Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Asmar PDF
Asmar PDF
INTRODUCCIÓN
Al momento de aplicar las Matemáticas a situaciones del mundo real nos encontramos a
menudo con problemas que no pueden ser resueltos analíticamente o de manera exacta y
cuya solución debe ser abordada con ayuda de algún procedimiento numérico. A
continuación consideramos algunos problemas típicos, ya formulados matemáticamente,
para los cuales estudiaremos técnicas numéricas de solución.
Problema 1.1 Encontrar el área de la región comprendida entre las gráficas de y = 2sen x ,
y = e − x con x ∈[0,π] . ♦
2 −1 0 0 0 3
−1 2 −1 0 0 −2
A = 0 −1 2 −1 0 b = 2
0 0 −1 2 −1 −2
0 0 0 −1 2 1
b) El sistema no-lineal
x2 + xy 3 = 9
2
3 x y − y 3 = 4 ♦
Problema 1.4 Dada la siguiente tabla de datos correspondiente a una cierta función y = f (x) ,
xk −2 −1 0 1 2 3
f (xk ) −5 1 1 1 7 25
TABLA 1.1
encontrar el polinomio de menor grado que pase a través de los puntos dados.
Cuál será una estimación para los valores f (x) correspondientes a x = −15
. y x = 15
. ? ♦
1 1
sen x
∫ ∫e
x2
a) dx b) dx
x
0 0
π
2 3
sen 2 x 1
c) ∫ 1−
4
dx (elíptica) d) ∫ ln xdx
2
♦
0
d2 θ dθ
2 + + 16 sen θ = 0
dt dt
θ 0 = π , θ ′ 0 = 0
( ) 4 () ♦
En el problema 1.2, se trata de hallar los ceros de un polinomio de grado 5 y, como sabemos,
sólo se conocen métodos algebraicos para encontrar raíces de ecuaciones polinómicas de
grado menor o igual que 4.
El problema 1.4 se puede resolver analíticamente (por interpolación), sin embargo para
determinar los coeficientes de dichos polinomios existen técnicas que permiten encontrarlos
rápidamente y que pueden implementarse en el computador.
El problema 1.5, corresponde a integrales definidas cuyo integrando tiene antiderivada que
no es elemental.
d2 θ dθ
2
+ + 16 sen θ = 0 (ecuación de movimiento de un péndulo)
dt dt
Los problemas anteriores sirven como motivación para el estudio de cinco grandes temas en
un primer curso de métodos numéricos: solución numérica de una ecuación no-lineal en
una variable, solución numérica de sistemas de ecuaciones lineales y no-lineales,
interpolación polinomial, integración numérica y solución numérica de problemas de valor
inicial para ecuaciones diferenciales ordinarias.
Cada número del computador se representa mediante un número finito de dígitos (aritmética
finita), según se indica a continuación:
forma en la cual los símbolos que allí aparecen, tienen el siguiente significado:
β es un entero que denota la base del sistema numérico usado. Por lo general β = 2
(Sistema Binario), β = 8 (Sistema Octal) o β = 16 (Sistema Hexadecimal).
De acuerdo con lo anterior un conjunto de punto flotante F queda caracterizado por cuatro
parámetros:
a) La base β ,
b) La precisión t ,
c) Los enteros L y U tales que L ≤ e ≤ U , donde e es el exponente.
Cualesquiera sean los parámetros elegidos, los conjuntos de punto flotante correspondientes
comparten las mismas características cualitativas, entre ellas la carencia de algunas de las
propiedades algebraicas de que gozan los números reales.
Una de las características de todo conjunto de punto flotante F es que es finito y tiene
2(β − 1)β (U − L + 1) + 1
t −1
números diferentes (incluyendo el cero), y donde los distintos de cero están en forma
normalizada. En efecto:
a1 puede tomar β − 1 valores y ai , i = 2,3,..., t puede tomar β valores, así que hay
(β − 1)β!"
... β = (β − 1)β
#
t −1
fracciones positivas distintas.
t −1
2(β − 1)β (U − L + 1) + 1
t −1
números diferentes.
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 5
__________________________________________________________________________________
Lo anterior nos dice que se usan 2(β − 1)β t −1(U − L + 1) + 1 números de punto flotante para
"representar" el conjunto continuo de los números reales (que es infinito), lo que implica que
muchos números reales tendrían que ser representados por un mismo número de punto
flotante.
(
2(2 − 1)2 3 −1 2 − (−1) + 1 + 1 = 33 )
números diferentes (incluyendo el cero).
±(.a1a 2 a 3 )2 × 2 e
(.100)2 = 2 +
1 0 0 1 8
2
+ 3
= =
2 2 2 16
(.101)2 = 21 + 0
2
+
1
3
=
5 10
=
8 16
2 2
(.110)2 = 21 + 1
2
+
0
3
=
3 12
=
4 16
2 2
(.111)2 = 2 +
1 1 1 7 14
+ = =
22 23 8 16
Combinando estas mantisas con los exponentes, obtenemos todos los números positivos de
F que aparecen en la TABLA 1.2 siguiente.
TABLA 1.2
6 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Como estamos más familiarizados con los números decimales (en base β = 10 ), los 33
elementos de F en forma (racional) decimal son
4 5 6 7 8 10 12 14
0, ± , ± , ± , ± , ± , ± , ± , ± ,
16 16 16 16 16 16 16 16
16 20 24 28 32 40 48 56
± , ± , ± , ± , ± , ± , ± , ± .
16 16 16 16 16 16 16 16
FIGURA 1.1
FL = (.100...0)β × βL = βL −1
1
es el número de punto flotante positivo más pequeño (para el ejemplo, FL = 2 −1−1 = ), y
4
U
(
FU = (. γγ ... γ )β × β = 1 − β
−t
)β U
con γ = β − 1
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 7
__________________________________________________________________________________
R F = {x ∈ R / x = 0 o FL ≤ x ≤ FU }
De acuerdo con ésto, todo número de punto flotante, distinto de cero, fl(x), debe satisfacer
FL ≤ fl(x) ≤ FU
Supongamos que fl(x), fl(y) ∈ F . Veamos, como ejemplo, que la suma usual fl(x) + fl(y) no
necesariamente será un número en F . Para ello consideremos el conjunto de punto flotante
fl(x) = fl(y) =
28 5
F dado en el ejemplo: ∈F , ∈F , sin embargo
16 16
fl(x) + fl(y) =
28 5 33
+ = ∉F . Luego la adición usual no es cerrada en el sentido
16 16 16
matemático ordinario.
Una manera de simular la adición y las demás operaciones aritméticas entre números reales,
pero realizadas por el computador es la siguiente:
( )
x ⊕ y = fl fl(x) + fl(y)
x y = fl(fl(x) − fl(y))
x ⊗ y = fl(fl(x) × fl(y))
x y = fl(fl(x) ÷ fl(y))
28 5
Tomemos en F , los números y y supongamos que x, y ∈ R son tales que
16 16
fl(x) = y fl(y) =
28 5
. Entonces
16 16
28 5 33 32
x ⊕ y = fl + = fl =
16 16 16 16
28 5 23 24
x y = fl − = fl =
16 16 16 16
28 5 35 32 8
x ⊗ y = fl × = fl = =
16 16 64 64 16
28 5 28 56
x y = fl ÷ = fl = (fenómeno overflow)
16 16 5 16
28 56
↑ Overflow, ya que > = FU
5 16
6 5 1
z y = fl − = fl = 0 (fenómeno underflow)
16 16 16
1 4
↑ Underflow, ya que 0 < < = FL
16 16
7 5 2
u ⊕ (v w ) = fl 1 + fl − = fl 1 + fl
8 8 8
2 10 10 20
= fl 1 + = fl = =
8 8 8 16
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 9
__________________________________________________________________________________
7 5 15 5
(u ⊕ v) w = fl fl 1 + − = fl fl −
8 8 8 8
16 5 11 24
= fl − = fl =
8 8 8 16
luego
u ⊕ (v w ) ≠ (u ⊕ v) w
5 28 35
r ⊗ (y ⊗ x) = fl 3 × fl × = fl 3 × fl
16 16 64
32 96 24 24
= fl 3 × = fl = fl =
64 64 16 16
28 28
(r ⊗ y) ⊗ x = fl fl 3 × 16 × 16 = fl fl 16 × 16
5 15
16 28 28 28
= fl × = fl =
16 16 16 16
Así que,
r ⊗ (y ⊗ x) ≠ (r ⊗ y) ⊗ x
7 1 5
r ⊗ (v s) = fl 3 × fl − = fl 3 × fl
8 4 8
5 15 32
= fl 3 × = fl =
8 8 16
Como
7 21 20
r ⊗ v = fl 3 × = fl =
8 8 8
1 3 3
r ⊗ s = fl 3 × = fl =
4 4 4
entonces
20 3 14 28
(r ⊗ v) (r ⊗ s) = fl − = fl =
8 4 8 16
10 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Así que
r ⊗ (v s) ≠ (r ⊗ v) (r ⊗ s)
Sabemos que todo número real x ≠ 0 puede escribirse en la forma decimal normalizada
siguiente
Para simplificar el análisis de los errores de redondeo, supongamos que nuestro conjunto de
punto flotante F es de t-dígitos (precisión t) en base 10 (decimal); en tal caso la forma de
punto flotante (normalizada) de x, fl(x) , se obtiene finalizando la mantisa de x después de t-
dígitos. Se acostumbran dos formas para hacerlo:
Ejemplo 1.1 Supongamos t = 5 y usemos las reglas de redondeo y cortado para encontrar
el representante de punto flotante decimal en cada uno de los siguientes casos:
a) e = 2.718281828... (irracional)
= (.2718281828...) × 101 (forma decimal normalizada)
Entonces
(.27182) × 101, cortando
fl(e) =
(.27183 ) × 10 , ( ya que a 6 = 8 > 5 )
1
redondeando
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 11
__________________________________________________________________________________
b) π = 3.141592653... (irracional)
= (.3141592653...) × 101 (forma decimal normalizada)
Entonces
(.31415) × 101, cortando
fl(π) =
(.31416) × 10 ,
1
redondeando
c) x = −123456789 (racional)
= −(.123456789) × 10 9 (forma decimal normalizada)
Entonces
−(.12345 ) × 10 9 , cortando
fl(x) =
−(.12346 ) × 10 ,
9
redondeando
d) y =.0000213475 (racional)
= (.213475 ) × 10 −4 (forma decimal normalizada)
Entonces
(.21347) × 10 −4 , cortando
fl(y) =
(.21348) × 10 ,
−4
redondeando
Entonces
(.66666 ) × 10 0 , cortando
fl(z) =
(.66667 ) × 10 ,
0
redondeando ♦
Hay varias formas acostumbradas para medir errores de aproximación; algunas de ellas se
dan en la siguiente definición.
12 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
∗
x − x∗
error relativo de x con respecto a x, x ≠ 0 , es Er = . También se define el error
x
porcentual de x∗ con respecto a x, como Er × 100 y se expresa en porcentaje (%). ∇
Ya vimos que el error de redondeo puede depender del tamaño del número, pues los
números de punto flotante no están distribuidos de manera uniforme en la recta real; desde
este punto de vista el error relativo es una mejor medida del error de redondeo que el error
absoluto.
Estimemos la menor cota superior para el error relativo cuando un número real x ≠ 0 es
aproximado por su representante de punto flotante, fl(x) , en una aritmética decimal de t-
dígitos.
Sea
x = (. a1a 2 ... a t a t +1...) × 10 n , n algún entero,
a) Si 0 ≤ a t +1 < 5 , entonces
fl(x) = (. a1a 2 ... a t ) × 10 n
y entonces
(. a1a2 ... a t a t +1...) × 10 n − (. a1a2 ... a t ) × 10 n
Er =
(. a1a2 ... a t a t +1...) × 10n
(. a t +1a t + 2 ...) × 10 n− t
=
(. a1a2 ... a t a t +1...) × 10 n
(. a t +1a t + 2 ...)
= × 10 − t
(. a1a2 ... a t a t +1...)
.5
< × 10 − t = 5 × 10 − t
.1
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 13
__________________________________________________________________________________
b) Si 5 ≤ a t +1 ≤ 9 , entonces
fl(x) = (. a1a 2 ... a t ) × 10 n + 10
. × 10 n − t
así que
(. a1a2 ... a t a t +1...) × 10 n − [(. a1a2 ... a t ) × 10 n + 10
. × 10 n − t ]
Er =
(. a1a 2 ... a t a t +1...) × 10n
(. a t +1a t + 2 ...) × 10n− t − 10 . × 10 n − t
=
(. a1a2 ... a t a t +1...) × 10n
(. a t +1a t + 2 ...) − 10
.
= × 10 − t
(. a1a2 ... a t a t +1...)
.5
≤ × 10 − t , ya que . a t +1a t + 2 ... ≥ .5
(. a1a2 ... a t a t +1...)
.5
< × 10 − t = 5 × 10 − t
.1
x − fl(x)
Er = < 5 × 10 − t
x
−t
y 5 × 10 es la menor cota superior para el error relativo.
x − fl(x)
Er = < 10 × 10 − t = 10 − t +1 , y
x
E = x − fl(x) ≤ 10 × 10 ( )
n − t +1
Ejemplo 1.2 Encuentre el error absoluto y el error relativo de x∗ con respecto a x, en cada
uno de los siguientes casos:
(.1) × 101 = .1 = 1 = .2 × 10 −1 =
Er = ( ) .02 ≡ 2%
(.5) × 10 2 (.5) × 101 50
Er =
(.1) × 10 −4 = (.1) × 10 −1 = 1 = .02 ≡ 2%
(.5) × 10 −3 .5 50
Er =
(.1) × 10 5 = .1 = 1 = .02 ≡ 2% ♦
(.5) × 10 6 (.5) × 101 50
Este ejemplo nos muestra que el error relativo es invariante al cambio de escala y se usa
como una medida de precisión o cercanía.
Teniendo en cuenta la menor cota superior para el error relativo usando redondeo, se define
el concepto de cifras significativas.
∗
Definición 1.2 Se dice que el número x aproxima con sus primeros t-dígitos o cifras
significativas al número x ≠ 0 , si t es el mayor entero no negativo para el cual
x − x∗
Er = < 5 × 10 − t
x
Los t-dígitos significativos, a que se refiere esta definición, son los primeros t-dígitos en la
mantisa de x∗ cuando x∗ se escribe en forma decimal normalizada. ∇
Definición 1.3 Se dice que el número x∗ aproxima con sus primeras k-cifras decimales
exactas al número x, si k es el mayor entero no negativo tal que
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 15
__________________________________________________________________________________
E = x − x∗ ≤ 5 × 10 ( )
− k +1
Las k cifras decimales exactas, a que se refiere esta definición, son las primeras k cifras
contadas a partir del punto decimal en x∗ , cuando x∗ se escribe en forma decimal. ∇
Los dos conceptos anteriores pueden aparecer definidos de manera distinta en otros textos.
Aquí se usarán las definiciones dadas.
así que k = 3 es el mayor entero no negativo tal que .003451−.003348 ≤ 5 × 10 −(k +1) .
Luego .003348 aproxima a .003451 con sus tres primeras cifras decimales exactas, que son
en este caso 0, 0 y 3.
y nuevamente, y ∗ aproxima a y con sus primeras tres cifras decimales exactas, que son, por
supuesto, 0, 0 y 3.
.000103
.005 < Er = = .029... < .05 = 5 × 10 − 2 < 5 × 10 −1
.003451
.003451−.003348
< 5 × 10 − t
.003451
y por tanto x∗ aproxima a x con sus primeros 2-dígitos significativos que son 3 y 3 (Por
qué?). Con cuántas cifras significativas aproxima y∗ a y? ♦
1
Ejemplo 1.4 Con cuántas cifras significativas aproxima .333 a 3 ?
Como
1 1
−.333 −.333
3 3
= = 1−.999 = .001
1 1
3 3
16 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
y .0005 < .001 < .005 = 5 × 10 −3 < 5 × 10 −2 < 5 × 10 −1 , entonces t = 3 es el mayor entero no
negativo tal que
1
−.333
3
< 5 × 10 − t
1
3
1
Por lo tanto .333 aproxima a con 3 cifras significativas. Observe que .333 es el número
3
1
en aritmética de punto flotante decimal con redondeo a tres dígitos que representa a . ♦
3
Ejemplo 1.5 Dónde debe estar x∗ para que aproxime a 1000 con 4 cifras significativas?
∗
De acuerdo con la definición 1.2, x debe ser tal que
1000 − x∗
i) < 5 × 10 −4 , y
1000
1000 − x∗
ii) ≥ 5 × 10 −5
1000
La desigualdad i) tiene como solución 999.5 < x∗ < 1000.5 y la desigualdad ii) tiene como
∗
solución x∗ ≤ 999.95 o x∗ ≥ 1000.05 . Interceptando las dos soluciones se obtiene que x
debe estar en
Se sabe que fl(x) y fl(y) aproximan a x e y, respectivamente, con todas sus seis cifras
significativas (Verifíquelo).
Ahora,
. × 10 −6 = −.153 × 10 −5
x − y = −153
y
x ( )
y = fl fl(x) − fl(y) = fl(.435746 −.435748)
( ) ( )
= fl −2.0 × 10 −6 = fl −.2 × 10 −5 = −.2 × 10 −5
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 17
__________________________________________________________________________________
(
−.2 × 10 −5 − −.153 × 10 −5 ) =
.047
= .307... < .5 = 5 × 10
−1
−5
−.153 × 10 .153
Luego x y aproxima al valor exacto x − y con únicamente una cifra significativa (1), así
que hubo pérdida de 5 cifras significativas ( fl(x) , fl(y) tenían cada uno 6 cifras significativas
con respecto a x e y, respectivamente); lo anterior sugiere que en un coputador debe evitarse
la resta de números "casi iguales". Como ejercicio, revise en el mismo ejemplo, qué pasa
con las operaciones ⊕ , ⊗ y .
x2 − 400.2x + 80 = 0
Si hacemos los cálculos para x1 y x2 , usando aritmética decimal con redondeo a 4 dígitos,
obtenemos
∗
Como las raíces exactas de la ecuación son x1 = 400.0 y x2 = .2 , entonces x1 es una
∗
aproximación precisa (a 4 dígitos) de x1 , mientras que x 2 es una aproximación muy pobre
de x2 (únicamente tiene una cifra significativa con respecto a x2 ) .
x2 + bx + c = 0 , obtenemos
80 80
x∗2 = = = .2000
x1∗ 400.1
∞
xn x2 x3 xn
ex = ∑
n= 0
n!
= 1+ x + +
2! 3 !
+ ... +
n!
+ ...
El polinomio
x2 x3 xn
pn (x) = 1 + x + + +...+
2! 3 ! n!
Se sabe que
e x = pn (x) + Rn (x;0)
con
n +1
Rn (x;0 ) = e
ξ x
para algún ξ entre 0 y x
(n + 1)!
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 19
__________________________________________________________________________________
o también
x
Rn (x;0 ) = ∫ (x − t) e dt
1 n t
n!
0
Observe que Rn ( x;0) no es otra cosa que el residuo en la serie de Taylor cuando se toman
los primeros n + 1 términos. A Rn (x;0) se le llamará error de truncamiento o de fórmula al
x
aproximar la función e mediante el polinomio pn ( x) .
e
−5
≈ 1 + (−5 ) +
(−5 )
2
+
(−5 )
3
+...+
(−5 )
n
= pn (−5 )
2! 3! n!
2 n
= pn (5 )
5 5 5
e = 1+ 5 + +...+
2! n!
De acuerdo con los resultados de la TABLA 1.3, en una aritmética decimal con redondeo a 4
n
(−5)k
dígitos, e
−5
≈ .9993 × 10
−2
(la suma ∑
k =0
k! se estabilizó en n = 22 ) y e5 ≈ 148.4 (la
n
5k
suma ∑
k =0
k!
se estabilizó en n = 14 ) .
1 1
5
= = 6.739 × 10 −3
e 148.4
(−5)k
n
n
5k
Grado n Término Suma ( ∑ k!
) Suma ( ∑
k =0
k!
)
k =0
9 −5.382 −1824
. 143.7
11 −1223
. −.3560 147.6
16 .7294 × 10 −2 .1167 × 10 −1
17 −.2145 × 10 −2 .9525 × 10 −2
18 .5959 × 10 −3 .1012 × 10 −1
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 21
__________________________________________________________________________________
19 −.1568 × 10 −3 .9963 × 10 −2
20 .3920 × 10 −4 .1000 × 10 −1
21 −.9333 × 10 −5 .9991 × 10 −2
22 .2121 × 10 −5 .9993 × 10 −2
23 −.4611 × 10 −6 .9993 × 10 −2
TABLA 1.3
Los ejemplos 1.6 y 1.7 anteriores, muestran como un algoritmo mal concebido puede
conducir a una respuesta defectuosa de un problema perfectamente bien planteado. La
deficiencia fue corregida cambiando el algoritmo.
∫
In = xn e x−1dx, n = 12
0
, ,3,...
1 1 1
∫ ] ∫ ∫
1
In = xn e x−1dx = xn e x −1 − nxn −1e x−1dx = 1 − n xn −1e x−1dx
0
0 0 0 $
! $"$$ #
In −1
1
1
∫
es decir, In = 1 − nIn −1, n = 2,3,4,... . Luego In = 1 − nIn −1, n = 2,3,4,... con I1 = xe x−1dx =
0
e
(irracional).
22 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Usando aritmética (de punto flotante) decimal con redondeo a 6 dígitos y la fórmula de
recurrencia In = 1 − nIn −1 , obtenemos
Al calcular I2 , tenemos
( )
I2 = 1 − 2I1 = 1 − 2 I1∗ + ∈ = 1 − 2I1∗ − 2 ∈= I∗2 − 2 ∈
entonces I2 − I∗2 = −2 ∈.
Ahora,
( )
I3 = 1 − 3I2 = 1 − 3 I∗2 − 2 ∈ = 1 − 3I∗2 + (−2)(−3) ∈= I∗3 + (−2)(−3 ) ∈
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 23
__________________________________________________________________________________
De donde
( )
I9 − I∗9 ≈ 362880 4.412 × 10 −7 ≈ .160102656
Observe que el error absoluto, debido a los cálculos, crece a medida que n aumenta, y es
mucho más grande que el valor real (en valor absoluto) que se está aproximando (se puede
ver que si ∈ es el error inicial, entonces el error después de n pasos es
1
∈n = In − In∗ = (−1) n! ∈ , y lim ∈n = lim (−1) n! ∈ = +∞ ; mientras que 0 < In ≤
n-1 n −1
). En
n→∞ n→∞ n+1
conclusión, el algoritmo dado por la fórmula de recurrencia
1
In = 1 − nIn −1, n = 2,3,... con I1 =
e
es inestable.
1 − In
In −1 = , n = N,...,3,2
n
entonces en cada paso del cálculo el error en In es dividido por n. Así que, si comenzamos
con un valor para algún In con n >> 1, y trabajamos hacia atrás, cualquier error inicial o
errores de redondeo que ocurran estarán decreciendo en cada paso. Este es un ejemplo de
algoritmo estable.
1 1 1
x n +1 1
∫0
∫
In = xn e x −1dx ≤ xn dx =
0
n + 1
=
0
n+1
Por ejemplo, si aproximamos I20 por 0 y usamos el valor 0 como un valor inicial, entonces
1 1
cometemos un error inicial ∈ tal que 0 ≤ ∈≤ ; este error es multiplicado por al calcular
21 20
1
I19 , así que el error en el cálculo de I19 , que es ∈, es tal que
20
1 1 1
0≤ ∈ ≤
20 20 21
1 1 1 1 1 1 1
0≤ ... ∈ ≤ ... ≈ 2.56 × 10 −8 < 5 × 10 −8
16 17 20 16 17 20 21
lo que garantiza una precisión de por lo menos 7 cifras decimales exactas de precisión para
los valores calculados de I15 ,...,I9 .
n
1
Ejemplo 1.9 La sucesión {pn }n con pn = , n = 0,1,... se puede generar de varias
3
maneras; dos de ellas son:
1 5 1
i) x 0 = 1 , x1 = , xn = xn −1 − xn − 2 , n = 2,3,...
3 6 6
1 5 4
ii) y 0 = 1 , y1 = , y n = y n −1 − y n − 2 , n = 2,3,...
3 3 9
0 1
1 1 1
x 0 = 1 = ; x1 = = , y
3 3 3
2
5 1 5 1 1 5 1 1 1
x 2 = x1 − x0 = − 1 = − = = .
6 6 6 3 6 18 6 9 3
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 25
__________________________________________________________________________________
k
5 1 1
Supongamos que x k = x k −1 − x k − 2 = para 2≤k <n, y veamos que
6 6 3
n
5 1 1
x n = x n −1 − x n − 2 = :
6 6 3
n −1 n− 2 n− 2 n−2 2 n
5 1 1 1 1 5 1 1 1 1 1
xn = − = − = =
6 3 6 3 3 6 3 6 3 3 3
Luego
n
5 1 1
xn = xn −1 − xn − 2 = , para todo n = 0,1,...
6 6 3
Análogamente, se puede verificar que la sucesión definida en ii) es igual a la sucesión {pn }n
n
1
con pn = , n = 0,1,... .
3
Si usamos aritmética decimal con redondeo a 7 dígitos para calcular los primeros términos
de las sucesiónes {pn }n , {xn }n y {y n }n , se obtienen los resultados que se muestran en la
TABLA 1.4 siguiente.
Qué puede decirse de la estabilidad numérica de las fórmulas que definen las sucesiones
{pn }n , {xn }n y {yn }n ?
Observamos que la fórmula para calcular y n produce rápidamente pérdida de cifras
significativas, mientras que la fórmulas para calcular pn y xn no, así que el algoritmo para
calcular y n es inestable, mientras que los algoritmos para calcular pn y xn son estables.
Observe, en los cálculos de la tabla anterior, que p∗n → 0 y x∗n → 0 , mientras que y∗n → ∞
n
1
(cuando n → ∞ ), y es claro que lim = 0 .
n→∞ 3
Otra forma de estudiar la estabilidad numérica de las fórmulas definidas en este ejemplo es
como sigue:
Las sucesiones definidas en i) y ii) pueden verse como ecuaciones en diferencias con
condición inicial:
5 1
xn = 6 xn−1 − 6 xn− 2 , n = 2,3,... (1.1. a)
i)
x = 1, x = 1 (1.1.b)
0 1
3
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 27
__________________________________________________________________________________
5 4
y n = y n −1 − y n − 2 ,
3 9
n = 2,3,... (1.2. a)
ii)
y = 1, y1 =
1
(1.2.b)
0 3
n n
1 1
xn = c1 + c 2
3 2
Nótese que la solución general anterior es el conjunto de todas las combinaciones lineales de
n n
1 1
las soluciones particulares y , de la ecuación (1.1.a). Tales soluciones
3 2
particulares pueden obtenerse buscando soluciones de la forma xn = λ con λ ≠ 0 , para la
n
ecuación mencionada.
1
Para que se satisfagan las condiciones iniciales exactas (1.1.b), x 0 = 1 y x1 = , deben
3
escogerse c1 = 1 y c 2 = 0 , es decir, la solución de la ecuación en diferencias (1.1.a) que
satisface la condición inicial (1.1.b) es la sucesión
n
{pn }n con pn = 3 , n = 0,12
1
, ,...
1
n n n n
1
n
−6 1 1 −6 1
∈n = 10000002 − × − = × −
3
. .2 10 .2 10
3 2 3 2
n n
1 4
y n = c1 + c 2
3 3
1
Para que se satisfagan las condiciones iniciales (1.2.b), y 0 = 1 y y1 = , deben escogerse
3
c1 = 1 y c 2 = 0 , es decir, la solución de la ecuación en diferencias (1.2.a) con condición
inicial (1.2.b) es la sucesión
n
1
{pn }n con pn = , n = 0,12
3
, ,...
. × 10 −7
n n
3.0000001 1 10 4
yn = +
3 3 3 3
n
1
El error al calcular pn = , mediante esta última fórmula, es
3
3.0000001 1
n
. × 10 −7
10 4
n
1 . × 10 −
10
n 7 1 n 4 n
∈n = + − = +
3 3 3 3 3 3 3 3
Para ciertos problemas "buenas" respuestas no pueden ser obtenidas por cualquier
algoritmo, porque el problema es sensible a errores pequeños cometidos en la
representación de los datos o en la aritmética. Hay que distinguir entre algoritmos inestables
y problemas sensibles a cambios pequeños en los datos.
Un problema se dice bien condicionado si pequeños cambios en los datos inducen sólo un
cambio pequeño en el resultado, es decir, problemas "cercanos" tienen respuesta "cercana".
El buen condicionamiento es algo inherente al problema.
Veamos un ejemplo.
x + y=2
10.05 x + 10 y = 21
Ahora cambiamos el coeficiente 10.05 por 10.1 (un cambio relativo de ≈ .5%) y consideramos
el sistema perturbado
x + y=2
10.1x + 10 y = 21
Se observa que un cambio pequeño en uno de los datos del problema (coeficientes y
términos independientes del sistema) ha producido un gran cambio en la solución (de más de
100%). Este problema se dice que está mal condicionado. ♦
TALLER 1.
2. Para los siguientes números x y x∗ , con cuántas cifras decimales exactas y con cuántas
cifras significativas aproxima x∗ a x ?
a) x = 451023
. , x∗ = 45101
.
b) x = −.045113 , x∗ = −.04518
c) x = 23.4213 , x∗ = 23.4604
4. Sean (x0 , y 0 ) y (x1, y1 ) , con y 0 ≠ y1 , puntos dados de una cierta línea recta. Verifique
que la abscisa del punto de intersección de dicha recta con el eje x, se puede calcular con
cualquiera de las dos siguientes fórmulas
x=
x 0 y1 − x1y 0
, x = x0 −
(x1 − x0 )y 0
y1 − y 0 y1 − y 0
. x + 14.31y = 45.00
3169
.11x + 5.89 y = 19.00
13
Un método para resolver este sistema es multiplicar la primera ecuación por 13.11, la
segunda ecuación por 31.69 y restar las ecuaciones resultantes para obtener el valor de
y ; luego se multiplica la primera ecuación por 5.89, la segunda ecuación por 14.31 y
restamos las ecuaciones resultantes para obtener el valor de x.
Efectúe las operaciones indicadas usando aritmética decimal con corte a cuatro dígitos y
compare los resultados obtenidos con la solución exacta del sistema. Si hay alguna
diferencia en los resultados, puede explicar a qué se debe tal diferencia?
8. La aproximación sen x ≈ x se usa a menudo para x pequeño. Estime, con la ayuda del
teorema de Taylor, el error de truncamiento al usar esta fórmula. Para qué rango de
valores de x da esta aproximación resultados con una precisión de por lo menos seis
cifras decimales exactas?
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 31
__________________________________________________________________________________
10. Discuta los problemas que se pueden presentar al evaluar las siguientes funciones y
plantee alternativas que permitan evitarlos:
ex − e− x
a) f (x) = ln(x + 1) − ln x b) senh x =
2
1 − cos x
c) f (x) = d) f (x) = 3 1 + x − 1
x2
11. Use aritmética decimal con redondeo a cuatro dígitos y una fórmula que intente evitar la
pérdida de cifras significativas, para encontrar las raíces de cada una de las siguientes
ecuaciones cuadráticas
a) x2 − 19.96 x + .1995 = 0 b) x2 + 40 x − 1 = 0
Utilice aritmética finita para calcular xn , n = 0,1,...,20 usando la fórmula (1) con las
condiciones iniciales anteriores, y también usando la fórmula (2). Explique los
resultados y concluya acerca de la estabilidad numérica de la fórmula (1) .
Utilice aritmética finita para calcular xn , n = 0,1,...,20 usando la fórmula (1) con las
condiciones iniciales anteriores, y también usando la fórmula (3). Explique los
resultados y concluya acerca de la estabilidad numérica de la fórmula (1) .
( )
n
xn = 1 − 3, , n = 0,1,... es solución de la ecuación en diferencias dada y satisface
las condiciones iniciales dadas.
( ) , como la fórmula x
n
xn = 1 − 3 n = 2( xn-1 + xn-2 ), con las condiciones iniciales dadas
en a). Explique los resultados y concluya acerca de la estabilidad numérica de la
fórmula xn = 2( xn-1 + xn-2 ) .
Nota: Se sabe que las funciones de Bessel Jn pueden definirse mediante la fórmula
π
Jn (x) = cos(x sen θ − nθ) dθ
1
π ∫
0
15. Las funciones de Bessel Yn satisfacen la misma fórmula de recurrencia (4) que las
funciones de Bessel Jn . Empiece con Y0 (1) = .0882569642 y Y1(1) = −.7812128213 y
use la fórmula de recurrencia (4) para calcular Yn (1), n = 2,3,...,20 . Decida si los
resultados son confiables o no.
∑k
1
16. Escriba un programa de computador que calcule el valor de SN = para varios
k =1
valores de N . Encuentre el valor de N tal que Sn = SN para todo n ≥ N . Le parece
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 33
__________________________________________________________________________________
∑k
1
extraño que tal valor exista? Recuerde que la serie armónica es divergente.
k =1
Explique.
17. Para cualquier entero positivo N y una constante fija r ≠ 1, se tiene la siguiente fórmula
para la suma geométrica
1 − r N+ 1
GN ≡ 1 + r + r 2 +...+r N = ≡ QN
1− r
1
x n +1 = x n + , n = 0,1,... donde x0 > 0
xn
INTRODUCCIÓN
El objetivo de este capítulo es estudiar algunos métodos numéricos para hallar raíces reales
de una ecuación no-lineal en una variable (sólo se estudiarán raíces complejas para
ecuaciones polinómicas). En la siguiente definición formalizamos el concepto de raíz de una
ecuación.
Como veremos, los métodos numéricos que estudiaremos para encontrar una raíz α de una
ecuación f (x) = 0 , generarán una sucesión {xn }n , n = 0,12
, ,... (Métodos iterativos) tal que
lim xn = α . Cualquiera de tales métodos numéricos permitirá calcular los términos de la
n→∞
sucesión {xn }n ; así que no se espera, en general, calcular lim xn . Por lo tanto, deberemos
n→∞
CRITERIOS DE APROXIMACIÓN
lim f (xn ) = f (α ) = 0 y así, dado cualquier número positivo ε, existe N ∈ N = {0,1,2,...} tal que
n→∞
para todo n ≥ N se tiene que f (xn ) < ε . Teniendo en cuenta lo anterior, dado un número
ε > 0 adecuadamente pequeño, al cual llamaremos Tolerancia y que notaremos Tol,
podríamos escoger como aproximación de la raíz α al término xN de la sucesión
mencionada, donde N es el menor entero no-negativo que satisface
i) f (xn ) < ε
Por otro lado, como lim xn = α significa que dado ε > 0 , existe N0 ∈ N = {0,12
, ,...} tal que si
n→∞
ii) xn − xn −1 <ε
Pues bien, para una tolerancia ε > 0 previamente escogida, cualquiera de los tres criterios
mencionados, se adoptará como criterio para obtener una aproximación de una raíz α .
Ahora, en cuanto a los criterios de aproximación anteriores, es fácil ver que el hecho de que
f (xN ) < ε o xN − xN−1 < ε no necesariamente indica que xN esté muy cerca de α, como
puede apreciarse en la FIGURA 2.1 y en el ejemplo 2.1 siguientes.
FIGURA 2.1
10
1
f (xn ) < ε ⇔ 1 + − 1
1
= < 10 −3 ⇔ n10 > 10 3 ⇔ n ≥ 2
n n10
1 3
Si tomamos como aproximación de α al término x 2 = 1 + = de la sucesión mencionada,
2 2
3 1 1
observamos que α - x 2 = 1 − = ,y no es menor que ε = 10 −3 ; realmente α − x 2
2 2 2
es una distancia muy grande entre α y x 2 . Vea la FIGURA 2.2.
Si usamos el segundo criterio con la misma tolerancia, debemos encontrar n tal que
1 1 1 1
xn − x n − 1 < ε ⇔ 1 + − 1 + = − < 10 −3
n n − 1 n n−1
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 35
__________________________________________________________________________________
1
Observe que para que α − xn < ε = 10 −3 , debe tomarse xn = x1001 = 1 + = 100099..
. ..
1001
1 1
( α − xn < ε ⇔ 1 − 1 + < 10 −3 ⇔ < 10 −3 ⇔ n > 10 3 ) ♦
n n
FIGURA 2.2
Se sigue de lo anterior que cualquiera de los criterios i), ii), iii) puede no darnos una idea
clara de la distancia real α − xn .
Por otra parte, para garantizar que una sucesión, generada por un determinado método
numérico, converge a la raíz buscada, la función f en cuestión deberá satisfacer ciertas
condiciones; resulta que muchas veces aplicaremos el método sin chequear tales
condiciones lo que nos conducirá, posiblemente, a una sucesión divergente, caso en el cual,
un entero N para el cual se cumpla i), ii) o iii), puede no existir. Puede ocurrir también que,
aún tratándose de una sucesión que converge a la raíz buscada, el entero N al que nos
hemos referido sea muy grande, por ser "muy lenta" la convergencia de la sucesión. Por lo
anterior, al aplicar cualquiera de los criterios, se hace necesario establecer siempre una cota
para N, es decir, imponer un máximo al número de iteraciones.
También, con frecuencia, tendremos que combinar dos o más de los criterios mencionados,
o considerar algún otro criterio, al momento de obtener una aproximación de una raíz .
ecuación. Además, la gráfica de f nos permitirá tener alguna idea útil del comportamiento
cualitativo de f en la vecindad de la raíz α (por ejemplo crecimiento y concavidad). Ahora
bien, es posible que a través de un proceso puramente gráfico podamos obtener una
aproximación para una raíz, que aunque limitada, sea útil para ciertos fines.
Ejemplo 2.2 Supongamos que estamos interesados en encontrar todas las raíces de la
ecuación
3 x2 − e x = 0
Una forma de iniciar la búsqueda de las raíces es determinando intervalos que contengan a
dichas raíces. Para esto, graficamos f (x) = 3 x2 − e x (ver la FIGURA 2.3 siguiente).
FIGURA 2.3
De acuerdo con la gráfica anterior se ve que la ecuación en consideración tiene por lo menos
tres raíces reales α 1 ∈[−10
, ] , α 2 ∈[0,1] y α 3 ∈[3,4] . (Verifique analíticamente que la
ecuación 3 x2 − e x = 0 tiene únicamente tres raíces reales).
f (x) = 3 x2 − e x en el intervalo [0,1] con tamaño de paso h = 0.1 . Observe que como la
función f es continua en [0.9,10
. ] y f (0.9)f (10
. ) < 0 , entonces α 2 ∈[0.9,10
. ].
FIGURA 2.4
x f (x) = 3 x2 − e x
0 −10
.
0.1 −107
. ...
0.2 −110
. ...
0.3 −107
. ...
0.4 −101
. ...
0.5 −0.89...
0.6 −0.74...
0.7 −0.54...
0.8 −0.30...
0.9 −0.02...
10
. 0.28...
TABLA 2.1
Instrucción en DERIVE:
[ ]
VECTOR( x , f (x) , x , a , b , h ): aproXima una tabla de valores de la función f (x) en el
intervalo [a,b] , con tamaño de paso h. Para el ejemplo, aproXime la expresión
[ ]
VECTOR( x, 3 x2 − exp(x) , x, 0 , 1, 0.1 ). ◊
En situaciones como la del ejemplo anterior, donde se sabe de la existencia de una única raíz
α para una ecuación f (x) = 0 en un determinado intervalo cerrado [a, b] , se puede usar
38 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
alguno de los siguientes métodos numéricos llamados cerrados para encontrar una
aproximación de dicha raíz.
Los métodos numéricos que en cada paso dan un intervalo cerrado donde se encuentra la
raíz buscada, son llamados métodos cerrados. Aquí estudiaremos dos de tales métodos: el
método de Bisección y el método de Posición Falsa.
FIGURA 2.5
b1 − a1 b − a
α − x1 ≤ =
2 2
b1 − a1
Si f (x1 ) = 0 o < ε , entonces α = x1 y el proceso termina.
2
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 39
__________________________________________________________________________________
b −a
x2 =
1
2
(a2 + b2 ) = a2 + 2 2 2 : segunda aproximación de la raíz α
b2 − a2 1 1 b −a b−a
α − x2 ≤ = (b1 − a1 ) = 1 2 1 = 2
2 22 2 2
xn =
1
(a n + b n ) = a n + b n − a n : n-ésima aproximación de la raíz α
2 2
b−a
0 ≤ α − xn ≤
1
2
(bn − an ) = n
2
b−a
Como lim = 0 , entonces lim xn = α , es decir, la sucesión {xn }n converge a la raíz α;
n→∞ 2n n→∞
b−a
x n − α ≤ ε . En particualr, si ε = 5 × 10 ( ) para un
− k +1
Dado ε > 0 , si n
≤ ε , entonces
2
b−a
cierto entero no-negativo k, y N es el menor entero positivo para el cual ≤ ε , entonces
2n
α − x N ≤ 5 × 10 − (k +1) , así que xN = α ∗ aproximará a la raíz α con una precisión de por lo
menos k cifras decimales exactas.
Algoritmo 2.1 (Bisección) Para encontrar una aproximación α ∗ de una raíz α ∈(a, b) de
una ecuación f (x) = 0 donde f es una función continua en [a, b] y f (a)f (b) < 0 :
Entrada: f (x) ; los extremos a, b del intervalo; una tolerancia Tol, y un número máximo de
iteraciones N .
∗
Salida: Una raíz aproximada α o un mensaje.
40 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Paso 1: Tomar n = 1.
a+b b−a
Paso 3: Tomar c = o c=a+ (calcular xn )
2 2
b−a
Paso 4: Si f (c) = 0 o < Tol , entonces salida: "Una raíz aproximada de la
2
∗
ecuación dada es α = c ". Terminar.
Paso 5: Tomar n = n + 1.
signo de
n an bn xn f (an ) f (xn )
1 .9 1.0 .95 −1 .121...
2 .9 .95 .925 −1 4.50...×10 −2
3 .9 .925 .9125 −1 7.42...×10 −3
4 .9 .9125 .90625 −1 . ...×10 −2
−111
5 .90625 .9125 .909375 −1 . ...×10 −3
−188
6 .909375 .9125 .9109375 −1 2.76...×10 −3
7 .909375 .9109375 .91015625 −1 4.42...×10 −4
8 .909375 .91015625 .909765625 −1 −7.19...×10 −4
TABLA 2.2
Instrucción en DERIVE:
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 41
__________________________________________________________________________________
Algunas de las desventajas del método de Bisección con respecto a otros métodos son:
Una de las mayores ventajas que tiene el método de Bisección es que el error de
b−a
truncamiento, α − xn , se acota fácilmente (recuerde que α − xn ≤ n ).
2
Ejercicio 2.1 Use el método de Bisección para estimar la menor raíz positiva de la ecuación
x − tanx = 0 , con una precisión de por lo menos 3 cifras decimales exactas, empezando con
un intervalo [a, b] que contenga a dicha raíz y b − a = 0.1 . ♦
2.1.2 Método de Posición Falsa (o Regula Falsi): Consideremos una función f continua
en un intervalo [a, b] y tal que f (a)f (b) < 0 . El método de Posición Falsa, para encontrar una
aproximación de una raíz α ∈ (a, b ) de f (x) = 0 , es similar al método de Bisección en el
sentido de que se generan subintervalos [an , bn ] que encierran a la raíz α, pero esta vez xn
no es el punto medio de [an , bn ] , sino el punto de intersección de la recta que pasa por los
( ) ( )
puntos an , f (an ) , bn , f (bn ) con el eje x (ver la FIGURA 2.6 siguiente).
42 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Al reemplazar la curva por una recta se obtiene una "posición falsa" de la raíz, de aquí el
nombre del método. También se le conoce como método de Interpolación Lineal Inversa.
FIGURA 2.6
x1 = a1 −
(b1 − a1)f (a1) = a1f (b1 ) − b1f (a1 )
f (b1 ) − f (a1 ) f (b1 ) − f (a1 )
x2 = a 2 −
(b2 − a2 )f (a2 )
f (b 2 ) − f (a 2 )
xn = an −
(bn − an )f (an ) = an f (bn ) − bn f (an )
f (bn ) − f (an ) f (bn ) − f (an )
Observe que en el denominador de la expresión anterior nunca se resta, pues f (an )f (bn ) < 0 .
Este método tiene la desventaja, con respecto al método de Bisección, que la longitud del
subintervalo que contiene a la raíz en general no tiende a cero, porque la mayoría de las
gráficas de las funciones son cóncavas (hacia arriba o hacia abajo) en la vecindad de la raíz,
lo que hace que uno de los extremos de los subintervalos se aproxime a la raíz, mientras el
otro permanece fijo (ver la FIGURA 2.6 anterior).
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 43
__________________________________________________________________________________
Por lo anterior, la longitud del subintervalo [an , bn ] no puede tomarse como un criterio de
aproximación a la raíz; se requiere una tolerancia en el valor de la función en la aproximación
xn , es decir, f (xn ) < ε o xn − xn −1 < ε para alguna tolerancia ε > 0 previamente
escogida. El procedimiento termina cuando se alcance esta tolerancia o un número máximo
de iteraciones previamente establecido.
Se puede demostrar, ver Ralston,1965, página 324, que este método converge siempre que f
sea continua.
f (xn ) < ε = 5 × 10 −5
Instrucción en DERIVE:
Compare los resultados anteriores con los obtenidos por el método de Bisección. ♦
Ejercicio 2.3 Aplique el método de Regula Falsi para estimar la menor raíz positiva α de la
ecuación x − tanx = 0 , usando como criterio de aproximación f (xn ) < 5 × 10 −5 . Con
cuántas cifras decimales exactas aproxima el valor obtenido xn a α ? ♦
A diferencia de los métodos cerrados que requieren de un intervalo que encierre la raíz
buscada, los métodos abiertos que se verán requieren de un solo valor o dos valores iniciales
(de arranque) que no necesariamente encierran dicha raíz; ésto hace que algunas veces las
sucesiones generadas por estos métodos sean divergentes o se alejen de la raíz de interés
(vayan probablemente a otra raíz), pero tienen la ventaja que cuando convergen lo hacen
"más rápidamente" que las sucesiones generadas por los métodos cerrados.
Teorema 2.1 (de punto fijo) Si g es una función continua en [a, b] y g(x) ∈[a, b] para todo
x ∈[a, b] , entonces g tiene por lo menos un punto fijo en [a, b] . Si además, g′(x) existe para
todo x ∈ (a, b) y g′(x) ≤ K < 1 para todo x ∈ (a, b) , K constante , entonces g tiene un único
punto fijo α ∈[a, b] y la sucesión {xn }n definida mediante la fórmula de iteración
xn = g(xn −1 ) , n = 12
, ,3,...
converge a α ( lim x n = α ) cualquiera sea x0 ∈[a, b] , y se tienen las siguientes cotas para
n→∞
el error de truncamiento, α − xn :
Ilustración:
FIGURA 2.7
Supongamos a < g(a) y b > g(b) y sea h(x) = g(x) − x . Entonces h es continua en [a, b] ,
h(a) = g(a) − a > 0, h(b) = g(b) − b < 0 , por tanto (teorema del valor intermedio) existe por lo
menos un α ∈ (a, b) tal que h(α ) = 0 , ésto es, α = g(α ) .
Unicidad: Supongamos que g′(x) ≤ K < 1 para toda x ∈ (a, b) y alguna constante K, y sean
para algún ξ ∈ (α, β) , lo cual es un absurdo, así que α = β y entonces el punto fijo en [a, b] ,
que existe según la primera parte, es único.
De otro lado
α − x0 = α − x1 + x1 − x0 ≤ α − x1 + x1 − x0 ≤ K α − x0 + x1 − x0
así que
(1 − K ) α − x0 ≤ x1 − x0
y como 0 ≤ K < 1 , entonces
1
α − x0 ≤ x1 − x0 (2.3)
1− K
Nuevamente, de (2.2)
α − xn ≤ K n α − x 0
Kn
α − xn ≤ K n α − x 0 ≤ x1 − x 0
1− K
así que
Kn
ii) α − xn ≤ x1 − x0 , n = 12
, ,...
1− K
xn = g( xn −1 ) , n = 1,2,...
con x0 dado.
La función g se dice una función de iteración de punto fijo.
Nota: Observe, a partir de la cota de error dada en el teorema 2.1, ii), que para 0 ≤ K < 1 ,
entre más pequeña sea K, es decir, entre más pequeña sea g′( x) , x ∈ ( a,b) , "más rápida"
será la convergencia de la sucesión {xn }n a α . La convergencia puede ser muy lenta si K
está cerca de 1.
∗
Algoritmo 2.2 (Punto Fijo) Para encontrar una aproximación α de un punto fijo α de una
función g, dada una aproximación inicial x0 :
Entrada: g(x); una aproximación inicial x0 ; una tolerancia Tol, y un número máximo de
iteraciones N .
∗
Salida: Un punto fijo aproximado α o un mensaje.
Paso 1: Tomar n = 1.
Paso 4: Si c − x0 < Tol o c − x0 < Tol c , entonces salida: "Un punto fijo
aproximado de la función dada es α ∗ = c ". Terminar.
Paso 5: Tomar n = n + 1.
Hay situaciones en las que no se satisfacen las hipótesis del teorema de Punto Fijo y sin
embargo hay convergencia, es decir, el teorema es de condiciones suficientes no necesarias.
Ejemplo 2.4 Para la ecuación 3 x2 − e x = 0 sabemos que tiene tres raíces reales
α 1 ∈[−.5,−.4] , α 2 ∈[.9,10
. ] y α 3 ∈[3.7,3.8]. Estimemos α 2 usando el método de iteración
de Punto Fijo.
48 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Como
x
e2
x = , si x ≥ 0
1
ex ex 2 3
3x − e = 0 ⇔ x =
2 x
⇔ x = ±
2 ⇔
3 3 x
2
x = − e
, si x ≤ 0
3
x
entonces g1(x) =
1 2
e es una función de iteración.
3
Como
ex
3 x2 − e x = 0 ⇔ x = , x≠0
3x
ex
entonces g2 ( x) = , x ≠ 0 , también es una función de iteración.
3x
Como
( )
3x2 − e x = 0 ⇔ e x = 3x 2 ⇔ x = ln 3x 2 , x ≠ 0
( )
entonces g3 (x) = ln 3x 2 , x ≠ 0 , es otra función de iteración.
Como
3x 2 − e x 3 x 2 − xe x + e x
3x 2 − e x = 0 ⇔ x = x − , 6x − e x ≠ 0 ⇔ x = , 6x − e x ≠ 0
6x − e x 6x − e x
3 x 2 − xe x + e x
entonces g4 (x) = , 6 x − e x ≠ 0 , es una función de iteración (la función de
6x − e x
Como
3 x2 − e x = 0 ⇔ x = 3 x2 + x − e x
x
Si escogemos la función de iteración g1(x) = e 2 y el intervalo [.9,10
. ] , vemos que:
1
3
x
[.9,10
. ]; g1′ (x) = > 0 para todo x ∈[.9,10
. ], así que g1 es
1
g1 es continua en e2
2 3
creciente en [.9,10
. ] , y como
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 49
__________________________________________________________________________________
.9 1.0
g1(.9 ) = e 2 = .905... ∈[.9,10
. ] , g1(10
. )= = .951... ∈[.9,10
. ]
1 1 2
e
3 3
Ahora,
x
g1′′ (x ) = e 2 > 0 para todo x ∈ [.9,1.0]
1
4 3
para x ∈[.9,10
. ] ), y como
Cuántas iteraciones n serán necesarias para que xn aproxime al punto fijo α 2 ∈[.9,10
. ]
con por lo menos tres cifras decimales exactas ?
Tomando K =.48 y x0 =.95 ( observe que x 0 =.95 es el punto medio del intervalo [.9,10
. ] y
es el valor que minimiza la expresión Max {x0 − a, b − x0 } ), obtenemos
n≥
(
ln 10 −2 ) = 6.27...
ln(.48)
Luego para n ≥ 7 , se tiene que xn aproximará a α 2 con una precisión de por lo menos tres
cifras decimales exactas.
x
La gráfica de g1(x) =
1 2
e se muestra en la FIGURA 2.9, y los valores calculados usando el
3
x
método de Punto Fijo con la función de iteración g1(x) =
1
e 2 , iniciando con x0 = .95 y
3
terminando en x7 ≈ α 2 , se muestran en la TABLA 2.3.
FIGURA 2.9
N xn
0 .95
1 .9283874
2 .9184090
3 .9138383
4 .9117522
5 .9108017
6 .9103690
7 .9101720
TABLA 2.3
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 51
__________________________________________________________________________________
Instrucción en DERIVE:
Observe, en la FIGURA 2.9, que no existe intervalo [a, b] que contenga a α 3 (que es punto
fijo de g1 ) donde se satisfagan todas las hipótesis del teorema de Punto Fijo para la función
g1 . Para esta función de iteración g1 el método de Punto Fijo no converge a α 3 .
ex
Si tomamos la función de iteración g2 (x) = , x ≠ 0 , cuya gráfica se muestra en la FIGURA
3x
2.10 siguiente, tenemos:
FIGURA 2.10
3 xe x − 3 e x e x (x − 1)
. ] ; g′2 (x) =
g2 es continua en [.9,10 = ≤ 0 si x ∈[.9,10
. ] , así que g2 es
9 x2 3 x2
decreciente en [.9,10
. ] , y como
Ahora,
g′′ (x) =
(e (x − 1) + e )3x
x x 2
− e x (x − 1)6 x
2
9 x4
=
x 2 e x − 2xe x + 2e x
=
( )
e x x 2 − 2x + 2
3 3
3x 3x
y como
( )
x 2 − 2x + 2 = x 2 − 2x + 1 + 1 > 0 para todo x ∈ R
Los valores obtenidos usando la función de iteración g2 con punto inicial x 0 = .95 y criterio
de aproximación xn − xn −1 < 5 × 10 −5 , se muestran en la TABLA 2.4 siguiente.
n xn xn − xn −1
0 .95
1 .9072665 4.27335 × 10 −2
2 .9102584 2.9919 × 10 −3
3 .9099850 2.734 × 10 −4
4 .9100096 2.46 × 10 −5
TABLA 2.4
ex
Será que la función g2 (x) = nos sirve para determinar α 3 ∈[3.7,3.8] ?
3x
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 53
__________________________________________________________________________________
Veamos:
Existirá algún intervalo [a, b] que contenga a la raíz α 3 donde se satisfagan todas las
hipótesis del teorema de Punto Fijo para la función g2 ?
Observe, a partir de la gráfica de g2 , que no existe intervalo [a, b] con α 3 ∈[a, b] tal que
Como g′2 es creciente en [3.7,3.8] , g′2 (3.7) = 2.65..., g′2 (3.8) = 2.88..., entonces
g′2 (x ) > 1 para todo x ∈[3.7,3.8] . Luego no existe intervalo [a, b] que contenga a la raíz
α 3 donde se satisfagan las hipótesis del teorema de Punto Fijo para la función g2 .
Por otro lado, como g′2 es decreciente en [−.5,−.4] , g′2 (−.5) = −121
. ... y g′2 (−.4) = −195
. ... ,
entonces g2 tampoco satisface las hipótesis del teorema de Punto Fijo en algún intervalo
que contenga a α 1 . ♦
Ejercicio 2.4 Use el método de iteración de Punto Fijo, con alguna de las funciones de
iteración dadas anteriormente, para encontrar estimaciones de las raíces α 1 y α 3 de la
ecuación 3 x2 − e x = 0 , usando como criterio de aproximación
xn − xn −1 < 5 × 10 −5 ♦
Ejemplo 2.5 Usemos el método iterativo de Punto Fijo para encontrar la menor raíz positiva
de la ecuación x − tanx = 0 .
π 3π
De acuerdo con la FIGURA 2.11, la menor raíz positiva α ∈ , , y a partir de una tabla
2 2
de valores para f (x ) = x − tanx , por ejemplo en el intervalo [4,4.7] con tamaño de paso
h = .1 , puede verse que α ∈[4.4,4.5] (cuando utilice una calculadora, use el modo radianes
para los cálculos).
Una primera función de iteración de Punto Fijo (que salta a la vista) es g(x ) = tanx (ya que
x − tanx = 0 ⇔ x = tanx ), pero es claro que para esta función g no existe intervalo [a, b] que
54 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
contenga la raíz α donde se satisfagan todas las hipótesis del teorema de Punto Fijo, pues
g′(α ) >> 1 (observe la FIGURA 2.11).
FIGURA 2.11
Si aplicamos el método de Punto Fijo con la función de iteración g(x ) = tanx y punto inicial
x 0 = 4.4 , se obtienen en las cinco primeras iteraciones los resultados que se muestran en la
TABLA 2.5 siguiente.
n xn
0 4.4
1 3.096324
2 − 4.529982 × 10 −2
3 − 4.533083 × 10 −2
4 − 4.536191 × 10 −2
5 −4.539305 × 10 −2
TABLA 2.5
Si empezamos con x0 = 4.5 , se obtienen los resultados que se muestran en la TABLA 2.6,
donde se ve claramente que tampoco hay convergencia a la raíz buscada.
de iteración de punto fijo, apropiada para determinar α, es la que se obtiene por la vía de la
función inversa. Para obtener tal función de iteración g(x) procedemos como sigue:
n xn
0 4.5
1 4.637332
2 13.29819
3 .8982038
4 1.255520
5 3.066028
TABLA 2.6
π 3π π 3π
<x< y x = tanx ⇔ <x< y x = tan(x − π )
2 2 2 2
π π
⇔ − < x−π< y x = tan(x − π )
2 2
π π
⇔ − < x−π< y tan −1x = x − π
2 2
π 3π
⇔ <x< y x = π + tan −1x
2 2
Así que podemos tomar como función de iteración g(x) = π + tan −1x . La gráfica de
y = π + tan −1x se muestra en la FIGURA 2.12 siguiente.
FIGURA 2.12
Veamos que g(x) = π + tan −1x satisface todas las hipótesis del teorema de Punto Fijo en el
intervalo [4.4,4.5] :
56 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Por lo tanto g tiene un único punto fijo α ∈[4.4,4.5] , y la sucesión {xn }n con
converge a α cualquiera sea x0 ∈[4.4,4.5] , y se tienen además, las cotas para el error de
truncamiento α − xn , dadas en el teorema 2.1.
Como ejercicio, encuentre cuántas iteraciones n serán necesarias para que xn aproxime
a α con por lo menos 4 cifras decimales exactas, tomando [a, b] = [4.4,4.5] , x0 = 4.45 y
K = .05 ?
La TABLA 2.7 siguiente, muestra los cálculos de las iteraciones para g(x) = π + tan −1x con
punto inicial x 0 = 4.45 y criterio de aproximación xn − xn −1 < 5 × 10 −5 .
n xn xn − xn −1
0 4.45
1 4.491341 .041341
2 4.493311 . × 10 −3
197
3 4.493404 9.3 × 10 −5
4 4.493409 5.0 × 10 −6
TABLA 2.7
Definición 2.3 Dada una ecuación f (x) = 0 . Un número α se dice una raíz de multiplicidad
m (m un entero positivo) de la ecuación f (x) = 0 , si f (α ) = 0 , y
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 57
__________________________________________________________________________________
El siguiente teorema relaciona la multiplicidad de una raíz de una ecuación f (x) = 0 con las
derivadas de la función f .
Teorema 2.2 Supongamos que la función f tiene su dos primeras derivadas continuas en un
intervalo [a, b] que contiene a un número α . Entonces α es una raíz simple de la ecuación
f (x) = 0 si y sólo si f (α ) = 0 y f ′(α) ≠ 0 .
! 2!
0
= (x − α )f ′(α ) + f ′′(ξ )
(x − α)
2!
Llamando
Teorema 2.3 Supongamos que la función f tiene sus primeras m + 1 derivadas continuas en
un intervalo [a, b] que contiene a un número α. Entonces α es una raíz de multiplicidad m de
De acuerdo con la hipótesis general y el teorema 2.2, como f ′(α) ≠ 0 , entonces la raíz α es
simple, es decir, de multiplicidad 1.
Las siguientes gráficas muestran diversas posibilidades de multiplicidad para una raíz α de
una ecuación f (x) = 0 :
f ( x n −1 )
En general, para cada n ≥ 1, xn = xn −1 − : abscisa del punto de intersección de la
f ′ ( x n −1 )
(
recta tangente a la gráfica de f en el punto xn −1, f (xn −1 ) , con el eje x. )
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 59
__________________________________________________________________________________
FIGURA 2.14
(x − α )
2
∗
( ) + f ′(α )(x − α )
f (x) = f α ∗ ∗ ∗
+ f ′′(ξ)
2!
con ξ entre x y α ∗
(α − α )
2
∗
0 = f (α ) = f α ( ) + f ′(α )(α − α )
∗ ∗ ∗
+ f ′′(ξ)
2!
, ξ entre α y α ∗
(α − α )
2
∗
α≈α − ∗ ( )
f α∗
f ′(α )
∗
∗
y α −
( ) es, por lo general, una mejor aproximación de α que α
f α∗
∗
f ′(α )
.
∗
f ( x n −1 )
x n = x n −1 − , n = 12
, ,...
f ′(xn −1 )
y escogiendo x0 "cercano" a α .
La escogencia del punto inicial x0 es muy importante para la convergencia del método de
4x − 7
Newton-Raphson. Como ejemplo, consideremos la función f (x) = , que tiene un cero
x−2
7
en α = = 175
. . Como
4
4(x − 2) − (4 x − 7) −1
f ′(x) = , f ′′(x) =
2
=
(x − 2) 2
(x − 2) 2
(x − 2)3
entonces f es continuamente diferenciable dos veces en todo intervalo que no contenga a
x=2.
4 x n −1 − 7
xn −1 − 2
x n = x n −1 − , x n −1 ≠ 2
−1
(xn−1 − 2)2
4x − 7
La gráfica de f (x) = es como se muestra en la FIGURA 2.15.
x−2
Si x0 ∈ (15
. ,2) el método converge. Qué pasa si x0 ∈ (0,15
. )?
En las TABLAS 2.8 y 2.9, se muestran los resultados obtenidos al aplicar el método de
4x − 7
Newton-Raphson a la función f (x) = tomando como puntos iniciales x 0 = 165. y
x−2
. , respectivamente, y usando como criterio de aproximación f (xn ) < 5 × 10
−5
x 0 = 185 o
xn − xn −1 < 5 × 10 −5 .
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 61
__________________________________________________________________________________
FIGURA 2.15
n xn f (xn ) xn − xn−1
0 .
165 . ...
114
1 .
179 −.761... .14
2 .
17564 −.105... 3.36 × 10 −1
3 .
1750163 −2.60...×10 −3 6.237 × 10 −3
4 175
. 0 . × 10 −4
163
TABLA 2.8
Instrucción en DERIVE:
n xn f (xn ) xn − xn−1
0 .
185 −2.66...
1 .
179 −.761... 6.0 × 10 −2
2 17564
. −.105... 3.36 × 10 −1
3 .
1750163 −2.60...×10 −3 6.237 × 10 −3
4 .
175 0 . × 10 −4
163
TABLA 2.9
n xn f (xn ) xn − xn−1
0 .
10 3.0
1 4.0 4.5 3.0
2 22.0 4.05 18.0
3 1642.0 4.000609 1620.0
4 .
1076168 × 10 7 4.000000 .
10760038 × 107
5 4.632550 × 1014 4.000000 4.6325498...×1014
TABLA 2.10
Teorema 2.4 Sea f una función continuamente diferenciable dos veces en un intervalo [a, b]
que contiene un número α . Si f (α ) = 0 y f ′(α ) ≠ 0 ( α es raíz simple de la ecuación
f (x) = 0 ), entonces existe δ > 0 tal que la sucesión {xn }n con
f ( x n −1 )
xn = xn −1 − , n = 1,2,...
f ′ ( x n −1 )
Demostración: Haciendo
f (x)
g(x) = x −
f ′(x)
se demostrará que existe un δ > 0 tal que la función g satisface las hipótesis del teorema 2.1
(de Punto Fijo) en el intervalo [α − δ, α + δ ] .
En efecto:
Como f ′(α) ≠ 0 y f ′ es continua en [a,b] , existe δ1 > 0 tal que f ′(x) ≠ 0 para todo
x ∈[α − δ1, α + δ1 ] ⊆ [a, b] . Entonces g es continua en [α − δ1, α + δ1 ] .
Ahora,
f ′(x)f ′(x) − f (x)f ′′(x) [f ′(x)] − [f ′(x)] + f (x)f ′′(x)
2 2
g′(x) = 1 − =
[f ′(x)] [f ′(x)]
2 2
f (x)f ′′(x)
= para x ∈[α − δ 1, α + δ 1 ]
[f ′(x)]
2
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 63
__________________________________________________________________________________
f (α )f ′′(α )
g′(α ) = =0
[f ′(α)]
2
Ahora, como g′ es continua en [α − δ1, α + δ 1 ] y g′(α ) = 0 , entonces existe δ con 0 < δ < δ 1
tal que g′(x) ≤ K < 1 para toda x ∈[α − δ, α + δ ] (este δ depende del K escogido).
( )
Fijados K y δ, falta demostrar que g [α − δ, α + δ] ⊆ [α − δ, α + δ ] .
Si x ∈[α − δ, α + δ ] , el teorema del valor medio aplicado a g implica que existe un ξ entre x y α
tal que
g(x) − α = g(x) − g(α ) = g′(ξ) x − α ≤ K x − α < x − α ≤ δ
f (α )
(recuerde que g(α ) = α − = α ).
f ′(α )
Así que g(x) − α ≤ δ , lo que significa que g(x) ∈[α − δ, α + δ ] para todo x ∈[α − δ, α + δ ] .
xn = g(xn−1 ), n = 12
, ,...
f ( x n −1 )
xn − xn −1 =
f ′ ( x n −1 )
entonces entre más grande sea f ′(x) en la vecindad de la raíz α, "más rápida" será la
convergencia.
64 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
∗
Algoritmo 2.3 (Newton-Raphson) Para encontrar una aproximación α de una raíz α de
una ecuación f (x) = 0 conocida una aproximación inicial x 0 :
Entrada: f (x), f ′(x) , una aproximación inicial x 0 , una tolerancia Tol, y un número máximo
de iteraciones N .
∗
Salida: Una raíz aproximada α o un mensaje.
Paso 1: Tomar n = 1.
e
Paso 5: Tomar c = x 0 − (calcula xn ).
d
Paso 7: Tomar n = n + 1.
se obtienen los resultados que se muestran en las TABLAS 2.11, 2.12 y 2.13 siguientes.
n xn f (xn ) xn − xn −1
0 −.5 .143...
1 −.4602195 4 26...×10 −3
. 3.97805 × 10 −2
2 −.4589635 4.18...×10 −6 .
1256 × 10 −3
TABLA 2.11
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 65
__________________________________________________________________________________
n xn f (xn ) xn − xn −1
0 10
. 2.81...×10 −1
1 .9141552 4.26...×10 −3 8.58448 × 10 −2
2 .9100176 4.18...×10 −6 4.1376 × 10 −3
TABLA 2.12
n xn f (xn ) xn − xn −1
0 3.8 −1.38...
