Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3
4
6
7
9
10
Movimiento
Velocidad promedio de 𝑡𝐴 a 𝑡𝐵
𝑑𝐵 − 𝑑𝐴
𝑣𝐴𝐵 =
𝑡𝐵 − 𝑡𝐴
Velocidad instantánea en el instante 𝑡𝐴
𝑑𝐴 −𝑑𝐴 0
• Haciendo 𝑡𝐴 = 𝑡𝐵 se tiene 𝑣𝐴 = 𝑡𝐴 −𝑡𝐴
= 0 , no tiene sentido,
𝑑𝐵 −𝑑𝐴 𝑑𝐵 −𝑑𝐴
• Hallando el límite de 𝑡𝐵 −𝑡𝐴
cuando 𝑡𝐵 se acerca a 𝑡𝐴 se tiene 𝑣𝐴 = lim
𝑡𝐵 →𝑡𝐴 𝑡𝐵 −𝑡𝐴
12
13
14
15
16
17
18
ANÁLISIS DIMENSIONAL
5
6
9
10
11
12
13
1
En 𝑒 = 𝑣0 + 2 𝑎𝑡 2 el término 𝑣0 está mal porque su dimensión es 𝐿𝑇 −1 pero debe ser 𝐿.
Hay que revisar y corregir.
1
2
3
4
5
6
7
0,25= +1x2-2
22 21 …… 2 1 0
0 0 0 0 0 0
30 29 28 27 26 25 24 23
0 1 1 1 1 1 0 1
31
0
8
2
Δ
En la práctica la cota de error relativo es 𝛿𝑥 = |𝑥|𝑥 .
𝐴 = 0.55(1 ± 0.01) m
𝑎𝛿𝑎 = 0,55(0,01) 𝑚
(0,55 − 0,0055)𝑚 ≤ 𝐴 ≤ (0,55 + 0,0055)𝑚
5
𝑥 − Δ𝑥 ≤ 𝑋 ≤ 𝑥 + Δ𝑥
𝑦 − Δ𝑦 ≤ 𝑌 ≤ 𝑦 + Δ𝑦
≤ 𝑋 + 𝑌 ≤ 𝑥 + Δ𝑥 + 𝑦 + Δ𝑦
≤ 𝑋 + 𝑌 ≤ 𝑥 + 𝑦 + (Δ𝑥 + Δ𝑦 )
𝑥 − Δ𝑥 + 𝑦 − Δy ≤ 𝑋 + 𝑌 ≤ 𝑥 + 𝑦 + (Δ𝑥 + Δ𝑦 )
𝑥 + 𝑦 − Δ𝑥 − Δy ≤ 𝑋 + 𝑌 ≤ 𝑥 + 𝑦 + (Δ𝑥 + Δ𝑦 )
𝑥 + 𝑦 − (Δ𝑥 + Δy ) ≤ 𝑋 + 𝑌 ≤ 𝑥 + 𝑦 + (Δ𝑥 + Δ𝑦 )
𝑥 + 𝑦 − (Δ𝑥+𝑦 ) ≤ 𝑋 + 𝑌 ≤ 𝑥 + 𝑦 + (Δ𝑥+𝑦 )
Δ𝑥+𝑦 = Δ𝑥 + Δ𝑦
6
𝑥 − Δ𝑥 ≤ 𝑋 ≤ 𝑥 + Δ𝑥
𝑦 − Δ𝑦 ≤ 𝑌 ≤ 𝑦 + Δ𝑦
−𝑦 − Δ𝑦 ≤ −𝑌 ≤ −𝑦 + Δ𝑦
𝑥 − Δ𝑥 − 𝑦 − Δ𝑦 ≤ 𝑋 − 𝑌 ≤ 𝑥 + Δ𝑥 − 𝑦 + Δ𝑦
𝑥 − 𝑦 − Δ𝑥 − Δ𝑦 ≤ 𝑋 − 𝑌 ≤ 𝑥 − 𝑦 + Δ𝑥 + Δ𝑦
𝑥 − 𝑦 − (Δ𝑥 + Δ𝑦 ) ≤ 𝑋 − 𝑌 ≤ 𝑥 − 𝑦 + (Δ𝑥 + Δ𝑦 )
Δ𝑥−𝑦 = Δ𝑥 + Δ𝑦
7
𝑥 − x δ𝑥 ≤ 𝑋 ≤ 𝑥 + x δ𝑥
𝑦 − y δ𝑦 ≤ 𝑌 ≤ 𝑦 + y δ𝑦
𝑥𝑦(1 − 𝛿𝑥 − 𝛿𝑦 + 𝛿𝑥 𝛿𝑦 ) ≤ 𝑋 ⋅ 𝑌 ≤ 𝑥𝑦(1 + 𝛿𝑥 + 𝛿𝑦 + 𝛿𝑥 𝛿𝑦 )
𝑥𝑦(1 − 𝛿𝑥 − 𝛿𝑦 ) ≤ 𝑋 ⋅ 𝑌 ≤ 𝑥𝑦(1 + 𝛿𝑥 + 𝛿𝑦 )
𝜹𝒙⋅𝒚 = (𝜹𝒙 + 𝜹𝒚 )
𝑥 − x δ𝑥 ≤ 𝑋 ≤ 𝑥 + x δ𝑥
𝑦 − y δ𝑦 ≤ 𝑌 ≤ 𝑦 + y δ𝑦
𝑋
𝑚𝑒𝑛𝑜𝑟 𝑣𝑎𝑙𝑜𝑟 𝑞𝑢𝑒 𝑝𝑢𝑒𝑑𝑒 𝑡𝑒𝑛𝑒𝑟 𝑙𝑎 𝑑𝑖𝑣𝑖𝑠𝑖ó𝑛 ≤ ≤ 𝑚𝑎𝑦𝑜𝑟 𝑣𝑎𝑙𝑜𝑟 𝑞𝑢𝑒 𝑝𝑢𝑒𝑑𝑒 𝑡𝑒𝑛𝑒𝑟 𝑙𝑎 𝑑𝑖𝑣𝑖𝑠𝑖ó𝑛
𝑌
𝑥 − x δ𝑥 𝑦 − y δ𝑦 𝑋 𝑥 + x δ𝑥 𝑦 + y δ𝑦
( ) ≤ ≤ ( )
𝑦 + y δ𝑦 𝑦 − y δ𝑦 𝑌 𝑦 − y δ𝑦 𝑦 + y δ𝑦
𝑥𝑦(1 − 𝛿𝑥 − 𝛿𝑦 + 𝛿𝑥 𝛿𝑦 ) 𝑋 𝑥𝑦(1 + 𝛿𝑥 + 𝛿𝑦 + 𝛿𝑥 𝛿𝑦 )
≤ ≤
𝑦 2 (1 − 𝛿𝑦2 ) 𝑌 𝑦 2 (1 − 𝛿𝑦2 )
𝑥𝑦(1 − 𝛿𝑥 − 𝛿𝑦 ) 𝑋 𝑥𝑦(1 + 𝛿𝑥 + 𝛿𝑦 )
≤ ≤
𝑦2 𝑌 𝑦2
𝑥(1 − 𝛿𝑥 − 𝛿𝑦 ) 𝑋 𝑥(1 + 𝛿𝑥 + 𝛿𝑦 )
≤ ≤
𝑦 𝑌 𝑦
𝑥 𝑋 𝑥
(1 − (𝜹𝒙 + 𝜹𝒚 )) ≤ ≤ (1 + (𝜹𝒙 + 𝜹𝒚 ))
𝑦 𝑌 𝑦
𝜹𝒙/𝒚 = (𝜹𝒙 + 𝜹𝒚 )
Problema: Se tiene un cajón de madera cuyas dimensiones externas son 𝐴 = (2,50 ± 0,02) 𝑚,
𝐵 = (1,20 ± 0,01) 𝑚 y 𝐶 = (0,80 ± 0,01) 𝑚. Se desea calcular la superficie externa del
cajón (con su cota de error absoluto).
