142 + 33 = ( 3)( 11)
Los autovalores de la matriz AT
A son0, 3 y 11, por lo que los valores
singulares de la matriz A son 0, 3 y 11 y, por tanto,
kAk2 = max i = 11
i
66 Sistemas de ecuaciones lineales
n
X
kAk = max |aij | = max{(1 + 1 + 2), (2 + | 1| + 1), (1 + 0 + 1)} = 4
i
j=1
kAkF = tr AT A = 6+2+6= 14.
Demostracion.
Como los valores singulares de la matriz A son las races cuadradas posi-
tivas de los autovalores de A A y los de A las races cuadradas positivas
de los autovalores de AA (los mismos que los de A A), las matrices A
y A poseen los mismos valores singulares.
Demostracion.
kU xk2 kxk2
kU k2 = max = max =1
xV {0} kxk2 xV {0} kxk2
(A) = max |i |
i
Teorema 2.7 El radio espectral de una matriz es una cota inferior de todas
las normas multiplicativas de dicha matriz.
3 1 1
Ejemplo 2.3 La matriz A = 0 2 1 es de diagonal dominante por
2 1 5
verificar que
3>1+1 2>0+1 y 5 > 2 + | 1| = 3
n n
X i X
|akk | |aki | |aki |
k
i=1 i=1
i 6= k i 6= k
Cn = {z : |z ann | rn }
n
[
Demostracion. Si 6 Ci es porque 6 Ci para ningun i = 1, 2, . . . , n,
i=1
por lo que
| a11 | > r1
| a22 | > r2
..
.
| ann | > rn
0 2 3
Ejemplo 2.4 Dada la matriz A = 2 8 2 , sus crculos de Gerschgorin
2 0 10
Sistemas de ecuaciones lineales 71
C1 = {z : |z 0| 5}
C2 = {z : |z 8| 4}
C3 = {z : |z 10| 2}
C1 = {z : |z 0| 4}
C2 = {z : |z 8| 2}
C3 = {z : |z 10| 5}
Estos ultimos nos dicen que la matriz tiene, al menos, un autovalor real (hay
un crculo que solo contiene a un autovalor y este debe ser real ya que de
ser complejo el conjugado tambien sera autovalor de A y al tener el mismo
modulo se encontrara en el mismo crculo contra la hipotesis de que en dicho
crculo solo se encuentra un autovalor), es decir los crculos obtenidos por filas
no nos dan informacion sobre el autovalor real, mientras que los obtenidos por
columnas nos dicen que existe un autovalor real en el intervalo (-4,4).
Su tamano
Su estructura
Metodos directos
r1 r10 r1 r10
%
s
%
%
@ %
@
%
@s s
@ %
%
@
s
%
@
@ r2
%
%
@@ %
r2 %
%
%
kIk
kA1 k
1 kI Ak
Es decir:
kIk
(A) kAk k con k=
1 kI Ak
Debemos tener cuidado con esta acotacion ya que si tenemos una matriz casi
regular, es decir, con det(A) ' 0, quiere decir que tiene un autovalor proximo
a cero, por lo que la matriz I A tiene un autovalor proximo a 1 y sera el
mayor de todos. En este caso kI Ak ' 1, por lo que k y dara lugar a
un falso condicionamiento, ya que A no tiene que estar, necesariamente, mal
condicionada.
3x + 4.00001y = 7.00001
Sistemas de ecuaciones lineales 77
Se tiene que
!
3 4
A= = det(A) = 0.00003
3 4.00001
!
1 4.00001 4
A1 =
0.00003 3 3
n
X
Utilizando la norma infinito kAk = max |aij | se tiene que
i
j=1
kAk = 7.00001
56
= (A) ' 105 > 1.8 106
8.00001 3
kA1 k =
0.00003
Se trata pues, de un sistema mal condicionado.
Xn
Si utilizamos la norma-1 kAk1 = max |aij | obtenemos:
j
i=1
kAk1 = 8.00001
56
= 1 (A) ' 105 > 1.8 106
7.00001 3
kA1 k1 =
0.00003
obteniendose, tambien, que se trata de un sistema mal condicionado.
Demostracion.
1 kA1 k
(B) = kBk kB 1 k = kzAk k A1 k = |z| kAk = kAk kA1 k =
z |z|
= (A)
F (A) = kAkF kA1 kF n nkAk2 kA1 k2 = n2 (A) =
) A = zU = 2 (A) = 1.
A = zU = A A = zU zU = |z|2 U U = |z|2 I =
i (A A) = |z|2 cualquiera que sea i = 1, 2, . . . , n y, por tanto,
1 = 2 = = n = |z|
por lo que
n
2 (A) = =1
1
) 2 (A) = 1 = A = zU .
R A AR = 2 I
Entonces
A A = R( 2 I)R = 2 (RIR ) = 2 I
80 Sistemas de ecuaciones lineales
de donde
1 1
A A =I
1 1
Llamando U = A se tiene que U = A , ya que R = .
1 1
U U= A A = I = U es unitaria
y, por tanto,
A = U con U unitaria
Los sistemas mejor condicionados son aquellos que tienen sus filas o columnas
ortogonales y mientras mayor sea la dependencia lineal existente entres ellas
peor es el condicionamiento del sistema.
Al ser (U A) = (A) trataremos de utilizar metodos de resolucion de sistemas
de ecuaciones lineales que trabajen con transformaciones unitarias que no em-
peoren su condicionamiento como lo hace, por ejemplo, el metodo de Gauss
basado en la factorizacion LU y que tambien estudiaremos a continuacion.
2.3.1 Factorizacion LU
Al aplicar el metodo de Gauss al sistema Ax = b realizamos transformaciones
elementales para conseguir triangularizar la matriz del sistema.
A = L0 U 0 = LU = L1 L0 = U U 01
Metodos directos de resolucion de sistemas lineales 81
y calculando los valores de los n2 elementos que aparecen entre las dos matrices.
3 1 2
Ejemplo 2.7 Considerese la matriz A = 6 3 2
3 0 8
3 1 2 1 0 0 u11 u12 u13
6 3 2 = l21 1 0 0 u22 u23 =
l31 u11 l31 u12 + l32 u22 l31 u13 + l32 u23 + u33
por lo que de la primera fila obtenemos que
u11 = 3 u12 = 1 u13 = 2
de la segunda (teniendo en cuenta los valores ya obtenidos) se tiene que
3l21 = 6 l21 = 2
l21 + u22 = 3 = u22 = 1
2l21 + u23 = 2 u23 = 2
82 Sistemas de ecuaciones lineales
3 1 2 1 0 0 3 1 2
es decir: 6 3 2 = 2 1 0 0 1 2
3 0 8 1 1 1 0 0 4
Teorema 2.12 Una matriz regular A admite factorizacion LU si, y solo si,
sus matrices fundamentales Ai (i = 1, 2, . . . , n) son todas regulares.
Reiterando el procedimiento se puede ver que todos los elementos que vamos
obteniendo en la diagonal son no nulos y, por tanto, validos como pivotes. Es
decir, puede realizarse la factorizacion LU .
hermtica A = A
(
x Ax 0 x
definida positiva
x Ax = 0 x = 0
admite factorizacion LU .