1 3.736935 − 7.51... × 10 −2 6.3065 × 10 −2
2 3.733092 − 2.51... × 10 −4 3.843 × 10 −3
−5
3 3.733078 1.96... × 10 1.4 × 10 −5
TABLA 2.13
Ejercicio 2.5 Use el método de Newton-Raphson para encontrar la menor raíz positiva de la
ecuación x − tanx = 0 , usando como criterio de aproximación el mismo dado en ejemplo 2.6
anterior. ♦
p(xn −1 )
x n = x n −1 − , n = 12
, ,...
p ′(xn −1 )
con x0 escogido cercano a α .
( ( (
p(x) = a0 + x a1 + x a 2 + x a3 +...+ x(an −1 + xan )... )))
queremos evaluar p(z ) y p ′(z ) para algún número real z, basta tener en cuenta que:
Si hacemos
bn = a n , y
bk = ak + zbk +1 para k = n − 1, n − 2,...,10
,
entonces b 0 = p(z ) .
Los números auxiliares bn , bn −1,..., b1 son los coeficientes del polinomio cociente q(x ) que
resulta de la división de p(x ) por x − z y b 0 es el residuo, es decir,
p(x ) = (x − z )q(x ) + b0
En efecto:
p(z ) = (z − z )q(z ) + b 0 = b 0
entonces derivando a ambos lados de esta última ecuación con respecto a x, obtenemos
y entonces
p ′(z ) = q(z ) + (z − z )q′(z ) = q(z )
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 67
__________________________________________________________________________________
y como q(x ) es un polinomio del cual conocemos sus coeficientes (los números
bn , bn −1,..., b1 ), podemos aplicar el algoritmo de Horner al polinomio q(x ) para hallar q(z ) y
de esta manera obtener p ′(z ) .
Entrada: El grado n del polinomio, los coeficientes a 0 , a1,..., an del polinomio p(x ) , el número
real z.
Observe, en el algoritmo anterior, que como bn , bn−1,..., b1 son los coeficientes del polinomio
reducido q(x ) , si aplicamos el algoritmo de Horner a este polinomio q(x ) , es decir, hacemos
c n = bn , y
para j = n − 1, n − 2,...,1 hacemos c j = b j + zc j+1
p(x 0 ) p(2.0 )
x1 = x 0 − = 2.0 −
p ′ (x 0 ) p ′(2.0 )
Entonces
5.0
x1 = 2.0 − = 15455
. y x1 − x0 = .4545 > 5 × 10 −3
.
110
p(x1 ) .
11461
x 2 = x1 − = 15455
. − = 13596
. y x 2 − x1 = .1859 > 5 × 10 −3
p ′(x1 ) 6.1657
Luego α 1 ≈ 13258
. = x 3 . Puesto que la ecuación dada, x 3 − x − 1 = 0 , tiene tres raíces, cómo
podríamos intentar aproximar las otras dos raíces α 2 y α 3 de esta ecuación? (Se puede
verificar fácilmente que las raíces α 2 y α 3 son complejas no-reales).
Recordemos que
p(x ) = (x − 1.3258 )q(x ) + p(1.3258 )
q(x) = x 2 + 13258
. x + .7577
Total que
p(x) = (x − 13258
. (
) x2 + 13258
. )
x + .7577 + 0.0046
(recuerde que estamos haciendo redondeo a cinco dígitos)
70 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Instrucción en DERIVE:
( )
p(x) ≈ x − α 1∗ qn −1(x)
( )( )
p(x) ≈ x − α 1∗ x − α ∗2 qn − 2 (x)
( )( ) ( )
p(x ) ≈ x − α 1∗ x − α ∗2 ... x − α ∗n−2 q2 (x )
∗ ∗ ∗
El procedimiento descrito antes para obtener α1, α2 ,..., αn − 2 se conoce como Deflación.
La posible deficiencia en la precisión de las raíces obtenidas por Deflación se debe a que
cuando obtenemos los ceros aproximados de p(x ) , estamos usando el método de Newton-
Raphson aplicado al polinomio reducido q k (x ) . Para mejorar la precisión en el método de
∗
Deflación, cualquier cero aproximado α k que se encuentre para un polinomio reducido debe
someterse a un refinamiento aplicando el método de Newton-Raphson al polinomio original
p(x ) , tomando a α k como aproximación inicial.
∗
Entrada: El grado n y los coeficientes a 0 , a1,..., an del polinomio p(x ) ; una aproximación
inicial x 0 ; una tolerancia Tol, y un número máximo de iteraciones N.
Paso 1: Tomar i = 1.
Paso 3: Tomar bn = an y c = an
b j = a j + x 0 b j +1
c = b j + x 0 c (calcula p ′(x0 ) )
b0
Paso 7: Tome x1 = x0 − (calcula xi en el método de Newton-Raphson).
c
b0
Paso 8: Si b0 < Tol o x1 − x0 = < Tol , entonces salida: "Una raíz
c
aproximada de p(x) = 0 es α = x1 ". Terminar.
∗
Paso 9: Tomar i = i + 1.
Paso 11: Salida "Se alcanzó el número máximo de iteraciones N pero no la tolerancia".
Terminar.
FIGURA 2.16
q2 (x ) = x 2 + 2.146233x + 1.035197
De acuerdo con la FIGURA 2.17, la ecuación dada sólo tiene dos raíces reales simples
α 1 ∈[−5,0] y α 2 ∈[0,5] (verifíquelo analíticamente).
q2 (x ) = x 2 + 4.999999x + 8.000134
74 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
FIGURA 2.17
FIGURA 2.18
De acuerdo con esta gráfica la raíz α = 0 es una raíz múltiple con multiplicidad impar.
Como
f ′(x) = 1 − sec 2 x , f ′(0 ) = 0
f ′′(x) = −2 sec 2 xtanx , f ′′(0 ) = 0
f ′′′(x) = −4 sec 2 xtan 2 x − 2 sec 4 x , f ′′′(0) = −2 ≠ 0
Observe que aunque la raíz α = 0 es múltiple, f ′(x) ≠ 0 para x cerca de 0, x ≠ 0 , así que
podemos aplicar el método de Newton-Raphson para aproximar la raíz α = 0 . Si hacemos
ésto con criterio de aproximación f (xn ) < 5 × 10 −5 o xn − xn −1 < 5 × 10 −5 , obtenemos los
resultados que aparecen en la TABLA 2.14 siguiente.
n xn f (xn ) xn − xn −1
0 .3 −9.33...×10 −3
1 2.024312 × 10 −1 −2.81...×10 −3 9.75688 × 10 −2
2 .
1356958 × 10 −1 −8.39...×10 −4 6.67354 × 10 −2
3 9.068650 × 10 −2 −2.49...×10 −4 4.50093 × 10 −2
4 6.052418 × 10 −2 −7.40...×10 −5 3.016232 × 10 −2
5 4.036921 × 10 −2 −2.19...×10 −5 2.015497 × 10 −2
TABLA 2.14
Ejercicio 2.6 Use el método de Newton-Raphson para encontrar las dos raíces de la
ecuación x2 − 2.0001x + 10001
. = 0 , usando como puntos iniciales x 0 = .5 , x0 = 15
. y criterio
de aproximación f (xn ) < 5 × 10
−5
o xn − xn −1 < 5 × 10 −5 . Cuáles son las raíces exactas
de esta ecuación ? ♦
En situaciones como la del ejemplo anterior (raíz múltiple), se recomienda utilizar el método
de Newton-Raphson modificado.
f (x)
, x≠α
M(x) = f ′(x)
0, x=α
Por ser f (x ) = (x − α )m h(x ) , entonces f ′(x ) = m(x − α )m −1 h(x ) + (x − α )m h ′(x ) , así que
para x ≠ α , M(x) =
f (x)
=
( x − α ) h(x)
m
= (x − α )
h(x)
f ′(x) (x − α ) [mh(x) + (x − α )h ′(x)]
m −1
mh(x) + (x − α )h ′(x)
Observe que lim M(x) = 0 = M(α ) , lo que significa que la función M es continua en α . ∇
x→ α
f (x)
M(x) f ′(x)
g(x) = x − = x−
M′(x)
[f ′(x)] − f (x)f ′′(x)
2
[f ′(x)]
2
es decir,
f (x)f ′(x)
g(x) = x −
[f ′(x)] − f (x)f ′′(x)
2
n xn M(xn ) xn − xn −1
0 .3 9.75...×10 −2
1 −1595052
. × 10 −2 −5.31...×10 −3 .31595052
2 2.164831 × 10 −6 7.21...×10 −7 .
1595268 × 10 −2
TABLA 2.15
Instrucción en DERIVE:
Observando la TABLA 2.15 vemos que el valor de x2 , obtenido por el método de Newton-
Raphson modificado, es mucho más cercano a 0 que el valor de x 5 obtenido por el método
de Newton-Raphson aplicado a la función f (x) = x − tanx .
x − tanx
En el ejemplo anterior M(x) = y la gráfica de M en la vecindad de α = 0 se muestra
1 − sec 2 x
en la FIGURA 2.19 . ♦
78 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
FIGURA 2.19
2.2.5 Método de la Secante: El método de Newton-Raphson para aproximar una raíz simple
α de una ecuación f (x) = 0 , consiste en generar la sucesión {xn }n a partir de la fórmula de
iteración
f ( x n −1 )
xn = xn −1 − , n = 12
, ,...
f ′ ( x n −1 )
Como
f (x) − f (xn −1 )
f ′(xn −1 ) = lim
x→ xn − 1 x − x n −1
f (xn −1 )(xn −1 − xn − 2 )
xn = xn −1 − , n = 2,3,...
f ( x n −1 ) − f ( x n − 2 )
Nótese que para iterar con el método de la Secante se requiere conocer dos aproximaciones
iniciales x 0 y x1 .
FIGURA 2.20
∗
Algoritmo 2.6 (Secante) Para encontrar una aproximación α de una raíz α de una
ecuación f (x ) = 0 conocidas dos aproximaciones iniciales x0 y x1 :
Paso 1: Tomar n = 2 , y 0 = f (x 0 ) y y 1 = f (x 1 ) .
y1(x1 − x0 )
Paso 4: Tomar x 2 = x1 − .
y1 − y 0
80 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Paso 6: Tomar n = n + 1.
Paso 7: Tomar x 0 = x 1
y 0 = y1
x1 = x 2
y 1 = f (x 1 )
Ejemplo: 2.11 Si aplicamos el método de la Secante para encontrar la menor raíz positiva de
la ecuación x − tanx = 0 , con criterio de aproximación xn − xn −1 < 5 × 10 −5 , obtenemos los
resultados que se muestran en la TABLA 2.16 siguiente.
n xn xn+1 f (xn+1 ) xn +1 − xn
0 4.4 4.5 −.137... .1
1 4.5 4.490469 5.85...×10 −2 9.531 × 10 −3
2 4.490469 4.494723 −2.66...×10 −2 4.254 × 10 −3
3 4.494723 4.492822 . ...×10 −2
118 .
1901 × 10 −3
4 4.492822 4.493671 −5.28...×10 −3 8.490 × 10 −4
5 4.493671 4.493292 2.37...×10 −3 3.790 × 10 −4
6 4.493292 4.493461 . ...×10 −3
−104 .
1690 × 10 −4
7 4.493461 4.493386 4.73...×10 −4 7.500 × 10 −5
8 4.493386 4.493419 . ...×10 −4
−192 3.300 × 10 −5
TABLA 2.16
Instrucción en DERIVE:
De acuerdo con los resultados de la TABLA 2.16, la menor raíz positiva de la ecuación
x − tanx = 0 es α ≈ 4.493419 = x8 . ♦
Los métodos numéricos estudiados aquí para hallar una raíz α de una ecuación f (x) = 0
consistieron en generar una sucesión {xn }n tal que lim xn = α .
n→∞
La eficiencia de un método numérico depende, en parte, de la "rapidez" con la cual la
sucesión {xn }n converge a α, donde "rapidez" significa el número mínimo de iteraciones N
necesarias para tener xN a una distancia dada de la raíz α, es decir, tal que xn − α < ε
para algún ε > 0 dado. Una forma de medir la "rapidez" de la convergencia de un método
iterativo de los que estudiamos, es en los siguientes términos.
En +1 x n +1 − α
lim = lim =L
n→∞ Eλ n→∞ λ
n xn − α
entonces se dice que la sucesión {xn } converge a α con orden de convergencia λ y error
n
asintótico L . ∇
Veamos que la definición 2.4 es una buena definición en el sentido que si λ y L existen,
entonces son únicos.
En +1 En +1
lim = L1 y lim = L2
n→∞ Enλ1 n→∞ Enλ 2
y veamos que λ 1 = λ 2 y L1 = L 2 .
Basta probar que λ 1 = λ 2 , pues si esto ocurre, entonces L1 = L 2 (por la unicidad del límite,
cuando existe).
Supongamos, por reducción al absurdo, que existen λ 1 y λ 2 con λ 1 > λ 2 > 0 y tales que
En +1 En +1
lim = L1, lim = L 2 donde L1, L 2 > 0
n→∞ Enλ1 n→∞ Enλ 2
82 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
1 En +1 Enλ 2
=
Enλ1 − λ 2 Enλ1 En +1
así que
1 En +1 Enλ 2
lim = lim
n→∞ Enλ1 − λ 2 n→∞ Enλ1 En +1
Pero
1
lim = ∞, ya que lim E nλ1 −λ 2 = 0
n→∞ E nλ1 − λ 2 n→ ∞
y
En +1 Enλ 2 En +1 Enλ 2 1 L1
lim λ1 E
= lim λ
lim = L1 = ∈R
n→∞ En n +1 n→∞ E 1 n→∞ En +1 L2 L2
n
En +1 ≈ LEnλ
y así, fijado L, entre mayor sea λ , más rápidamente converge la sucesión {xn }n a α, es
decir, entre mayor sea el orden de convergencia de una sucesión {xn }n , menor será el
número de iteraciones necesarias para tener a xn a una distancia dada del límite de esa
sucesión.
Casos especiales:
En+1 ≈ LEn
En +1 ≈ LEn2
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 83
__________________________________________________________________________________
sucesiones.
Como
1
3
En +1 (n + 1) 3 nλ
= =
Enλ 1
λ
n + 1
3
n
entonces
nλ 1
lim = lim = L ∈ R, L > 0, si y sólo si λ = 1
n→∞ n + 1 n→∞ n1− λ + n − λ
Procediendo de manera similar al caso anterior, se puede ver que el orden de convergencia
1
En = < 10 −3 ⇔ n3 > 10 3 ⇔ n > 10, así que N1 = 11 .
n3
1
E" n = < 10 −3 ⇔ 10 2 > 10 3 ⇔ 2n > 3 ⇔ n ≥ 2 , así que N2 = 2 .
n
n
10 2
xn = g(xn−1) , n = 1,2,...
En efecto:
∈n+1 = xn+1 − α = g (xn ) − g (α ) = g′(ξ n )(xn − α ) = g′(ξ n ) ∈n
con ξ n entre xn y α .
así que
= g′(α ) = L > 0
En +1
lim
n→∞ En
ii) Si g′′ es continua en alguna vecindad de α, g′(α ) = 0 , g′′(α ) ≠ 0 (el punto α,g(α ) no es ( )
de inflexión de la gráfica de g), y la sucesión {xn }n definida por
xn = g(xn−1 ) , n = 12
, ,...
En efecto:
Como g′′ es continua en un intervalo abierto que contiene a α, entonces para x en ese
intervalo, se tiene
g′′(ξ)
g (x) = g (α ) + g′(α )(x − α ) + ( x − α )2 con ξ entre x y α
2
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 85
__________________________________________________________________________________
g′′(ξ)
g (x) = α + ( x − α )2 con ξ entre x y α
2
g′′(ξ n )
x n +1 = g ( x n ) = α + ( xn − α ) 2 con ξ n entre xn y α
2
Por tanto
g′′(ξ n ) g′′(ξ n )
∈n +1 = xn +1 − α =
2
( x n − α )2 = 2
∈n2
∈n +1 g′′(ξ n ) g′′(α )
lim = lim =
n→∞ ∈2 n→∞ 2 2
n
y entonces
En +1 ∈n +1 g′′(α )
lim = lim = =L>0
n→∞ En2 n→∞
∈n
2
2
xn = g(xn−1) , n = 12
, ,...
Un teorema que generaliza las ideas anteriores y cuya prueba es similar a la de los casos i) y
ii) vistos antes, es el siguiente:
Teorema 2.4 Sea α una raíz de una ecuación x = g(x ) . Si g tiene las primeras k-derivadas
continuas en alguna vecindad de α, g( i) (α ) = 0 para i = 12
, ,..., k − 1 , g( k ) (α ) ≠ 0 , y la sucesión
{xn }n definida por
xn = g(xn−1) , n = 12
, ,...
necesarias para que el error de truncamiento alcance cierta tolerancia, sino por el número
total de operaciones o tiempo del computador.
Sin embargo, los métodos de convergencia cuadrática parecen estar en un punto de
equilibrio si tenemos en cuenta la dificultad de los métodos, el número de operaciones
requeridas y los resultados obtenidos; es por éso, que uno de los métodos mas usados es el
de Newton-Raphson que, como veremos enseguida, es de convergencia cuadrática.
2.3.2 Orden de convergencia del método de Newton-Raphson: Sea α una raíz de una
ecuación f (x ) = 0 . Si la función f tiene sus dos primeras derivadas continuas en alguna
vecindad de α, f ′(x ) ≠ 0 para todo x en esa vecindad, f ′′(α ) ≠ 0 (el punto α,f (α ) no es de ( )
inflexión de la gráfica de f ), y la sucesión {xn }n definida por
f ( xn )
x n +1 = x n − , n = 0,1,...
f ′( xn )
En efecto:
Como la función f tiene segunda derivada continua en algún intervalo que contiene a α,
entonces para todo x en ese intervalo, se tiene
f ′′(ξ)
f (x) = f (α ) + f ′(α )(x − α ) + (x − α )2 con ξ entre x y α
2
De la misma manera
()
f ′(x) = f ′(α ) + f ′′ ξ" (x − α ) con ξ" entre x y α
f ′′(ξ n )
f (xn ) = f ′(α )(xn − α ) + (xn − α )2 con ξ n entre xn y α
2
( )
f ′(xn ) = f ′(α ) + f ′′ ξ" n (xn − α ) con ξ" n entre xn y α
f (x n )
x n +1 = x n − con ξ" n entre xn y α
( )
f ′(α ) + f ′′ ξ" n (xn − α )
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 87
__________________________________________________________________________________
∈n +1 = ∈n −
f ( xn )
=
f ′(α ) ∈n + f ′′ ξ" n ∈n2 −f (xn ) ( )
f ′(α ) + f ′′ ξ" n ∈n ( ) f ′(α ) + f ′′ ξ" n ∈n ( )
y sustituyendo f (xn ) , en la última ecuación anterior, obtenemos
f ′′(ξ n ) 2
∈n +1 =
( )
f ′(α ) ∈n + f ′′ ξ" n ∈n2 − f ′(α ) ∈n −
2
∈n
f ′(α ) + f ′′ ξ" n ∈n ( )
=
( )
∈n2 2f ′′ ξ" n − f ′′(ξ n )
( )
2f ′(α ) + f ′′ ξ" n ∈n
Luego
∈n +1
=
( )
2f ′′ ξ" n − f ′′(ξ n )
∈n2
( )
2f ′(α ) + f ′′ ξ" n ∈n
∈n +1
=
( )
2f ′′ ξ" n − f ′′(ξ n )
=
2f ′′(α ) − f ′′(α )
=
f ′′(α )
( )
lim lim
n→∞ ∈n2 n→∞
2f ′(α ) + f ′′ ξ" n ∈n
[
2 f ′(α )] 2f ′(α )
Por tanto
∈n +1 f ′′(α )
lim = = L>0
n→∞
∈n
2
2f ′(α )
Se puede demostrar, véase Ralston,1965, páginas 326 y 327, que el método de la Secante,
1+ 5
cuando converge, tiene orden de convergencia λ = ≈ 162
. , y que el método de Regula
2
Falsi es de convergencia lineal siempre que la gráfica de la función f sea cóncava hacia
abajo o hacia arriba en la vecindad de la raíz α. El método de Bisección se considera de
convergencia lineal.
TALLER 2.
1. El método de Bisección se puede aplicar en un intervalo [a,b] siempre que f (a)f (b) < 0 . Si
f (x) tiene más de un cero en (a, b) , se podrá saber de antemano cuál cero es el que se
encuentra al aplicar el algoritmo 2.1? Ilustre su respuesta con ejemplos.
1, x > 0
a) f (x) = (3 x − 1)− b) f (x) = cos(10 x) c) f (x) =
1
−1, x ≤ 0
x2
3. Pruebe que la función f (x) = e x − 1 − x − tiene un único cero, precisamente en x = 0 .
2
4. Verifique que se puede aplicar el método de Bisección para aproximar el único cero de la
función f (x) = x3 − x − 1 en el intervalo [12
, ] . Cuántas iteraciones serán necesarias para
que al aplicar el método de Bisección en el intervalo [12
, ] se logre una aproximación de la
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 89
__________________________________________________________________________________
raíz, con una precisión de por lo menos 3 cifras decimales exactas? Calcule tal
aproximación.
3
5. Encuentre una aproximación de 25 con una precisión de por lo menos tres cifras
decimales exactas, usando el método de Bisección.
6. Se quiere encontrar la menor raíz positiva de cada una de las siguientes ecuaciones,
usando el método de iteración de Punto Fijo. En cada caso, encuentre una función de
iteración de punto fijo y un intervalo en el que se satisfagan todas las hipótesis del
Teorema 2.1, y calcule una aproximación de la raíz buscada con una precisión de por lo
menos tres cifras decimales exactas.
7. Estudie la función g(x) = 1 + x 2 como una posible función de iteración de Punto Fijo. Por
qué no es convergente la iteración xn = g(xn −1 ), n = 12
, ,... ?
1
1
3 + x − x4 2
(
i) g1(x) = 3 + x − 2x 2 4) ii) g2 (x) =
2
1
x+3 2 3 x 4 + 2x 2 + 3
iii) g3 (x) = 2 iv) g4 (x) =
x + 2 4 x3 + 4 x − 1
1 3
9. Demuestre que la ecuación 2sen(πx) + x = 0 tiene una única raíz α ∈ , . Use el
2 2
método de iteración de Punto Fijo para encontrar una aproximación de α con una
precisión de por lo menos tres cifras decimales exactas.
90 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
3
11. Use el método iterativo de Punto Fijo para encontrar una aproximación de 25 con una
precisión de por lo menos tres cifras decimales exactas.
12. Use el método iterativo de Punto Fijo para demostrar que la sucesión {xn }n definida por
1 2
xn = x n −1 + , n = 12
, ,...
2 x n −1
1 R
xn = x n −1 + , n = 12
, ,...
2 xn −1
14. Pruebe que la función g(x) = 2 + x − tan −1x tiene la propiedad g′(x) < 1 para toda x.
Pruebe que g no tiene un Punto Fijo. Explique por qué esto no contradice el teorema 2.1
de Punto Fijo.
x = 2 + 2 + 2+...
Note que esta expresión puede ser interpretada como significando x = lim xn , donde
n→∞
16. Utilice el método de Newton-Raphson para hallar ceros de las siguientes funciones en el
intervalo indicado.
17. Utilice el método iterativo de Punto Fijo para aproximar el dominio de la función
[ ]
1
f (x) = 2(1 − x)e − 1 .
x 2
18. Use el método de Newton-Raphson para aproximar el valor de la abscisa del punto (x, y )
sobre la gráfica de y = x más cercano a (10
, ) . Calcule las iteraciones xn hasta que
2
xn − xn −1 < 5 × 10 −5 .
19. Resuelva la ecuación 4 cos x = e con una precisión de 5 × 10 −5 , es decir, calcule las
x
2
x π
sen x − = 0 con x0 =
2 2
con k cualquier entero positivo, converge linealmente a α = 0 . Para cada par de enteros
1 −m
k y m, determine un número N para el cual k < 10 .
N
23. Suponga que α es una raíz de multiplicidad m de f (x) = 0 , donde f ′′′ es continua en un
intervalo abierto que contiene a α. Demuestre que la iteración funcional usando
mf (x)
g(x) = x −
f ′(x)
da convergencia cuadrática.
26. Aproxime todas las raíces de la ecuación x4 + 2.8 x3 − .38 x2 − 6.3 x − 4.2 = 0 , usando el
método de Newton-Raphson y Deflación.
28. Use el método de Newton-Raphson y Deflación para encontrar, con una precisión de
5 × 10 −5 , todos los ceros, todos los puntos críticos y todos los puntos de inflexión de las
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 93
__________________________________________________________________________________
siguientes funciones. Use la información obtenida para hacer la grafica de cada una de
las funciónes f dadas.
INTRODUCCIÓN
f1 ( x1, x2 ,..., xn ) = 0
f 2 ( x1, x2 ,..., xn ) = 0
(3.1)
M
f ( x , x ,..., x ) = 0
n 1 2 n
donde
fi : Di → R, Di ⊆ Rn
X = ( x1, x 2 ,..., x n ) → fi ( X ) = y
Si para cada i = 12
, ,...,n , la función fi es de la forma
con ai 1, a i 2 ,..., a i n y bi constantes reales, el sistema se dice lineal (con coeficientes reales); en
cualquier otro caso el sistema se dice no-lineal.
El objetivo de este capítulo es estudiar algunos métodos numéricos para encontrar una solución
real de un sistema del tipo (3.1).
Un sistema de n-ecuaciones lineales (con coeficientes reales) en las n-incógnitas x1, x 2 ,..., x n
puede escribirse en la forma
Los métodos numéricos que estudiaremos para la solución de un sistema de ecuaciones lineales
se clasifican en dos tipos: directos e iterativos.
Los métodos directos nos proporcionan una solución del sistema en un número finito de pasos.
Si usamos aritmética finita para los cálculos, obtendremos por lo general una solución aproximada,
debido únicamente a los errores de redondeo, puesto que no hay errores de truncamiento o de
fórmula. Los métodos directos más usados tienen como base la eliminación de Gauss.
En los métodos iterativos se parte de una aproximación inicial a la solución del sistema dado y se
genera, a partir de dicha aproximación, una sucesión de vectores que si converge lo hace a la
solución del sistema. Al igual que en el capítulo 2, tendremos fórmulas para calcular los términos
de la sucesión, así que en general no se espera calcular el límite de la sucesión, por lo que
debemos tomar algún término de la sucesión como una solución aproximada del sistema. Esta
vez, además de los errores de redondeo si se usa aritmética finita, habrá errores de truncamiento o
de fórmula. Los métodos iterativos más simples y conocidos están basados en iteraciones de
Punto Fijo.
bn
xn =
an n
b n −1 − a n− 1, n xn
x n− 1 =
a n− 1, n −1
xn − 2 =
(
bn −2 − an − 2, n −1xn −1 + an − 2, n xn )
an − 2, n − 2
n
bi − ∑a
k = i +1
i k xk
xi = , i = n − 1,n − 2,...,1
ai i
El método anterior para determinar la solución del sistema se denomina sustitución reversiva,
regresiva o hacia atrás.
Si la matriz de coeficientes del sistema es triangular inferior, para resolver el sistema podemos
proceder de manera similar al caso anterior, pero empezando por despejar x1 de la primera
ecuación. El procedimiento en este caso se denomina sustitución progresiva o hacia adelante.
~
Algoritmo 3.1 (Sustitución regresiva) Para encontrar una solución aproximada X de un sistema
triangular superior AX = b con A = a i j ( )n×n
invertible.
bn
Paso 1: Tomar x n = .
an n
xi =
ai i
Paso 3: Salida: "Una solución aproximada del sistema es X = ( x1, x 2 ,..., xn ) ".
~
Terminar.
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 4
__________________________________________________________________________________
i) Eliminamos el coeficiente de x1 en cada una de las ecuaciones E2 ,E3 ,...,En para obtener un
sistema equivalente A ( ) X = b ( ) , realizando las operaciones elementales
1 1
a
Ei − i 1 E1 → Ei(1) , i = 2,3,..., n
a11
ii) Eliminamos el coeficiente de x 2 en cada una de las ecuaciones E3(1) ,E(41) ,...,En(1) , para obtener
( 2) ( 2)
un sistema equivalente A X = b , realizando las operaciones elementales
(1)
E( 1) − ai 2 E(1) → E( 2 ) , i = 3,4,..., n
i a( 1) 2 i
22
( 1)
(debe ocurrir que a2 2 ≠ 0 ).
iii) En general, eliminados los coeficientes de x1, x 2 ,..., x j−1 , eliminamos el coeficiente de x j en
cada una de las ecuaciones E(j+1 ) ,E(j+ 2 ) ,..., En( ) , para obtener un sistema equivalente
j −1 j− 1 j− 1
( j) ( j)
A X = b , realizando las operaciones elementales
( j −1)
E( j − 1) − ai j E( j − 1) → E( j ) , i = j + 1,..., n
i ( j −1) j i
aj j
Los números
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 5
__________________________________________________________________________________
ai( j )
j −1
mi j = , j = 1,...,n − 1, i = j + 1,...,n
a( )
j −1
jj
a(i 1) ai 1
0
se llaman multiplicadores (si j = 1 , ≡ ).
a( ) a11
0
11
el cual se resuelve por el método de sustitución regresiva, para obtener la solución del sistema
original.
Procedemos exactamente como en el caso 2, solo que cuando encontremos a(j jj−1) = 0 para algún
( j−1) ( 0)
, ,..., n − 1 (recuerde que si j = 1, a j j = a11 ≡ a11 ), continuamos de la siguiente manera:
j = 12
( j−1)
Se busca en la j-ésima columna de A (si j = 1, A ( j−1) = A ( 0) ≡ A ) desde la fila ( j + 1 )-ésima
hasta la n-ésima, el primer elemento distinto de cero (Por qué debe existir tal elemento?). Si
a( ) ≠ 0 es tal elemento, entonces se efectúa la operación elemental
j−1
kj
Una vez que se ha hecho la eliminación Gaussiana completa, se realiza la sustitución regresiva
para obtener la solución única del sistema dado.
Algoritmo 3.2 (Eliminación Gaussiana con sustitución regresiva) Para obtener una solución
~
aproximada X de un sistema de la forma
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 6
__________________________________________________________________________________
Salida: Una solución aproximada X = ( x1, x 2 ,..., xn ) del sistema dado o un mensaje.
~
Paso 1: Para j = 12
, ,...,n − 1 , seguir los pasos 2-4 (Proceso de eliminación):
ai j
Paso 5: Tomar m i j = .
aj j
(
Paso 6: Efectuar Ei − mi jE j → Ei . )
(Hasta aquí llega la eliminación Gaussiana)
an, n + 1
Paso 8: Tomar x n = (Aquí empieza la sustitución regresiva).
an n
n
ai, n + 1 − ∑a
k =i + 1
i k xk
xi =
ai i
Paso 10: Salida: "Una solución aproximada del sistema es X = ( x1, x 2,..., xn ) ".
~
Terminar.
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 7
__________________________________________________________________________________
Hay sistemas de ecuaciones lineales, como vimos en el capítulo 1, que son sensibles a pequeños
cambios en los datos; de tales sistemas decimos que están mal condicionados.
Para llegar a la idea del número de condición de una matriz empecemos considerando el siguiente
ejemplo que muestra dos sistemas de ecuaciones lineales mal condicionados.
x +y= 2
(3.3)
10.05 x + 10 y = 21
y
4.1x + 2.8 y = 4.1
(3.4)
9.7 x + 6.6 y = 9.7
20
En el capítulo 1, vimos que la solución exacta del sistema (3.3) es X 1 = y si cambiamos el
−18
coeficiente 10.05 por 10.1 (un cambio relativo de aproximadamente .5%), la solución exacta del
sistema perturbado
x +y= 2
(3.3')
10.1x + 10 y = 21
~ 10
es X 1 = , que muestra un cambio relativo del 50% en el valor de x y de aproximadamente el
−8
56% en el valor de y.
10
.
Análogamente, el sistema (3.4) tiene solución exacta X 2 = y si cambiamos el término
0.0
independiente 4.1 por 4.11 (un cambio relativo aproximado de .2% en el término independiente), la
solución exacta del sistema perturbado
~ .34
es X 2 = , que muestra un cambio relativo aproximado de 66% en el valor de x. ♦
.97
Se observa entonces que un cambio "pequeño" en uno de los datos (coeficientes y términos
independientes) ha producido un cambio "grande" en la solución, es decir, la solución del sistema
perturbado es "muy diferente" de la solución del sistema original.
El mal condicionamiento en el sistema (3.3) puede visualizarse gráficamente, al graficar las dos
rectas: L1: x + y = 2 y L 2 : 10.05 x + 10 y = 21 . Como las pendientes de estas dos rectas son casi
iguales, es difícil ver exactamente dónde se cortan, esta dificultad visual, digamos que se mide
cuantitativamente en los resultados numéricos obtenidos.
Observe que si A es la matriz de coeficientes del sistema (3.3), entonces det A = −.05 y se puede
pensar que el mal condicionamiento está relacionado con el tamaño del determinante de la matriz
de coeficientes, pero recuerde que si una ecuación de un sistema se multiplica por un escalar, el
determinante de la matriz de coeficientes queda multiplicado por ese escalar mientras los dos
sistemas siguen teniendo exactamente las mismas soluciones, es decir, son equivalentes.
~
E= X −X
~
y vector error residual correspondiente a la solución aproximada X , al vector R definido por
~
R = AX − b
Observe que E usualmente no se conoce (pues X no se conoce), mientras que R siempre puede
conocerse.
~ ~
Como R = AX − b , entonces R mide hasta dónde la solución aproximada X satisface el sistema
~ ~ ~
AX = b . Observe que X es tal que AX = R + b , es decir, X es solución de una perturbación del
sistema AX = b .
~
Nótese que R = 0 implica X = X , es decir, R = 0 implica E = 0 . Será que R "pequeña" implica
E también "pequeña", donde . es alguna norma vectorial?
Empecemos recordando qué es una norma vectorial y qué es una norma matricial.
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 9
__________________________________________________________________________________
. : Rn → R
X→ X
i) X ≥ 0, X = 0 si y sólo si X = 0
ii) αX = α X
iii) X + Y ≤ X + Y . ∇
x1
Ejemplo 3.2 Las siguientes son algunas normas vectoriales en R . Si X = M ∈ R n , entonces
n
x
n
n
X 1
= ∑x i
i =1
X ∞
= Max xi
1≤i≤n
Estas normas en R n , inducen las siguientes nociones de distancia entre dos vectores X, Y ∈R n :
1
n 2
1) d 2 ( X, Y) = X − Y 2 ∑
= ( xi − y i ) (distancia asociada con la norma euclidiana).
i =1
2
n
2) d 1( X, Y) = X − Y 1
= ∑ x −y
i= 1
i i (distancia asociada con la norma suma)
3) d ∞ ( X, Y) = X − Y ∞
= Max xi − yi (distancia asociada con la norma del máximo). ♦
1≤i≤n
. : Rn × n → R
A → A
i) A ≥ 0, A = 0 si y sólo si A = 0
ii) αA = α A
iii) A+B ≤ A + B
iv) AB ≤ A B . ∇
Aunque hay diversas formas de construir normas matriciales, aquí solamente consideraremos las
normas matriciales que serán obtenidas a partir de las normas vectoriales dadas en el ejemplo 3.2
según se indica en el siguiente teorema, teorema cuya demostración puede ser consultada en
Kincaid 1972, páginas 163 y 164.
Teorema 3.1 Sea . cualquier norma vectorial en R n . Entonces la función . de R n× n en R ,
definida por
AX
A = Max , A ∈R n× n (3.5)
X ≠0 X
La norma matricial dada por (3.5) se dirá la norma matricial inducida por la correspondiente
norma vectorial . .
AX ≤ A X (3.6)
AX AX
≤ Max = A
X X ≠0 X
AX X
A = Max = Max A = Max AZ
X≠ 0 X X≠ 0 X Z =1
1) A 2
= Max AX 2
, difícil de calcular con la información que se conoce hasta aquí, pues
X =1
2
2) A 1
= Max AX 1
, fácil de calcular, ya que se puede demostrar que
X =1
1
n
A 1
= Max
1≤j≤ n
∑
i =1
ai j
3) A ∞
= Max AX ∞
, fácil de calcular, ya que como en el caso 2), se puede demostrar, véase
X =1
∞
Burden 1985, páginas 453 y 454, que
n
A ∞
= Max
1≤ i ≤ n
∑ ai j
j =1
{
ρ( A ) = Max λ / λ es valor propio de A }
Recuerde que si λ es un número complejo, digamos λ = α + iβ con α y β en R , entonces
λ = α + iβ = α 2 + β 2 .
El siguiente teorema, cuya demostración puede ser consultada en Ortega 1990, páginas 21 y 22,
relaciona el radio espectral de una matriz A con A 2 .
i) (
ρ A TA = A) 2
, y en consecuencia, si A es simétrica ρ( A ) = A 2
.
20
Para el sistema (3.3), X 1 = es su solución exacta y si consideramos como una solución
−18
~ 10
aproximada a X 1 = , que es la solución exacta del sistema perturbado (3.3'), entonces el
−8
~
vector error de X 1 con respecto a X 1 , es
~ −10
E1 = X1 − X 1 =
10
~
y el vector error residual correspondiente a la solución aproximada X 1 , es
~ 1 1 10 2 2 2 0
R1 = AX 1 − b = − = − =
10.05 10 −8 21 20.5 21 −.5
Entonces
E1 1
= − 10 + 10 = 20 , R1 1
= 0 + −.5 = .5
E1 2
= ( −10) 2 + 10 2 ≈ 14.14, R1 2
= ( −.5 )2 = .5
E1 ∞
= Max { − 10 , 10 } = 10, R1 ∞
= Max { 0 , −.5 }= .5
así que un vector error residual "pequeño" (relativo al vector de términos independientes
2
b = , b 1 = 23, b 2 ≈ 21.095 , b ∞ = 21 ) corresponde a un vector error relativamente
21
"grande".
.
10
Para el sistema (3.4), X 2 = es la solución exacta y si consideramos como una solución
0.0
~ .34
aproximada a X 2 = , que es la solución exacta del sistema perturbado (3.4'), entonces el
.97
~
vector error de X 2 con respecto a X 2 , es
. −.66
.34 10
E2 = − =
.97 0 .97
~
y el vector error residual correspondiente a la solución aproximada X 2 , es
E2 1
= 163
. , R2 1
= .01; E2 2
≈ 117
. , R2 2
= .01; E2 ∞
= .97, R2 ∞
= .01
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 13
__________________________________________________________________________________
Teorema 3.3 Sea A ∈ R n ×n una matriz no-singular y X la solución exacta del sistema
~
AX = b, b ≠ 0 . Si X es una solución aproximada del sistema AX = b , entonces para cualquier
norma matricial inducida se tiene que
R 1 E R
≤ ≤ A A −1 (3.7)
b −1 X b
A A
~ ~ ~
( )
Demostración: Como R = AX − b = AX − AX = A X − X = AE , y A es invertible, entonces
R
R ≤ A E , es decir, ≤ E ,y E ≤ A −1 R
A
de donde
R
≤ E ≤ A −1 R (3.8)
A
b
b ≤ A X , es decir, ≤ X ,y X ≤ A −1 b
A
de donde
b
≤ X ≤ A −1 b
A
o equivalentemente
1 1 A
≤ ≤ (3.9)
A −1 b X b
E
Combinando (3.8) y (3.9), obtenemos las siguientes cotas para el error relativo, , en términos
X
R
del error residual relativo, :
b
R 1 E R
≤ ≤ A A −1 (3.10)
b −1 X b
A A
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 14
__________________________________________________________________________________
R
De acuerdo con este teorema 3.3, si se satisface la condición A A −1 ≈ 1 , entonces y
b
E R E
son más o menos del mismo tamaño. Así que si es "pequeño", también lo será ,y
X b X
R E
si es "grande", también lo será ; por lo tanto si A A −1 ≈ 1 , podremos distinguir una
b X
~ R
solución aproximada, X , buena de una mala observando el error residual relativo .
b
De acuerdo con la relación (3.7), dada en el teorema 3.3, vemos que si Cond ( A ) ≈ 1 , entonces el
E R
error relativo, , y el error residual relativo, , son más o menos del mismo tamaño y
X b
podremos distinguir una solución aproximada "buena" de una "mala" observando el error residual
relativo; pero entre más grande sea Cond( A ) , menor es la información que se puede obtener del
error relativo, a partir del error residual relativo.
A pesar de las definiciones anteriores, no debemos olvidar que lo que realmente nos interesa es
~
poder determinar cuando una solución aproximada X de un sistema AX = b es "buena", y tratar de
distinguir si el sistema AX = b está bien o mal condicionado.
Para la matriz
1 1
A=
10.05 10
del ejemplo 3.1, tenemos
1 10 −1
A −1 =
−.05 −10.05 1
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 15
__________________________________________________________________________________
A ∞
= Max{ 1 + 1 , 10.05 + 10 } = Max{ 2 , 20.05 } = 20.05
1 10 −1 1
A −1 = = . = 221
1105
∞ .05 −10.05 1 ∞
.05
luego
Cond ∞ ( A ) = A ∞
A −1 = ( 20.05)( 221) = 443105
. >> 1
∞
R ∞
Este número de condición nos dice que un error residual relativo b pequeño, puede
∞
~
X−X
corresponder a un error relativo ∞ muy grande, así que A puede considerarse mal
X ∞
condicionada.
~ 10
Veamos qué puede decirse, en este caso, de la calidad de la solución aproximada X 1 = −8 del
sistema
x +y= 2
10.05 x + 10 y = 21
Para este ejemplo tenemos
R1 .5
∞
= y Cond ∞ ( A ) = 443105
.
b ∞
21
~
.5 1 X 1 − X1 .5
∞
≤ ≤ 443105
.
21 443105
. X1 ∞ 21
esto es,
~
X1 − X 1
−6 ∞
5.37...×10 ≤ ≤ 105.5...
X1 ∞
.5
lo que indica que aunque el error residual relativo es pequeño, , el número de condición es tan
21
grande (4431.05) que hace que la solución calculada pueda tener un error relativo de hasta
~
105.5..., así que nada puede decirse de la cercanía entre X 1 y X 1. ♦
Instrucciones en DERIVE:
Existe otro número asociado con una matriz, al cual se le denomina también número de condición.
A continuación nos referiremos a tal número:
Del teorema 3.2 se sabe que ρ ( A ) ≤ A para toda norma matricial inducida, así que
Cond ( A) = A ( )
A −1 ≥ ρ ( A ) ρ A −1
pero como los valores propios de A −1 son los recíprocos de los valores propios de A, se tiene que
Max λ
λ ∈σ ( A )
Cond ( A) ≥ ≡ Cond∗ ( A )
Min λ
λ ∈σ ( A )
( )
ρ A − 1 = Max λ =
1
)
( )
λ ∈σ A −1 Min λ
λ ∈σ( A )
Max λ
λ ∈σ( A )
El número Cond∗ ( A) = se denomina número de condición espectral de A . Según se
Min λ
λ ∈σ( A )
1 1
Para la matriz A = , se tiene que
10.05 10
1− λ 1
det( A − λ I) = = λ 2 − 11λ −.05
10.05 10 − λ
Cond∗ ( A) ≈
1100454358
.
≈ 2421999592
. >> 1 ♦
4.5435778 × 10 −3
1
Teorema 3.4 Supóngase que A es no-singular y que δA < (esta hipótesis asegura que
A −1
δA
A + δ A es invertible y que 1 − Cond ( A ) > 0 ).
~
Si X es la solución exacta del sistema
A
perturbado ( A + δ A) X = b + δ b , entonces X aproxima a la solución exacta X del sistema AX = b ,
~
~
X−X Cond ( A) δb δA
≤ +
X δA b A (3.11)
1 − Cond ( A)
A
∇
La desigualdad (3.11) dice que si la matriz A está bien condicionada, es decir, si Cond ( A) ≈ 1 ,
entonces cambios "pequeños" en A y b producen, correspondientemente, cambios "pequeños" en
la solución del sistema (el sistema AX = b está bien condicionado). Por otro lado, si A está mal
condicionada, entonces cambios "pequeños" en A y b pueden producir "grandes" cambios en la
solución del sistema (el sistema AX = b está mal condicionado).
Ejercicio 3.1 Estime la cota de error dada en el teorema 3.4 para los sistemas (3.4) y (3.4') del
ejemplo 3.1. ♦
1 2 4.56 2.18
,
1.0001 2 2.79 138
.
b) Qué puede decir del condicionamiento de los siguientes sistemas de ecuaciones lineales?
Ejemplo 3.3 Resuelva el siguiente sistema de ecuaciones lineales usando eliminación Gaussiana
con sustitución regresiva y aritmética (decimal) con redondeo a tres dígitos:
5 .31
.03 58.9 : 59.2 E21 .03 , ( m 21 =177) .03 58.9 : 59.2
( A M b ) 5.31 −6.10 : 47.0
= →
0 −10400 : −10500
~ −10500
x2 = = 101
.
−10400
Instrucción en DERIVE:
PIVOT(A, i, ,j): Usa operaciones elemetales de fila para Simplificar (o aproXimar) en una matriz,
obtenida de la matriz A, que tiene ceros en la columna j y por debajo de la fila i. ◊
~
Qué puede decir de la calidad de la solución aproximada X ?
~
X−X
Para intentar responder esta pregunta encontremos las cotas para el error relativo ,
X
dadas por el teorema 3.3.
.03 58.9
Como A = , entonces usando aritmética con redondeo a tres dígitos para todos los
5.31 −6.10
cálculos se obtienen las siguientes aproximaciones:
1 −6.10 −58.9
A −1 =
−313 −5.31 .03
A ∞
= Max { 58.9, 114
. } = 58.9
1 1
A −1 = Max { 65.0, 5.34 } = 65.0 = .208
∞ 313 313
entonces Cond ∞ ( A ) = A ∞
A −1
= (58.9 )(.208) = 12.3 , que no es muy grande comparado
∞
(Por ciertas consideraciones teóricas sobre el número de condición de una matriz A, las cuales
pueden ser consultadas en Burden, 1985, páginas 481 y 482, cuando se trabaja en aritmética finita
(decimal) con redondeo a t-dígitos y Cond( A) ≥ 10 t se espera un mal comportamiento de A con
respecto a la solución de AX = b y A se considera mal condicionada. En este ejemplo
Cond( A) = 12.3 < 10 3 ).
Ahora,
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 19
__________________________________________________________________________________
~
(Para evitar la pérdida de cifras significativas, se debe calcular el vector error residual, R = AX − b ,
en doble precisión).
−.011
R=
−106
Entonces R ∞
= 106 y b ∞
= 59.2 y por tanto
~
R X−X R ∞
= Cond∞ ( A )
∞ 1 106 1 106
= =.145...≤ ≤ 22.02... = 12.3
b ∞ Cond∞ ( A ) 59.2 12.3 X 59.2 b ∞
~
R ∞ X −X
pero como Cond ∞ ( A) ≈ 1 , entonces se espera que
∞
y sean más o menos del
b ∞ X ∞
~
R ∞ X−X
∞
mismo tamaño, y ya que es grande, se espera que sea también grande. ♦
b ∞ X ∞
x 10
La solución exacta del sistema en consideración es X = 1 = . A qué se debe la diferencia
x2 1
entre la solución exacta y la solución calculada?
Observe que el error en el cálculo de ~ x2 con respecto a x 2 fue de sólo .01 (un error relativo de
1%) y este error fue multiplicado por un factor de aproximadamente −2000 al obtener ~ x , debido
1
al orden en que se realizó la eliminación Gaussiana.
Instrucción en DERIVE:
n
ai i > ∑
j= 1
ai j para cada i = 12
, ,..., n
j≠ i
Nótese que como consecuencia del teorema anterior se tiene que: Si A = a i j ( )n× n es E.D.D. por
filas, entonces A tiene factorización LU , es decir, A = LU , con L triangular inferior con unos en su
diagonal principal y U triangular superior (escalonada).
Observe que la matriz de coeficientes del ejemplo 3.3 anterior, no es E.D.D. por filas.
El teorema 3.5 también es válido para matrices reales, simétricas y definidas positivas (véase
Burden, 1985, página 368). Una matriz A ∈ R n × n , simétrica, se dice definida positiva si satisface
una cualquiera de las siguientes condiciones (las cuales son equivalentes):
iii) Todos los pivotes obtenidos en la eliminación Gaussiana sobre A, sin intercambio de filas, son
positivos.
El ejemplo 3.3 anterior, muestra una de las dificultades que pueden surgir al aplicar el método de
eliminación Gaussiana cuando el pivote a(j j ) es "pequeño" comparado con algunos elementos
j−1
a(i t ) para j ≤ i, t ≤ n .
j−1
Para tratar de evitar tales dificultades, se introduce en el método de eliminación Gaussiana una
estrategia llamada de pivoteo, la cual consiste en seleccionar el pivote de acuerdo con un cierto
criterio. Nosotros usaremos dos estrategias: la estrategia de pivoteo máximo por columna o
pivoteo parcial y la estrategia de pivoteo escalado de fila o escalamiento.
3.4.1 Pivoteo máximo por columna o pivoteo parcial: Esta estrategia difiere de eliminación
Gaussiana simple, únicamente en la escogencia del pivote a( ) , la cual se hace ahora, así:
j−1
jj
Para j = 12
, ,..., n − 1 , se determina el menor entero k, j ≤ k ≤ n , tal que
es decir, seleccionamos el primer elemento diferente de cero sobre la columna j-ésima a partir de
( j−1) ( 0)
la j-ésima fila y que tenga mayor valor absoluto (para j = 1 , ak j = ak 1 ≡ ak 1 ).
E(j ) ↔ Ek( )
j −1 j −1
que es el mismo del ejemplo 3.3, usando aritmética con redondeo a tres dígitos.
(
E 21 ) 5.31 −6.10 : 47.0
.03
, m 21 = 5 .65 ×10
5 .31
−3
→
0 58.9 : 58.9
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 22
__________________________________________________________________________________
~ ~ x
Observe que en este caso X = ~1 es la solución exacta del sistema dado. ♦
x2
Instrucción en DERIVE:
Nota: En el procedimiento de pivoteo máximo por columna (pivoteo parcial) cada multiplicador mi j
es tal que
a (i j )
j −1
mi j = ≤1
a (j j )
j −1
el cual es un sistema equivalente al del ejemplo 3.3 (los coeficientes de la primera ecuación en el
sistema del ejemplo 3.3, han sido multiplicados por 10 3 ). El pivoteo máximo por columna con
aritmética de redondeo a tres dígitos, nos lleva a los siguientes resultados:
5.31
30.0 58900 : 59200 E21 30 .0 , ( m 21 =.177) 30.0 58900 : 59200
( A M b) = 5.31 −6.10 : 47.0 → 0 −10400 : −10500
3.4.2 Pivoteo escalado de fila: Esta técnica sólo difiere de la eliminación Gaussiana simple, al
igual que el pivoteo parcial, en la escogencia del pivote.
Esta vez el pivote a( j−1) se escoge como se indica a continuación:
jj
( j−1)
Si = Max ai l : Factor de escala
j≤l≤n
a(i j )
j −1
Si
a(k j ) ai( j )
j −1 j −1
a(k j ) ≠ 0 y
j −1
= Max
Sk j≤i≤n Si
Si tal k no existe, entonces el sistema no tiene solución única y el proceso se puede terminar.
Apliquemos esta estrategia para resolver el sistema del ejemplo 3.4, usando aritmética con
redondeo a tres dígitos.
Para j = 1:
30 .0
E 21 , ( m 21 = 5 .65 ) 5.31 −6.10 : 47.0
5 .31
→
0 58900 : 58900
~
~ x1 10.0 es la solución exacta del sistema. ♦
Observe que en este caso X = ~ =
.
x2 100
Ejemplo 3.5 Resuelva el siguiente sistema de ecuaciones lineales usando eliminación Gaussiana
con pivoteo parcial y obtenga una factorización PA = LU para la matriz A de coeficientes, asociada
con este método:
− x1 + 2x 2 − 3 x 3 = −2
3 x1 − 3 x2 − x 3 = −4
x +x = 3
1 2
− 1 2 − 3 : − 2 3 −3 −1 : −4
Max{ 13
, ,1} = 3 , p = ( 2,1,3 )
p = (12
, ,3) , ( AMb) = 3 −3 −1 : −4 → −1 2 −3 : −2
T
T
1 3 1 1 3
1 0 : 0 :
3 −3 − 1 : − 4
1
m21 = − , m31 =
1
3 3
1 1
1
E 21 − , E 31
3 10
3 10
→ − 1 − : −
3 3 3
1 2 1
:
13
3 3 3
3 − 3 −1 : − 4
Max { 12
, } = 2, p = ( 2,3 ,1)
T 1 1 13
→ 2 :
3 3 3
− 1 −
1 10
: −
10
3 3 3
(Observe que la permutación se hace para las filas 2 y 3 completas, es decir, incluyendo los
multiplicadores)
3 1 −3 −1 : −4
m 32 =
2
1
1
E 32
2 1 13
→
3
2 :
3 3
− 1 1
−
7
−
11
:
3 2 2 2
La eficiencia en el método indicado se debe a que en la misma matriz de trabajo se almacenan los
multiplicadores que van a conformar la matriz L (en el ejemplo son los números que se encuentran
dentro de paréntesis), lo que significa un ahorro de memoria, y como los intercambios necesarios
afectan simultáneamente a las matrices L y U, se evita tener que volver a la matriz original a
realizar los intercambios ya observados y repetir la eliminación Gaussiana con pivoteo parcial. De
esta manera, al terminar el proceso de eliminación podemos leer en la matriz final la parte
estrictamente triangular inferior de L (son los números entre paréntesis) y la matriz triangular
superior U (que es la parte triangular superior de la matriz final), y en el vector p final quedan
almacenados los intercambios realizados que se usan para producir la matriz de permutación P.
1 0 0 3 −3 −1
1 0 1 0
1
L= 1 0 , U = 0 2 , y como p = (2,3,1) T , entonces 0 0 1 = P
3 3 1 0 0
1 1 7
− 1 0 0 −
3 2 2
(Verifique que PA = LU ) .
Para obtener la solución del sistema original, usamos sustitución regresiva en el sistema reducido
−4
13
UX =
3
11
−
2
12
4 4 3
c
y obtenemos
11 40 23
x3 = , x2 = y x1 =
7 21 21
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 26
__________________________________________________________________________________
T
23 40 11
así que la solución (exacta) del sistema dado es X = , , .
21 21 7
Paso 1. Calcular Pb .
Paso 2. Resolver, para c, Lc = Pb por sustitución progresiva.
Paso 3. Resolver, para X, UX = c por sustitución regresiva.
Como ejercicio, resuelva el sistema del ejemplo anterior, usando este algoritmo.
2) Encontrar la matriz inversa A −1 de una matriz invertible A, resolviendo los n-sistemas
( j)
AX = e , j = 12
, ,...,n
donde e( j ) = ( 0,...,0,1,0,...,0 ) ∈ R n .
T
↑
posición j
La solución X del sistema AX = e ( ) ,
j
j = 1,2,...,n , produce la correspondiente columna j-ésima
de la matriz A −1 .
Ejercicio 3.3 Calcule la inversa de la matriz A de coeficientes del sistema del ejemplo 3.5, usando
el método de Gauss-Jordan y también usando la factorización PA = LU . ♦
Un caso muy importante de sistemas de ecuaciones lineales, que requiere un tratamiento especial,
es el de los sistemas tridiagonales. Tales sistemas aparecen en diversas aplicaciones, como por
ejemplo al utilizar métodos de diferencias finitas en la solución de problemas con valores en la
frontera para ecuaciones diferenciales ordinarias y, como veremos más adelante, en el problema
de la interpolación segmentaria cúbica.
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 27
__________________________________________________________________________________
d1x1 + c1x 2 = b1
a 2 x1 + d2 x 2 + c 2 x3 = b2
a 3 x2 + d3 x 3 + c 3 x 4 = b3
M
an −1xn − 2 + dn −1xn −1 + c n −1xn = bn −1
an xn −1 + dn xn = bn
d1 c1 0 0 L 0
a2 d2 c2 0
0 a3 d3 c3
A=
M M
an −1 dn −1 cn −1
0 L 0 an dn
la cual se dice una matriz TRIDIAGONAL (caso especial de las llamadas matrices banda).
Suponiendo que la matriz A de coeficientes del sistema tridiagonal es E.D.D. por filas, podemos
usar eliminación Gaussiana simple para resolver el sistema (recuerde que la eliminación
Gaussiana simple es adecuada para resolver sistemas con matriz de coeficientes E.D.D. por filas).
Otra forma de resolver un sistema tridiagonal con matriz de coeficientes A E.D.D. por filas es a
partir de la factorización directa A = LU (encontrando directamente las componentes de las
matrices L y U, es decir, sin usar eliminación Gaussiana), donde L es triangular inferior con todos
sus elementos diagonales iguales a uno y U es triangular superior. Para encontrar tales matrices L
y U, partimos de que ellas deben ser de la forma
1 0 0 0 L 0 α 1 c1 0 0 L 0
γ 2 1 0 0 L 0 0 α2 c2 0 L 0
0 γ3 1 0 L 0 0 0 α3 c3 L 0
L= , U=
M O M O
0 γ n −1 1 0 0 0 α n −1 c n− 1
0 L 0 γn 1 0 L 0 0 αn
Como
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 28
__________________________________________________________________________________
α1 c1 0 0 L 0
γ
2 1α γ 2 1 + α2
c c2 0 0
0 γ 3α 2 γ 3c 2 + α3 c3 0
LU =
M M
0 γ n −1α n − 2 γ n −1c n −2 + α n− 1 c n −1
0 L 0 γ nα n− 1 γ n c n− 1 + α n
d1 c1
a2 d2 c2
a3 d3 c3
O O O
= =A
an −1 dn− 1 c n −1
dn
an
α1 = d1
γ iα i−1 = ai , i = 2,3,...,n
α 1 = d1
ai
γi =
α i−1 para i = 2,3,...,n
α i = di − γ i ci−1
Así que un algoritmo para determinar L y U, en el caso que nos ocupa es el siguiente:
Paso 1: Haga α1 = d1 .
Ejemplo 3.6 Resolver el siguiente sistema tridiagonal usando aritmética (decimal) con redondeo a
tres dígitos y la factorización A = LU .
.5 x1 + .25 x 2 = .35
.35 x1 + .8 x2 + .4 x 3 = .77
.25x 2 + x 3 + .5 x 4 = −.5
x 3 − 2x 4 = −2.25
Es claro que el sistema es tridiagonal E.D.D. por filas (ya que .5 > .25, .8 >.75 , 1 >.75, 2 > 1 ) .
1 0 0 0 α 1 .25 0 0
γ 1 0 0 0 α 2 .4 0
L = 2 , U =
0 γ3 1 0 0 0 α3 .5
0 0 γ4 1 0 0 0 α4
α1 = .5
.35
γ2 = = .7
.5
α 2 =.8 − (.7 )(.25) =.625
.25
γ3 = = .4
.625
. − (.4)(.4) = .84
α 3 = 10
.
10
γ4 = = 119
.
.84
α 4 = −2.0 − (119
. )(.5 ) = −2.60
Luego
1 0 0 0 .5 .25 0 0
L=
.7 1 0 0
y
U=
0 .625 .4 0
0 .4 1 0 0 0 .84 .5
0 0 119
. 1 0 0 0 −2.60
1 0 0 0 c1 .35
0 c 2 .77
Lc = b ⇔
.7 1 0
=
0 .4 1 0 c 3 −.5
0 0 119
. 1 c 4 −2.25
.5 .25 0 0 x1 .35
0 .625 .4 0 x2 .525
UX = c ⇔ =
0 0 .84 .5 x 3 −.71
0 0 0 −2.60 x 4 −1.41
x 4 = .542, x 3 = −117
. , x2 = 159
. , x1 = −.096
Luego la solución (aproximada) obtenida para el sistema dado, es X = ( −.096, 159 . , .542) .
~ T
. , − 117
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 31
__________________________________________________________________________________
Se puede probar (véase Kincaid 1972, página 133) que si A es una matriz real, simétrica y definida
positiva, entonces A tiene una única factorización de la forma A = LLT en la cual L es una matriz
triangular inferior con sus elementos en la diagonal principal todos positivos (no necesariamente
con unos en su diagonal principal). Esta factorización se conoce como factorización de Choleski
(recuerde que si A es definida positiva, entonces se puede realizar eliminación Gaussiana sobre A
sin intercambio de filas y todos los pivotes que resultan son positivos).
Para ilustrar cómo se obtiene la factorización directa de Choleski, es decir, sin usar eliminación
Gaussiana, supongamos que la matriz A es de orden 4. Entonces
Como l11l11 = a11 , entonces escogemos l11 = a11 , lo que requiere que a11 > 0 .
a 21
l21l11 = a 21 , entonces l21 = , l11 ≠ 0 .
l11
l221 + l222 = a22 , escogemos l22 = a 22 − l221 . Observe que a22 debe ser mayor o igual que cero.
a 31
l31l11 = a 31 , luego l31 = .
l11
a32 − l31l21
l31l21 + l 32l22 = a 32 , luego l32 = , l22 ≠ 0 , así que a22 > l221 ≥ 0 , esto es a22 > 0 .
l22
ai 1
De li 1l11 = ai 1 , obtenemos li 1 = .
l11
ai 2 − li 1l21
li 1l21 + li 2l22 = ai 2 , así que li 2 = .
l22
j− 1
ai j − ∑l i klj k
k =1
li j = , j = 2,...,i − 1
lj j
i −1
l i i = ai i − ∑l 2
ik
k= 1
Algoritmo 3.3 (Factorización directa de Choleski) Para factorizar una matriz A = a i j ( )n× n real,
simétrica y definida positiva en la forma A = LLT , donde L es triangular inferior.
ai 1
Paso 2: Para i = 2,..., n , tomar li 1 = (primera columna de L).
l11
Paso 3: Tomar l22 = a 22 − l221 .
1
i −1 2
Paso 6: Tome li i = ai i −
∑ li2k
.
k =1
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 33
__________________________________________________________________________________
Ejemplo 3.7 Diga si la siguiente matriz es simétrica y definida positiva, y si lo es, encuentre la
factorización directa de Choleski:
2 −1 0
A = −1 2 −1
0 −1 2
Es claro que la matriz A es simétrica, ya que A T = A . Para ver si la matriz A es definida positiva,
realicemos eliminación Gaussiana sobre la matriz A:
2 0
2 −1 0 E −1 2 −1 0 2 −1
21
3 E32 − 3 3
A = −1 2 −1 2→ 0 −1 → 0 −1
2 2
0 −1 2 0 −1 2 4
0 0
3
3 4
Como no hubo necesidad de intercambio de filas y todos los pivotes, 2, , , resultaron
2 3
positivos, la matriz dada es definida positiva y por lo tanto tiene factorización de Choleski.
l11 0 0
Sea L = l21 l22 0 tal que LLT = A , entonces
l l33
31 l32
1 3 3 6
l221 + l222 = 2 , entonces l22 = 2 − l221 = 2 − = = = .
2 2 2 2
( )
6 2 4 2 2 3
l33 = 2 − l231 + l232 = 2 − = 2− = = =
9 3 3 3 3
Así que
2 0 0
2 6
L = − 0
2 2
6 2 3
0 −
3 3
Ejercicio 3.4 Encuentre, si es posible, la factorización directa de Choleski para la siguiente matriz
4 1 1 1
−1 1
A=
1 3
♦
1 −1 2 0
1 1 0 2
Como ya se mencionó al comienzo de este capítulo, en los métodos iterativos para resolver
sistemas de ecuaciones lineales, se parte de una aproximación inicial a la solución, la cual se va
"mejorando" sucesivamente aplicando cierto algoritmo. Un método iterativo puede ser convergente
o divergente, y aunque el método iterativo converja, en general, sólo podemos esperar la obtención
de una solución aproximada, por efecto de los errores de truncamiento y/o redondeo. Entre las
ventajas de los métodos iterativos, comparados con los directos, están la simplicidad y uniformidad
de las operaciones que se realizan, ya que se usa repetídamente un proceso sencillo; y su relativa
insensibilidad al crecimiento de los errores de redondeo, es decir, usualmente los métodos
iterativos son estables.
Las matrices asociadas con los sistemas de ecuaciones lineales se clasifican en densas y
esparcidas. Las matrices densas tienen pocos elementos nulos y su orden es relativamente
pequeño ( ≤ 100 ) ; para sistemas con matrices densas se recomienda usar métodos directos. Las
matrices esparcidas tienen pocos elementos no nulos y surgen, por ejemplo, al resolver ecuaciones
diferenciales por métodos de diferencias finitas; su orden puede ser muy grande. Los métodos
iterativos son recomendados para resolver sistemas con matrices esparcidas.
Los métodos iterativos que estudiaremos son generalizaciones del método de iteración de punto
fijo:
X ( ) = BX ( ) + c ,
k k−1
k = 1,2,...
y se espera que {X ( ) } k
k
"converja" a la única solución X del sistema AX = b ( ⇔ X = BX + c ) ,
donde la convergencia se entiende en el siguiente sentido.
k ≥ N , entonces X − X( ) < ε .
k
Puede probarse que si una sucesión X
( k)
{ } k
de vectores de R n
Digamos que {X ( ) }
k
k
converge al vector X . Si usamos la norma vectorial . ∞
, entonces
lim X − X ( ) = 0 , y si X = ( x1,... xi ,..., xn ) T y X ( k) = x1( k) ,... xi( k ) ,..., xn( k ) , esto último significa
T
k
k →∞ ∞
( )
k
que: dado ε > 0 , existe N ∈N tal que si k ≥ N , entonces xi − xi < ε para todo i = 1,2,...,n (ya
(k) xi − x(i ) ) .
k
que X − X = Max
∞ 1≤i≤n
Si ai i ≠ 0 para todo i = 12
, ,...,n , entonces despejando xi de la i-ésima ecuación, obtenemos el
sistema equivalente
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 36
__________________________________________________________________________________
n
ai j
∑ − a
b
xi = xj + i , i = 12
, ,..., n
j =1 ii ai i
j≠ i
( )n× n con
Si B = bi j
ai j
− , i≠ j
ai i
bi j = i,j = 1,2,...,n
0, i = j
bi
y c = ( c1, c 2 ,..., c n )
T
, i = 1,2,...,n , entonces el sistema AX = b dado es equivalente al
con ci =
ai i
X ( ) = BX ( ) + c , k = 1,2,...
k k −1
( k −1) ( k− 1) T
X(
k −1)
= x1 ,..., xi ,..., x(n ) ,
k −1
donde, conocido se calcula la aproximación siguiente
n
( k− 1)
bi − ∑a
j =1
i jx j
x (i ) =
k j ≠i
, i = 1,2,...,n (3.12)
ai i
Escogida alguna norma vectorial (por ejemplo . ∞ ), alguna tolerancia ε > 0 y un número
máximo de iteraciones N, se termina el proceso iterativo, indicado en la fórmula (3.12), cuando se
satisfaga alguno de los siguientes criterios de aproximación:
( k) (k )
R( ) < ε , siendo R = AX − b ,
k
i)
X( ) − X ( ) < ε ,
k k−1
ii)
X( ) − X( )
k k −1
iii) <ε
X( )
k
~
Algoritmo 3.4 (Método de Jacobi) Para encontrar una solución aproximada X de un sistema
( )
AX = b , con A = ai j
n ×n
∈ R n ×n invertible, b ≠ 0 , y ai i ≠ 0 , i = 1,2,...,n .