Problema: Deducir la fórmula para la cota de error absoluto del volumen del cajón de problema an-
terior.
Δ𝑉 = 𝐵 ⋅ 𝐶 ⋅ Δ𝐴 + 𝐴 ⋅ 𝐶 ⋅ Δ𝐵 + 𝐴 ⋅ 𝐵 ⋅ Δ𝑐
Problema: Demostrar que la cota de error absoluto de 𝛼𝑥, donde 𝛼 es un valor exacto, es 𝛼 veces la
cota de error absoluto de 𝑥.
𝑓(𝛼, 𝑥) = 𝛼𝑥
Δ𝛼𝑥 = 𝑥∆𝛼 + 𝛼Δ𝑥 = 𝛼Δ𝑥
Problema: Demostrar que la cota de error relativo de 𝑥 𝛼 , donde 𝛼 es un valor exacto, es 𝛼 veces la
cota de error relativo de 𝑥.
11
|
Valor matemático: 18
Debe reportarse (o escribirse) como 1,8x10
12
13
14
15
16
2
3
4
5
Cualquier ecuación
e1(x)= e2(x)
e1(x)-e2(x)= 0
f(x)=e1(x)-e2(x)=0
Problema:
Resolver la ecuación COS(2 x)=SIN(2.5 x) en el intervalo 0 a 2. Dar la mayor solución. Cota de error
residual de 10-4.
a) Transformación de la ecuación a la forma f(x)= 0:
x f(x)
0 1
0.2 0.441635
0.4 -0.14476
0.6 -0.63514
0.8 -0.9385
1 -1.01462
1.2 -0.87851
1.4 -0.59144
1.6 -0.24149
1.8 0.080772
2 0.305281
mero de iteraciones k para que la cota error de x sea menor igual que 10-4.
Solución:
|1,8−1,6|
En el problema original se tiene a=1,6 y b= 1,8. Se debe encontrar k tal que ≤ 10−4.
2𝑘
Resolver la ecuación COS(2 x)=SIN(2.5 x) en el intervalo 0 a 2. Dar la mayor solución. Cota de error
residual de 10-4.
a) Transformación de la ecuación a la forma f(x)= 0:
x f(x)
0 1
0.2 0.441635
0.4 -0.14476
0.6 -0.63514
0.8 -0.9385
1 -1.01462
1.2 -0.87851
1.4 -0.59144
1.6 -0.24149
1.8 0.080772
2 0.305281
En la tabla se observa que el intervalo indicado la función tiene 2 ceros: en el intervalo
[0; 0,4] y en el intervalo [1,6; 1,8]. Por lo tanto el intervalo inicial de búsqueda será el inter-
valo [1,6; 1,8].
La diferencia entre el método de la bisección y el método de la falsa posición es solo la forma cómo
se calcula la aproximación x.
En general el método de la falsa posición es más rápido que el de la bisección. Sin embargo, por ca-
sualidad el de bisección podría ser más rápido.
Se usan las dos últimas aproximaciones (no se modifican intervalo) para calcular la siguiente
aproximación.
La mayor solución de la ecuación con el método de la secante con una cota de error residual de
10-4 es x=1.74533.
12
13
14
15
16
Ejemplo:
Resolver la ecuación seno(2x)-x=0 en el intervalo cerrado de 0 a 2 usando el método del punto fijo.
𝑠𝑒𝑛𝑜(2𝑥) − 𝑥 = 0
𝑠𝑒𝑛𝑜(2𝑥) = 𝑥 donde
𝑓(𝑥) = 𝑠𝑒𝑛𝑜(2𝑥)
Resolver la ecuación original se ha transformado en hallar el PUNTO FIJO de la función
𝑓(𝑥) = 𝑠𝑒𝑛𝑜(2𝑥).
1.5
0.5
0
0 0.5 1 1.5 2
-0.5
Series1 Series2
b.2) Ejecutar las iteraciones del método del punto fijo usando 𝑥0 = 1.
Problema:
Utilizando el método del punto fijo resolver la ecuación cos(1,5𝑥) = 0 en el intervalo cerrado de 0 a
2 con una cota de error absoluto de 10-3.
17
1
2
NOTACIÓN VECTORIAL
Si se tiene una sucesión 𝑣⃗ (0), 𝑣⃗ (1) , 𝑣⃗ (2), … , 𝑣⃗ (𝑘) … denotada por {𝑣⃗ (𝑘) }, se dice que el límite de
{𝑣⃗ (𝑘) } es un vector 𝑣⃗ si para todo 𝛿 dado existe un 𝑁 tal que la distancia entre 𝑣⃗ y el vector 𝑣⃗ (𝑘) es
menor que 𝛿 para todo 𝑘 ≥ 𝑁.
Las siguientes aproximaciones se calculan con una fórmula de la siguiente forma 𝑣⃗ (𝑘) = 𝐼(𝑣⃗ (𝑘−1).
𝑣⃗ (0) vector dado
𝑣⃗ (1) = 𝐼(𝑣⃗ (0) )
a) Error absoluto: el vector 𝑣⃗ (𝑘) se considera valor exacto, y 𝑣⃗ (𝑘−1) se considera valor aproxi-
mado, entonces el vector error 𝑒⃗ (𝑘) se define como 𝑒⃗ (𝑘) = 𝑣⃗ (𝑘) − 𝑣⃗ (𝑘−1) . La condición de
terminación será ‖𝑒⃗ (𝑘) ‖ ≤ 𝛿 dado antes de empezar el proceso.
b) Error residual:
𝑥∗
Para resolver el sistema 𝑓(𝑥, 𝑦) = 0 y 𝑔(𝑥, 𝑦) = 0 se debe encontrar un vector [ ∗ ] tal que
𝑦
∗ ∗) ∗ ∗) (𝑘) (𝑘)
𝑓(𝑥 , 𝑦 = 0 y 𝑔(𝑥 , 𝑦 = 0. Como el método es aproximado 𝑓(𝑥 , 𝑦 ) ≠ 0,
𝑓(𝑥 (𝑘) , 𝑦 (𝑘) )
𝑔(𝑥 (𝑘) , 𝑦 (𝑘) ) ≠ 0 entonces el vector error residual es [ ] y la condición de ter-
𝑔(𝑥 (𝑘) , 𝑦 (𝑘) )
minación será ‖𝑒⃗ (𝑘) ‖ ≤ 𝛿 dado antes de empezar el proceso.
𝑓(𝑥, 𝑦) = 0
𝑔(𝑥, 𝑦) = 0
(formulación escalar)
Se ejecutan las iteraciones hasta que 𝑋⃗ (𝑘) cumpla con el criterio de terminación dado antes de ini-
ciar el proceso.
