a b seno´(x) aprox sen´(x) exacto error

x x+10-6 seno(x) seno(x+10-6 ) (b-a)/ 10-6 cos(x)

0.1 0.100001 0.099833 0.099834412 0.995004115 0.99500417 4.99136E-08
18

3
4

6
7

9
10

Movimiento

𝑡𝐴 → 𝑑𝐴 tiempo y distancia en el punto A

𝑡𝐵 → 𝑑𝐵 tiempo y distancia en el punto B

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

𝑋 = (3,52 ± 0,01)m se lee como 3,51m ≤ 𝑋 ≤ 3,53 m

3

Δ
En la práctica la cota de error relativo es 𝛿𝑥 = |𝑥|𝑥 .

La cota de error relativo es siempre adimensional.

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

Se busca la cota de error absoluto d 𝑋 + 𝑌

≤ 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

𝑚𝑒𝑛𝑜𝑟 𝑣𝑎𝑙𝑜𝑟 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 ≤ 𝑋 ⋅ 𝑌 ≤ 𝑚𝑎𝑦𝑜𝑟 𝑣𝑎𝑙𝑜𝑟 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜

(𝑥 − x δ𝑥 )( 𝑦 − y δ𝑦 ) ≤ 𝑋 ⋅ 𝑌 ≤ (𝑥 + x δ𝑥 )( 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 )

𝑥𝑦(1 − (𝛿𝑥 + 𝛿𝑦 )) ≤ 𝑋 ⋅ 𝑌 ≤ 𝑥𝑦(1 + (𝛿𝑥 + 𝛿𝑦 ))

𝜹𝒙⋅𝒚 = (𝜹𝒙 + 𝜹𝒚 )

Cota de error relativo para la división.

𝑥
Se tienen 𝑥(1 ± 𝛿𝑥 ) ,𝑦(1 ± 𝛿𝑥 ) y se desea la cota de error relativo pa , denotado por 𝜹𝒙 .
𝑦
𝒚

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).

a) La fórmula para la superficie S es 𝑆 = 2(𝐴𝐵 + 𝐴𝐶 + 𝐵𝐶).

b) Cálculo de la superficie S con su cota de error absoluto.

v. aprox c. e. abs c. e. rel.

A 2.5 0.02 0.008
B 1.2 0.01 0.008333
C 0.8 0.01 0.0125
AB 3.0 0.049 0.016333
AC 2.0 0.041 0.0205
BC 1.0 0.02 0.020833
AB+AC+BC 6.0 0.11
2(AB+AC+BC) 11.92 0.22

Respuesta: La superficie externa del cajón es 𝑆 = (11,92 ± 0,22) m2 .

Problema: Deducir la fórmula para la cota de error absoluto del volumen del cajón de problema an-
terior.

Consideremos el volumen V como función de los lados A, B y C: 𝑉(𝐴, 𝐵, 𝐶) = 𝐴 ⋅ 𝐵 ⋅ 𝐶.

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 estimado: 140

Dígitos indicados por el instrumento de medición: 1
Dígito estimado por quien mide: 4.
El valor tiene solo 2 dígitos significativos: 14
Cómo de reportarse la medición: 1,4x102

Reportar la siguiente medición

 10 20 30 40

|
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)

puede ser llevada a la forma f(x)=0.

e1(x)-e2(x)= 0

f(x)=e1(x)-e2(x)=0

La ecuación queda transformada en f(x)=0

Resolver una ecuación se ha transformado a un problema de hallar ceros de una función.

7

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:

cos(2 x)- seno(2.5 x)=0,

f(x)=cos(2 x) – seno(2.5 x).

b) Hallar el cero de f(x)= cos( 2 x)- seno(2.5 x)

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

a b x f(a) f(b) f(x) error residual cota

1.6 1.8 1.7 -0.24149 0.080772 -0.07181 0.071808834 FALSE
1.7 1.8 1.75 -0.07181 0.080772 0.007166 0.007165505 FALSE
1.7 1.75 1.725 -0.07181 0.007166 -0.03171 0.031713993 FALSE
1.725 1.75 1.7375 -0.03171 0.007166 -0.01211 0.012114079 FALSE
1.7375 1.75 1.74375 -0.01211 0.007166 -0.00243 0.002433243 FALSE
1.74375 1.75 1.746875 -0.00243 0.007166 0.002377 0.002376515 FALSE
1.74375 1.746875 1.745313 -0.00243 0.002377 -2.6E-05 2.57831E-05 TRUE
 c) Respuesta: La mayor solución de la ecuación con una cota de error residual de 10-4 en el in-
tervalo de 0 a 2 es x=1.745313.

