Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Métodos numéricos: Conjunto de técnicas mediante las cuales es posible formular problemas matemáticos de tal
forma que puedan resolverse utilizando operaciones aritméticas.
RAÍCES DE ECUACIONES
Errores de redondeo: Son los producidos por el redondeo de las cantidades. Esto se debe a que la computadora
representa las cantidades con un número finito de dígitos.
(𝜋 ≈ 3.1416, √2 = 1.4142)
Errores de truncamiento: Son los producidos por la aproximación de operaciones y aproximación de
procedimientos matemáticos exactos.
𝑥3 𝑥5 𝑥7 𝑥9 𝑥 11 𝑏 𝑏−𝑎 𝑎+𝑏
(sen 𝑥 ≈ 𝑥 − + − + − , ∫𝑎 𝑓(𝑥)𝑑𝑥 ≈ (𝑓(𝑎) + 2𝑓 ( ) + 𝑓(𝑏)))
6 120 7! 9! 11! 4 2
Cifras significativas: Estas son las cifras que comienzan desde la primera cifra no nula izquierda hasta la última
cifra de la derecha, los ceros últimos de la derecha pueden ser significativos o no.
(0.045678 tiene 5 cifras significativas)
𝐸𝑡 = 𝑣𝑡 − 𝑣𝑎
Donde 𝑣𝑡 es el valor verdadero y 𝑣𝑎 es el valor aproximado
Nota. En el caso de un procedimiento con varias aproximaciones, se suele usar el criterio de parada
|𝑒𝑎 | ≤ 𝑒𝑠
Donde 𝑒𝑠 es la tolerancia. Cuando 𝑒𝑠 = (0.5 ⋅ 102−𝑛 )% el resultado será cierto en al menos 𝑛 cifras significativas.
Ejemplo. Aproximar 𝜋 con al menos 5 cifras significativas, para ello use la aproximación de Gregory-Leibniz dada por
la serie siguiente (use sumas parciales):
∞
(−1)𝑛 4 4 4 4 4
𝜋 = ∑4⋅ = 4− + − + − +⋯
2𝑛 + 1 3 5 7 9 11
𝑛=0
𝑣1 = 4
4
𝑣2 = 4 − = 2.66667
3
3
4 4 4
𝑣3 = 4 − + = 𝑣2 + = 3.46667
3 5 5
4 4 4 4
𝑣4 = 4 − + − = 𝑣3 − = 2.89524
3 5 7 7
Utilice el error aproximado y una tolerancia adecuada.
Solución.
𝑣𝑛 − 𝑣𝑛−1
𝑣𝑛 |𝑒𝑎 | = | ⋅ 100%| > 𝑒𝑠
𝑣𝑛
𝑣1 = 4 |𝑒𝑎 | = 100%, convenio (> 𝑒𝑠 )
2.66667 − 4
𝑣2 = 2.66667 |𝑒𝑎 | = | ⋅ 100%| = 49.9998125% > 𝑒𝑠
2.66667
3.46667 − 2.66667
𝑣3 = 3.46667 |𝑒𝑎 | = | ⋅ 100%| = 23.07690 > 𝑒𝑠
3.46667
2.89524 − 3.46667
𝑣4 = 2.89524 |𝑒𝑎 | = | ⋅ 100%| = 19.7369 > 𝑒𝑠
2.89524
…
𝑣𝑛 = sol con las 5 cifras sign. |𝑒𝑎 | ≤ 𝑒𝑠
%aproxPi.m
%Calcular pi de forma aproximada, usando el error relativo
%porcentual aproximado ea=(vn-v(n-1))/vn*100%
%con la aproximación pi=sum(4*(-1)^n/(2n+1))
vn = 4; %aprox de pi inicial, corresponde n = 0
ea = 100; %error relativo porcentual aproximado inicial
es = (0.5 * 10 ^ (2-5)); % tolerancia para tener al menos 5 cifras significativas
n = 1; %índice de la sumatoria
while abs(ea) > es
vnAnt = vn; %valor anterior
vn = vnAnt + 4*(-1)^n / (2*n+1);
ea = (vn - vnAnt) / vn * 100;
n = n + 1;
%pause(3)
end
fprintf('El valor aprox. de pi con 5 cifras significativas es %.4f\n',vn)
fprintf('El error es %.6f\n',ea)
fprintf('El número de aproximaciones es %i\n',n)
>> aproxPi
El valor aprox. de pi con 5 cifras significativas es 3.1416
El error es 0.000500
El número de aproximaciones es 127325
4
Series de Taylor
Teorema definición (Polinomios de Taylor). Si 𝑓 es una función real derivable (𝑛) veces continuamente, y existe la
(𝑛 + 1) derivada, todas en [𝑎, 𝑏], 𝑥0 ∈ [𝑎, 𝑏], el 𝑛-ésimo polinomio de Taylor se define mediante:
|𝑥−𝑥0 |𝑛+1
Cota intervalo [𝑎, 𝑏]: |𝑓(𝑥) − 𝑃𝑛 (𝑥)| = |𝑅𝑛 (𝑥)| ≤ max |𝑓 (𝑛+1) (𝑡)| ⋅ max
𝑡∈[𝑎,𝑏] 𝑥∈[𝑎,𝑏] (𝑛+1)!