EJERCICIO:
𝒙 𝒆(𝒙+𝒚) + 𝒚 − 𝟑 = 𝟎,
(𝒙 − 𝟐)𝟐 + (𝒚 − 𝟏)𝟐 + 𝒙 ∙ 𝒚 − 𝟑 = 𝟎,
de donde
(𝒙+𝒚)
𝑓(𝑥, 𝑦) = 𝒙 𝒆 + 𝒚 − 𝟑,
𝟐 𝟐
𝑔(𝑥, 𝑦) = (𝒙 − 𝟐) + (𝒚 − 𝟏) + 𝒙 ∙ 𝒚 − 𝟑.
𝑥
b) Haciendo 𝑋⃗ = [𝑦], la función vectorial del sistema es
𝑓(𝑋⃗) 𝒙 𝒆(𝒙+𝒚) + 𝒚 − 𝟑
𝐹⃗ (𝑋⃗) = [ ]=[ ]
𝑔(𝑋⃗) (𝒙 − 𝟐)𝟐 + (𝒚 − 𝟏)𝟐 + 𝒙 ∙ 𝒚 − 𝟑
Ejercicio: Calcular el jacobiano para 𝐹⃗ .
𝜕𝑓(𝑥,𝑦) 𝜕𝑓(𝑥,𝑦)
𝜕𝑥 𝜕𝑦 𝒆(𝒙+𝒚) + 𝒙 𝒆(𝒙+𝒚) 𝒙 𝒆(𝒙+𝒚) + 𝟏
𝐽𝐹 (𝑋⃗) = [𝜕𝑔(𝑥,𝑦) 𝜕𝑔(𝑥,𝑦)
]=[ ]
2(𝑥 − 2) + 𝑦 2(𝑦 − 1) + 𝑥
𝜕𝑥 𝜕𝑦
c) Fórmula de iteración
x 0.405274 0.88304 8.591565 3.477765 0.073019 -0.20887 0.00664 0.594726 FALSE 0.88304 FALSE
y 1.405274 0.276919 -1.78418 1.215823 0.107153 0.515986 0.237507 0.405274 FALSE 0.276919 FALSE
x 0.398634 0.076981 6.698598 2.909213 0.06774 -0.26843 -0.01036 0.00664 FALSE 0.076981 FALSE
y 1.167768 0.05803 -2.03496 0.73417 0.187761 0.618063 0.05032 0.237507 FALSE 0.05803 FALSE
x 0.408996 -0.00044 6.483895 2.882113 0.063593 -0.28465 -0.00063 0.010362 FALSE 0.00044 FALSE
y 1.117447 0.002118 -2.06456 0.643891 0.203903 0.640371 0.001267 0.05032 FALSE 0.002118 FALSE
x 0.409627 -1.5E-06 6.482676 2.883818 0.063465 -0.28509 -4.4E-07 0.000631 FALSE 1.46E-06 TRUE
y 1.116181 1.2E-06 -2.06456 0.641989 0.204096 0.640857 4.72E-07 0.001267 FALSE 1.2E-06 TRUE
Respuesta: Con una cota de error absoluto de 10-4 la solución del sistema de ecuaciones es
x=0.409628, y=1.11618.
4
• Los 𝑎𝑖,𝑗 son valores conocidos que se llaman coeficientes; los 𝑥𝑖 son valores desconocidos que se
llaman incógnitas; los 𝑏𝑖 son valores conocidos llamados términos independientes.
• Resolver un sistema lineal de ecuaciones consiste en encontrar un valor para cada una de las in-
cógnitas de modo que con estos mismos valores se cumplen todas las ecuaciones.
• Matriz extendida o aumentada:
• Situaciones que se pueden presentar al resolver un sistema de ecuaciones lineales:
a) El sistema no tiene solución.
No se puede encontrar un conjunto de valores para las incógnitas con el cual se cumplan to-
das las ecuaciones.
Se agrupas todos los coeficientes en una matriz, todas las incógnitas en un vector columna, todos los
términos independientes en un vector columna.
Type equation here.
94
95
En la primera fase se transforma el sistema a un sistema triangular superior (todos los elementos de
la matriz de coeficientes debajo de la diagonal son ceros.
𝑎1,1 𝑎1,2 𝑎1,3 ⋯ 𝑎1,𝑛−1 𝑎1,𝑛
𝑎2,1
⋮
⋮
𝑎𝑛−1,1
𝑎𝑛,1
96
97
⋮
𝑎 (1)
𝛼𝑛,1 = − 𝑎𝑛,1 , esto es necesario para que 𝑎𝑛,1 = 0.
1,1
Esta matriz debe ser transformada de modo que la columna 2 debajo de la diagonal sea cero.
⋮
(2) (1) (1)
𝑓𝑛−1 = 𝛼𝑛−1,2 𝑓2 + 𝑓𝑛−1
(2) (1) (1)
𝑓𝑛 = 𝛼𝑛,2 𝑓2 + 𝑓𝑛
𝑎1,1 𝑎1,2 𝑎1,2 ⋯ 𝑎1,𝑛−1 𝑎1,𝑛 𝑏1
(1) (1) (1) (1) (1)
0 𝑎2,2 𝑎2,3 ⋯ 𝑎2,𝑛−1 𝑎2,𝑛 𝑏2
(2) (2) (2) (2)
0 0 𝑎3,3 𝑎3,𝑛−1 𝑎3,𝑛 𝑏3
𝑀2 =
⋮ ⋮ ⋱ ⋮ ⋮
(2) (2) (2)
0 0 ⋯ ⋯ 𝑎𝑛−1,𝑛−1 𝑎𝑛,𝑛−1 𝑏𝑛−1
(2) (2) (2)
[ 0 0 ⋯ ⋯ 𝑎𝑛,𝑛−1 𝑎𝑛,𝑛 𝑏𝑛 ]
⋮
PASO n-1: Lograr que la columna n-1 debajo de la diagonal sea 0
𝑎1,1 𝑎1,2 𝑎1,2 ⋯ 𝑎1,𝑛−1 𝑎1,𝑛 𝑏1
(1) (1) (1) (1) (1)
0 𝑎2,2 𝑎2,3 ⋯ 𝑎2,𝑛−1 𝑎2,𝑛 𝑏2
(2) (2) (2) (2)
0 0 𝑎3,3 𝑎3,𝑛−1 𝑎3,𝑛 𝑏3
𝑀𝑛−1 = L
⋮ ⋮ ⋱ ⋮ ⋮
(𝑛−2) (𝑛−2) (𝑛−2)
0 0 0 ⋯ 𝑎𝑛−1,𝑛−1 𝑎𝑛,𝑛−1 𝑏𝑛−1
(𝑛−1) (𝑛−1)
[ 0 0 0 ⋯ 0 𝑎𝑛,𝑛 𝑏𝑛 ]
La matriz 𝑀𝑛−1 es la matriz triangular superior que se usará para la fase de sustitución hacia atrás.
2 2 1 1 8
0 1 3 2 11
0 1 7 4 23
0 2 14 11 52
2 2 1 1 8
0 1 3 2 11
0 0 4 2 12
0 0 8 7 30
2 2 1 1 8
0 1 3 2 11
0 0 4 2 12
0 0 0 3 6
Termina la fase de la eliminación.