Problema: Encontrar la menor solución del problema anterior.

Respuesta: La menor solución de la ecuación es x= 0,349072.

Problema: En el problema original, hallar el nú

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

Cota de error absoluto residual y error absoluto en x 10-4

Supongamos que nos interesa la solución mayor.

a b x f(a) f(b) f(x) error residual cota error abs en x

1 1.6 1.8 1.7000000000 -0.24149 0.080772 -0.07181 0.071808834 FALSE 0.1
2 1.7 1.8 1.7500000000 -0.07181 0.080772 0.007166 0.007165505 FALSE 0.05
3 1.7 1.75 1.7250000000 -0.07181 0.007166 -0.03171 0.031713993 FALSE 0.025
4 1.725 1.75 1.7375000000 -0.03171 0.007166 -0.01211 0.012114079 FALSE 0.0125
5 1.7375 1.75 1.7437500000 -0.01211 0.007166 -0.00243 0.002433243 FALSE 0.00625
6 1.74375 1.75 1.7468750000 -0.00243 0.007166 0.002377 0.002376515 FALSE 0.003125
7 1.74375 1.746875 1.7453125000 -0.00243 0.002377 -2.6E-05 2.57831E-05 TRUE 0.0015625
8 1.745313 1.746875 1.7460937500 -2.6E-05 0.002377 0.001176 0.001176013 FALSE 0.00078125
9 1.745313 1.746094 1.7457031250 -2.6E-05 0.001176 0.000575 0.000575277 TRUE 0.000390625
10 1.745313 1.745703 1.7455078125 -2.6E-05 0.000575 0.000275 0.000274787 TRUE 0.000195313
11 1.745313 1.745508 1.7454101563 -2.6E-05 0.000275 0.000125 0.000124512 TRUE 9.76563E-05
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:

cos(2 x)- seno(2.5 x)=0,

f(x)=cos(2 x) – seno(2.5 x).

b) Hallar el cero de f(x)= cos( 2 x)- seno(2.5 x)

• Ubicar los intervalos donde la función tiene ceros

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].

• Iteraciones del método de falsa posición

x la intesección de la recta sec. que pasa por los extremos de la curva
a b x f(a) f(b) f(x) err. Res. cota 10-4
1.6 1.8 1.749872 -0.24149 0.080772 0.00697 0.00697 FALSE
1.6 1.749872337 1.745668 -0.24149 0.00697 0.000521 0.000521 FALSE
1.6 1.745667875 1.745354 -0.24149 0.000521 3.85E-05 3.85E-05 TRUE
c) Respuesta:
 La mayor solución de la ecuación con el método de la falsa posición con una una cota de error
residual de 10-4 es x=1.745354.

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.

Los extremos del intervalo de búsqueda se consideran como las aproximaciones 𝑥0 y 𝑥1 .

Se usan las dos últimas aproximaciones (no se modifican intervalo) para calcular la siguiente
aproximación.

Se necesita la fórmula general para calcular xi.

(𝑥𝑖−1 −𝑥𝑖−2 )
𝑥𝑖 = 𝑥𝑖−1 − 𝑓(𝑥𝑖−1 ) para 𝑖 = 2, 3, …
𝑓(𝑥𝑖−1 )−𝑓(𝑥𝑖−2 )

Problema: Resolver la ecuación del problema anterior con el método de la secante.

x f(x) error res. cota 10-4

0 1.6 -0.24149 0.241492 FALSE
1 1.8 0.080772 0.080772 FALSE
2 1.749872 0.00697 0.00697 FALSE
3 1.745138 -0.00029 0.000294 FALSE
4 1.74533 9.27E-07 9.27E-07 TRUE
Respuesta:

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.

a) Transformar la ecuación a la forma 𝑓(𝑥) = 𝑥.