Teorema. (serie de Taylor). Si 𝑓 es una función real derivable infinitamente sobre [𝑎, 𝑏], 𝑥0 ∈ [𝑎, 𝑏], la serie de
Taylor para la función se define por la siguiente serie y converge por puntos a 𝑓:
∞
𝑓 ′′ (𝑥0 )(𝑥 − 𝑥0 )2 𝑓 ′′′ (𝑥0 )(𝑥 − 𝑥0 )3 𝑓 (𝑘) (𝑥0 )(𝑥 − 𝑥0 )𝑘
𝑓(𝑥) = 𝑓(𝑥0 ) + 𝑓 ′ (𝑥0 )(𝑥 − 𝑥0 ) + + +⋯ = ∑
2! 3! 𝑘!
𝑘=0
Ejemplo.
𝑛 = 3, 𝑥0 = 1
𝑥1 = 0.5
a=0.4 %inciso d)
b = 1.4
df4 = abs(diff(f,4));
A = max(df4(a:0.01:b))
A= 2125/8
|𝑥 − 1|4
|𝑓 (𝑥 ) − 𝑃4 (𝑥 )| ≤ max |𝑓 (4) (𝑡)| ⋅ max
𝑡∈[0.4,1.4] 𝑥∈[0.4,1.4] 4!
|𝑥 − 1|4
𝐵= max
𝑥∈[0.4,1.4] 4!
g(x)=abs(x-1)^4/24
B=max(g(a:0.01:b))
𝐵 = 27/5000
6
2125 27
|𝑓(𝑥 ) − 𝑃3 (𝑥 )| ≤ 𝐴𝐵 = ⋅ = 1.434375
8 5000
Métodos gráficos
Dado el problema: encontrar las raíces de la ecuación 𝑓(𝑥) = 0, gráficamente significa encontrar las intersecciones
con el eje 𝑋.
Solución: 𝑥 = −1.379
Para dos funciones 𝑓 y 𝑔 reales, encontrar las raíces de la ecuación 𝑓(𝑥) = 𝑔(𝑥) gráficamente es hallar los puntos de
intersección (las abscisas)
7
Métodos numéricos. El problema es encontrar las raíces reales de la función real 𝑓 sobre un dominio [𝑎, 𝑏], i.e.,
resolver la ecuación 𝑓(𝑥) = 0, 𝑥 ∈ [𝑎, 𝑏] con métodos iterativos (métodos repetitivos que calculen a la larga
soluciones más exactas).
1. Método de la bisección
2. Método de Newton-Raphson
Teorema del valor intermedio. Si 𝑓 es continua sobre [𝑎, 𝑏] y 𝑓(𝑎) y 𝑓(𝑏) tienen signos opuestos
(𝑓(𝑎) ∗ 𝑓(𝑏) < 0) entonces 𝑓 tiene al menos una raíz en [𝑎, 𝑏], esto es, existe 𝑥0 ∈ (𝑎, 𝑏) tal que 𝑓(𝑥0 ) = 0
8
Método de la bisección.