3 0 8 5
84 Sistemas de ecuaciones lineales
1 1 1 y3 5 4
3 1 2 x1 0 1
U x = y 0 1 2 x2 = 1 = x = 1
0 0 4 x3 4 1
u11 0 0 u11 0 0
0 u22 0 0 u22 0
= L V
.. .. .. . .. ..
... . ...
. . . . . .
0 0 unn 0 0 unn
A = BR
u11 0 0 0
0 u22 0 0
0
B = L 0 u33 0 es triangular inferior.
.. .. .. ... ..
. . . .
0 0 0 unn
u11 0 0 0
0 u22 0 0
R= 0 0 u33 0 V es triangular superior.
.. .. .. .. ..
. . . . .
0 0 0 unn
Como A es hermtica, BR = A = A = R B , por lo que (R )1 B = B R1 , y
dado que (R )1 B es triangular inferior y B R1 es triangular superior, ambas
han de ser diagonales.
Por otra parte,
B R1 = (LD) (DV )1 = D L V 1 D1 = DL V 1 D1 = L V 1
Hemos visto que toda matriz hermtica y definida positiva admite factorizacion
de Cholesky, pero podemos llegar mas lejos y enunciar el siguiente teorema.
4 2i 2 + 2i 10 x3 4
2
Se obtiene multiplicando, que r11 = 4 = r11 = 2.
2r12 = 2i = r12 = i
Utilizando este resultado tenemos que
2r13 = 4 + 2i = r13 = 2 + i
2 2 2
r12 + r22 = 2 = r22 = 1 = r22 = 1.
r12 r13 + r22 r23 = 2 2i = 1 2i + r23 = 2 2i = r23 = 1.
2 2 2 2 2
r13 + r23 + r33 = 10 = 5 + 1 + r33 = 10 = r33 = 4 = r33 = 2.
As pues, el sistema nos queda de la forma
2 0 0 2 i 2+i x1 0
i 1 0 0 1 1 x2 = 0
2i 1 2 0 0 2 x3 4
Metodos iterados de resolucion de sistemas lineales 87
2 0 0 y1 0 0
R y = b i 1 0 y2 = 0 = y = 0
2i 1 2 y3 4 2
2 i 2+i x1 0 1
Rx = y 0 1 1 x2 = 0 = x = 1
0 0 2 x3 2 1
xn+1 x = 2(xn x)
x x = 2(x x) = x x = 0 = x = x
88 Sistemas de ecuaciones lineales
kxn+1 xk = 2kxn xk
xn+1 = Kxn + c
en los que K sera la que denominemos matriz del metodo y que dependera de
A y de b y en el que c es un vector que vendra dado en funcion de A, K y b.
Demostracion.
x x = K(x x) + c (I K)A1 b
por lo que
(I K)(x x) = c (I K)A1 b (2.2)
y dado que x = x nos queda que 0 = c (I K)A1 b, es decir,
c = (I K)A1 b.
(I K)(x x) = 0
lim K n = 0
n
Si para alguna norma matricial es kKk < 1, la sucesion (xn ) definida por
xn+1 = Kxn +c, donde x0 Rn es un vector cualquiera, converge a la solucion
de la ecuacion x = Kx + c que existe y es unica.
90 Sistemas de ecuaciones lineales
Demostracion.
Existencia y unicidad
Convergencia
Demostracion.
Condicion suficiente
por lo que los autovalores de la matriz lmite lim K n son todos nulos,
n
es decir, lim K n = 0 por lo que
n
Condicion necesaria
Metodos de descomposicion
(M N )x = b = M x = N x + b = x = M 1 N x + M 1 b
Dado que
y la matriz (I K) = (I M 1 N ) = M 1 (M N ) = M 1 A es invertible,
estamos en las condiciones del Teorema 2.17 por lo que xn+1 = Kxn + c es
consistente con el sistema Ax = b.
92 Sistemas de ecuaciones lineales
0 a12 a13 a1n
0 0 a23 a2n
F = 0 0 0 a3n
.. .. .. .
..
. ..
. . .
0 0 0 0
A = M N = D (E + F )
Ax = b = Dx = (E + F )x + b = x = D1 (E + F )x + D1 b
(
J = D1 (E + F )
Metodo de Jacobi xn+1 = Jxn + c con
c = D1 E
A = M N = (D E) F
Teorema 2.24 Una condicion necesaria para que converja el metodo de rela-
jacion es que (0, 2).
y1
h a1 , y 1 i h an , y 1 i
. .. .. ..
Q A = .. (a1 an ) Q A = .
. .
yn h a1 , y n i h an , y n i
Consideremos la matriz
a11 a1i a1j a1n
. .
.. . . ... ..
.
..
.
ai1 aii aij ain
. .. . . . .. ..
A= .
. . . .
aj1 aji ajj ajn
. .. .. . . .
. . ..
. . .
an1 ani anj ann
a011 a01i a01j a01n
. .
.. . . ... ..
.
..
.
0
ai1 a0ii a0ij a0in
. .. .. . ..
Qji A = . . ..
. . .
0
aj1 a0ji 0 0
ajj ajn
. .. .. . . .
. . ..
. . .
a0n1 a0ni 0 0
anj ann
con a0ji = aii sen + aji cos , por lo que
a) H es hermtica (H = H).
b) H es unitaria (H H = HH = I).
c) H 2 = I o lo que es lo mismo, H 1 = H.
Demostracion.
2 2 2
a) H = I vv
=I
(vv ) = I vv = H
v v v v v v
c) H 2 = HH = HH = I.
Factorizaciones ortogonales 99
Interpretacion geometrica en Rn
3
x
v
-
-
6Q y
Q
k x
36
y + v Q
Q
x v
Q
v Q
Q
v
Q
- -
v v
Figura 2.3: Un vector x y su transformado y = Hx.
y + v = x v y = x 2v = Hx
100 Sistemas de ecuaciones lineales
a) x v = Hx = x.
b) x k v = Hx = x en particular Hv = v.
Demostracion.
2 2
Hx = (I
vv )x = x v(v x) = x
v v v v
b) x k v = x = v
2 2 2
Hx = (I
vv )v = v vv v = v v(v v) =
v v v v v v
= v 2v = v = x
Interpretacion geometrica en Cn
Caso real
h x + y, x y i = kxk2 h x, y i + h y, x i kyk2 = 0
6x + y
y x
KA
A
A
A
A x -y
v = x y = (0, 0, 2, 2, 2)T
2 2
H=I
vv = I vv
v v 12
verifica que:
2 2 2
Hx = (I vv )x = x v(v x) = x v6 = x v = y
12 12 12
y para cualquier vector que tenga sus tres ultimas coordenadas nulas
w = (a, b, 0, 0, 0)T
2 2 2
Hw = (I vv )w = w v(v w) = w v 0 = w
12 12 12
Caso complejo
k(xk+1 , . . . , xn )T k
y = (x1 , x2 , . . . , xk , xk+1 , 0, . . . , 0)T
|xk+1 |
2 2
H=I
vv = I vv
v v 12
Factorizaciones ortogonales 103
verifica que:
2 2 2
Hx = (I vv )x = x v(v x) = x v10 = x v = y
20 20 20
y para cualquier vector que tenga su ultima coordenada nula
w = (a, b, 0)T
2 2 2
Hw = (I vv )w = w v(v w) = w v 0 = w
20 20 20
Factorizacion QR de Householder
2 7 1
p
1 12 + 22 + (2)2 3
Como x1 = 2 e y1 = 0 = 0 , se tiene que
2 0 0
2
v1 = x1 y1 = 2
2
2 1/3 2/3 2/3
2 2
H1 = I v1 v1 = I 2 2 2 2 = 2/3 1/3 2/3
v1 v1 12
2 2/3 2/3 1/3
1/3 2/3 2/3 1 1 1 3 5 1/3
H1 A = 2/3 1/3 2/3 2 0 1 = 0 4 1/3
3 0 0 3
0 1 0 0
2 2
H2 = I v2 v2 = I 1 0 1 3 = 0 4/5 3/5
v2 v2 10
3 0 3/5 4/5
Factorizaciones ortogonales 105
1 0 0 3 5 1/3 3 5 1/3
H2 H1 A = 0 4/5 3/5 0 4 1/3 = 0 5 19/15 = R
1/3 2/15 14/15
(1) (1)
11 a12 a1n
0
siendo A(1) una matriz de
Observese que H1 A = ..