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).

b) Aplicar el algoritmo del punto fijo

b.1) Determinación de la aproximación inicial 𝑥0 .

x f(x)=sin (2x) y=x

0 0 0
0.2 0.389418342 0.2
0.4 0.717356091 0.4
0.6 0.932039086 0.6
0.8 0.999573603 0.8
1 0.909297427 1
1.2 0.675463181 1.2
1.4 0.33498815 1.4
1.6 -0.058374143 1.6
 Chart Title
2

1.5

0.5

0
0 0.5 1 1.5 2
-0.5

Series1 Series2

En la gráfica de la función 𝑓(𝑥) y la recta 𝑦 = 𝑥 se observa que se intersecan

cerca 1, por lo tanto se toma como aproximación inicial 𝑥0 = 1.

b.2) Ejecutar las iteraciones del método del punto fijo usando 𝑥0 = 1.

x f(x) error abs c. e. a=10-3

1 0.909297427
0.909297 0.969454727 0.090703 FALSE
0.969455 0.933008008 0.060157 FALSE
0.933008 0.956738247 0.036447 FALSE
0.956738 0.94185748 0.02373 FALSE
0.941857 0.951439161 0.014881 FALSE
0.951439 0.945365638 0.009582 FALSE
0.945366 0.949255879 0.006074 FALSE
0.949256 0.946780173 0.00389 FALSE
0.94678 0.948362325 0.002476 FALSE
0.948362 0.947353896 0.001582 FALSE
0.947354 0.947997744 0.001008 FALSE
0.947998 0.947587114 0.000644 TRUE
c) Respuesta:

La solución de la ecuación con una cota de error absoluto de 10-3 es 𝑥 =0.947587114.

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

Un vector se representará como 𝑣⃗ .

𝑣𝑥
Componentes de un vector: 𝑣⃗ = [𝑣 ]
𝑦
SUCESIÓN DE VECTORES

𝑣⃗ (0) , 𝑣⃗ (1) , 𝑣⃗ (2), … , 𝑣⃗ (𝑘) …

(𝑘) representa el índice del término de la sucesión (no es exponente)

(0)
𝑣𝑥
𝑣⃗ (0) = [ (0) ]
𝑣𝑦
(𝑘)
𝑣𝑥
𝑣⃗ (𝑘) = [ (𝑘) ]
𝑣𝑦

LÍMITE DE UNA SUCESIÓN DE VECTORES

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.

En el caso de un algoritmo iterativo para resolver un sistema de ecuaciones si el límite de la sucesión

de aproximaciones es la solución del sistema se dice que el algoritmo CONVERGE a la solución del
sistema.

ALGORITMOS ITERATIVOS CON VECTORES

Empiezan con una aproximación inicial dada 𝑣⃗ (0) .

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) )

𝑣⃗ (2) = 𝐼(𝑣⃗ (1) )

⋮

𝑣⃗ (𝑘) = 𝐼(𝑣⃗ (𝑘−1) )

Hasta que 𝑣⃗ (𝑘) cumpla con un criterio de terminación.

CRITERIOS DE TERMINACIÓN PARA ALGORITMOS VECTORIALES

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.

FORMULACIÓN VECTORIAL DEL PROBLEMA DE RESOLVER UN SISTEMA DE 2 ECUACIONES CON 2 VA-

RIABLES.

Se desea resolver el sistema

𝑓(𝑥, 𝑦) = 0
𝑔(𝑥, 𝑦) = 0
(formulación escalar)

Formulación vectorial del problema

Se construye una función 𝐹⃗ vectorial con argumento vectorial
𝑥 𝑓(𝑥, 𝑦)
𝐹⃗ ([𝑦]) = [ ]
𝑔(𝑥, 𝑦)
El sistema planteado en forma vectorial es
𝑥 𝑓(𝑥, 𝑦) 0
𝐹 ([𝑦]) = [ ]= [ ]
𝑔(𝑥, 𝑦) 0
MÉTODO DE NEWTON DE 2 VARIABLES

Se necesita una aproximación inicial 𝑋⃗ (0) dado

Las aproximaciones siguientes se calcula con la fórmula de iteración siguiente

−1
𝑋⃗ (𝑖+1) = 𝑋⃗ (𝑖) − 𝐽𝐹 (𝑋 (𝑖) ) 𝐹⃗ (𝑋⃗ (𝑖) )

Se ejecutan las iteraciones hasta que 𝑋⃗ (𝑘) cumpla con el criterio de terminación dado antes de ini-
ciar el proceso.

