Documentos de Académico
Documentos de Profesional
Documentos de Cultura
NotasDeClase PDF
NotasDeClase PDF
ciencias e ingenierı́a
06 de Abril de 2015
2
Índice general
2. Interpolación polinomial 57
2.1. Método de coeficientes indeterminados . . . . . . . . . . . . . 58
2.2. Método de Lagrange . . . . . . . . . . . . . . . . . . . . . . . 59
2.3. Método de Newton . . . . . . . . . . . . . . . . . . . . . . . . 61
2.4. Método de Diferencias Divididas . . . . . . . . . . . . . . . . . 63
2.5. Análisis de error . . . . . . . . . . . . . . . . . . . . . . . . . . 68
2.6. Fenómeno Runge . . . . . . . . . . . . . . . . . . . . . . . . . 71
3. Integración Numérica 73
3.1. Método del Trapecio . . . . . . . . . . . . . . . . . . . . . . . 74
3.1.1. Simple . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3
4 ÍNDICE GENERAL
3.1.2. Compuesto . . . . . . . . . . . . . . . . . . . . . . . . 75
3.2. Método de Simpson . . . . . . . . . . . . . . . . . . . . . . . . 79
3.2.1. Simple . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.2.2. Compuesto . . . . . . . . . . . . . . . . . . . . . . . . 83
3.2.3. Error en las fórmulas de Newton–Cotes cerradas . . . . 90
3.2.4. Error en las fórmulas de Newton–Cotes abiertas . . . . 91
3.2.5. Error en la fórmulas de tipo interpolatorio . . . . . . . 91
3.3. Cuadratura Gaussiana . . . . . . . . . . . . . . . . . . . . . . 91
3.3.1. Polinomios Ortogonales . . . . . . . . . . . . . . . . . . 97
3.4. Cuadratura Gaussiana . . . . . . . . . . . . . . . . . . . . . . 97
3.5. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . 102
Búsqueda de Raı́ces en
Ecuaciones No Lineales
7
8CAPÍTULO 1. BÚSQUEDA DE RAÍCES EN ECUACIONES NO LINEALES
to, por ejemplo, que la función sea monótona o que tenga derivada positiva
en el intervalo.
Un uso adecuado del Teorema 1.1 permitirá deducir el Método de la Bisección
que se detalla a continuación.
Resolución
Primero observamos que la función f es continua en todo R.
Considerando el intervalo [0, 4], se observa que f (0)f (4) < 0, entonces, por
el Teorema 1.1 podemos concluir que existe al menos una raı́z r de f en el
intervalo [0, 4].
Para garantizar unicidad, observemos que:
2
f 0 (x) = − 0.04x.
1 + (x − 3)2
Pero, para todo x ∈ [0, 4] se cumplen:
2
0.2 ≤ ≤ 2,
1 + (x − 3)2
0 < 0.2 − 0.16 ≤ 0.2 − 0.04x,
10CAPÍTULO 1. BÚSQUEDA DE RAÍCES EN ECUACIONES NO LINEALES
es decir: f 0 (x) > 0 para todo x ∈ [0, 4], por tanto, la función f es creciente y
ası́, la raı́z es única en el intervalo inicial [0, 4].
Garantizada la existencia y unicidad de una raı́z r en [0, 4], procedemos a
aproximarla mediante el método de la bisección, los cuales se muestran en la
Tabla 1.1.
1
|bn − an | = |bn−1 − an−1 |
2
lo anterior implica que:
1
|bn − an | = |b0 − a0 |
2n
cuando n → ∞ se tiene que lı́m |bn − an | = 0, ası́, podemos concluir que:
n→∞
Por otro lado, observamos que los intervalos generados en cada iteración
satisfacen la siguiente relación:
a0 ≤ a1 ≤ a2 ≤ · · · an ≤ b n ≤ · · · ≤ b 3 ≤ b 2 ≤ b 1 ≤ b 0
es decir:
lı́m bn = lı́m an . (1.3)
n→∞ n→∞
La ecuación (1.4) nos dice que los extremos de los intervalos [an , bn ] van a
coincidir en el lı́mite, sea r este lı́mite común. Por otro lado, como f es una
función continua, se cumple también lo siguiente:
lı́m f (an ) = f ( lı́m an ) = f (r) = f ( lı́m bn ) = lı́m f (bn ).
n→∞ n→∞ n→∞ n→∞
2
f 0 (x) = 3x2 + > 0 para todo x ∈ [−2, −1],
x2
f (xk−1 ) − f (xk )
y − f (xk ) = (x − xk ) (1.6)
xk−1 − xk
Ejemplo 1.2.1. Sea f (x) = x2 ln(x) − x. Dé un intervalo donde exista una
raı́z de la función f y aproxı́mela con una tolerancia de error de 10−5 .
Resolución
La función f tiene como dominio x > 0. Además: f (0.5) = −0.6931472 y
f (2) = 0.6931472, es decir, f (0.5)f (2) < 0 y como la función f es continua
en [0.5, 2], entonces, por el Teorema 1.1 concluimos que existe una raı́z r ∈
h0.5, 2i.
Para garantizar la unicidad, para todo x ∈ [0.5, 2] se cumple que:
f 0 (x) = 2x ln(x) + x − 1,
f 00 (x) = 2 ln(x) + 3.
El punto crı́tico de f es x = 1 donde f 0 (1) = 0. La Tabla 1.3 muestra el
análisis de signo para esbozar la gráfica de la función f dada en la Figura 1.5.
1.2. MÉTODO DE LA FALSA POSICIÓN 17
0.8
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
-1
0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
La Figura 1.5 garantiza que f tiene una única raı́z en el intervalo [0.5, 2],
por tanto, inicializando en [a0 , b0 ] = [0.5, 2] la Tabla 1.4 muestra las iteracio-
nes hasta que se cumple que |f (x)| ≤ 10−5 .
xk−1 − xk
18CAPÍTULO 1. BÚSQUEDA DE RAÍCES EN ECUACIONES NO LINEALES
f (b) − f (a)
f [a, b] := (1.10)
b−a
f [a, b] − f [b, c]
f [a, b, c] := . (1.13)
a−c
Usando (1.10) y (1.13) para xk−1 , xk , x̂ (en ese orden), podemos definir el
siguiente polinomio
tomando lı́mite
ek
lı́m = M r1 −1 . (1.24)
k→∞ erk−1
1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1 -1
0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
0.6 0.6
0.4 0.4
0.2 0.2
0 0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1 -1
0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
n MB MRF MRFM
1 50 19 8
5 50 19 9
15 50 19 11
20 50 19 10
(x − xn )2 00
f (x) = f (xn ) + (x − xn )f 0 (xn ) + f (x ) (1.26)
2
donde x está entre x y xn . Como hemos supuesto que x̂ está bien cerca de
xn se tiene en (1.26) con x = x̂ lo siguiente:
(x̂ − xn )2 00
f (x̂) = f (xn ) + (x̂ − xn )f 0 (xn ) + f (x̂ ) (1.27)
2
de (1.28) obtenemos:
f (xn )
x̂ ≈ xn − (1.29)
f 0 (xn )
i xi f (xi ) f 0 (xi )
0 0.785398 -0.156023 0.858579
1 0.967121 0.002470 0.886466
2 0.964335 0.000001 0.886007
3 0.964334 0.000000
x2n − N
f (xn ) 1 N
xn+1 = xn − 0 = xn − = xn +
f (xn ) 2xn 2 xn
Resolución:
Para hallar una solución de la ecuación dada, es equivalente a encontrar una
raı́z de f (x) = x3 + 4x2 − 10, la cual es continua y diferenciable en todo R.
Además, observemos que:
ası́, el Teorema 1.1 garantiza la existencia de al menos una solución en [1, 2].
Por otro lado:
0 f 00 (ξ)
f (x) = f (xn ) + f (x)(x − xn ) + (x − xn )2
2
donde ξ es un valor entre x y xn .
Desde que se supone que x̂ está muy próximo de xn , podemos reemplazar en
la ecuación anterior:
f 00 (ξ)
0 = f (x̂) = f (xn ) + f 0 (x)(x̂ − xn ) + (x̂ − xn )2 , (1.32)
2
donde ξ es un valor entre x̂ y xn , por tanto:
f 00 (ξ) f 00 (ξ) 2
f (xn ) + f 0 (x)(x̂ − xn ) = − (x̂ − xn )2 = − e
2 2 n
1.3. MÉTODO DE NEWTON 27
entonces ∃ δ > 0 tal que si |x0 − x̂| < δ, entonces la sucesión {xn }∞
n=0 dada
por (1.30) converge a x̂ para cualquier punto inicial x0 ∈ B(x̂, δ).
Demostración:
Como f 0 es continua y f 0 (x̂) 6= 0, entonces existe R1 > 0 tal que f 0 (x) 6= 0
para todo x ∈ B(x̂, R1 ). Definamos:
1
c0 = sup < ∞. (1.34)
x∈B(x̂,R1 ) f 0 (x)
n
(M δ)2
|xn − x̂| ≤
M
Los teoremas 1.2 y 1.3 nos dicen que el método de Newton tiene como
principal desventaja la elección del punto inicial x0 , el cual debe de estar cerca
de la raı́z x̂ de la función f . Sin embargo, cuando esto ocurre, la relación (1.37)
nos dice que el método de Newton converge a la solución de forma cuadrática,
es decir, el número de decimales exactos se duplica en cada iteración. Otra
desventaja del método de Newton es el cálculo de la derivada y posterior
evaluación en cada iteración.
Resolución:
1. Para demostrar que existe una única raı́z, en este caso, basta analizar
la derivada del polinomio
2
0 2 4 24
P (x) = 3x − 4x + 4 = 3 x − + > 0 para todo x ∈ R.
6 9
g(x̂) = x̂.
Demostración:
Definamos: f : [a, b] ⊂ R → R del modo que sigue: f (x) = x − g(x). De
donde observamos:
Demostración:
Como g es una función acotada, entonces, existe k > 0 tal que |g(x)| < k
para todo x ∈ R, es decir:
Demostración:
Desde que g es diferenciable en R, entonces es continua en R, y por hipótesis
es acotada, entonces existe k ∈ R, k > 0 tal que |g(x)| ≤ k. Luego, por el
Teorema 1.5 concluimos que existe un punto fijo x̂ ∈ h−k, ki de g.
Demostremos que el punto fijo es único. En efecto, supongamos que existe
otro punto fijo x∗ de la función g, es decir: g(x∗ ) = x∗ . Sin pérdida de
generalidad podemos suponer que x̂ < x∗ . Podemos aplicar el Teorema del
Valor Medio en el intervalo [x̂, x∗ ] para obtener un punto c ∈ hx̂, x∗ i tal que:
es decir:
para algún cn entre xn y x̂. Por hipótesis, existe λ ∈ h0, 1i tal que |g 0 (x)| ≤
λ < 1, entonces, la ecuación (1.40) implica:
lı́m xn = x̂,
n→∞
además:
0
1 ≤ 1 = λ < 1 para todo x ∈ R.
|g (x)| =
2
3(1 + (x − 2) ) 3
Por tanto, se satisfacen las condiciones del Teorema 1.6 y ası́ concluimos que
existe un único punto fijo x̂ de la función g, el cual también es raı́z de la
función f .
En la Tabla 1.9 se muestran los resultados después de aplicar el método del
punto fijo a la función g y se ha detenido cuando |xi+1 − xi | < 10−5 . Se
muestran los resultados para dos puntos iniciales: x0 = 0 y para x0 = 50,
para ambos casos se da la convergencia hacia la solución.