𝑥4 = 2
𝑥3 = 2
𝑥2 = 1
𝑥1 = 1
98
𝑎1,1 𝑎1,2 ⋯ ⋯ 𝑎1,𝑛−1 𝑎1,𝑛
𝑎2,1 𝑎2,2 ⋯ ⋯ 𝑎2,𝑛−1 𝑎2,𝑛
⋮ ⋮ ⋱ ⋮ ⋮
⋮ ⋮ ⋱ ⋮ ⋮
𝑎𝑛−1,1 𝑎𝑛−1,2 ⋯ ⋯ 𝑎𝑛−1,𝑛−1 𝑎𝑛,𝑛−1
[ 𝑎𝑛,1 𝑎𝑛,2 ⋯ ⋯ 𝑎𝑛,𝑛−1 𝑎𝑛,𝑛 ]
M1
1 1 2 1 1 13
0 1 0 0 1 4
0 2 1 1 4 18 -2
0 2 0 1 4 15 -2
0 1 1 3 8 31 -1
M2
1 1 2 1 1 13
0 1 0 0 1 4
0 0 1 1 2 10
0 0 0 1 2 7 0
0 0 1 3 7 27 -1
M3
1 1 2 1 1 13
0 1 0 0 1 4
0 0 1 1 2 10
0 0 0 1 2 7
0 0 0 2 5 17 -2
M4
1 1 2 1 1 13
0 1 0 0 1 4
0 0 1 1 2 10
0 0 0 1 2 7
0 0 0 0 1 3
x5 3
x4 1
x3 3
x2 1
x1 2
FACTORIZACIÓN DE MATRICES
Dada una matriz 𝐴 se buscan dos matrices 𝐿 y 𝑈 tales que 𝐴 = 𝐿𝑈. Las matrices 𝐿 y 𝑈 son factores
de la matriz 𝐴.
FACTORIZACIÓN DOOLITE
Dado el sistema
𝐴𝑥⃗ = 𝑏⃗⃗
se buscan matrices y 𝑈 tales que 𝐴 = 𝐿𝑈, donde 𝐿 es triangular inferior con 1 en cada elemento de
la diagonal y 𝑈 es triangular superior.
Puesto que 𝐿 es una matriz triangular inferior, el vector 𝑦⃗ puede ser calculado por sustitución hacia
adelante.
1 0 ⋯ ⋯ 0 0
𝑙2,1 1 ⋯ ⋯ 0 0
⋮ ⋮ ⋱ ⋮ ⋮
𝐿= ⋮ ⋮ ⋱ ⋮ ⋮
𝑙𝑛−1,1 𝑙𝑛−1,2 ⋯ ⋯ 1 0
[𝑙𝑛,1 𝑙𝑛,2 ⋯ ⋯ 𝑙𝑛,𝑛−1 1]
Es decir, se calcula 𝑦1 , 𝑦2 , 𝑦3 , …, 𝑦𝑛 .
Ejercicio: Hallar el factor U para la matriz z, guardando los factores de las transformaciones.
2 3 1 3
4 7 4 9
2 4 5 6
2 5 11 12
A
2 3 1 3 factores
4 7 4 9 -2
2 4 5 6 -1 -1
2 5 11 12 -1 -2 -3
U
2 3 1 3
0 1 2 3
0 0 2 0
0 0 0 3
L
1 0 0 0
2 1 0 0
1 1 1 0
1 2 3 1
LU
2 3 1 3
4 7 4 9
2 4 5 6
2 5 11 12
Se tienen k sistemas con la misma matriz de coeficientes, pero diferentes términos independientes
¿Qué se puede hacer para resolver los k sistemas eliminando A una sola vez?
Se puede construir una sola matriz aumentada de A con los k términos independientes
[𝐴|𝑏⃗⃗ (1) |𝑏⃗⃗(2) |𝑏⃗⃗(3) | ⋯ |𝑏⃗⃗ (𝑘) ]
Luego se aplica la eliminación de Gauss a esta matriz aumenta hasta convertir A en una matriz trian-
gular superior.
Luego se aplica sucesivamente sustitución hacia atrás con cada uno de los vectores
𝑏⃗⃗ (1) , 𝑏⃗⃗ (2) , |𝑏⃗⃗ (3) | ⋯ |𝑏⃗⃗ (𝑘).
Un día se quiere resolver 𝐴𝑥⃗ = 𝑏⃗⃗ (1), (no se conocen los otros 𝑏⃗⃗ (𝑖) )
Otro día se quiere resolver 𝐴𝑥⃗ = 𝑏⃗⃗ (2), (no se conocen los otros 𝑏⃗⃗ (𝑖) )
El siguiente día se quiere resolver 𝐴𝑥⃗ = 𝑏⃗⃗ (3), (no se conocen los otros 𝑏⃗⃗ (𝑖) )
En esta situación no se puede construir la matriz [𝐴|𝑏⃗⃗ (1) |𝑏⃗⃗(2) |𝑏⃗⃗(3) | ⋯ |𝑏⃗⃗ (𝑘) ].
Ahora sí se necesita la factorización.
Como ya está factorizada, simplemente se usan los factores 𝐿 y 𝑈 hallados para resolver el
primer sistema. Solo se realizan los pasos 2, 3, 4 y 5.
factorizar la matriz
A
2 3 1 3
4 7 4 9 -2
2 4 5 6 -1 -1
2 5 11 12 -1 -2 -3
U
2 3 1 3
0 1 2 3
0 0 2 0
0 0 0 3
L
1 0 0 0
2 1 0 0
1 1 1 0
1 2 3 1
La matriz L es una matriz triangular inferior con 1 en toda la diagonal y los factores usados en la eli-
minación con signo c
LU
2 3 1 3
4 7 4 9
2 4 5 6
2 5 11 12
RESOLVER EL SISTEMA
A x b
2 3 1 3 x1 14
4 7 4 9 x2 35
2 4 5 6 x3 23
2 5 11 12 x4 37
L y b
1 0 0 0 y1 14
2 1 0 0 y2 35
1 1 1 0 y3 23
1 2 3 1 y4 37
y1 14 •••
y2 7 •••
y3 2 •••
y4 3 •••
U x y
2 3 1 3 x1 14
0 1 2 3 x2 7
0 0 2 0 x3 2
0 0 0 3 x4 3
x4 1
x3 1
x2 2
x1 2
RESOLVER EL SISTEMA
2 3 1 3 x1 17
4 7 4 9 x2 50
2 4 5 6 x3 39
2 5 11 12 x4 76
FACTORIZACIÓN CROUT
Dado el sistema
𝐴𝑥⃗ = 𝑏⃗⃗
𝑎1,1 𝑎1,2 ⋯ ⋯ 𝑎1,𝑛−1 𝑎1,𝑛
𝑎2,1 𝑎2,2 ⋯ ⋯ 𝑎2,𝑛−1 𝑎2,𝑛
⋮ ⋮ ⋱ ⋮ ⋮
⋮ ⋮ ⋱ ⋮ ⋮
𝑎𝑛−1,1 𝑎𝑛−1,2 ⋯ ⋯ 𝑎𝑛−1,𝑛−1 𝑎𝑛,𝑛−1
[ 𝑎𝑛,1 𝑎𝑛,2 ⋯ ⋯ 𝑎𝑛,𝑛−1 𝑎𝑛,𝑛 ]
se buscan matrices y 𝑈 tales que 𝑨 = 𝑳𝑼, donde 𝐿 es triangular inferior y 𝑈 es triangular superior
con 1 en cada elemento de la diagonal.