EJERCICIO:

Se desea resolver el siguiente sistema

𝒙 𝒆(𝒙+𝒚) + 𝒚 = 𝟑;
(𝒙 − 𝟐)𝟐 + (𝒚 − 𝟏)𝟐 + 𝒙 ∙ 𝒚 = 𝟑.
1
Con una cota de error absoluto de 10-4, usando como aproximación inicial el vector [ ].
1

1) Determinar la fórmula de iteración para resolver el sistema usando el método de Newton

a) Transformar el sistema a la forma 𝑓(𝑥, 𝑦) = 0, 𝑔(𝑥, 𝑦) = 0

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

𝑋⃗ (𝑖+1) = 𝑋⃗ (𝑖) − 𝐽𝐹−1 (𝑋⃗ (𝑖) ) 𝐹⃗ (𝑋⃗ (𝑖) )

 (𝒊) (𝑖) (𝒊) (𝑖)
⃗ (𝑖+1) (𝟏 + 𝒙(𝒊) )𝒆(𝒙 +𝑦 ) 𝒙(𝒊) 𝒆(𝒙 +𝑦 ) + 𝟏
𝐽𝐹 (𝑋 )=[ ]
2(𝒙(𝒊) − 2) + 𝑦 (𝑖) 2(𝑦 (𝑖) − 1) + 𝒙(𝒊)
d) Ejecución de las iteraciones del método de Newton de 2 variables.

X F(X) JF(X) JF(X)-1 (JF(X)-1).F(X) err. Abs. c. e. a. err. Res. c. e. r.

x 1 5.389056 14.77811 8.389056 0.043165 -0.36211 0.594726 5.389056 FALSE
y 1 -1 -1 1 0.043165 0.63789 -0.40527 1 FALSE

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

x 0.409628 -7.1E-14 6.482677 2.88382 0.063465 -0.28509 -6.4E-14 4.36E-07 TRUE

y 1.11618 2.07E-13 -2.06456 0.641988 0.204096 0.640857 1.18E-13 4.72E-07 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.

b) El sistema tiene infinitas soluciones.

c) El sistema tiene una única solución.

FORMULACIÓN MATRICIAL DE UN SISTEMA DE 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

MATRIZ EXTENDIDA O AUMENTADA

Es la matriz construida adicionando a la matriz de coeficientes el vector de términos independientes.

Cómo reconocer si el sistema no tiene solución: r(A) < r(A aumentada)

Cómo reconocer si el sistema una única solución: 𝑑𝑒𝑡(𝐴) ≠ 0 (A es no singular).
Cómo reconocer si el sistema tiene infinitas soluciones: 𝑑𝑒𝑡(𝐴) = 0 (A es no singular).

MÉTODO DE ELIMINACIÓN DE GAUSS

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

PASO 1: Lograr que la columna 1 debajo de la diagonal sea 0

𝑎 (1)
𝛼2,1 = − 𝑎2,1 , esto es necesario para que 𝑎2,1 = 0.
1,1
 𝑎 (1)
𝛼3,1 = − 𝑎3,1 , esto es necesario para que 𝑎3,1 = 0.
1,1

⋮
𝑎 (1)
𝛼𝑛,1 = − 𝑎𝑛,1 , esto es necesario para que 𝑎𝑛,1 = 0.
1,1

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
(1) (1) (1) (1) (1)
0 𝑎3,2 𝑎3,3 𝑎3,𝑛−1 𝑎3,𝑛 𝑏3
𝑀1 =
⋮ ⋮ ⋱ ⋮ ⋮
(1) (1) (1) (1)
0 𝑎𝑛−1,2 ⋯ ⋯ 𝑎𝑛−1,𝑛−1 𝑎𝑛,𝑛−1 𝑏𝑛−1
(1) (1) (1) (1)
[ 0 𝑎𝑛,2 ⋯ ⋯ 𝑎𝑛,𝑛−1 𝑎𝑛,𝑛 𝑏𝑛 ]

PASO 2: Lograr que la columna 2 debajo de la diagonal sea 0

Esta matriz debe ser transformada de modo que la columna 2 debajo de la diagonal sea cero.