Tabla 1.9: Met. del punto fijo para f (x) = arctan(x − 2)/3 − x
i xi g(xi ) f (xi ) xi g(xi ) f (xi )
0 0 -0.36905 -0.36905 50 0.516655 -49.483345
1 -0.36905 -0.390459 -0.021409 0.516655 -0.325876 -0.842532
2 -0.390459 -0.39153 -0.001071 -0.325876 -0.388248 -0.062372
3 -0.39153 -0.391583 -0.000053 -0.388248 -0.39142 -0.003172
4 -0.391583 -0.391585 -0.000003 -0.39142 -0.391577 -0.000158
5 -0.391585 -0.391586 0.000000 -0.391577 -0.391585 -0.000008
6 -0.391585 -0.391586 0.000000
Demostración:
De la definición de xn en (1.39), x̂ punto fijo de g y de la condición que
cumple λ para g 0 , se cumple:
|xn − xn−1 | = |g(xn−1 ) − g(xn−2 )| = |g 0 (c∗ )||xn−1 − xn−2 | ≤ λ|xn−1 − xn−2 |
36CAPÍTULO 1. BÚSQUEDA DE RAÍCES EN ECUACIONES NO LINEALES
λn
|x̂ − xn | ≤ |x1 − x0 | (1.44)
1−λ
converge al único punto fijo x̂ para cualquier punto inicial x0 ∈ ha, bi. Además,
en la iteración n se sigue cumpliendo:
λn
|x̂ − xn | ≤ |x1 − x0 |. (1.46)
1−λ
f (x) = 1 + x + exp(x) = 0
1.5. MÉTODO DEL PUNTO FIJO 37
g(x) = −1 − ex .
Observar que
−2 ≤ g(−1) < g(x) < g(−2) ≤ −1, para todo x ∈ [−2, −1],
Entonces, por el Teorema 1.8 podemos concluir que existe un único punto
fijo x̂ de la función g en el intervalo [−2, −1] y por tanto, x̂ será también la
única raı́z de f en el mismo intervalo.
Además, el esquema iterativo del punto fijo dado por (1.45) genera una suce-
sión de puntos que convergen a x̂ para cualquier x0 ∈ h−2, −1i. La Tabla 1.10
muestra los resultados de aplicar 1.45 iniciando en x0 = −1.5 ∈ h−2, −1i has-
ta que |xn − xn−1 | < 10−5 .
Veamos primero
√ si la función f tiene al menos una raı́z. Para ello, conside-
x2 + 1
remos g(x) = definida en el intervalo |x| ≤ 1. En este intervalo se
5
tiene:
√ √
x2 + 1 2
−1 < 0 ≤ ≤ <1
5 5
0 2 x 2
|g (x)| = √ ≤ < 1 para todo x ∈ h−1, 1i.
5 x2 + 1 5
Entonces, por el Teorema 1.8 podemos concluir que existe un único punto
fijo x̂ de la función g en el intervalo |x| ≤ 1 y por tanto, x̂ será también la
única raı́z de f en el mismo intervalo.
Calculemos ahora el número de iteraciones necesarias para alcanzar una to-
lerancia de error menor a 10−5 , para ello hacemos uso de (1.46), donde:
2
λ= , y si x0 = −0.5 ⇒ x1 = g(x0 ) ≈ 0.224,
5
por tanto:
10−5 (1 − λ)
ln
|x1 − x0 |
n> = 12.8,
ln(λ)
√
x2 + 1
Tabla 1.11: Mét. punto fijo para f (x) = − x.
5
i xi g(xi ) f (xi ) xi g(xi ) f (xi )
0 -0.500000 0.223607 0.723607 0.500000 0.223607 -0.276393
1 0.223607 0.204939 -0.018668 0.223607 0.204939 -0.018668
2 0.204939 0.204157 -0.000782 0.204939 0.204157 -0.000782
3 0.204157 0.204125 -0.000031 0.204157 0.204125 -0.000031
4 0.204125 0.204124 -0.000001 0.204125 0.204124 -0.000001
5 0.204124 0.204124 0.000000 0.204124 0.204124 0.000000
6 0.204124 0.204124 0.000000 0.204124 0.204124 0.000000
7 0.204124 0.204124 0.000000 0.204124 0.204124 0.000000
8 0.204124 0.204124 0.000000 0.204124 0.204124 0.000000
9 0.204124 0.204124 0.000000 0.204124 0.204124 0.000000
10 0.204124 0.204124 0.000000 0.204124 0.204124 0.000000
11 0.204124 0.204124 0.000000 0.204124 0.204124 0.000000
12 0.204124 0.204124 0.000000 0.204124 0.204124 0.000000
13 0.204124 0.204124 0.000000
Podemos observar que en ambos casos se cumple que |x6 − x5 | < 10−5 , es
decir, se alcanzó la tolerancia pedida mucho antes del valor estimado para el
número de iteraciones n.
Entonces, por el Teorema 1.8 podemos concluir que existe un único punto
fijo x̂ de la función g en el intervalo [0, 1] y por tanto, x̂ será también la única
raı́z de f en el mismo intervalo.
40CAPÍTULO 1. BÚSQUEDA DE RAÍCES EN ECUACIONES NO LINEALES
1 √
λ= , y si x0 = 0.5 ⇒ x1 = g(x0 ) = e−x0 ≈ 0.7788,
2
por tanto:
n > 15.77,
es decir, si tomamos n = 16 garantizamos la tolerancia de error pedida.
La Tabla 1.12 muestra los resultados después de aplicar el método de Punto
Fijo para g, los cálculos se han hecho hasta el número de iteraciones estimado
para cada punto inicial x0 .
π
(a) Consideremos la función g(x) = arctan(cos(x)) para todo 0 ≤ x ≤ .
4
En este invervalo la función g es continua y además cumple
√
2
≤ cos(x) ≤ 1,
2
por tanto se obtiene
√ !
2 π
0 < arctan ≤ arctan(cos(x)) ≤ arctan(1) = .
2 4
f (xk )
xk+1 = xk + , para todo k ≥ 0,
f 0 (xk )
donde
F (x̂) = 0. (1.49)
obtenemos que
(0) 0.7669457
h =
−1.0594535
lo que implica
(1) (0) (0) 1.7669457
x =x +h = .
0.4405465
Evaluamos el criterio de parada kh(0) k = 1.3079172 > 10−5 . Por tanto, re-
petimos el proceso hasta conseguir que kh(k) k < 10−5 o alcanzar un número
máximo de iteraciones sin conseguir el criterio de parada. Las iteraciones pa-
ra este ejemplo son resumidas en la Tabla 1.14 y se consiguió la convergencia
para k = 5.
Análisis de convergencia
Teorema 1.9. Sea F : Rn → Rn una función de clase C 2 en un conjunto
abierto y convexo D ⊂ Rn tal que x? ∈ D. Supongamos que JF (x? ) exista y
que además existen constantes positivas R, C y L tal que :
Entonces existe r > 0 tal que para cualquier punto inicial x0 ∈ B(x? , r) la
sucesión generada por el Algoritmo 4 converge para la solución x? con:
Siguiendo [3], de demostrará que el radio espectral de la matriz kI−JF−1 (x? )JF (x0 )k
es menor que 1, donde:
ρ(P ) = ı́nf (kP k).
k.k
1
En (1.58) elegimos r = min R, , obteniendo para cualquier x0 ∈
2CL
B(x? , r):
1
ρ(I − JF−1 (x? )JF (x0 )) ≤ kI − JF−1 (x? )JF (x0 )k ≤ . (1.59)
2
Entonces la matriz I − (I − JF−1 (x? )JF (x0 )) = JF−1 (x? )JF (x0 ) es invertible,
además:
1
k(JF−1 (x? )JF (x0 ))−1 k ≤ −1 ? . (1.60)
1 − kI − JF (x )JF (x0 )k
1
Por tanto, existe r = 2CL > 0 tal que para cualquier x0 ∈ B(x? , r) se tiene
que JF (x0 ) es invertible.
Probaremos ahora que para cualquier x0 ∈ B(x? , r) se tiene que la sucesión
generada por el Algoritmo 4 converge a x? .
En efecto, a partir de (1.59) se cumple que:
kJF−1 (x? )k
−1 ? ≤ 2 kJF−1 (x? )k ≤ 2C. (1.61)
1 − kI − JF (x )JF (x0 )k
Como JF−1 (x0 ) = JF−1 (x0 )JF (x? )JF−1 (x? ), entonces de (1.60) y (1.61) obtene-
mos:
kJF−1 (x? )k
kJF−1 (x0 )k ≤ ≤ 2C. (1.62)
1 − kI − JF−1 (x? )JF (x0 )k
Usando ahora el polinomio de Taylor alrededor de x0 , [?], se tiene que:
r(x? − x0 )
lı́m ? = 0. (1.64)
x0 →x kx? − x0 k2
1.6. MÉTODOS PARA SISTEMAS DE ECUACIONES NO LINEALES 47
Del Teorema 1.9 podemos deducir que uma desventaja del Método de
Newton, es que la existencia de la vecindad donde el Método converge es
pequeña. Algunas variaciones del Método de Newton para resolver un sistema
de ecuaciones no lineales pueden ser vistas en [3, 4, 5, 6, 7, 8].
λn
kx̂ − xn k ≤ kx1 − x0 k. (1.67)
1−λ
Como consecuencia de (1.67) se tiene un estimado del número de itera-
ciones ” n ” para alcanzar una cierta tolerancia TOL. El cálculo de ” n ”
viene estimado por
TOL (1 − λ)
ln
kx1 − x0 k
n≥ . (1.68)
ln(λ)
x21 + x22 + 8
x1 =
10
x1 x22 + x1 + 8
x2 =
10
Por tanto, podemos considerar la siguiente función de iteración:
x21 + x22 + 8
10
G(x1 , x2 ) =
x1 x22 + x1 + 8
10
Considere la siguiente región:
D = {(x1 , x2 ) ∈ R2 / 0 ≤ x1 ≤ 1, 0 ≤ x2 ≤ 1}.
de donde
x1 + x2 x22 + 1 + 2x1 x2
kJG(x1 , x2 )k∞ = máx , .
5 10
Se presentan dos casos:
x1 + x2 2
Si kJG(x1 , x2 )k∞ = , entonces, kJG(x1 , x2 )k∞ < < 1.
5 5
x22 + 1 + 2x1 x2
Si kJG(x1 , x2 )k∞ = , entonces
10
(x1 + x2 )2 + 1 − x21 (x1 + x2 )2 + 1 5
kJG(x1 , x2 )k∞ = ≤ < .
10 10 10
De los casos anteriores podemos concluir que
2 5 1
kJG(x1 , x2 k∞ < máx , = < 1,
5 10 2
1
ası́, tenemos que λ = < 1.
2
Por tanto, del Teorema 1.10 podemos concluir que la función G admite
un único punto fijo x̂ ∈ D.
(b) Por el item anterior, la función G satisface las condiciones del Teore-
ma 1.10, por tanto, la sucesión
(k+1)
x
1 = G(x1(k) , x(k)
2 ), para todo k ≥ 0,
(k+1)
x2
es decir 2 2
(k) (k)
+
x1 +8 x2
(k+1)
x1
10
=
(k+1)
x2 (k) (k) 2 (k)
x1 x2 + x1 + 8
10
converge al único punto fijo x̂ ∈ D para cualquier punto inicial x(0) ∈ D.
Por otro lado, como x(0) = (0, 0) ∈ D, entonces la sucesión converge al
único punto fijo x̂. Luego, para estimar el número de iteraciones ” n ”
tenemos:
(0) 0 (1) 0.8
x = ⇒x = ⇒ kx(1) − x(0) k∞ = 0.8,
0 0.8
50CAPÍTULO 1. BÚSQUEDA DE RAÍCES EN ECUACIONES NO LINEALES
y del item anterior se tiene que λ = 0.5. Por tanto, usando (1.68)
obtenido a partir del Teorema 1.10 tenemos que
−5
10 × 0.5
ln
0.8
n≥ ⇒ n ≥ 17.287712.
ln(0.5)
Esto último implica que debemos elegir n = 18 como el número de
iteraciones para alcanzar una tolerancia menor a 10−5 .
(c) Empezamos con el método del Punto Fijo usando el proceso iterativo
descrito en el item anterior. Por tanto, si x(0) = (0, 0)T , entonces
(1) (0) 0.8
x = G(x ) =
0.8
116
(2) (1)
125 0.928
x = G(x ) = = .
582 0.9312
625
Ahora usamos el método de Newton siguiendo el Algoritmo 4, para ello
definimos: 2
x1 − 10x1 + x22 + 8
F (x1 , x2 ) =
x1 x22 + x1 − 10x2 + 8
luego !