. A(1)
0
un orden inferior al de la matriz A.
El vector v2 tiene la primera coordenada nula, por lo que
1 0 0
2
0
H2 = I v2 v2 = .. (2)
v2 v2
. H
0
(1) (1)
1 0 0 11 a12 a1n
0 0
H2 (H1 A) = .. (2)
.
.
=
. H . A(1)
0 0
(1) (1)
11 a12 a1n
0
H2 H1 A = ..
. H(2) A(1)
0
1 0 0 0
0 1 0 0
Analogamente, H3 = 0 0 dejara invariantes a los elemen-
.. ..
(3)
H
. .
0 0
tos de las dos primeras filas y las dos primeras columnas de H2 H1 A y as
sucesivamente.
Podemos, por lo tanto, trabajar, para cada transformacion, en un espacio de
una dimension inferior que en la transformacion anterior.
2 0 0
2
v1 = x 1 y1 = 2
2
2 1/3 2/3 2/3
2 2
H1 = I v1 v = I 2 2 2 2 = 2/3 1/3 2/3
v1 v1 1
12
2 2/3 2/3 1/3
1/3 2/3 2/3 1 1 1 3 5 1/3
H1 A = 2/3 1/3 2/3 2 0 1 = 0 4 1/3
Tomando
! ! ! !
4 42 + 32 5 1
x2 = y2 = = = v2 = x2 y2 =
3 0 0 3
! !
(2) 2 2 1 4/5 3/5
H = I2 v2 v2 = I2 1 3 =
v2 v2 10 3 3/5 4/5
Sistemas superdeterminados. Problema de los mnimos cuadrados 107
1 0 0
Por lo que H2 = 0 4/5 3/5
0 3/5 4/5
Podramos obtener
3 5 1/3
H2 H1 A = 0 5 19/15
0 0 17/15
que es el mismo resultado que el obtenido en el Ejemplo 2.13 pero trabajando
cada vez con una dimension menos.
x 1 a1 + x 2 a2 + + x n an = b
Sin embargo, existen problemas en los que no ocurre as. Supongamos que
se tienen tres puntos en el plano y se desea calcular la recta que pasa por
ellos. Evidentemente, y dado que una recta la determinan solo dos puntos, el
problema no tiene solucion (salvo que los tres puntos esten alineados). Desde
el punto de vista algebraico este problema se expresa de la siguiente forma:
sean P = (a1 , b1 ), Q = (a2 , b2 ) y R = (a3 , b3 ). Si tratamos de hallar la ecuacion
de la recta y = mx + n que pasa por ellos se obtiene
ma1 + n = b1 a1 1 ! b1
m
ma2 + n = b2 a2 1 = b2
n
ma3 + n = b3 a3 1 b3
108 Sistemas de ecuaciones lineales
Decir
queel sistema no posee solucion equivale a decir que el vector
b1 a1 1
b = b2 no pertenece al espacio columna de la matriz A = a2 1 .
b3 a3 1
h b, ai i = h b + c, ai i = h b, ai i + h c, ai i = h b, ai i 1in
Sistemas superdeterminados. Problema de los mnimos cuadrados 109
6 b
c
-
C(A) b
Las soluciones del sistema determinado por las ecuaciones normales de un sis-
tema superdeterminado Ax = b reciben el nombre de solucion(es) en mnimos
cuadrados y de todas las posibles soluciones en mnimos cuadrados, la de me-
nor norma recibe el nombre de pseudosolucion del sistema.
Observese que si la matriz A no tiene rango maximo, lo unico que se dispone del
espacio columna de A es de un sistema generador y no de una base, por lo que
las coordenadas del vector proyeccion respecto de dicho sistema generador no
son unicas obteniendose infinitas soluciones en mnimos cuadrados del sistema.
A Ax = A b
b0n
y dado que estamos suponiendo que A tiene rango maximo, la matriz T posee
inversa y por tanto T , por lo que la solucion es la misma que la del sistema
112 Sistemas de ecuaciones lineales
triangular
b01
.
T x = .. T x = b
b0n
Una vez calculada la pseudosolucion, la norma del error esta representada por
la distancia kb bk que viene dada por
b 0 b01
0 1
b1
. .
.
.. ..
0
..
b0 b0
bn+1
!
T
0
n n
..
x bn
=
=
.
.
0 b0n+1
..
b0m
.. ..
. .
b0m
0 b0
m
Por ultimo, si la matriz A no tiene rango maximo, sus columnas no son li-
nealmente independientes, por lo que solo constituyen un sistema generador
(no una base) del espacio columna C(A). Ello nos lleva a la existencia de
infinitas n-uplas (1 , 2 , . . . , n ) soluciones del sistema Ax = b y, por tanto, a
infinitas soluciones en mnimos cuadrados del sistema superdeterminado, pero
teniendo en cuenta que al ser unica la proyeccion ortogonal b de b sobre el es-
pacio columna C(A), todas ellas representan diferentes coordenadas del vector
b respecto del sistema generador de C(A) dado por las columnas de A.
Sin embargo, el error cometido kb bk es el mismo para todas las soluciones
en mnimos cuadrados del sistema. De entre todas ellas, la de menor norma
eucldea es la pseudosolucion.
b2 + b2 + (a )2 + a2 2a2 + 2b2 + 2a + 2
kA1 k2F = =
b 2 2 b 2 2
Por lo que:
202 + 20 + 2 202
F (A) = = 20 + ||
|| ||
Solucion:
!
3 4
a) La matriz del sistema es A = .
3 5
! ! !
3 3 3 4 18 27
A A = =
4 5 3 5 27 41
18 27
P () = = ( 18)( 41) 272 = 2 59 + 9.
27 41
114 Sistemas de ecuaciones lineales
59 3481 36 59 3445
Las races de P () son: = = =
2 2
s s
59 3445 59 + 3445
1 = y 2 =
2 2
s s
2 59 + 3445 (59 + 3445)2 59 + 3445
2 (A) = = = = =
1 59 3445 36 6
2 (A) = 19.61568707 . . .
25a + 29b = 0
29 25
Tomando, por ejemplo, a = y b = (el otro caso es analogo),
3 3
obtenemos:
Ejercicios resueltos 115
! !
3 4 0.6 0.8
B= = 5 U con U = unitaria.
4 3 0.8 0.6
(
3x + 4y = 7
El sistema resultante es y su numero de condicion
4x 3y = 1
eucldeo es 2 (B) = 1.