Se deben usar las siguientes transformaciones de filas:

(2) (1) (1)
𝑓3 = 𝛼3,2 𝑓2 + 𝑓3
(2) (1) (1)
𝑓4 = 𝛼4,2 𝑓2 + 𝑓4

⋮
(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 3: Lograr que la columna 3 debajo de la diagonal sea 0

(3) (2) (2)
𝑓4 = 𝛼4,3 𝑓3 + 𝑓4
⋮
(3) (2) (2)
𝑓𝑛 = 𝛼𝑛,3 𝑓3 + 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
𝑀3 =
⋮ ⋮ ⋱ ⋮ ⋮
(2) (2) (2)
0 0 0 ⋯ 𝑎𝑛−1,𝑛−1 𝑎𝑛,𝑛−1 𝑏𝑛−1
(2) (2) (2)
[ 0 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.

Ejercicio: Dada la matriz aumentada de un sistema de ecuaciones, efectuar la eliminación

2 2 1 1 8
4 5 5 4 27
2 3 8 5 31
6 8 17 14 76
𝛼2,1 = −2; 𝛼3,1 = −1; 𝛼4,1 = −3

2 2 1 1 8
0 1 3 2 11
0 1 7 4 23
0 2 14 11 52

(2) (1) (1)

𝑓3 = 𝛼3,2 𝑓2 + 𝑓3 ; 𝛼3,2 = −1
(2) (1) (1)
𝑓4 = 𝛼4,2 𝑓2 + 𝑓4 ; 𝛼4,2 = −2

2 2 1 1 8
0 1 3 2 11
0 0 4 2 12
0 0 8 7 30

(3) (2) (2)

𝑓4 = 𝛼4,2 𝑓3 + 𝑓4 ; 𝛼4,3 = −2

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.

Efectuar la sustitución hacia atrás.

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 ]

Resolver el sistema definido por las matrices A y b

A b
1 1 2 1 1 13
2 3 4 2 3 30 -2
1 3 3 2 5 31 -1
1 3 2 2 5 28 -1
2 3 5 5 10 57 -2

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.

El sistema original es reemplazado por el

𝐿𝑈𝑥⃗ = 𝑏⃗⃗
⃗⃗⃗⃗⃗ = 𝑏⃗⃗.
𝐿(𝑈𝑥)
Haciendo 𝑈𝑥⃗ = 𝑦⃗ se tiene 𝐿𝑦⃗ = 𝑏⃗⃗

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 .

Queda por resolver el sistema 𝑈𝑥⃗ = 𝑦⃗.

Puesto que 𝑈 es una matriz triangular superior, el vector 𝑥⃗ puede ser calculado por sustitución hacia
atrás
𝑢1,1 𝑢1,2 ⋯ ⋯ 𝑢1,𝑛−1 𝑢1,𝑛
0 𝑢2,2 ⋯ ⋯ 𝑢2,𝑛−1 𝑢2,𝑛
0 0 ⋱ ⋮ ⋮
𝑈= ⋮ ⋮ ⋱ ⋮ ⋮
0 0 ⋯ ⋯ 𝑢𝑛−1,𝑛−1 𝑢𝑛,𝑛−1
[ 0 0 ⋯ ⋯ 0 𝑢𝑛,𝑛 ]

¿CÓMO ENCONTRAR EL FACTOR U?

La matriz 𝑈 se obtiene aplicando la eliminación de Gauus a la matriz de coeficientes 𝐴.

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

¿POR QUÉ USAR EL MÉTODO DE FACTORIZACIÓN DE MATRICES?

Se tienen k sistemas con la misma matriz de coeficientes, pero diferentes términos independientes

𝐴𝑥⃗ = 𝑏⃗⃗ (1)

𝐴𝑥⃗ = 𝑏⃗⃗ (2)

𝐴𝑥⃗ = 𝑏⃗⃗ (3)

𝐴𝑥⃗ = 𝑏⃗⃗ (𝑘)

Si se resuelve una por una, los cálculos para eliminar 𝐴 se repiten en los k sistemas.

¿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).

Esto se puede aplicar si todos los k términos son conocidos simultáneamente.

Analicemos la siguiente situación:

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.