Puesto que 𝐿 es una matriz triangular inferior, el vector 𝑦⃗ puede ser calculado por sustitución hacia
adelante.
𝑙1,1 0 ⋯ ⋯ 0 0
𝑙2,1 𝑙2,2 ⋯ ⋯ 0 0
⋮ ⋮ ⋱ ⋮ ⋮
𝐿=
⋮ ⋮ ⋱ ⋮ ⋮
𝑙𝑛−1,1 𝑙𝑛−1,2 ⋯ ⋯ 𝑙𝑛−1,𝑛−1 0
[𝑙𝑛,1 𝑙𝑛,2 ⋯ ⋯ 𝑙𝑛,𝑛−1 𝑙𝑛,𝑛 ]
Es decir, se calcula 𝑦1 , 𝑦2 , 𝑦3 , …, 𝑦𝑛 .
𝑓2𝐿 ⋅ 𝐶2𝑈 = 𝑙2,1 𝑢1,2 + 𝑙2,2 = 𝑎2,2 → 𝑙2,2 = 𝑎2,2 − 𝑙2,1 𝑢1,2
𝑓3𝐿 ⋅ 𝐶2𝑈 = 𝑙3,1 𝑢1,2 + 𝑙3,2 = 𝑎3,2 → 𝑙3,2 = 𝑎3,2 − 𝑙3,1 𝑢1,2
⋮
𝑓𝑛𝐿 ⋅ 𝐶2𝑈 = 𝑙𝑛,1 𝑢1,2 + 𝑙𝑛,2 = 𝑎𝑛,2 → 𝑙𝑛,2 = 𝑎𝑛,2 − 𝑙𝑛,1 𝑢1,2
⋮
𝑛−𝑙2,1 𝑢1,𝑛
𝑓2𝐿 ⋅ 𝐶𝑛𝑈 = 𝑙2,1 𝑢1,𝑛 + 𝑙2,2 𝑢2,𝑛 = 𝑎2,𝑛 → 𝑢2,𝑛 = 𝑙2,2
𝑓4𝐿 𝐶3𝑈 = 𝑙4,1 𝑢1,3 + 𝑙4,2 𝑢2,3 + 𝑙4,3 = 𝑎4,3 → 𝑙4,3 = 𝑎4,3 − 𝑙4,1 𝑢1,3 − 𝑙4,2 𝑢2,3
⋮
𝑓𝑛𝐿 𝐶3𝑈 = 𝑙𝑛,1 𝑢1,3 + 𝑙𝑛,2 𝑢2,3 + 𝑙𝑛,3 = 𝑎𝑛,3 → 𝑙𝑛,3 = 𝑎𝑛,3 − 𝑙𝑛,1 𝑢1,3 − 𝑙𝑛,2 𝑢2,3
MÉTODO DE CHOLESKY
2 7 1 2
7 5 3 1
1 3 3 8
2 1 8 2
Dada una matriz simétrica 𝐴 se busca una matriz triangular inferior 𝐿 tal que 𝐴 = 𝐿 𝐿𝑇 .
𝑙1,1 0 0 ⋯ 0 0 𝑙1,1 𝑙2,1 𝑙3,1 ⋯ 𝑙𝑛−1,1 𝑙𝑛,1
𝑙2,1 𝑙2,2 0 ⋯ 0 0 0 𝑙2,2 𝑙3,2 ⋯ 𝑙𝑛−1,2 𝑙𝑛,2
𝑙 𝑙3,2 𝑙3,3 ⋮ ⋮ 0 0 𝑙3,3 𝑙𝑛−1,3 𝑙𝑛,3
𝐿 = 3,1 𝐿𝑇 =
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝑙𝑛−1,1 𝑙𝑛−1,2 𝑙𝑛−1,3 ⋯ 𝑙𝑛−1,𝑛−1 0 0 0 0 ⋯ 𝑙𝑛−1,𝑛−1 𝑙𝑛,𝑛−1
[𝑙𝑛,1 𝑙𝑛,2 𝑙𝑛,3 ⋯ 𝑙𝑛,𝑛−1 𝑙𝑛,𝑛 ] [0 0 0 ⋯ 0 𝑙𝑛,𝑛 ]
4 4 2 2
4 5 4 2
2 4 9 3
2 2 3 3
2 0 0 0 2 2 1 1
2 1 0 0 0 1 2 0
1 2 2 0 0 0 2 1
1 0 1 1 0 0 0 1
⋮
𝑥𝑛 = (𝑏𝑛 − 𝑎𝑛,1 𝑥1 − 𝑎𝑛,2 𝑥2 − ⋯ 𝑎𝑛,𝑛−1 𝑥𝑛−1 )/𝑎𝑛,𝑛
(0) (0) (0) (0)
Se empieza con una aproximación 𝑥⃗ (0) = (𝑥1 , 𝑥2 , 𝑥3 , ⋯ , 𝑥𝑛 )
Ahora se tiene que construir el vector 𝑥⃗ (1) usando las componentes de 𝑥⃗ (0) :
(1) (0) (0) (0)
𝑥1 = (𝑏1 − 𝑎1,2 𝑥2 − 𝑎1,3 𝑥3 − ⋯ 𝑎1,𝑛 𝑥𝑛 )/𝑎1,1
(1) (0) (0) (0)
𝑥2 = (𝑏2 − 𝑎2,1 𝑥1 − 𝑎2,3 𝑥3 − ⋯ 𝑎2,𝑛 𝑥𝑛 )/𝑎2,2
⋮
(1) (0) (0) (0)
𝑥𝑛 = (𝑏𝑛 − 𝑎𝑛,1 𝑥1 − 𝑎𝑛,2 𝑥2 − ⋯ 𝑎𝑛,𝑛−1 𝑥𝑛−1 )/𝑎𝑛,𝑛
Fórmula de iteración general que permite calcular el vector 𝑥⃗ (𝑖+1) a partir 𝑥⃗ (𝑖)
(𝑖) (𝑖) (𝑖)
(𝑖+1) 𝑏1 − 𝑎1,2 𝑥2 − 𝑎1,3 𝑥3 − ⋯ 𝑎1,𝑛 𝑥𝑛
𝑥1 =
𝑎1,1
(𝑖) (𝑖) (𝑖)
(𝑖+1) 𝑏2 − 𝑎2,1 𝑥1 − 𝑎2,3 𝑥3 − ⋯ 𝑎2,𝑛 𝑥𝑛
𝑥2 =
𝑎2,2
⋮
(𝑖) (𝑖) (𝑖)
(𝑖+1) 𝑏𝑛 − 𝑎𝑛,1 𝑥1 − 𝑎𝑛,2 𝑥2 − ⋯ 𝑎𝑛,𝑛−1 𝑥𝑛−1
𝑥𝑛 =
𝑎𝑛,𝑛
Se aplica la fórmula de iteración hasta encontrar un vector 𝑥⃗ (𝑘) que cumpla con el criterio de termi-
nación.