Entrada: El orden n del sistema; las componentes (no nulas) ai j, i, j = 1,2,...,n de la matriz A; las
componentes bi , i = 1,...,n del vector de términos independientes; las componentes
x0 i , i = 1,2,...,n de una aproximación inicial X 0 = X ( ) ; una tolerancia Tol y un número
0
máximo de iteraciones N.
Paso 1: Tomar k = 1 .
Paso 5: Tomar k = k + 1 .
ANALISIS DE CONVERGENCIA
A =D−L−U
donde D es la matriz diagonal cuya diagonal es la diagonal principal de A (es dec ir,
D = diag(a11,a22 ,...,ann ) ) , − L es la matriz triangular inferior obtenida de la parte triangular
estrictamente inferior de A, y − U es la matriz triangular superior obtenida de la parte triangular
estrictamente superior de A. Entonces
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 38
__________________________________________________________________________________
AX = b ⇔ (D − L − U) X = b
⇔ DX − (L + U) X = b
⇔ DX = (L + U)X + b
⇔ X = D −1 (L + U) X + D− 1b
X ( ) = D −1 (L + U) X ( ) + D −1b , k = 1,2,...
k k −1
que se usa para efectos teóricos, mientras que la fórmula (3.12) se usa para los cálculos
numéricos.
X ( ) = BX ( ) + c , converge.
k k −1
Teorema 3.6 Si B < 1 para alguna norma matricial inducida, entonces la sucesión { X( ) } ,
k
k
generada por la fórmula de iteración
X ( ) = BX ( ) + c ,
k k −1
k = 1,2,...
X − X( ) ≤ B X − X( ) , k ≥ 1
k k 0
i)
k
B
ii) X − X(k) ≤ X ( 1) − X ( 0 ) , k ≥1
1− B
X − X( ) ≤
B
X( ) − X( ) , k ≥ 1
k k k −1
iii)
1− B
Demostración: Para demostrar que el sistema X = BX + c tiene sólo una solución, basta probar
que el sistema homogéneo X = BX , es decir, (I − B)X = 0 , tiene solución única X = 0 , ya que si
(I − B)X = 0 tiene solución única, entonces I − B es invertible y entonces (I − B) X = c tiene solución
única, y como (I − B)X = c es equivalente a X = BX + c , entonces este último sistema tiene
solución única.
Si X es solución de X = BX , entonces
0 ≤ X = BX ≤ B X
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 39
__________________________________________________________________________________
Si (k )
B = 0 , entonces B = 0 y se tendría X = c para todo k = 12
, ,... , y {X ( ) }
k
k
converge a c,
que es la única solución de X = c .
Ahora,
k
(
X − X( ) = B X − X( ) ,
k −1
) k = 1,2,...
0 ≤ X − X( ) ≤ B X − X(
k −1)
X − X(
k− 2 )
X − X( )
k 2 k 0
≤ B ≤... ≤ B (3.13)
X − X ( ) → 0 cuando k → ∞ , es
k k
Como B → 0 cuando k → ∞ (pues 0 ≤ B < 1 ), entonces
decir, { X( ) }
k
k
converge a X .
De (3.13), obtenemos
X − X( ) X − X( )
k k 0
i) ≤ B
De otro lado,
X − X ( ) = X − X ( ) + X ( ) − X( ) ≤ X − X ( ) + X ( ) − X ( )
0 1 1 0 1 1 0
X − X( ) + X( ) − X( )
0 1 0
≤ B
Así que
(1 − B ) X − X( ) ≤ X( ) − X( )
0 1 0
X − X( ) X( ) − X( )
0 1 1 0
≤ (3.14)
1− B
k
y entonces multiplicando a ambos lados de (3.14) por B , obtenemos
k
B
X − X( ) X − X( ) X( ) − X( )
k k 0 1 0
≤ B ≤
↑ 1− B
usando i )
de donde se obtiene
k
X − X( ) ≤
B
X( ) − X( )
k 1 0
ii)
1− B
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 40
__________________________________________________________________________________
Finalmente,
X − X(
k −1)
= X − X ( ) + X ( ) − X ( ) ≤ X − X ( ) + X( ) − X ( )
k k k −1 k k k− 1
X − X(
k −1)
+ X ( ) − X( )
k k −1
≤ B
así que
(1 − B ) X − X(
k −1)
≤ X( ) − X( )
k k −1
X − X(
k −1)
X( ) − X( )
1 k k −1
≤ (3.15)
1− B
y entonces multiplicando a ambos lados de (3.15) por B , obtenemos
B
X − X( ) X − X(
k −1)
X( ) − X( )
k k k −1
≤ B ≤
1− B
lo que implica
B
X − X( ) X( ) − X( )
k k k− 1
iii) ≤ ∇
1− B
k
X − X( )
B
X ( ) − X ( ) , en el teorema 3.6 anterior, válida
k 1 0
Nota: La desigualdad ii) ≤
1− B
para B < 1 , nos dice que entre más "pequeña" sea B , más "rápida" será la convergencia del
X − X( )
k
método iterativo. Las cotas para el error de truncamiento , dadas en el teorema 3.6,
( k)
permiten analizar la calidad de una solución aproximada X .
filas:
n
ai i > ∑ ai j
j =1
j ≠i
luego
n n
ai j ai j
∑
j =1
ai i
= ∑
j=1
−
ai i
< 1 , i = 12
, ,..., n
j ≠i j≠i
de donde
n
ai j
Max
1≤i≤n
∑
j =1
−
ai i
<1
j≠ i
Pero
n n
ai j
BJ ∞
= Max
1≤i≤n
∑j =1
bi j = Max
1≤ i ≤ n
∑ −a
j=1 ii
(pues b i i = 0 )
j ≠i
así que BJ ∞
< 1. ∇
Teorema 3.7 Si la matriz A en un sistema AX = b es E.D.D. por filas, entonces el método iterativo
( 0)
de Jacobi converge a la única solución X del sistema AX = b , cualquiera sea X , y se tienen las
( k)
cotas para el error X − X , dadas en el teorema 3.6. ∇
∞
Se dispone, además, del siguiente resultado cuya demostración puede consultarse en Burden,
1985, páginas 469 y 470:
X ( ) = BX ( ) + c, k = 12
k k −1
, ,..., c ≠ 0 , converge a la única solución X del sistema X = BX + c si y
sólo si ρ (B) < 1. ∇
Como una aplicación particular del teorema 3.8 se tiene que: El método iterativo de Jacobi
converge a la única solución X del sistema X = BJ X + c si y sólo si ρ (B J ) < 1 .
2x1 − x 2 + x3 = −1
x1 + x2 + 3 x3 = 0
3x + 3x + 5x = 4
1 2 3
Lo primero que observamos es que el método de Jacobi es aplicable a este sistema, ya que la
matriz de coeficientes del sistema dado tiene todas sus componentes diagonales no nulas.
Empecemos observando que la matriz A de coeficientes del sistema no es E.D.D. por filas (ya que
2 ≤ − 1 + 1 ), así que para el estudio de la convergencia del método de Jacobi debemos
encontrar la matriz de iteración B J .
x1 1 1 x1 1
0 − −
2 2 2
x2 = −1 0 −3 x2 + 0
3 3 4
− 5 − 5 0 5
{
x 3 144 x3 123
{
424443
X BJ X c
7
Como BJ ∞
= 4 > 1 ( BJ 1
= > 1) no podemos concluir sobre la convergencia del método de
2
Jacobi (a partir de las normas . ∞
, . 1 ), así que debemos estudiar el radio espectral ρ(B J ) , de
la matriz de iteración B J .
Como
1 1
−λ −
2 2 8 3
det (B J − λI) = −1 −λ −3 = −λ3 + λ +
3 3 5 5
− − −λ
5 5
8 3
entonces la ecuación característica de la matriz B J es − λ3 + λ + = 0 , cuyas raíces son
5 5
Instrucciones en DERIVE:
En situaciones como la del ejemplo 3.8, se recomienda reordenar las ecuaciones del sistema dado,
de modo que la matriz de coeficientes del sistema reordenado sea lo más cercana posible a una
matriz E.D.D. por filas (colocando primero las ecuaciones que tienen un coeficiente dominante y
luego las restantes).
2x1 − x 2 + x 3 = −1
3 x1 + 3 x2 + 5 x 3 = 4
x + x + 3x = 0
1 2 3
Observe que la matriz de coeficientes de este sistema reordenado tampoco es E.D.D. por filas.
−1 + x(2 ) − x(3 )
k −1 k −1
x1( ) =
k
,
2
( k −1) ( k −1)
4 − 3 x1 − 5 x3
x (2 ) =
k
, k = 12
, ,...
3
− x(1 ) − x(2 )
k −1 k −1
x3( k)
= ,
3
x( k ) ( k −1)
1 1 1 x1 1
0 − − 2
2 2 4
x(2k ) = −1 0 − x(2 ) +
5 k −1
, k = 12
, ,...
3 3
1 1
( k ) − 3 − 3 0 ( k −1)
x
x 3 14442444 120
3 3 3
123 BJ 1 424 3 c
X( ) X( )
k k − 1
8 13
Como BJ ∞
=
> 1 ( BJ 1 = > 1 ), entonces nada se puede afirmar sobre la convergencia del
3 6
método de Jacobi (a partir de las normas B J ∞ , B J 1 ), por tanto debemos encontrar ρ(B J ) . La
ecuación característica de B J es
2 1
− λ3 + λ+ =0
9 9
cuyas raíces son
entonces, según el teorema 3.8, el método iterativo de Jacobi converge a la única solución X del
sistema reordenado, cualquiera sea la aproximación inicial X ( 0 ) .
Iterando con el método de Jacobi, tomando como aproximación inicial X ( ) = (0,0,0) , y usando
0 T
X( ) − X( )
16 15
Como ≈ 7.5E − 4 < .001 y k = 16 es el primer entero positivo para el cual
∞
X( ) − X( )
k k −1
< .001 , entonces
∞
Instrucción en DERIVE:
X ( ) − X , dadas en el
16
Como no se pueden aplicar las cotas para el error de truncamiento
teorema 3.6 (ya que no se satisface la condición B J < 1 para las normas calculadas
X( ) − X
16
∞
BJ ∞
, BJ 1
), entonces vamos a usar las cotas para el error relativo , dadas en el
X ∞
teorema 3.3:
R( ) X( ) − X R( )
16 16 16
1
≤ Cond ∞ ( A)
∞ ∞ ∞
≤
b ∞
Cond ∞ ( A ) X ∞
b ∞
2 −1 1 −1
A = 3 3 5 y b = 4
3 3 9 0
Si hacemos los cálculos indicados, obtenemos
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 45
__________________________________________________________________________________
X( ) − X
16
∞
5 × 10 −6 < 16
. ...×10 − 5 ≤ ≤ .011... < .05 = 5 × 10 −2
X ∞
Extendiendo de manera natural, los conceptos de cifras significativas y cifras decimales exactas
para vectores, dados en el capítulo 1 para escalares, podemos concluir, a partir de la última
desigualdad, que X ( ) = .99873, 19994
( )
16 T
. , −.99901 aproxima a la solución exacta X del sistema
dado con una precisión de por lo menos dos cifras significativas (y no más de cinco). Se puede
verificar que la solución exacta del sistema dado es X = (1, 2, − 1) . ♦
T
Observe que el método de Jacobi es aplicable a este sistema, pero nuevamente como en el
ejemplo anterior, la matriz de coeficientes del sistema dado no es E.D.D. por filas, así que para
estudiar la convergencia del método de Jacobi debemos encontrar la matriz de iteración BJ .
Se ve fácilmente que la matriz de iteración del método de Jacobi es, en este caso, la siguiente
matriz
1
0 −5 0
2
0 1 8
0 −
BJ = 3 3
1
−5 2
0 0
1 − 11 1 0
3 3 3
11
Como BJ ∞ = > 1 ( B J 1 > 1), entonces todavía no podemos concluir acerca de la
2
convergencia del método de Jacobi ( apartir de las normas B J ∞ , BJ 1 ) . Encontremos
entonces el radio espectral de la matriz de iteración BJ .
629 2 31
λ4 − λ + λ + 240 = 0
18 18
cuyas raíces son
10 x1 − x2 + 2x 3 = 6
− x1 + 11x 2 − x3 + 3 x 4 = 25
2x1 − x 2 + 10 x 3 = −11
3x2 − x 3 + 8 x4 = −11
obtenemos un sistema equivalente AX = b donde A sí es E.D.D. por filas, así que, según el
teorema 3.7, el método iterativo de Jacobi converge a la única solución del sistema, cualquiera sea
( 0)
la aproximación inicial X , y se tienen cotas para el error de truncamiento X ( ) − X .
k
∞
x ( k) ( k −1)
1 0 1
−
2 x1 6
0
10 10 ( k −1) 10
( k) 1 1 3 25
x2 0 − x2
= 11 11 11 + 11
( k) − 2 1
( − ) − 11
x 3 10 0 0 x 10
k 1
10
11
3
3 1
( k) 0 − 0 k −1 −
x 14444 ( ) 8
4 84244444
8 3 x 4 123
123 BJ 14 2 4 3 c
X( k ) X( k −1)
4 1 23
Observe que BJ ∞
= = < 1 ( BJ 1
= < 1) .
8 2 40
Los resultados obtenidos en las iteraciones aplicando el método de Jacobi, empezando con
X ( 0 ) = ( 0,0,0,0 ) y usando como criterio de aproximación X ( ) − X ( )
T k k −1
< .001 , son
∞
M
X ( ) = (11040, 2.9958, − 1.0210, − 2.6262)
8 T
.
Sólo fueron necesarias k = 9 iteraciones para alcanzar la tolerancia dada. Con cuántas cifras
decimales exactas aproxima X ( 9 ) a X ? (ejercicio) ♦
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 47
__________________________________________________________________________________
( 0) ( 0) ( 0) T
Se inicia el proceso iterativo con una aproximación inicial X ( ) = x1 , x2 ,..., xi ,..., x(n ) . A partir
0 0
( 1) (1) ( 1) T
de este vector se obtiene la primera aproximación X ( ) = x1 ,x 2 ,..., xi ,...,xn( ) , mediante las
1 1
n n
∑ a1jx (j ) b2 − a 21 x1( ) − ∑a ( 0)
0 1
b1 − 2 j xj
x1( ) = x (2 ) =
1 j= 2 1 j= 3
,
a11 a 22
i −1 n
( 1) − ( 0)
bi − ∑a i jx j ∑a i j xj
xi( ) =
1 j =1 j =i +1
ai i
y
n −1
( 1)
bn − ∑a n j xj
x (n ) =
1 j =1
an n
El paso genérico es:
( k −1) ( k −1) T
Conocida la aproximación X (
k −1)
= x1 ,..., xi ,..., x n( ) , se obtiene la aproximación siguiente
k −1
(k) (k) T
X ( ) = x1 ,..., xi ,..., xn( ) , usando las fórmulas
k k
n
( k −1)
b1 − ∑a 1j x j
x1( ) =
k j= 2
a11
para i = 2,3,..., n − 1 ,
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 48
__________________________________________________________________________________
i −1 n
∑ ai j x(j ) − ∑a ( k −1)
k
bi − i j xj
x i( ) =
k j= 1 j = i +1
(3.16)
ai i
n −1
(k)
bn − ∑a n j xj
x (n ) =
k j= 1
an n
~
Algoritmo 3.5 (Método de Gauss-Seidel) Para encontrar una solución aproximada X de un
( )
sistema AX = b , A = ai j n ×n ∈ R n × n invertible, b ≠ 0 y ai i ≠ 0 para todo i = 1,2,...,n .
Entrada: El orden n del sistema; las componentes no nulas ai j , i,j = 1,2,...,n de la matriz A; las
componentes b i , i = 1,2,...,n del vector de términos independientes; las componentes
x0 i , i = 1,2,...,n de una aproximación inicial X 0 = X ( ) ; una tolerancia Tol, y un número
0
máximo de iteraciones N.
Paso 1: Tomar k = 1 .
n
b1 − ∑a
j =2
1j x0 j
Paso 3: Tomar x1 = .
a11
n −1
bn − ∑a n j xj
j =1
Paso 5: Tomar xn = .
an n
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 49
__________________________________________________________________________________
Paso 6: Si X − X 0 < Tol , entonces salida: "Una solución aproximada del sistema es
X = ( x1, x2 ,..., xn ) ". Terminar.
~ T
Paso 7: Tomar k = k + 1 .
Paso 9: Salida: "Se alcanzó el número máximo de iteraciones N pero no la tolerancia". Terminar.
ANÁLISIS DE CONVERGENCIA
Al igual que en el método de Jacobi, con el propósito de analizar la convergencia del método de
Gauss-Seidel, veamos cuál es la fórmula vectorial de iteración del método de Gauss-Seidel
X ( ) = BX ( ) + c , k = 12
k k −1
, ,...
Multiplicando a ambos lados de la ecuación (3.16) por ai i y asociando los k-ésimos términos
iterados, obtenemos
i n
∑ ai jx (j ) =
k
∑ (− a )x( ij j
k −1)
+ bi (3.17)
j =1 j = i+ 1
(D − L) X ( k ) = UX ( k −1) + b
o equivalentemente
X ( k ) = (D − L) UX ( ) + (D − L ) b, k = 1,2,...
−1 k− 1 −1
14243
BG
siempre que la matriz D − L (triangular inferior) sea invertible, o sea si ai i ≠ 0 para cada
i = 1,2,..., n .
La fórmula anterior se conoce como fórmula vectorial de iteración del método de Gauss-Seidel,
y la matriz BG = (D − L ) U se llama matriz de iteración del método de Gauss-Seidel.
−1
Recuérdese que según el teorema 3.6: Si B G < 1 para alguna norma matricial inducida,
entonces la sucesión X { }
(k)
, k = 0,1,... , obtenida en el método de Gauss-Seidel, converge a la
k
( 0)
única solución X del sistema X = BG X + c para cualquier X ∈R n , y se tienen las cotas para el
También se tiene, de acuerdo con el teorema 3.8, que: Para cualquier X ( ) ∈R n , la sucesión
0
{ }
X ( ) , con
k
k
X ( ) = BG X ( ) + c,
k k −1
k = 1,2,..., c ≠ 0
2 x1 − x2 + x 3 = −1
x1 + x2 + 3 x 3 = 0
3 x + 3 x + 5 x = 4
1 2 3
Como la matriz de coeficientes no es E.D.D. por filas, nada podemos decir todavía acerca de la
convergencia del método de Gauss-Seidel, así que debemos encontrar la matriz de iteración del
método de Gauss-Seidel, BG . Una forma de encontrarla es la siguiente:
Las fórmulas escalares de iteración del método de Gauss-Seidel para el sistema dado, son
k −1 + x(2 ) − x(3 )
k −1 k −1
x(1 ) = ,
2
(k) (k) ( k− 1)
x 2 = − x1 − 3 x 3 , k = 12
, ,...
( )
k ( )
k
( k ) 4 − 3 x1 − 3 x2
x3 = 5
,
x (2 ) , en términos de x (2 ) y x (3 ) :
k k −1 k− 1
( k −1) ( k −1)
( k ) 1 − x 2 − 5 x3
x2 =
2
( k) (k )
Ahora se reemplazan x1 y la última expresión obtenida para x 2 , en la fórmula de iteración para
x (3 ) , con lo cual se obtiene
k
4 + 9 x(3 )
k −1
x(3 ) =
k
5
Así que, finalmente, se tiene el siguiente esquema de iteración
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 51
__________________________________________________________________________________
−1 + x(2 ) − x3( )
k −1 k −1
x(1 ) =
k
,
2
( k −1) ( k −1)
1 − x2 − 5 x3
x(2 ) =
k
, k = 12
, ,...
2
4 + 9 x3( )
k −1
x(3 ) =
k
,
5
x1( k ) x( k −1)
1 1 1 1
− −
0
2 2
( k) k −1 12
x2( ) +
1 5
x2 = 0 − − , k = 12
, ,...
2 2 2
0 9 4
0 ( k −1) 5
x ( k) x3 123
3 14424453
123 BG 12
4 4 3 c
X( ) X ( k− 1)
k
que constituye la fórmula vectorial de iteración del método de Gauss-Seidel para el sistema dado.
1
0 0
2 0 0 2 0 1 − 1
1
Como D − L = 1 1 0 , entonces (D − L) = −
−1
1 0 , y como U = 0 0 −3 , entonces
3 3 5 0 0 0
2
3 1
0 −
5 5
1 1
0 −
2 2
1 5
BG = (D − L ) U = 0 −
−1
−
2 2
9
0 0
5
Como BG ∞
= 3 > 1 ( BG 1
> 1 ), todavía no podemos concluir acerca de la convergencia del
1 9 9
método de Gauss-Seidel; pero como ρ(B G ) = Max 0 , − , = > 1 , entonces el método de
2 5 5
Gauss-Seidel diverge (recuerde que si una matriz es triangular superior o inferior, entonces los
valores propios de tal matriz son los números que aparecen en su diagonal principal).
Observe que el número cero es siempre un valor propio de la matriz de iteración B G , así que,
en particular, BG siempre es singular (no invertible).
Instrucción en DERIVE:
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 52
__________________________________________________________________________________
Una reordenación del sistema dado, de modo que la matriz de coeficientes del sistema resultante,
sea lo más cercana posible a una matriz E.D.D. por filas, es
2 x1 − x2 + x 3 = −1
3 x1 + 3x 2 + 5 x 3 = 4
x + x + 3x = 0
1 2 3
Las fórmulas escalares de iteración del método de Gauss-Seidel para encontrar una aproximación
de la solución de este sistema reordenado, son
−1 + x2( ) − x 3( )
k −1 k− 1
x1( ) =
k
,
2
( k) ( k −1)
4 − 3 x1 − 5 x3
x (2 ) =
k
, k = 12
, ,...
3
− x1( ) − x2( )
k k
(
x3 =
k)
,
3
Dado que
1
0 0
2 0 0 2 0 1 −1
1 1
D − L = 3 3 0 , (D − L ) = − 2
−1
0
y U = 0 0 −5
1 1 3 3 0 0 0
1 1
0 −
9 3
entonces
1 1
0 −
2 2
BG = (D − L ) U = 0 −
−1 1 7
−
2 6
5
0 0
9
Como BG ∞
> 1 ( BG 1
> 1 ), todavía no podemos concluir sobre la convergencia del método de
5 5
Gauss-Seidel, pero como ρ(BG ) = Max 0, −
1
, = < 1 , entonces el método de Gauss-
2 9 9
Seidel converge a la única solución del sistema dado, cualquiera sea la aproximación inicial.
X( ) − X( )
k k −1
aproximación < .001 , se obtienen los siguientes resultados:
∞
Instrucción en DERIVE:
2x1 − x 2 + 10 x 3 = −11
3 x2 − x 3 + 8 x 4 = −11
10 x1 − x2 + 2x 3 = 6
− x1 + 11x 2 − x3 + 3 x4 = 25
(que es el mismo sistema del ejemplo 3.9), encontramos que la matriz de coeficientes de este
sistema no es E.D.D. por filas, así que para estudiar la convergencia del método de Gauss-Seidel
debemos considerar la matriz de iteración B G .
Se puede ver que
1
0 −5 0
2
0 1 8
0 −
BG = (D − L ) U = 3
−1 3
5 151 4
0 − 2 6
−
3
28
0 − 2 11
3 2 3
y como BG ∞
> 1 ( BG 1
> 1 ), entonces por ahora nada podemos afirmar acerca de la
convergencia del método de Gauss-Seidel; pero se puede ver que la ecuación característica de la
matriz de iteración BG , es
621 3 4343 2
λ4 − λ + λ =0
18 18
cuyas raíces son λ1,2 = 0 (es decir, λ = 0 es raíz doble), λ 3 ≈ 24.7523, λ 4 ≈ 9.74768 . Por lo
tanto ρ(B G ) > 1 , lo que implica que el método de Gauss-Seidel diverge.
Si reordenamos el sistema de modo que la matriz de coeficientes del nuevo sistema equivalente
sea lo más cercana posible a una matriz E.D.D. por filas, obtenemos el sistema
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 54
__________________________________________________________________________________
10 x1 − x 2 + 2 x3 = 6
− x1 + 11x2 − x 3 + 3x 4 = 25
2 x1 − x2 + 10 x3 = −11
3 x 2 − x3 + 8 x4 = −11
cuya matriz de coeficientes es E.D.D. por filas. Así que el método de Gauss-Seidel converge a la
única solución del sistema dado, cualquiera sea la aproximación inicial y se tienen cotas para el
error de truncamiento X ( k) − X , según el teorema 3.9. Si iteramos con el método de Gauss-
X ( 0 ) = ( 0,0,0,0 )
T
Seidel, empezando con y usando como criterio de aproximación
Si comparamos los resultados de los ejemplos 3.8 y 3.9, obtenidos por el método de Jacobi, con
los obtenidos en los ejemplos 3.10 y 3.11 por el método de Gauss-Seidel, vemos que el método de
Gauss-Seidel es de convergencia más rápida; esto es lo que generalmente ocurre cuando ambos
métodos convergen. Anotamos que hay sistemas lineales para los cuales un método converge y el
otro diverge.
3.8.3 Método SOR (Successive Over-Relaxation): Este método fue ideado para acelerar la
convergencia del método de Gauss-Seidel. La idea del método es que para producir un nuevo
(k ) (k ) ( k −1)
valor xi se ponderan los valores xi actual, obtenido por Gauss-Seidel, y x i anterior, como
se indica a continuación:
X( )
0
Dada una aproximación inicial y calculada la aproximación
X(
k −1)
= x1( ) ,x(2 ) ,...,x(i ) ,...,x(n ) ,
T
k −1 k −1 k −1 k −1
se calcula la aproximación siguiente
( k ) ( k) ( k) T
X ( ) = x1 ,x 2 ,...,x i ,...,x (n ) , de acuerdo con las fórmulas siguientes:
k k
n
a1j x(j )
∑ k −1
b1 −
x1( ) = (1 − w) x(1 ) + w
k k −1 j= 2
a11
para i = 2,...,n − 1 :
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 55
__________________________________________________________________________________
i −1
( k −1)
n
bi − ∑ a i j x(j ) − ∑a
k
i jx j
( k) ( k− 1)
xi = (1 − w) xi + w j= 1 j = i +1
(3.18)
ai i
n −1
bn − ∑ a n j x(j )
k
x n( k) = (1 − w) x(nk −1) + w j =1
an n
donde w es un parámetro, llamado de aceleración. Más adelante mostraremos que la variación de
w debe ser 0 < w < 2 , para que el método pueda converger.
Las fórmulas anteriores son llamadas fórmulas escalares de iteración del método SOR.
Para 0 < w < 1 el método se denomina de sub-relajación y se puede usar para obtener
convergencia en algunos sistemas para los cuales el método de Gauss-Seidel no es convergente.
Para 1 < w < 2 el método se denomina de sobre-relajación y se puede usar para acelerar la
convergencia en algunos sistemas que son convergentes por el método de Gauss-Seidel.
La escogencia del valor óptimo de w se hace de modo que ρ (B w ) sea mínimo, donde B w es la
matriz de iteración del método SOR.
Se puede obtener, siguiendo la misma idea que se usó en el método de Gauss-Seidel, la fórmula
vectorial de iteración del método SOR:
k
14444
[
4244444 3
k −1
]
X ( ) = (D − w L) (1 − w)D + wU X ( ) + w(D − wL) b
−1 −1
(3.19)
Bw
En efecto:
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 56
__________________________________________________________________________________
Pero
[
det (D − wL)
−1
] = det(D1− wL) = detD
1
y
[ ] [ ]
det (1 − w )D + wU = det (1 − w )D = (1 − w ) detD
n
así que
det(B w ) =(1 − w )n detD = (1 − w ) n
1
detD
De otro lado, como det(B w ) = λ 1λ 2 ... λ n donde λ 1, λ 2 ,..., λ n son los valores propios de la matriz
B w , entonces
En el siguiente teorema, cuya prueba puede consultarse en Ortega, 1990, página 123, se
establecen condiciones suficientes para la convergencia del método SOR:
Teorema 3.10 Si A es una matriz real, simétrica y definida positiva, entonces el método SOR
converge a la única solución X del sistema AX = b para cualquier elección de la aproximación
( 0)
inicial X ∈R n y cualquier valor de w con 0 < w < 2 . ∇
Si Bw < 1 para alguna norma matricial inducida, entonces el método SOR converge a la única
( 0)
solución X del sistema X = B w X + c , c ≠ 0, cualquiera sea la aproximación inicial X ∈R n , y se
~
Algoritmo 3.6 (Método SOR) Para encontrar una solución aproximada X de un sistema AX = b
con A invertible, b ≠ 0 y ai i ≠ 0 para todo i = 1,2,...,n , dado un valor del parámetro w con
0<w <2:
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 57
__________________________________________________________________________________
Entrada: El orden n del sistema; las componentes no nulas ai j , i, j = 1,2,...,n de la matriz A; las
componentes b i , i = 1,2,..., n del vector de términos independientes b; las componentes
x0 i , i = 1,2,..., n de una aproximación inicial X 0 = X ( ) ; un valor del parámetro w; una
0
Paso 1: Tomar k = 1 .
n
b1 −
∑
a1 j x0 j
Paso 3: Tomar x1 = (1 − w ) x0 1 + w j= 2
a11
i −1 n
bi −
∑ ai jx j − ∑a i j x0 j
x i = (1 − w ) x0 i + w j =1 j = i +1
ai i
n −1
bn −
∑
an j x j
Paso 5: Tomar xn = (1 − w) x0 n + w j =1
an n
Paso 7: Tomar k = k + 1 .
Paso 9: Salida: "Se alcanzó el número máximo de iteraciones N pero no la tolerancia". Terminar.
4 x1 + 3 x 2 =1
1
3 x + 4 x 2 − x 3 =1
− x2 + 4 x 3 = 1
( k− 1)
x1( k ) = (1 − w) x(1k −1) + w 1 − 3 x 2
4
1 − 3 x ( k) + x ( k −1)
(k) ( k −1)
2
x = (1 − w ) x 2 + w
1
4
3 ,
k = 12
, ,..., 0<w<2
(k) (k)
( k −1) + w 1 + x 2
x 3 = (1 − w) x 3
4
Como el método de Gauss-Seidel converge, en este caso, podemos pensar en utilizar el método
SOR para acelerar la convergencia del método de Gauss-Seidel; así que tomaremos valores de w
con 1 ≤ w < 2 .
Para w = 10
. (Gauss-Seidel):
(
X ( ) = .25000, 6.2500 × 10 −2 , .26563 )
1 T
X ( ) = 11546 ( )
T
× 10 −3 , .33237, .33309
13
. ≈X
Para w = 12
. :
(
X ( ) = .30000, 3.0000 × 10 −2 , .30900 )
1 T
(
X ( ) = 3.5372 × 10 − 4 , .33310, .33329 )
9 T
≈X
Para w = 125
. :
(
X ( ) = .31250, 19531 )
T
× 10 −2 , .31860
1
.
M
(
X ( ) = 6.4330 × 10 − 5 , .33331, .33333 )
8 T
≈X
Para w = 13
. :
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 59
__________________________________________________________________________________
(
X ( ) = .32500, 8.1250 × 10 −3 , .32764 )
1 T
(
X ( 6 ) = −12411 )
T
. × 10 −3 , .33427, .33335 ≈X
Para w = 14
. :
(
X ( ) = .35000, − 17500 )
T
× 10 − 2 , .34388
1
.
M
(
X ( 8 ) = 9.7704 × 10 −4 , .33286, .33315 )
T
≈X
Observando los resultados anteriores, se puede concluir que, para este ejemplo, el valor óptimo del
parámetro w debe estar cerca de 1.3, y para este valor de w la convergencia del método SOR es
más rápida. ♦
Instrucciones en DERIVE:
Ejemplo 3.13 Si aplicamos el método SOR para resolver el sistema de ecuaciones lineales
10 x1 − x 2 + 2x 3 = 6
− x + 11x − + =
1 2 x3 3 x4 25
2 x1 − x 2 + 10 x3 = −11
3 x2 − x 3 + 8 x 4 = −11
Para w = 15
. :
X ( ) = (.90000, 3.5318, − 13902, − 4.3098)
1 T
.
X ( ) = (13968 )T
2
. , 3.4072, −.86286, − 19859
.
M
X ( 13 )
= (11041
. , 2.9965, − 1.0210, − 2.6260) ≈ X
T
Para w = 18
. :
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 60
__________________________________________________________________________________
X ( ) = (10800 , − 5.7158 )
1 T
. , 4.2676, − 16006
.
Analice la convergencia del método SOR en cada uno de los casos anteriores. ♦
f1 ( x1, x2 ,..., xn ) = 0
f2 ( x1, x 2 ,..., xn ) = 0
M
f ( x , x ,..., x ) = 0
n 1 2 n
fi : Di → R, D i ⊆ R n
X = ( x1,..., xn ) → fi ( X) = y
y alguna fi es no-lineal.
f1
f2
Si hacemos F ≡ y X = ( x1, x 2 ,..., x n ) , el sistema anterior puede ser escrito en la forma vectorial
M
n
f
F ( X) = 0 con F: D → R n, D ⊆ Rn .
El problema de hallar las soluciones reales de un sistema no-lineal es mucho más difícil que el
problema de hallar las raíces reales de una sola ecuación no-lineal (en una variable), y mucho más
que el problema de resolver un sistema lineal de ecuaciones.
Aunque estudiaremos ciertos métodos que convergen a una solución, no existe un criterio general
para saber cuántas soluciones tiene un sistema no-lineal dado, e incluso es posible que el sistema
no tenga solución, como ocurre con el siguiente sistema
xy = 1
y=0
Un posible método (directo) para resolver sistemas no-lineales de ecuaciones puede ser el de
reducción de variables.
E1: x + y = 1
2 2
E2 : xy = 0
FIGURA 3.1
En general, este método no es fácil de aplicar, pues la eliminación de variables puede ser muy
difícil ó incluso imposible de realizar.
Estudiaremos los métodos iterativos de Punto Fijo y Newton-Raphson para aproximar soluciones
reales de sistemas no-lineales.
3.9.1 Iteración de Punto Fijo para sistemas no-lineales: Dado un sistema no-lineal de n-
ecuaciones con n-incógnitas, F ( X) = 0 ( F: D → R n , D ⊆ R n ), el método de Punto Fijo para
resolver este sistema consiste en transformar dicho sistema en otro equivalente (por lo menos en
forma local) del tipo X = G ( X ) para alguna función G: D ′ → R n , D′ ⊆ D .
f1 ( x, y) = 0 f
F( X ) = 0 con F ≡ 1
f 2 ( x, y) = 0 f2
X( ) = G X( ) ,
k k −1
( ) k = 1,2,...
se convierte en
1 (
x( k ) = g x( k −1) , y ( k −1) ,
)
k = 12
, ,....
( )
( k) ( k −1) , y ( k −1) ,
y = g2 x
1 (
x ( k) = g x ( k −1) , y ( k −1) ,
)
k = 12
, ,....
( )
(k) ( k ) ( k −1) ,
y = g2 x , y
que usa el valor ya calculado x ( ) , y que no es otra cosa que el método de Gauss-Seidel para
k
sistemas no-lineales.
El siguiente teorema general, cuya demostración puede ser consultada en Ortega, 1990, página
153, da condiciones suficientes (no necesarias) para la convergencia de la sucesión X
(k)
{ } k
generada por la fórmula de iteración de Punto Fijo
(
X ( ) = G X ( ) , k = 1,2,...
k k−1
)
Teorema 3.11 Sea D = { ( x , x ,...., x ) ∈ R
1 2 n
n
a i ≤ xi ≤ bi, i = 1,2,..., n } para alguna colección de
g1
constantes reales ai , b i , i = 12
, ,..., n . Supongamos que G: R → R n n
con G ≡ M , es tal que
g
n
∂ gj ( X)
derivadas parciales , i = 12
, ,...,n , son continuas en D . Entonces G tiene un punto fijo en
∂ xi
D.
Si, además, existe una constante M, con 0 ≤ M < 1 , tal que para cada i = 1,2,...,n
∂ g j (X ) M
≤ , siempre que X ∈ D ,
∂ xi n
( )
X ( ) = G X ( ) , k = 1,2,...
k k−1
( 0)
converge al punto fijo P , cualquiera sea la escogencia de X ∈ D , y se tiene la siguiente cota de
error
Mk
X( ) − P X( ) − X( )
k 1 0
≤ ∇
∞ 1− M ∞
x2 − 10 x + y 2 + 8 = 0
(f (x, y) = x − 10 x + y + 8)
1
2 2
2
xy + x − 10 y + 8 = 0
(f ( x, y) = xy + x − 10 y + 8)
2
2
Observando la FIGURA 3.2 vemos que el sistema dado tiene únicamente dos soluciones reales.
Para encontrar estas soluciones por el método de Punto Fijo, empezamos por transformar el
sistema dado en otro equivalente de la forma X = G( X ) . Uno de esos sistemas es
x2 + y2 + 8 x2 + y 2 + 8
x = g1 ( x, y) =
10 10
xy 2 + x + 8 xy 2 + x + 8
y = g2 ( x, y ) =
10 10
g1
Observe que G ≡ es tal que: g1 y g 2 son continuas en todo R 2 , porque son polinómicas.
g2
∂ g1 ( X) 2y ∂ g 2 ( X) 2xy
= , = son continuas en todo R 2 .
∂y 10 ∂y 10
FIGURA 3.2
Ahora,
0 ≤ x, y ≤ 15
. ⇒ 0 ≤ x 2 , y 2 ≤ 2.25
⇒ 0 ≤ x 2 + y 2 ≤ 4.5
x2 + y 2 + 8 4.5 + 8 12.5
⇒ 0≤ ≤ = = 125
. ≤ 15
.
10 10 10
También,
. ⇒ 0 ≤ xy 2 + x ≤ (15
0 ≤ x, y ≤ 15 . )(2.25) + 1.5 = 4.875
xy 2 + x + 8 4.875 + 8 12.875
⇒ 0≤ ≤ = = 12875
. ≤ 15
.
10 10 10
Luego si D = {(x, y) ∈R 2
0 ≤ x, y ≤ 15 }
. , entonces G(D) ⊆ D , así que G satisface las hipótesis
del teorema 3.11 en D , y por lo tanto G tiene por lo menos un punto fijo en D .
Ahora, si X ∈ D ,
∂ g1( X ) x 15
.
= ≤ = .3
∂x 5 5
∂ g1( X ) y
= ≤ .3
∂y 5
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 65
__________________________________________________________________________________
∂ g2 ( X ) y2 + 1 3.25
= ≤ = .325
∂x 10 10
∂ g2 ( X ) 2xy 4.5
= ≤ = .45
∂y 10 10
M
Escogiendo M de modo que = .45 , es decir, escogiendo M = .90 tendremos que 0 ≤ M < 1 , y
2
para cada X ∈ D ,
∂ g j ( X) M ∂ gj (X ) M
≤ y ≤ , j = 12
,
∂x 2 ∂y 2
( 0)
En consecuencia, G tiene un único punto fijo P ∈ D y cualquiera sea X ∈D , la sucesión
{ } ( )
X ( ) , con X ( k ) = G X ( k −1) , k = 1,2,... converge a P.
k
k
( x( ) ) + ( y ( ) )
2 2
k −1 k− 1
+8
(
k
x =)
10 1( )
x( k ) = g x( k −1) , y ( k −1)
(
x( k −1) y ( k− 1) ) + x ( k− 1) + 8
2
y( ) =
k
10 2 ( )
y ( k) = g x ( k− 1) , y ( k −1)
( 0) X( ) − X( )
empezando con X = (.5,.5 )
k k −1
y criterio de aproximación < .001 , obtenemos los
∞
resultados que se muestran en la TABLA 3.1 siguiente.
k x( ) y( ) X( ) − X( )
k −1
k k k
0 .5 .5
1 .85 .8625 .3625
2 .946641 .948232 .096641
3 .979527 .979781 .032886
4 .991944 .991984 .012417
5 .996799 .996805 4.855 × 10 −3
6 .998723 .998724 1924
. × 10 −3
7 .999490 .999490 7.67 × 10 −4
TABLA 3.1
Instrucción en DERIVE:
[ ]
FIXED_POINT( g1 ( x, y) , g2 ( x, y ) ,[ x, y ],[ x 0 , y 0 ] ,N ): aproXima las primeras N iteraciones en el método
x = g1( x, y)
de Punto Fijo aplicado al sistema no-lineal , tomando como aproximación inicial el
y = g2 ( x, y)
punto ( x0 , y 0 ) . Para el ejemplo, aproXime la expresión
x2 + y 2 + 8 xy 2 + x + 8
FIXED_POINT( , , [ x, y] , [ 0.5 , 0.5] , 7 ). ◊
10 10
Usando la cota de error dada por el teorema 3.11 con M = .90 , obtenemos
X( ) − P
( .9 )7
7
≤
1−.9
(.3625) ≈ 173
.
∞
( 7)
la cual no indica la precisión real de X con respecto a P, pues como el lector puede verificar
( 7)
fácilmente, P = (11
, ) y realmente X − P ≈ 5.1 × 10 −4 .
∞
( x( ) ) + ( y ( ) )
2 2
k −1 k− 1
+8
(
k
x =)
10 1 (
x( k ) = g x( k −1) , y ( k −1)
)
(
x( k ) y ( k− 1) ) + x ( k) + 8
2
y( ) =
k
10 2( )
y ( k ) = g x( k ) , y ( k −1)
k x( ) y( ) ( k) − X ( k −1)
k k
X
∞
0 .5 .5
1 .85 .90625 .40625
2 .954379 .973820 .104379
3 .985916 .992089 .031537
4 .995627 .997556 9.711 × 10 −3
5 .998639 .999240 3.012 × 10 −3
6 .999576 .999763 9.37 × 10 − 4
TABLA 3.2
X( ) − P −4
6
Observe que ≈ 4.24 × 10 , lo que asegura una precisión en la aproximación de P de
∞
tres cifras decimales exactas. Como ejercicio haga un análisis similar para encontrar una
aproximación de la otra solución del sistema dado. ♦
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 67
__________________________________________________________________________________
f1 ( x, y) = 0 f
F( x, y ) = 0 con F ≡ 1
f2 ( x, y) = 0 f2
aproximación siguiente X(
k +1)
(
= x( ) , y ( ) ,
k +1 k +1
) mediante el método de Newton-Raphson,
procedemos como se indica a continuación:
Si las funciones f1( x, y ) y f2 ( x, y) y todas sus derivadas parciales de orden menor o igual que dos
( k)
son continuas en una vecindad de X , entonces para x( ) , y ( )
k +1 k +1
( ) en esa vecindad se tiene
( k+ 1 k+ 1
) ( k k
) (
k+ 1 k ∂ f1
f1 x ( ) , y ( ) = f1 x ( ) , y ( ) + x ( ) − x( )
∂x
k k k +1 k ∂ f1
x( ) , y( ) + y( ) − y( )
∂y ) (
k
) ( )
x( ) , y ( )
k
) (
+ ( x( ) − x( ) ) ξ, η) + 2( x( ) − x( ) )( y( ) − y ( ) )
1 ∂ f 2 2
∂ f 2
k +1 k
( 1
∂x ∂y
(ξ, η)
k +1 k k +1 k 1
2 ∂x 2
+( y ( ) − y ( ) )
∂ f 2 2
k +1
( ξ, η)
k 1
∂y 2
(k ) ( k +1)
, y η entre y ( ) y y ( ) .
k +1
con ξ entre x y x
k
( )
Si suponemos que f1 x (k +1) , y ( k +1) ≈ 0 y que el residuo
( ) 21 (x( )
∂ 2 f1
( )(
( k +1) − x ( k) y ( k +1) − y ( k ) ∂ f1
)
2
R2 f1, x ( k+ 1) , y (k + 1) = k+ 1)
− x( k ) ( ξ, η ) + 2 x
∂ x2 ∂ x∂ y
(
+ y( ) − y( ) ) ∂ 2 f1
2
k +1 k
( ξ, η) ≈ 0
∂y 2
obtenemos
( )(
0 ≈ f1 x( k ) , y ( k ) + x( k +1) − x ( k)
∂ f1 ( k ) ( k)
∂x
x ,y ) (
+ y ( k +1) − y ( k )
∂ f1 ( k) ( k )
∂y
x ,y ) ( ) ( ) (3.20)
(k k
) (
k +1 k ∂ f2
0 ≈ f2 x( ) , y( ) + x( ) − x( )
∂x
k k k +1
) (
k ∂ f2
x( ) , y( ) + y( ) − y( )
∂y
x( ) , y ( )
k k
) ( ) ( ) (3.21)
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 68
__________________________________________________________________________________
Si las cuasi-igualdades (3.20) y (3.21) las manejamos como igualdades y las escribimos en forma
matricial, obtenemos el siguiente sistema de dos ecuaciones lineales en las dos incógnitas
x ( k+ 1) , y ( k+ 1) :
(k ) ( k )
∂ x (
∂ f1 ( k ) ( k )
x ,y )
∂ f1 ( k ) (k )
∂y
x ,y
( ) x( k +1) − x ( k)
f1 x , y
= −
( ) ( )
∂ f2 ( k ) ( k ) ∂ f2 ( k ) ( k )
x ,y x ,y y( ) − y( )
k + 1 k
f x ( k) , y ( k )
∂x ∂y 2
144444424444443 144244 3
( k +1) ( k) 1 4 4 2 44 3
J X ( ) X −X
k
F X ( )
k
( )
La matriz J X ( ) , en la ecuación anterior, se denomina matriz Jacobiana del sistema.
k
( )
x( k +1) −1
Despejando ( k+ 1) , siempre que J X ( k ) exista, obtenemos
y
( ) ( )
x( k +1) x( k ) −1
k+ 1 = k − J X ( k) F X ( k)
y ( ) y ( )
o sea
( ) ( )
−1
X(
k +1)
= X ( ) − J X ( ) F X( ) , k = 0,1,...
k k k
la cual es la fórmula vectorial de iteración del método de Newton-Raphson para el sistema no-
lineal F( X) = 0 (compare esta fórmula con la fórmula de iteracion del método de Newton-Raphson
obtenida en el capítulo 2).
( )
−1
Para implementar este método no es necesario, ni conveniente calcular J X (k ) ; se recomienda
el siguiente algoritmo:
Dada una aproximación inicial X ( ) , una tolerancia ε > 0 , y un número máximo de iteraciones N;
0
( k +1)
= X(
k +1)
− X( )
k
Paso 1: Definimos Z
( )
J X ( ) Z( ) = − F X ( )
k k +1 k
( )
( k +1) ( k +1) ( k)
Paso 3: calculamos X =Z +X .
Z(
k+ 1)
= X(
k +1)
− X ( ) < ε para alguna norma vectorial . , entonces X (
k +1)
k
Paso 4: Si es una
x2 − 10 x + y 2 + 8 = 0
2
xy + x − 10 y + 8 = 0
que es el mismo del ejemplo 3.14, obtenemos los resultados que aparecen en las TABLAS 3.3 y
(k) ( k− 1)
3.4, donde se usó como criterio de aproximación X − X < .001 .
∞
(k ) y( ) X( ) − X( )
k k k k −1
x
∞
0 .5 .5
1 .937685 .939169 .439169
2 .998694 .998388 .061009
3 .999999 .999999 1611
. × 10 − 3
4 100000
. 100000
. . × 10 −6
10
TABLA 3.3
Instrucción en DERIVE:
[ ]
NEWTONS( f1 ( x, y) , f2 ( x, y ) , [ x, y] , [ x 0 , y 0 ] , N ): aproXima las primeras N iteraciones del método de
f1( x, y ) = 0
Newton-Raphson aplicado al sistema no-lineal , tomando como aproximación inicial el
f2 ( x, y ) = 0
punto ( x0 , y 0 ) . Para el ejemplo, aproXime la expresión
[ ]
NEWTONS( x 2 − 10 x + y 2 + 8 , xy 2 + x − 10y + 8 , [ x, y] , [ 0.5 , 0.5] , 4 ). ◊
( 4)
De acuerdo con los resultados de la TABLA 3.3, se tiene que X = (100000
. , 100000
. ) ≈ X = (11, ) .
k x( ) y( ) X( ) − X( )
k −1
k k k
∞
0 2.0 3.0
1 2.19444 3.02778 .19444
2 2.19345 3.02048 7.3 × 10 −3
3 2.19344 3.02047 2.0 × 10 −5
TABLA 3.4
De acuerdo con los resultados que aparecen en la TABLA 3.4, se tiene que
X ( ) = ( 2.19344,3.02047 ) es una aproximación de la otra solución del sistema dado.
3
Veamos como se calcula la primera iteración X ( ) = ( 2.19444, 3.02778) , que aparece en la TABLA
1
∂ f1 ∂ f1
∂x
( x, y ) = 2 x − 10 , ∂y
( x, y) = 2 y
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 70
__________________________________________________________________________________
∂ f2 ∂ f2
∂x
( x, y ) = y 2 + 1, ∂y
( x, y) = 2 xy − 10
Es claro que las funciones f1( x, y ) , f2 ( x, y ) y sus derivadas parciales de orden menor o igual que
dos son continuas en todo R 2 , por ser polinómicas.
x( 1)
Para calcular la primera iteración X ( ) = ( 1) , siguiendo los pasos en el algoritmo anterior,
1
y
procedemos así:
( 1) ( 1) ( 0)
Definimos Z = X − X ( k = 0 ), y resolvemos el sistema lineal
( )0 1
( )
J X ( ) Z ( ) = −F X ( )
0
En este sistema
FX ( (
0) ) f X ( 0)
( ) ( )
1
=
f2 X ( )
0
siendo
( ) ( )
f1 X ( ) = f1( 2.0, 3.0) = 1.0 , f2 X ( ) = f2 ( 2.0, 3.0) = −2
0 0
∂ f1 ∂ f1
( 2.0,3.0) ( 2.0,3.0) −6 6
( )
J X( ) =
0 ∂x
∂ f2
( 2.0,3.0)
∂y
∂ f2
(
=
2.0,3.0) 10 2
∂x ∂y
x 2 + y 2 − x = 0
2
x − y 2 − y = 0
FIGURA 3.3
Por simple inspección sobre el sistema dado, u observando la FIGURA 3.3, se ve que ( 0,0) es una
solución del sistema, y que el sistema dado solamente tiene dos soluciones reales.
Si usamos el método de Newton-Raphson para encontrar la solución no nula del sistema dado, con
X ( ) − X( )
k −1
< 10 − 3 , se obtiene como solución aproximada
k
criterio de aproximación
∞
X ( ) = (.5, .5 ) ,
0
y si tomamos aproximación inicial obtenemos la solución aproximada
X ( 5 ) = (.771845, .419643) . ♦
Como una aplicación del método de Newton-Raphson para sistemas no-lineales, tenemos el
método de Bairstow para encontrar ceros complejos de funciones polinómicas, método al cual
nos referiremos a continuación.
Para hallar una raíz compleja de una ecuación polinómica con coeficientes reales puede utilizarse
el método de Newton-Raphson con una aproximación inicial compleja y aritmética compleja. Otra
forma de enfocar el problema de las raíces complejas de una ecuación polinómica con coeficientes
reales se basa en el hecho de que si z = a + bi es un cero complejo de multiplicidad m de un
polinomio p( x) , entonces su conjugado z = a − bi es también un cero de multiplicidad m de p( x) y
(x ) es un factor de p( x) .
m
2
− 2ax + a 2 + b 2 Es decir, las raíces complejas de ecuaciones
polinómicas con coeficientes reales se producen en pares conjugados y por ésto, se debe buscar
un factor cuadrático, más que lineal, del polinomio. Esta es la base del método de Bairstow, el
cual nos permitirá encontrar raíces reales o complejas de una ecuación polinómica con coeficientes
reales, realizando únicamente aritmética real. A continuación describimos este método:
( )
p( x) = x2 − ux − v q( x) + r ( x − u) + s (3.23)
Las expresiones x 2 − ux − v y r ( x − u) + s han sido escritas así para simplificar los cálculos
posteriores.
( )
p( x) = x 2 − ux − v q( x) + r ( x − u) + s
( )( )
= x 2 − ux − v b0 + b1x + b2 x2 +...+bn − 3 xn −3 + b n− 2 xn − 2 + r ( x − u) + s
(3.25)
= ( − vb0 − ru + s) + ( −ub 0 − vb1 + r ) x + ( b0 − ub1 − vb 2 ) x 2 +...
+(b n −4 − ubn − 3 − vb n− 2 )x n −2 + (b n −3 − ubn −2 ) xn −1 + bn − 2 xn
an = bn − 2
an −1 = bn − 3 − ubn − 2
an − 2 = b n− 4 − ub n− 3 − v bn − 2
an − 3 = bn − 5 − ubn − 4 − vbn − 3
M
a3 = b1 − ub 2 − vb 3
a 2 = b0 − ub1 − v b2
a1 = r − ub 0 − vb1
a0 = s − u r − v b0
bn − 2 = a n
b
n − 3 = an −1 + ubn − 2
bn − 4 = an − 2 + ub n− 3 + v bn − 2
bn − 5 = an − 3 + ubn − 4 + vbn − 3
M (3.26)
b 1 = a 3 + ub 2 + v b3
b 0 = a 2 + ub1 + vb 2
r = a + ub + v b
1 0 1
s = a 0 + ur + vb 0
r ( u, v) = 0
(f1( u, v ) )
=0
(3.27)
s(u, v) = 0 (f2 (u, v ) =0 )
para las incógnitas u y v.
r rv
J= u
su sv
u( k +1)
(k)
( )
= u − J X ( k )
−1
( )
r X ( k)
v (k + 1)
12
4 4 3
v(k )
123
( )
s X
1424
( k)
3
(3.28)
X( k +1) X ( k)
F X( k )
(bn − 3 ) u = bn − 2
(bn − 4 ) u = bn − 3 + u(bn − 3 )u
(bn − 5 ) u = bn − 4 + u(bn − 4 )u + v(bn − 3 )u
(3.29)
M
(b 0 )u = b1 + u(b1 )u + v(b 2 ) u
ru = b0 + u(b 0 ) u + v(b1 )u
s u = r + uru + v(b 0 )u
c n− 1 = bn − 2
c n− 2 = bn − 3 + u cn −1
c n− 3 = b n− 4 + u c n −2 + v c n −1
(3.30)
M
c = b + uc + v c
2 1 3 4
c1 = bo + uc 2 + v c 3
c 0 = r + uc 1 + v c 2
de modo que
( )( k) u
=
( ) r (X( ) )
r X(k)
v
k
( ) s (X( ) )
J X
s u X ( k) k
v
se convierte en
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 75
__________________________________________________________________________________
( )
c (k)
1
J X( ) =
k ( )
r v X ( )
k
c0( k )
( ) k
s v X( )
( ) k ( ) k
donde c1 y c 0 son los valores de c1 y c 0 , obtenidos en las ecuaciones (3.30) en la iteración
k-ésima.
(bn − 4 ) v = bn − 2
(bn − 5 ) v = u(bn − 4 ) v + bn − 3 = bn − 3 + u( bn − 4 ) v
(bn − 6 ) v = u(bn − 5 ) v + bn − 4 + v(bn − 4 ) v = b n− 4 + u(bn − 5 ) v + v(b n− 4 ) v
M
( b0 ) v = u(b1 ) v + b2 + v(b 2 ) v = b2 + u( b1 ) v + v(b 2 ) v (3.31)
rv = u(b 0 ) v + b1 + v(b1 ) v = b1 + u(b 0 ) v + v(b1 ) v
s v = urv + b 0 + v(b 0 ) v = b0 + ur v + v(b 0 ) v
dn −1 = bn − 2
d
n −2 = b n− 3 + udn −1
dn −3 = bn − 4 + udn− 2 + vdn− 1
(3.32)
M
d = b + ud + vd
3 2 4 5
d2 = b1 + ud3 + vd4
d1 = b0 + ud2 + vd3
de modo que
c (k) d2 ( k )
( )
J X ( ) = 1 ( k )
k
c0 d (k)
1
Si observamos las ecuaciones (3.30) y (3.32), vemos que ellas producen los mismos valores para
k = n − 1, n − 2,..., 1 , es decir, d = c , k = n − 1, n − 2,..., 1 ; por tanto (3.32) es redundante, y J X ( )
k k
k
( )
puede calcularse como
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 76
__________________________________________________________________________________
c ( k) c 2( )
( )
k
J X ( ) = 1( k)
k
c c1( )
k
0
p( x) = a 0 + a1x + a 2 x 2 +...+ an x n , an ≠ 0, n ≥ 2
Entrada: El grado n del polinomio p( x) ; los coeficientes a0 ,a1,...,a n del polinomio p( x) ; unas
aproximaciones iniciales u 0 , v 0 de u y v, respectivamente; una tolerancia Tol, y un
número máximo de iteraciones N.
Paso 1: Hacer
bn = an
cn = 0 (observe que se cambió la notación de subíndices)
cn −1 = a n
Paso 2: Tomar i = 1 .
bk = ak + u 0 bk +1 + v 0 bk + 2
ck = bk +1 + u0 ck +1 + v 0 c k+ 2
c c2
Paso 6: Hacer J = c 0 c 2 − c 21 (aquí J es igual a − det 1 ).
c0 c1
Paso 7: Hacer
c 1b1 − c 2 b0
u1 = u 0 +
J
c 1b0 − c 0 b1
v1 = v0 +
J
Paso 8: Si b1 = r < Tol y b 0 = s < Tol , entonces : salida: "Un factor cuadrático
aproximado del polinomio dado, y los correspondientes valores de r y s son:
x 2 − u1x − v1; r = b1, s = b0 ". Terminar.
Paso 9: Tomar i = i + 1 .
Paso 11: Salida: "Se alcanzó el número máximo de iteraciones N pero no la tolerancia".
Terminar.
Solución: Con un programa diseñado siguiendo el algoritmo 3.7 anterior, se obtienen los
siguientes resultados:
Las raíces del factor cuadrático aproximado x 2 − ux − v obtenido, son complejas conjugadas con
parte real 11378411018
. y parte imaginaria 15273122509
. , y si usamos Deflación se obtiene el
polinomio reducido de grado dos
q( x) = x 2 − 17243177963
. x −.5513644073
Instrucción en DERIVE:
Solución: Si aplicamos el método de Bairstow con Deflación para hallar todas las raíces de la
ecuación polinómica dada, se obtienen los resultados que aparecen a continuación, usando como
tolerancia Tol = 10 −10 :
TALLER 3.
1. Use el método de eliminación Gaussiana simple (sin pivoteo) con sustitución regresiva y
aritmética exacta para resolver, si es posible, los sistemas lineales AX = b siguientes, y
encuentre matrices P de permutación, L triangular inferior con sus elementos diagonales iguales
a 1 y U escalonada (triangular superior) tales que PA = LU .
1
x1 − 2 x 2 + x 3 =4
x1 − x2 + 3 x3 = 2
2x − x 2 − x 3 + x 4 =5
a) 3 x1 − 3 x 2 + x3 = −1 b) 1
x +x x1 + x 2 =2
1 2 = 3 1
x1 − x 2 + x 3 + x 4 =5
2
1 1 1 1
1 1 1 x1 + 2 x 2 + 3 x3 + 4 x4 = 6
4 x1 + x2 + x3 = 9
5 6 1 x + 1 x + 1 x + 1 x = 1
1 1 1 2 1 3 2 4 3 5 4 7
a) x1 + x2 + x3 = 8 b)
3 4 5 1 x + 1 x + 1 x + 1 x = 1
1 3 1 4 2 5 3 6 4 8
2 x1 + x 2 + 2x 3 = 8 1 1 1 1 1
x1 + x 2 + x 3 + x 4 =
4 5 6 7 9
3. Resuelva los siguientes sistemas AX = b por Eliminación Gaussiana sin pivoteo. Chequee si A
tiene factorización LU con L triangular inferior con sus elementos diagonales iguales a 1 y U
escalonada (triangular superior).
4 3 2 1 1
1 1 −1 1
3 4 3 2 1
a) A = 1 2 −2 , b = 0 b) A = , b =
2 3 4 3 −1
−2 1 1 1
1 2 3 4 −1
2 −3 1 2 6 0 −1
( 1) ( 2) ( 3) ( 4)
A = 1 1 −1 , b = −1 , b = 4 , b = 1 , b = 0
− 1 1 − 3 0 5 − 3 0
b) Resuelva los sistemas lineales usando eliminación Gaussiana para obtener matrices P, L y U
tales que PA = LU , y luego siguiendo los pasos siguientes:
( i)
Paso1: Calcular Pb , i = 1,2,3,4 .
Paso 2: Resolver, para c ( ) , Lc ( ) = Pb( ) , i = 1,2,3,4 , por sustitución progresiva.
i i i
e) Cuál método de los anteriores parece ser más fácil? Cuál método de los anteriores requiere
más operaciones?
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 80
__________________________________________________________________________________
5. Encontrar X ∞
y X 2
para cada uno de los siguientes vectores:
T
3
a) X = 3,−4,0, b) X = ( 2,1,−3,4 )
T
2
( )
T
c) X = senk, cosk,2k , para un entero positivo fijo k.
b) Encontrar X 1
para cada uno de los vectores dados en el ejercicio 5.
X ∞
≤ X 2
≤ X 1
X 1
≤n X ∞
y X 2
≤ n X ∞
9. a) Encuentre A 2
, A 1
y A ∞
para cada una de las siguientes matrices
1 0 0
1 2 ,
A= A = −1 0 1
4 3 −1 −1 2
b) Calcule el radio espectral ρ( A ) para cada una de las matrices dadas en a).
11. Calcule Cond ∞ ( A ) y Cond ∗ ( A) para cada una de las matrices dadas en el ejercicio 9.a).
1 1 x1 2
=
. x2 2.01
1 101
1 1 x1 2
=
1 1011
. x 2 2.01
~
y calcule su solución exacta X .
~
X−X
∞
c) Calcule y compárela con la cota de error obtenida a partir del teorema 3.4. Es la
X
∞
~
Calcule el vector error residual R = AX − b , para las dos soluciones aproximadas
X 1 = (.341,−.087 ) y X 2 = (.999,−1001) T y concluya, a partir únicamente del tamaño de estos
~ T ~
.
errores residuales, cuál es la mejor aproximación de la solución del sistema. Verifique que la
solución exacta del sistema es X = (1,−1) .
T
15. El sistema
x +y=0
x + .999999 y = 1
x +y=0
x + 1000001
. y=1
1 −1 1 −1
A= , B=
1 −100001
. −1 1.00001
( n)
17. La matriz de Hilbert H = hi j ( )n×n definida por hi j =
1
i+ j−1
, 1 ≤ i, j ≤ n es un importante
( 4)
a) Encuentre la matriz H , demuestre que
16 −120 240 −140
[ ] −120 1200 −2700 1680
−1
H( ) =
4
240 −2700 6480 −4200
−140 1680 −4200 2800
y calcule Cond ∞ H( )
( 4)
.
usando aritmética con redondeo a tres dígitos y compare el error real en la aproximación
( 4)
calculada con la cota de error dada en el teorema 3.3. Es la matriz H mal condicionada?
2 1
2x1 + 3 x2 + 3 x 3 = 1
x1 + 2x 2 − x 3 = 0
6 x + 2 x + 2x = −2
1 2 3
a) Usando aritmética de punto flotante decimal con redondeo a cuatro dígitos, resuelva el
sistema anterior por el método de eliminación Gaussiana sin pivoteo.
19. a) Muestre todos los pasos intermedios, ésto es, los multiplicadores, los factores de escala Si ,
y el vector de intercambios p, al aplicar el pivoteo escalado de fila sobre la matriz siguiente:
1 −2 3
A = 3 −5 −1
2 −4 2
20. Resuelva cada uno de los siguientes sistemas de ecuaciones lineales, usando aritmética de
computador en precisión simple y eliminación Gaussiana con: i) sin pivoteo, ii) pivoteo parcial,
iii) pivoteo escalado de fila.
1 1
x1 + 2
x2 +
3
x3 = 2
1 1 1
b) x1 + x2 + x3 = −1
2 3 4
1 1 1
3 x1 + x2 + x3 = 0
4 5
1 1 1 1
x1 + 2
x2 + x 3 + x 4 + x 5
3 4 5
=1
1 x + 1 1 1 1
x2 + x 3 + x 4 + x 5 =1
2 1 3 4 5 6
1 1 1 1 1
c) x1 + x2 + x3 + x4 + x5 =1
3 4 5 6 7
1 1 1 1 1
4 x1 + 5
x2 + x3 + x4 + x5
6 7 8
=1
1 x + 1 1 1 1
x2 + x3 + x4 + x5 =1
4 1 5 6 7 9
2 1 0 2 −1 0
−2 1
a)
2 1
b) c) 0 3 2 d) −1 4 2
1 3 1 − 3 1 2 4 0 2 2
a) Encuentre una fórmula general para A n = LU , con L triangular inferior con sus elementos
diagonales iguales a uno y U triangular superior.
23. Pruebe que si A = LLT con L ∈ R n× n no singular, entonces A es simétrica y definida positiva.
24. Usando el método de Choleski, encuentre la factorización A = LLT para las siguientes matrices:
15 −18 15 −3
2.25 − 3.0 4.5
− −
b) A =
18 24 18 4
a) A = −3.0 5.0 −10.0
4.5 15 −18 18 −3
−10.0 34.0
−3 4 −3 1
2 3
25. Considere la matriz A = . Verifique que la matriz A no es estrictamente dominante
1 4
diagonalmente (por filas), pero que los métodos iterativos de Jacobi y Gauss-Seidel, para
resolver cualquier sistema AX = b , convergen.
b) Partiendo de X ( ) = (.8, .8, .8) , muestre que las iteraciones de Jacobi oscilan entre los
0 T
valores (121212
. , . , . ) y (.8,.8,.8 ) .