Para una función continua en un intervalo [𝑥𝑙 , 𝑥𝑟 ] que tiene una raíz (𝑓(𝑥𝑙 ) ∗ 𝑓(𝑥𝑟 ) < 0), el método consiste en
dividir el intervalo a la mitad, hay que escoger la mitad que contenga a la raíz, el procedimiento se repite o itera
sobre este intervalo.
Cota para el error absoluto del método luego de 𝑛 iteraciones para el intervalo original [𝑎, 𝑏]:
𝑏−𝑎
𝐸𝑡 = 𝑥𝑡 − 𝑥𝑎 → |𝐸𝑡 | ≤ 𝑛
2
𝑏−𝑎
iterMax = ⌈log 2 ⌉
𝑒𝑠
Algoritmo 1
Algoritmo 2
Algoritmo 3
%biseccion2020.m
%Algoritmo de la bisección con criterio de parada |ea |<=es.
%Datos: I=[xl,xr], una función f continua sobre I y f(xl)*f(xr)<0, tolerancia es.
%Salida: xa=valor aproximado, ea=error porcentual aproximado, iter=iteraciones
%Datos
syms x
f(x) = input('f(x) = ');
disp('Ingrese el intervalo [xl,xr] que cumpla f(xl)*f(xr)<0')
xl = input('xl = ');
xr = input('xr = ');
es = input('Tolerancia es = '); %tolerancia
%Algoritmo:
close, fplot(f,[xl, xr]), hold on %no es paso del algoritmo 1 de bisección
xa = (xl + xr) / 2
ea = 100 %error aproximado porcentual
iter = 1;
while abs(ea) > es
xaAnt = xa;
if f(xa) == 0
ea = 0;
else
if f(xl) * f(xa) < 0
%xl = xl
xr = xa;
else
xl = xa;
%xr = xr
end
xa = (xl + xr) / 2
ea = (xa - xaAnt) / xa * 100
iter = iter + 1
end
end
%Mostrar resultados
fprintf('La solucion aprox. es: %.4f\n', xa)
fprintf('El error porcentual aprox. es: %f\n', ea)
fprintf('El numero de iteraciones es: %i\n', iter)
plot(xa,0,'ro'), grid on
text(xa,0,sprintf('(%.4f,0)',xa)) %sprintf genera una arreglo de caracteres
11
Ejemplo. Por el método de la bisección manualmente encontrar una solución positiva aproximada para la ecuación
siguiente, con una tolerancia de 5%, trabajar con redondeo a 3 decimales:
𝑓(𝑥) = 𝑥 4 − 𝑥 − 10
Gráficamente determinar los puntos iniciales (enteros positivos más próximos a la raíz) necesarios para este método.
Solución
Ejemplo. Por el método de bisección manualmente encontrar una solución positiva aproximada para la ecuación
siguiente, con una tolerancia absoluta de 0.1, trabajar con redondeo a 3 decimales:
𝑓(𝑥) = 𝑥 4 − 𝑥 − 10
Gráficamente determinar los puntos iniciales (enteros positivos más próximos a la raíz) necesarios para este método.
Solución
Ejemplo. Por el método de la bisección manualmente encontrar una solución positiva aproximada para la ecuación
siguiente, con una tolerancia de 2%, trabajar con redondeo a 6 decimales:
𝑥
𝑓 (𝑥 ) = cos ( ) + 𝑥 − 𝜋 = 0
2
Gráficamente determinar los puntos iniciales (enteros positivos más próximos a la raíz) necesarios para este método.
Solución
Método de Newton-Raphson
Algoritmo 1
1. Hacer iter := 0
2. Hacer mientras |𝑓(𝑥𝑎 )| > 𝑒𝑠 :
𝑓(𝑥𝑎 )
𝑥𝑎 : = 𝑥𝑎 −
𝑓′ (𝑥𝑎 )
Y termina algoritmo.
Sino hacer:
iter := iter+1
Algoritmo 2
%newtonRaphson2020Tol.m
% Algoritmo con criterio de parada |f(xa )|<=es
% Datos: Una función f:[a,b]->R con f es de clase C2 en [a,b]
%y f'(x)~=0 en [a,b] y f(a)*f(b)<0;
% xa una solución aproximada inicial; la tolerancia es.