Criterio de terminación del error absoluto: Se considera que 𝑥⃗ (𝑘) es la solución y que 𝑥⃗ (𝑘−1) es el
valor aproximado, entonces se tiene el vector error 𝑒 (𝑘) = 𝑥⃗ (𝑘) − 𝑥⃗ (𝑘−1) y la condición de termina-
(𝑘) (𝑘) (𝑘) (𝑘)
ción es |𝑒1 | ≤ 𝜖, |𝑒2 | ≤ 𝜖, |𝑒2 | ≤ 𝜖, … , |𝑒𝑛 | ≤ 𝜖.
Ejercicio:
Resolver el sistema AX=b por el método de Jacobi empezando con el vector 𝑥⃗ (0) = (1,1,1) con una
cota de error absoluto de 10-1.
A X b
8 1 2 x1 27
1 12 1 x2 42
1 1 20 x3 85
a) Fórmula de iteración
(𝑖+1) (𝑖) (𝑖)
𝑥1 = (27 − 𝑥2 − 2𝑥3 )/8
(𝑖+1) (𝑖) (𝑖)
𝑥2 = (42 − 𝑥1 − 𝑥3 )/12
(𝑖+1) (𝑖) (𝑖)
𝑥3 = (85 − 𝑥1 − 𝑥2 )/20
b) Iteraciones
X1 3
X2 3.33
X3 4.15
X1 1.9208
X2 2.9042
X3 3.9333
X1 2.0286
X2 3.0122
X3 4.0088
X1 1.9963 e1 0.032
X2 2.9969 e2 0.015
X3 3.9980 e3 0.010
Convergencia del método de Jacobi
Dado un sistema 𝐴𝑥⃗ = 𝑏⃗⃗ , se dice que el método de Jacobi converge a 𝑥⃗ ∗ si la sucesión de vectores
𝑥⃗ (0) , 𝑥⃗ (1) , 𝑥⃗ (2) , ⋯, 𝑥⃗ (𝑖) , ⋯ calculados con la fórmula de iteración de Jacobi tiene límite lim {𝑥 (𝑖) } =
𝑖→∞
𝑥⃗ ∗ . Debe recordarse que no siempre la sucesión de Jacobi converge.
3 1 −2
[1 2 1 ] no tiene dominación diagonal estricta porque
1 1 6
8 1 −2
[1 12 1 ] si tiene dominación diagonal porque
1 1 6
En la fila 1 se tiene que |8|>|1|+|-2|
8 100 −2
[120 12 1 ] no cumple con la condición de dominación diagonal.
1 1 6
120 12 1
Intercambiando fila 1 con fila 2 se consigue la matriz [ 8 100 −2 ]que si cumple la condición
1 1 6
de dominación diagonal.
Supongamos que la solución del sistema 𝐴𝑥⃗ = 𝑏⃗⃗ es el vector 𝑥⃗ ∗ . Si la matriz 𝐴 tiene dominación
diagonal estricta, entonces el método de Jacobi converge a 𝑥⃗ ∗ , la solución del sistema, para cual-
quier aproximación inicial 𝑥⃗ (0) .
MÉTODO ITERATIVO DE GAUSS-SEIDEL.
Este método es idéntico al método de Jacobi, excepto que la fórmula de iteración general que per-
mite calcular el vector 𝑥⃗ (𝑖+1) a partir 𝑥⃗ (𝑖) es
(𝑖) (𝑖) (𝑖)
(𝑖+1) 𝑏1 − 𝑎1,2 𝑥2 − 𝑎1,3 𝑥3 − ⋯ 𝑎1,𝑛 𝑥𝑛
𝑥1 =
𝑎1,1
(𝑖+1) (𝑖) (𝑖)
(𝑖+1) 𝑏2 − 𝑎2,1 𝑥1 − 𝑎2,3 𝑥3 − ⋯ 𝑎2,𝑛 𝑥𝑛
𝑥2 =
𝑎2,2
(𝑖+1) (𝑖+1) (𝑖) (𝑖)
(𝑖+1) 𝑏3 − 𝑎3,1 𝑥1 − 𝑎3,2 𝑥2 − 𝑎3,4 𝑥4 − ⋯ 𝑎3,𝑛 𝑥𝑛
𝑥3 =
𝑎3,3
⋮
(𝑖+1) (𝑖+1) (𝑖) (𝑖)
(𝑖+1) 𝑏𝑞 − 𝑎𝑞,1 𝑥1 ⋯ −𝑎𝑞,𝑞−1 𝑥𝑞−1 − 𝑎𝑞,𝑞+1 𝑥𝑞+1 … − 𝑎𝑞,𝑛 𝑥𝑛
𝑥𝑞 =
𝑎𝑞,𝑞
⋮
(𝑖+1) (𝑖+1) (𝑖+1)
(𝑖+1) 𝑏𝑛 − 𝑎𝑛,1 𝑥1 − 𝑎𝑛,2 𝑥2 − ⋯ 𝑎𝑛,𝑛−1 𝑥𝑛−1
𝑥𝑛 =
𝑎𝑛,𝑛
Ejercicio:
Resolver el sistema AX=b por el método de Gauss-Seidel empezando con el vector 𝑥⃗ (0) = (1,1,1) con
una cota de error absoluto de 10-1.
A X b
8 1 2 x1 27
1 12 1 x2 42
1 1 20 x3 85
c) Iteraciones
Jacobi Gauss-S
X1 3 3
X2 3.33 3.1666
X3 4.15 3.94166
Jacobi Eror ab
X1 1.9963 e1 0.032
X2 2.9969 e2 0.015
X3 3.9980 e3 0.010
TEOREMA DE CONVERGENCIA DEL MÉTODO DE GAUSS -SEIDEL
Supongamos que la solución del sistema 𝐴𝑥⃗ = 𝑏⃗⃗ es el vector 𝑥⃗ ∗ . Si la matriz 𝐴 tiene dominación dia-
gonal estricta, entonces el método de Gauss-Seidel converge a 𝑥⃗ ∗ , la solución del sistema, para cual-
quier aproximación inicial 𝑥⃗ (0) .
MATRICES DE TRANSFORMACIÓN
Transformación de 𝑹𝒏 en 𝑹𝒏
Ejemplo: La función
⃗⃗(𝑥1 , 𝑥2 ) = (2𝑥1 , 𝑥2 )
𝑇
es una transformación de 𝑅2 en 𝑅2 .
La función
es una transformación de 𝑅3 en 𝑅3 .
Transformación lineal
⃗⃗ de 𝑅𝑛 en 𝑅𝑛 es lineal si para todo 𝑥⃗ e 𝑦⃗ de 𝑅𝑛 y escalar 𝛼 se cumple que
Una transformación 𝑇
⃗⃗(𝑥⃗ + 𝑦⃗) = 𝑇
𝑇 ⃗⃗(𝑥⃗) + 𝑇
⃗⃗(𝑦⃗)
⃗⃗(𝛼 𝑥⃗) = 𝛼 𝑇
𝑇 ⃗⃗(𝑥⃗)
Sean 𝑢
⃗⃗ = (𝑢1 , 𝑢2 ) y 𝑣⃗ = (𝑣1 , 𝑣2 ) vectores cualesquiera
= (2𝑢1 + 2𝑣1 , 𝑢2 + 𝑣2 )
= (2𝑢1 , 𝑢2 ) + (2𝑣1 , 𝑣2 )
= 𝑇(𝑢1 , 𝑢2 ) + 𝑇(𝑣1 , 𝑣2 )
= 𝑇(𝑢
⃗⃗) + 𝑇(𝑣⃗) lqqd.
b)
𝑇(𝛼𝑢
⃗⃗) = 𝑇(𝛼𝑢1 , 𝛼𝑢2 ) (def. prod. esc. vec)
= 𝛼(2𝑢1 , 𝑢2 )
= 𝛼𝑇(𝑢1 , 𝑢2 )
⃗⃗(𝑢
=𝛼𝑇 ⃗⃗) lqqd.