Solucion:
1 1 !
1 1 + x 0
1 = 1
1
1 y
por lo que
x=y
1
1 = x=y=1 ya que 6= 1
1
x=1
! !
x 1
que podemos observar como converge a = que era la
y 1
solucion del sistema.
4x + 5y = 13
3x + 5y = 11
Solucion:
! ! !
4 5 x 13
a) El sistema a resolver es Ax = b =
3 5 y 11
v1 v2 = h v1 , v2 i = 0 = 35 + 25 = 0 = = 7/5
por tanto,
" ! !# ! !
1 25 4 3/5 4/5 3/5
v2 = 7 = Q=
5 25 3 4/5 3/5 4/5
! ! !
4/5 3/5 4 5 5 7
R = Q A = =
3/5 4/5 3 5 0 1
Se obtiene, por tanto, que A = QR donde Q es unitaria y R trian-
gular superior. El sistema se transforma en otro triangular de la
manera siguiente:
Ax = b QRx = b Rx = Q b
En nuestro caso:
! ! !
4/5 3/5 13 17
Q b = =
3/5 4/5 11 1
cuya solucion es
x=2 y = 1.
118 Sistemas de ecuaciones lineales
! ! !
2 1 0 1 1 3 4/5 3/5
H = I vv = =
v v 0 1 5 3 9 3/5 4/5
! ! !
4/5 3/5 4 5 5 7
R = Q A = HA = =
3/5 4/5 3 5 0 1
Transformando el sistema obtenemos:
Ax = b QRx = b Rx = Q b = Hb
Dado que
! ! !
4/5 3/5 13 17
Hb = =
3/5 4/5 11 1
cuya solucion
x=2 y = 1.
2
b) El numero de condicion eucldeo viene dado por 2 (A) = donde 2 el
1
mayor y 1 el menor de los valores singulares de la matriz A.
Los valores singulares son las races cuadradas positivas de los autovalo-
res de la matriz A A.
Cuando calculamos el numero de condicion de la matriz R del sistema
transformado, realizaremos el mismo proceso con esta nueva matriz, es
decir, debemos calcular los autovalores de la matriz R R.
Ejercicios resueltos 119
Dado que ! ! !
4 3 4 5 25 35
A A = =
5 5 3 5 35 50
! ! !
5 0 5 7 25 35
R R = =
7 1 0 1 35 50
los valores singulares de las matrices A y R son los mismos, por lo que
se obtiene el mismo numero de condicion eucldeo.
El polinomio caracterstico de A A es p() = 2 75 + 25, por
lo que sus autovalores son 1 ' 74.665 y 2 '0.335 y, por tanto,
los valores
singulares de la matriz A son 2 ' 74.665 ' 8.64 y
1 ' 0.335 ' 0.58, de donde
2
2 (A) = 2 (R) = ' 14.9
1
2 7 1 z 7
Solucion:
1 3 2
x= 2 y= 0 v1 = x y = 2
2 0 2
2
2
H1 = I3 2
v v = I3 2 2 2 2 =
v1 v1 1 1
12
2
2 2 2 1/3 2/3 2/3
1
= I3 2 2 2 = 2/3 1/3 2/3
3
2 2 2 2/3 2/3 1/3
0 4 1/3 y = /3
10
0 3 5/3 z 1/3
120 Sistemas de ecuaciones lineales
0 5 19/15 y = 37/15
0 0 17/15 z 34/15
cuya solucion es x = 1, y = 1, z = 2.
0 1 1
Solucion:
23 17
x= , y= .
125 25
b)
3 kx1 k 5 2
x1 = 4 = y1 = 0 = 0 = v1 = x1 y1 = 4
0 0 0 0
2
2 2
H1 = I3 v v1 2v1 v1 = I3 4 2 4 0 =
1 20
0
3/5 4/5 0
= /5 3/5 0
4
0 0 1
Aplicando la transformacion al sistema, se obtiene
5 1 ! 8/5
x
0 2 = 6/5
y
0 1 1
!
(1)
! !
(1) 2 (1) kx2 k 5
Para que x2 = se transforme en y2 = =
1 0 0
(2)
construimos la transformacion H2 de Householder asociada al vector
!
(1) (1) 2 5
v2 = x2 y2 =
1
! 1 0 0
(2) 2 5/5 5/5
H2 = = H2 = 0 /5
2 5 5/5
5/5 5/5
2
0 5/5 2 5/5
122 Sistemas de ecuaciones lineales
23 17
porlo que la pseudosolucion del sistema es x = ,y= y el error
125 25
4
viene dado por ' 0.3578.
5 5
Sol : F (A) = 7.
b) Calcular a para que el numero de condicion del sistema resultante de
sumarle a la segunda ecuacion la primera multiplicada por dicha cons-
tante a, sea mnimo.
Sol : a = 3/2.
1 + 2i 1 i 2 x3 1 2i
p p 2p
Ejercicio 2.10 Dada la matriz A = p p + 2 1 se pide:
2p 1 6p 1
Sol : x1 = 1, x2 = 0, x3 = 1.
0 90 154
Sol : |i | 244.
Ejercicio 2.13
1 0 2 z 0
Podras decir cual es la solucion exacta del sistema?
Sol : (4,-1,2).
!
1 2
e) Comprobar la matriz A = es otro ejemplo para la no conver-
1 1
gencia del metodo de Gauss-Seidel.
!
1
Calcular, para dicha matriz y el vector b = el termino general
1
de la sucesion xk obtenida
! por el metodo de Gauss-Seidel a partir del
m
vector x0 = y comprobar que dicha sucesion no converge para
n
valores arbitrarios de m y n.
Existe algun vector inicial x0 para el que converja el metodo? y, en
caso de existir, contradice dicho ejemplo el hecho de que el metodo no
sea convergente?
!
2k n + 1
Sol : xk = que diverge si n 6= 0. No existe contradiccion
2k n
porque? Justifcalo.
Ejercicio 2.15 Se quiere encontrar una funcion de la forma f (x) = ax3 +bx+c
que pase por los puntos (1, 4), (2, 23) y (2, 21).
b) Usar una sucesion de Sturm para saber cuantas races reales tiene la
ecuacion f (x) = 0.
c) Separar dichas races por intervalos adecuados para que se den las hipo-
tesis de las condiciones de Fourier.
d) Cuantas iteraciones son necesarias para obtener las races reales con 6
cifras decimales exactas usando para su calculo el metodo de Newton?
Sol : Tres.
Sol : x = 0.312908409479.
Se pide:
Sol : x = 1, y = 1/2.
b) Sea v = (1, 1, 1, 1)T . Demostrar que la transformacion de Householder
asociada al vector v transforma la primera columna de la matriz A en el
vector (2, 0, 0, 0)T dejando invariante la segunda columna de A as como
al vector b.
c) Calcular la pseudosolucion del sistema utilizando transformaciones de
Householder, as como la norma del error.
Sol : x = 1, y = 1/2, E = 3 2/2.
d) Si la matriz A del sistema fuese cuadrada y su numero de condicion fuese
mayor que 1, que ventajas e inconvenientes tendra el resolver el sistema
multiplicando por la traspuesta de A y el resolverlo por transformaciones
de Householder?