Dado el sistema 𝐴𝑥⃗ = 𝑏⃗⃗ (1)

1. Factorizamos (una sola vez) 𝐴 obteniendo 𝐿 y 𝑈 utilizando el método Doolittle.

2. Reemplazamos 𝐴 por 𝐿𝑈 y se obtiene el sistema (𝐿𝑈)𝑥⃗ = 𝑏⃗⃗ (1)
⃗⃗⃗⃗⃗ = 𝑏⃗⃗ (1)
3. Se reagrupa el producto de matrices y se obtiene 𝐿(𝑈𝑥)
4. A 𝑈𝑥⃗ se le llama 𝑦⃗, es decir 𝑈𝑥⃗ = 𝑦⃗, con lo que reemplazando se obtiene 𝐿𝑦⃗ = 𝑏⃗⃗ (1)
 (1)
1 0 ⋯ ⋯ 0 0 𝑦1 𝑏1
𝑙2,1 1 ⋯ ⋯ 0 0 𝑦2 (1)
𝑏2
⋮ ⋮ ⋱ ⋮ ⋮
⋮ ⋮ ⋱ ⋮ ⋮ =
𝑙𝑛−1,1 𝑙𝑛−1,2 ⋯ ⋯ 1 0 𝑦𝑛−1 𝑏 (1) 𝑛−1
[𝑙𝑛,1 𝑙𝑛,2 ⋯ ⋯ 𝑙𝑛,𝑛−1 1] [ 𝑦𝑛 ] (1)
[ 𝑏𝑛 ]
𝑦1
𝑦2
Este sistema se resuelve por sustitución hacia adelante y se obtiene
𝑦𝑛−1
[ 𝑦𝑛 ]
5. Ahora, se resuelve el sistema 𝑈𝑥⃗ = 𝑦⃗ por sustitución hacia atrás y se obtiene el vector
𝑥1
𝑥2
y con esto se ha resuelto el sistema 𝐴𝑥⃗ = 𝑏⃗⃗ (1) .
𝑥𝑛−1
[ 𝑥 ]

¿Cómo resolver el sistema 𝐴𝑥⃗ = 𝑏⃗⃗ (2) ?

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

La matriz U es el resultado de la eliminación de Gauss

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.

El sistema original es reemplazado por el

𝐿𝑈𝑥⃗ = 𝑏⃗⃗
⃗⃗⃗⃗⃗ = 𝑏⃗⃗.
𝐿(𝑈𝑥)

Haciendo 𝑈𝑥⃗ = 𝑦⃗ se tiene 𝐿𝑦⃗ = 𝑏⃗⃗

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 .

Queda por resolver el sistema 𝑈𝑥⃗ = 𝑦⃗.

Puesto que 𝑈 es una matriz triangular superior, el vector 𝑥⃗ puede ser calculado por sustitución hacia
atrás
1 𝑢1,2 ⋯ ⋯ 𝑢1,𝑛−1 𝑢1,𝑛
0 1 ⋯ ⋯ 𝑢2,𝑛−1 𝑢2,𝑛
𝑈= 0 0 ⋱ ⋮ ⋮
⋮ ⋮ ⋱ ⋮ ⋮
0 0 ⋯ ⋯ 1 𝑢𝑛,𝑛−1
[0 0 ⋯ ⋯ 0 1 ]
Paso 1: Hallar la columna 1 de la matriz L.
𝑙1,1 0 0 ⋯ 0 0 1 𝑢1,2 𝑢1,3 ⋯ 𝑢1,𝑛−1 𝑢1,𝑛
𝑙2,1 𝑙2,2 0 ⋯ 0 0 0 1 𝑢2,3 ⋯ 𝑢2,𝑛−1 𝑢2,𝑛
𝑙 𝑙3,2 ⋱ ⋮ ⋮ 0 0 1⋱ ⋮ ⋮
𝐿 = 3,1 𝑈=
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝑙𝑛−1,1 𝑙𝑛−1,2 ⋯ ⋯ 𝑙𝑛−1,𝑛−1 0 0 0 ⋯ ⋯ 1 𝑢𝑛,𝑛−1
[𝑙𝑛,1 𝑙𝑛,2 ⋯ ⋯ 𝑙𝑛,𝑛−1 𝑙𝑛,𝑛 ] [0 0 ⋯ ⋯ 0 1 ]