T T
X( ) − X( )
k −1
< 10 −3 .
k
calculando iteraciones hasta que
∞
28. Para cada uno de los siguientes sistemas de ecuaciones, explique si los métodos iterativos de
Jacobi y Gauss-Seidel convergen o no. En los casos donde haya convergencia calcule las
(k) ( k −1) < 10 −3 .
iteraciones hasta que X − X
∞
2x1 + x2 =1 2 x1 + x 2 − 3x 3 = −1 − x1 + 2x 2 + 3 x3 = 0
a) x1 + 6 x2 =3 b) − x1 + 3 x2 + 2x 3 = 12 c) 4 x1 − x2 + x3 = 6
3 x + x − 3x = 0 2x + 3 x − x = − 2
2 x2 + x3 = 1 1 2 3 1 2 3
x1 + 2x 2 + x4 = 0
2x1 + x2 − x 3 = 1
3 x1 − x 2 + 4 x 3 = 2
d) x1 + x2 = −1 e)
x − x + 2x = 2 x1 − x3 + 3x4 = −1
1 2 3 2x1 + x2 − x 3 = 1
29. Para cada uno de los sistemas del ejercicio 28, si la matriz de coeficientes no es estrictamente
dominante diagonalmente (por filas), reordénelo de modo que el nuevo sistema equivalente
tenga matriz de coeficientes lo más cercana posible a ser estrictamente dominante
diagonalmente (por filas) y estudie la convergencia o divergencia de los métodos iterativos de
Jacobi y Gauss-Seidel para estos sistemas reordenados. En los casos donde haya
(k) ( k− 1) < 10 −3 .
convergencia calcule las iteraciones hasta que X − X
∞
30. Para cada uno de los sistemas reordenados del ejercicio 30, use el método SOR con w = 12
. ,
w = .8 .
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 86
__________________________________________________________________________________
31. Resuelva los siguientes sistemas de ecuaciones no-lineales usando el método de Punto Fijo y
el método de Newton-Raphson. En los casos donde haya convergencia del método, calcule
(k) ( k− 1) < 10 −3 . En cada caso haga una gráfica que ilustre
las iteraciones hasta que X − X
∞
cuántas soluciones reales tiene el sistema.
x2 + y 2 = 4 x2 − y 2 = 4 4 x − y = 0
2 2
a) 3 b) − x c)
x − y = 0 e + xy = 1 4 xy 2 − x = 1
f( x, y ) = x 4 + xy + (1 + y )
2
p( x) = 3 x5 − 7 x 4 − 5 x 3 + x 2 − 8 x + 2
a) Haga una gráfica que ilustre cuántas raíces reales tiene la ecuación p( x) = 0 .
INTRODUCCIÓN
(x 0 , y 0 ), (x 1, y1 ),..., (x n , y n )
en los cuales x 0 , x 1 ,..., x n son números distintos, se quiere encontrar un polinomio pn (x) de
grado menor o igual que n tal que
pn (xk ) = yk , k = 0,1,...,n
Probaremos que un tal polinomio pn (x) siempre existe y además es único. A tal polinomio
se le denomina polinomio de interpolación, polinomio interpolante o polinomio de
colocación para los puntos (datos) dados. En este contexto los números x 0 , x 1 ,..., x n son
llamados nodos. Cuando n = 1, es decir, sólo tenemos dos puntos, el polinomio de
interpolación correspondiente se denomina también polinomio de interpolación lineal.
El caso de mayor interés para nosotros es aquel en el cual yk = f (xk ) siendo f una cierta
función de la que posiblemente no se conoce una fórmula explícita, o bien es muy
complicada para evaluarla, derivarla, integrarla, hallarle ceros, etc. En este caso el polinomio
de interpolación pn (x) puede usarse como aproximación de la función f y, en particular, para
aproximar valores de la función f en puntos intermedios entre los nodos x 0 , x 1 ,..., x n . Nos
referiremos a esta manera de aproximar una función dada, mediante un polinomio de
interpolación, como interpolación polinomial; cuando usemos sólo dos nodos, nos
referiremos a la correspondiente interpolación como interpolación lineal. En este contexto
el polinomio de interpolación pn (x) se dirá el polinomio que interpola a la función f en los
nodos x 0 , x 1 ,..., x n .
(x 0 , y 0 ), (x 1, y1 ),..., (x n , y n )
en los cuales x 0 , x 1 ,..., x n son números distintos, y dado un entero no-negativo m, con
m < n , se trata de encontrar un polinomio
pm (x) = a 0 + a1x+...+ am xm
184 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
∑ (p (x ) − y )
2
m k k
k =0
sea mínima.
El criterio mediante el cual se elige el polinomio pm (x) es conocido como criterio de los
mínimos cuadrados. Probaremos que tal polinomio pm (x) existe y es único; se le
denomina polinomio de ajuste según mínimos cuadrados para los datos dados. Nótese
que esta vez, a diferencia de lo que ocurre con el polinomio de colocación, pm (xk ) no
necesariamente es igual a y k para todo k = 0,1,..., n . El polinomio pm (x) lo que da es un
ajuste razonable a los datos dados.
Este tipo de aproximación mediante el polinomio de ajuste pm (x) se conoce como ajuste
polinomial. Aunque el ajuste polinomial según mínimos cuadrados es el caso más usado,
también consideraremos el caso de ajuste exponencial, logarítmico y de potencia según
mínimos cuadrados.
Teorema 4.1 (existencia y unicidad del polinomio interpolante) Dados los n + 1 puntos
(x 0 , y 0 ), (x 1, y1 ),..., (x n , y n ) de R 2 , con x 0 , x 1 ,..., x n números distintos, existe un único
polinomio
de grado menor o igual que n, que interpola los puntos dados, es decir, tal que
pn (xk ) = y k , k = 0,1,...,n
1 x 0 x 02 " xn0 a0 y0
2
1 x1 x1 " x1n a
1 y1
=
! ! ! ! ! !
2
1 xn xn " xnn an yn
#%%%%% %$%%%%%% & #$
% %& #$
% %&
A X b
Ahora bien, como
1 x0 x 02 " xn0
1 x1 x12 " x1n
det A =
! ! ! !
= ∏( xi
0 ≤j<i≤n
− xj )
4.1.1 Forma de Lagrange del polinomio interpolante: Supongamos, para ilustración del
método de Lagrange, que se tienen los puntos (x 0 , y 0 ), (x 1, y 1 ), (x 2 , y 2 ) con x0 , x1 y x2
números distintos y queremos encontrar el polinomio interpolante de grado menor o igual que
dos
p2 (x) = a0 + a1x + a2 x2
p 2 (x 0 ) = a 0 + a1x 0 + a 2 x 02 = y 0
p 2 (x1 ) = a 0 + a1x1 + a 2 x1 = y1
2
p (x ) = a + a x + a x 2 = y
2 2 0 1 2 2 2 2
1 x0 x 02 1 x0 x 02 1 x0 x 02
∆ = 1 x1 x12 = 0 x1 − x 0 x12 − x 20 = (x1 − x 0 )(x 2 − x0 ) 0 1 x1 + x 0
1 x2 x 22 0 x2 − x0 x 22 − x 20 0 1 x2 + x0
1 x0 x 02
= (x1 − x 0 )(x2 − x0 ) 0 1 x1 + x 0 = (x1 − x 0 )(x 2 − x0 )(x2 − x1 ) ≠ 0
0 0 x 2 − x1
y0 x0 x02
y1 x1 x12
y2 x2 x 22
a0 =
∆
de donde
y0 x0 x02
∆ ⋅ a 0 = y1 x1 ( )
x12 = y 0 x1x22 − x 2 x12 − y1 x0 x22 − x2 x02 + y 2 x0 x12 − x1x02
y2 x2 x22
Análogamente,
1 y0 x 02
∆ ⋅ a1 = 1 y1 ( )
x12 = − y 0 x 22 − x12 + y1 x 22 − x 20 − y 2 x12 − x 20
1 y2 x 22
y
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 187
__________________________________________________________________________________
1 x0 y0
∆ ⋅ a 2 = 1 x1 y1 = y 0 (x2 − x1 ) − y1 ( x2 − x0 ) + y 2 ( x1 − x0 )
1 x2 y2
(Desarrollando el determinante por los cofactores de la tercera columna)
Por tanto
∆ ⋅ p 2 (x) = ∆ ⋅ a 0 + ∆ ⋅ a1x + ∆ ⋅ a 2 x 2
= y 0 x1x2 (x2 − x1 ) − y1x0 x2 (x2 − x0 ) + y 2 x0 x1(x1 − x0 )
[
+ − y 0 (x2 − x1 )(x2 + x1 ) + y1(x2 − x0 )(x2 + x0 ) − y 2 (x1 − x0 )(x1 + x0 ) x ]
+[y 0 (x 2 − x1 ) − y1(x2 − x0 ) + y 2 (x1 − x0 )]x 2
[ ] [
= (x 2 − x1 )y 0 x1x2 − (x2 + x1 )x + x 2 − (x 2 − x0 )y1 x0 x2 − (x2 + x0 )x + x2 ]
[
+(x1 − x 0 )y 2 (x2 − x1 ) x 0 x1 − (x1 + x0 )x + x 2
]
Total que
∆ ⋅ p 2 (x) = y 0 (x 2 − x1 )(x − x1 )(x − x2 ) + y1(x0 − x2 )(x − x0 )(x − x2 )
+ y 2 (x1 − x 0 )(x − x0 )(x − x1 )
y entonces
p 2 (x) = y 0
(x − x1 )(x − x2 ) + y (x − x0 )(x − x2 ) + y (x − x0 )(x − x1 )
(x0 − x1 )(x0 − x2 ) 1 (x1 − x0 )(x1 − x2 ) 2 (x2 − x0 )(x2 − x1 )
Si definimos los polinomios de grado dos
L 0 (x) =
(x − x1 )(x − x2 )
(x0 − x1 )(x0 − x2 )
L1(x) =
(x − x0 )(x − x2 )
(x1 − x0 )(x1 − x2 )
L 2 (x) =
(x − x0 )(x − x1)
(x2 − x0 )(x2 − x1)
entonces
p 2 (x ) = y 0 L 0 (x ) + y1 L1 (x ) + y 2 L 2 (x )
Observe que
1 si k = j
L j ( xk ) = , j = 0,1,2, k = 0,1,2
0 si k ≠ j
n
p n (x ) = y 0 L 0 (x ) + y 1 L1 (x ) + ... + y j L j (x ) + ... + y n L n (x ) = ∑y j= 0
j L j (x )
donde
Observe que
1 si k = j
L j ( xk ) = , j = 0,1,2,...,n, k = 0,1,2,...,n
0 si k ≠ j
( )
pn (x) = f (x 0 )L 0 (x) + f (x1 )L1(x)+...+ f x j L j (x)+...+ f (xn )L n (x)
p1 (x ) = y 0 L 0 (x ) + y 1 L1 (x )
siendo
x − x1 x − x0
L 0 (x) = y L 1(x) =
x 0 − x1 x1 − x0
es decir,
x − x1 x − x0
p1(x) = y 0L 0 (x) + y1L1(x) = y 0 + y1
x 0 − x1 x1 − x0
y 0 (x1 − x) + y1(x − x0 ) y 0 x1 − y 0 x + y1x − y1x0
= =
x1 − x0 x1 − x0
y 0 x1 − y 0 x0 + y 0 x0 − y 0 x + y1x − y1x0
=
x1 − x0
y 0 (x1 − x0 ) + (y1 − y 0 )(x − x0 )
=
x1 − x0
Luego
p (x) = y 0 +
( y1 − y 0 ) x − x
( 0)
1 (x1 − x0 )
Ejemplo 4.1 Supongamos que queremos aproximar la función f (x) = cosx sobre el intervalo
π π
− 2 , 2 mediante un polinomio de interpolación. Una forma razonable de hacerlo es
mediante un polinomio de interpolación de Lagrange de grado menor o igual que dos, p 2 (x) ,
π π
usando como nodos los números x 0 = − , x1 = 0 y x2 = .
2 2
Como
p 2 (x ) = f (x 0 )L 0 (x ) + f (x 1 )L1 (x ) + f (x 2 )L 2 (x )
y
π π
f (x 0 ) = cos − = 0, f (x1 ) = cos 0 = 1 y f (x2 ) = cos = 0
2 2
4
p 2 (x) = 1 − x2
π2
π π
Observe que p 2 − = 0 = p2 y p2 (0) = 1 , como era de esperarse
2 2
La FIGURA 4.1 siguiente, muestra las gráficas de y = cos x y del polinomio interpolante
4
obtenido y = p 2 (x) = 1 − 2 x2 .
π
FIGURA 4.1
Nota: Con el propósito de comparar el polinomio p 2 (x) , obtenido en el ejemplo anterior, con
el polinomio de Taylor de grado dos para f (x) = cos x , alrededor de cero (polinomio de
Maclaurin), calculamos este último a continuación:
Como
f (x) = cos x, f (0) = cos 0 = 1
f ′(x) = − sen x, f ′(0) = − sen 0 = 0
f ′′(x) = − cos x, f ′′(0) = − cos 0 = −1
x2
entonces el polinomio de Maclaurin, ya mencionado, es p(x) = 1 − .
2
π π
Si usamos el polinomio de Maclaurin p(x) para aproximar el valor f = cos ,
4 4
obtenemos
2
π
π π 4
cos ≈ p = 1 − ≈ .69
4 4 2
π
Nótese que, en este caso, la aproximación que da el polinomio de Maclaurin para cos es
4
mejor que la que da el polinomio de interpolación. Como ejercicio compare los valores
π π π
p 2 y p con el valor exacto cos . ♦
2 2 2
En relación con el ejemplo anterior, tenemos que los otros dos polinomios fundamentales de
π π
Lagrange de grado dos para f usando los nodos x 0 = − , x1 = 0 y x2 = , son
2 2
π π
x x − 2
−
L 0 (x) =
( x − x1 )(x − x2 )
=
2
=
x x
2 = 2 x2 − 1 x
(x0 − x1)(x0 − x2 ) − π (− π) π2 π2 π
2 2
y
π π
x + x x 2
+
L 2 (x) =
( x − x 0 )(x − x1 )
=
2
=
x
2 = 2 x2 + 1 x
(x2 − x0 )(x2 − x1) π π π2 π2 π
2 2
Observe que
2 1 4 2 1
L 0 (x) + L 1(x) + L 2 (x) = x2 − x + 1 − 2 x2 + 2 x2 + x = 1
π 2
π π π π
192 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Si pn (x) es el polinomio que interpola a una función f en los números distintos x0 , x1,..., xn , y
si x es un punto intermedio entre dichos números, entonces el error al aproximar f (x)
mediante pn (x) es
E(x) = f (x) − pn (x)
En relación con este error se tiene el siguiente resultado cuya demostración puede ser
consultada en Burden, 1985, páginas 103 y 104:
Teorema 4.2 Sea f una función definida en un intervalo [a, b] y sea pn (x) el polinomio que
interpola a f en los números distintos x0 , x1,..., xn de dicho intervalo. Si f tiene sus primeras
n + 1 derivadas continuas en [a, b] , entonces para cada x ∈[a, b] , el error E(x) = f (x) − pn (x)
puede expresarse en la forma
Esta fórmula para el error es un resultado teórico importante, pues los polinomios de
interpolación se usan por ejemplo, para deducir fórmulas de integración numérica y a partir
de dicha fórmula de error se pueden obtener cotas para el error en la integración; sin
embargo, en la práctica la fórmula del error en la interpolación es de uso muy restringido
pues sólo se puede aplicar a funciones que tengan derivadas fácilmente acotables.
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 193
__________________________________________________________________________________
π π
En relación con el ejemplo 4.1 tenemos que, si x ∈ − , , entonces el error al aproximar
2 2
4
f (x) = cos x mediante el polinomio de interpolación p 2 (x) = 1 − 2 x2 , obtenido usando los
π
π π
nodos x 0 = − , x1 = 0 y x2 = , es
2 2
Como
f (x) = cos x , f ′(x) = − sen x , f ′′(x) = − cos x y f ′′′(x) = sen x
entonces
π π
( )
f ′′′ ξ(x) (
= sen ξ(x) ) ≤ 1 para toda ξ(x) ∈ − ,
2 2
y por tanto
1 2 π2 π π
E(x) ≤ x x − para todo x ∈ − ,
6 4 2 2
π
En particular, para x = , se tiene que
4
π 1 π π2 π2 π 3π 2 π3
E ≤ − = = ≈ .24
4 6 4 16 4 24 16 128
π π π 1 3
E = cos − p 2 = − ≈ .043
4 4 4 2 4
Ejercicio 4.1 Use el polinomio interpolante de Lagrange para la función f (x) = cos x con
π π
nodos x 0 = − , x1 = 0 y x2 = , para estimar
2 2
π
2
π
i) ∫ cos xdx
0
ii) f ′
4
♦
194 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Ejemplo 4.2 Use los polinomios interpolantes de Lagrange de grados uno, dos y tres, más
apropiados, para aproximar f (2.5) , si f (2.0) = .5103757 , f (2.2) = .5207843 ,
f (2.4) = .5104147 , f (2.6) = .4813306 y f (2.8) = .4359160 .
Así que
p1(x) = f (x0 )L 0 (x) + f (x1 )L1(x)
x − x1 x − x0
= f (x0 ) + f (x1 )
x 0 − x1 x1 − x 0
y entonces
2.5 − 2.6 2.5 − 2.4
p1(2.5 ) = .5104147 + .4813306
2.4 − 2.6 2.6 − 2.4
= .2552074 + .2406653
= .4958727 ≈ f (2.5 )
Para el caso de grado dos, hay dos polinomios interpolantes igualmente apropiados:
Un primer polinomio se obtiene tomando los nodos x 0 = 2.2, x1 = 2.4 y x 2 = 2.6 , lo que nos
da
= f (x0 )
(x − x1)(x − x2 ) + f x (x − x0 )(x − x2 ) + f x (x − x0 )(x − x1)
( 1) x − x x − x ( 2) x − x x − x
(x0 − x1)(x0 − x2 ) ( 1 0 )( 1 2 ) ( 2 0 )( 2 1)
y entonces
p 2 (2.5 ) =.5207843
(2.5 − 2.4)(2.5 − 2.6) +.5104147 (2.5 − 2.2)(2.5 − 2.6)
(2.2 − 2.4)(2.2 − 2.6) (2.4 − 2.2)(2.4 − 2.6)
+.4813306
(2.5 − 2.2)(2.5 − 2.4)
(2.6 − 2.2)(2.6 − 2.4)
= −.06509804 + .3828110 + .1804990
= −.06509804 + .5633100
= .4982120 ≈ f (2.5 )
p2 (2.5 ) =.5104147
(2.5 − 2.6)(2.5 − 2.8) +.4813306 (2.5 − 2.4)(2.5 − 2.8)
(2.4 − 2.6)(2.4 − 2.8) (2.6 − 2.4)(2.6 − 2.8)
+.4359160
(2.5 − 2.4)(2.5 − 2.6)
(2.8 − 2.4)(2.8 − 2.6)
= .1914055 + .3609980 − .05448950
= .5524035 − .05448950
= .4979140 ≈ f (2.5)
Para grado tres el polinomio interpolante, más apropiado, se obtiene tomando los nodos
x 0 = 2.2 , x1 = 2.4 , x2 = 2.6 y x3 = 2.8 , ya que 2.5 ∈[2.2,2.8] y 2.2, 2.4, 2.6 y 2.8 son los
nodos más cercanos a 2.5. Así que
p 3 (x) = f (x0 )
(x − x1)(x − x2 )(x − x3 ) + f x (x − x0 )(x − x2 )(x − x3 )
( 1) x − x x − x x − x
(x0 − x1)(x0 − x2 )(x0 − x3 ) ( 1 0 )( 1 2 )( 1 3 )
+ f (x2 )
(x − x0 )(x − x1 )(x − x3 ) + f x (x − x0 )(x − x1)(x − x2 )
( 3) x − x x − x x − x
(x2 − x0 )(x2 − x1 )(x2 − x3 ) ( 3 0 )( 3 1)( 3 2 )
y entonces
(2.5 − 2.4)(2.5 − 2.6)(2.5 − 2.8) +
p 3 (2.5) = .5207843 .5104147
(2.5 − 2.2)(2.5 − 2.6)(2.5 − 2.8)
(2.2 − 2.4)(2.2 − 2.6)(2.2 − 2.8) (2.4 − 2.2)(2.4 − 2.6)(2.4 − 2.8)
+ .4813306
(2.5 − 2.2)(2.5 − 2.4)(2.5 − 2.8) + .4359160
(2.5 − 2.2)(2.5 − 2.4)(2.5 − 2.6)
(2.6 − 2.2)(2.6 − 2.4)(2.6 − 2.8) (2.8 − 2.2)(2.8 − 2.4)(2.8 − 2.6)
= − .03254902 + .2871083 + .2707485 − .02724475
= .5578568 − .0597977
= .4980630 ≈ f (2.5 )
Como la cota para el error en la interpolación requiere conocer hasta la cuarta derivada de la
función f (la función de donde provienen los datos), y no disponemos de esa información,
pues no conocemos una fórmula explícita para f, no podemos decidir cuál de las
aproximaciones calculadas es la mejor. Sin embargo, de dos aproximaciones calculadas que
utilicen el mismo número de nodos, se espera que sea mejor la que use los nodos más
cercanos al dato a interpolar. ♦
Ejemplo 4.3 Suponga que se quiere construir una tabla para la función logaritmo natural,
desde x = 1 hasta x = 10 , de tal manera que la interpolación lineal usando dos nodos
consecutivos de la tabla, tenga una precisión de seis cifras decimales exactas. Determine el
tamaño de paso h más grande posible para dicha tabla.
Solución: Podemos suponer, sin pérdida de generalidad, que los nodos x0 ,x1,..., xn en el
intervalo [1,10] están igualmente espaciados. Entonces el tamaño de paso es
196 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
h = xk +1 − xk , k = 0,1,...,n − 1 con x0 = 1 y xn = 10
Por lo tanto
x0 = 1, x1 = 1 + h, x2 = 1 + 2h,..., xk = 1 + kh,..., xn = 1 + nh = 10
1 1
Como f (x) = lnx , entonces f ′(x) = , f ′′(x) = − 2 , y entonces para x ∈[xk , xk +1 ] , se tiene
x x
1
E(x ) ≤ Máx f ′′(x ) Máx (x − x k )(x − x k +1 )
2 x∈[xk ,xk +1] [
x∈ x k ,x k 1
+ ]
1 1
= Máx Máx (x − x k )(x − x k +1 )
2 x∈[xk ,xk +1] x 2 x∈[xk ,xk +1]
Si
g(x) = (x − xk )(x − xk +1 ) = x 2 − (xk + xk +1 )x + xk xk +1
entonces
x k + x k +1
g′(x) = 2x − (xk + xk +1 ) = 0 ⇔ x =
2
x + x k +1 x k + x k +1 x + x k +1 x − x k x k − x k +1 h h h2
g k = − xk k − x k +1 = k +1 = − = − ≠0
2 2 2 2 2 2 2 4
entonces
2
Máx (x − x k )(x − x k +1 ) = h , k = 0, 1,..., n − 1
[
x∈ xk ,x k 1
+ ] 4
1 1 h2
E(x) ≤ , k = 0,1,..., n − 1
2 ( x k )2 4
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 197
__________________________________________________________________________________
1 1 h2 h2
E(x) ≤ = para todo x ∈[110
, ]
2 12 4 8
Para encontrar el tamaño de paso h más grande para la tabla, basta entonces resolver la
desigualdad
h2
≤ 5 × 10 −7 (porque se quieren 6 cifras decimales exactas)
8
De acuerdo con este resultado, el tamaño de paso más grande para construir la tabla es
h = .002 . Así que si se toma, por ejemplo, el tamaño de paso h = .001 para construir la
tabla, la interpolación lineal correspondiente (para dos nodos consecutivos), será exacta en
por lo menos seis cifras decimales. Es claro que una tabla con estas características debe ser
escrita con por lo menos siete cifras decimales. ♦
Otra forma de obtener el polinomio interpolante de grado menor o igual que n para una
función f, a partir de n + 1 datos conocidos, (x 0 , f (x 0 )), (x 1, f (x 1 )),..., (x n , f (x n )) , es la siguiente:
f (x1 ) − f (x0 )
b1 =
x1 − x 0
f (x1 ) − f (x0 )
f ( x 2 ) − f (x 0 ) − (x 2 − x 0 )
x1 − x0
b2 =
(x2 − x0 )(x2 − x1 )
Para facilitar la escritura de los coeficientes b 0 , b1,..., b n , del polinomio interpolante obtenido
de esta manera, se introduce la siguiente notación de diferencia dividida hacia adelante
(progresiva) de Newton.
Definición 4.1 Dados n + 1 puntos (x0 ,f (x0 )), (x1,f (x1)),...,(xn ,f (xn )) con x 0 , x 1,..., x n
números distintos y f alguna función, definimos:
f [ xk ] = f ( xk ) , k = 0,1,2,...,n
(Así que, con respecto al polinomio interpolante pn (x) , se tiene que b 0 = f [x0 ] )
f [xk +1 ] − f[xk ]
f[xk ,xk +1 ] = , k = 0,1,...,n − 1
x k +1 − x k
Observe que las diferencias divididas uno dependen de las diferencias divididas cero y
que, mientras hay n + 1 diferencias divididas cero, hay n diferencias divididas uno.
f[x1 ] − f [x0 ]
(También observe que b1 = f [x 0 , x1 ] = )
x1 − x0
Observe que las diferencias divididas dos dependen de las diferencias divididas uno y
que, mientras hay n diferencias divididas uno, hay n − 1 diferencias divididas dos.
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 199
__________________________________________________________________________________
f [x1, x2 ] − f [x0 , x1 ]
(También observe que b 2 = f [x0 , x1,x2 ] = )
x2 − x0
Con esta notación de diferencia dividida se tiene que bi = f[x0 ,x1,...,xi ], i = 0,1,...,n y así el
polinomio interpolante toma la forma
pn (x) = f [x0 ] + f[x0 ,x1 ](x − x0 ) + f [x0 ,x1,x2 ](x − x0 )(x − x1 )+...
+ f[x0 ,x1,...,xn ](x − x0 )(x − x1 )... (x − xn−1 )
Esta forma del polinomio interpolante se conoce como fórmula de diferencia dividida
(progresiva) interpolante de Newton o forma progresiva de Newton del polinomio
interpolante, y se usa en los cálculos numéricos cuando se interpola en un punto x que está
más cerca de x0 que de xn (suponemos ordenados los nodos x 0 , x 1,..., x n ) . Si el punto x
en el cual vamos a interpolar está más cerca de xn que de x0 se usa la fórmula de
diferencia dividida (regresiva) interpolante de Newton:
pn (x) = f [xn ] + f [xn −1,xn ](x − xn ) + f[xn − 2 , xn −1, xn ](x − xn )(x − xn −1 )+...
+ f[x0 ,x1,...,xn ](x − xn )(x − xn −1 )... (x − x1 )
En el caso en que el dato a interpolar esté más cerca del nodo central (o los nodos
centrales), se recomiendan otras diferencias divididas llamadas centradas, que no
estudiaremos aquí.
La forma de Newton del polinomio interpolante es más ventajosa que la forma de Lagrange,
pues el cálculo de los coeficientes en la forma de Newton va usando la información anterior,
lo que no sucede con la forma de Lagrange.
Una propiedad análoga se tiene para la forma regresiva del polinomio interpolante de
Newton.
La TABLA 4.1 siguiente, muestra las diferencias divididas que hay que calcular para
determinar los coeficientes del polinomio interpolante de Newton.
1 x1 f[x1] f[x1,x2 ] …
3 x3 f [x3 ] !
! ! !
n xn f [xn ]
TABLA 4.1
Observe que en la misma tabla pueden leerse los coeficientes para la forma progresiva y
para la forma regresiva de Newton del polinomio interpolante.
f (x1 ) − f (x0 )
p1(x) = f [x0 ] + f[x0 ,x1 ](x − x0 ) = f (x0 ) + (x − x0 )
x1 − x0
que coincide con la fórmula deducida para p1(x) en el caso de la forma de Lagrange del
polinomio interpolante. Recuerde que el polinomio de interpolación es único.
Dada una función f definida en [x0 ,x1 ] . Si f es continua en [x0 ,x1 ] y f ′ existe en (x0 ,x1 ) ,
entonces el teorema del valor medio implica que existe x ∈ (x0 ,x1 ) tal que f ′(x) = f[x0 ,x1 ] .
Teorema 4.3 Si f es una función de valor real definida sobre el intervalo [a,b] , n veces
continuamente diferenciable en [a,b] y x 0 , x1,..., xn son números distintos en [a,b] ,
entonces existe ξ ∈[a, b] tal que
f ( ) (ξ )
n
f[x 0 , x1,..., xn ] = ∇
n!
Usando esta fórmula se puede llegar a una expresión para estimar el error al aproximar una
función f mediante el polinomio interpolante de Newton, pn (x) , a partir de los puntos
x 0 , x1,..., xn , x , como se indica a continuación:
De la fórmula del error E(x) , dada al estudiar la forma de Lagrange del polinomio
interpolante, tenemos que
(x − x0 )(x − x1 )... (x − xn ) f (n+1) ξ x
f (x) = pn (x) +
(n + 1)%!
( ( )) (4.1)
#%%%%%% $%%%%%%% &
()
Ex
De otro lado, usando la forma de Newton del polinomio interpolante de grado menor o igual
que n + 1 para f en los nodos x0 , x1,..., xn , x , tenemos que
La ecuación (4.3) nos da una fórmula alternativa para estimar el error al usar un polinomio
interpolante.
x f (x)
2.0 .5103757
2.2 .5207843
2.4 .5104147
2.6 .4813306
2.8 .4359160
TABLA 4.2
Si queremos obtener una aproximación de f (2.1) usando todos los datos dados, debemos
elegir la forma progresiva del polinomio interpolante de Newton con todos los datos dados, y
una escogencia adecuada para los nodos es x 0 = 2.0 , x1 = 2.2 , x2 = 2.4 , x3 = 2.6 y
x 4 = 2.8 , ya que x = 2.1 está más cerca de x0 que de x4 .
Veamos qué resultados obtenemos si usamos los polinomios interpolantes de Newton más
apropiados de grados uno, dos, tres y cuatro, para aproximar f (2.1) .
Empezamos calculando las diferencias divididas que se muestran en la TABLA 4.3 siguiente,
−3
donde el valor correspondiente a la diferencia dividida cuatro es 8.34125 × 10 = b 4 (que no
aparece en la tabla).
Entonces
p1(x) = f[x0 ] + f [x0 , x1 ](x − x0 )
= .5103757 + .052043(x − 2.0)
así que
p1(2.1) = .5103757 + .052043(2.1 − 2.0)
= .5155800 ≈ f (2.1)
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 203
__________________________________________________________________________________
Como un ejercicio encuentre el polinomio interpolante regresivo de grado menor o igual que
cuatro para los datos dados, p4 (x) , y úselo para estimar f (2.7) . También estime f (2.7)
usando el polinomio p 4 (x) y compare los valores p 4 (2.7) y p4 (2.7) . Aproxime también
Un algoritmo para encontrar los coeficientes b 0 , b1,..., b n de la forma de Newton del polinomio
interpolante es el siguiente.
Paso 2: Para i = 12
, ,..., n , hacer:
bi = f (x 0 )
Paso 3: Salida: "Los coeficientes del polinomio interpolante progresivo de Newton son
b 0 , b1,..., bn ". Terminar.
x 0 .5 1.0 2.0
f (x) 1.00000 1.64872 2.71828 7.38906
c) Aproxime f (.25) y f (.75) usando interpolación de grado menor o igual que dos con
x0 = 0, x1 = 10
. y x 2 = 2.0 .
c) Encuentre una cota para el error en cada aproximación. Cuál de las aproximaciones
calculadas en a) y b) es mejor? ♦
Hasta aquí se han construido polinomios de grado menor o igual n para interpolar entre n + 1
puntos dados. Como cuando n aumenta el polinomio interpolante pn (x) tiene más
oscilaciones y ocurre a menudo que no aproxima bien a la función f, esto sugiere que se
intente la interpolación pero localmente, es decir, por subintervalos.
La idea es que el intervalo que se tiene para interpolar los datos se descompone en una serie
de subintervalos y se usan aproximaciones separadas para cada subintervalo, sujetas a que
las aproximaciones deben coincidir, en algún sentido, en los extremos de los subintervalos.
Este proceso de aproximación sobre subintervalos se conoce como interpolación
segmentaria o por segmentos.
206 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
(k )
p3 (x) ≡ pk (x) = ak + bk (x − xk ) + c k (x − xk ) + dk (x − xk ) , k = 0,1,...,n − 1
2 3
FIGURA 4.2
Son n polinomios de grado menor o igual que tres y cada uno con cuatro coeficientes
incógnitas, así que tenemos un total de 4n incógnitas por determinar.
p (x ) = f (xk ) , k = 0,1,..., n − 1
i) k k
pn −1(xn ) = f (xn )
(Condiciones de interpolación. Estas condiciones producen n + 1 ecuaciones)
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 207
__________________________________________________________________________________
Observe que en el caso a), basta tener una lista de datos (xk , yk ) con x 0 , x 1,..., x n números
distintos para poder realizar la interpolación segmentaria cúbica.
Si definimos
T:[x 0 , xn ] → R
x → T(x) = pk (x) , si x ∈[xk , xk +1 ]
208 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Una forma de construir un Trazador cúbico para una función f en [x0 , xn ] es la siguiente:
a k +1 = p k +1 ( x k +1 ) = p k ( x k +1 )
De otro lado pk′ (xk ) = bk para k = 0,1,...,n − 1, y si aplicamos la condición iii), obtenemos
Ahora,
pk′′ (x) = 2c k + 6 dk (x − xk ) , k = 0,1,..., n − 1
entonces
pk′′(xk ) = 2c k , k = 0,1,..., n − 1
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 209
__________________________________________________________________________________
c k +1 − c k
dk = , k = 0,1,..., n − 1 (4.7)
3hk
c k +1 − c k 3
ak +1 = ak + bk hk + c k hk2 + hk
3hk
o sea
hk2
a k +1 = a k + b k h k +
3
(2ck + ck +1 ) , k = 0,1,...,n − 1 (4.8)
y
c k +1 − c k 2
bk +1 = bk + 2c k hk + 3 hk
3hk
es decir,
a k +1 − a k h k
bk =
hk
−
3
(2ck + ck +1) , k = 0,1,..., n − 1
(4.10)
a k + 2 − a k +1 h k +1
b k +1 =
h k +1
−
3
(2ck +1 + ck + 2 )
y sustituyendo en (4.9), se tiene que
210 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
a k + 2 − a k +1 h k +1 a − ak hk
h k +1
−
3
(2c k +1 + c k + 2 ) = k +1
hk
−
3
(2ck + ck +1 ) + hk (ck + ck +1)
o sea
a k + 2 − a k +1 a k +1 − a k h k h
h k +1
−
hk
=
3
(c k + 2c k +1 ) + k +1 (2c k +1 + c k + 2 )
3
3 3
hk c k + 2(hk + hk +1 )c k +1 + hk +1c k + 2 = (ak + 2 − ak +1) − h (ak +1 − ak )
h k +1 k (4.11)
para k = 0,1,..., n − 2
Teorema 4.4 Si f es una función de valor real definida en un intervalo [a,b], entonces f tiene
un único Trazador cúbico natural T en [a,b], o sea un trazador cúbico T que satisface las
condiciones T ′′(a) = 0 y T ′′(b) = 0 .
Demostración: Haciendo a = x 0 < x1 < ... < xn = b y usando las condiciones de frontera
libre
2c 0 = p0′′ (a) = T ′′(a) y 2cn = pn′′−1(b) = T ′′(b)
obtenemos c 0 = 0 y c n = 0 .
Estas dos ecuaciones junto con las ecuaciones en (4.11) nos producen un sistema lineal
AX = b de n + 1 ecuaciones con n + 1 incógnitas, donde
1 0 0 0 " 0
c0
h0 2(h 0 + h1 ) h1 0 0
c1
0 h1 2(h1 + h 2 ) h 2 0 c
2
A= ! ! , X=
!
0 c
0 " hn − 2 2(hn − 2 + hn −1 ) h n −1 n −1
cn
0 " " 0 0 1
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 211
__________________________________________________________________________________
0
3 3
h1
(a 2 − a1 ) −
h0
(a1 − a 0 )
3 3
b= h2
( a 3 − a 2 ) −
h1
( a 2 − a 1 )
!
3 3
h n −1
(a n − a n −1 ) −
hn − 2
(an −1 − an − 2 )
0
Conocidos los valores de c 0 , c 1,..., c n , podemos obtener los valores b 0 , b1,... bn−1 usando las
ecuaciones (4.10) y los valores de d0 , d1,... dn−1 usando las ecuaciones (4.7), con lo cual se
obtiene el único Trazador cúbico T(x) . ∇
Teorema 4.5 Si f está definida en [a,b], entonces f tiene un único Trazador cúbico T en [a,b],
que satisface T ′(a) = f ′(a) y T ′(b) = f ′(b) .
En este caso los valores de c 0 , c 1,..., c n se determinan encontrando la única solución del
sistema tridiagonal AX = b , donde
2h 0 h0 0 0 " 0
c0
h0 2(h 0 + h1 ) h1 0 0
c1
0 h1 2(h1 + h 2 ) h 2 0 c
2
A= ! ! , X=
!
0 c
0 " hn − 2 2(hn − 2 + hn −1 ) h n −1 n −1
cn
0 " " 0 h n −1 2hn −1
3
h
(a1 − a0 ) − 3f ′(a)
0
3 3
h1
(a2 − a1) − h (a1 − a0 )
0
b= !
3
h (an − an −1 ) − h
3
(an−1 − an−2 )
n −1 n−2
3
3 f ′ ( ) h ( n n−1 )
b − a − a
n −1
212 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
pk (x) = ak + bk (x − xk ) + c k (x − xk ) + dk (x − xk )
2 3
k xk f (xk )
0 1.00 2.718282
1 1.05 3.286299
2 1.07 3.527609
3 1.10 3.905416
TABLA 4.4
Encontrar el Trazador cúbico natural T para f en [1.0,1.10] y usarlo para estimar f (103
. ).
c0 =0
3
.05c 0 + 2(.07 )c1 + .02c 2 = (3.527609 − 3.286299) − 3 (3.286299 − 2.718282)
.02 .05
3
.02c 1 + 2(.05)c 2 + .03c 3 = (3.905416 − 3.527609) − 3 (3.527609 − 3.286299)
.03 .02
c3 =0
c 0 = 0 , c1 = 13.22529 , c 2 = 13.19694 , c 3 = 0
b0 = 1113992
. , b1 = 1180118
. , b 2 = 12.32963
y como
a 0 = 2.718282 , a1 = 3.286299 , a2 = 3.527609
T:[x0 ,x3 ] → R
→ T(x) = pk (x) = ak + bk (x − xk ) + c k (x − xk ) + dk (x − xk ) ,
2 3
x
si x ∈[xk ,xk +1 ] , k = 0,1,2
siendo
. ∈[10
Como x = 103 . ] , entonces
. ,105
f (103
. ) ≈ T(103
. ) = p 0 (103
. )
= 2.718282 + 1113992
. (103 . ) + 88.16863(103
. − 100 . )
. − 100
3
= 3.054860.
Como ejercicio use el polinomio interpolante de Newton para f en los datos dados en el
ejemplo 4.5, para estimar f (103
. ) y compare el resultado con el obtenido usando el Trazador
cúbico natural. ♦
Dados cuatro o menos puntos, sabemos que existe un único polinomio de grado tres o
menor que interpola a los datos dados, así que usaremos Trazadores cúbicos cuando
tengamos cinco o más puntos.
Ejemplo 4.6 Determine todos los valores de a, b, c, d y e para los cuales la siguiente función
es un Trazador cúbico
d (x − 2) + e (x − 3 ) , x ∈ [3,+∞ )
2 3
Además, determine los valores de los parámetros de modo que el trazador interpole la
siguiente tabla
x 0 1.0 4.0
y 26.0 7.0 25.0
Solución: Para que T(x) sea un trazador cúbico en (−∞,+∞) , debe satisfacer:
i) T(x) debe ser continua en todo punto de (−∞,+∞) , y como lo es en (−∞,1) , (1,3) y (3,+∞) ,
por ser polinómica en cada uno de estos intervalos, debemos imponer condiciones para
que sea continua en los números 1 y 3. Debe tenerse que
lim T(x) = T(1) = lim T(x) y lim T(x) = T(1) = lim T(x)
x→1− x→1+ x→3 − x→ 3 +
es decir,
ii) T(x) debe ser derivable en todo punto de (−∞,+∞) , y como lo es en (−∞,1) , (1,3) y
(3,+∞) , por ser polinómica en cada uno de estos intervalos, debemos imponer
condiciones para que sea derivable en los números 1 y 3, lo cual se tiene si
iii) T(x) debe tener primera derivada continua en todo punto de (−∞,+∞) , y como la derivada
es continua en (−∞,1) , (1,3) y (3,+∞) , por ser polinómica en cada uno de estos intervalos,
sólo hay que considerar los casos x = 1 y x = 3 , es decir, debe tenerse
T ′′(1) = 2a + 6b(1 − 1) = 2c y T ′′(3) = 2d + 6e(3 − 3) = 2c , o sea a = c y c = d .
Hasta aquí, sin condiciones de interpolar una tabla de datos dada, los coeficientes a, b, c, d y
e del Trazador cúbico T(x) , deben satisfacer a = c = d y b, e arbitrarios.
Para que el Trazador cúbico interpole la tabla de datos dada, los parámetros a, b, c, d y e
deben satisfacer las siguientes ecuaciones
4a − b = 26
a = c = 7
4d + e = 25
cuya solución es
a = c = 7, b = 2 y e = −3
Pero de las condiciones obtenidas antes, se tiene que a = c = d , así que en definitiva el
Trazador cúbico que interpola la tabla de datos dada es
7(x − 2) − 3(x − 3) , x ∈[3,+∞)
2 3
Hasta ahora hemos estudiado el problema de aproximar una función y = f (x) por un
polinomio interpolante a partir de una serie de datos conocidos
(x 0 , f (x 0 )), (x 1, f (x 1 )),..., (x n , f (x n )) .
Supongamos que existe una relación funcional y = f (x) entre dos cantidades x e y, con f
desconocida y se conocen valores y k que aproximan a f (xk ) , es decir,
f (x k ) = y k + ∈k , k = 0, 1,..., n
con ∈k desconocido.
Si f es una función polinómica, digamos f (x) = pm (x) , entonces el problema se convierte en:
Dados n + 1 puntos (x 0 , y 0 ), (x 1, y 1 ),..., (x n , y n ) con x 0 , x 1,..., x n números reales distintos, se
trata de encontrar un polinomio
que "mejor se ajuste" a los datos. Lo de "mejor ajuste" se entenderá en el sentido de que
1
n 22
∑(
k = 0
p m (x k ) − y k )
∑ (p (x ) − y )
2
m k k
k =0
sea mínimo.
Este criterio de mejor ajuste, como ya se mencionó antes, se conoce como mínimos
cuadrados, y el método para obtener los polinomios que mejor se ajustan según mínimos
cuadrados se llama Regresión polinomial.
sea mínima.
El grado m del polinomio pm (x) se puede escoger previamente con base en algún resultado
teórico, alguna expectativa o por la aplicación que se le pretenda dar al polinomio. En
cualquier caso estamos "libres" de elegir el grado que parezca mejor. En muchos casos el
grado será uno y el polinomio obtenido se llamará la recta que mejor se ajusta o la recta de
mínimos cuadrados para la tabla de datos.
∑( )
∂S
= 2 a 0 + a1xk + a 2 xk2 +...+am xkm − y k = 0
∂ a0 k =0
∑(
n
∂S
=
∂ a1 k = 0
2 a 0 + a1xk + a 2 xk2 +...+ am xk − y k (xk ) = 0
m
)
n
∑( )( )
∂S
= 2 a 0 + a1xk + a 2 xk2 +...+am xkm − y k xk2 = 0
∂ a2 k =0
! !
n
∑( )( )
∂S
= 2 a 0 + a1xk + a 2 xk2 +...+am xkm − y k xkj = 0
∂ a j k =0
! !
n
∑( )( )
∂S
= 2 a 0 + a1xk + a 2 xk2 +...+am xkm − y k xm
k =0
∂ am k = 0
∑ a = (n + 1)a
k =0
0 0 , obtenemos
218 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
n n m n
(n + 1)a0 + ∑ xk a1 + ... + ∑ xk am = yk ∑
k =0 k=0 k =0
n n 2 n m +1 n
∑ x
k =0
a
k 0 +
x
k =0
a
k 1 +∑... +
k =0
x k
a
m
=
k =0
xk y k ∑ ∑
!
n n n n
∑ x
k =0
j
a
k 0 +
k =0
x1+ j
k 1
∑a + ... +
k =0
x m+ j
k m
a = ∑
xkj y k ∑
k =0
!
n m n 1+m n 2m n
∑ x
k =0
a
k 0 +
k =0
x k
a
1
∑+ ... +
k =0
x a
k m
=
k =0
xm
k yk ∑ ∑
m n n
∑a ∑x
i= 0
i
k =0
i+ j
k = ∑x y
k =0
j
k k , j = 0,1,..., m
j
multiplicando a ambos lados por xk , j = 0,1,..., m ,
n n n m
a0 ∑
k =0
xkj + a1 ∑
k =0
x1k+ j +...+ am ∑
k =0
xm
k
+j
= ∑x y
k =0
j
k k , j = 0,1,..., m
Para ver que la matriz A de coeficientes del sistema de ecuaciones normales es no-singular,
mostraremos que la matriz
1 x0 x 02 " xm
0
1 x1 x12 " m
x1
B = ! ! ! !
m
1 xn xn2 " xn
En efecto:
1 1 " 1
1 x0 x 02 " xm
x0 x1 " xn 2
0
m
1 x1 x1 " x1
B TB = x 20 x12 " xn2 ! !
! !
! ! !
m m 1 xn xn2 " xnm ( n +1) × ( m +1)
x0 x1m " xn ( m +1) × ( n +1)
n n n
n+1
∑x
k =0
k ∑x
k =0
2
k " ∑x
k =0
m
k
n n n n
∑ xk ∑ xk2 ∑x 3
k " ∑ xmk
+1
k = 0 k =0 k =0 k=0
B TB = n n n n =A
m+2
∑ xk2 ∑x 3
k ∑x 4
k " ∑ xk
k =0 k =0 k =0 k =0
! ! ! !
n n n n
∑
k =0
xm
k ∑x
k =0
m +1
k ∑x
k =0
m+ 2
k "
k=0
∑ xk2m
( m +1) × ( m +1)
1 x0 x20 xm
2 m0
1 x1 x1 x1
X0 = , X 1 = , X 2 = ,..., X m = con x0 , x1,..., xn distintos y m < n
! !
! !
1 xn 2 m
n
x xn
Como
220 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
1 x0 x 02 xm
0
2 m
1 x x x
c 0 X 0 + c 1X 1 + c 2 X 2 + ... + c m X m = c 0 + c 1 1 + c 2 1 + ... + c m 1
! ! ! !
1 x x2 xm
n n n
c 0 + c 1x 0 + c 2 x 02 + ... + c m x m 0
0
2 m
c 0 + c 1x 1 + c 2 x 1 + ... + c m x 1 0
= = !
!
c + c x + c x 2 + ... + c x m 0
0 1 n 2 n m n
entonces
c 0 + c1x0 + c 2 x02 +...+ c m xm
0 =0
2 m
c 0 + c1x1 + c 2 x1 +...+ c m x1 = 0
(4.12)
!
2 m
c 0 + c1xn + c 2 xn +...+c m xn = 0
n 0 n 1 n
∑ x
k =0
k
a0 +
∑ x
k =0
k
a1 =
∑
k =0
yk
# %$% &
n+1
n 1 n 2 n
∑ x
k =0
k
a0 +
∑ x
k =0
k
a1 =
∑ xk y k
k =0
(No se recomienda usar la regla de Cramer para resolver el sistema anterior, porque la regla
de Cramer es fuertemente inestable)
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 221
__________________________________________________________________________________
Una manera de medir el error para estimar la bondad del ajuste según mínimos cuadrados,
es a través de:
∑ (p (x ) − y )
2
i) El error E = m k k ,o
k=0
1
n 2
∑ (p (x ) − y k )2
k =0 m k
ii) El error cuadrático medio E R M S = .
n+1
k xk yk
0 0 −1
1 2 0
2 3 2
3 5 1
TABLA 4.5
1) Encuentre:
2) Cuál será el polinomio cúbico de mínimos cuadrados para dicha tabla? Cuál es su error E
y ER MS ?
∑ x1
k a 0 + ∑
x k
a1 =
∑ xk y k
k = 0 k=0 k =0
3 0 3 1 3 2 3
∑ x
k =0
b
k 0 +
∑ xk b1 +
k =0
∑ xk b 2
k =0
= ∑y
k =0
k
3 1 3 2 3 3 3
∑ x
k =0
b
k 0 +
∑ xk b1 +
k =0
∑ xk b 2
k =0
= ∑x y k k (4.14)
k =0
3 2 3 3 3 4 3
∑ xk b 0 +
k =0
∑ xk b1 +
k=0
∑ xk b 2
k =0
= ∑x y
k =0
2
k k
Una manera conveniente de disponer todas las sumatorias necesarias para los dos sistemas
es como se muestra en la siguiente tabla
∑
k =0
10 38 160 722 2 11 43
TABLA 4.6
4a 0 + 10a1 = 2 (4.13')
10a 0 + 38a1 = 11
4b 0 + 10b1 + 38b 2 = 2
10b 0 + 38b1 + 160b 2 = 11 (4.14')
38b + 160b + 722b = 43
0 1 2
17 6
La solución del sistema (4.13') es a 0 = − , a1 = , y la solución del sistema (4.14') es
26 13
15 101 1
b0 = − , b1 = y b 2 = − . Luego la recta de mínimos cuadrados para los datos dados
13 78 6
6
es p1(x) = − 17 + x , y el polinomio cuadrático de mínimos cuadrados para los datos dados
26 13
15 101 1
es p 2 (x) = − + x − x2 .
13 78 6
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 223
__________________________________________________________________________________
xk 0 2 3 5
yk −1 0 2 1
p1(xk ) − .654 .269 .731 1.65
yk − p1(xk ) − .346 − .269 1.27 − .65
p 2 ( xk ) −115
. .769 1.23 1.15
y k − p 2 ( xk ) .15 − .769 .77 − .15
TABLA 4.7
1
3 2
∑ (p (x ) − y k )2
k =0 1 k
1
2.23 2
ER M S = ≈ ≈ .747
4 4
.
1
3 2
3
∑ (p (x ) − y k )2
k =0 2 k
E= ∑ (p 2 (x k ) − y k )2 ≈ 1.23
k =0
y ER M S =
4
≈ .555
Para la respuesta a la pregunta 2), recordemos que hay un único polinomio de grado menor
o igual que tres que pasa por los cuatro puntos dados y es el polinomio de interpolación, así
que el polinomio cúbico de mínimos cuadrados debe ser este polinomio. El polinomio de
interpolación para los datos dados es
11 2 4 3
p 3 (x) = −10
. − 2.1x + x − x
6 15
que se puede obtener usando, por ejemplo, diferencias divididas. Es claro que el error
E = 0 y el error ERMS = 0 .
224 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Un dibujo de los puntos dados, la recta, la parábola y el polinomio cúbico según mínimos
cuadrados, se muestra en la FIGURA 4.3 siguiente. ♦
FIGURA 4.3
Estos problemas se tratan como un problema de ajuste lineal, así: En el caso (4.15), lineal
entre las variables ln x e y; en el caso (4.16), como y = aebx ⇔ ln y = ln a + bx , se trata como
un caso lineal entre las variables x y ln y ; en el caso (4.17), como y = axb ⇔ ln y = ln a + b ln x ,
se trata como un caso lineal entre las variables ln x y ln y .
Las soluciones para a y b en el caso (4.15), para lna y b en los casos (4.16) y (4.17),
pueden encontrarse modificando apropiadamente las ecuaciones obtenidas en el caso de
regresión lineal. Debe tenerse en cuenta que la aproximación obtenida de esta manera no
es la aproximación de mínimos cuadrados del problema inicial y que, incluso, esta
aproximación puede, en algunos casos, diferir significativamente de la aproximación de
mínimos cuadrados del problema original.
k xk yk
0 29 1.6
1 50 23.5
2 74 38.0
3 103 46.4
4 118 48.9
TABLA 4.8
4 4
5a + ∑ zk b =
k =0
∑
k =0
yk
4
4 2 4
∑ z
k a +
∑ z k
b =∑ zk y k
k = 0 k =0 k=0
Para calcular los coeficientes a y b , modificamos los datos dados como se indica en la
TABLA 4.9. Los datos suavizados, que aparecen en la última columna de la TABLA 4.9, se
obtienen una vez que se conoce la recta logarítmica, que en este caso es
y = −111123688
. + 34.019025lnx
∑
k =0
374 20.988798 89.40773 158.4 709.212608 ERMS ≈ 1907944
.
TABLA 4.9
5 a + 20.988798b = 158.4
20.988798 a + 89.40773b = 709.212608
Ejercicio 4.4 Encuentre la curva y = aebx usando mínimos cuadrados para la TABLA 4.10
siguiente. Úsela para calcular el valor de y cuando x = 16 . Cuál es el error E?
Ejercicio 4.5 Encuentre la curva y = axb usando mínimos cuadrados para la TABLA 4.11
siguiente y úsela para calcular el valor de y cuando x = 36 . Cuál es el error ?
xk 28 30 33 35 38
yk −2410 −3033 −3895 −4491 −5717
TABLA 4.11
TALLER 4.
1. Use la forma de Lagrange del polinomio interpolante para encontrar los polinomios
interpolantes más apropiados de grados uno, dos y tres para aproximar f (.2) , a partir de
los siguientes datos
x −.2 .1 .3 .7
f (x) −.163746 .110517 .404958 1.40963
2. Use la forma de Lagrange del polinomio interpolante y todos los datos de la tabla siguiente,
para aproximar f (125
. ) . La función que se está aproximando es f (x) = e x
2
−1
. Use esta
información para encontrar una cota teórica para el error en esta aproximación.
3. Suponga que se desea construir una tabla de valores para la función f (x) = senx , en el
π
dominio 0, , con tamaño de paso h. Si se usa interpolación lineal con cada dos datos
2
consecutivos de la tabla, y suponemos que el error total, incluyendo el efecto de los
−6
errores de redondeo en las entradas de la tabla, es a lo más de 10 . Cuál es el valor
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 227
__________________________________________________________________________________
más grande posible para h, y cuántas cifras decimales se deben usar para los datos de la
tabla?
4. Demuestre que
n
∑ L (x) = 1
j= 0
j para toda x
n
5. Sea w(x) = ∏ (x − x ) .
k =0
k Demuestre que el polinomio interpolante de grado menor o igual
que n para una función f en los nodos x 0 , x 1,..., x n , puede escribirse como
n
f (x k )
pn (x) = w(x) ∑ ( x − x )w ′ ( x )
k =0 k k
1
6. Para la función f (x) = , − 5 ≤ x ≤ 5 , genere el polinomio interpolante pn (x) usando
1 + x2
n + 1 nodos igualmente espaciados en el intervalo [−5,5] . Calcule pn (x) para distintos
valores de n y grafíquelos junto con la función f. Es cierto que
Max f (x) − pn (x) → 0 cuando n → ∞?
x∈[−5,5 ]
x 1 2 0 3
y 3 2 −4 5
8. Encuentre las formas de Lagrange y de Newton del polinomio interpolante para los
siguientes datos
x −2 0 1
f (x) 0 1 −1
Escriba ambos polinomios en la forma a + bx + cx2 para verificar que éllos son idénticos.
228 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
9. Use la forma deLagrange y la forma de Newton del polinomio interpolante para encontrar
los polinomios interpolantes más apropiados de grado dos, para aproximar f (.4) y f (.6) a
partir de los siguientes datos, y calcule la aproximación en cada caso
x .1 .3 .5 .7 1.0
f (x) 11.052 4.4995 3.2974 2.8768 2.7183
11. Los siguientes datos son tomados de un polinomio de grado menor o igual que cinco.
Cuál es dicho polinomio y cuál es su grado?
x −2 −1 0 1 2 3
y −5 1 1 1 7 25
12. Verifique que el polinomio p(x) = 2 − (x + 1) + x(x + 1) − 2x(x + 1)(x − 1) interpola los
primeros cuatro puntos de la tabla siguiente:
x −1 0 1 2 3
y 2 1 2 −7 10
13. Encuentre el polinomio de menor grado que pasa por los puntos (12
, ) , (21
, ) , (3,12) y
(7,146) .
14. Un vehículo que viaja en una carretera recta es cronometrado en algunos puntos. Los
datos de las observaciones se dan en la siguiente tabla donde el tiempo está dado en
segundos y la distancia en metros
Tiempo 0 3 5 8
Distancia 0 225 383 623
Encuentre el polinomio que interpola estos datos y úselo para aproximar la distancia, la
velocidad y la aceleración del vehículo a los seis segundos.
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 229
__________________________________________________________________________________
3 + x − 9x 3 , x ∈ [0,1]
T (x ) =
a + b (x − 1) + c (x − 1)2 + d (x − 1)3 , x ∈ [1,2]
∫ [T ′′(x)] dx
2
xk 0 1 2 3
yk 1 1 0 10
es o no la función
1 + x − x3 , x ∈[0,1]
T(x) = 1 − 2(x − 1) − 3(x − 1) + 4(x − 1) , x ∈[1,2]
2 3
4(x − 2) + 9(x − 2) − 3(x − 2) , x ∈[2,3]
2 3
18. Cuáles propiedades de un Trazador cúbico natural posee la siguiente función y cuáles
no?
(x + 1) + (x + 1)3 ,
x ∈[−10
, ]
T(x) =
4 + (x − 1) + (x − 1) , x ∈[0,1]
3
230 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
1 − 2 x, x ∈ (−∞,−3]
S(x) = a + bx + cx2 + dx 3 , x ∈[−3,4]
157 − 32x, x ∈[4,+∞)
(x − 3) + b(x − 2) , x ∈[3,+∞)
3 2
sea un Trazador cúbico natural en (−∞,+∞) ? Por qué sí o por qué no?
x3 , x ∈[−10
, ]
T(x) =
a + bx + cx + dx , x ∈[0,1]
2 3
b
22. Construya la aproximación de mínimos cuadrados de la forma y = ax para la siguiente
tabla, y calcule su error E.
bx
23. Encuentre la curva y = ae que mejor se ajusta según mínimos cuadrados a la siguiente
tabla de datos y calcule su error ERMS .
4.1.3 Algunos hechos importantes acerca de las diferencias divididas de Newton: las
siguientes son algunas de las propiedades más importantes de las diferencias divididas de
Newton:
f [ z 0 , z 1 ,K , z n ] = f [ x 0 , x 1 , K , x n ]
CASO PARTICULAR: f [ x 0 , x 1 ] = f [ x 1 , x 0 ]
( Esta propiedad es consecuencia de la unicidad del polinomio interpolante para los
nodos x 0 , x 1 , K, x n ).
f (n ) ( ξ )
f [ x0 , x1 , K, x1 ] =
n!
f′( ξ )
CASO PARTICULAR: f [x 0 , x 1 ] = = f ′ ( ξ ) para algún ξ entre x 0 y x 1 (teorema
1!
del valor medio).
∈( x ) = f ( x ) − p n ( x ) = f [ x 0 , x1 ,K, x n , x ] ( x − x 0 ) ( x − x1 )K ( x − x n )
f (n ) ( x0 ) ≡ f[x
lim f [ x 0 , x 1 ,K, x n ] = x 0 , K, x 0 ]
0 ,4
x1 , x 2 , K x n → x 0 n! 14 42444 3
n +1 veces x 0
f ( x1 ) − f ( x 0 )
CASO PARTICULAR: f [ x 0 , x 1 ] = ,
x1 − x 0
f ( x1 ) − f ( x 0 ) = f ′ ( x ) ≡ f [x , x ]
lim f [ x 0 , x 1 ] = lim 0 0 0
x1 → x 0 x1 → x 0 x1 − x 0
f [ x0 , x0 ] = f ′ ( x0 )
f ′′ ( x 0 )
f [ x0 , x0 , x0 ] =
2!
M ∇
f (k ) ( x0 )
f [ x0 , x0 , K , x0 ] = , k ≥1
144 42444 3 k!
k +1 veces x 0
Esta definición extendida de diferencia dividida con repetición, es válida siempre que f tenga
derivada continua en x 0 , del orden correspondiente. Tenga cuidado para k ≥ 2 .
Como primer ejemplo, supongamos que queremos encontrar un polinomio, de menor grado
⎛ 1⎞
posible, que satisfaga p ( 0 ) = 1 , p ( 1 ) = 2 y p′ ⎜ ⎟ = 3 (observe que se tienen 3 nodos
⎝ 2⎠
distintos).
p ( x ) = a + b ( x − 0 ) + c (x − 0 )2 = a + b x + c x2
p ( 0 ) = a = 1,
p( 1 ) = a + b + c = 2 , entonces b + c = 1 ,
⎛ 1⎞ ⎛ 1⎞
p′ ⎜ ⎟ = b + 2 c ⎜ ⎟ = b + c = 3
2
⎝ ⎠ ⎝ 2 ⎠
p ( x ) = a + bx + cx 2 + dx 3 , p ′ ( x ) = b + 2 cx + 3 dx 2
p (0 ) = a = 1 ,
2
⎛ 1⎞ ⎛ 1⎞ ⎛ 1⎞ 3
p′ ⎜ ⎟ = b + 2 c ⎜ ⎟ + 3 d ⎜ ⎟ = b + c + d = 3
⎝ 2⎠ ⎝2⎠ ⎝2⎠ 4
Como el sistema
⎧ b+c+d=1
⎪
⎨ 3
⎪b + c + 4 d = 3
⎩
p ( xi ) = f ( xi ) y p′ ( x i ) = f ′ ( x i ), i = 0 , 1
p ( x ) = a + b ( x − x0 ) + c ( x − x0 )2 + d ( x − x 0 )2 ( x − x1 )
Esta forma de expresar el polinomio p ( x ) se plantea para simplificar los cálculos de los
coeficientes a, b, c y d.
(1) p ( x0 ) = a = f ( x0 ) ; ( 2 ) p′ ( x 0 ) = b = f ′ ( x 0 )
(3 ) p ( x1 ) = a + b ( x1 − x 0 ) + c ( x − x 0 )2 = f ( x 1 )
conocidos a y b se calcule c.
(4 ) p′ ( x 1 ) = b + 2 c ( x 1 − x 0 ) + d ( x 1 − x 0 )2 = f ′ ( x1 )
conocidos a, b y c se calcula d.
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 209
__________________________________________________________________________________
Como se observa este problema tiene solución única, independientemente de los valores
f ( x 0 ) , f ( x1 ) , f ′ ( x 0 ) y f ′ ( x1 ) .
Estudiaremos únicamente un caso especial para el cual un problema, del tipo anterior, tiene
siempre solución única, problema que es conocido como Interpolación de Hermite. En este
tipo de problemas, se suponen las siguientes condiciones de interpolación sobre el polinomio
buscado p ( x ) :
p ( j−1 ) ( x i ), K , p ′ ( x i ), p ( x i )
Si k i denota el número de condiciones prescritas o establecidas sobre p ( x ) en el nodo x i ,
para cada i = 0, 1, ..., n , es decir, si se dan las condiciones
p ( j ) ( xi ) = ci j , 0 ≤ j ≤ ki − 1 (0 ≤ i ≤ n ) (*)
(Observe que k i puede variar con i ), entonces el número total de condiciones sobre el
polinomio p ( x ) , que denotaremos por m + 1 es tal que:
m + 1 = k 0 + k1 + K + k n
Teorema: Existe un único polinomio p ( x ) ∈ ∏ m (de grado menor o igual que m) que
satisface las condiciones de interpolación de Hermite ( * ).
( )
p ( j ) x i = 0 , 0 ≤ j ≤ k i − 1, 0 ≤ i ≤ n
n
Observe, sin embargo, que q ( x ) es de grado m + 1 ( m + 1 = ∑k
i=0
i ), mientras que p ( x ) es
Solución: Puesto que las condiciones son de interpolación de Hermite (es decir, del tipo (*)),
con m + 1 = 2 + 1 = 3 ( 2 es el número de condiciones sobre el nodo x 0 y 1 es el número de
condiciones sobre el nodo x 1 ), entonces existe un único polinomio p ( x ) ∈ ∏ 2 que
satisface las condiciones dadas. Consideremos la siguiente tabla de diferencias divididas
extendidas:
NOTA: En esta tabla se repite el nodo x i tantas veces como condiciones hayan impuestas
sobre ese nodo. Cada uno de los cálculos que aparecen en la tabla se realiza usando la
definición de diferencia dividida con o sin repetición, según sea el caso.
p [ z 0 , z 1 ] = p [ x 0 , x 0 ] = p ′ ( x 0 ) = c 0 1 ( definición)
p ( x1 ) − p ( x 0 ) = c 10 − c 0 0
p [ z1 , z 2 ] = p [ x 0 , x 1 ] =
x1 − x 0 x1 − x 0
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 211
__________________________________________________________________________________
c 10 − c 0 0
− c 01
p [ z1 , z 2 ] − p [ z 0 , z1 ] x1 − x 0 c 10 − c 0 0 c 01
p [ z 0 , z1 , z 2 ] = = = − ≡ c02
↑
z0 ≠ z 2
z2 − z0 x1 − x 0 ( x1 − x 0 ) x1 − x 0
2
El polinomio
p ( x ) = p [ z 0 ] + p [ z 0 , z1 ] ( x − z 0 ) + p [ z 0 , z1 , z 2 ] ( x − z 0 ) ( x − z1 )
es decir,
p ( x ) = c 0 0 + c 01 ( x − x 0 ) + c 0 2 ( x − x 0 )2
satisface las condiciones dadas. En efecto:
p ( x0 ) = c 00
p ( x 1 ) = c 0 0 + c 01 ( x 1 − x 0 ) + c 0 2 ( x 1 − x 0 )2
[
= c 0 0 + c 0 1 ( x 1 − x 0 ) + c 10 − c 0 0 − c 0 1 ( x 1 − x 0 ) ]
= c 10
p′ ( x ) = c 01 + 2 c 0 2 ( x − x 0 ) , p′ ( x 0 ) = c 01
xi f ( xi ) f ′ ( xi ) f ′′ ( x i )
0 2 3
1 6 7 8
f ′ (1) f′ ( 2 )
f [ z 0 , z 1 ] = f [ 1, 1 ] = =3 ; f [ z 2 , z3 ] = f [ 2, 2 ] = =7
1! 1!
f ′( 2 )
f [ z3 , z 4 ] = f [ 2, 2 ] = =7
1!
f ′′( 2 ) 8
f [ z 2 , z 3 , z 4 ] = f [ 2, 2, 2 ] = = =4
2! 2
Luego el polinomio
p (1 ) = 2 ; p ( 2 ) = 2 + 3 ( 2 − 1 ) + ( 2 − 1) + 2 ( 2 − 1 ) ( 2 − 2 ) − ( 2 − 1 )2 ( 2 − 2 )2 = 5 + 1 = 6
2 2
p′ ( x ) = 3 + 2 ( x − 1 ) + 2 ( x − 1 ) + 4 ( x − 1 )( x − 2 ) − 2 ( x − 1 )( x − 2 ) − 2 ( x − 1 ) ( x − 2 )
2 2 2
p′ ( 1 ) = 3 ; p′ ( 2 ) = 3 + 2 ( 2 − 1 ) + 2 ( 2 − 1 ) = 3 + 2 + 2 = 7
2
p ′′(x ) = 2 + 4 ( 4 1)2 4(x4−4 1) + 4(x − 2) − 2(x − 2) − 4(x − 1)(x − 2) − 4(x − 1)(x − 2) − 2(x − 1)
2 2
1x4−4 +4 3
8 (x −1)
p′′ ( 2 ) = 2 + 8 ( 2 − 1 ) − 2 ( 2 − 1 ) = 8
2
p(i ) ( x0 ) = c 0 j , 0 ≤ j ≤ k ♦
Como se observa, p(x ) es una función periódica de período 2π , es decir, p(x ) = p(x + 2π )
para todo x ∈ R .