(1.1, 5), (1, 5.1), (2, 7.3), (1.8, 6.9), (1.5, 6.1), (3, 8.8), (3.1, 9) y (2.9, 9.1)
2 2 1
Sol : x = (1 + , )T R, kEk = 3.
d) Obtener la pseudosolucion del sistema Ax = b.
12 0 13
0 0 1/12
tal que divide por 12 la tercera de las ecuaciones del sistema:
3 2 ! 3
x
T Ax = T b 4 5 = 1
y
1 0 13/12
Ejercicios propuestos 131
4/5 0 3/5
0 4 4 z 2
Sol : cond(A) = .
0 4/5 3/5
d) Que relacion hay entre las soluciones obtenidas en los apartados ante-
riores?
Si se obtienen las soluciones en mnimos cuadrados del sistema Ax = b,
escalonando previamente la matriz A, se debe obtener mismo resultado
que en alguno de los apartados anteriores?
Ejercicio 2.28
1 0 1 z 1
Sol : 1 (A) = 6.
b.2) Resolver el sistema por medio de transformaciones de Householder.
Sol : x = 2, y = 1, z = 1.
b.3) Desde un punto de vista numerico, sera razonable resolver el sis-
tema escalonando por Gauss? Razonar la respuesta.
Sol : No.
4 1 4a
c) Demostrar que el vector c = ( , , 1)T y la matriz
3 2 3
0 23 0
L1 = 0 0 12
0 2a
3
0
a 0 1 z 1
1 1
exacta pero con aritmetica de ordenador es solo una buena aproximacion.
d) Probar que si una matriz real B tiene sus columnas linealmente inde-
pendientes, entonces B T B es definida positiva.
Sol : No.
e.3) Sea (s0 , s1 , s2 , . . .) la sucesion que se obtiene al aplicar el metodo
de Gauss-Seidel al sistema, con s0 = (0, 0)T . Probar que, operando
en aritmetica exacta, la sucesion (sn ) es convergente y obtener su
lmite s.
Sol : x = 2, y = 1, kEk = 5.
Sol : x = 2, y = 1, kEk = 3.
(2, 1, 0), (1, 2, 1), (0, 1, 2), (1, 0, 1), (0, 1, 0).
1 5 5
Ejercicio 2.34 Dada la matriz A = 1 2 1 , se pide:
1 2 3
Sol : Solo LU .
z 1
Sol : S, = 0.
V (1, 2, 53 ) = 3
V (1, 2, 4) = 2
V (2, 1, 2) = 2
V (1, 0, 2) = 1
V (3, 2, 1) = 2
Definicion 3.1 Interpolar una funcion f (x) es encontrar otra funcion g(x)
con determinadas caractersticas (un polinomio, un cociente de polinomios,
una funcion trigonometrica, etc.) tal que g(xi ) = f (xi ) en un conjunto de
puntos S = {x0 , x1 , . . . , xn } con x0 < x1 < < xn que recibe el nombre de
soporte.
La funcion g(x) recibe el nombre de funcion de interpolacion de la funcion
f (x) en el soporte {x0 , x1 , . . . , xn }.
Diremos que el soporte es regular si la diferencia entre dos puntos consecutivos
del soporte es siempre la misma, es decir, si xi xi1 es constante cualquiera
que sea i = 1, 2, . . . , n.
x 0 1 2
f (x) 1 3 7
Si queremos calcular el polinomio de segundo grado P (x) = ax2 + bx + c que
interpola a f (x), en dicho soporte, se obtiene el sistema
c=1
a+ b+c=3 = a = b = c = 1
4a + 2b + c = 7
141
142 Interpolacion
|f (n + 1 (c)|
(x) = |f (x) P (x)| = |x x0 | |x xn |
(n + 1)!
z(xi )
g(xi ) = d(xi ) d(x) =0
z(x)
t1 t2 t3 tn+2
u u u u
c1 c2 c3 cn+1
Figura 3.1: Los n + 1 puntos en los que se anula g 0 (x).
d(x) (n + 1
Como g (n + 1 (t) = d(n + 1 (t) z (t), podemos particularizar en t = c y
z(x)
obtenemos
d(x) (n + 1 d(x)
0 = d(n + 1 (c) z (c) = f (n + 1 (c) P (n + 1 (c) (n + 1)!
z(x) z(x)
por lo que
d(x)
(n + 1)! = f (n + 1 (c)
z(x)
o lo que es lo mismo,
f (n + 1 (c) f (n + 1 (c)
f (x) P (x) = d(x) = z(x) = (x x0 ) (x xn ) =
(n + 1)! (n + 1)!
|f (n + 1 (c)|
(x) = |f (x) P (x)| = |x x0 | |x xn |
(n + 1)!
|f (n + 1 (x)| k x I
se tiene que
k
(x) |x x0 | |x x1 | |x xn |
(n + 1)!
Es obvio que como los grados de Q(x) y R(x) no son superiores a n 1, T (x)
no puede tener grado superior a n.
T (x0 ) = Q(x0 ) = f0
Si xi {x1 , x2 , . . . , xn1 }
xi x0 xi x0
T (xi ) = Q(xi ) + R(xi ) Q(xi ) = fi + (fi fi ) = fi .
xn x0 xn x0
xn x0
T (xn ) = Q(xn ) + R(xn ) Q(xn ) = R(xn ) = fn .
xn x0
Por lo que T (x) es el polinomio, de grado no superior a n, que interpola a f (x)
en el soporte {x0 , . . . , xn }, es decir, T (x) = P (x).
z(x)
Li (x) = (3.1)
(x xi )z 0 (xi )
Demostracion.
{x0 , x1 , x2 , x3 } = {1, 2, 3, 4}
(x 2)(x 3)(x 4) 1
L0 (x) = = (x3 9x2 + 26x 24)
(1 2)(1 3)(1 4) 6
(x 1)(x 3)(x 4) 1
L1 (x) = = (x3 8x2 + 19x 12)
(2 1)(2 3)(2 4) 2
(x 1)(x 2)(x 4) 1
L2 (x) = = (x3 7x2 + 14x 8)
(3 1)(3 2)(3 4) 2
(x 1)(x 2)(x 3) 1
L3 (x) = = (x3 6x2 + 11x 6)
(4 1)(4 2)(4 3) 6
por lo que
7 98
P3 (x) = x3 + 16x2 x + 19
3 3
Sin embargo, el calculo de los polinomios de Lagrange (tambien puede verse con
el Ejemplo 3.3) no es un proceso dinamico, en el sentido de que si anadieramos
un nuevo punto al soporte, habra que comenzar de nuevo todo el proceso.
P (x) = c0 + c1 (x x0 )+
+ c2 (x x0 )(x x1 )+
+ c3 (x x0 )(x x1 )(x x2 )+
..
.