2x1 − 10 2x2
JF (x1 , x2 ) =
x22 + 1 2x1 x2 − 10
Iniciando en x(0) = (0, 0)T se tiene:
(0) 8 (0) −10 0
F (x ) = , JF (x ) = ,
8 1 −10
usando ahora (1.53)–(1.54) resulta
4 4
(0)
5 (1) (0) (0)
5 0.8
h = ⇒x =x +h = = .
22 22 0.88
25 25
Para la segunda iteración se tiene:
884 42 44
−
625 5 25
F (x(1) ) =
1936
, JF (x(1) ) =
1109
,
1074
−
3125 625 125
1.6. MÉTODOS PARA SISTEMAS DE ECUACIONES NO LINEALES 51
x21 + 16x22 − 9 = 0
50
x1 + x22 − 25 = 0
3
(a) Determine una región D ⊂ R2 que contiene una única solución del
sistema.
(c) Realice las iteraciones con el esquema propuesto y compare con el méto-
do de Newton.
52CAPÍTULO 1. BÚSQUEDA DE RAÍCES EN ECUACIONES NO LINEALES
Resolución:
(a) El sistema dado puede escribirse de las siguiente manera.
p
9 − x21
x2 =
4
(25 − x22 )
x1 = 3
50
Por lo tanto podemos considerar la siguiente función de iteración
(25 − x22 )
3 50
G(x1 , x2 ) = p
9 − x21
4
considere la siguiente region:
D={(x1 ; x2 )R2 /0 ≤ x1 ≤ 2, 0 ≤ x2 ≤ 4 }
0 ≤ x2 ≤ 2
9 ≤ 25 − x22 ≤ 25
27 3(25−x2 )
50
≤ 50 2 ≤ 32
27
donde: 0 ≤ 50 ≤ x1 ≤ 32 ≤ 4
la segunda componente:
0 ≤ x1√≤ 2
√
5 9−x21
≤ ≤ 34
4 16
√ √
9−x21
donde:0 ≤ 45 ≤ 16
≤ 3
4
≤2
entonces:
G(D) ⊂ D
(b) Empezamo con el metodo de punto fijo usando el proceso iterativo por
tanto: x(0) = (α1 ; α2 )
3(25 − x22 )
x1 =
50
p
9 − x21
x2 =
4
Ahora usamos el metodo de Newton para ello definimos:
2
x1 + 16x22 − 9
F (x1 ; x2 ) = 50
x + x22 − 25
3 1
3(25−x22 )
!
G(x1 ; x2 ) = √ 50 2 9−x1
4
1.7. EJERCICIOS 53
!
0 − 3x
25
2
JG(x1 ; x2 ) = − √x1 0
4 9−x21
( )
3||x2 || ||x1 ||
||JG(x1 ; x2 )||∞ = max ; p
25 4 9 − x21
Definición 1.2. Sea G una función que define un método iterativo y que
G(p) = p, G0 (p) = 0, G00 (p) = 0, . . . , G(m−1) (p) = 0 y G(m) 6= 0. Entonces se
dice que el método de punto fijo asociado tiene orden de convergencia m.
p4n−1 − 21pn−1
(c) pn = pn−1 − .
p2n−1 − 21
1/2
21
(d) pn = .
pn−1
1.7. Ejercicios
1. Localice gráficamente las raı́ces de f (x) = 0, siendo f (x) =| x |
− exp(x). Use el método de Bisección para determinar un valor apro-
ximado para los ceros de f con un error que no exceda a 0.15.
15. El valor de π puede ser obtenido como solución de las siguientes ecua-
ciones sin(x) = 0 y cos(x) + 1 = 0.
16. Use el método del punto fijo para encontrar una raı́z de f (x) = x3 +
4x2 − 10 en el intervalo [1, 2].
17. Use el método del punto fijo para encontrar una raı́z de f (x) = x −
x4/5 − 2.
56CAPÍTULO 1. BÚSQUEDA DE RAÍCES EN ECUACIONES NO LINEALES
Capı́tulo 2
Interpolación polinomial
57
58 CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL
Ejemplo 2.1.1. Dados los puntos (−1, 2), (0, 1), (−2, 3), (1, 0). Calcule el
polinomio de interpolación.
Resolución:
Dados los 4 puntos (esto es, n = 3), procedemos a calcular los coeficientes
ai (i = 0, 1, 2, 3) del polinomio de interpolación P3 resolviendo el sistema lineal
(2.4) dado por:
1 (−1) (−1)2 (−1)3 a0 2
1 2 3
0 0 0 a1
1
= ,
1 −2 (−2)2 (−2)3 a2 3 (2.6)
1 (1) (1)2 (1)3 a3 0
a0 = 1, a1 = −1, a2 = 0, a3 = 0,
P3 (x) = 1 − x.
es fácil observar que todas las Li (i = 0, 1, ..., n) cumplen las siguientes pro-
piedades:
n
X
Pn (x) = f (x0 )L0 (x) + · · · + f (xn )Ln (x) = f (xj )Lj (x). (2.8)
j=0
Ejemplo 2.2.1. Dados los puntos (−1, 1), (2, −1), (0, −1). Calcule el poli-
nomio de interpolación en la forma de Lagrange.
Resolución:
Dados los 3 puntos, procedemos a calcular L0 , L1 y L2 según (3.80):
(x − 2)(x − 0) (x − 2)x
L0 (x) = =
(−1 − 2)(−1 − 0) 3
(x + 1)(x − 0) (x + 1)x
L1 (x) = =
(2 + 1)(2 − 0) 6
(x + 1)(x − 2) (x + 1)(x − 2)
L2 (x) = =−
(0 + 1)(0 − 2) 2
P2 (x) = f (x0 )L0 (x) + f (x1 )L1 (x) + f (x2 )L2 (x)
Dados los puntos (x0 , f (x0 )), ..., (xn , f (xn )) es relativamente fácil calcular
Pn en la forma de Lagrange, pero, ¿qué sucede si agregamos a los puntos ini-
ciales el punto (xn+1 , f (xn + 1))?. Ante esta situación, el método de Lagrange
no es ventajoso, porque tenemos que rehacer todos los cálculos para obtener
el polinomio Pn+1 . El método de Newton, descrito en la siguiente sección,
resuelve este problema.
Es decir, (2.10) nos dice que x0 , x1 , ..., xn son las n + 1 raı́ces del polinomio
Qn+1 . Por tanto:
Qn+1 (x) = an+1 θn+1 (x) (2.11)
para alguna constante an+1 ∈ R y donde
de ahı́:
yn+1 − Pn (xn+1 )
an+1 = (2.12)
θn+1 (xn+1 )
Ejemplo 2.3.1. Para los puntos (−1, 1), (2, −1), (0, −1) del ejemplo ante-
rior, calcule el nuevo polinomio de interpolación después de agregar el punto
(−2, −2).
Resolución:
Procedemos de la forma siguiente:
Para (x0 , y0 ), definimos P0 (x) = y0 = 1.
2 2 19
P3 (x) = 1 − (x + 1) + (x + 1)(x − 2) + (x + 1)(x − 2)x.
3 3 24
Los resultados pueden observarse en la Figura 2.3.
f [x0 , x0 ] := a0 = y0 (2.14)
es decir
Pn (xi+j ) = yi+j j = 0, 1, 2, ..., n
Qn interpola a (xi+1 , yi+1 ), · · · (xi+n , yi+n ), (xi+n+1 , yi+n+1 ),
es decir
Qn (xi+j ) = yi+j j = 1, 2, 3, ..., n + 1.
Por tanto, de (2.16) los polinomios Pn y Qn tienen la siguiente forma:
n
X
Pn (x) = f [xi , xi ] + f [xi , xi+1 , ..., xi+j ](x − xi )...(x − xi+j−1 ) (2.18)
j=1
n+1
X
Qn (x) = f [xi+1 , xi+1 ] + f [xi+1 , xi+2 , ..., xi+j ](x − xi+1 )...(x − xi+j−1 )
j=2
(2.19)
2.4. MÉTODO DE DIFERENCIAS DIVIDIDAS 65
xi yi
xi+3 yi+3 f [xi+2 , xi+3 ] f [xi+1 , xi+2 , xi+3 ] f [xi , xi+1 , xi+2 , xi+3 ]
Ejemplo 2.4.1. Considere los puntos (1, 1/2), (0, −1/2), (3/2, 1) y (2, 2).
Use el método de diferencias divididas para calcular el polinomio de interpo-
lación en la forma de Newton.
66 CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL
Resolución:
Construimos la tabla según la Figura 2.4:
1
1
2
1
0 − 1
2
2 9 15
1 −
3 4 4
3 3
2 2 − 3
4 4
1 15 2
P3 (x) = + (x − 1) − (x − 1)x + 3(x − 1)x x − .
2 4 3
Una ventaja del método de diferencias divididas es que nos permite en-
contrar también el polinomio de interpolación para un subconjunto de los
puntos dados, por ejemplo, a partir de la Figura 2.5 podemos obtener el poli-
nomio de interpolación P2 para los puntos (0, −1/2), (2/3, 1) y (2, 2), el cual
es dado por:
1 9 3 2
P2 (x) = − + x − x x − .
2 4 4 3
68 CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL
θn+1 (t)
g(t) = f (t) − Pn (t) − [f (x) − Pn (x)] (2.24)
θn+1 (x)
donde
θn+1 (t) = (t − x0 )(t − x1 )...(t − xn−1 )(t − xn ).
Observemos que si t = xi (i = 0, 1, 2, ..., n) en (2.24), entonces g(xi ) = 0. Ası́
mismo, si t = x, también implica g(x) = 0. Es decir, {x0 , ..., xn , x} son n + 2
raı́ces de la función g.
Luego, exigiendo que f sea n+1 veces derivable, podemos aplicar el Teorema
de Rolle continuamente y obtenemos que existe ξ ∈ (a, b) tal que
g (n+1) (ξ) = 0.
(n + 1)!
g (n+1) (t) = f (n+1) (t) − E(x)
θn+1 (x)
Por tanto:
(n + 1)!
g (n+1) (ξ) = f (n+1) (ξ) − E(x) = 0
θn+1 (x)
lo que implica
f (n+1) (ξ)
E(x) = θn+1 (x) (2.25)
(n + 1)!
La relación dada en (2.25) nos da una expresión para el error que se comete
en algún punto x ∈ (a, b). Observar que E(xi ) = 0 para todo i = 0, 1, ..., n.
x8 3cos(2x)
Ejemplo 2.5.1. Sea f (x) = − . Calcule una cota del error
84 8
cuando se aproxima f (0.65) cuando se considera 5 puntos uniformemente
espaciados en [0, 1].
Resolución:
Consideremos la partición uniforme:
f (v) (ξ)
E(x) = (x − x0 )(x − x1 )(x − x2 )(x − x3 )(x − x4 )
5!
70 CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL
1
f (x) = , para todo x ∈ [−1, 1]. (2.26)
1 + 25x2
lı́m máx |f (x) − Pn (x)| = ∞. (2.28)
n→∞ −1≤x≤1
72 CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL
0.8
0.6
0.4
0.2
−0.2
−0.4
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
Integración Numérica
73
74 CAPÍTULO 3. INTEGRACIÓN NUMÉRICA
3.1.1. Simple
Siendo f : [a, b] → R una función continua y consideramos x0 = a, x1 = b.
Con la finalidad de utilizar interpolación polinomial, exigimos que f sea dos
veces derivable. Luego, se cumple
f (x) = P1 (x) + E1 (x) (3.3)
donde
(x − x0 )
P1 (x) = f0 + (f1 − f0 )
h
3.1. MÉTODO DEL TRAPECIO 75
f 00 (ξ) 3
= − h,
12
donde se ha observado que g(x) = (x − x0 )(x − x1 ) no cambia de signo para
todo x ∈ [x0 , x1 ], por tanto, para usar el teorema del valor medio para inte-
grales exigimos que f 00 sea continua en [x0 , x1 ] y ası́ obtenemos la expresión
para el error ET S.