𝑓1𝐿 ⋅ 𝐶1𝑈 = 𝑙1,1 = 𝑎1,1

𝑓2𝐿 ⋅ 𝐶1𝑈 = 𝑙2,1 = 𝑎2,1
𝑓3𝐿 ⋅ 𝐶1𝑈 = 𝑙3,1 = 𝑎3,1
⋮
𝑓𝑛𝐿 ⋅ 𝐶1𝑈 = 𝑙𝑛,1 = 𝑎𝑛,1
Paso 2: Hallar la fila 1 de la matriz U.
𝑎1,2
𝑓1𝐿 ⋅ 𝐶2𝑈 = 𝑙1,1 𝑢1,2 = 𝑎1,2 → 𝑢1,2 =
𝑙1,1
𝑎1,3
𝑓1𝐿 ⋅ 𝐶3𝑈 = 𝑙1,1 𝑢1,3 = 𝑎1,3 →.. 𝑢1,3 = 𝑙1,1
⋮
 𝑎1,𝑛
𝑓1𝐿 ⋅ 𝐶𝑛𝑈 = 𝑙1,1 𝑢1,𝑛 = 𝑎1,𝑛 → .. 𝑢1,𝑛 = 𝑙1,1
𝐿
Paso 3: Hallar la columna 2 de la matriz L.
𝑙1,1 0 0 ⋯ 0 0 1 𝑢1,2 𝑢1,3 ⋯ 𝑢1,𝑛−1 𝑢1,𝑛
𝑙2,1 𝑙2,2 0 ⋯ 0 0 0 1 𝑢2,3 ⋯ 𝑢2,𝑛−1 𝑢2,𝑛
𝑙 𝑙3,2 ⋱ ⋮ ⋮ 0 0 1⋱ ⋮ ⋮
𝐿 = 3,1 𝑈=
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝑙𝑛−1,1 𝑙𝑛−1,2 ⋯ ⋯ 𝑙𝑛−1,𝑛−1 0 0 0 ⋯ ⋯ 1 𝑢𝑛,𝑛−1
[𝑙𝑛,1 𝑙𝑛,2 ⋯ ⋯ 𝑙𝑛,𝑛−1 𝑙𝑛,𝑛 ] [0 0 ⋯ ⋯ 0 1 ]

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

Paso 4: Hallar la fila 2 de la matriz U.

𝑎2,3 −𝑙2,1 𝑢1,3
𝑓2𝐿 ⋅ 𝐶3𝑈 = 𝑙2,1 𝑢1,3 + 𝑙2,2 𝑢2,3 = 𝑎2,3 → 𝑢2,3 =
𝑙2,2

𝑎2,4 −𝑙2,1 𝑢1,4

𝑓2𝐿 ⋅ 𝐶4𝑈 = 𝑙2,1 𝑢1,4 + 𝑙2,2 𝑢2,4 = 𝑎2,4 → 𝑢2,4 = 𝑙2,2

⋮
𝑛−𝑙2,1 𝑢1,𝑛
𝑓2𝐿 ⋅ 𝐶𝑛𝑈 = 𝑙2,1 𝑢1,𝑛 + 𝑙2,2 𝑢2,𝑛 = 𝑎2,𝑛 → 𝑢2,𝑛 = 𝑙2,2

Paso 5: Hallar la columna 3 de la matriz L

𝑙1,1 0 0 ⋯ 0 0 1 𝑢1,2 𝑢1,3 ⋯ 𝑢1,𝑛−1 𝑢1,𝑛
𝑙2,1 𝑙2,2 0 ⋯ 0 0 0 1 𝑢2,3 ⋯ 𝑢2,𝑛−1 𝑢2,𝑛
𝑙 𝑙3,2 𝑙3,3 ⋮ ⋮ 0 0 1 𝑢3,𝑛−1 𝑢3,𝑛
𝐿 = 3,1 𝑈=
⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮
𝑙𝑛−1,1 𝑙𝑛−1,2 𝑙𝑛−1,3 ⋯ 𝑙𝑛−1,𝑛−1 0 0 0 ⋯ ⋯ 1 𝑢𝑛,𝑛−1
[𝑙𝑛,1 𝑙𝑛,2 𝑙𝑛,3 ⋯ 𝑙𝑛,𝑛−1 𝑙𝑛,𝑛 ] [0 0 ⋯ ⋯ 0 1 ]
𝑓3𝐿 𝐶3𝑈 = 𝑙3,1 𝑢1,3 + 𝑙3,2 𝑢2,3 + 𝑙3,3 = 𝑎3,3 → 𝑙3,3 = 𝑎3,3 − 𝑙3,1 𝑢1,3 − 𝑙3,2 𝑢2,3