+ cn (x x0 )(x x1 )(x x2 ) (x xn1 )
donde los coeficientes c0 , c1 , . . . , cn dependen de x0 , . . . , xn y los valores que
toma la funcion en dichos puntos f0 = f (x0 ), . . . , fn = f (xn ).
f [xi ] = fi
f [x1 , . . . , xk ] f [x0 , . . . , xk1 ]
f [x0 , x1 , . . . , xk ] =
xk x0
obtenemos:
f [x1 ] f [x0 ] f1 f0 10 1
f [x0 , x1 ] = = = =
x1 x0 x1 x0 31 2
f [x2 ] f [x1 ] f2 f1 1 1 2
f [x1 , x2 ] = = = =
x2 x1 x2 x1 43 1
xi f [xi ] f [xi , xi+1 ] f [xi , xi+1 , xi+2 ] f [xi , xi+1 , xi+2 , xi+3 ]
1 0
1/2
3 1 5/6
2/1 5/6
4 1 5/2
3/1
5 2
1
= (5x3 45x2 + 118x 78)
6
xi f [xi ] f [xi , xi+1 ] f [xi , xi+1 , xi+2 ] f [xi , xi+1 , xi+2 , xi+3 ] f [xi , xi+1 , xi+2 , xi+3 , xi+4 ]
1 0
1/2
3 1 5/6
2/1 5/6
4 1 5/2 5/18
3/1 5/6
5 2 5/6
1/2
7 3
Interpolacion polinomial 151
1
= (5x4 80x3 + 430x2 889x + 534)
18
Sean Pn (x) y Pn1 (x) los polinomios de interpolacion de la funcion f (x) en los
soportes {x0 , x1 , . . . , xn } y {x0 , x1 , . . . , xn1 } respectivamente.
Sabemos que
f (n ()
f (x) Pn1 (x) = (x x0 ) (x xn1 )
n!
Sustituyendo x por xn tenemos:
f (n ()
f (xn ) Pn1 (xn ) = (xn x0 ) (xn xn1 )
n!
y dado que f (xn ) = fn = Pn (xn ), se tiene que:
f (n ()
Pn (xn ) Pn1 (xn ) = (xn x0 ) (xn xn1 ).
n!
f (n (c)
f [x0 , . . . , xn ] =
n!
yi = yi+1 yi k yi = (k1 yi )
152 Interpolacion
k f1 k f0
f [x1 , . . . , xk+1 ] f [x0 , . . . , xk ] k
k
f [x0 , . . . , xk+1 ] = = h k! h k! =
xk+1 x0 kh
k f1 k f0 k+1 f0
= =
hk k! k h hk+1 (k + 1)!
2 f0
x x0 x x0 x x1
Pn (x) = f0 + f0 + +
h 2! h h
n f0
x x0 x xn1
+
n! h h
Interpolacion polinomial 153
2 f0
x x0 x x0 x x0
Pn (x) = f0 + f0 + 1 +
h 2! h h
n f0
x x0 x x0
+ (n 1)
n! h h
x x0
por lo que, si denotamos por t = , se tiene que
h
f0 2 f0 n f0
Pn (x) = f0 + t+ t(t 1) + + t(t 1) (t (n 1))
1! 2! n!
Es decir:
! ! !
t t t
Pn (x) = f0 + f0 + 2 f0 + + n f0
1 2 n
Ejemplo 3.6 Sea f (x) una funcion que toma los valores {3, 45, 175, 441} en
el soporte regular {2, 4, 6, 8}.
Las diferencias finitas vienen dadas por
fi fi 2 fi 3 fi
3 42 88 48
45 130 136
175 266
441
por lo que
! ! !
t t t
P3 (x) = 3 + 42 + 88 + 48 =
1 2 3
x2
= 3 + 42 t + 44 t (t 1) + 8 t (t 1) (t 2) con t =
2
de donde se obtiene que el polinomio de interpolacion de la funcion f (x) en
dicho soporte es
P3 (x) = x3 x2 x + 1
154 Interpolacion
fi fi 2 fi 3 fi 4 fi
3 42 88 48 24
45 130 136 72
175 266 208
441 474
915
!
t
y obtenemos que P4 (x) = P3 (x)+ 4 f0 = P3 (x)+t(t1)(t2)(t3) =
4
1
P4 (x) = x3 x2 x + 1 + (x 2)(x 4)(x 6)(x 8) =
16
1 1 31
P4 (x) = x4 x3 + x2 26x + 25
16 4 4
Hay que destacar que cuando hablamos de anadir puntos al soporte, hablamos
de pasar, por ejemplo, del soporte regular {0, 2, 4, 6} al {0, 2, 4, 6, 8, 10} es
decir, de pasar del soporte
{x0 , x1 , . . . , xn } al {x0 , x1 , . . . , xn , xn+1 , . . . , xn+k } con xj > xi si j > i
Interpolacion polinomial 155
Fenomeno de Runge
Dada una funcion continua en [a, b], podra pensarse que la sucesion Pn (x) con
n N de polinomios de interpolacion, obtenidos al aumentar el numero de
puntos del soporte, converge a la funcion f (x) es decir, podramos pensar que
1
Ejemplo 3.8 Si aproximamos la funcion f (x) = por un polinomio de
1 + x2
segundo grado, en el soporte {4, 0, 4}, obtenemos que
1 2
P2 (x) = 1 x
17
En la Figura 3.2 (Izda.) podemos ver ambas graficas.
Si la aproximacion la hacemos mediante un polinomio de grado 4 en el soporte
{4, 2, 0, 2, 4} obtenemos
1
P4 (x) = (85 21x2 + x4 )
85
que podemos ver representada junto a la funcion f (x) en la Figura 3.2 (Dcha.).
156 Interpolacion
Figura 3.4: Las funciones {log(1 + x), P4 (x)} y {log(1 + x), P8 (x)}
Figura 3.5: Las funciones {log(1 + x), P16 (x)} y {log(1 + x), P32 (x)}
Sin embargo, si volvemos a utilizar los puntos medios para obtener un soporte
de 33 puntos, podemos ver en la Figura 3.5 (Dcha.) que el fenomeno de Runge
junto a la acumulacion de errores hace que el polinomio obtenido deje de ser
una buena aproximacion de la funcion
Hasta ahora, las unicas condiciones que le hemos exigido al polinomio de in-
terpolacion es que coincida con la funcion en los puntos del soporte.
Se pueden exigir otro tipo de condiciones, entre las que destaca la de exigir
que ademas de coincidir los valores del polinomio lo hagan tambien los de su
primera derivada, es decir, que
)
P (xi ) = f (xi )
en los puntos del soporte {x0 , x1 , . . . , xn }
P 0 (xi ) = f 0 (xi )
158 Interpolacion
x x0 x1 xn
f (x) f0 f1 fn
f 0 (x) f00 f10 fn0
El polinomio
n h
X i
P2n+1 (x) = ak + bk (x xk ) L2k (x)
k=0
ak = fk
bk = fk0 2fk L0k (xk )
f (2n + 2 (c)
f (x) P2n+1 (x) = (x x0 )2 (x xn )2
(2n + 2)!
1
P16 (x) = (2890000 2558224x2 + 1613584x4 626688x6 + 144408x8
2890000
19527x10 + 1507x12 61x14 + x16 )
hi = xi xi1 i = 1, 2, . . . , n
00
Mi = S (xi ) i = 0, 1, . . . , n
00 xi+1 x x xi
S| (x) = Mi + Mi+1 .
[x ,x
i i+1 ] hi+1 hi+1
Integrando respecto a x obtenemos el valor de la primera derivada del spline
en este intervalo
0 Mi (xi+1 x)2 Mi+1 (x xi )2
S| (x) = + + Ai .
[x ,x
i i+1 ]
2 hi+1 2 hi+1
Interpolacion por splines 163
obtenemos
Mi 2 Mi 2
hi+i + Bi = yi = Bi = yi h
6 6 i+1
6 y2 y1 y1 y0
h1 + h2 h2 h1
6 y3 y2 y2 y1
h2 + h3 h3 h2
=
..