Luego, integrando (3.3) y reemplazando en él los resultados obtenidos en
(3.4) y (3.5) se obtiene
Z x1
h f 00 (ξ) 3
f (x)dx = (f0 + f1 ) − h (3.6)
x0 2 12
3.1.2. Compuesto
Es natural pensar que usar el método del trapecio simple para una función
f da en general aproximaciones muy alejadas del valor exacto de la integral,
como puede observarse en la Figura 3.1. Con el objetivo de mejorar la apro-
ximación, es natural pensar en considerar una partición regular del intervalo
76 CAPÍTULO 3. INTEGRACIÓN NUMÉRICA
donde
Z xi+1
h
MTSi (f ) = f (x) dx = (fi + fi+1 ), i = 0, ..., n − 1
xi 2
y el error total es
n−1 n−1 00
X X f (ξi )
ETC = ETSi = − h3 (3.8)
i=0 i=0
12
es decir
n−1
X
f 00 (ξi )
i=0
f 00 (x∗ ) ≤ ≤ f 00 (x̂)
n
dado que f 00 es una función continua en [a, b], entonces podemos aplicar el
Teorema del Valor Intermedio, es decir, existe ξ ∈ ha, bi tal que
n−1
X
f 00 (ξi )
i=0
f 00 (ξ) = (3.14)
n
Reemplazando adecuadamente (3.14) en la expresión para el error del método
del trapecio compuesto dado por (3.8), obtenemos
n−1 00
X f (ξi ) h3 00
ETC = − h3 = −n f (ξ) para algún ξ ∈ ha, bi. (3.15)
i=0
12 12
o de forma equivalente
h3 00 (b − a)3 00
ETC = −n f (ξ) = − f (ξ) para algún ξ ∈ ha, bi. (3.16)
12 12n2
y como 1 ≤ x ≤ e, entonces
|f 00 (x)| ≤ 2 ln(e) + 3 = 5.
M T C(f ) = 4.58238800,
y realizando una simple integración por partes se puede obtener en este caso
el valor exacto de la integral, es decir
Z e
2e3 1
f (x) dx = + = 4.57456376,
1 9 9
a+b
a = x0 < x1 = < x2 = b,
2
y definiendo h = x2 −x1 = x1 −x0 . Con los puntos x0 , x1 y x2 podemos aplicar
interpolación polinomial para obtener otro método de integración numérica,
que será descrito en la siguiente sección.
3.2.1. Simple
Dado que tenemos los puntos (x0 , f0 ), (x1 , f1 ) y (x2 , f2 ), usamos inter-
polación polinomial mediante el método de coeficientes indeterminados para
obtener P2 , polinomio de segundo grado, que se puede expresar de la siguiente
forma
P2 (x) = p + qx + rx2 (3.17)
que satisface
Se cumple
Z x2 Z x2 Z x2
f (x) dx = P2 (x) dx + E(x) dx (3.20)
x0 x0 x0
Vamos a usar las relaciones dadas en (3.17) y (3.18) para encontrar una
3.2. MÉTODO DE SIMPSON 81
(x2 − x0 )
= [6p + 3q(x2 + x0 ) + 2r(x22 + x2 x0 + x20 )]
6
(x2 − x0 )
= [(p + qx2 + rx22 ) + (p + qx0 + rx20 ) + 2q(x0 + x2 ) +
6
+ r(x22 + 2x2 x0 + x20 ) + 4p]
" 2 #
(x2 − x0 ) x0 + x2 x0 + x2
= f0 + f2 + 4q + 4r + 4p
6 2 2
(x2 − x0 )
= [f0 + f2 + 4(qx1 + rx21 + p)]
6
(x2 − x0 ) 2h
= [f0 + 4f1 + f2 ] = [f0 + 4f1 + f2 ]
6 6
f 000 (ξ)
ESS = (x − x0 )(x − x1 )(x − x2 ) (3.23)
6
f (iv) (ξ)h5
E(h) = − (3.30)
90
Por tanto, a partir de (3.19) junto a (3.21) y (3.30) se tiene la siguiente
igualdad
Z x2
h f (4) (ξ)h5
f (x) dx = [f (x0 ) + 4f (x1 ) + f (x2 )] − (3.31)
x0 3 90
3.2.2. Compuesto
De una forma análoga al método del trapecio compuesto, vamos a consi-
derar una partición regular del intervalo [a, b], es decir:
donde
Z x2i
h n
M SSi (f ) = f (x) dx = (f2i−2 + 4f2i−1 + f2i ), i = 1, ...,
x2i−2 3 2
n
2
X h5
ESC = − f (4) (ξi ) (3.32)
i=1
90
84 CAPÍTULO 3. INTEGRACIÓN NUMÉRICA
f (iv) (x∗ ) ≤ f (iv) (x) ≤ f (iv) (x̂) para todo x ∈ [a, b] (3.35)
n
en particular, para ξi ∈ [x2i−2 , x2i ] ⊂ [a, b], (i = 1, ..., ) también se cumple
2
es decir n
2
X
2 f (iv) (ξi )
i=1
f (iv) (x∗ ) ≤ ≤ f (iv) (x̂)
n
dado que f (iv) es una función continua en [a, b], entonces aplicamos de nuevo
el Teorema del Valor Intermedio, es decir, existe ξ ∈ ha, bi tal que
n
2
X
2 f (iv) (ξi )
i=1
f (iv) (ξ) = (3.38)
n
3.2. MÉTODO DE SIMPSON 85
|f (iv) (x)| ≤ M = 2.
y queremos una tolerancia de error de tol = 10−2 , por tanto, exigimos que:
(e − 1)5
M ≤ tol
180n4
de donde se obtiene
r
4 M (e − 1)5
n≥ ≈ 2.01980,
180 tol
ası́, debemos tomar n = 4 porque debe ser un número par.
M SC(f ) = 4.57434,
Resolución:
Para el cálculo de errores o tolerancia tenemos: T ol = 10−6
2
|ET (f )| = h (b−a)
(2)
f (θ)
12
h4 (b−a)
(4)
|ES (f )| = 180
f (θ)
b−a
Además h = n
= n1 .
1
f (x) = ln (x); f (1) (x) = x
; f (2) (x) = − x12
2
f (3) (x) = x3
; f (4) (x) = − x64
1≤ x ≤2 ⇒ −1 ≤ − x12 ≤ − 14 ⇒ 1
4
≤ f (2) (x) ≤ 1
Reemplazando:
1
n2 (12)
(1) f (2) (x) ≤ 10−6 ; 1
n2 (12)
≤ 10−6 ; n = 288.67 ≈ 289
Usando el método de Simpson.
1≤ x ≤2 ⇒ −6 ≤ − x64 ≤ − 61 ⇒ 1
6
≤ f (4) (x) ≤ 6.
Reemplazando:
1(6)
(4)
4
1
(1) f (x) ≤ 10−6 ; ≤ 10−6 ; n = 13.51 ≈ 14
n (180) n4 (180)
Z 2
Ejemplo 3.2.4. Determine el número de intervalos n para aproximar e2x sen(3x) dx
0
con una exactitud de 10−4 usando el método del trapecio compuesto y méto-
do de Simpson compuesto.
Resolución:
Sea f (x) = e2x sen(3x), luego:
entonces:
|f (00) (x)| ≤ M
p
donde M = e4 (5)2 + (12)2 = 709.77595. Ahora, acotamos ET (f ), es decir:
22 (00) 2M
|ET (f )| = 2 f (ξ) ≤ 2 ≤ 10−4
12n2 3n
de donde obtenemos:
r
2M 104
n≥ = 2175.2792,
3
por tanto, para el método del trapecio tenemos que tomar n = 2176.
Para el método de Simpson compuesto, debemos acotar f (iv) (x) para todo
0 ≤ x ≤ 2. De esto, tenemos lo siguiente:
p
|e2x | ≤ e4 , | − 119sen(3x) − 120cos(3x)| ≤ (119)2 + (120)2 ,
entonces:
|f (iv) (x)| ≤ M
p
donde M = e4 (119)2 + (120)2 = 9227.0874. Ahora, acotamos ES(f ), es
decir:
24
≤ 8M ≤ 10−4
(iv)
|ES(f )| = 2 4
f (ξ) 45n4
180n
de donde obtenemos:
r
4 8M 104
n≥ = 63.640785
45
por tanto, para el método de Simpson tenemos que n = 64.
0.2
I= (F (1) + 4F (2) + 2F (1.4) + 4F (1.6) + F (1.8)) = 0.5321693 ≈ 0.53217
3
El error relativo es:
ER = −0.0000019
Para estimar el número de subintervalos, se tiene que:
(iv)
120
|f (x)| = 5 ≤ 24,
x
4
(b − a)5 (iv) 24(b − a)5
h
|E| =
(iv)
(b − a)f (ζ)=
f (ζ)≤
≤ 10−5
180 180n4 180n4
b−a
h=
n
se tiene lo siquiente:
Si n es par:
b n n
h(n+3 (n+2)
Z X Z
f (x)dx = Ai f (xi ) + f (ξ) t2 (t − 1) . . . (t − n)dt.
a i=0
(n + 2)! 0
(3.41)
Si n es par:
b n n
h(n+2 (n+1)
Z X Z
f (x)dx = Ai f (xi ) + f (ξ) t(t − 1) . . . (t − n)dt.
a i=0
(n + 1)! 0
(3.42)
3.3. CUADRATURA GAUSSIANA 91
Si n es par:
b n n+1
h(n+3 (n+2)
Z X Z
f (x)dx = Ai f (xi )+ f (ξ) t2 (t−1) . . . (t−n)dt.
a i=0
(n + 2)! −1
(3.43)
Si n es par:
b n n+1
h(n+2 (n+1)
Z X Z
f (x)dx = Ai f (xi ) + f (ξ) t(t − 1) . . . (t − n)dt.
a i=0
(n + 1)! −1
(3.44)
Rf ((a, b)) = k(b − a)m+2 f (m+1) (ξ), para todo f ∈ C m+1 ((a, b)), (3.45)
Con este objetivo, basta que (3.48) sea exacta para la base {1, x, x2 , . . . , x2n−1 },
obteniéndose el siguiente sistema:
Z
1 dx
1 1 ··· 1
Z I
x1 x2 · · · xn
w1
.. .. ..
. . .
w2
w(x)x dx
.. .. .. .. I
. . .
.
..
= Z
.
(3.49)
xi1 xi2 · · · xin wi
w(x)xi dx
.. .. .. ..
. . . . I
.. .. ..
wn
..
.
. . . Z
x2n−1 x2n−1 2n−1
1 2 · · · xn w(x)x2n−1 dx
I
Resolución:
En Q(f ) tenemos 4 variables {x1 , x2 , A1 , A2 } a determinar. Para esto basta
imponer que Q(f ) sea exacta para polinomios P3 de grado menor igual a 3,
es decir:
Z 1
f (x)dx = Q(f ) para todo P3 ∈ P3 .
−1
Con este fin, basta que sea exacta para la base {1, x, x2 , x3 }, luego:
Z 1
f (x) = 1, ⇒ 1 dx = 2 = A1 + A2 (3.50)
−1
Z 1
f (x) = x, ⇒ x dx = 0 = A1 x1 + A2 x2 (3.51)
−1
Z 1
2 2
f (x) = x ⇒ xdx == = A1 x21 + A2 x22 (3.52)
−1 3
Z 1
3
f (x) = x ⇒ xdx = 0 = A1 x31 + A2 x32 (3.53)
−1
f (x) = 1, ⇒ w1 + w2 + w3 = 2 (3.55)
f (x) = x, ⇒ w1 x1 + w2 x2 + w3 x3 = 0 (3.56)
2
f (x) = x2 ⇒ w1 x21 + w2 x22 + w3 x23 = (3.57)
3
f (x) = x3 ⇒ w1 x31 + w2 x32 + w3 x33 = 0 (3.58)
2
f (x) = x4 , ⇒ w1 x41 + w2 x42 + w3 x43 = (3.59)
5
5 5 5 5
f (x) = x , ⇒ w1 x1 + w2 x2 + w3 x3 = 0 (3.60)
Multiplicamos la ecuación (3.61) por x22 , para luego restarla de (3.62) obte-
nemos:
w3 x3 (x3 − x1 )(x3 + x1 )(x2 − x3 )(x2 + x3 ) = 0. (3.63)
Desde que queremos una fórmula de tres puntos, entonces w3 6= 0, x3 6= x1 y
x3 6= x2 , luego (3.63) se reduce a:
x3 = 0 ∨ x3 = −x1 ∨ x3 = −x2 .
w1 + w2 + w3 = 2 (3.65)
w 1 x1 + w 2 x2 = 0 (3.66)
2
w1 x21 + w2 x22 = (3.67)
3
3 3
w 1 x1 + w 2 x2 = 0 (3.68)
2
w1 x41 + w2 x42 = (3.69)
5
5 5
w 1 x1 + w 2 x2 = 0 (3.70)
w1 x1 (x2 − x1 )(x2 + x1 ) = 0
x3 = −x1 ∨ x3 = −x2 ,
R1
Ejemplo 3.3.3. Para aproximarla integral I(f ) = 0 xf (x)dx, tal que f ∈
C 2 ([0.1]), consideremos la fórmula de cuadratura Q(f ) = Af (0) + Bf 0 (1)
donde f 0 representa la derivada de f . Determine los pesos A y B de modo
que la fórmula sea exacta cuando f sea un polinomio de grado menor o igual
a 1.