2π
En esta figura, el tamaño de paso es h = .
N
Se puede demostrar, ver por ejemplo Kincaid, 1991, página 413 y 414 que: Existe un único
polinomio trigonométrico de grado menor o igual que N − 1 de la forma
a 0 N−1
p(x ) =
2
+
k =1
∑[a k cos(kx ) + b k sen(kx )]
2π
que interpola a f en los N nodos igualmente espaciados x j = j , j = 0, 1, ... , N − 1 . Tal
N
polinomio tiene coeficientes
N−1
∑( )
a0 1
= f xj ,
2 N j= 0
N−1
∑ f ( x )cos ( k x ) ,
1
ak = j j k = 1, 2, ..., N − 1
N j= 0
N−1
∑ f ( x )sen ( k x ) ,
1
bk = j j k = 1, 2, ..., N − 1
N j=0
a 0 N−1
p(x ) =
2
+ ∑
k =1
[a k cos(kx ) + b k sen(kx )] satisfaciendo las condiciones anteriores se dirá el
polinomio trigonométrico de interpolación para los datos x j , f x j ( ( ) ), j = 0 , 1, ... , N − 1, o
serie finita (discreta) de Fourier para f.
⎛ 2π ⎞ 2π
De acuerdo con la definición de f, se tiene que f (x 0 ) = f (0 ) = 0 , f (x1 ) = f ⎜ ⎟= y
⎝ 3 ⎠ 3
⎛ 4π ⎞ 4 π 2π
f (x 2 ) = f ⎜ ⎟ = 2π − = . Entonces el polinomio trigonométrico interpolante para f en
⎝ 3 ⎠ 3 3
este caso es:
2
a0
p(x ) =
2
+ ∑ [a
k =1
k cos(kx ) + b k sen(kx )]
con
N−1 2
∑( ) ∑ f (x ) = 3 ⎜⎝ 0 +
a0 1 1 1⎛ 2π 2π ⎞ 4 π
= f xj = j + ⎟=
2 N j=0
3 j=0
3 3 ⎠ 9
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 215
__________________________________________________________________________________
⎧ N−1 2
∑( ) ( ) ∑ f (x )cos(x )
1 1
⎪a 1 = f x j cos 1 x j = j j
⎪ N j=0
3 j=0
⎪
⎪ 1⎡ 2π ⎛ 2π ⎞ 2π ⎛ 4π ⎞⎤ 1 ⎡ 2π ⎛ 1 ⎞ 2 π ⎛ 1 ⎞ ⎤ 2π
⎪ = ⎢0 cos(0 ) + cos⎜ ⎟+ cos⎜ ⎟⎥ = ⎢0 + ⎜− ⎟ + ⎜ − ⎟⎥ = −
⎪ 3⎣ 3 ⎝ 3 ⎠ 3 ⎝ 3 ⎠⎦ 3 ⎣ 3 ⎝ 2 ⎠ 3 ⎝ 2 ⎠⎦ 9
⎨ N−1 2
∑( ) ( ) ∑ f (x )sen(x )
⎪b 1 1
= f x j sen 1 x j =
⎪ 1 N 3
j j
⎪ j=0 j=0
⎪
1⎡ 2π ⎛ 2π ⎞ 2 π ⎛ 4π ⎞⎤ 1 ⎡ 2π ⎛⎜ 3 ⎞⎟ 2π ⎛⎜ 3 ⎞⎟⎤
⎢0sen(0 ) +
⎪ = sen⎜ ⎟+ sen⎜ ⎟⎥ = ⎢0 + + − ⎥=0
⎪ 3⎣ 3 ⎝ 3 ⎠ 3 ⎝ 3 ⎠⎦ 3 ⎢⎣ 3 ⎜⎝ 2 ⎟⎠ 3 ⎜⎝ 2 ⎟⎠⎥⎦
⎩
⎧ N−1 2
∑( ) ( ) ∑ f (x )cos(2x )
1 1
⎪a2 = f x j cos 2 x j = j j
⎪ N j=0
3 j =0
⎪
⎪ 1⎡ 2π ⎛ 4 π ⎞ 2π ⎛ 8π ⎞⎤ 1 ⎡ 2 π ⎛ 1 ⎞ 2π ⎛ 1 ⎞ ⎤ 2π
⎪ = ⎢0 cos(0 ) + cos⎜ ⎟+ cos⎜ ⎟⎥ = ⎢0 + ⎜− ⎟ + ⎜ − ⎟⎥ = −
⎪ 3⎣ 3 ⎝ 3 ⎠ 3 ⎝ 3 ⎠⎦ 3 ⎣ 3 ⎝ 2 ⎠ 3 ⎝ 2 ⎠⎦ 9
⎨ N−1 2
∑( ) ( ) ∑ f (x )sen(2x )
⎪b 1 1
= f x j sen 2 x j =
⎪ 2 N 3
j j
⎪ j=0 j=0
⎪
1⎡ 2π ⎛ 4 π ⎞ 2π ⎛ 8π ⎞⎤ 1 ⎡ 2π ⎛⎜ 3 ⎞⎟ 2π ⎛⎜ 3 ⎞⎟⎤
⎢0sen(0 ) +
⎪ = sen⎜ ⎟+ sen⎜ ⎟⎥ = ⎢0 + − + ⎥=0
⎪ 3⎣ 3 ⎝ 3 ⎠ 3 ⎝ 3 ⎠⎦ 3 ⎢⎣ 3 ⎝ 2 ⎟⎠
⎜ 3 ⎜⎝ 2 ⎟⎠⎥⎦
⎩
4 π 2π 2π
p(x ) = − cos(x ) − cos(2x )
9 9 9
Como ejercicio compruebe que este polinomio satisface las condiciones de interpolación
para la función f (x ) = x , x ∈ [ − π, π ] . La gráfica de la función extendida de f en el
dominio [ 0 , 2π ] junto con la del polinomio p(x ) , aparecen en la siguiente figura:
216 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
El problema planteado al comienzo de esta parte también puede resolverse usando variable
compleja como sigue:
∑ ( ) = ∑c
n n n n
q(x ) = ∑ k [ cos(x ) + i sen(x ) ] ∑ c [ cos(kx ) + i sen(kx ) ]
k k
c k eik x = c k ei x = k ∇
k =0 k =0 k =0 k =0
N−1
q(x ) = c 0 + c 1e ix + ... + c N−1e i(N−1) x = ∑c
k =0
ke
ik x
N−1
q(x ) = ∑c
k =0
ke
ik x
= c 0 + c 1e i x + ... + c N−1e i (N−1) x
N−1
∑( )
1 −i k x j
con coeficientes c k = f xj e , k = 0 , 1, ... , N − 1 y este polinomio interpola a la
N k =0
2π
función f en los nodos x j = j, j = 0 , 1, ... , N − 1 , es decir,
N
( ) ( )
q xj = f xj , j = 0 , 1, ... , N − 1
2π 4π
Si consideramos el mismo ejemplo anterior: N = 3 , x 0 = 0 , x 1 = , x2 = y f (x 0 ) = 0 ,
3 3
2
2π 2π
f (x 1 ) =
3
, f (x 2 ) =
3
. Encontremos el polinomio exponencial q(x ) = ∑c
k =0
ke
ik x
que
N−1 2
∑ f (x )e ∑ f (x ) = 3 [ f (x
1 −i (0 ) x j 1 1 1⎡ 2 π 2π ⎤
c0 = = ) + f (x 1 ) + f (x 2 ) ] = ⎢ 0+ +
3 ⎥⎦
j j 0
N j =0
3 j=0
3⎣ 3
[ ]
N−1 2
∑ f (x )e ∑ f (x )e
1 −i (1) x j 1 1
f (x 0 ) e −i x 0 + f (x 1 ) e −i x1 + f (x 2 ) e −i x 2
−i x j
c1 = j = j =
N j=0
3 j=0
3
1 ⎡ −i(0 ) 2π −i ⎤
2π 4π
2π − i
= ⎢0e + e 3 + e 3 ⎥
3⎢ 3 3 ⎥
⎣ ⎦
1 ⎧⎪ 2π ⎡ ⎛ 2π ⎞ ⎛ 2π ⎞ ⎤ 2π ⎡ ⎛ 4π ⎞ ⎛ 4π ⎞ ⎤ ⎫⎪
c1 = ⎨ ⎢cos⎜ ⎟ − isen⎜ ⎟⎥+ ⎢ cos⎜ ⎟ − isen⎜ ⎟⎥⎬
3 ⎪⎩ 3 ⎣ ⎝ 3 ⎠ ⎝ 3 ⎠⎦ 3 ⎣ ⎝ 3 ⎠ ⎝ 3 ⎠ ⎦ ⎪⎭
1 ⎧⎪ 2π ⎡ 1 3 ⎤ 2π ⎡ 1 ⎛⎜ 3 ⎞⎟ ⎤ ⎫⎪
= ⎨ ⎢− −i ⎥+ ⎢ − − i⎜ − ⎥⎬
3 ⎪ 3 ⎣⎢ 2 2 ⎦⎥ 3 ⎣⎢ 2 ⎝ 2 ⎟⎠ ⎦⎥ ⎪
⎩ ⎭
⎧
1⎪ π π ⎛ 3 3 ⎞⎟ ⎪⎫ 2π
= ⎨ − − − i ⎜⎜ − ⎟ ⎬=−
3 ⎪⎩ 3 3 ⎝ 2 2 ⎠ ⎪⎭ 9
N−1 2
∑( ) ∑ f (x )e
1 −i (2 ) x j 1 −2 i x j
c2 = f xj e = j
N j= 0
3 j=0
=
1
3
{
f (x 0 )e − 2 i x 0 + f (x 1 )e − 2 i x1 + f (x 2 )e − 2 i x 2 }
1 ⎧⎪ − 2 i (0 ) 2π − 2 i 3 2π − 2 i 3 ⎫⎪
2π 4π
= ⎨0e + e + e ⎬
3⎪ 3 3 ⎪⎭
⎩
1 ⎧⎪ 2π ⎡ ⎛ 4π ⎞ ⎛ 4 π ⎞ ⎤ 2π ⎡ ⎛ 8π ⎞ ⎛ 8π ⎞ ⎤ ⎫⎪
= ⎨ ⎢cos⎜ ⎟ − isen⎜ ⎟⎥+ ⎢ cos⎜ ⎟ − isen⎜ ⎟⎥⎬
3 ⎪⎩ 3 ⎣ ⎝ 3 ⎠ ⎝ 3 ⎠⎦ 3 ⎣ ⎝ 3 ⎠ ⎝ 3 ⎠ ⎦ ⎪⎭
1 ⎧⎪ 2π ⎡ 1 ⎛ 3 ⎞⎟ ⎤ 2π ⎡ 1 ⎛ 3 ⎞ ⎤ ⎫⎪
= ⎨ ⎢ − − i ⎜⎜ − ⎟⎥+ 3 ⎢ − − i ⎜⎜ ⎟⎥⎬
⎟
3⎪ 3 ⎢⎣ 2 ⎝ 2 ⎠ ⎥⎦ ⎢⎣ 2 ⎝ 2 ⎠ ⎥⎦ ⎪⎭
⎩
1 ⎧⎪ π π ⎛⎜ 3 3 ⎞⎟ ⎫⎪ 2π
= ⎨ − − − i⎜− + =−
3 ⎪⎩ 3 3 2 2 ⎟ ⎬⎪ 9
⎝ ⎠⎭
4 π 2 π i x 2π − 2 i x
q(x ) = − e − e
9 9 9
4 π 2π
= − [ cos ( x ) + i sen ( x )] − 2π [ cos ( 2 x ) + i sen ( 2x ) ]
9 9 9
⎡ 4 π 2π 2π ⎤ ⎡ 2π 2π ⎤
=⎢ − cos ( x ) − cos ( 2x ) ⎥ + i ⎢ − sen ( x ) − sen ( 2x ) ⎥
⎣ 49 9 9 9 9
1 44444424444444 3⎦ ⎣ ⎦
p (x )
218 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
INTRODUCCIÓN
En este capítulo estudiaremos algunos métodos numéricos para estimar el valor de una
integral definida
b
I = f (x)dx
∫
a
Según el teorema fundamental del Cálculo, para una función f con las características
indicadas antes, existe una antiderivada F de f en [a, b] , es decir, F′ (x ) = f (x ) para todo
x ∈ [a, b], y
b
El problema para usar los métodos analíticos de integración es que, es posible que F no se
pueda expresar en términos de funciones elementales, o aunque F se conozca
explícitamente, ésta no se pueda evaluar fácilmente.
1 1 2 5
1 ex
∫ ∫ 1+ x ∫ ∫e
− x2
1 − x 3 dx 5
dx dx dx
x
0 0 1 1
π π
2 4 3 2
∫ sen(x )dx
ln x 1
∫ ∫ ∫ ln x dx
2
dx xtanxdx
x+1
1 0 2 0
π π
2 1 2 1
∫ cos(x )dx ∫ ∫ ∫
3 3
2
1 + x dx
3
sen xdx x + x 2 dx
0 0 0 0
1 1 1 1 π
∫ (9 − )
1
∫ 1 + sen
sen x
0
x 2 3 dx
∫
0
tanxdx ∫
0
x
dx
0
2
x
dx
b
I = f (x)dx
∫
a
N
Ahora bien, si pN (x) = ∑ f (x )L (x) es el polinomio de interpolación de Lagrange para la
j= 0
j j
b b b N N b
∫
a
f (x )dx ≈ p N (x )dx =
∫
a
∫∑ ( )
a j= 0
f x j L j (x )dx = ∑ ( )∫ L j (x )dx
j= 0
f xj
a
b N
∫ f (x )dx ≈ ∑ A f (x )
j= 0
j j
a
donde
b
A j = L j (x )dx,
∫ j = 0, 1,..., N
a
Una fórmula del tipo anterior, para aproximar el valor de ∫ f (x)dx , es llamada una fórmula de
a
cuadratura (cerrada) de Newton-Cotes.
por tramos mediante polinomios interpolantes usando dos, tres o más nodos consecutivos.
Estudiaremos solamente tres de estos últimos tipos de aproximaciones: La regla de los
1 3
Trapecios, la regla de Simpson y la regla de Simpson .
3 8
5.1.1 Regla de los Trapecios: Corresponde ésta al caso en que la función f se aproxima en
cada subintervalo [xk , xk +1] , k = 0, 1,..., N − 1 , mediante el polinomio de interpolación lineal de
Lagrange, pk (x) , usando los nodos xk y xk +1 .
FIGURA 5.2
x − xk +1 x − xk
pk (x) = f (xk ) + f (xk +1 )
xk − xk +1 xk +1 − xk
entonces
xk + 1 xk + 1
∫ f (x)dx ≈ ∫ p (x)dx
k
xk xk
xk + 1
x−x x − xk
= ∫ f (x ) x − x
xk
k
k
k +1
k +1
+ f ( x k +1 ) dx
x k + 1 − xk
xk + 1 xk + 1
x − x k +1 x − xk
= f ( xk ) ∫ dx + f (xk +1 ) ∫ dx
x k − x k +1 x k +1 − x k
xk xk
xk + 1
= f ( xk )
( x − x k + 1 )2 + f x (x − xk )2
2(xk − xk +1 )
( k +1 ) 2(xk +1 − xk )
x k
( x k +1 − x k ) − f x ( x k − x k +1 )
= f ( x k +1 )
2 2
2(xk +1 − xk )
( k)2 x − x
( k k +1 )
f ( x k ) + f ( x k +1 )
= ( x k +1 − x k )
!#"#$ !##"##$ 2
ancho altura promedio
234 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
∫ f (x)dx ≈ 2 [f (x ) + f (x )]
h
k k +1
xk
y entonces
b N − 1 xk + 1 N−1
I = f (x)dx = ∑∫ f (x)dx ≈ ∑ 2[f (x ) + f (x )]
h
∫
a k = 0 xk k =0
k k +1
es decir,
h
b N−1
∫ f (x)dx ≈
2 k =1
∑
f (a) + f (b) + 2 f (xk )
a
b
b−a
∫ f (x)dx ≈ 2
[
f (a) + f (b) ]
a
b
Algoritmo 5.1 (Regla de los Trapecios) Para aproximar la integral I = f (x)dx , usando la ∫
a
regla de los Trapecios:
b−a
Paso 1: Tomar h = .
N
Paso 4: Tomar x = a + kh
h(AIO + 2AI)
Paso 6: Tomar AI = .
2
Capítulo 5. INTEGRACIÓN NUMÉRICA 235
__________________________________________________________________________________
(x − xk )(x − xk +1 )
xk+1 xk + 1 xk + 1 xk + 1
∫ E(x)dx = ∫ f (x)dx − ∫ pk (x)dx = ∫ ( ) dx
f ′′ ξ k (x)
xk xk xk xk
2!
xk + 1
f ′′(ξ k ) x 3 k +1
x
x2
= − ( x k + x k +1 ) + xk xk +1x
2 3 2 xk
=
f ′′(ξ k ) xk3+1 − xk3
− ( k + k +1 )
x x
xk2+1 − xk2
x x x
( x
+ k k +1( k +1 − k )
)
2 3 2
para algún ξ k ∈ (xk , xk +1 ) .
h3
Ek = − f ′′(ξ k )
12
Teorema del valor medio ponderado para integrales: Si f es una función continua en
[a,b] , g es una función integrable en [a,b] y g(x) no cambia de signo en [a,b] , entonces
existe c ∈ (a, b) tal que
b b
Cuando en el teorema anterior g(x) ≡ 1 , éste se convierte en el teorema del valor medio para
integrales. ∇
La demostración del teorema del valor medio ponderado para integrales puede ser
consultada en Kincaid, 1972, páginas 12 y 13.
El error total al aplicar la regla de los Trapecios, es decir, el error que se comete al aplicar la
regla de los Trapecios sobre todo el intervalo [a, b] , es
(∗) h3 b−a
=− Nf ′′(ξ) = − h 2 f ′′(ξ) para algún ξ ∈ (a, b)
12 ↑ 12
b −a
h=
N
(∗) la igualdad se debe a la aplicación del teorema del valor intermedio a la función f ′′ , que
suponemos continua en el intervalo [a, b] .
La fórmula anterior del error en la regla de los Trapecios indica que si f es una función lineal,
entonces la regla de los Trapecios es exacta, es decir, Ek = 0 para todo k = 0,1,...,N − 1 , ya
que si f (x) = cx + d , entonces f ′(x) ≡ c y f ′′(x) ≡ 0 para todo x ∈[a, b] .
ET =
h3
N f ′′(ξ) ≤
h3
NL = h 2
(b − a) L (recuerde que h =
b−a
)
12 12 12 N
( )
El resultado anterior se indica escribiendo E T = O h , de acuerdo con la siguiente definición:
2
Definición 5.1 (Notación O-grande) Supongamos que lim F(x) = L ∈ R . Se dice que F(x)
x→0
F(x) − L
≤K
G(x)
h3
ET = − f ′′(ξ) , para algún ξ ∈ (a, b)
12
( )
así que E T = O h 3 , en este caso.
1
5.1.2 Regla de Simpson : En este caso se aproxima la función f en cada subintervalo
3
[xk , xk +2 ] ,
k = 0,2,...,N − 2 , mediante un polinomio de interpolación de Lagrange de grado
menor o igual que dos, usando los nodos xk , xk +1, xk + 2 . Observe que, en este caso, el
número de subintervalos N debe ser par, N ≥ 2 .
FIGURA 5.3
Como el polinomio de interpolación de Lagrange de grado menor o igual que dos, usando los
nodos xk , xk +1 y xk +2 , es
pk (x) = f (xk )
(x − xk +1)(x − xk + 2 ) + f x (x − xk )(x − xk +2 )
( k +1 )
(xk − xk +1)(xk − xk + 2 ) (xk +1 − xk )(xk +1 − xk +2 )
+ f ( xk + 2 )
(x − xk )(x − xk +1 )
(xk +2 − xk )(xk + 2 − xk +1 )
entonces
238 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
xk + 2 xk + 2
∫ f (x)dx ≈ ∫ p (x)dx
k
xk xk
f ( xk ) x3 x2
= − ( x k +1 + x k + 2 ) + xk +1xk + 2 x
(xk − xk +1 )(xk − xk +2 ) 3 2
f ( x k +1 ) x3 x2
+ − ( xk + x k + 2 ) + xk xk + 2 x
(xk +1 − xk )(xk +1 − xk + 2 ) 3 2
f ( xk + 2 )
x
k +2
x3 x2
+ − ( x k + x k +1 ) + xk xk +1x
(xk +2 − xk )(xk + 2 − xk +1 ) 3 2 x
k
f ( x k ) + 4 f ( x k +1 ) + f ( x k + 2 )
xk + 2
∫ f (x)dx ≈ (xk + 2 − xk )
!#"#$ !####" 6 ####$
xk ancho altura promedio
f ( x k ) + 4 f ( x k +1 ) + f ( x k + 2 )
= 2h
6
=
h
3
[
f ( x k ) + 4 f ( x k +1 ) + f ( x k + 2 ) ]
Luego
b x2 x4 xN
I = f (x)dx =
∫ ∫ f (x)dx + ∫ f (x)dx+...+ ∫ f (x)dx
a x0 x2 xN− 2
≈
h
3
{ [f (x ) + 4f (x ) + f (x )] + [f (x ) + 4f (x ) + f (x )]+...+[f (x
0 1 2 2 3 4 N− 2 ) + 4f (xN−1) + f (xN )] }
es decir,
b
N− 2 N− 2
h 2 2
∫ f (x)dx ≈ f (a) + f (b) + 4
3 k =0
∑
f (x2k +1 ) + 2 f (x2k )
k =1
∑
a
b−a
En el caso particular N = 2 , se tiene que h = , y la fórmula anterior se reduce a
2
Capítulo 5. INTEGRACIÓN NUMÉRICA 239
__________________________________________________________________________________
b
b−a a + b
∫ f (x)dx ≈
a
f (a) + 4 f
6 2
+ f (b)
1
fórmula que se conoce como regla simple de Simpson .
3
b
1
Algoritmo 5.2 (Regla de Simpson ) Para aproximar la integral I = f (x)dx , usando la ∫
3
a
1
regla de Simpson :
3
b−a b−a
Paso 1: Tomar h = = .
2m N
Paso 4: Tomar x = a + ih .
1
Error de fórmula en la regla de Simpson : Como el término (x − xk )(x − xk +1 )(x − xk + 2 )
3
que aparece en la formula de error al interpolar por un polinomio de interpolación de
Lagrange (de grado menor o igual que 2) usando los nodos xk , xk +1, xk + 2 , cambia de signo
en el intervalo [xk , xk +2 ] , no podemos obtener una fórmula para el error al aplicar la regla de
1
Simpson usando el teorema del valor medio ponderado para integrales; sin embargo se
3
puede demostrar, ver Kincaid, 1972, páginas 447 y 448, que el error al emplear la regla de
1
Simpson en el intervalo [xk , xk +2 ] , llamado error local, está dada por
3
h 5 ( iv )
Ek = − f (ξ k )
90
b−a
donde h = y ξk ∈ (x k , x k + 2 ), k = 0, 2,..., N − 2 .
N
1
Entonces el error al aplicar la regla de Simpson sobre todo el intervalo [a, b] , es decir, el
3
error total, E T , es
N− 2 N− 2
(∗) 2
h 5 (iv )
( ) , ( )
2
ET = ∑ Ek =
k =0, 2,..,N− 2
∑
p =0
E 2p = ∑ −
90
p =0
f ξ 2p
ξ 2p ∈ x 2p , x 2(p+1)
N− 2
∑ f ( ) (ξ ) = − 90 2 + 1f ( ) (ξ)
h 5 2
h N− 2 5
=− iv
2p
iv
90 p =0
N (iv ) 4 b − a (iv )
= −h5 f (ξ) = −h f (ξ), ξ ∈ (a,b )
180 180
h 5 N ( iv ) h5 b−a
ET = f (ξ) ≤ NL = h 4 L
90 2 180 180
así que E T = O h 4 .( )
En el caso N = 2 ,
h 5 ( iv )
f (ξ) = −
(b − a) f (iv) ξ , con ξ ∈ a,b
5
ET = −
90 2880
() ( )
(recuerde que h =
b−a
N
( )
), así que E T = O h 5 .
3
5.1.3 Regla de Simpson : De la misma forma que se obtuvieron las regla de los
8
1
Trapecios y la regla de Simpson , se puede interpolar la función f en cada subintervalo
3
[xk , xk +3 ] , k = 0,3,...,N − 3 (lo que requiere que N sea un entero positivo múltiplo de 3, es
decir, N = 3m, m un entero positivo), mediante un polinomio de interpolación de Lagrange de
grado menor o igual que tres, pk (x) , usando los nodos xk , xk +1, xk + 2 , xk + 3 .
FIGURA 5.4
Entonces
xk + 3 xk + 3
∫ f (x)dx ≈ ∫ p (x)dx
k
xk xk
242 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
y se obtiene
f ( x k ) + 3 f ( x k +1 ) + 3 f ( x k + 2 ) + f ( x k + 3 )
xk + 3
∫ f (x)dx ≈ (xk + 3 − xk )
!#"#$ !###### #" 8 ####### $
xk ancho altura promedio
=
3h
8
[
f ( x k ) + 3 f ( x k +1 ) + 3 f ( x k + 2 ) + f ( x k + 3 ) ]
Así que
b x3 x6 xN
≈
3h
8
{ [f (x ) + 3f (x ) + 3f (x ) + f (x )] + [f (x ) + 3f (x ) + 3f (x ) + f(x )]+...
0 1 2 3 3 4 5 6
+ [f (x ) + 3 f (x ) + 3f (x ) + f (x )] }
N− 3 N− 2 N−1 N
es decir,
b
N− 3 N− 3 N− 3
3h 3 3 3
∫ f (x)dx ≈
8
f (a) + f (b) + 3
k =0
∑
f ( x 3 k +1 ) + 3
k =0
∑
f (x3k + 2 ) + 2 f (x3k )
k =1
∑
a
3(b − a)
b
2a + b a + 2b
∫ f (x)dx ≈
a
24
f (a) + 3f
3
+ 3f
3
+ f (b)
b−a 2a + b a + 2b
= f (a) + 3f + 3f + f (b)
8 3 3
3
fórmula que se conoce como regla simple de Simpson .
8
1
Al igual que en el caso de la regla de Simpson , se puede demostrar que el error al
3
b
3
aproximar el valor de la integral ∫ f (x)dx
a
por medio de la regla de Simpson en el
8
intervalo [xk , xk +3 ] , es decir, el error local, es
Capítulo 5. INTEGRACIÓN NUMÉRICA 243
__________________________________________________________________________________
3 5 (iv ) b−a
Ek = − h f (ξk ), h = , ξk ∈ (x k , x k +3 ), k = 0, 3,..., N − 3
80 N
N− 3
3 5 3 ( iv ) 3 5 N − 3 ( iv )
ET = − h
80 p = 0
f∑ ( )
ξ 3p = − h
80 3
+ 1 f (ξ)
N ( iv ) b − a ( iv )
= −h 5 f (ξ ) = −h 4 f (ξ ) para algú n ξ ∈ (a, b)
80 80
b − a ( iv ) b−a
ET = h4 f (ξ ) ≤ h 4 L
80 80
1
( )
así que E T = O h 4 , como en la regla de Simpson .
3
b−a
Si N = 3 , entonces h = y
3
3 5 ( iv )
ET = − h f (ξ)
80
5
3 b − a ( iv ) (b − a) f (iv) ξ
5
=− f (ξ) = − () para algú n ξ ∈ (a,b)
80 3 6480
( )
así que E T = O h 5 , en este caso.
1 3
Ejemplo 5.1 Use las reglas de los Trapecios, Simpson y Simpson simples y
3 8
compuestas con N = 6 , para estimar
π
3
∫
I = sen 2 xdx
0
Cuál es una cota para el error en la estimación, en cada caso ? (desprecie los errores de
redondeo)
Solución: En este ejemplo f (x) = sen 2 x , que es una función continua en todo R , por tanto
se satisfacen todas las hipótesis para que se puedan aplicar las reglas de integración
numéricas vistas.
244 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
CASO SIMPLE: En este caso N = 1 para la regla de los Trapecios, N = 2 para la regla de
1 3
Simpson y N = 3 para la regla de Simpson .
3 8
π
3
b−a
∫
I = sen 2 xdx ≈
2
[
f (a) + f (b) ]
0
π 2 π
= sen 0 + sen
2
6 3
= .3926991
1
ii) Según la regla de Simpson :
3
π
3
b−a a + b π 2 π 2 π
∫
I = sen 2 xdx ≈ f (a) + 4 f + f (b) = sen (0 ) + 4 sen + sen
2
6 2 18 6 3
0
= .3054326
3
iii) Según la regla de Simpson :
8
π
3
3(b − a) 2a + b a + 2b
∫
I = sen 2 xdx ≈ f (a) + 3f + 3f + f (b)
24 3 3
0
π 2 π 2 2π 2 π
= sen (0 ) + 3 sen + 3 sen + sen
2
24 9 9 3
= .3063656
h3 π π
ET = − f ′′(ξ) con ξ ∈ 0, , h = b − a =
12 3 3
luego
π
f ′′(x) = 2 cos(2x) < 2 para todo x ∈ 0,
3
y entonces
3
π
3
3
f ′′(ξ)
h
ET = ≤ 2 ≈ .19 < .5 = 5 × 10 −1
12 12
lo que no garantiza que el valor obtenido aproxime al valor exacto con alguna cifra decimal
exacta.
1
ii) Regla de Simpson : En este caso
3
h 5 ( iv ) π b−a π
ET = − f (ξ) para algún ξ ∈ 0, , h = =
90 3 2 6
y como
π
f ( ) (x) = − 8 cos(2x) < 8 para todo x ∈ 0,
iv
3
entonces
5
π
h 5 ( iv ) 6
ET = f (ξ) ≤ 8 ≈ 3.5 × 10 −3 < 5 × 10 −3
90 90
lo que asegura una precisión de por lo menos dos cifras decimales exactas en la
1
aproximación obtenida aplicando la regla simple de Simpson .
3
3
iii) Regla de Simpson : En este caso
8
3h 5 ( iv ) π b−a π
ET = − f (ξ ) para algún ξ ∈ 0, , h = =
80 3 3 9
entonces
5
π
3
3h 5 ( iv ) 9
ET = f (ξ) ≤ . × 10 −3 < 5 × 10 −3
8 ≈ 16
80 80
lo que garantiza una precisión de por lo menos dos cifras decimales exactas en la
3
aproximación obtenida usando la regla de Simpson .
8
246 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Según estas estimaciones de error, se espera que la mejor aproximación sea la obtenida por
3
la regla de Simpson , pero para dar una respuesta definitiva debemos conocer el valor
8
exacto de la integral dada.
b−a π
CASO COMPUESTO CON N = 6 : Si N = 6 , entonces h = = y los puntos de la
N 18
partición son
π π π 2π 5π π
x 0 = 0, x1 = , x 2 = , x3 = , x4 = , x5 = , x6 =
18 9 6 9 18 3
Entonces tenemos:
π
3 5
∑[
f ( x k ) + f ( x k +1 ) ]
h
∫
I = sen xdx ≈ 2
2 k =0
0
π π π π π 2π 5 π
= f (0) + f + 2f + f + f + f + f
36 3 18 9 6 9 18
= .3092953
En este caso el error es
3
π
h3 18 π
E T = − Nf ′′(ξ) = − 6f ′′(ξ) para algú n ξ ∈ 0,
12 12 3
y como
π
f ′′(x) ≤ 2 para toda x ∈ 0,
3
entonces
3
π
3
18 π
ET ≤
12
(6)(2) = 18 ≈ 5.3 × 10 −3 < 5 × 10 −2
lo que garantiza una precisión de por lo menos una cifra decimal exacta en la aproximación
calculada.
1
ii) Regla de Simpson : Según esta regla
3
π
∑[ ]
f ( x k ) + 4 f ( x k +1 ) + f ( x k + 2 )
h
I= ∫
0
3
sen 2 xdx ≈
3 k = 0,2,4
=
h
3
{ [ ] [
f (x 0 ) + f (x6 ) + 4 f (x1 ) + f (x3 ) + f (x5 ) + 2 f (x2 ) + f (x4 ) ]}
= .3070743
Capítulo 5. INTEGRACIÓN NUMÉRICA 247
__________________________________________________________________________________
El error en la aproximación es
h5 h5 h 5 ( iv ) π
Nf ( ) (ξ) = − 6f ( ) (ξ ) = − f (ξ) para algún ξ ∈ 0,
iv iv
ET = −
180 180 30 3
y como
π π
y f ( ) (x) ≤ 8 para toda x ∈ 0,
iv
h=
18 3
entonces
5
π
18
ET ≤ 8 ≈ 4.3 × 10 −5 < 5 × 10 −5
30
lo que garantiza una precisión de por lo menos cuatro cifras decimales exactas en la
aproximación calculada.
3
iii) Regla de Simpson : En este caso
8
π
3
∑[ ]
f ( x k ) + 3 f ( x k +1 ) + 3 f ( x k + 2 ) + f ( x k + 3 )
3h
∫
I = sen 2 xdx ≈
0
8 k = 0,3
=
3h
8
{ [ ] [
f (x 0 ) + f (x6 ) + 3 f (x1 ) + f (x4 ) + 3 f (x2 ) + f (x5 ) + 2f (x3 ) ] }
= .3070510
De estas tres ultimas aproximaciones, se espera que la mejor sea la dada por la regla de
1
Simpson , que es la que tiene menor cota de error.
3
π
3
π 1 2π π 3
∫
Como el valor exacto de I = sen 2 xdx =
0
− sen = −
6 4 3 6 8
= .307092424... , entonces
el error absoluto real en las aproximaciones obtenidas, para el caso de las reglas
compuestas, es:
248 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
π
3
π
3
1
∫ sen xdx−.3070743 . ...×10 −5 , para la regla de Simpson .
= 18
2
3
0
π
3
3
∫ sen xdx−.3070510 = 4.1...×10 −5 , para la regla de Simpson .
2
8
0
Instrucciones en DERIVE:
TRAPECIO( f (x), x, a, b ,N ): Usa la regla de los Trapecios con N subintervalos para aproXimar
b
el valor de la integral ∫ f (x)dx .
a
1
SIMPSON( f (x), x, a, b ,N ): Usa la regla de Simpson con N subintervalos (N debe ser un
3
b
entero positivo PAR) para aproXimar el valor de la integral ∫ f (x)dx .
a
π
TRAPECIO( (sinx) , x , 0 , , 6 );
2
Para el ejemplo anterior, aproXime las expresiones
3
π
SIMPSON( (sinx) , x , 0 , , 6 ). ◊
2
3
1 3
Los valores obtenidos por las reglas de los Trapecios, Simpson y Simpson , para
3 8
valores de N = 12, 18, 24 y 36 se muestran en la TABLA 5.1 siguiente.
1
Se recomienda usar la regla de Simpson con h ≈ .05 . Si el número de subintervalos
3
1 3
es impar se pueden combinar las reglas de Simpson y Simpson , mejor que usar la
3 8
regla de los Trapecios.
1
Por ejemplo, supongamos que aplicamos la regla de Simpson con N = 2m
3
subintervalos a una función f en [a, b] , y determinemos una cota para el error de redondeo
acumulado ocasionado por la aplicación de dicha regla.
h
m −1 m −1
3 ∑ k =0
∑
f (x0 ) + f (x2m ) + 4 f (x2k +1 ) + 2 f (x2k )
k =1
1
Por lo tanto el error de redondeo acumulado ER , al usar la regla de Simpson , es
3
h
m −1 m −1
3 k =0
∑
ER = ∈0 + ∈2m +4 ∈2k +1 + 2 ∈2k
k =1
∑
así que
h
m −1 m −1
ER =
3 k=0
∑
∈0 + ∈2m +4 ∈2k +1 + 2 ∈2k
k =1
∑
y entonces
h
m−1 m−1
ER ≤ ∈0 + 4
3 ∑
k =0
∈2k +1 + 2 ∑
k =1
∈2k + ∈2m
250 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Ahora bien, si los errores de redondeo están acotados uniformemente por ∈, es decir
∈k ≤∈ para todo k = 0, 1,..., N = 2m , entonces
ER ≤
h
3
[ h
3
]
∈+4m ∈+2(m − 1) ∈+ ∈ = 6m ∈= 2mh ∈
b−a b−a
pero h = = , así que 2mh = b − a , y por lo tanto
N 2m
ER ≤ (b − a) ∈
Luego una cota para el valor de ER es (b − a) ∈, que es una cota independiente de h, lo que
1
implica que el procedimiento de la regla de Simpson es estable cuando h tiende a
3
cero. ∇
1
Ejemplo 5.2 Use la regla de Simpson con N = 6 para estimar la longitud L del arco de
3
π π
la curva y = cos x comprendida entre los puntos − , 0 y , 0 .
2 2
dy
Solución: Como y = cos x , = − sen x , entonces
dx
π
2
L= ∫ π
1 + sen 2 x dx (Integral elíptica de segunda clase)
−
2
1
Es claro que la función f (x) = 1 + sen x = 2 1 −
2
cos 2 x es continua en el intervalo finito
2
π π 1
− 2 , 2 . Así que podemos aplicar la regla de Simpson para aproximar el valor de L.
3
b−a π
Si N = 6 , entonces h = = , y entonces los puntos xk de la partición y los valores
N 6
f (xk ) = 1 + sen 2(xk ) correspondientes, son los que se dan en la TABLA 5.2 siguiente:
k 0 1 2 3 4 5 6
π π π π π π
xk − − − 0
2 3 6 6 3 2
7 5 5 7
f (xk ) 2 2 2
1
2 2 2
TABLA 5.2
Capítulo 5. INTEGRACIÓN NUMÉRICA 251
__________________________________________________________________________________
Por consiguiente
π
h
2 2 2
L= ∫ 1 + sen 2 x dx ≈
3 ∑
k =0
∑
f (x0 ) + f (x6 ) + 4 f (x2k +1 ) + 2 f (x2k )
k =1
π
−
2
π 7 7 5 5
= 2 + 2 + 4 + 1+ + 2 +
18 2 2 2 2
= 3.819403
1
De acuerdo con la fórmula de error en la aplicación de la regla de Simpson , se tiene
3
que
4
b−a π π
ET ≤h 4
M= M
180 6 180
π π
siendo M una constante tal que f (iv ) (x ) ≤ M para toda x ∈ − , . Se puede verificar que el
2 2
menor valor para M es 7, así que
4
π π
ET ≤ 7 ≈ .009 ≤ 5 × 10 −2
6 180
lo que asegura una precisión de por lo menos una cifra decimal exacta en la aproximación
obtenida. En situaciones como la del ejemplo, donde la función f (x) = 1 + sen 2x tiene
derivada difícil de calcular, podemos estimar el error teniendo en cuenta que
( ) π
E T = O h 4 ≈ ≈.075 < .5 = 5 × 10 −1
6
π
Si N = 60 , entonces h = ≈ .05 y la aproximación obtenida es L ≈ 3.820198 con
60
E T ≤ 9.1 × 10 −7 ≤ 5 × 10 −6 , lo que asegura una precisión de por lo menos cinco cifras
decimales exactas en la aproximación obtenida. ♦
Ejemplo 5.3 Determine los valores de N y h necesarios (de acuerdo con la teoría) para
aproximar
3
∫ e senxdx
x
1
de manera que el error en la aplicación de la regla de Simpson no sea mayor que 10 −4
3
y determine la aproximación (desprecie los errores de redondeo).
252 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
1
Solución: Sabemos que el error en la aplicación de la regla compuesta de Simpson es
3
h 5 N ( iv ) b−a 2
ET = − f (ξ) , donde ξ ∈ (1,3) y h = =
90 2 N N
De acuerdo con esta fórmula, debemos empezar por conocer una cota para f ( ) (x) en el
iv
intervalo [13
, ] , siendo f (x) = e x senx .
Como
f ′(x) = e x senx + e x cosx = e x (senx + cosx)
entonces f ( ) (x) = −4e x sen x − 4e x cos x = −4e x (sen x + cos x) , así que
v
3π
⇒x= ≈ 2.356 ∈[13
, ]
4
Ahora,
3π
iv 3 π 4 sen 3 π
f ( ) = −4 e = −29.84...
4 4
3π
ocurre el mínimo de f ( ) (x) = −4e x senx en el intervalo [13
, ] , pero
iv
luego en x =
4
( iv )
f ( ) (x) = −4e x senx < 0 para toda x ∈[1,3] , así que el máximo de f (x)
iv
en el intervalo
3π
[13
, ] ocurre en x=
4
, es decir,
3π
3π
f ( ) (x) = 4e x sen x ≤ 4e sen ≈ 29.84 < 30 para todo x ∈[13
, ]
iv 4
4
Capítulo 5. INTEGRACIÓN NUMÉRICA 253
__________________________________________________________________________________
32 −4
y entonces debemos encontrar N, tal que ≤ 10 . La solución de esta desigualdad es
6N4
N > 15 y como N debe ser par, entonces el menor valor de N es N = 16 .
2 1
Si N = 16 , entonces h = = .125 y la regla de Simpson da
16 3
3
La integración de Romberg es un método numérico para obtener una estimación del valor de
una integral definida con base en dos o más aplicaciones de una fórmula como la de los
Trapecios (o Simpson) empleando diferentes tamaños de paso, pero que es mejorada al
combinarse con el proceso de extrapolación de Richardson. Para estudiar la extrapolación
de Richardson se puede consultar Burden, 1985, páginas 167-173.
b
El procedimiento de Romberg para aproximar ∫ f (x)dx , consiste en lo siguiente:
a
Aplicamos la regla de los Trapecios sucesivamente para tamaños de paso hk variables, así:
h1 b − a h b−a
h1 = b − a (m1 = 1 subintervalo) , h 2 =
2
=
2
( m 2 = 2 subintervalos), h 3 = 2 = 2
2 2
(m 3 )
= 2 2 subintervalos ,..., hk =
h k −1 b − a
2
= k −1
2
( mk = 2
k −1
subintervalos),
hN−1 b − a
..., hN = = N−1 ( mN = 2N−1 subintervalos) donde N es algún entero positivo.
2 2
b 2 k − 1 −1 h 3 2k −1 −1
∑ ∑
h
∫ f (x)dx = k f (a) + f (b) + 2 f (a + ihk ) − k f ′′(ξ i )
2 12 i= 0
a i=1
Si denotamos
2 k − 1 −1
∑
h
Rk,1 = k f (a) + f (b) + 2 f (a + ihk )
2
i =1
entonces al variar k = 12
, ,...,N , obtenemos las aproximaciones mediante la regla de los
Trapecios
b−a
, =
R11
h1
2
[
f (a) + f (b) = ]2
[
f (a) + f (b) ]
R2,1 =
h2
2
[
f (a) + f (b) + 2f (a + h 2 ) ]
b−a b − a
= f (a) + f (b) + 2f a +
4 2
1 b − a
=
2 2
[ ]
1
f (a) + f (b) + (b − a)f a + (b − a)
2
es decir,
1 1
R2,1 = , + h1f a +
R11 h1
2 2
Ahora,
3
∑
h3
R3,1 = f (a) + f (b) + 2 f (a + ih 3 )
2 i =1
=
h3
2
{ [
f (a) + f (b) + 2 f (a + h 3 ) + f (a + 2h 3 ) + f (a + 3h 3 ) ]}
b − a b − a b − a 3(b − a)
= f (a) + f (b) + 2f a + + f a + + f a +
8
4 2 4
1 b − a b − a b − a 1 b − a 3 b − a
= f (a) + f (b) + 2f a + + f a + + f a +
2 4 2 2 2 2 2 2
es decir,
1 h2 3h 2
R3,1 = R2,1 + h 2 f a + + f a +
2 2 2
1
2k − 2
2i − 1
Rk,1 = Rk −11
2
, + h k −1 ∑ f a + 2
hk −1 , k = 2,3,...,N
i =1
∫ x dx = ln 3 (= 10986128...)
1
.
1
3 − 1 1 1 4
, =
R11 + = ≈ 1333333
.
2 1 3 3
1 4 1 1 7 7
R2,1 = + (3 − 1) = = ≈ 1166667
.
2 3 2 2 3 6
1 7 3 − 1 2 2 1 7 16 1 67 67
R3,1 = + + = + = = ≈ 1116667
.
2 6 2 3 5 2 6 15 2 30 60
Se observa que las aproximaciones Rk,1 van acercándose al valor exacto de la integral, pero
con lentitud. Para acelerar la convergencia, usamos ahora extrapolación de Richardson y
un resultado que nos muestra otra forma para el error en la aplicación de la fórmula de los
Trapecios:
hk h2 (b − a)hk4 f ( iv) ξ
k −1
b 2 −1
Combinando la ecuación
b
hk2−1 (b − a)hk −1 f ( iv) ξ
4
con la ecuación
b
hk2 (b − a)hk4 f (iv) ξ
∫ f (x)dx = Rk,1 −
12
[
f ′(b) − f ′(a) +
720
] ( k)
a
4(b − a)hk4 ( iv )
b
hk2−1
4 f (x)dx = 4Rk,1 −
∫ 12
[
f ′(b) − f ′(a) +
720
] f (ξ k )
a
[ ( )]
b
b−a
3 f (x)dx = 4Rk,1 − Rk −11
∫ 4hk4 f ( ) (ξ k ) − hk4−1f ( ) ξ k −1
iv iv
, +
720
a
Luego
[ ]
b
4Rk,1 − Rk −11 b−a
∫ f (x)dx = 4hk4 f ( ) (ξ k ) − hk4−1f ( ) (ξ k −1 )
, iv iv
+
3 2160
a
2160 [
4h f ( ) (ξ ) − 16h f ( ) (ξ )] , ya que h
4Rk,1 − Rk −11 b−a
=
,
+ 4
k
iv
k
4 iv
k k −1 k −1 = 2hk .
3
540 [
f (ξ ) − 4 f ( ) (ξ )]
4Rk,1 − Rk −11
, b−a ( ) iv iv
= +h 4
k k k −1
3
b
4Rk,1 − Rk −11
∫ f (x)dx = 3
,
( )
+ O hk4 , k = 2,3,...,N
a
4Rk,1 − Rk −11
,
Rk,2 = para k = 2,3,...,N
3
1
2k − 2
2i − 1
Rk,1 = Rk −11
2
, + h k −1 ∑ f a +
2
hk −1 , k = 2,3,...,N
i=1
y que
b−a
, =
R11
2
[
f (a) + f (b) ]
El orden en que se calculan los Ri, j es (por filas):
R 1,1
↓
R 2,1 → R 2,2
↓ ↓
R 3,1 → R 3,2 → R 3,3
↓
&
↓
R N,1 → R N,2 → R N,3 → % → R N,N
Se puede demostrar, ver Ralston, 1965, páginas 121-124, que los términos de la diagonal
convergen al valor exacto de la integral siempre y cuando los valores Rk,1 converjan a este
número. Se espera, en general, que la sucesión Rk,k { }k converja mucho más rápido que la
{ }k .
sucesión Rk,1
198 10 176 10
4 3 −1R3,2 − R2,2
16 − −
180 9 9 = 1584 − 100 = 1484 ≈ 1099259
R3,3 = = = 10 .
4 3 −1 − 1 15 15 1350 1350
con
R 3,2 − R 3,3 = .000741 < .005 = 5 × 10 −3
Como
3
1
R 3,3 − ∫ x dx
1
≈ .000647 < .005 = 5 × 10 −3
Paso 1: Tomar h = b − a ,
h [f (a ) + f (b )]
R1,1 =
2
1
2i − 2
Paso 4: Tomar R2,1 = R11
2
, +h ∑(
f a + (k −.5 )h ) (aproximación usando regla de los
k =1
Trapecios)
h
Paso 7: Tomar h = (cambiar la longitud del subintervalo).
2
Paso 9: Terminar
Este algoritmo sólo utiliza dos vectores en memoria para calcular los números de Romberg.
Vimos en la sección 5.1 que la fórmula de los Trapecios es exacta para todos los polinomios
1 3
de grado menor o igual que uno y que las reglas de Simpson y son exactas para
3 8
polinomios de grado menor o igual que tres. Otra forma de deducir fórmulas de integración
numérica que sean exactas para todos los polinomios de hasta cierto grado, se estudia a
continuación:
Supongamos que queremos obtener una fórmula de integración numérica del tipo
∫ f (x)dx = !
a
Af (a) + Bf (b) +
# #"## $
E T (f )
!"$ (5.1)
FORMULA ERROR TOTAL
de modo que dicha fórmula sea exacta para todos los polinomios de grado menor o igual que
uno, es decir, tal que el error E T (f ) = 0 cuando f (x) sea un polinomio de grado menor o igual
que uno.
Para generar ecuaciones que permitan determinar los coeficientes A y B, observe que: Si
f (x) = a0 + a1x con a 0 ,a1 ∈ R , entonces
260 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
b
E T (f ) = E T (a 0 + a1x) = f (x)dx − Af (a) − Bf (b)
∫
a
b
= ∫ (a
a
0 + a1x)dx − A(a 0 + a1a) − B(a 0 + a1b)
b b
∫ ∫
= a 0 1dx − A.1 − B.1 + a1 xdx − A. a − B. b
a a
= a 0E T (1) + a1E T (x)
es decir,
E T (a 0 + a1x ) = a 0 E T (1) + a1 E T (x )
Así que
E T (a0 + a1x) = 0 para todo a 0 , a1 ∈ R si y sólo si E T (1) = 0 y E T (x) = 0
es decir, la fórmula buscada es exacta para todos los polinomios de grado menor o igual que
uno si y sólo si la fórmula es exacta para las funciones polinómicas básicas de grado menor
o igual que uno: f0 (x) ≡ 1 y f1(x) = x . De acuerdo con lo anterior, para determinar los
coeficientes A y B, en la fórmula buscada, basta sustituir f (x) por 1 y f (x) por x en la
ecuación (5.1) con E T (f ) = 0 .
b
E T (1) = 1dx − A ⋅ 1 − B ⋅ 1 = 0
∫
a
b
E T (x) = ∫ xdx − A ⋅ a − B ⋅ b = 0
a
A +B = b− a
b 2 − a2
aA + bB =
2
b−a
Como este sistema tiene solución única A = B = , entonces la fórmula obtenida es
2
b
b−a
∫ f (x)dx ≈ 2
[ ]
f (a) + f (b)
a
que es la ya conocida regla simple de los Trapecios para f en [a,b] (verifique que esta fórmula
no es exacta para todos los polinomios de grado dos!).
Capítulo 5. INTEGRACIÓN NUMÉRICA 261
__________________________________________________________________________________
El trabajo realizado antes en el intervalo [a, b] puede hacerse, sin pérdida de generalidad, en
el intervalo [0,1] , pues la función lineal
λ : [0,1] → [a,b]
t → λ(t) = (b − a)t + a
es uno a uno y sobre, además λ(0) = a, λ(1) = b ( λ−1(a) = 0 , λ−1(b) = 1 ). Vea la FIGURA 5.5
como ayuda para construir la función x = λ(t) .
x−a t
= ⇒ x − a = (b − a)t
b−a 1
FIGURA 5.5
Si en la integral
∫ f (x)dx
a
∫
a
∫( ) ∫(
f (x)dx = f (b − a)t + a (b − a)dt = (b − a) f (b − a)t + a dt
0 0
)
λ : [c, d] → [a,b]
b−a
t → λ (t ) = ( t − c) + a
d− c
∫ f (x)dx
a
262 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
b−a
x=
d−c
(t − c) + a
obtenemos
b d d
b−a b− a b−a
∫ f (x)dx =
d− c ∫( )
f λ(t) dt = f
d− c d− c
(t − c) + adt
∫
a c c
1
1
∫ f (x )dx ≈ !
0
Af (0 ) + Bf + Cf (1)
###" 2###$
fórmula
sea exacta para todos los polinomios de grado menor o igual que dos.
Siguiendo la misma idea del ejemplo anterior se tiene que: la fórmula buscada será exacta
para todos los polinomios f (x) = a 0 + a1x + a 2 x 2 , de grado menor o igual que dos, si y sólo si
la fórmula es exacta para las funciones polinómicas básicas de grado menor o igual que dos
1, x, x2 .
1
∫
1 = 1dx = A ⋅ 1 + B ⋅ 1 + C ⋅ 1
0
1
1
1
2
= ∫ xdx = B 2 + C ⋅ 1
0
1
1 1
3 ∫
= x 2 dx = B + C ⋅ 1
0
4
es decir, debemos resolver el sistema lineal de tres ecuaciones en las tres incógnitas A, B, C:
Capítulo 5. INTEGRACIÓN NUMÉRICA 263
__________________________________________________________________________________
A +B + C =1
1 1
B+C=
2 2
1 1
B+C=
4 3
1 4 1
La solución de este sistema es A = , B= y C= .
6 6 6
que es exacta para todos los polinomios de grado menor o igual que dos. Como
ejercicio verifique si esta fórmula es exacta para todos los polinomios de grado
menor o igual que tres. Es exacta esta fórmula para todos los polinomios de grado
menor o igual que cuatro?
b 1
∫
a
∫(
f (x)dx = (b − a) f (b − a)t + a dt
0
)
1 4 a + b 1
≈ (b − a) f (a) + f + f (b)
6 6 2 6
b−a a + b
= f (a) + 4f + f (b)
6 2
intervalo [a,b] .
b
I = f (x)dx
∫a
se ha usado siempre una partición regular a = x0 < x1 < ... < xn = b del intervalo [a,b] ,
es decir, los puntos x 0 , x 1,..., x n se han dado igualmente espaciados. Si se quita esta
condición, pueden diseñarse fórmulas de integración numérica más precisas
escogiendo adecuadamente los puntos x 0 , x 1,..., x n . Una de estas fórmulas es la
cuadratura Gaussiana, que se puede presentar en los siguientes términos:
1 n
∫ f (x)dx ≈ ∑ A f (x )
j =1
j j (5.2)
−1 !#"#$
FORMULA
sea exacta para todos los polinomios de grado tan alto como sea posible. Esta idea se
debe a Carl Friedrich Gauss (1777-1855).
Los coeficientes A j y los puntos x 1, x 2 ,..., x n son determinados de modo que el error
1 n
En (f ) = ∫ f (x)dx − ∑ A f (x ) = 0
j =1
j j (5.3)
−1
para todos los polinomios f (x) de grado tan alto como sea posible.
Para derivar ecuaciones que permitan obtener los coeficientes A 1, A 2 ,..., A n y los
puntos x 1, x 2 ,..., x n , notemos, como en el caso del método de los coeficientes
indeterminados, que si f (x) = a0 + a1x + a2 x2 +...+am xm , entonces
Capítulo 5. INTEGRACIÓN NUMÉRICA 265
__________________________________________________________________________________
(
E n (f ) = E n a 0 + a 1x + a 2 x 2 + ... + a m x m )
∫ (a ) ∑ A (a )
1 n
= 0 + a 1x + a 2 x 2 + ... + a m x m dx − j 0 + a 1x j + a 2 x 2j + ... + a m x m
j
−1 j=1
1 n 1 n 1 n
= a 0 1dx −
−1 ∫ ∑
A j ⋅ 1 + a 1 xdx −
−1 ∫ ∑
A j x j + a 2 x 2 dx −
−1
A j x 2j + ...
∫ ∑
###"j=#
!
1
## $ ###"j=#
!
1
## $ ###"j#
!
=1
##$
En (1) En ( x ) En x 2 ( )
1 n
−1 ∫
+ a m x m dx − ∑
j
A jxm
###
!
j=1
#"#### $
En x m
( )
= a 0 E n (1) + a 1E n (x ) + a 2 E n x 2 + ... + a m E n x m ( )
(
Por consiguiente: El error En a0 + a1x + a2 x2 +...+ am xm = 0 para todos los polinomios )
de grado menor o igual que m si y sólo si En (x ) = 0 para todo i = 0, 1, 2,..., m .
i
Así que queremos encontrar A1 y x1 tales que E1(f ) = 0 para todos los polinomios
f (x) de grado tan alto como sea posible.
Como hay dos incógnitas por determinar, consideraremos al menos dos ecuaciones,
una para f (x) ≡ 1 y otra para f (x) = x , lo que nos lleva a
1 1
∫ 1dx − A 1 ⋅1 = 0 y ∫ xdx − A x 1 1 =0
−1 −1
es decir, resulta el siguiente sistema no-lineal de dos ecuaciones en las dos incógnitas
A1 y x1 :
2 − A 1 = 0
A 1x1 = 0
266 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
∫ f (x)dx ≈ 2f (0)
−1
que es llamada regla del punto medio, y es exacta para todos los polinomios de
grado menor o igual que uno, como la regla de los Trapecios. (Verifique que la regla
del punto medio no es exacta para todos los polinomios de grado menor o igual que
dos!).
1 2
E2 (f ) = ∫ f (x)dx − ∑ A f (x )
j =1
j j
−1
1
= ∫ f (x)dx − A f (x ) − A f (x )
−1
1 1 2 2
Así que, esta vez, debemos encontrar A1, A 2 , x1 y x2 tales que E2 (f ) = 0 para todos los
polinomios f (x) de grado tan alto como sea posible. Consideramos entonces cuatro
ecuaciones, una para cada una de las funciones polinómicas básicas de grado menor o
igual que tres x i , i = 0, 1, 2, 3 , con lo que obtenemos
1
∫ 1 dx − A
−1
1 ⋅1− A2 ⋅1 = 0
∫ xdx − A x
−1
1 1 − A 2 x2 = 0
∫ x dx − A x − A 2 x 22 = 0
2 2
1 1
−1
1
∫ x dx − A x − A 2 x 23 = 0
3 3
1 1
−1
es decir,
A1 + A2 =2
A 1x1 + A 2 x2 =0
2
A 1x1 + A 2 x 2 =
2 2
3
A 1x13 + A 2 x 23 =0
Capítulo 5. INTEGRACIÓN NUMÉRICA 267
__________________________________________________________________________________
1
3 3
∫ f (x)dx ≈ f −
−1
+ f
3 3
que es exacta para todos los polinomios de grado menor o igual que tres, como en la
1
regla de Simpson . (Verifique que la fórmula anterior no es exacta para todos
3
1 1 0 , i = 13
, ,...,2n − 1
x i +1
n
∑j =1
A j xij = ∫ x dx =
i
i + 1
= 2
i + 1 , i = 0,2,...,2n − 2
−1 −1
2 2n +1(n!) f ( ) (ξ)
4 2n
En (f ) =
(2n + 1)[(2n)!]
2
(2n)!
para algún ξ ∈ (− 1, 1) .
La TABLA 5.3 siguiente, muestra los valores de los puntos x 1, x 2 ,..., x n y los valores
de los coeficientes A 1, A 2 ,..., A n , correspondientes a los valores de n = 1, 2, 3, 4, 5 para
la fórmula de cuadratura llamada de Gauss-Legendre
1 n
∫ f (x)dx ≈ ∑ A f (x )
j =1
j j
−1
1 A1 = 2 x1 = 0 ≈ f ′′(ξ)
A1 = 1 x1 = −.5773502692
2 A2 = 1 x 2 = .5773502692 ≈ f ( ) (ξ )
4
A 1 = .5555555556 x1 = −.7745966692
3 A 2 = .8888888889 x 2 = 0.0 ≈ f ( ) (ξ )
6
A 3 = .5555555556 x 3 = .7745966692
A 1 =.3478546451 x1 = −.8611363116
A 2 =.6521451549 x 2 = −.3399810436
4 A 3 =.6521451549 x 3 = .3399810436 ≈ f ( ) (ξ)
8
A 4 =.3478546451 x 4 = .8611363116
A 1 = .2369268851 x1 = −.9061798459
A 2 = .4786286705 x 2 = −.5384693101
A 3 = .5688888889 x 3 = 0.0
5 ≈ f ( ) (ξ )
10
A 4 = .4786286705 x 4 = .5384693101
A 5 = .2369268851 x 5 = .9061798459
TABLA 5.3
π
3
∫ sen
2
xdx
0
Solución: Para usar los datos de la TABLA 5.3, primero hacemos el cambio de
variable
π
λ : [−11
, ] → 0,
3
π
π
t → λ( t ) = 3 (t + 1) = 6 (t + 1) = x
1+ 1
con el cual
π
3 1
π 2 π
∫ sen xdx = ∫ sen (t + 1)dt
2
6 6
0 −1
Capítulo 5. INTEGRACIÓN NUMÉRICA 269
__________________________________________________________________________________
i) Si n = 2 , entonces
π
3
π 2 π 2 π
∫ sen xdx ≈ 6 sen 6 (−.5773502692 + 1) + sen 6 ( .5773502692 + 1)
2
0
=.308208655
1
Compare este resultado con el obtenido usando la regla de Simpson 3 .
ii) Si n = 3 , entonces
π
3
π 2π
∫ sen xdx ≈ 6 .5555555556sen (−.7745966692 + 1)
2
6
0
π
+.8888888889sen 2 (0 + 1)
6
π
+ .5555555556sen 2 ( .7745966692 + 1)
6
= .307081826.
π
3
TALLER 5.
1 3
1. a) Use las reglas de los Trapecios, Simpson y Simpson con seis
3 8
2 3 1 1
e−x 1
∫ ∫ iii) ∫ e iv) ∫ e dx
− x2 x 2
i) dx ii) dx dx
x ln x
1 2 0 0
270 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
π
2 1 2 1
v) ∫
ln x
1+ x
dx vi) ∫
sen x
x
dx vii) ∫ sen xdx ( )
viii) ∫ sen x2 dx
1 0 0 0
b) Para cada uno de los valores obtenidos en a) encuentre cotas para el error en la
aproximación calculada y estime, a partir de esas cotas, con cuántas cifras
decimales exactas aproxima dicho valor al valor exacto. Desprecie los errores
de redondeo.
0 .8
2. Si ∫ f (x)dx = 2 y nos dan la tabla siguiente
0
xk 0 .1 .2 .3 .4 .5 .6 .8
f (xk ) 5 8 6 3 0 −3 −3 5
1
Emplee la regla de Simpson 3 para estimar f (.7) .
1
Use todos los datos de la tabla anterior y la regla de Simpson para aproximar
3
2.6
el valor de
1.8
∫ f (x)dx , y calcule el error de redondeo total al aplicar dicha regla.
1 n
∫ f (x)dx ≈ ∑ A f (x )
j =1
j j
0
que sea exacta para todos los polinomios de grado menor o igual que cuatro.
2
Nota: ln2 = ∫ 1 dx .
1 x
1
6. Use la regla de Simpson con N = 6 y un cambio adecuado de variable para
3
+∞
x2
estimar ∫ 1+ x
1
5
dx .
1
7. Use las reglas de los Trapecios y Simpson con N = 10 para aproximar la cuarta
3
x2 y 2
parte de la longitud de la elipse + =1. Concluya, a partir de las cotas
4 1
teóricas para el error total, cuál es la calidad de la aproximación obtenida en cada
caso.
272 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
8. Use el método de Romberg con N = 2 para aproximar cada una de las integrales del
ejercicio 1. a).
1 2
∫ f (x )dx ≈ c ∑ f (x )
j= 0
j
−1 !#"#
$
fórmula
que sea exacta para todos los polinomios cuadráticos. Estas fórmulas son
conocidas como fórmulas de cuadratura de Chebyshev.
1 n
∫ xf (x )dx ≈ ∑ A f (x )
j= 0
j j
−1 !#"#$
fórmula
con n = 1 que sea exacta para todos los polinomios f (x) de grado menor o
igual que tres.
b) Repita con n = 2 , haciendo la fórmula exacta para todos los polinomios f (x) de
grado menor o igual que cinco.
∫ f (x )dx ≈ !
0
A f (0 ) + A f (1) + A f (2 )
0
####"####$ 1
fórmula
2
sea exacta para todos los polinomio de grado menor o igual que tres.
1
5 3 8 5 3
∫ f (x )dx ≈ 9 f −
−1
5 9
+ f (0 ) + f
9 5
!#### #"#### #$
fórmula
b) Muestre cómo puede ser usada la fórmula dada en a) para calcular ∫ f (x)dx , y
a
aplique este resultado para evaluar cada una de las siguientes integrales
π
2 4
senx
i) ∫
0
xdx ∫
0
x
dx
CAPÍTULO 6. SOLUCIÓN NUMÉRICA DE PROBLEMAS DE
VALOR INICIAL PARA ECUACIONES
DIFERENCIALES ORDINARIAS
INTRODUCCIÓN
Este capítulo se dedicará al estudio de algunos métodos numéricos para encontrar una
aproximación discreta de la solución y(t) de un problema de valor inicial (P.V.I.) de primer
orden, con solución única, del tipo
dy
= f (t, y ), t0 ≤ t ≤ T
dt (6.1)
y(t 0 ) = y 0 (condición inicial)
= f1 (t, y1, y 2 ,..., y n ),
dy 1
dt
dy 2
= f2 (t, y1, y 2 ,..., y n ), t0 ≤ t ≤ T
dt
! (6.2)
= fn (t, y1, y 2 ,..., y n ),
dy n
dt
y1 (t 0 ) = y 1,0 ,y 2 (t 0 ) = y 2,0 ,..., y n (t 0 ) = y n,0 ( condición inicial )
Los métodos numéricos que veremos también se podrán aplicar a problemas generales de
n-ésimo orden con condición inicial, de solución única, de la forma
(n ) dn y
(
y ≡ n = f t, y, y ′,..., y
(n−1) , ) t0 ≤ t ≤ T
dt (6.3)
y (t ) = y , y ′(t ) = y ,..., y (n−1) (t ) = y ( condición inicial )
0 1,0 0 2,0 0 n,0
Esta vez, para aplicar el método numérico, empezamos transformando el P.V.I. dado en un
sistema equivalente del tipo (6.2), introduciendo las variables y1 = y , y 2 = y ′ , y 3 = y ′′ ,
dn −1y
, yn = y (
n −1)
≡
. Derivando miembro a miembro cada una de estas últimas ecuaciones
dt n −1
con respecto a t, obtenemos el sistema equivalente
274 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
y 1′ = y 2 ,
′
y 2 = y3 , t0 ≤ t ≤ T
y ′3 = y 4 ,
!
y n′ = f (t, y1, y 2 ,..., y n ),
y 1 (t 0 ) = y 1,0 ,y 2 (t 0 ) = y 2,0 ,..., y n (t 0 ) = y n,0 (condición inicial )
Existencia de solución: Será que todo P.V.I. de la forma (6.1) tiene una solución?