Teorema: Para toda transformación lineal 𝑻 de 𝑅𝑛 en 𝑅𝑛 existe una matriz 𝑴𝑻 𝑛 × 𝑛 que la repre-
senta. Esto quiere decir que todo vector 𝑥⃗ de 𝑅𝑛 se tiene que 𝑇(𝑥⃗) = 𝑀𝑇 𝑥⃗.
𝑚1,1 𝑥1 + 𝑚1,2 𝑥2 2𝑥
[𝑚 𝑥 + 𝑚 𝑥 ]=[ 1 ]
2,1 1 2,2 2 𝑥2
2 0
𝑀𝑇 = [ ]
0 1
⃗⃗(5, 3)=[2
Calcular 𝑇
0 5 10
][ ] = [ ]
0 1 3 3
⃗⃗(7,2) = [2
𝑇
0 7 14
][ ] = [ ]
0 1 2 2
Observación: toda matriz 𝑀 n x n representa una transformación lineal.
2 1 5
Ejercicio: Efectuar las mismas transformaciones del ejercicio anterior a la matriz 𝐴= [1 2 1] usando la ma-
7 3 2
triz 𝑀.
Las instrucciones de cómo construir la fila 𝑖 de la matriz 𝐴1 se indican en la fila 𝑖 de la matriz 𝑀: la ma-
triz 𝑀 empieza con la matriz identidad; si en la fila 𝑖 de 𝐴1 interviene la fila 𝑘 de 𝐴 multiplicada por un
𝛼𝑘 en la columna 𝑘 de 𝑀 se coloca 𝛼𝑘 , para todo 𝑘 de 1 a n.
2 1 5
Construir la matriz que transforma la matriz 𝐴 = [1 2 1]
7 3 2
o La nueva fila 2 es 3 veces la fila 2 más la fila 1
o La nueva fila 1 es la fila 3 más la fila 1
o La nueva fila 3 es 2 veces la fila 1 más 2 veces la fila 3
1 0 1
𝑀 = [1 3 0]
2 0 2
Aplicar la matriz 𝑀 a la matriz 𝐴.
1 0 1 2 1 5 9 4 7
𝐴1 = 𝑀 ⋅ 𝐴 = [1 3 0] [1 2 1] = [ 5 7 8]
2 0 2 7 3 2 18 8 14
Ejercicio: Como debe ser la matriz que modifica la fila 2 como la suma de 𝛼 veces la fila 1 más la fila 2, y la fila 3
como la suma de la fila 1 más la fila 2.
𝐴3 = 𝑇3 𝑇2 𝑇1 𝐴
𝑇𝑡 = 𝑇3 𝑇2 𝑇1
𝐴3 = 𝑇𝑡 𝐴
Todo vector del eje x es de la forma (𝑥, 0), entonces 𝑇(𝑥, 0) = (𝑥, 0).
Estos vectores del eje x, porque se transforman sobre si mismos, se llaman autovectores de la matriz
1 0
[ ]. También los vectores (𝑥, 𝑦) tales que 𝑇(𝑥, 𝑦) = 𝛼(𝑥, 𝑦) son autovectores de la matriz.
0 −1
0 1
Ejemplo: Encontrar autovectores para la matriz [ ].
1 0
𝑇(𝑥, 𝑦) = (𝑦, 𝑥)
Es una transformación de intercambia las coordenadas. ¿cuáles serán los vectores que se transfor-
man sobre mismos? Los vectores que tienen coordenadas iguales, es decir, los sobre la recta y=x, al
aplicarse la transformación se transforma sobre sí mismos. Por lo tanto los vectores de la recta y=x
0 1
son autovectores de la matriz [ ].
1 0
Esta matriz intercambia las componentes del argumento.
𝐴𝑥⃗ = 𝜆𝑥⃗.
⃗⃗.
𝐴𝑥⃗ − 𝜆(𝐼𝑥⃗) = 0
⃗⃗ = ⃗𝟎⃗.
(𝑨 − 𝝀𝑰)𝒙
Si el sistema tiene única solución, esa solución sería 𝑥⃗ = ⃗0⃗. El vector ⃗0⃗ no es autovector.
𝑑𝑒𝑡(𝐴 − 𝜆𝐼)=0
𝑥2 = 𝑥1
𝑥1 = 𝑥2
Sea 𝑡 un real, entonces 𝑥1 = 𝑡 y 𝑥2 = 𝑡 satisfacen las ecuaciones.
0 1 𝑥1 𝑥1
[ ] [ ] = −1 [𝑥 ]
1 0 𝑥2 2
𝑥2 −𝑥1
[𝑥 ] = [−𝑥 ]
1 2
1 0 𝑥1 𝑥1
[ ] [𝑥 ] = [𝑥 ]
0 −1 2 2
1 0 𝑥1 𝑥1
[ ] [𝑥 ] = −1 [𝑥 ]
0 −1 2 2
1 0 𝑥1 −𝑥1
[ ] [𝑥 ] = [−𝑥 ]
0 −1 2 2
𝜆1 = 2; 𝜆2 = 1; 𝜆3 = −1
𝟐𝒙𝟏 − 𝒙𝟐 − 𝒙𝟑 𝒙𝟏
[ 𝒙𝟏 − 𝒙𝟑 ] = 2 [𝒙𝟐 ]
𝟑𝒙𝟏 − 𝟓𝒙𝟐 𝒙𝟑
𝟐𝒙𝟏 − 𝒙𝟐 − 𝒙𝟑 𝟐𝒙𝟏
[ 𝒙𝟏 − 𝒙𝟑 ] = [𝟐𝒙𝟐 ]
𝟑𝒙𝟏 − 𝟓𝒙𝟐 𝟐𝒙𝟑
𝑥2 = −𝑥3
𝑥1 − 𝑥3 = 2𝑥2
3𝑥1 − 5𝑥2 = 2𝑥3
∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗∗
𝑥1 − 𝑥3 = 2(−𝑥3 ) →𝑥1 = 𝑥3 − 2𝑥3 →𝑥1 = −𝑥3
3𝑥1 − 5(−𝑥3 ) = 2𝑥3 →3𝑥1 + 5𝑥3 = 2𝑥3 →3𝑥1 = −3𝑥3→𝑥1 = −𝑥3
Suponga que 𝑥3 = 𝑡; entonces 𝑥2 = −𝑡; 𝑥1 = −𝑡 por lo tanto,
los autovectores asociados a 𝜆1 = 2 son de la forma (-t, -t, t) para todo real 𝑡.