Resolución:
Debemos calcular A y B tal que
I(f ) = Q(f )
1
esto da A = .
2
Para f (x) = x se tiene f 0 (x) = 1, entonces de I(f ) = Q(f ) resulta:
Z 1
x2 dx = A(0) + B(1),
0
1
esto da B = .
3
Por tanto:
1 1
Q(f ) = f (0) + f 0 (1).
2 3
I = [−1, 1],
w(x) = 1,
L0 (x) = 1,
L1 (x) = x,
2n + 1 n
Ln+1 (x) = xLn (x) − Ln−1 (x) ∀n ≥ 1.
n+1 n+1
2. Polinomios de Laguerre:
I = [0, ∞i,
w(x) = e−x ,
L0 (x) = 1,
L1 (x) = 1 − x,
(2n + 1 − x) n
Ln+1 (x) = Ln (x) − Ln−1 (x) ∀n ≥ 1.
n+1 n+1
3. Polinomios de Hermite:
I = h−∞, +∞i,
2
w(x) = e−x ,
H0 (x) = 1,
H1 (x) = 2x,
Hn+1 (x) = 2xHn (x) − 2nHn−1 (x) ∀n ≥ 1.
I = h−1, 1i,
1
w(x) = √ ,
1 − x2
T0 (x) = 1,
T1 (x) = x,
Tn+1 (x) = 2xTn (x) − Tn−1 (x) ∀n ≥ 1.
Estos métodos consideran conocidos los nodos {xi }ni=1 , donde éstos son las
raı́ces de un polinomio ortogonal Pn de grado n.
Z
w(x) dx
ZI
···
1 1 1 w1
x1 x2 ··· xn w2
w(x)x dx
. .. .. .. I
.
. . .
.
..
i
= Z
.
(3.75)
x1 xi2 ··· xin wi
w(x)xi dx
. .. .. ..
..
. . . I
xn−1 xn−1 · · · xnn−1 wn
..
.
1 2 Z
w(x)xn−1 dx
I
Resolución:
A partir de la fórmula de Rodrı́gues se calcula el polinomio de Legendre de
grado 3 para luego obtener los 3 nodos de la regla de cuadratura:
1 1
P3 (x) = (5x3 − 3x) = x(5x2 − 3)
2 2
De donde las raı́ces de P3 son:
r r
3 3
x1 = − = −0.7746, x2 = 0, x3 = = 0.7746.
5 5
Para obtener los pesos w1 , w2 , w3 usamos el Sistema (3.75) para n = 3, dado
por:
1 1 1 w1 2
x1 x2 x3 w 2 = 0
2
x21 x22 x23 w3 3
Resolviendo el sistema se obtiene:
w1 = 0.5556, w2 = 0.8889, w3 = 0.5556.
Por tanto, la regla de cuadratura de Gauss-Legendre de 3 puntos tiene la
forma: Z 1
f (x)dx = w1 f (x1 ) + w2 f (x2 ) + w3 f (x3 ) (3.76)
−1
Luego, para un intervalo arbitrario [a, b] se tiene:
Z b
b−a 1
b−a
Z
a+b
f (x)dx = f t+ dt. (3.77)
a 2 −1 2 2
x
Por tanto, usando f (x) = e 1+x
Sen(x)
2 en (3.77) se obtiene:
Z 3 x
3 1
Z
e Sen(x) 3 3
dx = f t+ dt
0 1 + x2 2 −1 2 2
3 3 3 3 3 3 3
= f x1 + +f x2 + +f x3 +
2 2 2 2 2 2 2
= 2.8633.
Por tanto, por construcción podemos concluir que la fórmula de cuadra-
tura gaussiana (3.74) es exacta para cualquier polinomio Sn−1 de grado ”
n − 1 ”, es decir: Z
w(x)Sn−1 (x) dx = Q(Sn−1 ). (3.78)
I
100 CAPÍTULO 3. INTEGRACIÓN NUMÉRICA
Con la elección hecha para los nodos, es natural preguntarse: ¿ Q(f ) seguirá
siendo exacta para los polinomios P̃2n−1 de grado 2n − 1?.
Al dividir P̃2n−1 entre Pn , del algoritmo de la división resulta:
P̃2n−1 (xi ) = qn−1 (xi )Pn (xi ) + rn−1 (xi ) = rn−1 (xi ). (3.80)
Esto último indica que la fórmula de cuadratura de n puntos Q(f ) dada por
(3.74) sigue siendo exacta para cualquier polinomio de grado 2n − 1 cuando
los nodos {xi }ni=1 son las raı́ces un polinomio ortogonal de grado n.
Definición 3.1. Una regla de cuadratura tiene grado de precisión ”p”si es
exacta para polinomios de grado menor o igual a p.
Z 1
1dx = x|1−1 = 2; Q(1) = 1 + 1 = 2
−1
1
1 √ √
x2
Z
3 3
xdx = = 0; Q(x) = − + =0
−1 2 −1 3 3
Z 1 1
2 x3 2 1 1 2
x dx = = ; Q(x2 ) = + =
−1 3 −1 3
3 3 3
Z 1 1 √ 3! √ !3
3 x4 3 3 3
x dx = = 0; Q(x ) = − + =0
−1 4 −1 3 3
Z 1 1 √ !4 √ !4
4 x5 2 3 3 2
x dx = = ; Q(x4 ) = − + =
−1 5 −1 5
3 3 9
Por tanto, Q(f ) tiene grado de precisión igual a 3.
x 0 1 2 3 4
y 0.78 2.04 3.71 4.11 3.89
Z 4
determine un valor aproximado de la integral f (x)dx.
0
3. Aproximar la integral:
Z 1
4
dx
0 1 + x2
utilizando el método de Romberg, con una tolerancia de 5 × 10−9 y 20
iteraciones.
R1
4. Deduzca la fórmula de Newton - Cotes para 0 f (x) dx, usando po-
linomios de interpolación de Lagrange con nodos 0, 31 , 23 , 1. Use este
resultado para evaluar la integral cuando f (x) = sen(πx).
3.5. EJERCICIOS PROPUESTOS 103
5. Encuentre la fórmula
Z 1
f (x) dx ≈ A0 f (0) + A1 f (1)
0
Ax = b (4.1)
donde A ∈ Rn×n , x ∈ Rn y b ∈ Rn .
M = (A | |b) (4.2)
105
106 CAPÍTULO 4. SISTEMAS DE ECUACIONES LINEALES
Lx = b (4.3)
Ux = b (4.4)
0 0 −6 5 8
Sobre el M obtenido realizamos la siguiente operación elemental:
6
F4 ← F4 + − F3
10
110 CAPÍTULO 4. SISTEMAS DE ECUACIONES LINEALES
obteniéndose:
−1 3 −1 1 −8
0 2 1 0 −4
M =
0 0 −10 5 0
0 0 0 2 8
−1 3 −1 1 x1 −8
0 2 1 0 x2
−4
=
0 0 −10 5 x3 0
0 0 0 2 x4 8
Este sistema tiene la forma del Sistema 4.4 y ası́ podemos aplicar el Algorit-
mo 6. Esto es:
b4 8
i = 4 : x4 = = =4
u44 2
4
X
b3 − u3j xj
j=4 3 − (5(4))
i = 3 : x3 = = =2
u33 −10
4
X
b2 − u2j xj
j=3 −4 − (1(2) + 0(4))
i = 2 : x2 = = = −3
u22 2
4
X
b1 − u1j xj
j=2 −8 − (3(−3) − 1(2) + 1(4))
i = 1 : x1 = = =1
u11 −1
es decir:
0.1 × 10−3
1
m21 = 0.1 × 10 + − = 0.1 × 101 − 1 = 0
0.1 × 10−3
0.1 × 101
1
m22 = 0.1 × 10 + − = 0.1 × 101 − 104
0.1 × 10−3
= 0.1 × 10 − 0.1 × 105
1
(expresando en punto flotante)
= 0.00001 × 105 − 0.1 × 105 (igualando exponentes)
= (0.00001 − 0.1) × 105 (restando mantisas)
= = −0.09999 × 105 = −0.9999 × 104 (expresando en punto flotante)
4
= −1.000 × 10 (redondeo al tercer dı́gito)
0.1 × 101
m23 = 0.3 × 101 + − = 0.3 × 101 − 104
0.1 × 10−3
= 0.3 × 101 − 0.1 × 105 (expresando en punto flotante)
= 0.00003 × 105 − 0.1 × 105 (igualando exponentes)
= (0.00003 − 0.1) × 105 (restando mantisas)
= = −0.09997 × 105 = −0.9997 × 104 (expresando en punto flotante)
= −1.000 × 104 (redondeo al tercer dı́gito)
Por lo que la matriz aumentada M queda de la forma siguiente:
−4
10 1 1
M=
0 −104 −104
Por tanto, el sistema resultante es:
−4
10 1 x1 1
=
0 −104 x2 −104
aplicamos ahora el Algoritmo 6 al sistema anterior, resulta:
b2 −104
i = 2 : x2 = = =1
u22 −104
2
X
b1 − u2j xj
j=2 1−1
i = 1 : x1 = = =0
u11 10−4
obteniendo la solución x = (0, 1).
114 CAPÍTULO 4. SISTEMAS DE ECUACIONES LINEALES
F1 ↔ F5
4.1. MÉTODOS DIRECTOS 115
obteniendo:
3 −2 1 −3 2 7
2 2 3 −4 1 11
M =
1 −1 1 −2 1 5
−1 8 −2 3 −1 0
2 2 −1 3 −1 −9
Ahora hacemos cero los elementos mi1 (i = 2, 3, 4, 5) mediante las operaciones
elementales:
2 1 1 2
F2 ← F2 + − F1 , F3 ← F3 + − F1 , F4 ← F4 + F1 , F5 ← F5 + − F1
3 3 3 3
resultando:
3 −2 1 −3 2 7
0 10 7 1 19
−2 −
3 3 3 3
1 2 1 8
M = 0 − 3 3 −1 3
3
22 5 1 7
0 − 2 −
3 3 3 3
10 5 7 41
0 − 5 − −
3 3 3 3
22
El máximo en valor absoluto de la primera columna de A2 es m42 = . Por
3
tanto, realizamos la operación elemental:
F2 ↔ F4
obteniendo:
3 −2 1 −3 2 7
0 22 − 5 2 − 1 7
3 3 3 3
1 2 1 8
M = 0 − 3 3 −1 3
3
10 7 1 19
0 −2 −
3 3 3 3
10 5 7 41
0 − 5 − −
3 3 3 3
116 CAPÍTULO 4. SISTEMAS DE ECUACIONES LINEALES
resultando:
3 −2 1 −3 2 7
0 22 − 5 1 7
2 −
3 3 3 3
13 10 7 61
M = 0 0
−
22 11 22 22
34 32 2 58
0 0 − −
11 11 11 11
10 45 24 162
0 0 − − −
11 11 11 11
34
El máximo en valor absoluto de la primera columna de A3 es m43 = . Por
11
tanto, realizamos la operación elemental:
F3 ↔ F4
obteniendo:
3 −2 1 −3 2 7
0 22 − 5 1 7
3
2 −
3 3 3
34 32 2 58
M = 0 0
− −
11 11 11 11
13 10 7 61
0 0 −
22 11 22 22
10 45 24 162
0 0 − − −
11 11 11 11
Ahora hacemos cero los elementos mi3 (i = 4, 5) mediante las operaciones
elementales:
13 10
F4 ← F4 + − F3 , F5 ← F5 + F3 ,
68 34
4.1. MÉTODOS DIRECTOS 117
resultando:
3 −2 1 −3 2 7
0 22 − 5 1 7
2 −
3 3 3 3
34 32 2 58
M = 0 0 11 − 11 − 11
11
6 6 30
0 0 0 −
17 17 17
55 38 224
0 0 0 − −
17 17 17
55
El máximo en valor absoluto de la primera columna de A4 es m54 = . Por
17
tanto, realizamos la operación elemental:
F4 ↔ F5
obteniendo:
3 −2 1 −3 2 7
0 22 − 5 1 7
2 −
3 3 3 3
34 32 2 58
0 0
M = − −
11 11 11 11
55 38 224
0 0 0 − −
17 17 17
6 6 30
0 0 0 −
17 17 17
Ahora hacemos cero los elementos mi4 (i = 5) mediante las operaciones ele-
mentales:
6
F5 ← F5 + F4 ,
55
118 CAPÍTULO 4. SISTEMAS DE ECUACIONES LINEALES
resultando:
3 −2 1 −3 2 7
0 22 − 5 1 7
2 −
3 3 3 3
34 32 2 58
M =
0 0 − −
11 11 11 11
55 38 224
0 0 0 − −
17 17 17
6 18
0 0 0 0
55 55
aplicamos ahora el Algoritmo 6 al sistema anterior, resulta:
b5
i = 5 : x5 = =3
u55
5
X
b4 − u4j xj
j=5
i = 4 : x4 = = −2
u44
5
X
b3 − u3j xj
j=4
i = 3 : x3 = =0
u33
5
X
b2 − u2j xj
j=3
i = 2 : x2 = =1
u22
5
X
b1 − u1j xj
j=2
i = 1 : x1 = = −1
u11
obteniendo la solución x = (−1, 1, 0, −2, 3).