.
..
.
6 yn yn1 yn1 yn2
hn1 + hn hn hn1
Este sistema puede resolverse por cualquiera de los metodos iterados estudia-
dos en el Captulo 2 ya que, al ser la matriz del sistema de diagonal dominante,
todos ellos son convergentes.
Solucion:
f (x) = ln x = f (1) = 0 f (2) = ln 2
1
f 0 (x) = = f 0 (1) = 1 f 0 (2) = 0.5
x
Los polinomios de Lagrange en el soporte {1, 2}
x2 x1
L0 (x) = =2x y L1 (x) = =x1
12 21
n h
X i ak = f (xk )
P2n+1 (x) = ak +bk (xxk ) L2k (x) con
bk = f 0 (xk ) 2f (xk )L0k (x k)
k=0
h i h i
Para n = 1 se tiene: P3 (x) = a0 + b0 (x 1) L20 (x) + a1 + b1 (x 2) L21 (x)
con
a0 = f (1) = 0 b0 = f 0 (1) 2f (1)L01 (1) = 1 2 0 1 = 1
de donde
h i
P3 (x) = (x 1)L20 (x) + ln 2 + (0.5 2 ln 2)(x 2) L21 (x)
Para x = 10 5
h i
P3 (1.5) = 0.5 0.52 + ln 2 + (0.5 2 ln 2)(0.5) 0.52 ' 0.409073590
Solucion:
P3 (0) = a0 = 5
P3 (1) = a3 + a2 + a1 + a0 = 3
0 -5
2
1 3 1
4 1
2 1 4
12
3 13
P3 (x) = x3 2x2 + 3x 5
x x0 x0
donde t = = = x, por lo que:
h 1
! ! ! !
x x x x
P3 (x) = 5 +2 +2 +6 =
0 1 2 3
x(x 1) x(x 1)(x 2)
= 5 + 2x + 2 +6 =
2! 3!
= 5 + 2x + x(x 1) + x(x 1)(x 2) =
P3 (x) = x3 2x2 + 3x 5
Sol :
1 3 1
L0 (x) x + 1 (x 3x + 2) (x3 6x2 + 11x 6)
2 6
1 3
L1 (x) x x2 + 2x (x 5x2 + 6x)
2
1 2 1
L2 (x) (x x) (x3 4x2 + 3x)
2 2
1 3
L3 (x) (x 3x2 + 2x)
6
Sol : P3 (x) = 12x3 22x2 + 12x con (x) = 2x(x 1)(x 2)(x 3).
Sol : P2 (0.01) ' 1.01181, e0.01 ' 1.01005, |P2 (0.01) e0.01 | = 0.00176.
x 0 1 2 3
Ejercicio 3.9 Dada la tabla se pide:
y 1 6 31 98
Se pretende,
Z b en este tema, dar una aproximacion numerica del valor de una
integral f (x)dx en los distintos problemas que se presentan en la practica,
a
como son:
171
172 Integracion numerica
z(x) = (x x0 )(x x1 ) (x xn ),
el polinomio de interpolacion es
Por tanto:
P (x) = 1 = b a = a0 + a1 + + an
b2 a2
P (x) = x = = a0 x0 + a1 x1 + + an xn
2
....................................................... (4.1)
.......................................................
bn+1 an+1
P (x) = xn = = a0 xn0 + a1 xn1 + + an xnn
n+1
Formulas de cuadratura 173
Ejemplo 4.1 Vamos a integrar una funcion f (x) en [0, 1] considerando los
soportes:
S1 = {0, 1/3, 1/2} y S2 = { 1/4, 1/2, 3/4}.
P (x) = 1 = a0 + a1 + a2 = 1
1 1 1
P (x) = x = 0 a0 + a1 + a2 =
3 2 2
1 1 1
P (x) = x2 = 0 a0 + a1 + a2 =
9 4 3
cuya solucion es
1 3
a0 = a1 = a2 = 2
2 2
luego
Z 1
1 3
f (x)dx ' f (0) f ( 1/3) + 2f ( 1/2)
0 2 2
174 Integracion numerica
P (x) = 1 = b0 + b1 + b2 = 1
1 1 3 1
P (x) = x = b0 + b1 + b2 =
4 2 4 2
1 1 9 1
P (x) = x2 = b0 + b1 + b2 =
16 4 16 3
cuya solucion es
2 1 2
b0 = b1 = b2 =
3 3 3
luego
Z 1
2 1 2
f (x)dx ' f ( 1/4) f ( 1/2) + f ( 3/4)
0 3 3 3
x0 = a x1 = a + h xi = a + ih xn = a + nh = b
Formulas de Newton-Cotes 175
(x x0 )(x x1 ) (x xn )
Li (x) = =
(x xi )(xi x0 ) (xi xi1 )(xi xin1 ) (xi xn )
(x a)(x a h) (x a nh)
= =
(x a ih) ih (i 1)h h (h) (2h) ((n i)h)
(x a)(x a h) (x a nh)
= =
(x a ih) i! (n i)! hn1 (1)ni
x a x a x a
1 n
=h h h h =
(x a ih) i! (n 1)! (1)ni
x a x a x a
1 n
= xh a h h
i i! (n 1)! (1)ni
h
xa
Por lo que haciendo t = se tiene que
h
t(t 1) (t n)
Li (x) =
(t i) i! (n i)! (1)ni
Por tanto:
n n
t(t 1) (t n)
Z Z
ai = Li (x)dx = hdt =
0 0 (t i) i! (n i)! (1)ni
n
(1)ni h t(t 1) (t n)
Z
= dt =
i! (n i)! 0 ti
!
n
ni
i Z n
z(t)
ai = h(1) dt
n! 0 ti
que son los coeficientes de Newton-Cotes.
Demostracion.
!
n
k
nk Z
z(t) n
ank = h(1) dt
n! 0 t (n k)
Haciendo t n = u = dt = du se tiene que
!
n
k+1
nk Z n
(u + n)(u + n 1) (u)
ank = h(1) du =
n! 0 u + k
!
n
k+1+n+1
nk Z n
u(u 1) (u n)
= h(1) du =
n! 0 uk
!
n
n+k
k Z n
u(u 1) (u n)
= h(1) du =
(1)2k n! 0 uk
!
n
nk
k Z n
z(u)
= h(1) du = ak
n! 0 uk
Teniendo en cuanta la Proposicion 4.1, solo hay que calcular la mitad de los
coeficientes.
Si n es par:
n
n+3 (n + 2 Z
h f (c)
n = t t(t 1) (t n)dt
(n + 2)! 0
Si n es impar:
n+2 (n + 1 Z n
h f (c)
n = (t 1) (t n)dt
(n + 1)! 0
Formulas de Newton-Cotes 177
El metodo del trapecio nos aproxima la integral por el area de la region plana
limitada por las rectas x = a, x = b, y = 0 y la recta que pasa por los puntos
(a, f (a)) y (b, f (b)), es decir, el area de un trapecio (ver Figura 4.1).
f (x)
f (b) !
!
!!!
!
!!!