La respuesta es no, hay que imponer algunas condiciones sobre la función f (t, y) , y aún
satisfechas tales condiciones, es posible que la solución exista solamente en una vecindad
de t 0 . Como ejemplo, consideremos el P.V.I.
1
y ′ =
t
y(1) = 1
Para el P.V.I.
y ′ = 1 + y 2
y(0 ) = 0
π 3π
y(t) = tant es la solución, pero no está definida para t = ± , ± ,... . Así que la solución
2 2
π π
es válida únicamente para − , o cualquier intervalo contenido allí y que contenga al
2 2
número 0.
R = { (t, y) / t 0 ≤ t ≤ t 0 + a, y − y 0 ≤ b }
entonces existe un intervalo t 0 ≤ t ≤ t 0 + α en el cual existe una solución y(t) del P.V.I.
y ′ = f (t, y)
y(t 0 ) = y 0
(Un resultado análogo se tiene para t ≤ t 0 ). ∇
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 275
__________________________________________________________________________________
Unicidad de la solución: Puede que, aunque f (t, y) sea continua, el P.V.I. (6.1) tenga más
de una solución. Un ejemplo es el P.V.I.
1
y ′ = y 3
y(0 ) = 0
3
2 2
para el cual y1(t) ≡ 0 y y 2 (t) = t son soluciones.
3
Para asegurar que el P.V.I. (6.1) tiene una única solución en una vecindad de t = t 0 , se
requiere algo más que la continuidad de la función f (t, y) . Una de las formas más usuales de
presentar el teorema que garantice existencia y unicidad de solución del P.V.I. (6.1), es la
siguiente.
∂ f (t, y)
Teorema 6.2 Si f (t, y) y son continuas en un rectángulo
∂y
R = { (t, y) / t 0 ≤ t ≤ t 0 + a, y − y 0 ≤ b }
entonces existe un intervalo t 0 ≤ t ≤ t 0 + α en el cual existe una única solución y(t) del
P.V.I.
y ′ = f (t, y)
(6.4)
y(t 0 ) = y 0
Para la demostración del teorema 6.2, se transforma el P.V.I. (6.4) en otro problema
equivalente, como se indica a continuación:
Supongamos que existe una función y(t) que satisface (6.4), es decir,
dy
dt
( )
= f t, y(t) y y(t 0 ) = y 0
dy(s)
t t
∫
t0
ds ∫(
ds = f s, y(s) ds
t0
)
o sea
t
∫(
y(t) = y(t 0 ) + f s, y(s) ds
t0
) (6.5)
276 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
respecto a t, obtenemos
dy
dt
( )
= f t, y(t) . Además es claro que y(t 0 ) = y 0 .
Por lo tanto, y (t ) es una solución del P.V.I. (6.4) si y sólo si y (t ) es una solución continua de
la ecuación integral (6.5).
Ahora, un método para probar que la ecuación integral (6.5) tiene una única solución, es el
método de aproximaciones sucesivas o iteraciones de Picard (Emilio Picard, matemático
francés (1856-1941)), el cual describimos a continuación:
Se inicia el método con una solución tentativa (aproximación inicial) de (6.5). La elección
más simple es
y 0 (t) = y 0
Ahora se calcula
t
∫( )
y1(t) = y 0 + f s, y 0 (s) ds
t0
Si y1(t) = y 0 , entonces y(t) = y 0 es una solución de (6.5). Si nó, se utiliza y1(t) como la
siguiente aproximación, y se calcula
t
∫( )
y 2 (t) = y 0 + f s, y1(s) ds
t0
∫( )
y n (t) = y 0 + f s, y n −1(s) ds
t0
Se completa la prueba del teorema, demostrando que la sucesión {yn (t)}n converge
Ejemplo 6.1 Para ilustrar el método iterativo de Picard, consideremos el siguiente P.V.I.
y ′ = y
y(0) = 1
en el cual f (t, y) = y .
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 277
__________________________________________________________________________________
t
y(t) = 1 + y(s)ds
∫
0
t t
y1(t) = 1 + y 0 (s)ds =1 + 1ds = 1 + t ≠ y 0 (t)
∫ ∫
0 0
t t
t2
y 2 (t) = 1 + y1(s)ds = 1 +
∫ ∫ (1 + s)ds = 1 + t + ≠ y 1( t )
2
0 0
t t
s2 t2 t3 t2 t3
y 3 (t) = 1 + y 2 (s)ds = 1 + 1 + s + ds = 1 + t +
∫ ∫ + = 1+ t + + ≠ y 2 (t)
2 2 2×3 2! 3 !
0 0
y en general,
t t
s2 s n −1 t2 t3 tn
y n (t) = 1 + yn −1(s)ds = 1 + 1 + s +
∫ ∫ +...+ ds = 1 + t + + +...+
0 0
2! (n − 1)! 2! 3 ! n!
iteraciones de Picard convergen a la función y(t) = e que es, claramente, la solución del
t
P.V.I. dado. ♦
Con base en algunos detalles adicionales en la prueba del teorema anterior, dicho teorema
puede ser expresado en los siguientes términos:
∂ f (t, y)
Teorema 6.3 Si f (t, y) y son continuas en el rectángulo
∂y
R = { (t, y) / t 0 ≤ t ≤ t 0 + a, y − y 0 ≤ b }
entonces el P.V.I.
y ′ = f (t, y)
y(t 0 ) = y 0
b
tiene una única solución y(t) en el intervalo t 0 ≤ t ≤ t 0 + α , donde α = Min a, siendo
M
M = Máx f (t, y ) . ∇
( t,y )∈R
278 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
∂ f (t, y)
Nota: Si en el teorema 6.3 se quita la condición continua, entonces sólo se puede
∂y
concluir la existencia de solución en el intervalo indicado.
y ′ = y 2 + cos t 2
( )
y(0 ) = 0
y usemos el teorema 6.3 para demostrar que este P.V.I tiene una única solución en el
1
intervalo 0, . En efecto:
2
∂ f (t, y)
Sea R = (t, y) / 0 ≤ t ≤ , y ≤ b , entonces f (t, y) = y 2 + cos t 2
2
1
( ) y
∂y
= 2y son
continuas en R .
1 1 b b 1
= α = Min , se requiere que ≥ , pero dado que el máximo de la función
2 2 1 + b2 1 + b2 2
b 1 1
es y ocurre en b = 1 , entonces el P.V.I. dado tiene solución única para 0 ≤ t ≤ , y
1+ b 2
2 2
aún más, en este intervalo y(t) ≤ 1 ( porque b = 1). ♦
El siguiente teorema es de tipo diferente al del teorema 6.3, y nos permite concluir existencia
y unicidad de una solución de un P.V.I. de la forma (6.1) en un intervalo prescrito [a, b] .
y ′ = f (t, y)
y(t 0 ) = y 0
Si la función f (t, y) satisface la desigualdad (6.6), decimos que f (t, y) satisface una
condición de Lipschitz en la segunda variable y en D, y la constante L se llama constante
de Lipschitz para la función f (t, y) . ∇
∂ f (t, y)
La condición de Lipschitz se sigue si
∂y
existe y está acotada en D. En general, se
∂ f (t, y)
tiene que: Si está definida en un conjunto convexo D ⊆ R 2 y si existe una
∂y
∂ f (t, y)
constante L > 0 tal que
∂y
≤ L para todo (t, y) ∈ D , entonces f (t, y) satisface una
En efecto:
Fijemos t y sean cualesquiera (t, y1 ), (t, y 2 ) ∈ D . Entonces aplicando el teorema del valor
medio a la función f (t, y) en la variable y, existe y 3 entre y1 y y 2 (aquí se necesita que D
sea convexo para garantizar la existencia de y 3 entre y1 y y 2 ) tal que
∂ f (t, y 3 )
f (t, y 1 ) − f (t, y 2 ) = y1 − y 2 ≤ L y1 − y 2
∂y
Luego f (t, y) satisface una condición de Lipschitz en la variable y con constante de Lipschitz
L. ∇
Las demostraciones de los teoremas anteriores, pueden consultarse en un texto sobre teoría
de ecuaciones diferenciales ordinarias.
f (t, y1 ) − f (t, y 2 ) =
2 2
y1 + t 2 e t − y 2 − t 2 e t
t t
( y1 − y 2 ) =
2 2
= y1 − y 2 ≤ 2 y1 − y 2 , para todo (t, y1 ), (t, y 2 ) ∈ D .
t t
∂ f (t, y )
≤ = 2 = L para todo (t, y) ∈ D
2 2
=
∂y t 1
dy 2 dy 2
= y + t 2et ⇔ + − y = t 2 e t : ecuación diferencial ordinaria lineal de primer orden
dt t dt t
con coeficientes variables.
∫
2
µ (t ) = e
− dx
x
= e −2 ln t
=e
( ) = t −2 =
ln t −2 1
es un factor integrante para la E.D.O. dada.
t2
1
Multiplicando a ambos lados de dicha E.D.O. por , obtenemos
t2
1 dy 2 d1
− 3 y = et ⇔ y = e
t
2
t dt t dt t 2
Luego
1 t
y= ∫ e dx
x
2
t
o sea
1
2
y = e t + c , c constante arbitraria
t
dy 2
Por tanto la solución general de la E.D.O. = y + t 2 e t , es
dt t
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 281
__________________________________________________________________________________
( )
y = t 2 e t + c , c constante arbitraria
( ) ( )
Como y(1) = 12 e1 + c = 0 , entonces c = −e , y así y(t) = t 2 e t − e es la única solución del
P.V.I. dado. ♦
tiene soluciones y1(t) ≡ 0 y y 2 (t) = t 2 (Verifíquelo). Por qué no contradice este hecho el
teorema 6.4? ♦
y ′ = 100 y − 101e − t , 0 ≤ t ≤ 1
y(0 ) = 1
y ′ = 100 y − 101e , 0 ≤ t ≤ 1
−t
y(0) = 1 + ε
Los métodos numéricos que estudiaremos nos permitirán obtener valores aproximados de la
solución y(t) de un P.V.I. de la forma
y ′ = f (t, y ), t0 ≤ t ≤ T
(6.7)
y (t 0 ) = y 0
t0 t1 t2 ... tm = T
Y0 Y1 Y2 ... Ym
TABLA 6.1
Para una tabla como la anterior podremos hacer una interpolación segmentaria cúbica u otro
tipo de aproximación para obtener una solución aproximada continua del P.V.I. dado.
Los métodos numéricos que sólo requieren del conocimiento de Yk para determinar Yk +1 , es
decir, Yk +1 depende únicamente de Yk , y el conocimiento de los valores aproximados
Yk −1, Yk − 2 ,..., Y0 no se usa, se conocen como métodos de un escalón, de un paso o de
arranque. Si para calcular Yk +1 se usan dos o más valores previamente calculados,
digamos por ejemplo Yk , Yk −1 , Yk−2 , el método se dice método de varios escalones,
multipaso o prolongado.
Observe la FIGURA 6.1 siguiente, donde aparece la gráfica de la solución exacta y = φ(t) de
un P.V.I. del tipo (6.7) y los puntos (t k , Yk ), k = 0,1,..., m .
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 283
__________________________________________________________________________________
FIGURA 6.1
Una solución aproximada obtenida por un método numérico puede no darnos una buena
información acerca del comportamiento de la solución exacta. Por una parte se tiene el
problema de la convergencia del método: A medida que la distancia entre los puntos
t 0 , t1,..., t m tiende a cero, los valores de la solución numérica Y0 , Y1,..., Ym se aproximan a
los correspondientes valores de la solución exacta? También está el problema de la
consistencia y la estabilidad del método numérico.
Estos temas no serán tratados aquí, pero pueden ser consultados en Kincaid, 1972, capítulo
8.
Aquí nos preocuparemos del error de fórmula asociado con el método numérico usado para
calcular los valores Y0 , Y1,..., Ym .
dy
= f (t, y ), t0 ≤ t ≤ T
dt
y (t 0 ) = y 0
Para un método numérico dado, los símbolos Yk , Yk′ = f (t k , Yk ) denotarán los valores
aproximados (obtenidos mediante la aplicación del método numérico) de la solución exacta y
su derivada, respectivamente, en el punto de red t k , es decir, Yk ≈ φ(t k ) , y
284 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
( )
Yk′ = f (t k , Yk ) ≈ f t k ,φ(t k ) = φ ′(t k ) . Es claro que φ(t 0 ) = Y0 , pero en general,
φ(t k ) ≠ Yk , k ≥ 1 , del mismo modo φ ′(t 0 ) = Y0′ = f (t 0 , Y0 ) , pero en general φ ′(t k ) ≠ Yk′ , k ≥ 1 .
t k = t 0 + kh , k = 0,1,..., m
dy
= f (t, y ), t 0 ≤ t ≤ T
dt
y (t 0 ) = y 0
( )
Como se conocen t 0 , Y0 = φ(t 0 ) y Y0′ = φ ′(t 0 ) = f t 0 , φ(t 0 ) = f (t 0 , Y0 ) , también se conoce la
pendiente de la recta tangente a la curva solución y = φ(t) en t 0 , y obtenemos un valor
aproximado Y1 de φ(t1 ) moviéndonos a lo largo de dicha recta tangente desde t 0 hacia t1
(ver la FIGURA 6.2).
Como
Y1 − Y0
= φ ′ (t 0 )
t1 − t 0
Y1 = Y0 + (t1 − t 0 )φ ′(t 0 )
= Y0 + (t1 − t 0 )f (t 0 , Y0 )
Una vez determinado Y1 , podemos calcular Y1′ = f (t1, Y1 ) que es un valor aproximado de
( )
φ ′(t1 ) = f t1, φ(t1 ) : pendiente de la recta tangente a la curva solución exacta en el punto t1 .
Usando esta aproximación de la pendiente, obtenemos
Y2 − Y1
= Y1′
t 2 − t1
y despejando Y2 , obtenemos
Y2 = Y1 + (t 2 − t1 )Y1′
= Y1 + (t 2 − t1 )f (t1, Y1 )
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 285
__________________________________________________________________________________
FIGURA 6.2
Yk +1 = Yk + (t k +1 − t k )f (t k , Yk )
y como el tamaño de paso h entre los puntos de red t 0 , t1,..., t m es uniforme, entonces
t k +1 = t k + h , y obtenemos la fórmula de Euler:
Yk+1 = Yk + hf (t k , Yk ), k = 0, 1,..., m − 1
Y = y (= y (t ))
0 0 0
Algoritmo 6.1 (Euler) Para encontrar una aproximación discreta de la solución del P.V.I., con
solución única,
y ′ = f (t, y ), t 0 ≤ t ≤ T
y (t 0 ) = y 0 (= y (t 0 ))
Salida: (t, Y ) .
Paso 2: Para k = 12
, ,..., m , seguir los pasos 3 y 4:
Paso 5: Terminar.
dy 2
= y + t 2e t , 1≤ t ≤ 2
dt t
y (1) = 0
Y1 = Y0 + hf (t 0 ,Y0 )
= 0 + .1f (10
. ,0 )
= .1(2.718282)
= .2718282 ≈ φ(11
.)
Y2 = Y1 + hf (t1, Y1 )
= .2718282 + .1f (11
. , .2718282)
= .6847556 ≈ φ(12
. )
( )
Como la solución exacta del P.V.I. dado es φ(t) = t 2 e t − e , entonces el valor exacto de
φ(12
. ) es φ(12
. ) = (12 ( )
. ) e1.2 − e = .8666425 , con lo cual el error real en la aproximación
2
calculada es
φ(12
. ) − Y2 = .8666425 − .6847556 = .1818869
Y1 = Y0 + hf (t 0 , Y0 )
= 0 + .05f (100
. ,0)
= .1359141 ≈ φ(105
. )
Y2 = Y1 + hf (t1, Y1 )
= .1359141 + .05f (105
. , .1359141)
= .3063863 ≈ φ(110
. )
Y3 = Y2 + hf (t 2 , Y2 )
= .3063863 + .05f (110
. , .3063863)
= .5159917 ≈ φ(115
. )
Y4 = Y3 + hf (t 3 , Y3 )
= .5159917 + .05f (115
. , .5159917)
= .7696960 ≈ φ(120
. )
Si usamos tamaño de paso h = .05 , los valores aproximados de la solución exacta en los
puntos de red
t 5 = 125
. , t 6 = 130
. , t 7 = 135
. , t 8 = 140
. , t 9 = 145
. , t10 = 150
. , t11 = 155
. , t12 = 160
. , t13 = 165
.
t14 = 170
. , t15 = 175. , t16 = 180
. , t17 =.185, t18 = 190
. , t19 = 195
. , t 20 = 2.00
k tk Yk y(t k ) Error
Instrucción en DERIVE:
Otra forma de deducir la fórmula del método de Euler par encontrar una aproximación de la
solución y = φ(t) del P.V.I. con solución única
dy
= f (t, y ), t 0 ≤ t ≤ T
dt
y (t 0 ) = y 0
h2 hn ( n ) hn +1 ( n +1)
φ(t k + h) = φ(t k ) + hφ ′(t k ) + φ ′′(t k )+...+ φ (t k ) + φ (ξ k )
"#
$ $ % 2! n! (n + 1)!
tk +1
o bien
h2 hn ( n ) hn +1 ( n +1)
( )
φ(t k +1 ) = φ(t k ) + hf t k , φ(t k ) +
2!
φ ′′(t k )+...+
n!
φ (t k ) +
(n + 1)!
φ (ξ k )
FIGURA 6.3
Si la serie de Taylor se termina después de los dos primeros términos, y φ(t k +1 ) , φ(t k ) se
reemplazan por sus valores aproximados Yk +1 y Yk , respectivamente, se obtiene
nuevamente la fórmula de Euler
Yk +1 = Yk + hf (t k , Yk )
Si se conservan más términos de la serie de Taylor se obtiene una fórmula más precisa.
t k +1 t k +1
∫
tk
φ ′(t)dt = ∫ f (t, φ(t))dt
tk
lo que nos da
tk +1
FIGURA 6.4
Entonces
( )
φ(t k +1 ) ≈ φ(t k ) + f t k , φ(t k ) (t k +1 − t k )
(
= φ(t k ) + hf t k , φ(t k ) )
y reemplazando φ(t k +1 ) y φ(t k ) por sus valores aproximados Yk +1 y Yk , respectivamente,
obtenemos
Yk +1 = Yk + hf (t k , Yk )
Error en la fórmula de Euler: Supongamos que la solución y = φ(t) del P.V.I. con solución
única
dy
= f (t, y ), t 0 ≤ t ≤ T
dt
y (t 0 ) = y 0
( ) ( )
φ ′′(t) = ft t, φ(t) + fy t, φ(t ) φ ′(t)
= ft (t, φ(t)) + fy (t, φ(t ))f (t, φ(t))
h2
( )
φ(t k +1 ) − Yk +1 = φ(t k ) + hf t k , φ(t k ) +
2
[
φ ′′(ξ k ) − Yk + hf (t k , Yk )
]
[ ] [( )
= φ(t k ) − Yk + h f t k , φ(t k ) − f (t k , Yk ) + ] h2
2
φ ′′(ξ k )
Si suponemos que en el paso k-ésimo Yk = φ(t k ) (para poder cuantificar el cambio al pasar
de t k a t k +1 ), entonces el error local debido a la aplicación de la fórmula de Euler en el paso
de t k a t k +1 , es
h2
∈k +1 = φ(t k +1 ) − Yk +1 = φ ′′(ξ k ) , k = 0,1,...,m − 1
2
m −1
h2
m −1 (∗) h2
ET = ∑
k =0
∈k +1 =
2 ∑ φ ′′(ξ ) =
k=0
k
2
mφ ′′(ξ) con ξ ∈[t 0 , T ]
h T − t0
= mφ ′′(ξ) con ξ ∈[t 0 , T]
2 m
T − t0
= h φ ′′(ξ ) con ξ ∈[t 0 , T]
2
(La explicación de la igualdad (∗) se debe a la aplicación del teorema del valor intermedio
para funciones continuas)
M T − t0
entonces ∈k +1 ≤ h 2 y ET ≤ h M para cualquier tamaño de paso h, es decir,
2 2
( )
∈k +1 = O h 2 , y E T = O(h) .
El problema es estimar M; sin embargo observe que M no depende de h, así que si h se
reduce a la mitad, la cota del error total se reduce también a la mitad, es por esto que
292 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
( )
En general se tiene que: si el error local en un método numérico es O hn+1 , entonces el
( )
error total es O hn , ya que si
∈k ≤ Chn+1, k = 12
, ,..., m con C independiente de h
entonces
m m m
ET = ∑ ∈ ≤ ∑ ∈ ≤ ∑ Ch
k =1
k
k =1
k
k =1
n +1
= mChn +1
tm − t 0 T − t 0
pero m = = , así que
h m
T − t0
E T ≤ hn mC = hn (T − t 0 )C
m
( )
lo que significa que E T = O hn . ∇
Otro tipo de error que está presente en los cálculos numéricos es el error de redondeo y se
debe, como ya se ha mencionado antes, a la limitación en la precisión de la herramienta de
cálculo. El error de redondeo local en un método numérico es el error en cada etapa
debido a la herramienta de cálculo y el error de redondeo global o total es la acumulación
de los errores locales. El error total es la suma del error global debido a la fórmula y el error
de redondeo global.
Apliquemos el método de Euler a cada una de los problemas de valor inicial de los ejemplos
6.7 y 6.8.
y ′ = sen t + e − t , 0 ≤ t ≤ 1
y 0 =0
( )
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 293
__________________________________________________________________________________
los resultados obtenidos al aplicar el método de Euler con h = .1 , para resolver el P.V.I. dado
en el intervalo [0,1] , se muestran en la TABLA 6.3 siguiente.
k tk Yk y(t k ) Error
0 0 0 0 0
1 .1 .1000000 .1001584 .
1584 × 10 −4
2 .2 .2004671 .2012027 7.356 × 10 −4
3 .3 .3022071 .3038453 .
16382 × 10 −3
4 .4 .4058409 .4086190 2.7781 × 10 −3
5 .5 .5118148 .5158868 4.072 × 10 −3
6 .6 .6204104 .6258527 5.4423 × 10 −3
7 .7 .7317558 .7385725 6.8167 × 10 −3
8 .8 .8458361 .8539643 8.1282 × 10 −3
9 .9 .9625046 .9718204 9.3158 × 10 −3
10 1.0 1.0814943 1.0918183 .0103240
TABLA 6.3
El error k-ésimo que aparece en la TABLA 6.3 corresponde al error total, es decir, a la suma
del error debido a la fórmula y el error de redondeo. La solución exacta del problema de
valor inicial dado es y(t) = − cos t − e + 2 . La gráfica de la solución exacta y los puntos
−t
FIGURA 6.5
Los resultados de los cálculos se muestran en la TABLA 6.4 siguiente, y la FIGURA 6.6
muestra la gráfica de la solución exacta y los puntos (t k , Yk ) correspondientes a las
aproximaciones calculadas. ♦
k tk Yk
0 1.0 −2.0
1 1.2 −16.
2 1.4 −144
.
3 1.6 −13494857
.
4 1.8 −12905325
.
5 `2.0 −12488723
.
6 2.2 −12177913
.
7 2.4 −11936800
.
8 2.6 −11744140
.
9 2.8 −11586575
.
10 3.0 −11455268
.
TABLA 6.4
FIGURA 6.6
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 295
__________________________________________________________________________________
Suponiendo que y = φ(t) es la solución exacta de este P.V.I. se tiene que φ ′(t) = f t, φ(t) e ( )
integrando a ambos lados con respecto a t, desde t k a t k +1 , obtenemos
tk +1
Si aproximamos ahora la integral (∗) de manera más exacta a la aproximación que se hizo en
el método de Euler, aproximando el integrando por la media aritmética de sus valores en los
extremos del intervalo (regla de los Trapecios, ver la FIGURA 6.7), es decir, por
1
2
{( ) (
f t k , φ(t k ) + f t k +1, φ(t k +1 ) )}
obtenemos
( t k +1 − t k )
φ(t k +1 ) ≈ φ(t k ) +
2
{f (t , φ(t )) + f (t
k k (
k +1, φ t k +1 ))}
FIGURA 6.7
296 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Yk +1 = Yk +
h
2
[ ]
f (t k , Yk ) + f (t k +1, Yk +1 ) (6.8)
Yk +1 = Yk + [f (t k , Yk ) + f (t k +1, Yk + hf (t k , Yk ))],
h
k = 0,1,...,m − 1
2 (6.9)
Y0 = y 0 (= y (t 0 ))
o equivalentemente
Yk∗+1 = Yk + hf (t k , Yk )
k = 0,1,..., m − 1
[ (
Yk +1 = Yk + f (t k , Yk ) + f t k +1, Yk +1
h
2
∗
)]
(6.10)
Y0 = y 0 (= y (t 0 ))
La ecuación (6.9) o la ecuación (6.10) dan una fórmula para calcular Yk +1 ≈ φ(t k +1 ) en
términos de los datos en t k , y se conoce como fórmula de Euler mejorada o método
predictor-corrector de Euler.
( ) ( )
que en el de Euler es O h 2 , y el error total de fórmula es O h 2 , mientras que en Euler es
O(h) . De acuerdo con lo anterior, la fórmula de Euler-mejorada es de orden dos.
Observe que en la fórmula de Euler mejorada se obtiene una mayor exactitud a expensas de
un trabajo de cálculo mayor, ya que para ir de t k a t k +1 hay que evaluar dos veces la función
f (t, y) .
2
y′ = y + t e , 1≤ t ≤ 2
2 t
t
y(1) = 0
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 297
__________________________________________________________________________________
Si h = .1, entonces t 0 = 10
. , t1 = 11
. y t 2 = 12
. , así que debemos calcular Y2 .
Y0 = y(t 0 ) = y(1) = 0
Y1∗ = Y0 + hf (t 0 , Y0 ) = 0 + .1f (1.0, 0 ) = .1e = .2718282
h
2
[ ( )]
Y1 = Y0 + f (t 0 , Y0 ) + f t 1, Y1∗ = 0 + [f (1.0, 0 ) + f (1.1, .2718282)] = .3423778 ≈ φ(1.1)
.1
2
De acuerdo con los resultados que aparecen en la TABLA 6.5, el valor calculado
Y4 =.8642907 aproxima al valor exacto y(12
. ) =.8666425 con dos cifras decimales exactas.
La FIGURA 6.8 muestra la gráfica de la solución del P.V.I. del ejemplo 6.9, junto con los
puntos (t k , Yk ) correspondientes a las aproximaciones obtenidas usando el método de Euler
mejorado, y que aparecen en la TABLA 6.5.
Compare los resultados obtenidos por el método de Euler mejorado con los obtenidos por el
método de Euler. Se observa alguna relación en los cálculos numéricos con respecto a los
resultados teóricos esperados? ♦
y ′ = sent + e − t , 0 ≤ t ≤ 1
y(0) = 0
si usamos el método de Euler mejorado con tamaño de paso h = .1 para resolver este P.V.I.,
en el intervalo indicado, se obtienen los resultados que se muestran en la TABLA 6.6. La
gráfica de la solución exacta de este P.V.I., y(t) = − cost − e − t + 2 , junto con los puntos
298 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
k tk Yk y(t k ) Error
0 1.00 0 0 0
1 1.05 .1531932 .1536546 4.614 × 10 −4
2 1.10 .3449150 .3459199 .
10049 × 10 −3
3 1.15 .5801485 .5817824 .
16339 × 10 −3
4 1.20 .8642907 .8666425 2.3518 × 10 −3
5 1.25 1.2031831 1.2063455 3.1624 × 10 −3
6 1.30 1.6031459 1.6072151 4.0692 × 10 −3
7 1.35 2.0710137 2.0760894 5.0757 × 10 −3
8 1.40 2.6141742 2.6203596 6.1854 × 10 −3
9 1.45 3.2406089 3.2480107 7.4018 × 10 −3
10 1.50 3.9589377 3.9676663 8.7286 × 10 −3
11 1.55 4.7784656 4.7886350 .0101694
12 1.60 5.7092339 5.7209615 .0117276
13 1.65 6.7620734 6.7754803 .0134069
14 1.70 7.9486627 7.9638735 .0152108
15 1.75 9.2815897 9.2987326 .0171443
16 1.80 10.7744178 10.7936247 .0192069
17 1.85 12.4417567 12.4631628 .0214061
18 1.90 14.2993372 14.3230815 .0237443
19 1.95 16.3640929 16.3903179 .0290861
20 2.00 18.6542453 18.6830971 .0288518
TABLA 6.5
(
1 2
)
y′ = y + y , 1 ≤ t ≤ 3
t
y(1) = −2
al usar el método de Euler mejorado con tamaño de paso h = .2 para resolver este P.V.I. en
el intervalo indicado, se obtienen los resultados que aparecen en la TABLA 6.7 .
La FIGURA 6.10 muestra la gráfica de la solución exacta de este P.V.I., junto con los puntos
(t k , Yk ) , correspondientes a las aproximaciones obtenidas al aplicar el método de Euler
mejorado y que aparecen en la TABLA 6.7. ♦
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 299
__________________________________________________________________________________
FIGURA 6.8
k tk Yk
0 0 0
1 .1 .1002335
2 .2 .2013371
3 .3 .3040240
4 .4 .4088279
5 .5 .5161126
6 .6 .6260831
7 .7 .7387960
8 .8 .8541704
9 .9 .9919994
10 1.0 1.0919618
TABLA 6.6
y ′ = f (t, y ), t0 ≤ t ≤ T
y (t 0 ) = y 0
300 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
y suponemos que φ(t) tiene al menos las tres primeras derivadas continuas en el
FIGURA 6.9
k tk Yk
0 1.0 −2.0000000
1 1.2 −1.7200000
2 1.4 −1.5612725
3 1.6 −1.4595385
4 1.8 −1.3889051
5 2.0 −1.3370438
6 2.2 −1.2973648
7 2.4 −1.2660334
8 2.6 −1.2406693
9 2.8 −1.2197173
10 3.0 −1.2021193
TABLA 6.7
( ) ( ) ( )
Como φ ′(t) = f t, φ(t) , entonces φ ′′(t) = ft t, φ(t) + fy t, φ(t) φ ′(t) , y por tanto
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 301
__________________________________________________________________________________
( ) ( )
φ ′′(t k ) = ft t k , φ(t k ) + fy t k , φ(t k ) φ ′(t k )
= ft (t k , φ(t k )) + fy (t k , φ(t k ))f (t k , φ(t k ))
FIGURA 6.10
Reemplazando en la ecuación (6.11), φ(t k ) por su valor aproximado Yk , φ ′(t k ) por su valor
aproximado f (t k , Yk ) = Yk′ y φ ′′(t k ) por su valor aproximado ft (t k , Yk ) + fy (t k , Yk )f (t k , Yk ) = Yk′′
h3
y despreciando el término de error φ ′′′(ξ k ) , obtenemos la siguiente fórmula para el valor
3!
Yk +1 aproximación de φ(t k + h) = φ(t k +1 ) :
h2
Yk +1 = Yk + hYk′ + Yk′′, k = 0,1,..., m − 1
2 (6.12)
Y = y (= y (t ))
0 0 0
que se conoce como fórmula de los tres primeros términos de la serie de Taylor.
por lo tanto el error local es proporcional a h3 , como lo es para la fórmula de Euler mejorada,
( )
es decir, ∈k = O h 3 , k = 1,2,...,m . Entonces el error total debido a la fórmula (6.12) es
( )
O h 2 , así que este método es de orden dos.
Nota: La fórmula de los tres primeros términos de la serie de Taylor requiere el cálculo de
ft (t, y) y fy (t, y) , y después la evaluación de estas funciones y de f (t, y) en el punto (t k , Yk ) ,
cosa que en algunos problemas puede ser difícil o bastante tedioso de calcular. Si este es el
caso, puede ser mejor usar una fórmula con precisión comparable, como la fórmula de Euler
mejorada, que no requiere de ft (t, y) ni de fy (t, y) .
Ejemplo 6.12 Si aplicamos el método de los tres primeros términos de la serie de Taylor
para obtener valores aproximados de la solución del P.V.I.
dy 2
= y + t 2et , 1 ≤ t ≤ 2
dt t
y(1) = 0
con tamaño de paso h = .1, se obtienen los resultados que aparecen en la TABLA 6.8
siguiente.
k tk Yk
0 1.0 0
1 1.1 .3397852
2 1.2 .8521434
3 1.3 1.5817695
4 1.4 2.5809966
5 1.5 3.9109846
6 1.6 5.6430810
7 1.7 7.8603816
8 1.8 10.6595145
9 1.9 14.1526821
10 2.0 18.4699945
TABLA 6.8
Instrucción en DERIVE:
Veamos cuál es la fórmula de avance del método de los tres primeros términos de la serie de
Taylor para este ejemplo.
Como f (t, y) =
2
y + t 2 e t , entonces ft (t, y) = − 2 y + t 2 e t + 2 te t , fy (t, y) = , así que la fórmula
2 2
t t t
de avance en el método de los tres primeros términos de la serie de Taylor, para este caso,
es
h2
Yk +1 = Yk + hYk′ + Yk′′ , k = 0,1,...,9
2
Y = 0 , h = .1
0
con
Yk′ = f (t k , Yk ) =
2
Yk + t k2 e tk
tk
Yk′′ = ft (t k , Yk ) + fy (t k , Yk )f (t k , Yk )
2 2
=− Yk + t k2 e t k + 2t k e tk + Yk′ ♦
t k2 tk
Como ejercicio aplique la fórmula de los tres primeros términos de la serie de Taylor para
obtener valores aproximados de la solución exacta en cada uno de los P.V.I. dados en los
ejemplos anteriores.
Si se toman más términos en la serie de Taylor de la función φ(t) alrededor del punto t k , se
obtienen fórmulas de mayor precisión. Es posible desarrollar fórmulas con la precisión de las
fórmulas de tres o más términos de la serie de Taylor, en las que no aparezcan derivadas
parciales de f (t, y) . El desarrollo de estas fórmulas lo inició Carl Runge (1.856-1.927) y lo
continuó G. Kutta (1.867-1.944), matemáticos aplicados alemanes.
Consideremos el P.V.I.
y ′ = f (t, y ), t 0 ≤ t ≤ T
y (t 0 ) = y 0
304 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
h2
Yk +1 = Yk + hYk′ + Yk′′
2
h2
= Yk + hf (t k , Yk ) +
2
{ }
ft (t k , Yk ) + fy (t k , Yk )f (t k , Yk ) (6.13)
[ ]
= Yk + hf (t k , Yk ) + ft (t k , Yk ) + fy (t k , Yk )f (t k , Yk )
h
2
y consideremos la fórmula
{ (
Yk +1 = Yk + h af (t k , Yk ) + bf t k + α h, Yk + β hf (t k , Yk ) )} (6.14)
Se puede ver que la fórmula (6.14) es una generalización del método de Euler mejorado.
K 1 = hf (t k , Yk )
Yk +1 = Yk + aK 1 + bK 2 con (6.15)
K 2 = hf (t k + αh, Yk + βK 1 )
K 2 = hf (t k + αh, Yk + βK 1 )
{
= h f (t k , Yk ) + αhft (t k , Yk ) + βK 1fy (t k , Yk )
+
2 [ ( ) ( )
α h ft t t, y + 2(αh)(βK 1 )ft y t, y + β 2K 12 fy y t, y
1 2 2
( )] }
para algún t entre t k y t k + αh y algún y entre Yk y Yk + βK 1 .
2
1
[
Yk +1 = Yk + ahf + bhf + αhft + βhffy + α 2h 2 ft t + 2αβh 2 fft y + β 2h 2 f 2 fy y ]
y agrupando términos, llegamos a
(
Yk +1 = Yk + (a + b)hf + bh2 αft + βffy +
bh 3 2
2
) (
α ft t + 2αβfft y + β 2 f 2 fy y ) (6.16)
( )
evaluadas en el punto t, y ) .
Recordando la fórmula para el error local en el método de los tres primeros términos de la
serie de Taylor y observando el residuo en la serie de Taylor en la ecuación (6.16), se tiene
que el error local en la fórmula general de Runge-Kutta de segundo orden es O h 3 ( ) y
1 1
1) Si b = , entonces a = , α = 1 = β , y obtenemos
2 2
1 1
Yk +1 = Yk + K 1 + K 2 = Yk +
2 2
1
2
{
hf (t k , Yk ) + hf (t k + h, Yk + K 1 ) }
o sea
Yk +1 = Yk + {f (t k , Yk ) + f (t k +1, Yk + hf (t k , Yk )) },
h
k = 0, 1,..., m − 1
2
Y0 = y 0 (= y (t 0 ))
1
2) Si b = 1, entonces a = 0 , α = = β , y entonces
2
1 1
Yk +1 = Yk + 1K 2 = Yk + hf t k + h, Yk + K 1
2 2
o sea
306 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Yk +1 = Yk + hf t k + h, Yk + hf (t k , Yk ) ,
1 1
k = 0,1,..., m − 1
2 2
Y = y (= y (t ))
0 0 0
h
Yk +1 = Yk + f (t k , Yk ) + 3f t k + h, Yk + hf (t k , Yk ) ,
2 2
k = 0,1,..., m − 1
4 3 3
Y = y (= y (t ))
0 0 0
Los anteriores métodos están clasificados como métodos de Runge-Kutta de orden dos,
que es el orden de su error total de fórmula.
le aplicamos el método de Heun con h = .05 , para aproximar la solución y = φ(t ) de este
P.V.I., obtenemos los resultados que se muestran en la TABLA 6.9.
Compare los resultados obtenidos por el método de Heun, para este ejemplo, con los
correspondientes resultados obtenidos usando el método de Euler mejorado.
(
En la FIGURA 6.11 aparece la gráfica de la solución exacta y(t) = t 2 e t − e del P.V.I. dado )
en este ejemplo, junto con los puntos (t k , Yk ) correspondientes a las aproximaciones
calculadas usando el método de Heun, y que aparecen en la TABLA 6.9. ♦
k tk Yk y(t k ) Error
0 1.00 0 0 0
1 1.05 .1530888 .1536546 .0005658
2 1.10 .3446870 .3459199 .0012329
3 1.15 .5797752 .5817824 .0020072
4 1.20 .8637476 .8666425 .0028949
5 1.25 1.2024431 1.20633456 .0039025
6 1.30 1.6021788 1.6072150 .0050362
7 1.35 2.0697864 2.0760894 .0063030
8 1.40 2.6126498 2.6203597 .0077099
9 1.45 3.2387469 3.2480106 .0092637
10 1.50 3.9566938 3.9676664 .0109726
11 1.55 4.7757914 4.7886353 .0128439
12 1.60 5.7060762 5.7209616 .0148854
13 1.65 6.7583744 6.7754803 .0171058
14 1.70 7.9443594 7.9638734 .0195140
15 1.75 9.2766136 9.2987328 .0221192
16 1.80 10.7686946 10.7936249 .0249303
17 1.85 12.4352056 12.4631624 .0279568
18 1.90 14.2918711 14.3230820 .0312109
19 1.95 16.3556171 16.3903179 .0347009
20 2.00 18.6446577 18.6830978 .0384402
TABLA 6.9
k tk Yk
0 1.0 −2.0
1 1.2 −17317647
.
2 1.4 −15731911
.
3 1.6 −14700834
.
4 1.8 −13980664
.
5 2.0 −13450418
.
6 2.2 −13044170
.
7 2.4 −12723171
.
8 2.6 −12463225
.
9 2.8 −12248473
.
10 3.0 −12068097
.
TABLA 6.10
308 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
h2 h3
Yk +1 = Yk + hYk′ + Yk′′ + Yk′′′
2! 3!
FIGURA 6.11
K 1 = hf (t k , Yk )
Y = Y + 1 (K + 4K + K ) con K = hf t + 1 h, Y + 1 K , k = 0,1,...,m − 1
k +1 k 1 2 3 2 k k 1
6 2 2
K 3 = hf (t k + h, Yk + 2K 2 )
Y0 = y 0 (= y (t 0 ))
K1 = hf (t k , Yk )
1 1
K 2 = hf t k + h, Yk + K1
2 2
Y = Y + 1 (K + 2K + 2K + K ) con k = 0,1,...,m − 1
k +1 k 1 2 3 4
6
K 3 = hf t k + h, Yk + K 2
1 1
2 2
K 4 = hf (t k + h, Yk + K 3 )
Y0 = y 0 (= y(t 0 ))
Algoritmo 6.2 (Runge-Kutta de orden cuatro) Para encontrar una aproximación discreta de
la solución del P.V.I., con solución única
y ′ = f (t, y) , t 0 ≤ t ≤ T
y(t 0 ) = y 0
Paso 1: Hacer t = t 0 , Y = y 0 .
310 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Salida: (t, Y ) .
Paso 2: Para k = 12
, ,..., m seguir los pasos 3-5:
(K 1 + 2K 2 + 2K 3 + K 4 ) (calcula Yk )
1
Paso 4: Tomar Y = Y +
6
t = t + kh (Calcula t k )
Paso 5: Terminar.
Ejemplo 6.15 Usando el método de Runge-Kutta de orden cuatro para encontrar una
aproximación de la solución del P.V.I., con solución única
dy 2
= y + t 2et , 1≤ t ≤ 2
dt t
y(1) = 0
con tamaño de paso h = .1 , obtenemos los resultados que se muestran en la TABLA 6.11
siguiente.
k tk Yk y(t k ) Error
0 1.0 0 0 0
1 1.1 .3459103 .3459199 9.6 × 10 −6
2 1.2 .8666217 .8666425 2.08 × 10 −5
3 1.3 1.6071813 1.6072151 3.38 × 10 −5
4 1.4 2.6203113 2.6203596 4.83 × 10 −5
5 1.5 3.9676019 3.9676663 6.44 × 10 −5
6 1.6 5.7208793 5.7209615 8.22 × 10 −5
7 1.7 7.9637718 7.9638735 .
1017 × 10 −4
8 1.8 10.7935018 10.7936247 .
1229 × 10 −4
9 1.9 14.3229357 14.3230815 .
1458 × 10 −4
10 2.0 18.6829266 18.6830971 .
1705 × 10 −4
TABLA 6.11
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 311
__________________________________________________________________________________
Instrucción en DERIVE:
[ ]
RK( f (t, y) ,[t, y],[t 0 , y 0 ], h , m ): aproXima los valores Y0 , Y1,..., Ym obtenidos al aplicar el
dy
= f (t, y)
método de Runge-Kutta de cuarto orden al P.V.I. dt en m pasos de tamaño h.
y(t 0 ) = y 0
2
Para el ejemplo anterior, aproXime la expresión RK( y + t 2 exp(t) ,[t, y],[10
, ], 0.1,10 ). ◊
t
K 1 = hf (t 0 , Y0 ) = .1f (10
. ,0) = .27182818
1 1 .27182818
K 2 = hf t 0 + h , Y0 + K 1 = .1f 105
. , = .3409444
2 2 2
1 1 .3409444
K 3 = hf t 0 + h, Y0 + K 2 = .1f 105
. , = .3475269
2 2 2
K 4 = hf (t 0 + h, Y0 + K 3 ) = .1f (11
. , .3475269) = .4266908
Así que
Y1 = 0 +
1
6
( )
.2718281 + (2)(.3409444) + (2)(.3475269)+.4266908 = .3459103
De acuerdo con los resultados de la TABLA 6.11, Y2 = .8666217 aproxima al valor exacto
y(12
. ) = .8666425 con una precisión de cuatro cifras decimales exactas.
Una gráfica de la solución exacta del P.V.I. dado, junto con los puntos (t k , Yk )
correspondientes a las aproximaciones calculadas usando el método de Runge-Kutta de
orden cuatro que aparecen en la TABLA 6.11, se muestran en la FIGURA 6.12. ♦
(
1 2
y′ = y + y ,
t
) 1≤ t ≤ 3
y(1) = −2
312 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
FIGURA 6.12
k tk Yk
0 1.0 −2.0
1 1.2 −17142452
.
2 1.4 −15555229
.
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 313
__________________________________________________________________________________
3 1.6 −14545197
.
4 1.8 −13845945
.
5 2.0 −13333159
.
6 2.2 −12941027
.
7 2.4 −12631448
.
8 2.6 −12380836
.
9 2.8 −12173809
.
10 3.0 −11999905
.
TABLA 6.12
FIGURA 6.13
tomando h = .05 .
t 2 y ′′ − 2 ty ′ + 2y = t 3 ln t
314 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
lo que nos da
2 2
y ′′ = y ′ − 2 y + t ln t , t ≠ 0
t t
y1′ = y 2 ,
1 ≤ t ≤ 15
.
2 2
y ′2 = − 2 y1 + y 2 + t ln t , (6.17)
t t
y1(1) = 1 , y 2 (1) = 0
(1)
Y0 = 1 , que es la condición inicial para la función incógnita y1
Para y 2′ = −
2
t 2
y1 +
2
t
(
y 2 + t ln t = f2 (t, y1, y 2 ) ):
Y0( ) = 0
2
, que es la condición inicial para la función incógnita y 2
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 315
__________________________________________________________________________________
(1)
Y1 , para la función incógnita y1
y
( 2)
Y1 , para la función incógnita y 2
procedemos así:
2
K 1( ) = hf2 t 0 , Y0( ) , Y0( ) = .05f2 (10 . , 0 ) = .05 − 2 10 . ln(10
. ) = −.1
2 1 2 2
. , 10 . + 0 + 10
10
. .
10
(1) K( )
2
K (2 ) = hf1 t 0 + , Y0( ) + 1 , Y0( ) + 1 =.05f1(1025
h 1 K
. , −.05 ) = −2.5 × 10 −3
1 2
. , 10
2 2 2
K( ) K( )
1 2
K (2 ) = hf2 t 0 + , Y0( ) + 1 , Y0( ) + 1 =.05f2 (1025 . , −.05) = −.098793992
2 h 1 2
. , 10
2 2 2
(1) K( )
2
K (3 ) = hf1 t 0 + , Y0( ) + 2 , Y0( ) + 2 = .05f1(1025
h 1 K
, .99875, −.049396996 )
1 2
.
2 2 2
= −2.4698498 × 10 −3
(1) K( )
2
K (3 ) = hf2 t 0 + , Y0( ) + 2 , Y0( ) + 2 = .05f2 (1025
h 1 K
, .99875, −.049396996)
2 2
.
2 2 2
= −.09861618555
316 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
= −4.930809278 × 10 −3
= −.09730945925
Entonces
( )
Y1(1) = Y0(1) + K 1(1) + 2K (21) + 2K 3(1) + K (41)
1
6
1
( ( ) ( )
= 1.0 + 0 + 2 − 2.5 × 10 −3 + 2 − 2.4698498 × 10 −3 − 4.930809278 × 10 −3
6
)
= .9975215819
y
(
= 0 + −.1 + 2(−.098793992) + 2(−.099861618555)−.09730945925
1
6
)
= −.09868830239
7 t3 3
y(t) = t + ln t − t 3
4 2 4
(1)
del P.V.I. dado, corresponden a los valores Yk que aparecen listados en la tercera
columna de la TABLA 6.13.
Instrucciones en DERIVE:
RK( [f1(t, y1, y 2 ), f2 (t, y1, y 2 )] , [t, y1, y 2 ] , [t 0 , y1,0 , y 2,0 ] , h , m ): aproXima a una matriz de 3
columnas y m + 1 filas, donde cada fila es de la forma tk , Yk(1) , Yk( 2) , siendo
(1) ( 2)
Yk ≈ y1(t k ) y Yk ≈ y 2 (t k ) los valores obtenidos al aplicar el método de Ringe-Kutta
de cuarto orden al sistema
y1′ = f1(t, y1, y 2 )
y 2′ = f2 (t, y1, y 2 )
y1(t 0 ) = y1,0 , y 2 (t 0 ) = y 2,0
Es claro que cualquiera de los métodos estudiados se puede aplicar para un sistema de
ecuaciones diferenciales de primer orden del tipo (6.2). Como ejemplo veamos como
se escribiría el método de Runge-Kutta de cuarto orden para el sistema (6.17):
y1′ = y 2 ,
1 ≤ t ≤ 15
.
2 2
y ′2 = − 2 y1 + y 2 + t ln t ,
t t
y1(1) = 1, y 2 (1) = 0
y2
y1′ = 2 2 , 1 ≤ t ≤ 15
.
y 2′ − 2 y1 + y 2 + t ln t
t t ( )
Y ′ = F t, Y , 1 ≤ t ≤ 1.5
⇔
y1(1) = 1 1
Y (1) =
y 2 (1) 0 0
Yk(1+)1 Yk(1) 1 K 1(1) K (21) K 3(1) K (41)
= + + 2 + 2 +
Y (2 ) Y (2 ) 6 K (2 ) K (2 ) K (2 ) K (2 )
"#k +1
% "#% k 1
"#%
"#% 2 3 4
"#% "#%
Yk + 1 Yk K1 K2 K3 K4
donde
Yk(2 )
K1 = h F(t k , Yk ) = h 2 Y (1) 2 Y (2) t lnt
− t 2 k + t k + k k
k k
K 2 = h F t k + h , Yk + K 1
1 1
2 2
Yk(2 ) + K 1(2 )
1
2
= h− 2 (1) 1 (1) 2 (2 ) 1 (2 ) 1 1
Y + K + Y + K + t + h ln t + h
2
k k k
2
2 1 1 k 2 1 2
t k + 1 h tk + h
2
2
K 3 = h F t k + h , Yk + K 2
1 1
2 2
Yk(2 ) + K (22 )
1
2
= h− 2 (1) 1 (1) 2 (2 ) 1 (2 ) 1 1
Y + K + Y + K + t + h ln t + h
2
k k k
2
2 2 1 k 2 2 2
t k + 1 h tk + h
2
2
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 319
__________________________________________________________________________________
K 4 = h F(t k + h ,Yk + K 3 )
Yk(2 ) + K 3(2 )
= h
−
2 ( (
1) (1)
Y + K3 +
(t + h)2 k
2
(k+ )
t
) h
( 2) (2)
)
Yk + K 3 + (t k + h)ln (t k + h)
(
k ♦
Como ejercicio use la forma vectorial del método de Runge-Kutta de orden cuatro
para calcular las aproximaciones de la solución exacta del P.V.I. del ejemplo 6.17.
TALLER 6.
y ′ = tany
y(0) = 0
2. Use cada uno de los teoremas 6.1, 6.2, 6.3 y 6.4 para predecir dónde tiene solución
el siguiente P.V.I., y luego resuélvalo explícitamente para comparar la teoría con
los hechos:
y ′ = y
2
y(0) = 1
y ′ = 1 + y 2
y(0) = 0
y ′ = sec y
y(0) = 0
5. Use el teorema 6.4 para demostrar que cada uno de los siguientes P.V.I. tienen
solución única en el intervalo [0,1] :
t2
6. Verifique que y1(t) = − y y 2 (t) = 1 − t son soluciones del P.V.I.
4
2y ′ = t 2 + 4 y − t
y(2) = −1
b) Determine si el P.V.I.
y ′ = f (t, y) , 0 ≤ t ≤ 1
y(0) = 1
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 321
__________________________________________________________________________________
y ′ = y cos t , 0 ≤ t ≤ 1 y ′ = 1 + t sen(ty) , 0 ≤ t ≤ 1
a) b)
y(0 ) = 1 y(0 ) = 0
b) Use dos pasos de los métodos de Euler, Euler mejorado, Heun, Taylor de orden
dos y método de Runge-Kutta de orden cuatro para aproximar y(0.2) .
9. Considere el P.V.I.
y ′ = −10 y , 0 ≤ t ≤ 2
y(0 ) = 1
el cual tiene solución exacta y(t) = e −10 t . Qué pasa cuando el método de Euler se
aplica a este problema con tamaño de paso h = .1?
y′ = −y2, 0 ≤ t ≤ 4
a)
1
con solución exacta y(t) =
y(0) = 1 1+ t
y ′ = − y + 2 cos t , 0 ≤ t ≤ 4
b) con solución exacta y(t) = sen t + cos t
y(0) = 1
y ′ = y − 2 sen t , 0 ≤ t ≤ 4
c) con solución exacta y(t) = sen t + cos t
y(0) = 1
322 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
11. Un proyectil de masa m = 0.11 Kgrs. se lanza verticalmente hacia arriba desde el
suelo con una velocidad inicial v(0) = 8m./ seg. y se va frenando debido a la fuerza
de la gravedad Fg = −mg y a la resistencia del aire Fr = −kv 2 , donde
g = 9.8m./ seg2 . y k = 0.002kg./m.
v ′ = −g − v (t ) v (t ) , 0 ≤ t ≤ T
k
m
v (0 ) = 8.0
12. a) Convierta cada uno de los siguientes problemas de valor inicial en un sistema
de ecuaciones diferenciales de primer orden con condición inicial
ii) y ′′ + 2ty ′ + t 2 y = e t , 0 ≤ t ≤ 1
y(0) = 1, y ′(0) = −1
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 323
__________________________________________________________________________________
y ′ = e − t 2 , 0 ≤ t ≤ 1
y(0 ) = 0
d) Use el método de los tres primeros términos de la serie de Taylor con tamaño
de paso h = .25 para aproximar la solución y(t) , dada en b), en los puntos
t1 = 0.25 , t 2 = 0.50 , t 3 = 0.75 , y t 4 = 10
. .
∫e
− x2
para aproximar dx .
0
Hasta aquí se han considerado problemas de valor inicial (P.V.I.) para ecuaciones
diferenciales ordinarias (E.D.O.), es decir, problemas de E.D.O. donde se especifican
condiciones sobre la solución de la ecuación diferencial en un mismo punto llamado punto
inicial (condiciones iniciales). Ahora se considerarán E.D.O. donde se imponen condiciones
sobre la solución desconocida es más de un punto. Tales problemas son llamados
problemas de valores en la frontera (P.V.F.) o problemas de contorno.
⎧ y ′′ = f ( t , y , y ′ ) , t ∈ [ a , b ] ( a < b )
(1) ⎨
⎩ y ( a ) = α , y ( b ) = β : Condicione s de frontera ( C. F. )
¿Qué puede decirse de la existencia y unicidad de solución para un P.V.F. del tipo (1)?
⎧y ′′ = y
1) ⎨
⎩y ( 0 ) = 1 , y ( 1 ) = 1
( )
⎛ y ( t ) = e λ t , y ′′ ( t ) = λ 2 e λ t , así que y ′′ = y ⇔ λ 2 e λ t = e λ t ⇔ λ 2 − 1 e λ t = 0 ⇔ λ = ± 1; ⎞
⎜ ⎟
⎜ así que y (t ) = e t , y ( t ) = e − t son soluciones particcula res de y ′′ = y. ⎟
⎝ 1 2 ⎠
1 e
Este sistema tiene solución única A= , B= , así que
1+ e 1+ e
y (t )=
1
1+ e
et +
e
1+ e
e − t es solución en [ 0, 1 ] del P.V.F. dado. ¿Existirá otra
solución?
⎧y ′′ = − y
⎪
2) ⎨ ⎛π ⎞
⎪y ( 0 ) = 2 , y ⎜ 2 ⎟ = 4
⎩ ⎝ ⎠
324 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
⎧y ′′ = − y
3) ⎨
⎩y ( 0 ) = 2 , y (π )= 4
⎧y ′′ = − y
4) ⎨
⎩y ( 0 ) = α , y ( π ) = β
Si además, f y ( t , y , z ) > 0 para todo ( t, y , z ) ∈ R , y existe una constante M > 0 tal que
fz ( t , y , z ) ≤ M para todo ( t , y , z ) ∈ R , entonces el P.V.F.
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. Y P.V.F. PARA E.D.O. 325
__________________________________________________________________________________
⎧y ′′ = f ( t , y , y ′ ) ( z ≡ y′ )
⎨
⎩y ( a ) = α , y ( b ) = β
∂ ∂
se tiene que f ( t , y , z ) = y , f ( t, y, z ) = 1, f ( t , y , z ) = 0 que son continuas en
∂y ∂y
R = { ( t , y , z ) / 0 ≤ t ≤ 1, − ∞ < y , z < + ∞ } .
∂ ∂
Además, f ( t , y , z ) = 1 > 0 para todo ( t , y , z ) ∈ R y f ( t , y , z ) = 0 ≤ M para todo
∂y ∂z
( t, y, z )∈ R (cualquiera sea M ≥ 0 ). Así que el P.V.F. dado tiene solución única en [ 0 , 1 ] .
1 1
Tal solución es y ( t ) = et + e −t , t ∈ [ 0 ,1 ] .
1+ e 1+ e
⎧y ′′ = f ( t , y , y ′ )
(1) ⎨
⎩y ( a ) = α , y ( b ) = β
⎧y ′′ = f ( t , y , y ′ )
(1) ⎨
⎩y ( a ) = α , y ( b ) = β
Una manera de calcular la solución y ( t ) de este P.V.F. es relacionando este problema con
un P.V.I. del tipo
⎧y ′′ = f ( t , y , y ′ )
(2) ⎨
⎩y ( a ) = α , y ′ ( a ) = z
326 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Este método para resolver el P.V.F. ( 1 ) se conoce como MÉTODO SHOOTING o DEL
DISPARO.
⎧y ′′ = p ( t ) y ′ + q ( t ) y + r ( t ) ( ≡ f ( t , y , y′ ) )
(3) ⎨
⎩y ( a ) = α , y ( b ) = β
El método Shooting, para este caso, consiste en proponer dos valores de z , es decir,
consideramos los siguientes dos P.V.I. asociados con el P.V.F. dado:
⎧y ′′ = p ( t ) y ′ + q ( t ) y + r ( t )
(a) ⎨
⎩y ( a ) = α , y ′ ( a ) = z 1 ( C.I. )
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. Y P.V.F. PARA E.D.O. 327
__________________________________________________________________________________
⎧y ′′ = p ( t ) y ′ + q ( t ) y + r ( t )
(b) ⎨
⎩y ( a ) = α , y ′ ( a ) = z 2 ( C. I. )
g ( t ) = λ y1 ( t ) + ( 1 − λ ) y 2 ( t )
g ( a ) = λ y1 ( a ) + ( 1 − λ ) y 2 ( a ) = λ α + ( 1 − λ ) α = α
g ( b ) = λ y1 ( b ) + ( 1 − λ ) y 2 ( b )
g ( b ) = β ⇔ λ y1 ( b ) + ( 1 − λ ) y 2 ( b ) = β ⇔ λ [ y1 ( b ) − y 2 ( b ) ] = β − y 2 ( b )
β − y2 ( b )
λ=
y1 ( b ) − y 2 ( b )
β − y2 (b )
g ( t ) = λ y 1 ( t ) + ( 1 − λ ) y 2 ( t ) con λ=
y1 ( b ) − y 2 ( b )
Para aplicar este método Shooting, usando el computador procedemos como sigue:
Consideramos dos P.V.I. asociados con el P.V.F. dado, que pueden ser
328 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
⎧y ′′ = p ( t ) y ′ + q ( t ) y + r ( t ) ⎧y ′′ = p ( t ) y ′ + q ( t ) y + r ( t )
a) ⎨ b) ⎨
⎩y ( a ) = α , y ′ ( a ) = 0 ⎩y ( a ) = α , y ′ ( a ) = 1
Aplicamos un método numérico, como por ejemplo Runge-Kutta de orden cuatro, para
aproximar la solución y 1 ( t ) del P.V.I. a) y y 2 ( t ) del P.V.I. b), en los puntos igualmente
espaciados:
b−a
a = t 0 , a + h = t 1, ... , a + k h = t k , ... , b = t m con h =
m
⎧Y1, k ≈ y 1 ( t k )
⎪
⎨ k = 0 , 1, ... , m
⎪Y
⎩ 2, k ≈ y 2 ( t k )
En particular,
Y1, m ≈ y 1 ( t m ) = y 1 ( b )
Y2 , m ≈ y 2 ( t m ) = y 2 ( b )
β − Y2 , m
Si Y1, m ≠ Y2 , m , entonces definimos λ = y calculamos los valores
Y1, m − Y2 , m
( )
Yk = λ Y1, k + 1 − λ Y2 , k ≈ y ( t k )
Ejemplo 6.19 Usemos el método del disparo en el caso lineal para aproximar la solución
1
y (t ) del siguiente P.V.F. en los puntos t k = k h , k = 0 , 1 , ... , 10 con h = = 0 .1 :
10
⎧ y ′′ = y
⎨
⎩y ( 0 ) = 1 , y ( 1 ) = 1
1 e
(La única solución del P.V.F. dado es y ( t ) = et + e − t , t ∈ [ 0 , 1 ] ).
1+ e 1+ e
Solución: Para aplicar el método Shooting, planteamos los siguientes dos P.V.I. asociados
con el P.V.F dado:
⎧y ′′ = y ⎧ y ′′ = y
a) ⎨ b) ⎨
⎩y ( 0 ) = 1, y ′ ( 0 ) = 0 ⎩y ( 0 ) = 1 , y ′ ( 0 ) = 1
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. Y P.V.F. PARA E.D.O. 329
__________________________________________________________________________________
1 t 1 −t
Observe que estos dos P.V.I. tienen solución única y 1 ( t ) = e + e para el P.V.I. a) y
2 2
y 2 ( t ) = e t para el P.V.I. b).
( y ( t ) = A e t + B e − t , y ( 0 ) = A + B = 1 , y ′ ( t ) = A e t − B e − t , y ′ ( 0 ) = A − B = 0 , entonces
1 1 1
A= = B , lo que produce y 1 ( t ) = e t + e − t que es la solución del P.V.I. a). Para el
2 2 2
P.V.I. b) se tiene que y ( 0 ) = A + B = 1, y ′ ( 0 ) = A − B = 1 , entonces A = 1 , B = 0 , así que
y 2 ( t ) = e t es la solución del P.V.I. b)).
k tk Y1, k ≈ y 1 ( t k ) Y2 , k ≈ y 2 ( t k )
0 0 1 1
1 0.1 1.00500 1.10517
2 0.2 1.02006 1.22140
3 0.3 1.04533 1.34985
4 0.4 1.08107 1.49182
5 0.5 1.12762 1.64872
6 0.6 1.18546 1.82211
7 0.7 1.25516 2.01375
8 0.8 1.33743 2.22553
9 0.9 1.43308 2.45960
10 1.0 1.54307 ≈ y 1 ( 1 ) 2.71827 ≈ y 2 ( 1 )
Observamos que Y1,10 ≈ 1.54307 y Y2 ,10 ≈ 2.71827 , y como Y1,10 ≠ Y2,10 , entonces
calculamos
β − y2 ( b ) 1 − 2.71827
λ= = = 1.46210
y1 ( b ) − y 2 ( b ) 1.54304 − 2.71827
g ( t ) ≈ 1.46210 y 1 ( t ) + ( 1 − 1.46210 ) y 2 ( t ), t ∈ [ 0, 1]
es decir,
1.46210 y 1 ( t ) − 0.46210 y 2 ( t ) ≈ y ( t ) : solución del P.V.I. dado.
330 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
Los valores Yk que aparecen en la siguiente tabla se calcularon con base en la fórmula:
k tk Yk y ( tk ) y ( t k ) − Yk
0 0 1 1 0
1 0.1 0.958711 0.958715 4 x 10 − 6
2 0.2 0.927020 0.927025 5 x 10 − 6
3 0.3 0.904611 0.904614 3 x 10 − 6
4 0.4 0.891262 0.891256 6 x 10 − 6
5 0.5 0.886819 0.886818 10 − 6
6 0.6 0.891264 0.891256 8 x 10 − 6
7 0.7 0.904615 0.904614 10 − 6
8 0.8 0.927038 0.927025 1.3 x 10 − 5
9 0.9 0.958725 0.958715 10 − 5
10 10 1.00001 1 10 − 5
tk y ( tk )
⎡0 1 ⎤
⎢ ⎥
⎢ ⎥
⎢ ⎥
#*** ⎢ ⎥
⎢ ⎥
⎢ ⎥
⎢1.0 1.0 ⎥⎦
⎣
y se hace # * * * COL [ 2 ], y luego se hace la resta con la columna que produce los valores
Yk ).
⎧y ′′ = f ( t , y , y ′ )
⎨
⎩y ( a ) = α , y ( b ) = β
y (t + h )− y (t ) h
1) y′ ( t ) = − y ′′ ( ξ ) , ξ entre t y t + h
h 2
y (t ) − y (t −h) h
2) y′ ( t ) = − y ′′ (τ ) , τ entre t y t − h
h 2
y ( t + h ) − y ( t − h ) h2
3) y′ ( t ) = − y ′′′ ( ξ ) , ξ entre t − h y t + h
2h 6
y (t + h )− 2 y (t )+ y (t − h ) h 2 (iv )
4) y ′′ ( t ) = − y ( τ ) , τ entre t − h y t + h
h2 12
Veamos como se obtienen las expresiones 3) y 4) (las demás se dejan como ejercicio).
h2 h3
5) y ( t + h ) = y ( t ) + h y′ ( t ) + y ′′ ( t ) + y ′′′ ( ξ 1 ), ξ 1 entre t y t + h
2! 3!
14243
residuo o error
h2 h3
6) y ( t − h ) = y ( t ) − h y′ ( t ) + y ′′ ( t ) − y ′′′ ( ξ 2 ), ξ 2 entre t − h y t
2! 3!