Ejemplo 4.1.7. Consideremos el sistema del Ejemploo 4.1.5 cuya matriz
aumentada es dada por:
0.100 × 10−3 0.100 × 101 0.100 × 101
M=
0.100 × 101 0.100 × 101 0.200 × 101
Realizamos pivoteo parcial sobre A1 mediante la operación elemental:
F1 ↔ F2
4.1. MÉTODOS DIRECTOS 119
0.100 × 101 0.100 × 101 0.300 × 101
M=
0.100 × 10−3 0.100 × 101 0.100 × 101
Realizamos la operación elemental:
F2 ← F2 + −0.1 × 10−3 F1
es decir:
m21 = 0.1 × 10−3 + (−0.1 × 10−3 ) (0.1 × 101 )
0.1 × 10−3 − 0.01 × 10−2 = 0.1 × 10−3 − 0.1 × 10−3 = 0
m22 = 0.1 × 101 + (−0.1 × 10−3 ) (0.1 × 101 ) = 0.1 × 101 − 0.01 × 10−2
= 0.1 × 101 − 0.1 × 10−3 (expresando en punto flotante)
= 0.1 × 101 − 0.00001 × 101 (igualando exponentes)
= (0.10000 − 0.00001) × 101 = 0.09999 × 101 (restando mantisas)
= 0.9999 × 100 (expresando en punto flotante)
= 1 (redondeo al tercer dı́gito)
m23 = 0.1 × 101 + (−0.1 × 10−3 ) (0.3 × 101 ) = 0.1 × 101 − 0.03 × 10−2
= 0.1 × 101 − 0.3 × 10−3 (expresando en punto flotante)
= 0.1 × 101 − 0.00003 × 101 (igualando exponentes)
= (0.10000 − 0.00003) × 101 = 0.09997 × 101 (restando mantisas)
= 0.9997 × 100 (expresando en punto flotante)
= 1 (redondeo al tercer dı́gito)
Por lo que la matriz aumentada M queda de la forma siguiente:
1 1 3
M=
0 1 1
Por tanto, el sistema resultante es:
1 1 x1 3
=
0 1 x2 1
aplicamos ahora el Algoritmo 6 al sistema anterior, resulta:
b2 1
i = 2 : x2 = = =1
u22 1
2
X
b1 − u2j xj
j=2 3−1
i = 1 : x1 = = =2
u11 1
120 CAPÍTULO 4. SISTEMAS DE ECUACIONES LINEALES
2 1 −1 2
la matriz original A realice las siguientes operaciones elementales: C1 ↔ C3 ,
C2 ← −5C2 y C4 ← C4 + 2C1 .
Resolución
F1 ↔ F4 , C1 ↔ C2 ,
luego:
Ind = ( 2 1 3 4 5 ),
8 −1 −2 3 −1 0
2
2 3 −4 1 11
M =
−1 1 1 −2 1 5
2 2 −1 3 −1 −9
−2 3 1 −3 2 7
Ahora hacemos cero los elementos mi1 (i = 2, 3, 4, 5) mediante las operaciones
elementales:
2
F2 ← F2 + − F1 ,
8
1
F3 ← F3 + F1 ,
8
2
F4 ← F4 + − F1 ,
8
2
F5 ← F5 + F1 ,
8
122 CAPÍTULO 4. SISTEMAS DE ECUACIONES LINEALES
resultando:
8 −1 −2 3 −1 0
0 9 7 19 5
− 11
4 2 4 4
7 3 13 7
0
M = − 5
8 4 8 8
9 1 9 3
0 − − −9
4 2 4 4
11 1 9 7
0 − 7
4 2 4 4
19
El máximo elemento de A2 en valor absoluto es dado por m24 = − . Por
4
tanto, realizamos las operaciones elementales:
C2 ↔ C4 ,
luego:
Ind = ( 2 4 3 1 5 ),
8 3 −2 −1 −1 0
0 − 19 7 9 5
11
4 2 4 4
13 3 7 7
M = 0 −8 5
4 8 8
9 1 9 3
0 − − −9
4 2 4 4
9 1 11 7
0 − 7
4 2 4 4
Ahora hacemos cero los elementos mi2 (i = 3, 4, 5) mediante las operaciones
elementales:
13
F3 ← F3 + − F2 ,
38
9
F4 ← F4 + F2 ,
19
9
F5 ← F5 + − F2 ,
19
4.1. MÉTODOS DIRECTOS 123
resultando:
8 3 −2 −1 −1 0
0 − 19 7 9 5
11
4 2 4 4
17 2 17 47
0
M = 0 −
38 19 38 38
22 63 3 72
0 0 − −
19 19 19 19
22 32 22 34
0 0 −
19 19 19 19
63
El máximo elemento de A3 en valor absoluto es dado por m44 = . Por
19
tanto, realizamos las operaciones elementales:
F3 ↔ F4 , C3 ↔ C4 ,
luego:
Ind = ( 2 4 1 3 5 ),
8 3 −1 −2 −1 0
0 − 19 9 7 5
11
4 4 2 4
63 22 3 72
M = 0
0 − −
19 19 19 19
2 17 17 47
0 0 −
19 38 38 38
32 22 22 34
0 0 −
19 19 19 19
resultando:
8 3 −1 −2 −1 0
0 − 19 9 7 5
11
4 4 2 4
63 22 3 72
M = 0
0 − −
19 19 19 19
61 19 19
0 0 0 −
126 42 14
110 26 26
0 0 0 −
63 21 7
110
El máximo elemento de A4 en valor absoluto es dado por m54 = − . Por
63
tanto, realizamos las operaciones elementales:
F4 ↔ F5 ,
luego:
8 3 −1 −2 −1 0
0 − 19 9 7 5
11
4 4 2 4
63 22 3 72
M = 0
0 − −
19 19 19 19
110 26 26
0 0 0 −
63 21 7
61 19 19
0 0 0 −
126 42 14
Ahora hacemos cero los elementos mi4 (i = 5) mediante las operaciones ele-
mentales:
61
F5 ← F5 + − F4 ,
220
Ind = ( 2 4 1 3 5 ),
4.1. MÉTODOS DIRECTOS 125
4.1.4. Factorización LU
Ejemplo 4.1.10. Consideremos la siguiente matriz
0 1
A= (4.5)
2 3
126 CAPÍTULO 4. SISTEMAS DE ECUACIONES LINEALES
Resolución
Tenemos:
−1 −1 2 −1 2 −1
A11 =
= 1, A12 =
= −4, A13 =
= −2;
0 −1 −2 −1 −2 0
3 1 −1 1 −1 3
A21 =
= −3, A22 =
= 3, A23 =
= 6;
0 −1 −2 −1 −2 0
3 1 −1 1 −1 3
A31 =
= −2, A32 =
= −1, A33 =
= −5.
−1 −1 2 −1 2 −1
Factorización de Doolitle
a11 a12 · · · a1n l11 0 · · · 0 u11 u12 · · · u1n
a21 a22 a2n
l21 l22 0
0 u22 u2n
a31 a32 a3n
=
l31 l32 0
0 0 u3n
.. . . . ..
.. ... .. .. . . . ..
. . . . . .
an1 an2 · · · ann ln1 ln2 · · · lnn 0 0 · · · unn
Del sistema (4.15) podemos observar que es posible calcular los valores u1j
para todo j = 1, . . . , n si asignamos cualquier valor lii 6= 0.
4.1. MÉTODOS DIRECTOS 129
Factorización de Crout
la siguiente matriz
−1 1 −1
A= 0 2 1
1 0 −1
Resolución:
Primero se garantiza la existencia de la descomposición LU verificando que
Aii 6= 0 para todo i = 1, 2, 3. Veamos:
2 1 −1 −1 −1 1
A11 = = −2, A22 = = 2, A33 = = −2.
0 −1 1 −1 0 2
Factorización de Cholesky
Definición 4.8. Una matriz A ∈ Rn×n es llamada Definida Positiva si y
sólo si para cualquier x ∈ Rn \{0} se cumple que
xT Ax > 0.
132 CAPÍTULO 4. SISTEMAS DE ECUACIONES LINEALES
(a)
4 −1 −1 λ 0 0 4 − λ −1 −1
(A−λI) = −1 4 1 − 0 λ 0 = −1 4 − λ 1 .
−1 1 4 0 0 λ −1 1 4−λ
Calculando el determinante:
4 − λ −1 −1
−1 4 − λ
1 = −λ3 + 12λ2 − 45λ + 54 = −(λ − 3)2 (λ − 6) = 0
−1 1 4 − λ
de donde se obtiene
λ = 3 (multiplicidad 2) y λ = 6.
Como todos los valores propios son positivos entonces A es una matriz
definida positiva.
(b)
4 −1 −1 l11 0 0 l11 l21 l31
A = LLT = −1 4 1 = l21 l22 0 0 l22 l32
−1 1 4 l31 l32 l33 0 0 l33
de donde obtenemos:
4 = l11 2 =⇒ l11 =2
−1 = 2l21 =⇒ l21 = 1/2
−1 = 2l31 =⇒ l31 = −1/2
√
4 = 41 + l√22 2 =⇒ l22 = √215
1 = 14 + 215 l32 =⇒ l32 = 10
√
15
4 = 14 + 100
15
+ l33 2 =⇒ l33 = 3 510
4.1. MÉTODOS DIRECTOS 133
Por tanto:
2 √0 0
L = −1/2 √ 15/2 √0
−1/2 15/10 3 10/5
4.1.6. Factorización QR
Processo de ortogonalización de Gram-Schmidt
Dados los vectores {v1 , v2 , ..., vn } linealmente independientes, el proceso
de ortogonalización de Gram-Schmidt permite construir los vectores {q1 , q2 , ..., qn }
que son ortonormales, del modo siguiente:
u1
u1 = v1 q1 =
||u1 ||
u2
u2 = v2 − hq1 , v2 iq1 q2 =
||u2 ||
u3
u3 = v3 − hq1 , v3 iq1 − hq2 , v3 iq2 q3 =
||u3 ||
.. ..