% Salida: xa=valor aproximado, iter=iteraciones
%Datos
syms x
f(x) = input('f(x) = ');
disp('Ingrese el intervalo [a,b]')
a = input('a = ');
b = input('b = ');
xa = input('Ingrese el valor inicial xa = ')
es = input('Ingrese la tolerancia, tal que |f(xa)| al final sea <= es : ');
%Algoritmo 1
iter = 1;
while abs(f(xa)) > es
xa = double(xa - f(xa) / df(xa))
if (xa < a || xa > b) %xa fuera del intervalo
fprintf(['No se llega a la solución con la exactitud deseada.'...
'\n Se sugiere elegir un valor inicial más cercano al dado\n'])
mostrar = false;
break; %terminar algoritmo
else
iter = iter + 1;
end
end
%Mostrar resultados
if mostrar
fprintf('La sol. aproximada es %.3f\n', xa)
fprintf('El número de iteraciones es %i\n', iter)
fplot(f)
hold on
plot(xa,0,'ro')
text(xa,0,sprintf('(%.4f,0)',xa))
grid on
end
16
Ejemplo. Por el método de Newton-Raphson manualmente encontrar una solución positiva aproximada para la
ecuación siguiente, con una tolerancia de 0.1 para |𝑓(𝑟)|, trabajar con redondeo a 3 decimales:
𝑓(𝑥) = 𝑥 4 − 𝑥 − 10
Solución.
𝑓(𝑥) = 𝑥 4 − 𝑥 − 10
𝑒𝑠 = 0.1
𝑓 ′ (𝑥) = 4𝑥 3 − 1
Usar 3 decimales
iter 𝑓(𝑥𝑎 ) |𝑓(𝑥𝑎 )| > 𝑒𝑠 = 0.1
𝑥𝑎 : = 𝑥𝑎 −
𝑓′(𝑥𝑎 )
0 1.5 6.4 > 0.1
1 2.015 ∈ [𝑎, 𝑏] = [1,3] 4.4704 > 0.1
2 1.874 ∈ [𝑎, 𝑏] 0.4593 > 0.1
3 1.856 ∈ [𝑎, 𝑏] 0.0102 > 0.1 no
Ejemplo. Por el método de Newton-Raphson manualmente encontrar la raíz más grande aproximada para la función
siguiente, con una tolerancia de 0.1% para |𝑒𝑎 |, trabajar con redondeo a 4 decimales:
𝑓(𝑥) = 𝑒 𝑥 − 𝑥 sin(4𝑥) + 1
Solución.
𝑓(𝑥) = 𝑒 𝑥 − 𝑥 sin(4𝑥) + 1
[𝑎, 𝑏] = [−5,3]; 𝑥𝑎 = −1.75; 𝑒𝑠 = 0.1; 4 decimales
Ejercicio. Escribir un programa para graficar la curva de ecuación −25𝑥 2 − 20𝑥𝑦 − 96𝑥 − 9𝑦 3 − 35𝑦 − 70 = 0
con 𝑥 ∈ [−1,1]
18
Consideremos la función:
𝐹: ℝ𝑛 → ℝ𝑛
𝐹1 (𝑋)
𝐹 (𝑋)
𝐹(𝑋) = ( 2 ) ; 𝑋 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 )
⋮
𝐹𝑛 (𝑋)
Se quiere resolver la ecuación 𝐹(𝑋) = 0, lo cual desglosado es un sistema de 𝑛 ecuaciones y 𝑛 incógnitas:
𝐹1 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 0
𝐹2 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 0
𝐹(𝑋) = 0: {