14243
residuo o error
332 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
h3
y ( t + h ) − y ( t − h ) = 2 h y′ ( t ) + [ y ′′′(ξ14)2+ y ′′′(ξ 2 ) ]
3 ! 144 444 3
2 y′′′(ξ )
(la igualdad y ′′′ ( ξ 1 ) + y ′′′ ( ξ 2 ) = 2 y ′′′ ( ξ ) se obtiene aplicando el Teorema del valor
intermedio, asumiendo continuidad de y ′′′ ( t ) , t ∈ [ a, b ] ).
y ( t + h ) − y ( t − h ) h2
y′ ( t ) = − y ′′′ ( ξ ) , ξ ∈[a , b ]
2h 6
Como y ′′′ ( t ) es continua en [ a , b ] , entonces existe M > 0 tal que y ′′′ ( t ) ≤ M para todo
t ∈ [ a , b ] , así que
y ( t + h )− y ( t − h ) M
y′ ( t ) − ≤ h2 para todo t ∈ [ a , b ]
2h 6
y (t + h )− y (t − h )
y′ ( t ) =
2h
+ O h2 ( )
h2 h3 h 4 ( iv )
7) y ( t + h ) = y ( t ) + h y′ ( t ) +
2!
y ′′ ( t ) +
3!
y ′′′ ( t ) +
4!
y ( )
τ 1 , τ1 entre t y t + h
h2 h3 h 4 ( iv )
8) y ( t − h ) = y ( t ) − h y′ ( t ) +
2!
y ′′ ( t ) −
3!
y ′′′ ( t ) +
4!
y ( )
τ 2 , τ 2 entre t − h y t
y ( t + h ) + y ( t − h ) = 2 y ( t ) + h 2 y ′′ ( t ) + [
h 4 (iv )
y ( τ 1 ) + y (iv ) ( τ 2 )
4 ! 1444424444 3
]
⎛⎜ iv ⎞⎟
2y ⎝ ⎠ ( τ )
y despejando y ′′ ( t ) , se obtiene
y (t + h )− 2 y (t )+ y (t − h ) h 2 ( iv )
y ′′ ( t ) = − y ( τ ) , τ ∈ [ a, b ]
h2 12
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. Y P.V.F. PARA E.D.O. 333
__________________________________________________________________________________
y (t + h )− 2 y (t )+ y (t −h )
y ′′ ( t ) = ( )
+ O h2
h2
y (t + h )− y (t −h ) y (t −h )− 2 y (t )+ y (t + h )
,
2h h2
⎧y ′′ = f ( t , y , y ′)
9) ⎨
⎩y ( a ) = α , y ( b ) = β
⎧ y0 =α
⎪
y i+1 − y i−1 ⎞
⎪ 1
10) ⎨ 2 [ y i−1 − 2 y i + y i+1 ]= f ⎛⎜⎜ t i , y i , 2h
⎟ ,
⎟
1≤ i ≤ N
⎪h ⎝ ⎠
⎪ y N+1 = β
⎩
⎧y ′′ = p ( t ) y ′ + q ( t ) y + r ( t )
⎨
⎩y ( a ) = α , y ( b ) = β
La discretización de este P.V.F., usando diferencias finitas de los tipos 3) y 4), es:
⎧ y0 = α
⎪
⎪ 1
⎨ 2 [ y i−1 − 2 y i + y i+1 ] = p i ⎡⎢ y i+12−hy i−1 ⎤⎥ + qi y i + ri , 1≤ i ≤ N
⎪ h ⎢⎣ ⎥⎦
⎪ y N+1 = β
⎩
donde p i = p ( t i ) , q i = q ( t i )y ri = r ( t i ) .
⎧ y0 = α
⎪
⎪ ⎛ h ⎞
( ⎛
) h ⎞
( * ) ⎨ ⎜ − 1 − p i ⎟ y i−1 + 2 + h 2 q i y i + ⎜ − 1 + p i ⎟ y i+1 = − h 2 r i , 1 ≤ i ≤ N
2 ⎠ 2 ⎠
⎪ ⎝ ⎝
⎪ y N+1 = β
⎩
h h
Introduciendo las notaciones a i−1 = −1 − p i , d i = 2 + h 2 q i , c i = 1 + p i , b i = − h 2 ri , el
2 2
sistema ( * ) toma la forma siguiente:
⎧ y0 = α
⎪
a y
⎨ i−1 i−1 + d y
i i + c i i+1 = b i , 1 ≤ i ≤ N
y
⎪ y N+1 = β
⎩
( i = 1 : a 0 y 0 + d1 y 1 + c 1 y 2 = b 1 o d1 y 1 + c 1 y 2 = b 1 − a 0 α , ya que y 0 = α ;
i = 2 : a1 y 1 + d 2 y 2 + c 2 y 3 = b 2 .
En general:
a i−1 y i−1 + d i y i + c i y i+1 = b i , 2 ≤ i ≤ N −1
⎡ d1 c 1 0 0 L 0 ⎤ ⎡ y 1 ⎤ ⎡b1 − a 0 α ⎤
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢a 1 d 2 c 2 0 0 ⎥ ⎢ y2 ⎥ ⎢ b2 ⎥
⎢ 0 a 2 d3 c 3 0 ⎥ ⎢ y 3 ⎥ ⎢ b3 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ O ⎥⎢ ⎥=⎢ ⎥
⎢M O O M ⎥⎢ M ⎥ ⎢ ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢0 ⎥ ⎢
a N−2 dN−1 c N−1 y N−1 ⎥ ⎢ b N−1 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢⎣ 0 L 0 a N−1 dN ⎥⎦ ⎢⎣ y N ⎥⎦ ⎢⎣b N − c Nβ⎥⎦
144444444 42444444444 3 123 14243
A Y b
El sistema final es un sistema tridiagonal para el cual hay algorítmos especiales para
resolverlo, como por ejemplo, a través de la factorización L U de la matriz de coeficientes A,
porque este sistema, para h pequeño, casi siempre resulta con matriz de coeficientes
estrictamente dominante diagonalmente por filas.
⎧y ′′ = p ( t ) y ′ + q ( t ) y + r ( t )
⎨
⎩y ( a ) = α , y ( b ) = β
⎧y ′′ = 2 y ′ + y + t
⎨
⎩y ( 0 ) = 1 , y ( 1 ) = 2
f (t , y , z ), fy ( t , y , z ) = 1 , fz ( t , y , z ) = 2
son continuas en
1
Solución: Empezamos discretizando el intervalo [ a , b ] = [ 0 , 1 ] . Como h = , entonces
4
1 1 3
a = 0 = t0, t1 = 0 + h =
, t2 = 0 + 2 h = , t3 = 3 h = y t4 = 1
4 2 4
⎛ 1⎞ ⎛ 1⎞ ⎛ 3 ⎞
Debemos aproximar y ⎜ ⎟ , y ⎜ ⎟ , y ⎜ ⎟ ya que y ( 0 ) = 1 y y ( 1 ) = 2 .
⎝ 4 ⎠ ⎝ 2⎠ ⎝ 4 ⎠
⎧ y0 = y ( 0 ) = 1
⎪
⎪ y i−1 − 2 y i + y i+1 y − y i−1
⎨ = 2 i+1 + yi + ti , 1≤ i ≤ 3
2 2h
⎪ h
⎪⎩ y4 = y (1) = 2
1
Como h = , entonces el sistema toma la forma:
4
⎧
⎪
⎪ y0 = 1
⎪ y −2 y +y y − y i−1
⎪ i−1 i+1
⎨
i
= i+1 + yi + ti , 1≤ i ≤ 3
⎪ ⎛ 1⎞
2 1
⎪ ⎜ ⎟ 4
⎪ ⎝ 4 ⎠
⎪⎩ y4 = 2
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. Y P.V.F. PARA E.D.O. 337
__________________________________________________________________________________
es decir:
⎧ y0 = 1
⎪
⎨ 16 ( y i−1 − 2 y i + y i+1 ) = 4 ( y i+1 − y i−1 ) + y i + t i , 1 ≤ i ≤ 3
⎪ y4 = 2
⎩
⎧ y0 = 1
⎪
⎨ 20 y i−1 − 33 y i + 12 y i+1 = t i , 1≤ i ≤ 3
⎪ y4 = 2
⎩
1 79
i = 1: 20 y 0 − 33 y 1 + 12 y 2 = t 1 ⇔ − 33 y 1 + 12 y 2 = − 20 ( 1 ) = −
4 4
79
es decir, 33 y 1 − 12 y 2 =
4
1
i = 2: 20 y 1 − 33 y 2 + 12 y 3 = t 2 ⇔ − 20 y 1 + 33 y 2 − 12 y 3 = −
2
1
es decir, − 20 y 1 + 33 y 2 − 12 y 3 = −
2
3 93
i=3: 20 y 2 − 33 y 3 + 12 y 4 = t 3 ⇔ 20 y 2 − 33 y 3 = − 12 ( 2 ) = −
{ 4 4
2
es decir,
93
− 20 y 2 + 33 y 3 − =
4
⎛ 33 − 12 0 ⎞⎛ y1 ⎞ ⎛ 79 ⎞
⎜ ⎟⎜ ⎟ ⎜ 4⎟
⎜ − 20 33 − 12 ⎟ ⎜ y 2 ⎟ = ⎜− 1 ⎟
⎜ 0 ⎜ 2 ⎟
⎝1444 − 20 33 ⎟⎠ ⎜⎝ y 3 ⎟⎠ ⎜ 93 ⎟
24443 123 ⎝142443⎠
A es E.D.D por filas Y b
⎛ y 1 ⎞ ⎛⎜
26557
26796
⎞
⎟ ⎛ 0.9910807583 ⎞ ⎛⎜ y
1( ) ⎞⎟
4
⎜
⎜
⎟ ⎜
y2 ⎟ =
⎜
1315
1218
⎟ ≈ ⎜ 1.079638752
⎟ ⎜
⎟ ⎜
≈
⎟ ⎜ y 1( ) ⎟⎟
2
⎜
⎝ y 3 ⎟⎠ ⎜ 109237
⎝ 80388
⎟ ⎜⎝ 1.358871970
⎠
⎟ ⎜
⎠ ⎝ y 34( ) ⎟⎠
338 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
La ecuación de Laplace en dos variables es una ecuación diferencial parcial elíptica (Forma
( )
general: A φ x x + B φ x y + C φ y y = f x , y , φ , φ x , φ y , con A, B y C constantes, si
B 2 − 4 A C < 0 , la ecuación se dice elíptica; si B 2 − 4 A C = 0 , la ecuación se dice
parabólica; si B 2 − 4 A C > 0 , la ecuación se dice hiperbólica) donde no aparece la variable
t:
(1) U x x + U y y = 0 (o ∇ 2
U=0 o ∆U=0 )
siendo U una función en las variables x y y , es decir, U ( x , y ) .
Una función U ( x , y ) se dice armónica en una región T del plano x y , si U junto con sus
derivadas parciales de orden menor o igual que 2 son continuas en T y U ( x , y ) satisface la
ecuación de Laplace.
⎧ Ux x + Uy y = 0 ∀ ( x , y ) ∈ Ω , Ω conjunto abierto de R 2
⎪⎪
(2) ⎨ U ( x , y ) = g ( x , y ) ∀ ( x , y ) ∈ ∂ Ω
⎪ U ( x , y ) es continua sobre Ω = Ω ∪ ∂ Ω ( clausura de Ω )
⎪⎩
Para ilustrar el método numérico que vamos a estudiar para aproximar la solución U ( x , y )
del problema (2) , considérese el P.V.F. siguiente:
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. Y P.V.F. PARA E.D.O. 339
__________________________________________________________________________________
⎧ U x x + U y y = 0 en Ω
(3) ⎨
⎩ U ( x , y ) = g ( x , y ) en ∂ Ω
⎧( x , y ) / x = 0 y 0 ≤ y ≤ 1 , x = 1 y 0 ≤ y ≤ 1, ⎫
∂Ω =⎨ ⎬ = ∂ ( [ 0 ,1 ] x [ 0 ,1 ] )
⎩ y = 0 y 0 ≤ x ≤1, y = 1 y 0 ≤ x ≤1 ⎭
1 1
( x i , y i ) = ( i h, j k ) , con h= ,k =
N+1 M+1
( 1 ) Ux x + Uy y = 0
f ( x− h )− 2f ( x )+ f ( x + h )
f ′′ ( x ) =
h2
( )
+ O h2
1
2
[ U i −1 , j − 2 U i , j + U i+1 , j ] + 1
[ U i, j −1 − 2 U i, j + U i, j +1 ] = 0
h h2
1
2
[ U i −1 , j − 2 U i , j + U i+1 , j ] + 1
2
[ U i, j −1 − 2 U i, j + U i, j +1 ] = 0 , h=
1
N+1
, k=
1
M+1
)
h k
− U i − 1 , j + 4 U i, j − U i + 1 , j − U i , j − 1 − U i, j + 1 = 0 , 1 ≤ i , j ≤ 3
(En el caso general ( 1≤ i ≤ N , 1 ≤ j ≤ M )
Para ordenar las ecuaciones correspondientes ( 9 ecuaciones: una para cada punto interior
de la malla ), usaremos el siguiente orden llamado natural:
[
U = U 1, 1 , U 2,1 , U 3 , 1 , U 1, 2 , U 2, 2 , U 3 , 2 , U 1, 3 , U 2, 3 , U 3 , 3 ]
(ver la discretización del rectángulo [ 0 ,1 ] × [ 0 , 1 ] , hecha en página anterior)
En cada una de las ecuaciones, los valores conocidos se colocarán al lado derecho de la
ecuación. Los resultados son como sigue:
Punto (1, 1): −U0 ,1 + 4 U1,1 − U2, − U1, 0 − U1, 2 = 0 , la cual escrita en el orden natural es
4 U1, 1 − U 2, 1 − U1, 2 = U1, 0 + U0 , 1 (1ª )
− U1, 1 + 4 U 2, 1 − U3 , 1 − U 2, 2 = U 2, 0 (2ª)
− U2, 1 + 4 U3 , 1 − U3 , 2 = U3 , 0 + U 4 , 1 ( 3ª )
⎡ 4 −1 0 −1 0 0 0 0 0⎤
⎢ ⎥
⎢ −1 4 −1 0 −1 0 0 0 0⎥
⎢ 0 −1 4 0 0 −1 0 0 0⎥
⎢ ⎥
⎢ −1 0 0 4 −1 0 −1 0 0⎥ ⎡ Τ −Ι O⎤
⎢ 0 −1 0 −1 4 −1 0 −1 0⎥ ≡ ⎢ − Ι Τ −Ι ⎥
⎥
⎢ ⎥ ⎢
⎢ 0 0 − 1 0 − 1 4 0 0 − 1⎥ ⎢⎣ O − Ι Τ ⎥⎦
⎢ 0 0 0 −1 0 0 4 −1 0 ⎥
⎢ ⎥
⎢ 0 0 0 0 − 1 0 − 1 4 − 1⎥
⎢ ⎥
⎣ 0 0 0 0 0 − 1 0 − 1 4⎦
El sistema tridiagonal por bloques resultante, se resuelve usando un método iterativo, por
ejemplo Gauss-Seidel (observe que el sistema no es E.D.D. por filas). Para el ejemplo,
( ( )
solamente hay 33 elementos no nulos de un total de 81 4 3 + 3 7 = 33 . En general, ( ) )
hay a lo más 5 N2 elementos no nulos de un total de N 2 × N 2 . Observe el tamaño de los
sistemas que resultan cuando N aumenta, por ejemplo, N = 10 ).
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. Y P.V.F. PARA E.D.O. 343
__________________________________________________________________________________
⎧U x x + U y y = f ( x , y ) en Ω
( 4 ) ⎪⎨
⎪⎩U ( x , y ) = g ( x , y ) en ∂ Ω
Se puede resolver este problema (4), transformándolo en dos problemas más simples, como
sigue:
⎧U x x + U y y = 0 en Ω ⎧U x x + U y y = f ( x , y ) en Ω
( a ) ⎪⎨ y ( b ) ⎪⎨
⎪⎩U ( x , y ) = g ( x , y ) en ∂ Ω ⎪⎩U ( x , y ) = 0 en ∂ Ω
⎛ 1 1⎞ ⎛ 1 1⎞ ⎛3 1⎞
Las coordenadas de los puntos interiores son: p1 = ⎜ , ⎟ , p 2 = ⎜ , ⎟ , p 3 = ⎜ , ⎟ ,
⎝4 4⎠ ⎝ 2 4 ⎠ ⎝4 4⎠
⎛ 1 1⎞ ⎛ 1 1⎞ ⎛ 3 1⎞ ⎛1 3⎞ ⎛1 3⎞ ⎛3 3⎞
p 4 = ⎜ , ⎟ , p5 = ⎜ , ⎟ , p6 = ⎜ , ⎟ , p7 = ⎜ , ⎟ , p8 = ⎜ , ⎟ y p9 = ⎜ , ⎟ .
⎝4 2⎠ ⎝2 2⎠ ⎝4 2⎠ ⎝4 4⎠ ⎝2 4⎠ ⎝4 4⎠
1
2
[ U i −1, j − 2 U i, j + U i +1, j ] + 1
[ U i, j −1 − 2 U i, j + U i, j +1 ] = y j , 1 ≤ i, j ≤ 3
h h2
1 1 1
y como h = , entonces = 16 , con lo cual, al multiplicar por − h 2 = − , se obtiene la
4 2 16
h
siguiente fórmula de diferencias de cinco puntos:
1
− U i −1, j + 4 U i, j − U i + 1, j − U i, j −1 − U i, j + 1 = − yj , 1 ≤ i, j ≤ 3
16
1 ⎛ 1⎞ 1 1 1
4 U1, 1 − U 2 , 1 − U1, 2 = − ⎜ ⎟− + = − (1ª ecuación )
16 ⎝ 4 ⎠ 4 4 64
1
i = 2, j = 1 p 2 ( 2 ,1 ) : − U1, 1 + 4 U 2 , 1 − U 3 , 1 − U 2 , 0 − U 2 , 2 = − y1 ,
16
⎛ 1 ⎞ 1 1 1
pero U 2 , 0 = U ⎜ , 0 ⎟ = − 0 = , y1 = . Luego la ecuación resultante es:
⎝ 2 ⎠ 2 2 4
1 1 31
− U1, 1 + 4 U 2 , 1 − U 3 , 1 − U 2 , 2 = − = (2ª ecuación )
2 64 64
1
i = 3, j = 1 p 3 ( 3 ,1 ) : −U 2 , 1 + 4 U 3 , 1 − U 4 , 1 − U 3 , 0 − U 3 , 2 = − y1 ,
16
⎛ 1⎞ 1 3 ⎛3 ⎞ 3 3 1
pero U 4 , 1 = U ⎜ 1 , ⎟ = 1− = , U3, 0 = U ⎜ , 0 ⎟ = − 0 = , y1 = . Luego la
⎝ 4 ⎠ 4 4 ⎝ 4 ⎠ 4 4 4
ecuación resultante es:
3 3 1 95
− U 2 , 1 + 4U 3 , 1 − U 3 , 2 = + − = (3ª ecuación )
4 4 64 64
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. Y P.V.F. PARA E.D.O. 345
__________________________________________________________________________________
1
i = 1, j = 2 p 4 ( 1, 2 ) : − U 0 , 2 + 4 U1, 2 − U 2 , 2 − U1, 1 − U1, 3 = − y2 ,
16
⎛ 1⎞ 1 1 1
pero U 0 , 2 = U ⎜ 0 , ⎟ = 0 − = − , y2 = . Luego la ecuación resultante es:
⎝ 2 ⎠ 2 2 2
1 1 17
− U1, 1 + 4 U1, 2 − U 2 , 2 − U1, 3 = − − =− (4ª ecuación )
32 2 32
1
i = 2, j = 2 p 5 ( 2 , 2 ) : − U1, 2 + 4 U 2 , 2 − U 3 , 2 − U 2 , 1 − U 2 , 3 = − y2 . Luego la
16
ecuación resultante es:
1
− U 2 , 1 − U1, 2 + 4 U 2 , 2 − U 3 , 2 − U 2 , 3 = − (5ª ecuación )
32
1
i = 3, j = 2 p 6 ( 3 , 2 ) : − U2, 2 + 4 U3, 2 − U 4, 2 − U3, 1 − U3, 3 = − y2 ,
16
⎛ 1⎞ 1 1
pero U 4 , 2 = U ⎜ 1 , ⎟ = 1 − = . Luego la ecuación resultante es:
⎝ 2 ⎠ 2 2
1 1 15
− U3 , 1 − U 2, 2 + 4 U3 , 2 − U3 , 3 = − + = (6ª ecuación)
32 2 32
1
i = 1, j = 3 p 7 ( 1, 3 ) : − U 0 , 3 + 4 U1, 3 − U 2 , 3 − U1, 2 − U1, 4 = −
y3 ,
16
⎛ 3 ⎞ 3 3 ⎛ 1 ⎞ 1 3 3
pero U 0 , 3 = U ⎜ 0 , ⎟ = 0 − = − , U1,4 = U ⎜ ,1⎟ = − 1 = − , y 3 = . Luego la
⎝ 4 ⎠ 4 4 ⎝ 4 ⎠ 4 4 4
ecuación resultante es:
1 ⎛ 3 ⎞ 3 3 99
− U1, 2 + 4 U1, 3 − U 2 , 3 = − ⎜ ⎟ − − =− (7ª ecuación)
16 ⎝ 4 ⎠ 4 4 64
1
i = 2, j = 3 p 8 ( 2 , 3 ) : − U1, 3 + 4 U 2 , 3 − U 3 , 3 − U 2 , 2 − U 2 , 4 = − y3 ,
16
⎛ 1 ⎞ 1 1
pero U 2 , 4 = U ⎜ ,1 ⎟ = − 1 = − . Luego la ecuación resultante es:
⎝ 2 ⎠ 2 2
1 ⎛3 ⎞ 1 35
− U 2 , 2 − U1, 3 + 4 U 2 , 3 − U 3 , 3 = − ⎜ ⎟− = − (8ª ecuación )
16 ⎝ 4 ⎠ 2 64
1 ⎛ 3 ⎞
i = 3, j = 3 p 9 ( 3 , 3 ) : − U 2, 3 + 4 U3 , 3 − U 4 , 3 − U3 , 2 − U3 , 4 = − ⎜ ⎟ ,
16 ⎝ 4 ⎠
346 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
⎛ 3 ⎞ 3 1 ⎛ 3 ⎞ 3 1
pero U 4 , 3 = U ⎜ 1 , ⎟ = 1 − = , U 3 , 4 = U ⎜ ,1 ⎟ = − 1 = − . Luego la ecuación
⎝ 4 ⎠ 4 4 ⎝ 4 ⎠ 4 4
resultante es:
1 ⎛ 3 ⎞ 1 1 3
− U3 , 2 − U 2, 3 + 4 U3 , 3 = − ⎜ ⎟+ − = − (9ª ecuación )
16 ⎝ 4 ⎠ 4 4 64
⎡ 4 −1 0 −1 0 0 0 0 0⎤ ⎡ U1, 1 ⎤ ⎡ − 1 64 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ − 1 4 − 1 0 − 1 0 0 0 0 ⎥ ⎢ U 2, 1 ⎥ ⎢ 31 64 ⎥
⎢ 0 −1 4 0 0 −1 0 0 0⎥ ⎢ U3 , 1 ⎥ ⎢ 95 64 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ −1 0 0 4 −1 0 −1 0 0⎥ ⎢ U1, 2 ⎥ ⎢ − 17 32 ⎥
⎢ 0 −1 0 −1 4 −1 0 −1 0 ⎥ ⎢U ⎥ = ⎢ − 1 32 ⎥
⎢ ⎥ ⎢ 2, 2 ⎥ ⎢ ⎥
⎢ 0 0 −1 0 −1 4 0 0 − 1⎥ ⎢ U3, 2 ⎥ ⎢ 15 32 ⎥
⎢ 0 ⎢U ⎥ ⎢ − 99 64 ⎥
0 0 −1 0 0 4 −1 0 ⎥ ⎢ 1, 3 ⎥
⎢ ⎥ ⎢ ⎥
⎢ 0 0 0 0 − 1 0 − 1 4 − 1⎥ ⎢ U 2, 3 ⎥ ⎢ − 35 64 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ 0 0 0 0 0 −1 0 −1 4 ⎦ ⎢⎣ U 3 , 3 ⎥⎦ ⎣ − 3 64 ⎦
TALLER Nº 1
Problema 1. Suponga que se desea calcular ln 2 a partir de las serie de Maclaurin para la función
f ( x ) = ln (x + 1) . Determine el menor número de términos que deben tomarse en dicha serie para
obtener una aproximación de ln 2 con un error menor que 10 . Haga lo mismo para ln (1.5) y ln (1.1) ,
−8
k =0 k! k =1 k! k =1 k!
2 3
x n +1 n
− ... + (− 1) + f (n +1) (ξ )
x x n −1 x
= x− +
1424 ! 434 !4244444 n3! 1442(4 + 13
n4 )!
pn ( x ) Rn ( x ;0 )
Pero f
( n + 1)
(ξ ) = (− 1)n n!
, así que
(ξ + 1)n +1
x n +1 x n +1
R n (x ;0 ) = (− 1) = (− 1)
n n! n 1
(ξ + 1)n +1 (n + 1)! (ξ + 1)n +1 n + 1
con ξ algún número entre 0 y x.
CASOS PARTICULARES:
a) Si x = 1 , entonces ln 2 = ln(1 + 1) =
∞
(− 1)k −1 = 1 − 1 + 1 − .... + (− 1)n −1 + (− 1)n 1 1
∑ k 2 44
342444
n4 (ξ4+21)44n4+31
n +1
k =1 14 3 144
p n (1) Rn (1; 0)
R n (1; 0) = (− 1)n
1 1
< 10−8
(ξ + 1) n+1 n +
1
siendo ξ algún número entre 0 y 1.
1
Ahora sí resolvemos para n, la desigualdad < 10 −8 . La solución de esta desigualdad es
n +1
n > 10 − 1 . Así que el menor número de términos que hay que sumar para aproximar ln 2 con la
8
precisión pedida es, de acuerdo con esta teoría, N = 10 . No intente calcular esta suma!
8
b) El caso ln (1.5) se deja como ejercicio. Veamos el caso de aproximar ln (1.1) . En este caso
x = 0.1 , y se tiene que:
k
1
k −1 (0.1)
∞ k ∞ ∞
k − 1 10
ln(1.1) = ln(0.11) = ∑ (− 1) = ∑ (− 1) ∑ (− 1) = pn (0.1) + Rn (0.1;0)
k −1 1
=
k =1 k k =1 k k =1 k10 k
n +1
1
R n (0.1;0) = (− 1)n 10 = (− 1)n
1 1 1
Esta vez , con ξ algún
(ξ + 1) n +1
n +1 (ξ + 1) ` n +1
(n + 1)10 n +1
número entre 0 y 0.1 .
−8 1
Como queremos que el error sea menor que 10 , basta encontrar n tal que < 10 −8 , ya
( 1)10
n + n +1
que
(ξ + 1) n +1
(n + 1)10 n +1
(n + 1)10 n +1
Puesto que
(− 1)k −1
7
∑ (− 1)k −1
1
La instrucción en DERIVE para calcular la suma es SUM , k ,1, 7 , la
k10 k k10 k
k =1
cual aproXima en 0.09531018095 , trabajando con precisión 10 dígitos (Options-Precision: 10).
Observe que ln(1.1) − 0.09531018095 = 1.14... × 10 −9 < 5 × 10 −9 < 10 −8 , como era de esperarse.
Observe la instrucción en DERIVE: TAYLOR (ln(x + 1), x , a , n ) : Simplify para distintos valores de a
y de n.
x n = 2 (x n −1 + x n − 2 ) , n = 2 ,3,...
(1 − 3 ) n
(
= 2 1 − 3 )
n −1
(
+ 1− 3 ) n −2
, n = 2 ,3,...
( ) [(1 − 3) + 1], n = 2,3,...
= 2 1− 3
n− 2
= 2 (1 − 3 ) [2 − 3 ],
n− 2
n = 2 ,3,...
(1 − 3) n
= 2 1− 3( ) [2 − 3] , n = 2,3,...
n −2
(
= 1− 3 ) (4 − 2 3 ) , n = 2 ,3,...
n −2
= (1 − 3 ) (1 − 3 ) , n = 2 ,3,... (V )
n −2 2
(
Como x0 = 1 − ) 0
( )
1
3 = 1 y x1 = 1 − 3 = 1 − 3 , entonces la sucesión 1 − 3 {( )}
n
satisface las
{( ) },
n
n
condiciones iniciales dadas. Concluimos que la sucesión 1 − 3 n n = 0 ,1,... es la solución de
Solución: Para los cálculos numéricos usamos las siguientes instrucciones en DERIVE:
( n
)
VECTOR n , 1 − 3 , n , 0 , 20 : aproXima los primeros 21 términos de la sucesión
{(1 − 3) } n
n.
n (1 − 3) n
(1 − 3) − 0.00195355
20
−7 −7
= 1.15... × 10 < 5 × 10 , lo que asegura que 0.00195355
(1 − 3)
Como 20
xn xn+1
∗
Note que x 20 = −5.27653 aproxima con ninguna cifra significativa al valor exacto 1 − ( 3 )
20
= x 20 .
Observe el comportamiento de los términos x n que aparecen en esta última tabla.
Empiece con J 0 (1) = 0.7651976866 y J1 (1) = 0.4400505857 y use la fórmula de recurrencia anterior
para calcular J n (1) , n = 2 ,3,... . Se puede creer en los resultados obtenidos?
Nota: Se sabe que las funciones de Bessel J n pueden definirse mediante la fórmula
1π
J n (x ) = cos (xsenθ − nθ ) dθ
π ∫0
Solución: Si hacemos uso del DERIVE para calcular los números J n (1) , n = 2 ,3,...,20 , a partir de la
fórmula de recurrencia dada, utilizamos la instrucción
la cual al aproXimarse en precisión de 10 dígitos, permite obtener los valores que aparecen en la
siguiente matriz, donde los números de la primera columna corresponden a los valores
J n (1) , n = 0 ,1,2 ,...,20 (la fórmula de recurrencia es J n (1) = 2(n − 1)J n−1 (1) − J n −2 (1) , n = 2,3,... ).
()
Como se observa en la matriz de resultados, J 20 1 = −3.416969267 × 10 . Podrá ser este resultado
12
Se sabe que
1π
J n (x ) = ∫ cos (xsenθ − nθ ) dθ
π0
así que
1π
J n (x ) = cos ( xsenθ − nθ ) dθ
π ∫0
1π
cos (xsenθ − nθ ) dθ
π ∫0
≤
1π 1
≤ ∫ 1dθ = π = 1
π0 π
En particualr, J n (1) ≤ 1 para todo n, y por tanto los valores obtenidos para J n (1) y que aparecen en la
matriz siguiente (obtenidos a partir de la fórmula de recurrencia) no son correctos, por lo menos a partir
de n = 12 .
Si se está interesado en obtener valores apropiados de las funciones de Bessel, en DERIVE cargue el
archivo BESSEL.MTH (Transfer+Merge:BESSEL.MTH) y aproXime la expresión BESSEL _ J (20,1) , se
(muy lento para este cálculo). Compare este valor con el valor J 20 (1) que
− 25
obtiene 3.873503008 × 10
aparece en la matriz anterior.
TALLER 2a
Suponga que un objeto de masa m se deja caer desde una altura S 0 y que la altura del objeto, con
respecto al suelo, a los t segundos viene dada por
m2 g
kt
−
S (t ) = S 0 +
mg
t − 2 1 − e m
k k
y k = 0.1 lb × s
pies
donde S 0 = 300 pies , m = 0.25 Slugs , g = −32.17
s2 pie .
Obtenga, con una precisión dentro de 0.01 s , el tiempo que tarda ese objeto en llegar al suelo.
Solución: Como la altura del objeto a los t segundos está dada por
m2 g
kt
−
S (t ) = S 0 +
mg
t − 2 1 − e m , la solución del problema consiste en hallar el tiempo para el cual el
k k
objeto está en el piso, es decir, el valor de t para el cual S (t ) = 0 , con un error menor que 10 s . De
−2
acuerdo con los datos del problema se quiere encontrar el valor de t tal que
S (t ) = 300 +
(0.25 )(− 32.17 ) (0.25 ) (− 32.17 )
t−
2 −
0.1t
1 − e .25 = 0
0
0.1 (0.1)2
lo cual es equivalente a resolver la ecuación
2
3217 3217 3217 − 5 t
300 − t+ − e =0
40 16 16
2
8017 3217 3217 − 5 t
Sea entonces S (t ) = − t− e . Para resolver la ecuación S (t ) = 0 , empezamos
16 40 16
graficando la función y = S (t ) . La gráfica es como se muestra en la siguiente figura. De acuerdo con
esta gráfica, la raíz de interés es la positiva α ∈ [6,7 ] , ya que la raíz negativa no tiene significado físico
en nuestro problema.
Ahora hacemos una tabla de valores para la función y = S (t ) en el intervalo [6,7] con tamaño de paso
h = 0.1 , para identificar un intervalo de longitud 0.1 donde se encuentra la raíz α .
Como la función S es continua en el intervalo [6.0 ,6.1] y S (6.0 )S (6.1) < 0 , entonces α ∈ [6.0,6.1] .
Ahora podemos aplicar los métodos numéricos vistos para aproximar la raíz α ∈ [6.0,6.1] . Veamos:
−2
Hallemos el número de iteraciones necesarias, de acuerdo con la teoría, para que α − tn < 10 .
b − a 6.1 − 6.0 0.1 0.1
Como α − t n ≤
n
= n
= n
, basta resolver para n la desigualdad
n
< 10 − 2 , pero
2 2 2 2
0.1
n
< 10 − 2 ⇔ 2 n > 10 ⇔ n ≥ 4
2
−2
así que t 4 es tal que α − t4 < 10 .
a1 + b1 6.0 + 6.1
Para calcular t 4 , tenemos: a1 = 6.0 = a , b1 = 6.1 = b , entonces t1 = = = 6.05 .
2 2
Como S (6.05 ) = −3.38... y S (6.0 )S (6.05 ) < 0 , entonces la raíz buscada α se encuentra en el
intervalo [6.0 ,6.05] , y hacemos a 2 = a1 = 6.0 y b2 = t1 = 6.05 , con lo cual
a + b2 6.0 + 6.05
t2 = 2 = = 6.025 . Si utilizamos el DERIVE para calcular las 4 iteraciones,
2 2
simplemente aproximamos la instrucción BISECCION (S (t ),t ,6.0,6.1,4) , con lo cual obtenemos:
tn
−2
Luego α ≈ t4 = 6.00625 , y 6.00625 aproxima a la raíz α con un error absoluto menor que 10 s.
2 2
3217 − 5 t 8017 3217 − 5 t
S (t ) =
8017 3217 3217
− t− e =0⇔ t= − e
16 40 16 40 16 16
2
40085 5 − 5 t
⇔t= − e
6434 2
2
40085 5 − 5 t
Luego una función de iteración de punto fijo es g (t ) = − e . Veamos s i la función g
6434 2
satisface todas las hipótesis del teorema de punto fijo en el intervalo [6.0 ,6.1].
De acuerdo con la gráfica se observa que la función g es una función apropiada para la aplicación del
método de Punto Fijo. Veamos que efectivamente la función g satisface todas las hipótesis del teorema
[ ]
de punto fijo en el intervalo 6.0 ,6.1 :
[ ]
La función g es continua y creciente en el intervalo 6.0 ,6.1 , pues g es derivable en 6.0 ,6.1 y [ ]
2
− t
g ′(t ) = e 5 > 0 para todo t ∈ [6.0,6.1], y como g (6.0) = 6.003... y g (6.1) = 6.012... , entonces
g (t ) ∈ [6.0,6.1] para todo t ∈ [6.0,6.1]. Por lo tanto la función g tiene por lo menos un punto fijo en el
intervalo [6.0 ,6.1].
2
2 − t
Ahora, la función g ′ es decreciente en el intervalo [6.0 ,6.1], ya que g ′′(t ) = − e 5 < 0 para todo
5
t ∈ [6.0,6.1], y como g ′(6.0 ) = 0.09... y g ′(6.1) = 0.08... , entonces g ′(t ) ≤ 0.1 = K < 1 para todo
t ∈ [6.0,6.1]. En consecuencia, la función g tiene un único punto fijo α ∈ [6.0,6.1], la sucesión de
iteración de punto fijo {tn }n con
2
40085 5 − 5 t
tn = g (tn−1 ) =
n −1
− e , n = 1,2 ,...
6434 2
[ ]
converge a α , cualquiera sea t0 ∈ 6.0 ,6.1 , y se tiene además cotas para el error α − tn , como
−2
Para aproximar la raíz α con la precisión pedida, es decir , con un error α − tn < 10 , utilizando el
método de Punto Fijo, debemos encontrar el cuántas iteraciones se requieren para esto.
2
8017 3217 3217 − 5 t
− t− e =0
11644440
4244 16443
S (t )
[
y la raíz buscada α ∈ 6.0 ,6.1 . ]
2 2
− t 3217 − 5 t
Como S ′(t ) = , S ′′(t ) = − son continuas en el intervalo [6.0 ,6.1]. Por otro lado
3217
e 5 e
40 100
S ′′(t ) < 0 para todo t ∈ [6.0,6.1], así que S ′ es decreciente en [6.0 ,6.1], y ya que S ′[6.0] = −73.1... ,
S ′(6.1) = −73.4... , entonces S ′(t ) ≠ 0 para todo t ∈ [6.0,6.1]. Concluimos que se puede aplicar el
método de Newton-Raphson a la función S en el intervalo [6.0 ,6.1] para aproximar la raíz α (la es raíz
α es simple, observe la gráfica de la función S).
Se puede ver que el método de Newton-Raphson converge a la raíz α , cualquiera sea t0 ∈ 6.0 ,6.1 [ ]
(observando la gráfica de la función S, se ve que se mantiene la concavidad de la gráfica de S en el
intervalo [6.0 ,6.1]). Iterando con el método de Newton-Raphson aplicado a la función S con
aproximación inicial t0 = 6.1 (se escoge t0 = 6.1 teniendo en cuenta la concavidad de la gráfica de la
[ ]
función S en el intervalo 6.0 ,6.1 ) y calculando los valores S (tn ) , obtenemos (para los cálculos se usó el
DERIVE con precisión 20 dígitos):
tn S (t n )
−2
Cuál de las aproximaciones calculadas aproxima a la raíz α con un error α − tn menor que 10 ?
Para responder esta pregunta basta observar la concavidad de la gráfica de la función S cerca de la raíz
α , tener en cuenta que S (6.00372 ) = −4.68172 × 10 − 8 y que S ′(α) >> 1 .
Como S (t 2 ) = S (6.00372 ) = 4.6... × 10 −8 < 10 − 2 y 2 es el menor entero positivo tal que
S (t n ) < 10− 2 , entonces (de acuerdo con lo dicho antes) α − t2 < S (t2 ) < 10 −2 . Así que
TALLER Nº 2b
y = sen x
y = -ln x
De acuerdo con la gráfica es claro que la ecuación dada tiene una única raíz α y α ∈ [0,1]. La gráfica
de f ( x ) = sen x + ln x , es como se indica a continuación:
y = sen x + ln x
Solución: Haciendo una tabla de valores para la función f ( x ) = senx + ln x en el intervalo [0.1,1] con
tamaño de paso h = 0 .1 , se obtiene:
x f (x )
d) Aplique el método de Bisección en el intervalo [0. 5, 0. 6] , calcule 15 iteraciones y tome a x15 como
aproximación de α . ¿Cuál es la calidad de esta aproximación?
Solución: La instrucción en DERIVE para calcular las iteraciones en el método de Bisección es:
BISECCION (sinx + lnx , x ,0.5,0.6, 15) : approX .
e) Aplique el método de Punto Fijo para aproximar la raíz α con una precisión de por lo menos 5 cifras
decimales exactas.
y=x
α y = sen −1 ( − ln x )
g' (α ) > 1
−1
(En DERIVE sen x se entra como asinx )
y=x
y = e − senx
α
x>o
− senx
De acuerdo con la gráfica, se espera que la función g ( x) = e satisfaga todas las hipótesis del
[ ]
teorema de punto fijo en 0.5,0.6 . Veamos:
g es continua en [0.5,0.6].
[ ]
entonces no se satisface g (x )∈ 0.5,0.6 para todo x ∈ 0.5,0.6 . [ ]
[ ]
Qué hacer? Podemos cambiar el intervalo 0.5,0.6 a un nuevo intervalo, por ejemplo [0.5,0.7] . Es
[ ] [
claro que α ∈ 0.5,0.7 ⊇ 0.5,0.6 . Como ]
g (0.5) = 0.619138 ∈ [0.5,0.6]
g (0.7 ) = 0.525073 ∈ [0.5,0.7 ]
[ ] [ ]
entonces g (x ) ∈ 0.5,0.7 para todo x ∈ 0.5,0.7 ( ya se sabe que g es decreciente en 0.5,0.7 ). [ ]
Conclusión: g tiene por lo menos un punto fijo α ∈ 0.5,0.7 . [ ]
g ' ( x ) existe para todo x ∈ (0.5,0.7) .
g ′(0.5 ) = −0.543345
g ′(0.7 ) = −0.401598
[
Conclusión: g tiene un único punto fijo α ∈ 0.5,0.7 , la sucesión {x n }n con]
x n = g (x n−1 ) = e − sen( x n −1 )
, n = 1,2 ,...
[ ]
converge a α cualquiera sea x 0 ∈ 0.5,0.7 , y se tienen cotas para el error α − x n . En particular, se
tiene que:
α − xn ≤ K n Máx{x 0 − a , b − x0 } = (0.55)n Máx 01
4 −4
.62 03
.5, 01 −4
.72
4 .6 = (0.55)n 0.1, ∀n ≥ 1
03
0.1 0.1
Como queremos aproximar a α con una precisión de por lo menos 5 cifras decimales exactas, debemos
encontrar el menor entero positivo N tal que
(En DERIVE la desigualdad anterior se puede resolver con soLve y luego approX)
f) Aplique el método de Newton-Raphson (si es posible) para aproximar la raíz α , tomando como
criterio de aproximación f (x n ) < 5 × 10 −6 o x n - x n -1 < 5 × 10 −6 .
Solución: Como f (x ) = senx + lnx tiene sus dos primeras derivadas continuas en [0.5,0.6] y
f ' ( x ) ≠ 0 para todo x ∈ [0.5 ,0.6] ( f ' ( x ) = cos x + > 0 para todo x ∈ [0.5 ,0.6] , aún más,
1
x
f ' (0.5) = 2.87... y f ' (0.6 ) = 2.49... , así que f ' ( x ) > 2 para todo x ∈ [0.5 ,0.6], y entonces
f ' (α) > 2 ), entonces se puede aplicar el método de Newton-Raphson en el intervalo [0.5,0.6] para
aproximar la raíz α .
n xn f (xn ) x n − x n −1
0 0.5 − 0.213721
1 0.574271 − 0.0114310 0.074...
2 0.578700 − 3.50181 × 10 −5 0.0044...
3 0.578713 − 1.72985 × 10 −6 1.29... × 10 −5
4 0.578713 − 1.72985 × 10 −6 7.06... × 10 −7
Luego x 3 = 0.578713 ≈ α .
1 +4
x44 x 34−4
2.84 0.2
4 384 −4
x 24 6.34
x4−4.2 = 0
43
p ( x)
La apariencia de la gráfica (en la escala x = 1 , y = 1 ) parece indicar que la ecuación dada tiene una
raíz doble y dos raíces simples. Sin embargo, un cambio de escala en x a 0.1 y en y a 0.1 (en
←
DERIVE Scale: x : 0.1 y : 0.1 , o un Zoom con F9, both) nos muestra que no se trata de una raíz
→
doble, sino de dos raíces simples cercanas entre sí. También, haciendo una tabla de valores para el
polinomio p (xy)= p (xen
) el intervalo [− 2, −1] con tamaño de paso h = 0 .1 , obtenemos que
α1 ∈ [− 1.7 ,−1.6] , α2 ∈ [− 1.6 ,−1.5] , α3 ∈ [− 1.1, −1]. La tabla de valores obtenida es:
x p (x)
Por otro lado p es continua en [1.4,1.5] y p (1.4 ) p (1.5) < 0 , entonces existe α4 ∈ [1.4,1.5] tal que
p(α4 ) = 0 .
En conclusión se tiene que la ecuación polinómica dada tiene todas sus 4 raíces reales simples. Es
claro, que existen intervalos adecuados donde la función p satisface la hipótesis general del método de
Newton-Raphson para aproximar cada una de las raíces α1 , α2 , α3 y α4 .
Teniendo en cuenta los valores p' (α1 ) , p' (α2 ) , p' (α3 ) y p' (α4 ) , empezamos
aproximando α4 , con x 0 = 1.5 . Iterando con el método de Newton-Raphson hasta que se estabilicen
los 6 dígitos, obtenemos α4 ≈ 1.49969 = x 1 . La instrucción en DERIVE para estos cálculos es
NEWTON ( p(x ), x , 1.5, 5) : approX .
Graficando q 2 ( x) , observamos que la gráfica de este polinomio q 2 ( x) pasa por las raíces α1 y α2 de
p( x ) = 0 .
( p (− 1.67594 ) = −2.43475 × 10
−4
α1 ≈ −1.67594 y α2 ≈ −1.53561 y
p (− 1.53561) = −2.42548 × 10 −4 ).
TALLER 3a
Problema 1. Use el método directo que considere más apropiado para resolver el siguiente sistema
utilizando aritmética finita:
0.2641x1 + 0.1735 x 2 + 0.8642 x 3 = −0.7521
− 0.8641x1 − 0.4243 x2 + 0.0711x 3 = 0.2501
0.9411x + 0.0175 x + 0.1463x = 0.6310
1 2 3
intercambiar las filas 1 y 3. La instrucción en DERIVE para intercambiar tales filas es SWAP(AU,1,3).
Una vez simplificada esta expresión continuamos con la eliminación:
~
Qué se puede decir acerca de la precisión de esta solución aproximada X ?
~
X−X
Para intentar responder esta pregunta, utilizaremos las cotas para el error relativo , dadas en
X
la teoría:
~
R X−X R
≤ Cond ∞ (A )
∞ 1 ∞ ∞
≤
b ∞
Cond ∞ (A) X ∞ b ∞
Cond ∞ ( A) = A ∞
A−1 , y la instrucción en DERIVE para calcular este número de condición es
∞
COND_INF( A), siendo A la matriz de coeficientes del sistema dado. Para este caso,
COND _ INF ( A) = 6.756 ≈ 1 , así que la matriz A está bien condicionada (el sistema AX = b dado, está
bien condicionado).
~ ~
Calculemos el vector error residual correspondiente a la solución aproximada X , R = AX − b , y
recordemos que para evitar la pérdida de cifras significativas, trabajamos en doble precisión, o sea 8
~
dígitos (Options-Precision: 8). Antes de cambiar la precisión, entramos los vectores X y b como vectores
fila:
obtener (
R = 1.630 × 10− 4 , − 4.555 × 10− 4 , 5.385 × 10 − 5 , )
T
así que R ∞
= 4.555 × 10 −4 ,
b ∞
= 0.7521 , y entonces
~
4.555 × 10 −4
1 X−X 4.555 × 10 − 4
∞
5 × 10 − 5 < 8.964 × 10 − 5 = ≤ ≤ 6.756 = 0.004091 < 5 × 10 − 3
0.7521 6.756 X ∞
0.7521
X del sistema dado con por lo menos tres cifras significativas y no más de cuatro. La solución exacta del
sistema es X = (0.8147, − 2.356, − .6460) .
T
La instrucción en DERIVE para obtener la solución
exacta de un sistema AX = b con solución única es RESUELVA_1( A,b): Simplify.
4 x1 + x2 + 2x4 =2
x − 3x + x = −3
1 2 3
1x + x 2 + 4 x 3 + x4 =4
x 2 + x3 − 2 x 4 =0
Lo primero que observamos es que el sistema dado está ordenado en la forma más apropiada para
aplicar los métodos iterativos de Jacobi y Gauss-Seidel, ya que la matriz de coeficientes de este sistema
es lo más parecida a una matriz estrictamente dominante diagonalmente por filas.
4 1 0 2
1 − 3 1 0
A=
1 1 4 1
0 1 1 − 2
que no es estrictamente dominante diagonalmente por filas, porque
a 44 = 2 ≤ 1 + 1 = a41 + a 42 + a43 . Luego no se puede concluir todavía sobre la convergencia
del método de Jacobi. Debemos encontrar la matriz de iteración del método de Jacobi
BJ = D −1
(L + U ) :
Usando DERIVE, entramos la matriz de coeficientes
[[ ][ ] [ ] [ ]]
A := 4, 1, 0, 2 , 1, − 3,1, 0 , 1, 1, 4,1 , 0, 1,1, − 2 , y luego simplificamos la instrucción BJ( A) con lo
cual obtenemos la matriz de iteración
1 1
0 − 0 −
4 2
1 0
1
0
BJ = 3 3
1 1 1
− − 0 −
4 4 4
0 1 1
0
2 2
3) Debemos calcular el radio espectral de la matriz de iteración B J , ρ(B J ) . Esta vez, empezamos
encontrando el polinomio característico de la matriz BJ . En DERIVE, la instrucción
96 w 4 + 28w 2 + 4w − 3
CHARPOLY( B J ,w) simplifica en el polinomio característico de B J : .
96
Trabajando con p(w) = 96 w + 28 w + 4 w − 3 , encontramos que los valores propios de la matriz
4 2
w3, 4 ≈ 0.617763 (instrucción en DERIVE ABS(w3, 4 )) , entonces ρ(B J ) ≈ 0.617763 < 1 . Por
tanto el método de Jacobi converge converge a la única solución X del sistema dado, cualquiera sea
(0 )
la aproximación inicial X ∈ R . Iterando con el método de Jacobi, tomando aproximación inicial
4
(ya que X (13 ) − X (12) ≈ 0.00375458 < 5 × 10 −3 y k = 13 es el menor entero positivo que
∞
JACOBI A , [2 , − 3, 4 , 0] , [0 , 0 , 0, 0] , 15
14243 1 424 3 N : approX.
{
b X0
()
(13)
Cuál es la precisión de la solución aproximada X ?
X − X (13 )
∞
Para esto, analicemos las cotas para el error relativo :
X ∞
(13)
Luego X aproxima a la solución exacta X del sistema dado con una precisión de por lo menos sus
dos primeras cifras significativas y no más de cuatro.
Seidel:
1 1
0 − 0 −
4 2
0 − 1 1
−
1
6
BG − S = 12 3
1 1 1
0 − −
12 12 12
0 1 1
0 −
8 8
3
2) En DERIVE, la instrucción NORMA_INF( BG−S ) simplifica en BG−S ∞
= < 1 , así que el
4
método de Gauss-Seidel converge a la única solución X del sistema dado, cualquiera sea la
aproximación inicial X (0 ) y se tienen cotas para el error X − X (k ) (observe que
∞
` 7
NORMA_INF( BG − S ) simplifica en BG−S 1
= < 1 , así que también podemos concluir sobre la
8
convergencia del método de Gauss-Seidel a partir de esta norma matricial, pero ya que
BG − S ∞
< BG − S 1
, usaremos la norma . ∞
para los cálculos posteriores).
w 2 96 w 2 + 28w + 1
polinomio característico de BG−S es ).
96
Como ρ(BG−S ) =
1
< 1 , el método de Gauss-Seidel converge a la única solución X del sistema dado,
4
(0 )
cualquiera sea la aproximación inicial X .
X − X (k ) k k
∞ 3 3
= , bastará resolver para k la desigualdad < 5 × 10− 3 .
k
Como ≤ BG − S ∞
X ∞ 4 4
X − X (k )
La solución de esta desigualdad es, k >
(
ln 5 × 10 −3 )
= 18.4... , así que
∞
< 5 × 10− 3
3 X ∞
ln
4
(19 )
para todo k ≥ 19 . Calculando X , usando el método de Gauss-Seidel con aproximación inicial
X = (0, 0, 0, 0 ) , se obtiene X = (− 0.2, 1.12, 0.56, 0.84 ) ≈ X . En DERIVE, las iteraciones
( 0) T (19 ) T
[ ]
En DERIVE, la instrucción RESUELVA_1( A,b) con b := 2, −3, 4,0 simplifica en la solución exacta
T
1 28 14 21
X = − , , , del sistema dado.
5 25 25 25
Si observa las iteraciones en los dos métodos, puede ver el tipo de convergencia para el método de
Jacobi y compararla con la convergencia para el método de Gauss-Seidel.
¿Cuántas iteraciones serán necesarias, de acuerdo con la teoría, para que al aplicar el método de
= (0, 0, 0, 0 ) , se obtenga una aproximación de la
( 0) T
Gauss-Seidel con aproximación inicial X
solución exacta X del sistema dado con una precisión de por lo menos sus tres primeras cifras
decimales exactas?
TALLER Nº 3b
4 x1 + x 2 + 2 x4 =7
x + 3x − x
1 2 3 =3
− x 2 + 3x 3 + 2 x 4 =4
2 x1 + 2 x3 + 4 x4 =8
4 1 0 2
1 3 −1 0
A=
0 −1 3 2
2 0 2 4
la cual es simétrica (ya que A = A ), y además, al realizar E.G. sobre A, sin intercambio de filas, se
T
obtiene
4 1 0 2
11 1
0 −1 −
4 2
U = 29 20
0 0
11 11
28
0 0 0
29
así que A es una matriz definida positiva. Luego el método SOR converge a la única solución X del
sistema dado, cualquiera sea la aproximación inicial y cualquiera sea el valor de w con 0 < w < 2 . En
particular, el método de Gauss–Seidel converge. Como el método de Gauss–Seidel es convergente,
podemos intentar acelerar la convergencia mediante el método SOR, escogiendo valores de w con
1< w < 2 .
X (9 ) − X (8 ) = 0.00421927 < 5 × 10 −3
∞
Así que
X (9 ) = (1.0009 , 1.0019 , 1.00308 , 0.99823) ≈ X .
T
X ( 13 ) − X ( 12 ) = 0.00242674 < 5 × 10 −3
∞
Así que
X (13) = (1.00188, 1.00021, 1.00265 , 0.997921) ≈ X .
T
Podemos intentar estimar el valor óptimo de w (es decir, el que produce mayor rapidez de convergencia
en el método SOR), encontrando la parábola que interpola los puntos (w1 , N 1 ) , (w2 , N 2 ) , (w3 , N 3 ) ,
donde N k indica el menor numero de iteraciones en el método SOR, para el valor dado w k , que fueron
necesarias para que se satisficiera el criterio de aproximación dado, es decir, interpolamos los puntos
(1.0 ,11), (1.1, 9 ) y (1.5,13) .
[[ ][
En DERIVE, la instrucción POLY _ INTERPOLAT E ( 1.0 , 11 , 1.1, 9 , 1.5, 13 ][ ] ] , w) , simplifica en
el polinomio p (w ) = 60 w − 146 w + 97 .
2
Encontramos ahora el valor de w op para el cual la parábola p(w) alcanza el valor mínimo (si existe en el
X (8 ) − X (7 ) = 0.00192307 < 5 × 10 −3
∞
Así que
X (8 ) = (0.99878 , 0.999525, 0.998069 , 1.00135) ≈ X = (1,1,1, 1)
T T
Problema 2.. Utilicemos el método de Punto Fijo y el método de Newton-Raphson (si es posible) para
resolver el sistema no lineal
x2 − y 2 = 4 f f 1 (x , y ) = x 2 − y 2 − 4
−x F (X ) = 0 , con F = 1 ,
e + xy = 1
f2 f 2 (x , y ) = e − x + xy − 1
x2 − y 2 = 4
e − x + xy = 1
Observando las posiciones dominantes de las variables x y y , de acuerdo con la solución buscada,
obtenemos el siguiente sistema:
x2 − y2 = 4 ⇒ x = 4 + y2 , x ≥ 0
−x 1 − e −x
e + xy = 1 ⇒ y = ,x≠0
x
x = 4 + y2
( g (x , y ) =
1 4 + y2 )
1 − e −x 1 − e −x
y = g 2 ( x , y ) =
x x
{ }
g 1 (x , y ), g 2 (x , y ) son continuas en D = (x , y )∈ R 2 / x > 0 : Semiplano derecho (abierto)
∂g 1 ∂g 1 y ∂g 2 1 e
−x
e −x ∂g 2
=0 ; = ; =− 2 + 2 + ; =0
∂x ∂y 4 + y2 ∂x x x x ∂y
son continuas en D .
Podemos aplicar el método de Punto Fijo para aproximar la raíz α. Si tomamos, aproximación inicial
X (0)
= (2 , 0.4 ) y criterio de aproximación X (k )
−X (k −1) −4
< 5 × 10 , obtenemos:
∞
([ ( ) ]
FIXED _ POINT SQRT 4 + y 2 , (1 − EXP (− x )) / x , [x , y ] , [2 , 0.4 ] , 10 : approX )
2. MÉTODO DE NEWTON_RAPHSON: Primero que todo escriba el sistema dado en la forma:
f 1 (x , y ) = 0
f 2 (x , y ) = 0
En este caso, f 1 (x , y ) = x − y − 4 ; f 2 (x , y ) = e
−x
2 2
− xy − 1 .
∂f 1 ∂f 1 ∂f 2 ∂f 2
= 2x ; = −2 y ; = −e − x − y ; = −x
∂x ∂y ∂x ∂x
∂ 2 f1 ∂2 f1 ∂ 2 f1 ∂ 2 f1 ∂ 2 f 2 ∂2 f2 ∂2 f2 ∂2 f2
2 = 2 ; = −2 ; =0= ; =e ;
−x
=0; = −1 =
∂x ∂ y 2
∂ x∂ y ∂y ∂ x ∂ x 2
∂ y 2
∂ x ∂y ∂ y ∂ x
Tomando X
( 0)
= (2 , 0.4 ) y criterio de aproximación X (k ) − X (k −1) < 5 × 10 −4 , obtenemos:
∞
Así que X
( 3)
= (2.04481 , 0.425757 ) ≈ α .
NEWTONS ( [x 2
] )
− y 2 − 4 , e − x + xy − 1 , [x , y ] , [2 , 0.4] , 1 : approX
a) Haga una gráfica que ilustre cuantas raíces reales tiene la ecuación p (x ) = 0 .
figura siguiente:
y = p (x )
α1
α2 α3 De acuerdo con la gráfica, la ecuación
p (x ) = 0 tiene tres raíces reales y dos
complejas no-reales
b) Aplique el método de Bairstow y Deflación para aproximar todas las raíces de la ecuación p (x ) = 0 .
Use como criterio de aproximación u (k ) − u ( k −1) < 10 −3 y v (k ) − v (k −1) < 10 −3 , es decir,
(u ( ) , v ( ) ) − (u (
k k k −1)
, v ( k − 1) ) ∞
< 10 −3
(
X (4 ) = (3.19947 , − 0.725057 ) = u (4 ) , v (4 ) ≈ (u , v ) )
(
QUOTIENT p (x ), x 2 − 3.19947 x + 0.725057 : approX)
Al graficar este polinomio q (x ) , vemos que α1 es raíz de q (x ) = 0 . Si aplicamos nuevamente, el
método de Bairstow, pero al polinomio q (x ) con aproximación inicial u 0 = 1 , v 0 = 0 , obtenemos
X (4 ) − X (3)
∞
( )
= 3.33331 × 10 −5 < 10 −3 . Así que X (4 ) = (0.327441,−0.770279 ) = u (4 ) , v (4 ) ≈ (u , v )
Luego un nuevo factor cuadrático aproximado de q (x ) es: x − .327441x + 0.770279 . Las raíces de
2
3x + 2.5984 = 0 es α1 ≈ −0.866133 .
TALLER Nº 4
Problema 1. Use la forma de Newton del polinomio interpolante para encontrar los polinomios
interpolantes más apropiados de grado uno y dos para aproximar f 0.4 a partir de los datos de la ( )
siguiente tabla, y calcule la aproximación en cada caso. Si la función que se está aproximando es
ex
f (x ) = , analice la calidad de las aproximaciones y concluya, si es posible, cuál es la mejor
x
aproximación.
Solución: grado uno (interpolación lineal): Como 0.4 equidista de 0.3 y 0.5 , hay dos posibilidades
igualmente apropiadas:
p1 (x ) = f [0.3] + f [0.3, 0.5](x − 0.5) = 4.4995 − 6.0105(x − 0.3) ≈ f (x ) para x ∈ [0.3, 0.5]
( ) ( )
Así que f 0.4 ≈ p1 0.4 = 3.89845 (debe darse como respuesta f (0.4 ) ≈ 3.8985 debido a la
precisión de los datos en la tabla dada).
b) Con x0 = 0.3 , x1 = 0.5 y la forma regresiva: Utilizando DERIVE, intercambiamos las filas en la
matriz M anterior y aproximamos la instrucción DIFERENCIS_DIV(nueva matriz), con lo cual
[ ]
obtenemos 3.2974, − 6.0105 , así que el polinomio interpolante es ahora
p1 (x ) = f [0.5] + f [0.3, 0.5](x − 0.5) = 3.2974 − 6.0105(x − 0.5) ≈ f (x ) para x ∈ [0.3, 0.5]
Así que f (0.4 ) ≈ p1 (0.4 ) = 3.89845 (igual que en el caso anterior debe darse como respuesta
f (0.4 ) ≈ 3.8985 ). Observe que p1 (0.4 ) = p1 (0.4 ) , como era de esperarse.
a) Tomando los nodos 0.3 , 0.5 y 0.7 y la forma progresiva de Newton ( 0.4 está más cerca de 0.3
[[
que de 0.7 ). Trabajamos ahora con la matriz M := 0.3, 4.4995 , 0.5, 3.2974 , 0.7, 2.8768 . En][ ][ ]]
DERIVE la instrucción DIFERENCIAS_DIV(M) aproxima en el vector
4$ #" , −
.4995 $
! 6#.0105 ! " , 9$ !.76875
#! ".
f [0.3] f [0.3 , 0.5 ]
f [0.3, 0.5 , 0.7 ]
y entonces f (0.4 ) ≈ p 2 (0.4 ) = 3.8007625 (debe darse como respuesta f (0.4 ) ≈ 3.8008 ).
b) Tomando los nodos 0.1 , 0.3 , 0.5 y la forma regresiva de Newton ( 0.4 está más cerca de 0.5 que
[[
de 0.1 ). Trabajamos ahora con la matriz M := 0.5, 3.2974 , 0.3, 4.4995 0.1,11.052 . En ][ ][ ]]
DERIVE la instrucción DIFERENCIAS_DIV(M) aproxima en el vector
3$.2974
#" $ , − 6
!#! . 0105 " $#" .
, 66 . 88
f [0.5 ] f [0.3, 0.5 ] f [0.1, 0.3, 0.5 ]
En la siguiente tabla aparecen todas las diferencias divididas necesarias en los cálculos anteriores:
De acuerdo con los tres resultados obtenidos, y comparando los errores reales, es claro que la mejor
( )
aproximación la dá p 2 0.4 = 3.8007625 . Sin embargo, observe que al comparar p1 0.4 y p 2 0.4 , ( ) ( )
es mejor resultado p1 (0.4 ) (interpolación lineal), y al comparar p 2 (0.4 ) y es mejor p 2 (0.4 ) ,
aproximación p 2 (0.4 ) . Finalmente, al comparar p1 (0.4 ) = p1 (0.4 ) con p 2 (0.4 ) es mejor aproximación
p 2 (0.4 ) .
Cuál es su conclusión, respecto a la calidad de la aproximación al comparar una interpolación lineal con
una cuadrática?
ex
La gráfica de los polinomios y = p1 (x ) , y = p 2 (x ) , y = %p%%2 (x ) y la función f (x ) = junto con los
x
puntos dados es como se indica en la figura siguiente:
y = p 2 (x )
y = p1 (x )
y = p 2 (x )
x
e
y=
x
1 2 2
Como f ′′(x ) = e x − 2 + 3 es decreciente y positiva en el intervalo [0.3, 0.5] (Vea la siguiente
x x x
gráfica), entonces f ′′(x ) ≤ f ′′(0.3) ≈ 74.4922 < 75 para todo x ∈ [0.3,0.5].
y = f ′′(x )
Luego
E (x ) ≤
1
(x − 0.3)(x − 0.5) f ′′(0.3) , paratodo x ∈ [0.3, 0.5]
2
En particular,
1 3 6
f ′′′(x ) = e x − 2 + 3 − 4 es creciente y negativa en el intervalo [0.3, 0.7 ] (vea la figura
6
Como
x x x x
siguiente), entonces f ′′′(x ) ≤ f ′′′(0.3) ≈ 740.422 para todo x ∈ [0.3, 0.7 ]
y = f ′′′(x )
Luego
E (x ) ≤
1
(x − 0.3)(x − 0.5)(x − 07 ) f ′′′(0.3) para todo x ∈ [0.3, 0.7]
6
En particular
x −1 0 1 2
y = f (x ) 0 3 11 24
Solución: De acuerdo con la teoría, sabemos que dada una tabla de datos (xk , y k ), k = 0,1,..., n ,
existe un único Trazador cúbico natural T (x) que interpola dicha tabla. Para este caso, tal Trazador es
de la forma
a 0 + b0 (x − (− 1)) + c0 (x − (− 1)) + d 0 (x − (− 1)) , x ∈ [− 1,0]
2 3
x x 3 + 3x 2 + 5 x + 3 x 3 + 3x 2 + 5 x + 3 , x ∈ [− 1,0]
x 3 x 2 + 5 x + 3 , es decir, T (x ) = 3x 2 + 5 x + 3 , x ∈ [0,1] .
x − x 3 + 6 x 2 + 2 x + 4 − x 3 + 6 x 2 + 2 x + 4 , x ∈ [1,2]
Utilizando el DERIVE, se puede graficar el Trazador T (x ) con la instrucciones Plot (Overlay) Plot, de la
misma manera que se grafica una función f (x ) , y entrando los dominios correspondientes a cada
polinomio p k (x ), k = 0, 1, 2 , cuando pida los valores X min y X max .
La gráfica obtenida es
y = T (x )
Como ejercicio verifique que, efectivamente, T (x ) satisface todas las condiciones de un Trazador
cúbico natural en el intervalo [− 1, 2]
TALLER Nº 5
1
Problema 1. Use la regla de los Trapecios y Simpson con 10 subintervalos para aproximar la
3
cuarta parte de la longitud del arco de la elipse:
x2
+ y2 = 1
4
Solución: La elipse es como se indica en la siguiente figura:
1 2
y= 4− x
2
x2 x2 1 dy 1 (− 2 x ) x
Como + y 2 = 1 , entonces y = 1 − = 4 − x2 ; = =− y por tanto
4 4 2 dx 2 2 4 − x 2 2 4 − x2
la longitud del arco de la curva, usando coordenadas cartesianas, es
2
2
x 2
x2
2
1 16 − 3 x 2
L=∫ 1 + − dx = ∫ 1 + = ∫0 2 4 − x 2 dx
0 2 4− x
2
0
(
4 4 − x2 )
dx
16 − 3 x 2
Como lim− = +∞ (L es una integral impropia), no se pueden aplicar las reglas de los
x→2 4 − x2
1
Trapecios, ni la regla de Simpson para aproximar el valor de L ( f (2 ) = ? ); y ya que el único punto
3
1 16 − 3 x 2
de discontinuidad de la función f definida por f (x ) = para x ∈ [0,2] , está en x = 2
2 4 − x2
2 −ε
1 16 − 3 x 2
(pendiente infinita!), un intento de aproximar L es calculando ∫
0
2 4 − x2
dx con ε > 0 pequeño.
Haciendo los cálculos de esta integral para distintos valores de ε , aplicando las reglas de los Trapecios y
1
Simpson con N = 10 , se obtienen los resultados que aparecen en la siguiente tabla:
3
1
b = 2−ε Trapecios Simpson
3
1.9 2.10730 2.09374
1.99 2.57033 2.45433
1.999 3.66209 3.18809
1.9999 7.08111 5.46804
Estos resultados indican que no es una estrategia apropiada la que se intentó para aproximar la longitud
L (Por qué? Observe que f (b ) → +∞ cuando b → 2 − ).