. .
un
un = vn − hq1 , vn iq1 − · · · − hqn−1 , vn iqn−1 qn =
||un ||
del sistema anterior podemos obtener:
v1 = ||u1 ||q1
v2 = ||u2 ||q2 + hq1 , v2 iq1
v3 = ||u3 ||q3 + hq1 , v3 iq1 + hq2 , v3 iq2
v4 = ||u4 ||q4 + hq1 , v4 iq1 + hq2 , v4 iq2 + hq3 , v4 iq3
..
.
n−1
X
vn = ||un ||qn + hqi , vn iqi
i=1
A = [v1 | v2 | v3 | v4 | · · · | vn ]
A = QR
2Ω ig 15 Ω
6Ω 12 Ω
I2
−
125 V + I1
20
Ω
5Ω 13 Ω
I3 i0
x = Mx + d (4.17)
xk = M xk−1 + d, k ≥ 1, (4.18)
Demostración:
Sea x̂ solución exacta del sistema (4.17) y xk un punto generado por el
esquema iterativo dado por (4.18).
Demostración:
4.2. MÉTODOS INDIRECTOS 137
(⇐)
A=D+L+U (4.20)
donde
a11 0 · · · 0 0
0 a22 0 0
D=
. .. ,
(4.21)
0 0 an−1,n−1 0
0 0 ··· 0 an,n
0 0 0 ··· 0 0
a21 0 0 0 0
L=
..
(4.22)
.
an−1,1 an−1,2 an−1,3 · · · 0 0
an,1 an,2 an,3 · · · an,n−1 0
0 a12 · · · a1,n−2 a1,n−1 a1,n
0 0 a2,n−2 a2,n−1 a2,n
U = .
.. . (4.23)
0 0 0 0 an−1,n
0 0 ··· 0 0 0
(D + L + U )x = b
MJ = −D−1 (L + U ) (4.26)
−1 −3 19
0
x21
1
10 10 x
1 10
0.981775
2 1 −87 1 −249
x2 =
0 x2 + = −2.763176
200 200
200
3.915289
x23
−47 489 x13 13903
0
4000 4000 4000
−1 −3 19
x31
x21
0 10 10 10
1.001730
−87 −249
3 1
2
x2 = 0 x2 + = −2.961966
200 200 200
3 −47 489 2 13903
x3 0 4000 4000
x3 4000
3.986861
−1 −3 19
0
x41
3
10 10 x
1 10
1.000138
4 1 −87 3 −249
x2 =
0 x2 + = −2.994094
200 200
200
3.997946
x43
−47 489 x33 13903
0
4000 4000 4000
Mientras que la solución exacta del sistema es
1
x∗ = −3
4
20x + 2y + 6z = 38
x + 20y + 9z = −23
2x − 7y − 20z = −57
Resolución:
MGS = (D − L)−1 U
reemplazando se obtiene
−1 −3
−1 0
10 10
20 0 0 0 2 6
1 −87
MGS = 1 20 0 0 0 9 =
0
2 −7 20 0 0 0
200 200
−47 489
0
4000 4000
(b) Para garantizar la convergencia del método, basta observar que la ma-
triz A es diagonal dominante.
−1 −3 19
0 10
1
x01
x1 10 10
1.9
1 −87 −249
1
x2 = 0 x02
+ = −1.245
200 200
200
3.47575
1
x3
−47 489
x30 13903
0
4000 4000 4000
−1 −3 19
0
x21
1
10 10 x
1 10
0.981775
2 1 −87 1 −249
x2 =
0 x2 + = −2.763176
200 200
200
3.915289
x23
−47 489
x31 13903
0
4000 4000 4000
−1 −3 19
x31
x21
0 10 10 10
1.001730
−87 −249
3 1
2
x2 = 0 x2 + = −2.961966
200 200 200
−47 489 13903
x33 0 4000 4000
x23 4000
3.986861
−1 −3 19
0
x41
3
10 10 x
1 10
1.000138
4 1 −87 3 −249
x2 =
0 x2 + = −2.994094
200 200
200
3.997946
x43
−47 489 x33 13903
0
4000 4000 4000
Mientras que la solución exacta del sistema es
1
x∗ = −3
4
Resolución:
PGS (λ) = det(MGS − λI) = −λ(λ − m22 )(λ − m33 ) + m32 m23 λ.
(b) bla
(c) bla
144 CAPÍTULO 4. SISTEMAS DE ECUACIONES LINEALES
145
146CAPÍTULO 5. MÉTODOS NUMÉRICOS PARA PROBLEMAS DE VALOR INICIAL
0 = t0 < t1 < ... < ti < ... < tn−1 < tn = T (5.4)
tn − t0
donde h = ti+1 − ti = para todo i = 0, 1, ..., n − 1.
n
Los métodos a estudiar están basados en el segundo teorema fundamental
del cálculo, del cual sabemos que se cumple:
Z ti+1
y 0 (x) dx = y(ti+1 ) − y(ti )
ti
de donde se obtiene:
Z ti+1
y(ti+1 ) = y(ti ) + y 0 (x) dx (5.5)
ti
Es más, definiendo:
ti + ti+1
ti+ 1 = , yi+ 1 = y(ti+ 1 ), fi+ 1 = f (ti+ 1 , yi+ 1 )
2 2 2 2 2 2 2
Hasta ahora, los métodos descritos por (5.6), (5.7) y (5.8) han sido obtenidos
de forma intuitiva y geométrica, basándonos en el hecho de que la integral de
una función positiva coincide con el área bajo la curva. Una deducción más
formal será presentada en la sección siguiente.
n
X f (i) (x0 )
Pn,x0 (x) = (x − x0 )i
i!
i=0 (5.9)
f (n) (x0 )
Pn,x0 (x) = f (x0 ) + f 0 (x0 )(x − x0 ) + ... + (x − x0 )n
n!
Dados x, x0 ∈ I, existe s entre x y x0 tal que
f (t) = Pn,x0 (t) + Rn+1,x0 (t) (5.10)
150CAPÍTULO 5. MÉTODOS NUMÉRICOS PARA PROBLEMAS DE VALOR INICIAL
La expresión:
f (n+1) (ξ)
Rn+1,x0 (x) = (x − x0 )n+1 (5.11)
(n + 1)!
es conocido como Resto en la forma de Lagrange.
Demostración:
Sean x0 , x ∈ I valores fijos y tal que x0 6= x. Sin pérdidad de generalidad,
podemos suponer que x0 < x. Consideremos el intervalo J = [x0 , x], por
tanto J ⊂ I. Sobre J definamos las siguientes funciones:
ϕ:J → R
n
X f ( k)(t) (5.12)
t 7→ ϕ(t) := (x − t)k
k=0
k!
ψ:J → R
(5.13)
t 7→ ψ(t) := −(x − t)n+1
Desde que f (k) (0 ≤ k ≤ n) es continua y (x − t)k es una función polinómica
(y por tanto continua e infinitamente derivables), podemos garantizar que
ϕ es continua en J. Además, como f (k) (k = 0, . . . , n) son derivables en I ◦
entonces también son derivables en J ◦ . Por otro lado, podemos observar que
ψ es una función infinitamente derivable en J.
De lo anterior, tenemos que ϕ y ψ son funciones continuas en J y derivables
en J ◦ , ası́, podemos aplicar el Teorema del Valor Medio Generalizado, esto
es, existe c ∈ hx0 , xi tal que:
ψ 0 (c)(ϕ(x) − ϕ(x0 )) = ϕ0 (c)(ψ(x) − ψ(x0 )) (5.14)
A partir de 5.12 y 5.13 calculemos cada expresión:
ϕ(x) = f (x)
ϕ(x0 ) = Pn,x0 (x)
n n
X f (k+1) (t) X f (k) (t) f (n+1) (t)
ϕ0 (t) = (x − t)k − k(x − t)k−1 = (x − t)n
k=0
k! k=1
k! n!
ψ(x) = 0
ψ(x0 ) = −(x − x0 )n+1
ψ 0 (t) = (n + 1)(x − t)n
5.1. MÉTODOS DE TAYLOR 151
f (n+1) (c)
(n + 1)(x − c)n (f (x) − Pn,x0 (x)) = (x − c)n (x − x0 )n+1
n!
de lo anterior obtenemos:
f (n+1) (c)
Rn+1,x0 (x) = f (x) − Pn,x0 (x) = (x − x0 )n+1 , c ∈ hx0 , xi.
(n + 1)!
Por tanto:
2.8
2.6
2.4
2.2
1.8
1.6
1.4
1.2
1
−2 −1.5 −1 −0.5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
1
1. Método de Heun: Se presenta cuando b = , resultando:
2
K1
= f (ti , yi )
K2
= f (ti + h, yi + K1 h) (5.17)
h
yi+1 = yi + (K1 + K2 )
2
También es llamado Método de Euler Mejorado.
2. Método de Euler Modificado: Se presenta cuando b = 1, resultando:
K1 = f (ti , yi )
K2 = f (ti + h/2, yi + K1 h/2) (5.18)
yi+1 = yi + hK2
Prácticas Calificadas
Resolución:
155
156 CAPÍTULO 6. PRÁCTICAS CALIFICADAS
f (n−1) (a)
d. Verdadero. Podemos usar la fórmula f [x1 , ..., xn ] = y dife-
(n − 1)!
renciando f (x) = xn−1 se produce lo siguiente:
f 0 (x) = (n − 1)xn−2
f 00 (x) = (n − 1)(n − 2)xn−3
..
.
f (n−1) (x) = (n − 1)!
f (n) (x) = 0
y por tanto:
f (n−1) (a)
f [x1 , ..., xn ] = = 1.
(n − 1)!
Problema 2:
Se pide:
−3f (x0 ) + 4f (x0 + h) − f (x0 + 2h)
a. Demuestre que es una apro-
2h
ximación para f 0 (x0 ).
Resolución:
6.1. EXAMEN PARCIAL 2015-2 157
Problema 3:
Usando el MN y el MB determine la raı́z máxima de f (x) = x3 − 6x2 +
11x − 6.1 , con un error de 10−3 . Para MN usar x0 = 3 y para MB usar
[a, b] = [3, 3.5].
158 CAPÍTULO 6. PRÁCTICAS CALIFICADAS
Resolución:
Usando el método de Newton se debe de usar para todo k ≥ 0 la siguiente
relación:
f (xk )
xk+1 = xk −
f 0 (xk )
x3k − 6x2k + 11xk − 6.1
xk+1 = xk − .
3x2k − 12xk + 11
i xi error
0 3.00000000 3.00000000
1 3.05000000 0.05000000
2 3.04669556 0.00330444
3 3.04668053 0.00001503
Problema 4:
El dinero necesario para pagar la cuota correspondiente a un crédi-
to hipotecario a interés fijo se suele estimar mediante la denominada
A[1 − (1 + i)−n ]
’ecuación de la anualidad ordinaria’ Q = en donde
i
Q es la cantidad (en dólares) pedida del préstamo, A es la cuota que
debe pagar el beneficiario del préstamo, i es la tasa de interés (en tanto
por 1) fijado por la entidad bancaria que concede el préstamo y n es
el número de periodos durante los cuales se realizan pagos de la cuo-
ta. Una pareja desea adquirir una vivienda mediante un préstamo de
150000 dólares a pagar semestralmente durante un plazo de 15 años.
La cantidad máxima que ellos desean pagar es de 900 dólares mensua-
les, calcular, usando MN cuál serı́a el tipo máximo de interés al que
pueden negociar su préstamo con las entidades bancarias, Use el MN
con i0 = 0.03.
Resolución:
Puesto que el pago es semestral, en 15 años realizaran un total de 30 cuotas
demás dado que pueden pagar 900 euros al mes, cada semestre podrá afrontar
el pago de 5400 euros. Ello hace que la ecuación de la anualidad ordinaria
quede:
5400
150000 = [1 − (1 + i)−30 ]
i
5400
f (i) = 150000 − [1 − (1 + i)−30 ] = 0
i
" #
−30
5400 1 − (1 + i)
f 0 (i) = − 30(1 + i)−31 .
i i
Por lo que el método de Newton con i0 = 0.03 nos conducirá a la siguiente
sucesión de valores:
k ik error
0 0.03000000 0.03000000
1 0.00227545 0.03227545
2 0.00449705 0.00677249
3 0.00503585 0.00053881
4 0.00503892 0.00000307
Problema 5:
Sea f : R → R una función continua y acotada (es decir,
∃M/|f (x)|M, ∀x ∈ R). Demostrar que la ecuación f (x) − x = 0, tiene
al menos una raı́z real.