⋮
𝐹𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 0
Usamos la idea del método de Newton-Raphson unidimensional. Sea 𝑋 ∗ la solución exacta de 𝐹(𝑋) = 0, y sea 𝑋0
una solución próxima a 𝑋 ∗ ; la serie de Taylor para la función es:
𝑓(𝑥, 𝑦) 0
En el caso de dos variables para 𝐹(𝑥, 𝑦) = ( )=( )
𝑔(𝑥, 𝑦) 0
−1
𝑋𝑛+1 = 𝑋𝑛 − (𝐹 ′ (𝑋𝑛 )) 𝐹(𝑋𝑛 )
𝑥𝑛+1 𝑥𝑛 𝑓 𝑓𝑦 −1 𝑓
(𝑦 ) = (𝑦 ) − (𝑔𝑥 𝑔𝑦 ) (𝑔)
𝑛+1 𝑛 𝑥
𝑥𝑛+1 𝑥𝑛 1 𝑔𝑦 −𝑓𝑦 𝑓
(𝑦 ) = ( 𝑦 ) − ( )( )
𝑛+1 𝑛 det −𝑔𝑥 𝑓𝑥 𝑔
𝑓𝑔𝑦 − 𝑓𝑦 𝑔
𝑥𝑛+1 = 𝑥𝑛 −
det
𝑓𝑥 𝑔 − 𝑓𝑔𝑥
𝑦𝑛+1 = 𝑦𝑛 −
det
Donde det = 𝑓𝑥 𝑔𝑦 − 𝑓𝑦 𝑔𝑥
Algoritmo 1
‖𝑋𝑎 −𝑋𝑎,𝐴𝑛𝑡 ‖
𝑒𝑎 = ⋅ 100
‖𝑋𝑎 ‖
Algoritmo 2
‖𝑋𝑎 −𝑋𝑎,𝐴𝑛𝑡 ‖
𝑒𝑎 = ⋅ 100
‖𝑋𝑎 ‖
iter = iter + 1
21
% newtonRaphsonSistemas2020.m
% Algoritmo con criterio de parada el número de iteraciones
% Datos: Una función F:D -> R^n, F es C^2 (R^n)
% y F'(X) es no singular en D,
% X0 en R^n una solución aproximada inicial (no se especificará en
% este algoritmo el dominio D), e iter el número de iteraciones
% Salida: Xa=valor aproximado, ea=|Xa-X(a,Ant)| / |Xa | * 100% error
% porcentual aproximado
% Caso de n=2
syms x y
disp('Ingrese las funciones componentes: F=[f; g]=0')
f(x,y) = input('f = ');
g(x,y) = input('g = ');
disp('Ingrese las aproximaciones iniciales:')
%primera iteración:
xa = input('x0 = ');
ya = input('y0 = ');
iter = input('Número de iteraciones adicionales = ');
%Algoritmo
F(x,y) = [f; g];
DF(x,y) = [diff(F, x) diff(F,y)]; %matriz jacobiana
invDF(x,y) = inv(DF(x,y));
Xa = [xa; ya]
for i = 1 : 1 : iter
XaAnt = Xa;
Xa = double(XaAnt - invDF(XaAnt(1), XaAnt(2)) * F(XaAnt(1), XaAnt(2)))
ea = norm(Xa-XaAnt) / norm(Xa) * 100
end
%Resultados finales
%fprintf('x = %.4f; y = %.4f\n', Xa(1), Xa(2))
%fprintf('Error porcentual aproximado = %.6f %%\n', ea)
ezplot(f), hold on, ezplot(g)
plot(Xa(1),Xa(2),'ro')
text(Xa(1),Xa(2),sprintf('(%.4f,%.4f)',Xa(1),Xa(2)))
22
Ejemplo. Realice el desarrollo completo (manuscrito) de la resolución del siguiente sistema de ecuaciones no lineales
por el método de Newton considerando: valores iniciales 𝑥0 = −0.5 , 𝑦0 = 4; con 2 iteraciones.
𝑥 2 − 𝑥𝑦 2 = 11
{
𝑦 2 − 4𝑥𝑦 = 28
Solución.