2 2
x2 y2 x y
+ =1⇔ + =1
4 1 2 1
Una parametrización de la cuarta parte de la longitud de la elipse indicada en el dibujo es
x = 2 cos t π
, 0≤t ≤
y = sen t 2
π π π
2 2
2
dx dy 2 2
L = ∫ + dt = ∫ (− 2 sen t )2 + (cos t )2 dt = ∫ 4 sen 2 t + cos 2 t dt
0
dt dt 0 0
π π π
( )
2 2 2
3
= ∫ 4 1 − cos 2 t + cos 2 t dt = ∫ 4 − 3 cos 2 t dt = ∫2 1 − cos 2 t dt
4
0 0
$
0
!!!#!!! "
integral elíptica de segunda clase
π
f (t ) = 2 1 − cos 2 t , entonces f es continua en el intervalo finito 0, , así que se pueden aplicar
3
Si
4 2
1
las reglas de los Trapecios y Simpson para aproximar la longitud L.
3
b−a π
Si N = 10 , entonces el tamaño de paso es h= = , así que los puntos de la partición en el
N 20
π π 2π 3π 4π 5π 6π
intervalo 0, 2 son: x 0 = 0 , x1 = , x2 = , x3 = , x4 = , x5 = , x6 = ,
20 20 20 20 20 20
7π 8π 9π 10π π
x7 = , x8 = , x9 = y x10 = = .
20 20 20 20 2
Al aplicar la regla de los Trapecios, se obtiene:
h π π 2π 3π 4π 5π
L≈ f (0 ) + f + 2 f + f + f + f + f
2 2 20 20 20 20 20
6π 7π 8π 9π
f + f + f + f
20 20 20 20
π
= 2.42211 Trapecio f (t ), t ,0, ,10
2
1
Al aplicar la regla de Simpson , se obtiene:
3
h π π 3π 5π 7π 9π
L≈ f (0 ) + f + 4 f + f + f + f + f
3 2 20 20 20 20 20
2π 4π 6π 8π
+2 f + f + f + f
20 20 20 20
π
= 2.42211 Simpson f (t ), t ,0, ,10
2
f (t ) = 2 1 − cos 2 t , ejecutamos la
3
En DERIVE para producir la tabla de valores de la función
4
3 π π
instrucción VECTOR t , 2 1 − cos 2 t , t , 0 , , :approX.
4 2 20
(Con DERIVE: Calculus-Integrate:approX, aplicado a la integral en consideración, produce el valor
aproximado L ≈ 2.42211 )
I. Regla de los Trapecios: El error total al aplicar la regla de los Trapecios para aproximar el valor
de la longitud del arco L de la elipse es
h3 b−a π
ET = − Nf ′′(ξ ) = − h 2 f ′′(ξ ) con ξ ∈ 0,
12 12 2
es decir, el error al aproximar L mediante la regla de los Trapecios con N = 10 , es
π
π π π
2
ET = − 2 f ′′(ξ ) con ξ ∈ 0, ( h = )
20 12 2 20
3 cos 2 t 3 sen 2 t
f (t ) = 2 1 − cos 2 t , entonces f ′′(t ) =
3
Como − . La gráfica de la función
(3 sen )
3
4 2
t +1 2 3 sen 2 t + 1
y = f ′′(t ) es como se indica en la siguiente figura:
De acuerdo con la gráfica se tiene que Max f ′′(t ) = f ′′(0 ) = 3 , así que
π
t∈ 0 ,
2
π π
2
lo que garantiza, despreciando errores de redondeo, que el número 2.42211 aproxima al valor exacto de
L con una precisión de por lo menos una cifra decimal exacta.
1 1
II. Regla de Simpson : El error total al aplicar la regla de Simpson para aproximar el
3 3
valor de la longitud del arco L de la elipse es
π
ET = −
h5 N
f (iv )
(ξ ) = −h 4 b − a f (iv )
(ξ ) con ξ ∈ 0,
90 2 180 2
es decir,
π π π
4
E T = − f (iv ) (ξ ) con ξ ∈ 0,
20 360 2
y= f
(iv )
(t )
entonces Max f
π
(iv )
(t ) = f (iv )
(0) = 39 , así que
t∈ 0 ,
2
π π
4
ET ≤ 39 = 2.07... × 10 − 4 < 5 × 10 − 4
20 360
lo que garantiza, despreciando los errores de redondeo, que el número 2.42211 aproxima al valor
exacto de L con una precisión de por lo menos tres cifras decimales exactas (4, 2, 2).
1
Otros resultados obtenidos utilizando las reglas de los Trapecios y Simpson para distintos valores
3
de N son
1
N Trapecios Simpson
3
10 2.42211 2.42211
20 2.42211 2.42211
6 2.42211 2.42215
4 2.42210 2.42283
Problema 2. a) Utilice el método de los coeficientes indeterminados para generar una fórmula de
integración numérica del tipo
f (x )dx ≈ ∑ A j f (x j )
1 n
∫
0 j =1
que sea exacta para todos los polinomios de grado menor o igual que cuatro.
Solución: De acuerdo con ele método de los coeficientes indeterminados, la fórmula buscada es del tipo:
∫ f (x )dx ≈ $f (0!
) +!B!f!
(1 ! ) +!C! (1 ! ) +!D!f !
(3 ! ) +!E!f!
(1)
1
A! / 4! f# / 2! / 4!
0 ! "
Formula
donde A, B , C y D son coeficientes por determinar. Ahora bien, la fórmula buscada será exacta para
todos los polinomios de grado ≤ 4 si y solamente si es exacta para las funciones polinómicas básicas de
grado ≤ 4 : 1, x , x , x y x .
2 3 4
1
E T (1) = 0 ⇔ A ⋅ 1 + B ⋅ 1 + C ⋅ 1 + D ⋅1 + E ⋅ 1 = 1 = ∫ 1dx
↑
f (x )≡1 0
1
E T (x ) =
1 1 3 1
0 ⇔ A ⋅ 0 + B ⋅ + C ⋅ + D ⋅ + E ⋅1 = = ∫ xdx
↑ 4 2 4 2
f (x )= x 0
1 2
( )
ET x 2 =
↑
0 ⇔ A⋅ 0 + B ⋅
1
16
1 9
+ C ⋅ + D ⋅ + E ⋅1 =
4 16
1
3
= ∫ x dx
0
f (x )= x 2
1 3
( )
ET x 3 =
↑
0 ⇔ A⋅0 + B ⋅
1
64
1 27
+ C ⋅ + D ⋅ + E ⋅1 =
8 64
1
4
= ∫ x dx
0
f (x )= x 3
1 4
( )
ET x 4 =
↑
0 ⇔ A⋅0 + B ⋅
1
256
1
+C⋅ + D⋅
16
81
256
+ E ⋅1 =
1
5
= ∫ x dx
0
f (x )= x 4
1 1 1 15360
( )
5 5 5
1 1 3
1
∫0 x5
dx = = 7 (0 ) + 32 + 12 + 32 + 7 (1)5
= = FÓRMULA x 5
6 90 4 2 4 90 1024
La fórmula NO es exacta para todos los polinomios de grado 6, pues
( )
1
1 55
∫x dx = ≠ = FÓRMULA x 6
6
0
7 384
1
2 1
1 1
ln 2 = ∫ dx = ∫ dt ≈ FÓRMULA
1
x 0
t +1 t +1
1 1 1 1 1 1 4367
= 7 + 32 + 12 + 32 + 7 = = 0.693174603...
90 0 + 1 1 1 3 1 + 1 6300
+1 +1 +1
4 2 4
TALLER N°°6
Problema 1. Un proyectil de masa m = 0.11 kg se lanza verticalmente hacia arriba desde el suelo con
()
una velocidad inicial v 0 = 8 m seg y se va frenando debido a la fuerza de la gravedad y a la resistencia
del aire que suponemos proporcional al cuadrado de la velocidad en cada instante t ( g = 9.8 m ,
seg 2
constante de proporcionalidad k = 0.002 kg m )
a) Demuestre que la ecuación diferencial para la velocidad v (t ) del proyectil, en cada instante t , es:
Demostración: Sea x (t ) la posición del proyectil, respecto al nivel del suelo, en el instante t . Entonces
x (0) = 0 m .
x ′(t ) = v (t ) es la velocidad del proyectil en el
instante t, x ′(0) = v (0 ) = 8 m seg .
Las fuerzas que actúan sobre el proyectil son:
Fg = − mg (fuerza de gravedad, contraria a la
dirección del movimiento cuando el proyectil va
subiendo. Dirección positiva hacia arriba).
Fr = − k (v (t )) (Fuerza debida a la resistencia
2
v ′(t ) = − g − [v(t )] , 0 ≤ t ≤ t M !
k 2
m
Siendo t M el tiempo donde se alcanza la altura máxima.
FTOTAL = Fg + Fr = − mg + k [v(t )]
2
⇑
mv ′(t )
∴ v ′(t ) = − g +
k
[v(t )]2 , t M ≤ t ≤ T "
m
T tiempo que tarda el proyectil.
Las ecuaciones ! y " se pueden recoger en una sola ecuación, como sigue:
Mientras el proyectil está subiendo v(t ) ≥ 0 para todo t con 0 ≤ t ≤ t M , x(t ) es creciente, es decir,
x′(t ) = v(t ) ≥ 0 ; cuando el proyectil está bajando v(t ) ≤ 0 para todo t con t M ≤ t ≤ T , x(t ) es
decreciente, es decir, x ′(t ) = v (t ) ≤ 0 .
v (t ) v (t )
Para el caso ! = 1 , v(t ) > 0 ; para el caso " = −1 , v(t ) < 0 .
v (t ) v (t )
v ′(t ) = − g − v (t ) v (t )
k
m
correspondiente a la situación descrita en el enunciado del problema tiene solución única en el intervalo
[0, T . ]
Demostración: Para este problema de valor inicial tenemos que
f (t , v ) = − g − v (t ) v (t ) = −9.8 − v (t ) v (t ) = −9.8 − v (t ) v (t )
k 0.002 1
m 0.11 55
∂f (t , v ) 2 v (t )
=− ( Verifíquelo! ) que esta definida en D , y como
∂v 55
∂f (t , v ) 2v (t )
= L , para todo (t , v )∈ D
2 16
= − ≤ 8=
∂v 55 55 55
entonces el problema de valor inicial dado tiene solución única en el intervalo [0, T ].
c) Utilice el método de Runge-Kutta de orden 4 para estimar la velocidad del proyectil en cada uno de
los instantes 0.1, 0.2 , 0.3, 0.4 , 0.5, ..., 1.0 segundos, tomando como tamaño de paso h = 0.1 .
tK VK
(∗) V K ≈ v (t K ) , k = 0 , 1, 2 , ..., 10
Los resultados que aparecen en la tabla anterior se obtienen en DERIVE, aproximando la expresión
d) Estime el tiempo para el cual el proyectil alcanza la altura máxima y empieza a caer.
Solución: De acuerdo con los resultados de la tabla anterior, como v (0.7 ) ≈ 0.844542 > 0 y
v (0.8) ≈ −0.135820 < 0 , entonces en el intervalo de tiempo [0.7 , 0.8] el proyectil alcanza su altura
máxima, es decir , existe t M ∈ [0.7 , 0.8] tal que v (t M ) = 0 .
Para estimar el tiempo t M en el cual ocurre v (t ) = 0 , usamos por ejemplo, interpolación lineal inversa.
El polinomio de interpolación lineal para aproximar la velocidad en el intervalo [0.7 , 0.8] , se puede
obtener a partir de los puntos (0.7 , 0.844542 ) y (0.8, − 0.135820 ) . Tal polinomio es:
Solución: Bastaría estimar x (0.786145) . Como tenemos información de v (t ) = x ′(t ) , podemos usar
0.786145 0.786145
x (0.786145) − x (0) = ∫ x ′(t )dt = ∫ v(t )dt
0 0
tK V K ≈ v (t K )
• TRAPECIO _ DATA(M ) : approX : Usa la regla de los trapecios para integrar los puntos de la
matriz M ( por cada dos datos consecutivos [x k , y k ], [x k +1 , y k +1 ] hace pasar el correspondiente
polinomio de interpolación lineal ). En este caso se obtiene el valor 3.08651 , así que
x(0.76145) ≈ 3.08651 ≈ altura máxima alcanzada por el proyectil.
1
• SIMPSON _ DATA(M ) : approX : Usa la regla de Simpson para integrar los puntos de la
3
matriz M ( por cada tres puntos consecutivos [x k , y k ], [x k +1 , y k +1 ] , [x k + 2 , y k + 2 ] hace pasar el
correspondiente polinomio de interpolación de grado ≤ 2 ). En este caso se obtiene el valor
3.07710 ≈ altura máxima alcanzada por el proyectil.
• INT _ DATA(∗) : approX ; En este caso (∗) es la matriz de resultados obtenida al aplicar el
método de Runge_Kutta, y al aproximar esta instrucción obtenemos una tabla de valores que
() ()
permiten aproximar a una antiderivada x t de v t , teniendo el valor 0 en el punto t 0 , V 0 . Para ( )
tal aproximación usa la regla de los Trapecios. Si hacemos tales cálculos obtenemos los resultados
que aparecen en la tabla siguiente:
tk Xk
X k ≈ x (t k ) , k = 0, 1, ..., 10
Haciendo, por ejemplo, interpolación lineal usando los puntos [0.7, 3.05013] y [0.8, 3.08557] ,
obtenemos x t ( ) = 0.354399 t + 2.80205 . Así que x(0.786145) ≈ 3.08066 ≈ altura máxima alcanzada
por el proyectil.
5 11 11
tan −1 v = −t + c , c constante arbitraria.
7 77
8 11
v(0) = 8 , entonces c =
5 11
Como tan −1 . Luego la solución del P.V.I. correspondiente viene
7 77
definida implícitamente en la ecuación
5 11 11 5 11 8 11
tan −1 v = −t + tan −1 ,
7 77 7 77
5 11 8 11
t=c= tan −1 ≈ 0.786139 .
7 77
+ 0 + 8 9 5 9
iv. Listar los cuatro primeros números positivos que distingue la máquina.
v. Listar los cuatro últimos números positivos que distingue la máquina.
vi. ¿ Cuántos números distintos de cero distingue la máquina?
vii. En la forma (0,a) (intervalo de underflow) y (b,+∞ ) (intervalo de overflow), dar a y b .
viii. Responder las siguientes preguntas:
¿ En el conjunto de los números reales R hay un primer número positivo?
¿ R tiene un número finito de elementos?
¿En R cada número tiene un consecutivo?
¿En R cada número tiene expansión decimal finita?
e x − e− x
2. Se define senh x como senh x = . Se pide:
2
x −x
a) Dibujar e y e .
b) Dar una fórmula apropiada para senh x , que sea más conveniente desde el punto de vista
numérico, cuando x es pequeño. Discuta. Justifique.
∞
y su sucesión de sumas parciales {S n }n , n = 1,2 ,... asociada:
1
3. Considere la serie numérica ∑n
n =1
1 1 n 1
S n := 1 + + ... + = ∑
2 n k =1 k
∞
1
Sabemos que ∑n diverge a + ∞ . Si se calculan términos de S n en la máquina hipotética del
n =1
problema 1, se pide dar una cota para detener el proceso antes de que la máquina se detenga por
overflow.
G N (x ) := 1 + x + x 2 + ... + x N −1 + x N
y
1 − x N +1
Q N :=
1− x
1 1 1
5. La sucesión 1 ,, 2 ,..., n−1 , ... puede generarse mediante la fórmula de recurrencia:
6 6 6
37 1
xn = x n−1 − x n− 2 , n = 2,3,... con x0 = 1 y x1 =
6 6
1 37
Tomando ≡ 0.166 y ≡ 6.16 , analizar la estabilidad numérica de la fórmula para calcular la
6 6
sucesión. ¿Puede dar una explicación razonable del comportamiento de los cálculos ?
Calcule el error relativo en su respuesta, usando como valor exacto el que da DERIVE con 20 cifras
decimales en aritmética aproximada.
Dé una forma segura de calcular sus raíces, para el caso particular y el caso general. Recalcule.
−3
7. Representar los números 10 2 , 2 , 10 2 en una máquina que usa t = 5 dígitos de precisión
4
y redondea (round-off). Calcular los errores relativos y absolutos que comete en cada una de estas
representaciones. Analizar los resultados.
(
8. Calcular 1 + 10
−20
)
− 1 10 20 en calculadora, computador y manualmente, analizar sus resultados.
x − 0.1 ∗ x ∗ 10.0
25000 veces y acumule los resultados parciales de esta operación. Cambie el nivel de precisión de
la aritmética de la máquina y de las constantes que aparecen en la expresión. Analizar los
resultados (para varios valores de x).
Calcular cos 10 con cien pasos y x = 0.1 rad. Calcular el error relativo en cada paso. Analizar los
resultados. Tomar otros valores de x (0 < x ≤ 0.2 ) .
a) Qué cantidad de medicamento debe ser inyectada para alcanzar la concentración máxima segura
y cuándo ocurrirá este máximo?
b) Una dosis adicional de este fármaco le será administrada al paciente después de que la
concentración decaiga a 0.25mg / ml . Determine, con un error máximo de un minuto, cuándo
debe ser proporcionada la segunda inyección.
c) Suponiendo que la concentración de las inyecciones consecutivas es aditiva y que el 75% de la
dosis inyectada originalmente se administra en la segunda inyección, ¿cuándo se presenta el
momento para la tercera inyección?
2. Usar un procedimiento iterativo para calcular una aproximación de la menor raíz positiva de la
ecuación 2senπ x − x = 0 . Calcular tres iteraciones.
x
3. Considerar la ecuación tan x = , x ≠ −2 .
x+2
Usar el método de Bisección para estimar la menor raíz positiva de la ecuación, con los resultados
de la tercera iteración. Dar una cota para el error que se comete.
2 π 1
4. Aplicar el método de Newton-Raphson a la ecuación Sen x + x 2 − 1 = 0 , tomando x0 = .
2 2
Calcular dos iteraciones para establecer un valor aproximado de la raíz positiva.
6. El Principio de Arquímedes establece que el empuje a que está sometido un cuerpo sumergido en un
líquido es igual al peso del fluido desplazado.
Al plantear esta condición de equilibrio para una esfera de radio 1 cm y densidad γ = 0.75 gm/cm 3 ,
se consigue la ecuación h − 3h + 3 = 0 , donde h es la altura de la parte de la esfera que está
3 2
sumergida.
Se pide aplicar el método de Newton-Raphson-Horner para estimar un valor aproximado de h,
usando dos iteraciones. Tomar h0 = 1 (valor inicial).
7. Considerar la ecuación p
y
(1 − p )n − y
= a para 0 < p < 1 y n > y > 0 . Resolver esta ecuación
para los valores n = 100 , y = 35 y a = 0.147 .
8. Considerar la ecuación
ex − 3x = 0 (1)
10. Combinar los métodos de Bisección y Newton-Raphson para hallar una aproximación de la menor
raíz positiva de 2 x − 3 x − 4 = 0 .
3
1 a
x n+1 = x n + , n = 0,1,2 ,... , donde a > 0 .
2 xn
a) Pruebe que si la sucesión converge lo hace a a . (Nota: Para a > 0 y x0 > 0 , la sucesión
siempre converge a a ).
b) Calcular el orden de convergencia de la sucesión asumiendo que es convergente.
1 2
15. Demostrar que la función f (x ) = e − 1 − x − x tiene uno y sólo un cero, que es x = 0 , dar su
x
2
multiplicidad. Calcular f en valores cercanos a cero. Analizar estos resultados. Si la raíz α = 0 , de
la ecuación dada, fuera desconocida, cuál método numérico utilizaría para calcularla?
iii. La función g satisface las hipótesis del teorema de punto fijo en [ 1, 2 ] . Concluir. Calcular
tres iteraciones del método de Punto Fijo.
17. Considerar la ecuación e − 3 x = 0 . Estudiar la posibilidad de calcular la menor raíz positiva por el
x
e ó g 2 (x ) = ln 3 + ln x en [ 0, 1 ] .
1 x
método de Punto Fijo, con las funciones de iteración g1 (x ) =
3
Si es del caso, para g 2 estudiar el intervalo [ 0.4 , 0.8 ].
a) Mostrar que g (x ) =
1 3
x + 5 es una función de iteración posible para el problema (3), en el
2
intervalo cerrado [1,2] .
b) Para la función g, en el intervalo [1,2] , examinar cuáles hipótesis del teorema fundamental de
punto fijo satisface. Justificar sus afirmaciones. Sacar conclusiones.
c) Decidir si la sucesión x n+1 = g (x n ) , n = 0,1,2,... converge o no; si lo hace, a qué valor
converge? ¿Depende la convergencia de { xn }n del valor inicial x0 escogido en [1,2]?.
Justificar sus afirmaciones.
3
d) Tomar x0 = , y calcular x1 y x2 a partir de la fórmula en c).
2
a) Demostrar analíticamente que la ecuación dada tiene una única raíz real.
b) Comprobar que la función g ( x ) = 3 18 − x es una función de iteración de punto fijo para la
ecuación propuesta.
c) Determinar un intervalo cerrado [ a , b ] donde la función g satisfaga todas las hipótesis del
Teorema Fundamental de Punto Fijo y verificar analíticamente sus afirmaciones.
(Ayuda: Para a y b sirven números enteros).
d) Para un x0 escogido en el interior del intervalo determinado, analizar si la sucesión de iteración
de punto fijo converge o no. Justificar sus conclusiones.
20. Se dispone de una lámina rectangular 10 cm x 16 cm, para construir una caja rectangular sin tapa,
cortando un cuadrado de igual tamaño en cada una de las esquinas. Estimar un posible valor para el
lado del cuadrado de tal forma que el volumen de la caja sea de 100 cm 3 .
21. Las gráficas de las funciones f1 (x ) = e y f 2 (x ) = 100x se cortan en algún punto con abscisa α ,
x 2
con α ∈ [0,1] .
x
a) Mostrar que g (x ) =
1 2
e es una función de iteración de punto fijo para el cálculo de α .
10
b) Verificar que la función g satisface las hipótesis del teorema de Punto Fijo (existencia y
unicidad).
c) Dejar claramente indicadas las operaciones correspondientes a las dos siguientes iteraciones del
método de Punto Fijo aplicado a la función g, tomando x0 = 0 .
d) La escogencia de la aproximación inicial x0 en el intervalo [0,1] influye en la convergencia o
divergencia del proceso iterativo de punto fijo? Justificar su respuesta.
22. Encontrar valores aproximados de las coordenadas del punto situado en el primer cuadrante donde
se cortan las gráficas de las ecuaciones x + y = 4 y y = e .
2 2 x
Para ello, usar la técnica de Punto Fijo, tomando como función de iteración a g (x ) =
1
2
( )
ln 4 − x 2 en
el intervalo [0,1] . Verificar que g es una función de iteración de punto fijo posible para resolver el
problema planteado y que, además, cumple las hipótesis del teorema de punto fijo en dicho intervalo.
Concluya sobre la convergencia de la sucesión {xn }n generada por el método de Punto Fijo, y decir
1
hacia dónde converge. Calcular dos iteraciones, tomando x0 = .
2
23. Hallar una aproximación de la menor raíz positiva de la ecuación x − 2 x =0 . Usar dos iteraciones
x
con la técnica de punto fijo. Dar explícitamente un intervalo en el cual la función de iteración g
escogida, satisface las hipótesis del teorema de punto fijo (probarlas!).
24. Usar el método de punto fijo para determinar una aproximación de la raíz positiva de
x − 1 − tan −1 (x ) = 0 , después de tres iteraciones. Verificar que su función de iteración cumple todas
las condiciones del teorema de punto Fijo, en el intervalo elegido por usted.
Usar la técnica de punto fijo para determinar una aproximación de su raíz positiva. Determinar un
intervalo apropiado y una función de iteración que satisfagan todas las hipótesis del teorema de
punto Fijo. Calcular cinco iteraciones.
1 a
26. Considerar la función g ( x ) = x + , con x > 0 .
2 x
27. Usar el método de Punto Fijo para calcular una aproximación de la raíz positiva más pequeña de la
−x
ecuación e − cos x = 0 .
28. Demostrar que la ecuación 2 sen π x + x = 0 tiene una única raíz en [ 1 2 , 3 2 ], y utilice el método
de Punto Fijo para aproximar dicha raíz con una precisión de por lo menos sus tres primeras cifras
decimales exactas.
0 0 1
Matriz de iteración de Jacobi: BJ = 0 0 1
0 2 0
− 13
Vector de términos constantes independientes: bJ = 0
3 5
0 − 12 1
3
Matriz de iteración de Gauss-Seidel: BG − S = 0 1
4 − 5
8
0 1
16
1
6
− 316
Vector de términos independientes: bG − S = 16
− 112
Se pide:
a) Decidir sobre la convergencia o divergencia de cada uno de los métodos iterativos de Jacobi y
Gauss-Seidel para tal sistema.
b) Calcular BJ 1
, BJ ∞
, BG − S 1
, BG − S ∞
, ρ(BJ ) y ρ (BG − S ) .
1
= 1 , calcular X 1 , en ambos procesos iterativos.
(0 ) ()
c) Tomando como aproximación inicial a X
1
2. Considerar el sistema
x1 + 2 x 2 + 4 x3 = 15
4 x1 + x2 + x3 = 9
2 x + 4 x + x = 16
1 2 3
a) Reorganizarlo de tal manera que la matriz del sistema sea E.D.D. o lo más parecido a una matriz
de esta forma.
b) Obtener paso a paso, en aritmética exacta, las matrices de iteración de los métodos de Jacobi y
Gauss-Seidel. Además, dar las fórmulas matriciales de iteración para ambos métodos.
a) Para el sistema dado, obtener la matriz de iteración del método de Jacobi ( BJ ) y el vector de
términos independientes ( bJ ). Concluir si el proceso iterativo de Jacobi converge o no.
Justificar. Utilice aritmética exacta.
b) Para el sistema dado, obtener la matriz de iteración de Gauss-Seidel ( BG − S ) y el vector de
términos independientes ( bG − S ). Concluir si el proceso iterativo de Gauss-Seidel converge o no.
Utilice aritmética exacta.
4. Usar un procedimiento iterativo para aproximar soluciones a sistemas lineales y en el caso del
sistema
− x + 5 y + z = 18
3 x + y − z = −2
x + y − 4 z = −6
Si cree que es conveniente reorganizar el sistema antes de efectuar cálculos, hágalo. Justificar su
decisión.
Si alguno de los métodos iterativos de Jacobi y Gauss-Seidel resulta convergente para el sistema
dado, calcule dos iteraciones. Dar la matriz de iteración para los métodos iterativos de Jacobi y
Gauss-Seidel. Justificar la convergencia. Dejar indicadas las sustituciones numéricas antes de
realizar cálculos.
4 x1 + x 2 + 2 x4 = 2
x − 3x + x =− 3
1 2 3
x1 + x 2 + 4 x3 + x4 = 4
x 2 + x3 − 2 x4 = 0
a) Escriba las fórmulas de iteración y la matriz de iteración de los métodos iterativos de Jacobi y
Gauss-Seidel para resolver el sistema dado.
b) Determine, utilizando el procedimiento adecuado, la convergencia o divergencia de los métodos
iterativos de Jacobi y Gauss-Seidel para el sistema dado. Si alguno de los métodos es
(0 )
convergente, calcule 10 iteraciones tomando como aproximación inicial X = 0 y calcule
(10 ) (9)
X −X . Concluya, si le es posible, con cuántas cifras decimales exactas aproxima
∞
(10 )
X a la solución exacta X del sistema dado.
7. Considere el sistema
− x1 + 4 x 2 − x3 = 1
− x 2 + 4 x3 = 1
4x − x =1
1 2
a) Dar una reorganización del sistema para que tanto el método iterativo de Jacobi como el de
Gauss-Seidel sean convergentes. Justificar por qué está seguro de la convergencia.
b) Para el sistema reorganizado, dar las matrices de iteración de los métodos de Jacobi y Gauss-
Seidel.
c) Justificar la convergencia de ambos procesos iterativos mediante un criterio diferente al usado
en a).
d) Tomando X
(0 )
= (0, 0 , 0 )T , dejar claramente indicadas las operaciones para calcular la
siguiente iteración en cada uno de los métodos iterativos de Jacobi y Gauss-Seidel.
8. Reorganizar el sistema
− x + 4 y − 2z = 7
− y + 2z = 0
− 3x −z=2
para que sea E.D.D. o lo más parecido posible. Para los procesos iterativos de Jacobi y Gauss-
Seidel estudiar convergencia o divergencia. Justificar sus respuestas. Calcular dos iteraciones.
Utilice aritmética exacta para los cálculos.
9. Considerar el sistema
x1 + 2 x 2 + 4 x3 = 15
4 x1 + x2 + x3 = 9
2 x + 4 x + x = 16
1 2 3
a) Reorganizar el sistema dado de tal manera que la matriz del sistema resultante sea EDD o lo
más parecido a esta forma.
b) Obtener paso a paso, con aritmética exacta, las matrices de iteración de los métodos de Jacobi
y Gauss-Seidel. Además, dar las fórmulas matriciales de iteración para ambos métodos.
10. Para resolver un cierto sistema 3 × 3 se obtuvo para Jacobi la matriz de iteración
0 0 3
BJ = 0 0 4
3 4 0
a) Calcular el polinomio característico de BJ , y con él, sus valores propios. Dar el radio espectral
de la matriz BJ .
b) Las iteraciones de Jacobi convergen? Justificar su respuesta.
11. Para resolver un cierto sistema 3 × 3 se obtuvo para Gauss-Seidel la matriz de iteración
0 1
2 − 13
BG − S = 0 − 2 3 1
6
0 0 − 1 9
1
bG − S = 1
1
(1) ( 2)
Tomando X = [1, 0 , 0] , calcular X
(0) T
a) y X . Dejar indicadas las operaciones matriciales
antes de efectuar operaciones.
b) ¿Las iteraciones de Gauss-Seidel convergen? Justificar.
Reordene el sistema dado, si es necesario, de modo que los procesos iterativos de Jacobi y Gauss-
Seidel resulten convergentes, y encuentre la matriz de iteración para cada uno de estos métodos.
Calcular dos iteraciones para cada uno de los métodos, tomando X
(0)
= (0 , 0 , 0)T . Dejar ver
claramente las sustituciones numéricas antes de simplificar.
2x + y =3
10 x + 5 y = 8
a) Demostrar que el sistema dado no tiene solución.
b) Con ayuda de un programa de computador, calcular iteraciones para los métodos iterativos de
Jacobi y Gauss-Seidel. Examinar los resultados numéricos.
a) X ∞
≤ X 2
≤ X 1
b) X 1
≤n X ∞
c) X 2
≤ n X ∞
2 −1
−1 2 −1
−1 2 −1
O O O
− 1 2 −1
−1 2
Obtener las matrices de iteración para los métodos iterativos de Jacobi y Gauss-Seidel. ¿Serán
estos procesos iterativos convergentes? De serlo, ¿a dónde convergirán?
Hacer cálculos con un sistema 4 × 4 cuya solución sea conocida por usted.
x − 3z + 5t = 17
2y − z + 4 w = 17
2 x + 2 y − 5t = 21
− z + 2w − t = 0
x + y = 3
d) Calcular un número apropiado de iteraciones (de acuerdo con sus posibilidades de cálculo) para
ambos métodos, analizar los resultados.
x + 3z = 7
3 x − y + z = −4
2y + z = 5
a) Obtener la matriz de iteración para los métodos iterativos de Jacobi y Gauss-Seidel. Decidir sobre
la convergencia o divergencia de estos métodos iterativos. Justificar teóricamente
(analíticamente) todas sus conclusiones.
b) Reorganizar el sistema dado, si es necesario, de tal forma que el nuevo sistema resulte E.D.D. o
lo más parecido posible. Decidir sobre la convergencia o divergencia de los nuevos procesos
iterativos que se obtendrían para Jacobi y Gauss-Seidel.
18. Escoja uno de los sistemas de ecuaciones lineales propuestos en los ejercicios anteriores y mediante
un programa de computador (escrito por usted, o comercial, o DERIVE), calcular iteraciones con los
métodos iterativos de Jacobi, Gauss-Seidel y SOR. En el caso del método SOR, usar, w = 0.1 ,
w = 0.2 , L , w = 1.9 ; incluso ensaye con w ≥ 2 . Analizar los resultados numéricos obtenidos.
x 2 − y 2 = 4
−x
e + x y = 1
a) Haga una gráfica que ilustre cuántas soluciones reales tiene el sistema dado.
b) Para una de las soluciones reales, tome como aproximación inicial un punto inicial apropiado de
coordenadas enteras X ( (0)
= x (0 ) ,y ( 0) )
T
y realice todos los pasos necesarios para obtener la
aproximación X = (x , y )
() 1() () 1 1 T
, utilizando el método de Newton-Raphson y el método de Punto
Fijo.
c) Obtenga una aproximación X
(k )
= x ,y (() k (k ) )
T
por medio del computador, iterando hasta que
X (k ) − X (k −1) <10− 3 , utilizando el método de Newton-Raphson y el método de Punto Fijo.
∞
x − senx coshy = 0
y − cos x senhy = 0
21. Usar el método de Newton-Raphson para sistemas no-lineales y el método de Punto Fijo para
calcular una aproximación de la solución del sistema
22.
9 x 2 + y 2 = 9
2
x + y 2 = 1
(0 ) = (1, 1)T
Tome como X y calcule dos iteraciones. Dejar indicadas las operaciones antes de
realizar cálculos.
x 2 − y 2 − 6x + 8 = 0
2
x + 9 y 2 − 18 y − 6 x + 9 = 0
Tome como punto inicial el punto (4, 4) y calcule dos iteraciones. Utilice aritmética exacta para los
cálculos.
x2 + y 2 − z = 0
2
x + y + z =2
2 2
3y + z = 1
a) Usar el método de Newton-Raphson y el método de Punto Fijo para calcular dos iteraciones
tomando (1, 0, 0) como punto de partida.
b) Muestre que (± 1, 0, 0 ) son soluciónes del sistema dado.
c) Usar un programa de computador para realizar los cálculos, tomando varios puntos de partida.
25. Utilizar el Método de Newton-Raphson y el método de Punto Fijo para calcular varias iteraciones, en
los siguientes sistemas:
x 3 + 3 y 2 = 21
a)
x 2 + 2 y + z = 0
x 2 + x − y 2 = 1
b)
y − sen x 2 = 0
x 2 + y 2 − y = 0
c)
x 2 − y 2 − x = 0
x x0 x1
y y0 y1
Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
x 0 1 2 4
y 1 1 2 5
Calcular el polinomio de Newton de grado a lo más tres que interpola la tabla. Hágalo de dos
maneras: Paso a paso (constructivamente) y mediante la tabla de diferencias divididas.
3. Considere la tabla:
x x0 x1
y f ( x0 ) f ( x1 )
Deducir la fórmula para el polinomio de Lagrange de grado uno que interpole la tabla dada.
4. Considere la tabla:
x 0 1 2 4
y = f (x ) 1 1 2 5
Obtener el polinomio de Newton de grado a lo más tres que interpole la tabla dada.
x0 x1 x2
x 0 6 15
y 0 12 15
y0 y1 y2
Se agrega como cuarto nodo a x3 = 30 y y 3 = 0 . Se pide calcular el polinomio de Newton p3 (x )
que interpola la nueva tabla.
Los cuatro puntos de la tabla se obtuvieron de la semicircunferencia de la figura siguiente (radio 15).
Usar la fórmula simple de Simpson (1 3 ) para aproximar el área del semicírculo, con ayuda de los
polinomios p 2 ( x ) y p 3 (x ) . Estudiar la calidad de esta aproximación y concluír. Calcular los errores
relativos.
x x0 x1 x2 x3
y y0 y1 y2 y3
Llame y k = f ( xk ) = f k , k = 0 , 1, 2, 3 .
a) Plantear una expresión para el polinomio de grado cero p 0 (x ) que interpola la primera columna
de la tabla. Verificar que p 0 (x ) = y 0 = f 0 = f [x0 ] = c0 .
b) Escriba una expresión para el polinomio de grado a lo más uno, p1 (x ) que interpola las dos
primeras columnas de la tabla, construido a partir de p 0 (x ) .
f1 − f 0
Verificar que p1( x ) = p0 (x ) + f [x 0 , x1 ] (x − x 0 ) donde f [x 0 , x1 ] = =: f01 =:c1
x1 − x0
c) Con la misma idea obtener p 2 ( x ) a partir de p1 (x ) .
Verificar que p 2 (x ) = p1( x ) + f 012 (x − x0 )(x − x1 ) ,donde
f [x1 , x 2 ] − f [x0 , x1 ]
=: f [x0 , x1 , x2 ] =: f 012 =:c2
x 2 − x0
Usted notará que la expresión de f 012 no aparece explícita sino que se debe construir.
d) Con la misma metodología obtener p 3 (x ) a partir de p 2 ( x ) .
Verificar que p 3 (x ) = p2 (x ) + f 012 ( x − x0 )(x − x1 ) + f 0123 (x − x0 )(x − x1 )(x − x 2 ) , donde
f [x1 , x 2 , x3 ] − f [x0 , x1 , x2 ]
=: f [x0 , x1 , x2 , x 3 ] =: f 0123 =:c3
x3 − x0
Para efectos de simplificar aún más la escritura se sugiere introducir la notación xi − x j =:x j i .
f 3 − f 0 − f 01 x03 − f 012 x03 x13
Usted notará que le aparece c3:=
x 03 x13 x23
Concéntrese y sea paciente para construir c3 . Por ejemplo, avanzando
( f3 − f2 ) ( f 2 − f1 ) f1 − f 0
f3 − f0 = x23 + x12 + x01 = f 23 x 23 + f 12 x12 + f 01 x01 , etc.
x23 x12 x01
Pero recuerde que también puede retroceder, empezando con la expresión que se dio de c3 .
x f (x ) f ′( x ) f ′′( x )
1 2 3
2 6 7 8
Construir la tabla de diferencias divididas. Recordar que debe repetir la fila para x = 1 , y para x = 2
se plantean tres filas. Además, debe usar la definición de diferencia dividida con repetición.
x f (x ) f ' (x )
0 2 −9
1 −4 4
2 44
Usar el método de diferencias divididas con repetición para calcular un polinomio de grado 4 que
ajuste los valores de la tabla. Verificar que su respuesta satisface lo esperado.
10. Ampliando la tabla del problema 9 con f (3) = 2 , obtener un polinomio que ajuste la nueva tabla.
Verificar su respuesta.
k xk fk f k′ f k′′
0 0 1 −2 6
1 1 1 0 −8
Usar el método de diferencias divididas con repetición para obtener el Polinomio de Hermite de grado
5 correspondiente que interpola la tabla. Verificar.
x y = f (x ) y ′ = f ′ (x ) y ′′= f ′ ( x )
0 1
1 2 3
3 1 2 3
4 2 5 6
13. Usando la Técnica de Hermite, calcular el Trazador Cúbico Sujeto que interpola la tabla:
x y y′
−1 −6 0
0 9
2 6 −1
Verificar su respuesta.
14. Usando la técnica de Hermite, calcular el Trazador Cúbico Natural que interpola la tabla:
x y
−1 −6
0 9
2 6
Verificar su respuesta.
x y y′ y ′′
−1 1
0 −1 0 0
2 7
x y y′ y ′′
-1 -1 4 -6
1 3 4 6
Explicar cuáles propiedades cumple y cuáles no cumple T (x ) para ser un Trazador Cúbico natural
de la siguiente tabla:
x 0 1 3 4
y 26 7 7 187
x x0 x1 x2 x3 x4
y y0 y1 y2 y3 y4
Con precisión, expresar todas las propiedades que debe tener el Spline Cúbico T (x ) natural, que
interpole la tabla dada.
x y
−1 13
0 7
1 9
b) Determinar si la función S ( x ) es un Trazador Cúbico natural para la tabla dada en a). Precisar
cuáles condiciones se cumplen y cuáles no. Analice y concluya.
20. Calcular el Trazador Cúbico natural que interpola la siguiente tabla, x contra y :
x y
0 0
2 −2
3 0
x −1 1 2
y 0 2 0
que satisfaga S ′(0 ) = −1 y S ′′(2 ) = 0 . Verificar que sus cálculos sean correctos.
22. Calcular el Trazador (Spline) Cúbico natural T que interpola la tabla x vs. y:
x 0 1 3 4
y −1 1 37 67
Usar aritmética exacta para los cálculos. Graficar x vs. T (x ) , x vs. T ′ (x ) , y x vs. T ′′ (x ) .
x 0 1 3 4
y -1 0 26 60
y′ 39
y ′′ 0
x x0 x1 x2 x3 x4
y = f (x ) y0 y1 y2 y3 y4
Llame T ( x ) el Trazador (Spline Cúbico) que interpola la tabla dada. Mirando a T ( x ) como una
función, precisar su dominio DT , su Codominio y la regla para calcular T ( x ) con x ∈ DT .
Cuántos coeficientes no conocidos le aparecen en la regla para calcular T( x ) ?
Enuncie las condiciones que le va a imponer a T ( x ) , que permitirán el cálculo de lo no conocido en
T ( x ) . Tiene tantas condiciones como incógnitas?
Explique dos maneras usuales de completar las condiciones (Trazador sujeto, Trazador natural).
Dar explícitamente a T ′( x ) y T ′′( x ) .
Hacer gráficas ilustrativas de x vs. T ( x ) , x vs. T ′( x ) y x vs. T ′′( x ) . Completar en los casos
siguientes:
T ( x ) es polinomial de grado ___?____ a trozos.
T ′(x ) es polinomial de grado ___?___ a trozos.
T ′′( x ) es polinomial de grado ___?____ a trozos.
Para obtener el Trazador cúbico que interpola la tabla dada, se seguirá la siguiente estrategia: Como
T ′′( x ) es lineal a trozos, dando por conocida su ecuación, podremos integrar dos veces para
obtener T ( x ) . Simultáneamente, usamos las condiciones sobre T ′(x ) y T ( x ) para obtener las
constantes de integración consiguiendo al final un sistema de n + 1 ecuaciones con n + 1
incógnitas.
Para los datos (x0 , y 0 ) , (x1 , y1 ) ,..., (x n , y n ) desarrolle la idea general anterior así:
Llame
T ′′(x 0 ) = z0 , T ′′( x1 ) = z1 ,..., T ′ (xn ) = z n (1)
se desconocen los números z0 , z1 ,..., zn .
1 zi+1
pi ( x ) = p' i (xi )( x − xi ) + (x − xi )3 + 1 zi (xi + 1 − x )3 + 1 zi hi ( x − xi ) − 1 zi hi 2 + yi .......(2)
6 hi 6 hi 2 6
donde hi = xi +1 − xi .
yi +1 − yi
1 1
pi (x ) = z i hi (x − xi ) − z i+1 hi ( x − xi ) +
6 6 hi
1z 1z 1
( )
( x − xi ) + i +1 (x − xi )3 + i xi +1 − x 3 − zi hi 2 + yi
6 hi 6 hi 6
y z h
pi ( x ) =
1 zi
( ) 1z
xi +1 − x 3 + i+1 (x − xi )3 + i +1 − i+1 i (x − xi )+ zi hi (x − xi ) − i ( x − xi ) − z i hi 2 + yi
1 y 1
6 hi 6 hi hi 6 6 hi 6
y z h
pi ( x ) =
1 zi
(
xi+1 − x +
3
)1 z i +1
( x − xi )3 + i +1 − i +1 i (x − xi )+ zi hi − yi ( x − xi+1 ) (3)
6 hi 6 hi hi 6 6 hi
De las condiciones impuestas aún no se ha usado la existencia de la primera derivada en los nodos
interiores x1 , x2 , ..., xn −1 .
6
( y i+1 − yi ) − 6 ( yi − y i−1 ), i = 1, 2 ,..., n − 1
hi −1 zi −1 + 2(hi−1 + hi )zi + hi zi +1 =
hi hi −1
6
Para i = 1, 2,..., n − 1 , llame ui := 2(hi −1 + hi ) , bi := ( yi +1 − yi ) , vi :=bi − bi − 1 .
hi
h0 z0 +u1 z1 + h1 z 2 = v1
h1 z1 + u2 z 2 + h2 z 3 = v2
h2 z 2 + u3 z 3 + h3 z 4 = v3
M
hn− 2 zn− 2 + u n−1 z n−1 + hn−1 z n = vn−1
En el caso del Trazador Cúbico natural, dar el sistema lineal de n − 1 ecuaciones con incógnitas
z1 , z 2 ,..., zn −1 . Pruebe que la matriz de coeficientes del sistema es E.D.D. por filas. Observar que
el sistema es tridiagonal.
¿Qué haría usted para definir el Trazador una vez conseguidos z1 , z 2 ,..., z n−1 ?
En el caso del Trazador sujeto, se dan como datos y ′0 y y n′ . De la ecuación donde se tiene pi′( x )
para x ∈ [xi , x i+1 ] , i = 0,1,..., n − 1 , obtener:
Escribir el sistema lineal de n + 1 ecuaciones con las n + 1 incógnitas z0 , z1 ,..., zn . Observe que el
sistema es tridiagonal y la matriz de coeficientes es E.D.D. por filas (probarlo!).
−x
26. Considere la ecuación x − 9 =0
−x
a) Graficar y = x y y = 9 . En qué intervalo parecen cortarse. Cómo se interpreta esto para la
ecuación dada?
Defina f (x )= x − 9
−x
b) . Construya la tabla de valores de la funcióm f para los números
x0 = 0, x1 = 1 2 y x2 = 1 , y para estos datos haga lo siguiente:
i. Obtenga el polinomio de interpolación de Newton para la tabla.
ii. Use fórmulas del problema (6) para obtener el Trazador cúbico natural que intepola la tabla.
iii. Use las aproximaciones polinomiales, obtenidas en i. y ii. para estimar la raíz de f (x ) = 0 .
En caso necesario, use DERIVE o su calculadora para ayudarse en los cálculos y en la comparación
y discusión de resultados. Las soluciones son:
x −1 0 1 2
y = f (x ) 0 3 11 24
Calcular el Trazador cúbico natural que interpola la tabla. Seguir los lineamientos del problema 25.
Verificar su respuesta.
x −2 0
y = f ( x) 1 −1
y = f ′ (x ) 2
y = f ′′ ( x ) 1
Usar la técnica de Hermite para obtener el polinomio que interpola la tabla dada.
Si la tabla se completa con f (1) = 2 y f ′ (1) = −1 , calcular el polinomio que cumple con todos los
datos.
x y = f ( x) y ' = f ' ( x)
−1 4 −2
1 4
2 11 12
x 2 + 3, − 1 ≤ x ≤ 1
T (x ) = 3
x + 3, 1 ≤ x ≤ 2
es o no el Trazador cúbico sujeto que interpola la tabla dada de la función f. Indicar cuáles
propiedades satisface y cuáles no.
1 2 1 3
− 1 + 2 x + x − x , −2≤ x≤0
T (x ) = 2 2
−1 + 2 x + 1 2 1 3
x − x , 0 ≤ x ≤1
2 6
x −2 0 1
y = f ( x) 1 −1 2
x 0 1 3
y 0 2 2
y' 0 6
Verificar su respuesta.
30. Discutir el problema de encontrar un polinomio p ( x ) de grado menor o igual que tres, que tome los
valores p (0 ) = 0 , p (1) = 1 y p ′ ( 1 2 ) = 2 . Utilizar dos métodos.
31. Discutir el problema de encontrar un polinomio p ( x ) de grado menor o igual que dos que tome los
siguientes valores: p (0 ) = 0 , p (1) = 1 y p ′ ( 1 2 ) = 2 . Utilizar dos métodos.
32. ¿Qué condición se debe imponer a los nodos x0 y x1 para que el problema de interpolación
p (xi ) = ci 0 , p ′ ( xi ) = ci 2 , i = 0, 1 se resuelva con un polinomio cúbico p ( x ) , para cualquier
escogencia de los valores ci0 , ci 2 ?.
b
5. Para ∫ f (x )dx deducir: 1) La fórmula trapezoidal simple, y 2) la fórmula para el término de
a
error de esta aproximación.
b
7. Expresar ∫ f (x )dx como una integral en [0,1] , usando un cambio de variable lineal (sin
a
cambiar su valor).
2
i. Escoger un método para aproximar ∫ Q(t ) dt . Dar la fórmula general de método
0
seleccionado.
INTEGRACIÓN NUMÉRICA
2
ii. Hallar un valor aproximado para ∫ Q(t ) dt , usando el método definido en i. Que use los
0
cinco datos dados en la tabla.
iii. Exhibir con claridad el paso que corresponde a la situación numérica en la fórmula.
1+ x
1 1 sen
sent 2
9. Mostrar que ∫ t
dt = ∫ 1+ x
dx .
0 −1
(x +1)2
1 t2 1 −
1 − 1 e 8
2π ∫ 2π ∫
10. Mostrar que e 2 dt = dx .
2
0 −1
b 1
f (x ) dx = (b − a ) f ∫ (12 (b − a)t + 21 (b + a))dt .
1
11. Mostrar que ∫ 2
a −1
b
b −a
∫ f (x )dx = 2
[ f (a) + f (b) ] + E
a
Precisar la fórmula para E, y dar una cota para el error absoluto, correspondiente a E.
Suponer que f(x) tiene sus dos primeras derivadas continuas en [a, b ] .
+∞
x2
13. Usar la regla de Simpson 1
3
para calcular una aproximación de ∫ 1 + x 5 dx .
2
b
14. Deducir la fórmula trapezoidal simple para aproximar ∫ f (x )dx . Dividir el intervalo [a, b ] en
a
N subintervalos, aplicar regla trapezoidal simple en cada uno de los subintervalos, totalizar,
buscar regularidades. Compare lo obtenido por usted con lo que presenta el texto de su
confianza.
1
15. Deducir la fórmula simple de Simpson 1
3
para aproximar ∫ f (x )dx , exigiendo que la fórmula
−1
Af (−1) + Bf (0 ) + Cf (1) sea exacta para polinomios hasta de grado 2. Cómo extiende la
b
fórmula anterior para que sea aplicable para aproximar ∫ f (x )dx ? Continuar con las mismas
a
ideas del problema 14.
2
INTEGRACIÓN NUMÉRICA
16. Plantear el sistema de ecuaciones que permite determinar las constantes A, B c y C tales
1
que la fórmula Af (0 ) + Bf (c ) + Cf (1) es exacta para calcular ∫ f (x )dx , cuando f(x) es un
0
polinomio hasta de grado 3. Verificar que los coeficientes y nodos de la regla de Simpson
1 satisfacen el sistema. Existirán otras soluciones?
3
19. Usar el método de coeficientes indeterminados para encontrar las abscisas x1 y x 2 y los
1
pesos w 1 y w 2 tales que la fórmula ∫ f (x) dx ≅ w1f (x1 ) + w 2 f (x 2 ) sea exacta para todos
−1
los polinomios de grado a lo más tres.
∫ ∫ (4 − y )dydx
2 2
2
0 2x
22. Usar solamente la regla simple de Simpson 1 para calcular un valor aproximado de
3
1
4 − x2
∫ ∫ (x )
2 2
2
+ 4 y 2 dydx
0 0
3
INTEGRACIÓN NUMÉRICA
1
1
∫ f (x )dx ≅ Af (0) + Bf 2 + Cf (1) (1)
0
sea exacta para polinomios de grado menor o igual que dos. Verificar que la fórmula
obtenida también resulta exacta para polinomios de grado tres. Obtenga la fórmula
b
equivalente de (1) para ∫ f (x )dx .
a
π
2
H( x) = 1 − x 2 sen 2 θ dθ , para x ∈ [0,1)
1
1− x 2 ∫
0
1 1
Usar la regla de Simpson para obtener una aproximación de H(x) y H . Para H
1
3
2 2
consultar en tablas el valor y comparar.
∫ sen
2
25. Considerar la integral x dx .
0
∫ ∫ (2x )
3 2
2
− 3 y dxdy
1 −1
4
INTEGRACIÓN NUMÉRICA
Usar únicamente la regla de Simpson 1 . Dar el valor exacto del error que se comete en la
3
aproximación. Justificar.
∫ ∫ (x )
24
2 2
y − 17 dxdy
02
Usar únicamente la regla de Simpson 1 . Dar el valor exacto del error que se comete en la
3
aproximación. Justificar.
1
1 1
∫ f (x )dx ≅ A 0 f − 2 + A1f (0) + A 2 f 2
−1
que sea exacta para todos los polinomios hasta de grado menor o igual que dos.
∫∫y 1 − x 2 dxdy
00
¿En qué orden aplicar las reglas trapezoidal y Simpson 1 ? Calcular el error relativo.
3
31. Calcular una aproximación al volumen de la octava parte de una esfera de radio uno. Usar
fórmula de Simpson 31 , únicamente. Calcular el error relativo.
∫ sen(x )dx .
1
2
i. Convertir la integral dada en
0
ii. Calcular una aproximación de la integral dada usando la regla de Simpson 1 , y a partir
3
1
ex
33. Usar la regla de Simpson 1
3
para calcular ∫ x
dx .
0
5
INTEGRACIÓN NUMÉRICA
π
2
34. Mostrar que ∫ tan xdx es divergente. ¿Qué valores darían la regla de Simpson 1
3
y la
0
Cuadratura de Gauss para dos puntos?
1
dx
35. Muestre que ∫ x
es convergente. Obtener una aproximación con el método de
0
Cuadratura Gaussiana para dos puntos. ¿La regla de Simpson 1 le da algún resultado
3
numérico? Si es posible, en ambos casos calcular el error relativo.
∫ 1 + t dt
0
38. Probar que los coeficientes y nodos de la regla de Simpson 1 forman la única solución al
3
sistema no-lineal conseguido en el problema 16.
6
MÉTODOS NUMÉRICOS
x (t + h ) − x (t − h )
x' (t ) =
2h
( )
+ O h2
x (t + h ) − 2 x (t ) + x (t − h )
x' ' (t ) =
h 2
+ O h2 ( )
tiene solución única en cualquier intervalo que contenga t = 0 . Realizar la prueba de dos formas.
5. Considere el P.V.I.
x' = (t + 1)( x + 1)
x(0) = 1
a) Dar la fórmula de avance de t a t + h para el Método de Euler. Con un paso h = 0.1 , calcular
aproximaciones para x(0.1) y x(0.2 ) .
b) Dar la fórmula de avance de t a t + h para un método de Taylor que use los tres primeros
términos. Con un paso de h = 0.1 , calcular una aproximación para x(0.1) y x(0.2 ) .
6. Considerar el P.V.I.
x' (t ) = x(t ) + 2t e t
x(0) = 0
Se pide:
a) Dar la fórmula de avance de t a t + h para un método de Taylor que utilice los cinco (5)
primeros términos de la expansión en serie de Taylor de x(t ) alrededor de t .
(4 ) (
b) Calcular x' ' (t ) , x' ' ' (t ) y x t) .
(4 ) (
c) Calcular x ′(0), x ′′(0 ), x ′′′(0 ) y x 0) .
d) Calcular una aproximación de x(0.1) usando la fórmula en a).
(4 ) (
e) Calcular aproximaciones para x ′(0.1) , x ′ (0.1), x′′ (0.1) y x 0.1) .
f) Callcular una aproximación de x(0.2 ) , usando la fórmula en a).
7. Considerar el P.V.I.
y' = 1 + y 2
y(0 ) = 0
8. Para el P.V.I. del problema 7, escribir la expansión en serie de Taylor de y (t ) alrededor de 0 (cero),
tomando únicamente los tres primeros términos. Usar lo anterior para obtener la fórmula de avance
explícita del método de Taylor de los tres primeros términos.
9. Considerar el P.V.I.
x ' = cos t + t 2 − sen x
x (− 1) = 3
Usar expansión en serie de Taylor para x, tomando solamente los cuatro primeros términos, para dar
la fórmula de avance de − 1 a − 1 + h .
a) Dar la fórmula de avance de t a t + h para un método de Taylor que use los tres primeros
términos. Con un tamaño de paso de h = 0.1 , calcular un valor aproximado de y (0.2 ) .
b) Calcular el error relativo para la aproximación obtenida en a).
y' (t ) = e t + y(t )
y(1) = e
Usar un tamaño de paso h = 0.1 para calcular dos pasos por medio de los métodos de Euler, Taylor
de los tres primeros términos, Runge-Kutta de orden dos, Taylor de los cinco primeros términos y
Runge-Kutta de orden cuatro. Consignar los resultados en una tabla. Calcular los errores relativos
para cada una de las aproximaciones obtenidas.
1 x
16. Considerar la ecuación diferencial y' (x ) = 2 = f ( x ) , con condición inicial y (0) = 0 .
2
y(0) = 0
x
y( x ) = ∫ e t
2
a) Mostrar que la función dt es la solución del P.V.I. dado.
0
2 2
los mismos valores.
d) Analizar los resultados. Sacar conclusiones.
t
a) Mostrar que u(t ) = ∫ f (s )ds es la solución al P.V.I. dado.
a
b) Aplicar el método Runge-Kutta 4 para aproximar u(t + h ) , suponiendo que se conoce u(t ) .
t+ h
c) Cómo le resultó u(t + h ) − u(t ) ? Justifique que u(t + h ) − u(t ) = ∫ f (s )ds .
t
d) Analizar sus resultados.
a) Mostrar que el P.V.I. tiene una única solución. Encontrar tal solución.
b) Escribir la expansión en serie de Taylor para w (θ ) , alrededor de cero.
(4 ) (
c) Al resolver b), posiblemente observó que w ′ (θ ) = w ′′ (θ ) = w θ ) , etc. Cómo concluye que
w ′ (θ ) = w ′′ (θ ) = ... = 0 ?
d) Qué método numérico resultó en b)? Cuál es el error relativo para cada aproximación calculada
mediante este método?
23. Hallar una aproximación en t = 0.25 de la solución del siguiente problema de valor inicial:
d 2 y dy
− − 6 y = 0 ; y (0 ) = 1 ; y' (0) = 0
dt 2 dt
d 2θ g
2 + senθ = 0
dt L
θ(0 ) = θ ; θ′(0) = v
0 0
a) Convertir el P.V.I. en un sistema equivalente de dos ecuaciones diferenciales de primer orden con
dos incógnitas.
b) Expresar lo conseguido en a) en forma vectorial.
c) Convertir el P.V.I. en un sistema equivalente de tres ecuaciones diferenciales de primer orden con
tres incógnitas, autónomo, y expresarlo en forma vectorial.
d) Utilizando la respuesta en c), escribir la fórmula de avance para Runge-Kutta cuatro de θ(t ) a
θ(t + ∆t ) .
26. Un modelo matemático para un circuito electrónico está dado por el P.V.I.
d 2Q
+ 50 Q = 24t sen(10t )
dQ
0.5 2 + 6
dt dt
Q(0) = 0 ; Q ′(0 ) = 0
27. Usar un método aproximado para calcular θ(0.1) y θ(0.2 ) , sabiéndose que
π
θ′′(t ) = −θ(t )sen θ(t )
6
θ(0) = 1, θ′(0 ) = 0
28. La vibración de un resorte sometido a amortiguamiento y fuerza externa está modelada por el P.V.I.
y ′ (t ) + 3 y' (t ) + y (t ) = t 2 − 18
y(0) = 0 ; y ′(0 ) = 0
Usar Runge-Kutta cuatro para calcular la posición angular θ(0.1) , la velocidad angular θ' (0.1) y la
aceleración angular θ ′′(0.1) del péndulo. (Usar tamaño de paso h = 0.1 ).
y ′′ + t y ′′ − t y ′ − 2 y − t = 0
y(0 ) = y ′′(0) = 0 ; y ′(0 ) = 1
Calcular y (0.2 ) y y (0.4 ) usando un procedimiento vectorial Runge-Kutta cuatro para sistemas de
ecuaciones diferenciales de primer orden autónomas.
a) Convertir el P.V.I. en un sistema de ecuaciones diferenciales de primer orden equivalente que sea
autónomo. Expresar dicho sistema en forma vectorial.
b) Usar Runge-Kutta cuatro con tamaño de paso h = 0.2 para calcular un valor aproximado de
y (0.4 ) .
Escribir el sistema matricial que permite calcular valores aproximados de y (1) , y (2) y y(3) . Usar el
método de diferencias finitas y aritmética exacta.
1
Usar el método de diferencias finitas para resolver el P.V.F., tomando como tamaño de paso a h = .
4
Explicar paso a paso la construcción del sistema tridiagonal asociado con la aplicación del método.
Para un tamaño de paso ∆t = 0.5 , dar los valores de los nodos. Discretizar la ecuación diferencial
en un t i apropiado, dando los posibles valores de i .
Obtener, paso a paso, el sistema tridiagonal 3 × 3 que permite calcular a z en los nodos interiores.
Resolver dicho sistema.
usar el método de diferencias finitas para calcular valores aproximados de y (1) , y(2) y y(3) (use
tamaño de paso h = 1 ).
39. En el P.V.F.
y ′ (x ) − 2 y ′( x ) + 3 y (x ) = 3x 2 − 4 x − 1
y(− 1) = 0 , y (3) = 8
Calcular aproximaciones de y(0 ) , y (1) y y(2) . Usar el método de diferencias finitas. Verificar que
y ( x ) = x 2 − 1 es solución del P.V.F. Calcular los errores relativos (si es posible).
40. Calcular valores aproximados de x (1) , x (2 ) y x (3) , sabiendo que x satisface el P.V.F.
π
x ′ (t ) − 2 cos t x ′ (t ) − t x (t ) = t
2
2
x (0 ) = 1, x (4 ) = 0
Escribir el sistema matricial que permite calcular valores aproximados de y (1) , y (2 ) y y (3) ; usar el
método de diferencias finitas.
y ′ ( x ) + 4 π y ′ (x ) + 4 π 2 y (x ) = 2 cos (2π x )
y (0 ) = 0 , y (1) = 0
1 1 2 1 1 2 2 2
Calcular los valores aproximados de u (x , y ) en los puntos , , , , , y , .
3 3 3 3 3 3 3 3
1
Usar tamaño de paso en ambos ejes.
3
u xx + u yy = 0 , ( x , y ) en (0 ,1) × (0 ,1)
( )
u (x , y ) = 27 x 3 − 3 x y 2 , ( x , y ) en ∂ [ 0 ,1 ] × [ 0 ,1 ]
1
Tomar tamaño de paso en ambos ejes, precisar los nodos de la malla resultante y calcular valores
3
aproximados para u (x , y ) en los nodos donde no se tienen.
u xx + u yy = 0 , ( x , y ) en (0,1) × (0,1)
u ( x , y ) = g (x , y ) , (x , y ) en ∂ [ 0,1 ] × [ 0 ,1 ]
x' = x + 4 y − e
t
y' = x + y + 2 e
t
x (0 ) = 4 , y (0 ) =
5
4
( )
sen t y ′′ + cos (t y ) + sen t 2 + y ′ + ( y ′)3 = ln t
y (2) = 7 , y ' (2 ) = 3 , y " (2) = −4
49. En los siguientes P.V.I. calcular el (los) datos pedidos con el método indicado.
y ' +2 x y 2 = 0 1
b) ; fórmula de avance para el método de Euler; solución exacta y = 2 .
y (0 ) = 1 x +1
t2 t2
c) y "+ y ' + y = − e − 2 t e ; h = 1 ; R − K − 4; y (1) ≅ ?
y (0 ) = 1 ; y ' (0) = 0
3
50. Una caja rectangular hermética (de dimensiones unitarias) con peso específico se sumerge en un
4
3 2
líquido de peso específico unitario, bajo la acción de una fuerza externa f (t ) = + t , 0 ≤ t ≤ 1 ,
4
(movimiento y fuerza tienen dirección vertical).
Se pide :
51. Para cada uno de los siguientes P.V.F. calcular valores aproximados de la variable en los nodos
interiores:
a)
( )
x " (t ) − cos t x' (t ) − 1 + sen 2 t x (t ) = t
; h=
π
x (0 ) = 2 , x (π ) = 1 4
y " +4 π 2 y = 16 π cos 2 π t 1
c) ; h=
y (0) = 0 , y (1) = 0 4
Aquí verificar que y = 4 t sen 2 π t es solución. Calcular los errores relativos (si es posible).
x y " −2 y ' = 12 (2 − x ) 1
; h = , solución exacta y = (2 − x ) .
3
e)
y (1) = 1 , y (2) = 0 4
52. A través de una tubería cilíndrica fluye vapor de agua a alta temperatura y presión. La distribución de
temperatura está modelada por el P.V.F.
r u" +u' = 0
u (1) = 500 , u (2) = 20
∂2 u ∂2 u
( x , y ) + , (x , y ) = 0 , con ( x , y ) en Int [ 0,1 ]× [ 0,1 ]
∂x ∂ y2
2
u (x , y ) = g (x , y ) , con (x , y ) ∈ ∂ [ 0, 1 ]× [ 0, 1 ]
Para las funciones g ( x , y ) dadas, tomar un tamaño de paso adecuado (igual por ambos ejes) con
sus posibilidades de cálculo, y calcular los valores de u en los nodos interiores de la malla:
a) g ( x , y ) = x y − x y
3 3
b) g ( x , y ) = y − 3 x y
3 2
c) g (x , y ) = e sen y + e
x y
cos x
d) g (x , y ) = cos x sen h y + sen x cos h y
e) g (x , y ) = e
−x
cos y + e − y cos x
54. Expresar los siguientes P.V.I. como sistemas de ecuaciones diferenciales de primer orden.
a) Autónomos.
b) No autónomos.
w ′
x + b x ′ + k x = f (t , x )
i. g
x (t ) = x , x ′ (t ) = x
0 0 0 01
m1 y "1 = − k1 y1 − k 2 ( y1 − y 2 )
ii. m2 y " 2 = k2 ( y1 − y2 )
y (0 ) = A , y ' (0) = B , y (0 ) = C , y ' (0) = D
1 1 2 2
55. Probar que cuando la fórmula Runge–Kutta de cuarto orden se aplica al P.V.I.
x' = λ x
x (t0 ) = x0
1 2 2 1 3 3 1 4 4
La fórmula de avance es x (t + h ) ≅ 1 + h λ + h λ + h λ + h λ x (t ) y que el error
2 6 24
5
( )
es O h , en un paso.
x ′ = e x t + cos (x − t )
x (1) = 3
Usar h = 0.1 . Hacerlo con un programa de computador. Calcular varios pasos. Estar atento al
overflow.
57. En la solución de los P.V.F. del problema 53, organizar el sistema de ecuaciones resultante de tal
forma que la matriz del sistema luzca tridiagonal por bloques; observar con atención la estructura de los
bloques.
58. Una masa está colocada sobre un resorte que está sometido a fuerza externa y amortiguamiento. Su
posición y (t ) satisface el P.V.I.
y " +3 y ' + y = t 2 − 18 , 0 ≤ t ≤ 6
y (0 ) = 0 , y ' (0 ) = 0
Se pide:
a) Tomar tamaño de paso h = 0.1 en el método Runge–Kutta cuatro y calcular posición, velocidad y
aceleración de la masa, para tk = 0.1k , k = 0, 1,..., 60 . Graficar.
b) Obtener la solución exacta del P.V.I. Graficar y (t ) , y ′(t ) y y ′′(t ) .
c) Comparar los resultados exactos con los cálculos aproximados. Analizar.