Casos particulares (1,1,-1) para t=-1; para t=1, (-1,-1, 1), para t=5, (-5,-5,5).
𝟐 −𝟏 −𝟏
Verificar que (-5,-5,5) es autovector de la matriz [𝟏 𝟎 −𝟏]:
𝟑 −𝟓 𝟎
𝟐 −𝟏 −𝟏 −𝟓 −𝟏𝟎 −𝟓
[𝟏 𝟎 −𝟏] [−𝟓] = [−𝟏𝟎] = 𝟐 [−𝟓]
𝟑 −𝟓 𝟎 𝟓 𝟏𝟎 𝟓
−𝟓 𝟐𝒕
Por lo tanto, el vector [−𝟓] es autovector de [ 𝒕 ] asociado al autovalor 2.
𝟓 𝒕
c. Hallar el conjunto de autovectores asociados a 𝜆2 = 1
𝑥1
Sea [𝑥2 ] un autovector asociado al autovalor 𝜆2 = 1, entonces se debe cumplir
𝑥3
𝟐 −𝟏 −𝟏 𝒙𝟏 𝒙𝟏
[𝟏 𝟎 −𝟏] [𝒙𝟐 ] = 𝜆2 [𝒙𝟐 ]
𝟑 −𝟓 𝟎 𝒙𝟑 𝒙𝟑
𝟐 −𝟏 −𝟏 𝒙𝟏 𝒙𝟏
[𝟏 𝟎 −𝟏] [𝒙𝟐 ] = 1 [𝒙𝟐 ]
𝟑 −𝟓 𝟎 𝒙𝟑 𝒙𝟑
𝟐𝒙𝟏 − 𝒙𝟐 − 𝒙𝟑 𝒙𝟏
[ 𝒙𝟏 − 𝒙𝟑 ] = [𝒙𝟐 ]
𝟑𝒙𝟏 − 𝟓𝒙𝟐 𝒙𝟑
𝟐𝒙𝟏 − 𝒙𝟐 − 𝒙𝟑 = 𝒙𝟏
𝒙𝟏 − 𝒙𝟑 = 𝒙𝟐
𝟑𝒙𝟏 − 𝟓𝒙𝟐 = 𝒙𝟑
𝑥1 = 𝑥2 + 𝑥3
Remplazan 𝑥1 en las dos últimas ecuaciones
𝒙𝟐 + 𝒙𝟑 − 𝒙𝟑 = 𝒙𝟐 →𝒙𝟐 = 𝒙𝟐
Ejemplo: Se tiene una tabla de temperatura ambiental a distintas horas del día.
Hora Temperatura
ambiental ( º C)
4 15
6 16
8 19
12 23
La hora es la magnitud independiente y la temperatura es la magnitud dependiente.
¿Qué pasa si se desea un valor de temperatura para una hora que no está en la tabla?
La interpolación es una técnica que da respuesta a la pregunta anterior.
Se tiene una tabla de una variable 𝑥 independiente con una variable 𝑦 dependiente
𝑥 𝑦
𝑥0 𝑦0
𝑥1 𝑦1
𝑥2 𝑦2
⋮ ⋮
𝑥𝑛 𝑦𝑛
Se busca una función continua 𝑓 definida en el intervalo [𝑥0 , 𝑥𝑛 ] tal que para todo i de 0 a n
se cumpla que 𝑓(𝑥𝑖 ) = 𝑦𝑖 de la tabla. La función para obtener un valor de la variable depen-
diente 𝑦 para cualquier 𝑥 del intervalo [𝑥0 , 𝑥𝑛 ].
Métodos de interpolación
Interpolación de Lagrange
𝑥 𝑦
𝑥0 𝑦0
𝑥1 𝑦1
𝑥2 𝑦2
⋮ ⋮
𝑥𝑛 𝑦𝑛
Se busca una función continua 𝑓(𝑥) definida en el intervalo[𝑥0 , 𝑥𝑛 ] tal que 𝑓(𝑥𝑖 ) = 𝑦𝑖
Hora
Temperatura
ambiental ( º C)
𝑥0 4 15
𝑥1 6 16
𝑥2 8 19
𝑥3 12 23
El polinomio interpolante de Lagrange para la tabla dada es
(𝒙 − 𝟔)(𝒙 − 𝟖)(𝒙 − 𝟏𝟐) (𝑥 − 4)(𝑥 − 8)(𝑥 − 12) (𝑥 − 4)(𝑥 − 6)(𝑥 − 12) (𝑥 − 4)(𝑥 − 6)(𝑥 − 8)
𝑓(𝑥) = 15 + 16 + 19 + 23
−𝟔𝟒 24 −32 192
𝑓(4) = 15
𝑓(5,5) =15.48
𝑓(6) = 16
Interpolación de Newton
𝑥 𝑦
𝑥0 𝑦0
𝑥1 𝑦1
𝑥2 𝑦2
⋮ ⋮
𝑥𝑛 𝑦𝑛
Se busca una función continua 𝑓(𝑥) definida en el intervalo[𝑥0 , 𝑥𝑛 ] tal que 𝑓(𝑥𝑖 ) = 𝑦𝑖 .
La forma de la función es
𝑓(𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝑏3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) + ⋯ + 𝑏𝑛 [(𝑥 − 𝑥0 ) … (𝑥 − 𝑥𝑛−1 )]
Los coeficientes 𝑏0 , ... , 𝑏𝑛 deben ser calculados para que cumplan las condiciones de inter-
polación: 𝑓(𝑥0 ) = 𝑦0 , ... ,𝑓(𝑥𝑛 ) = 𝑦𝑛 .
𝑓(𝑥0 ) = 𝑏0 = 𝑦0
𝑦 −𝑏
𝑓(𝑥1 ) = 𝑏0 + 𝑏1 (𝑥1 − 𝑥0 ) = 𝑦1 -> 𝑏1 = 𝑥1 −𝑥0
1 0
Ejercicio: Construir la función interpolante de Newton para la tabla del ejercicio anterior.
Hora Temperatura
ambiental ( º C)
𝑥0 4 15
𝑥1 6 16
𝑥2 8 19
𝑥3 12 23
𝑓(5) = 15,87
DIFERENCIACIÓN NUMÉRICA
Dada una función diferenciable 𝑓 y un valor 𝑥0 del dominio de 𝑓 se desea calcular 𝑓′(𝑥0 ) sin conocer
la fórmula (regla de correspondencia) de la función 𝑓′.
Ejemplo: hallar una aproximación a 𝑠𝑒𝑛𝑜′(0,9) sin saber que 𝑠𝑒𝑛𝑜′ es la función 𝑐𝑜𝑠𝑒𝑛𝑜.
𝑠𝑒𝑛(0,9+ℎ)−𝑠𝑒𝑛𝑜(0,9)
Se puede aproximar al límite calculando tomando un valor ℎ cercano a 0,
ℎ
por ejemplo ℎ = 10−5.
cos(0,9) = 0,6216099683
Error=3,91 ⋅ 10−6
𝒇(𝒙𝟎 )
𝒇(𝒙𝟑 )
𝒇(𝒙𝟏 ) 𝒇(𝒙𝟐 ) 𝒇(𝒙𝟒 )
a 𝒙𝟏 𝒙𝟐 𝒙𝟑 b
𝒙𝟎 𝒙𝟒