−1
𝐹(𝑋) = 0 → 𝑋𝑘+1 = 𝑋𝑘 − (𝐹 ′ (𝑋𝑘 )) 𝐹(𝑋𝑘 )
𝑓(𝑥, 𝑦) 𝑥 2 − 𝑥𝑦 2 − 11 0
𝐹(𝑥, 𝑦) = ( )=( 2 )=( )
𝑔(𝑥, 𝑦) 𝑦 − 4𝑥𝑦 − 28 0
𝑥𝑘+1 𝑥𝑘 ′ −1
(𝑦 ) = (𝑦 ) − (𝐹 (𝑥𝑘 , 𝑦𝑘 )) 𝐹(𝑥𝑘 , 𝑦𝑘 )
𝑘+1 𝑘
La matriz jacobiana:
𝜕𝑓 𝜕𝑓
𝜕𝐹 𝜕𝐹 𝜕𝑥 𝜕𝑦 2𝑥 − 𝑦 2 −2𝑥𝑦
𝐹 ′ (𝑥, 𝑦) = ( )= =( )
𝜕𝑥 𝜕𝑦 𝜕𝑔 𝜕𝑔 −4𝑦 2𝑦 − 4𝑥
(𝜕𝑥 𝜕𝑦 )
det(𝐹 ′ ) = (2𝑥 − 𝑦 2 )(2𝑦 − 4𝑥) − (−4𝑦)(−2𝑥𝑦)
−1 1 2𝑦 − 4𝑥 2𝑥𝑦
(𝐹 ′ (𝑥, 𝑦)) = ( )
det(𝐹 )′ 4𝑦 2𝑥 − 𝑦 2
𝑎 𝑏 −1 1 𝑑 −𝑏
Nota. ( ) = ( )
𝑐 𝑑 𝑎𝑑−𝑏𝑐 −𝑐 𝑎
Primera iteración:
𝑘 = 0:
−1
𝑋1 = 𝑋0 − (𝐹 ′ (𝑋0 )) 𝐹(𝑋0 )
𝑥1 𝑥0 −1
(𝑦 ) = (𝑦 ) − (𝐹 ′ (𝑥0 , 𝑦0 )) 𝐹(𝑥0 , 𝑦0 )
1 0
𝑥0 = −0.5 , 𝑦0 = 4
′ 2
det(𝐹 ) = (2(−0.5) − 4 )(2(4) − 4(−0.5)) − (−4(4))(−2(−0.5)(4)) = −106
−1 1 2(4) − 4(−0.5) 2(−0.5)(4) 1 10 −4
(𝐹 ′ (−0.5,4)) = ′ ( 2 )= ( )
det(𝐹 ) 4(4) 2(−0.5) − 4 −106 16 −17
(−0.5)2 − (−0.5)(4)2 − 11 −2.75
𝐹(−0.5,4) = ( 2 )=( )
(4) − 4(−0.5)(4) − 28 −4
𝑥1 −0.5 1 10 −4
(𝑦 ) = ( )− ( ) 𝐹(−0.5,4)
1 4 −106 16 −17
𝑥1 −0.5 1 10 −4 −2.75
(𝑦 ) = ( )− ( )( )
1 4 −106 16 −17 −4
𝑥1 −0.5 1 −11.5
(𝑦 ) = ( )− ( )
1 4 −106 24
𝑥1 −0.60849
(𝑦 ) = ( )
1 4.22642
−0.60849 −0.5
‖( )−( )‖
𝑒𝑎 = 4.22642 4 ⋅ 100% = 5.87986%
−0.60849
‖( )‖
4.22642
𝑘 = 1:
−1
𝑋2 = 𝑋1 − (𝐹 ′ (𝑋1 )) 𝐹(𝑋1 )
𝑥2 𝑥1 −1
(𝑦 ) = (𝑦 ) − (𝐹 ′ (𝑥1 , 𝑦1 )) 𝐹(𝑥1 , 𝑦1 )
2 1
𝑥1 = −0.60849 , 𝑦1 = 4.22642
23
det(𝐹 ′ ) = −120.76202
−1 1 2 ∗ (4.22642) − 4 ∗ (−0.60849) 2(−0.60849) ∗ 4.22642
(𝐹 ′ (−0.60849,4.22642)) = −120.76202 ( )
4 ∗ 4.22642 2 ∗ (−0.60849) − 4.226422
1 10.88680 −5.14347
= ( )
−120.76202 16.90568 −19.07961
𝑥 3 sin(𝑥) + 2𝑦 = 3
{ 3
𝑦 − 4cos(𝑥) = 2
Solución.