Resolución:
Como f (x) es acotada se tiene que existe M tal que −M < f (x) < M
para todo x ∈ R, entonces definimos la función h : [−M, M ] → R del modo
siguiente: h(x) = f (x) − x. Observe que h es una función continua y que
además h(−M ) = f (x) + M > 0 y h(M ) = f (M ) − M < 0. Es decir,
h(M ) < 0 < h(−M ) y como h es continua, podemos aplicar el Teorema del
Valor Intermedio para garantizar que existe c ∈< −M, M > tal que h(c) = 0,
y esto completa la demostración.
Problema 6:
Deduzca la expresión para determianr el número mı́nimo de iteraciones
que se debe realizar en el Método de la Bisección, para asegurar que se
logre un error menor a ε, si el intervalo donde se empieza la iteración
es [a, b].
Resolución:
De la teorı́a de la fórmula para el error en el método de la Bisección se
b−a
establece como sigue: en = |xn − n| ≤ n+1 de donde se debe cumplir
2
b−a
en = |xn − n| ≤ n+1 < ε y para hallar el número de pasos necesarios se
2
b−a b−a
tendrá n+1 < ε que equivale a 2n+1 > , de donde tomando logaritmos
2 ε
b−a
naturales: (n + 1)ln(2) > ln( ) que equivale finalmente a:
ε
b−a
ln( )
n> ε −1
ln(2)
6.1. EXAMEN PARCIAL 2015-2 161
Problema 7:
Asuma que un polinomio de interpolación pasa por los puntos:
x 0 15 18 22 24
f (x) 22 24 37 25 123
Resolución:
Para Newton construimos la tabla de diferencias divididas:
k xk f (xk ) f [xk , xk+1 ] f [xk , xk+1 , xk+2 ] f [xk , xk+1 , xk+2 , xk+3 ]
0 0 22
1 15 24 2/15
2 18 37 13/3 7/30
3 22 25 -3 -22/21 -269/4620
2 7 269
N (x) = 22 + x + x(x − 15) − x(x − 15)(x − 18).
15 30 4620
162 CAPÍTULO 6. PRÁCTICAS CALIFICADAS
d. Si se toma los puntos de interpolación {(15, 24), (18, 37), (22, 25)}
entonces una aproximación a f 00 (18) es -2.096.
Resolución :
1 1
=⇒ −1 ≤ sin(x) ≤ 1 =⇒ 0 ≤ | sin(x)| ≤
2 2
1
=⇒ |g 0(x) | ≤ ≤ 1 ←−
2
converge.
9
=⇒ |g 0(x) | ≤ √ < 1 ←−
3
converge.
1
1 3x 3
c. Falso. f(x) = 3x 3 g(x) = x − −2 −→ g(x) = x − 3x = −2x
x 3
−→ g 0(x) = −2 > 1
6.2. SEGUNDA PRÁCTICA CALIFICADA 163
Problema 2:
Una banda metálica flexible de 10 m de longitud se dobla en forma de
arco circular al asegurar los extremos entre si por medio de un cable de
8 pies de longitud. Use el método de Newton para aproximar el radio
r del arco circular. Use como punto inicial r(0) = 4 con al menos 4 cde.
Resolución:
Del gráfico
4
10 = 2θr, sin(θ) =
r
4
→ θ = arcsin( )
r
4
⇒ arcsin( = 5
r
4 5 5 4
⇒ arcsin( ) = ⇒ sin( ) =
r r r r
r 5 r 5
= csc( ) ⇒ f(r) = − csc( )
4 r 4 r
Por el método de Newton:
rn
4
− csc( r5n )
rnH = rn −
( 14 + csc( r5n ) cot( r5n ) r52 )
n
164 CAPÍTULO 6. PRÁCTICAS CALIFICADAS
⇒ r0 = 4
r0 = 4 r5 = 4.363385
r1 = 4.14.. r6 = 4.38113085
r2 = 4.240266 r7 = 4.393291
r3 = 4.298663 r8 = 4.401660281
r4 = 4.337317 r9 = 4.407436912
⇒ r = 4.4204
Problema 3:
Usando la tabla mostrada a continuación, construir el polinomio de
interpolación de Newton y calcular el valor aproximado de f 000 (0.7)
(tercera derivada).
Resolución:
000
f (α)
f [x0 , x1 , x2 , x3 ] =
8!
000
f (α) = 6xf [x0 , x1 , x2 , x3 ]
Problema 4:
Asuma que se tienen los puntos de interporlación x(0) , x(1) , x(2) igual-
mente espaciados por una cantidad h y tambien si |f (α)| ≤ M , deter-
mine una expresión (en términos de h y M ) para el máximo error que
se produce en el polinomio de interpolación.
Resolución:
|f 000 (α)| ≤ M
sabemos que:
n
f (n+1) (α) Y
Error = (x − xi )
(n + 1)! i=0
pero:
x − x0 ≤ 2h
x − x1 ≤ 2h
x − x2 ≤ 2h
Resolución:
Los puntos de inflexión de la curva y = e−x ln(x) se hallan con la segunda
derivada igualando a cero, por tanto:
x = 2.0590296 ⇒ x ≈ 2.05.
Problema 6:
2 3
Sea el polinomio P3 (x)
R 2 = a0 + a1 x + a2 x + a3 x tal que P3 (0) = 1 ,
P3 (2) = 3 y tambien 0 P3 (x)dx = 4. Hallar el valor de P3 (1)
Resolución
De los datos sobre P3 se obtiene:
P3 (0) = 1 = a0 + a1 0 + a2 02 + a3 03 → a0 = 1
P3 (x) = 1 + a1 x + a2 x2 + a3 x3
P3 (2) = 3 = 1 + a1 2 + a2 22 + a3 23 → a1 + 2a2 + 4a3 = 1
Z 2
(1 + a1 x + a2 x2 + a3 x3 ) = 4
0
2
x 2 x3 x4
2 + a1 |0 + a2 |20 + a3 |20 = 4 → 3a1 + 4a2 + 6a3 = 3,
2 3 4
después de resolver el sistema se obtiene:
a1 = 2a3 + 1
a2 = −3a3
Piden:
Resolución :
senx − 5y 2
a. Falso. 3y 0 + 5y 2 = senx → y 0 = ME: y(x + h) = y(x) +
3
sen(0.3) − 5(5)2
hf (x, y) y(0.3 + 0.3) = y(0.6) = y(0.3) + h y(0.6) =
3
−7.47045
b. Verdadero. El método de Euler: y(x+h)=y(x)+hf(x,y)
y(x + h) − y(x)
= f (x, y) = y 0
h
Es una aproximación lineal.
c. Verdadero. RK-2 dice
yi+1 = yi + k2 h
h hk1
Donde: k1 = f (xi , yi ) k1 = f (xi + , yi + )
2 2
d. Falso. El método de Simpson es:
Z b
h
f (x)dx = I = [f (a) + 2f (a + h) + f (b)]
a 3
h2
e. Falso. y(x + h) = y(x) + hf (x, y) + y 00 donde: y 00 = fx + fy f No
2
usamos un punto adicional, entonces no hay forma que el método de
Taylor corrija la solución.
Problema 2:
Si y 00 − 2y 0 + 2y = e2t sen(t) 0 ≤ t ≤ 1 y(0) = −0.4, y 0 (0) = −0.6.
Establecerla como un sistema de ecuaciones diferenciales y realice
un paso con h = 0.1 usando M RK − 4. Dar todos los detalles de
la solución.
Resolución
y 00 − 2y 0 + 2y = e2t sen(t) z1 = y z2 = z10 = y 0 z20 = y 00
z10 = z2
→ z20 − 2z2 + 2z1 = e2t sent → z20 = 2z2 − 2z1 + e2t sent
Hacemos:
z
Z= 1
z2
z1 (0) −0.4
=
z2 (0) −0.6
0
0z1 z2
Z = 0 = 2t = F (t, Z)
z2 e sent + 2z2 − 2z1
Usando RK4:
1
Zn+1 = Zn + [k1 + 2k2 + 2k3 + k4 ]
6
6.3. CUARTA PRÁCTICA CALIFICADA, 2016-1 169
Donde: k1 = hF (tn , Zn )
k2 = hF (tn + h/2, Zn +)
k4 = hF (tn + h, Zn + k3 )
1era iteración:
1
Z(0.1) = Z(0) + (k1 + 2k2 + 2k3 + k4 )
6
−0.4 −0.06
k1 = 0.1F 0, =
−0.6 0.4
−0.35 −0.055
k2 = 0.1F 0.05, =
−0.55 −0.034476
−0.4275 −0.61724
k3 = 0.1F 0.05, =
−0.617238 −0.032424
−0.41724 −0.063242
k4 = 0.1F 0.05, =
−0.632424 0.0880002
−0.64462
Z(0.1) =
−0.663957
Resolución
RK-2 con a = 1/2 → b = 1/2, α = 1, β = 1
170 CAPÍTULO 6. PRÁCTICAS CALIFICADAS
1
θn+1 = θn + (k1 + k2 )
2
k1 = hf (tn , θn )
k2 = hf (tn + h, θn + k1 )
1era iteración:
1
θ(240) = θ(0) + (k1 + k2 )
2
k1 = −1093.91
k2 = 4.22272
−1093.91 + 4.22272
θ(240) = 1200 + = 655.156
2
2da iteración:
1 1
θ(480) = θ(240) + (k1 + k2 ) = 655.156 + (k1 + k2 )
2 2
k1 = −43.2842
k2 = −48.4444
θ(480) = 584.267
Problema 4:
Z 8
Hallar el valor de 6x3 dx considerando como una ecuación di-
5
ferencial y usando el ME con h = 1.5.
Resolución
Z 8
6x3 dx = I = y(8) − y(5) y(x + 8) = y(x) + I donde: y 0 = 6x3 =
5
f (x, y)
→ ME:
6.3. CUARTA PRÁCTICA CALIFICADA, 2016-1 171
Problema 5:
dy
Establecer el método de Taylor de orden 2 para resolver: 2 +
dx
3y = e−5x , y(0) = 7 asumiendo que h = xi+1 − xi .
Resolución
dy e−5x − 3y
2 = e−5x − 3y → y 0 =
dx 2
h2 e−5x − 3y
MT-2: y(x + h) = y(x) + hf (x, y) + y 00 yi+1 = yi + h +
2 2
h2 9ye−5x − 13e−5x
Donde:
2 4
h = xi+1 − xi
−1 − 3(7)
1era iteración: x = 0 → y = 7 y(0 + h) = 7 + h +
2
h2 9.7.1 − 13
2 4
25h2
y(h) = 7 − 11h +
4
172 CAPÍTULO 6. PRÁCTICAS CALIFICADAS
Problema 6:
En el siguiente sistema resolver aplicando el Método de Gauss
Seidel. Use como punto inicial a (0, 0, 0). Inferir la solución exac-
ta.
1 −3 −1 x1 −4
5 −1 1 x2 = 2
1 1 4 x3 −1
Resolución
Ordenando la matriz para que sea una matriz diagonal dominante:
5x1 − x2 + x3 = 2
x1 − 3x2 − x3 = −4
x1 + x2 + 4x3 = −1
Luego, el esquema iterativo de Gauss-Seidel es:
(k) (k)
(k+1) 2 + x2 − x3
x1 =
5
(k+1) (k)
(k+1) −x1 − 4 + x3
x2 =
−3
(k+1) (k+1)
(k+1) −x1 − x2 −1
x3 =
4
1era iteración:
2 4 1
x1 = x2 = x3 = −
5 3 4
2da iteración:
x1 = 0.716667 x2 = 1.38333 x3 = −0.683333
3era iteración:
dx1 = 0.813333 x2 = 1.8 x3 = −0.77499
Podemos inferir:
x1 = 1 x2 = 2 x3 = −1
Bibliografı́a
[2] M. Dowell and P. Jarratt, “A modified regula falsi method for computing
the root of an equation,” BIT Numerical Mathematics, vol. 11, no. 2,
pp. 168–174, 1971.
173