!!
f (a) !
a b
Figura 4.1: Metodo del trapecio
obtenemos:
Z 2
ln 2 + ln 1 ln 2
ln x dx ' 1 = ' 0.34657359027997
1 2 2
El error vendra dado por
(b a)3
00 1 1 1 1
max |f (x)| = max 2 = 1= = 0.08333333333333
12 x[1,2] 12 x[1,2] x 12 12
Ejemplo 4.3 Para calcular la integral del Ejemplo 4.2 por el metodo de Simp-
son obtenemos
Z 2
1 3 1
ln x dx ' (ln 1 + 4 ln + ln 2) = (4 ln 3 3 ln 2) ' 0.38583460216543
1 6 2 6
y el error vendra dado por
(b a)5
(v
1 6 1
= max |f (x)| = max 4 = 6 = 0.00208333333333
2880 x[a,b] 2880 x[1,2] x 2880
b
x2 x0 h
Z i
f (x)dx ' f (x0 ) + 4f (x1 ) + f (x2 ) +
a 6
x4 x2 h i
+ f (x2 ) + 4f (x3 ) + f (x4 ) + +
6
xn xn2 h i
+ f (xn2 ) + 4f (xn1 ) + f (xn ) =
6
hh
= f (x0 ) + 4f (x1 ) + 2f (x2 ) + 4f (x3 ) + 2f (4 ) + +
3 i
+ 2f (xn2 ) + 4f (xn1 ) + f (xn ) =
h
= f (x0 ) + f (xn ) + 2 f (x2 ) + + f (xn2 ) +
3
+ 4 f (x3 ) + + f (xn1 )
Llamando
X X
E = f (x0 ) + f (xn ) P = f (xi ) I= f (xi )
i par impar
i 6= 0
i 6= n
se tiene que Z b
h
f (x)dx ' (E + 2P + 4I)
a 3
180 Integracion numerica
Ejemplo 4.4 Volvamos a calcular la integral del Ejemplo 4.2 por la formula
compuesta de Simpson para n = 10.
E = ln 1 + ln 2 = ln 2 ' 0.69314718055995
P = ln 1.2 + ln 1.4 + ln 1.6 + ln 1.8 ' 1.57658408756302
I = ln 1.1 + ln 1.3 + ln 1.5 + ln 1.7 + ln 1.9 ' 1.93562168961455
por lo que
Z 2
1
ln x dx ' (0.69314718055995+21.57658408756302+41.93562168961455)
1 30
Z 2
ln x dx ' 0.38629340380481
1
con una cota de error de
(b a)5
1 6 1
4
(v
max |f (x)| = max 4 = 6 3.3334 106
180 n x[a,b] 1800000 x[1,2] x 1800000
Z b
h
f (x)dx ' f (x0 ) + f (x1 ) + f (x1 ) + f (x2 ) + + f (xn1 + f (xn )
a 2
b
ba
Z
f (x)dx ' f (x0 ) + f (xn ) + 2 f (x1 ) + f (x2 ) + + f (xn1 )
a 2n
(b a)3
2
max |f 00 (x)|
12 n x[a,b]
Ejemplo 4.5 Calculemos de nuevo la integral del Ejemplo 4.2 por la formula
compuesta de los trapecios para n = 5.
Z 2
1
ln x dx ' [(ln 1 + ln 2) + 2(ln 1.2 + ln 1.4 + ln 1.6 + ln 1.8)]
1 10
1
' 3.84631535568599 = 0.38463153556860
10
con una cota de error de
(b a)3
00 1 1
= 1 0.0034
2
max |f (x)| = max
12 n x[a,b] 300 x[1,2] x2 300
y, en consecuencia,
n n
(1)k ak (1)n (1)n h (1)n h
X Z in i
! =h z 0 (t)dt = h z(t) = h z(n) z(0) .
k=0
n
k
n! 0 n! 0 n!
n
X (1)k ak
Al ser z(n) = z(0) = 0, podemos asegurar que n
! = 0.
k=0 k
1
1 x2
Z
Ejercicio 4.2 Dada la integral dx se pide:
0 1 + x2
a) Calcularla exactamente.
b) Calcularla, aproximadamente, por la formula basica de Simpson.
c) Calcularla por la formula compuesta de Simpson de 11 sumandos.
d) Aplicar la siguiente formula:
Z 1
1h p p i
f (x) dx ' 5f ( 3/5) + 8f (0) + 5f ( 3/5)
1 9
comprobando que integra, exactamente, polinomios de grado 5.
Solucion:
Z 1 Z 1
1 x2 2 h i1
a) 2
dx = 1+ 2
dx = x + 2 arctg x = 1 +
0 1+x 0 1+x 0 2
Z 1
1 x2
2
dx = 1 + ' 2.57079632679490
0 1+x 2
1
1 x2
Z
1
2
dx ' (1 + 11.44925864003328 + 4.67463056905495) =
0 1+x 30
1
1 x2
Z
dx ' 0.57079630696961
0 1 + x2
Con un error
(b a)5 1
max |f (v
(x)| = 48 2.6667 105
180 n4 x[a,b] 1800000
Por tanto:
Z 1 Z 1 Z 1
2
1 dx = 2 x dx = 0 x2 dx =
1 1 1 3
Z 1 Z 1 Z 1
3 4 2
x dx = 0 x dx = x5 dx = 0
1 1 5 1
Ejercicio 4.3 Probar que la formula compuesta de los trapecios para el in-
tervalo [0, 2]:
Z 2
h
f (x) dx = [f (0) + 2f (h) + 2f (2h) + + 2f ((n 1)h) + f (2)] +
0 2
(h = 2/n) integra, exactamente, las funciones:
1, sin x, cos x, sin 2x, cos 2x, . . . , sin(n 1)x, cos(n 1)x.
Ejercicios resueltos 185
n1
2 X 2j
Tn = f( )
n j=0 n
Estudiemos el sumatorio para f (x) = eikx .
n1 n1
X 2j X 2jk
eik n = ei n
j=0 j=0
2k
Se trata de una suma geometrica de razon r = ei n . Para r = 1
cos 2k
n
= 1 2k
= 0, 2, 4, . . . k = 0, n, 2n, . . .
2k
sin n = 0 n
c) Dar una condicion, necesaria y suficiente, para que dicha formula sea
exacta para polinomios de tercer grado.
Sol : c = 0.
r
5x + 13
d) Aplicar la formula a f (x) = con c = 0.1 y comparar con el
2
valor exacto.
Z 1
Ejercicio 4.5 Calcular f (x) ln x dx interpolando f (x), por un polinomio
0
de tercer grado, en el soporte {0, 1/3, 2/3, 1} y aplicar el resultado al calculo de
Z 1
sen x ln x dx.
0 Z 1
1
Ayuda: xm ln x dx = (m 0).
0 (m + 1)2
Ejercicios propuestos 187
Z
1
1h 1 1 i
'
f (x) ln x dx 11f (0) + 19f ( ) + f ( ) + f (1)
0 32 3 3
Sol : Z 1
sin x ln x dx ' 0.239891875.
0
m 2 3 4 5 6
Sol :
n 2 2 4 8 12
c) Calcular la integral, por la formula compuesta de Simpson, con cuatro
cifras decimales exactas.
Sol : 5.8731
Sol : 328/45.
[4] Froberg, C.E. Introduccion al Analisis Numerico. Ed. Vicens Vives. 1977.
[6] Mathews, J.H. y Fink, K.D. Metodos Numericos con MATLAB. (Tercera
edicion). Prentice Hall. 1999.
189