𝑥0 = 3; 𝑦0 = −1
−1
𝐹(𝑋) = 0 → 𝑋𝑘+1 = 𝑋𝑘 − (𝐹 ′ (𝑋𝑘 )) 𝐹(𝑋𝑘 )
𝜕𝑓 𝜕𝑓
𝜕𝑥 𝜕𝑦 3𝑥 2 sin(𝑥) + 𝑥 3 cos 𝑥 2
𝐹 ′ (𝑥, 𝑦) = =( )
𝜕𝑔 𝜕𝑔 4 sin(𝑥) 3𝑦 2
(𝜕𝑥 𝜕𝑦 )
1 3𝑦 2 −2
𝐹 ′ (𝑥, 𝑦)−1 = ( )
det(𝐹 ′ (𝑥, 𝑦)) −4 sin(𝑥) 3𝑥 2 sin(𝑥) + 𝑥 3 cos 𝑥
𝑥0 = 3, 𝑦0 = −1
−1.1898
𝐹(𝑥0 , 𝑦0 ) = ( )
0.9600
𝑥1 𝑥0 −1
(𝑦 ) = (𝑦 ) − (𝐹 ′ (𝑥0 , 𝑦0 )) 𝐹(𝑥0 , 𝑦0 )
1 0
2.9214 3
‖( )− ( )‖
𝑒𝑎 = −1.3052 −1 ⋅ 100% = 9.849610868415191%
2.9214
‖( )‖
−1.3052
Segunda iteración adicional: Si 𝑘 = 1:
𝑥2 𝑥1 −1
(𝑦 ) = (𝑦 ) − (𝐹 ′ (𝑥1 , 𝑦1 )) 𝐹(𝑥1 , 𝑦1 )
2 1
𝑥1 = 2.9214, 𝑦1 = −1.3052
−0.1646
𝐹(𝑥1 , 𝑦1 ) = ( )
−0.3200
𝑥2 𝑥1 −1
(𝑦 ) = (𝑦 ) − (𝐹 ′ (𝑥1 , 𝑦1 )) 𝐹(𝑥1 , 𝑦1 )
2 1
2.9193 2.9214
‖( )−( )‖
𝑒𝑎 = −1.2422 −1.3052 ⋅ 100% = 1.986857620290921%
2.9193
‖( )‖
−1.2422
Como en álgebra lineal, el método de eliminación se aplica a sistemas de ecuaciones lineales para escalonar el
sistema.
El método de Gauss simple se aplica a sistemas que no requieren cambios de orden en las ecuaciones. Entonces
sucesivamente, se identifica un elemento de la diagonal (pivote), luego hay que restar múltiplos de la fila del pivote a
las filas siguientes con el fin de tener ceros debajo del pivote.
𝐴̃ = [𝐴|𝐵]
donde, excepto en la primera columna, no se espera que los valores de 𝑎𝑖𝑗 concuerden con los de la matriz original
𝐴̃. La matriz 𝐴̃ representa un sistema lineal con la misma solución establecida como el sistema original.
Sistema bien condicionado: Se dice que un sistema está bien condicionado si pequeños cambios en los coeficientes
producen pequeños cambios en la solución, caso contrario se dice que está mal condicionado.
Escalamiento. Para evitar problemas de mal condicionamiento, se debe colocar en la posición del pivote al elemento
de la columna que es más grande en relación con las entradas en su fila. De esta manera en cada etapa 𝑖 de la
eliminación, se elegirá para ser el pivote el elemento de la fila 𝑝 ≥ 𝑖 tal que
|𝑎𝑝𝑖 | |𝑎𝑘𝑖 |
= max
𝑠𝑝 𝑖≤𝑘≤𝑛 𝑠𝑘
𝑠𝑖 = max |𝑎𝑖𝑗 |
1≤𝑗≤𝑛
|𝑎31 |
Puesto que es el más grande, realizamos (𝐸1 ) ↔ (𝐸3 ) para obtener
𝑠3
Puesto que
28
Finalmente, la sustitución hacia atrás da la solución 𝑥, la cual, para tres dígitos decimales, es
Datos: la matriz aumentada del sistema lineal de ecuaciones 𝐴 = [𝑎𝑖𝑗 ] 1 ≤ 𝑖 ≤ 𝑛, 1 ≤ 𝑗 ≤ 𝑛 + 1. 𝑎(𝑖, 𝑗) = 𝑎𝑖𝑗
Salida: solución 𝑥1 , . . . , 𝑥𝑛 o mensaje de que el sistema lineal no tiene solución única.