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

Paso 6: Hallar la fila 3 de la matriz U

Factorizar la matriz por el método de Crout

A LU b(1) b(2)
2 4 2 2 2 2 4 2 2 2 18 30
0 1 0 2 1 0 1 0 2 1 6 9
1 4 2 5 4 1 4 2 5 4 24 37
1 3 2 5 3 1 3 2 5 3 22 32
2 5 4 4 6 2 5 4 4 6 31 49
 L U
2 0 0 0 0 1 2 1 1 1
0 1 0 0 0 0 1 0 2 1
1 2 1 0 0 0 0 1 0 1
1 1 1 2 0 0 0 0 1 0
2 1 2 0 1 0 0 0 0 1

Resolver los sistemas Ax=b(1) y Ax=b(2)

Ax=b(1) Ly=b(1) Ux=y Ax

y x
9 2 18
6 1 6
3 2 24
2 2 22
1 1 31

MÉTODO DE CHOLESKY

Sirve para factorizar matrices simétricas. A es simétrica si A=AT

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 ]

Paso 1: Hallar columna 1 de L, y fila 1 de 𝐿𝑇

2
𝑓1,𝐿 𝐶1,𝐿𝑇 = 𝑙1,1 = 𝑎1,1 → 𝑙1,1 = ⋯
𝑓2,𝐿 𝐶1,𝐿𝑇 = 𝑙2,1 𝑙1,1 = 𝑎2,1 → 𝑙2,1 = ⋯

𝑓3,𝐿 𝐶1,𝐿𝑇 = 𝑙3,1 𝑙1,1 = 𝑎3,1 → 𝑙3,1 = ⋯

⋮
𝑓𝑛,𝐿 𝐶1,𝐿𝑇 = 𝑙𝑛,1 𝑙1,1 = 𝑎𝑛,1 → 𝑙𝑛,1 = ⋯

Paso 2: Hallar columna 2 de L, y fila 2 de 𝐿𝑇

2 2
𝑓2,𝐿 𝐶2,𝐿𝑇 = 𝑙2,1 + 𝑙2,2 = 𝑎2,2 → 𝑙2,2 = ⋯
𝑓3,𝐿 𝐶2,𝐿𝑇 = 𝑙3,1 𝑙2,1 + 𝑙3,2 𝑙2,2 = 𝑎2,2 → 𝑙3,2 = ⋯
⋮
𝑓𝑛,𝐿 𝐶2,𝐿𝑇 = 𝑙𝑛,1 𝑙2,1 + 𝑙𝑛,2 𝑙2,2 = 𝑎𝑛,2 → 𝑙𝑛,1 = ⋯

Paso 3: Hallar columna 3 de L, y fila 3 de 𝐿𝑇

⋮
Paso n: Hallar columna n de L, y fila n de 𝐿𝑇
2 2 2
𝑓𝑛,𝐿 𝐶𝑛,𝐿𝑇 = 𝑙𝑛,1 + 𝑙𝑛,2 + ⋯ + 𝑙𝑛,𝑛 = 𝑎𝑛,2 → 𝑙𝑛,𝑛 = ⋯
Ejercicio: Efectuar la factorización Cholesky de la matriz

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

MÉTODOS ITERATIVOS PARA RESOLVER SISTEMAS DE ECUACIONES LINEALES

Se empieza con una aproximación inicial dada: 𝑥⃗ (0)

𝑥⃗ (1) = 𝐹(𝑥⃗ (0) )

𝑥⃗ (2) = 𝐹(𝑥⃗ (1) )

𝑥⃗ (3) = 𝐹(𝑥⃗ (2) )

⋮

𝑥⃗ (𝑘) = 𝐹(𝑥⃗ (𝑘−1) )

Hasta 𝑥⃗ (𝑘) cumpla con el criterio de terminación dado previamente.

La función 𝐹 depende del método (cada método tiene su propia 𝐹)

MÉTODO ITERATIVO DE JACOBI.

Se quiere resolver el sistema

𝑎1,1 𝑎1,2 ⋯ ⋯ 𝑎1,𝑛−1 𝑎1,𝑛 𝑥1 𝑏1
𝑎2,1 𝑎2,2 𝑎2,3 ⋯ 𝑎2,𝑛−1 𝑎2,𝑛 𝑥2 𝑏2
⋮ ⋮ ⋱ ⋮ ⋮
⋮ ⋮ ⋱ ⋮ ⋮ =
𝑎𝑛−1,1 𝑎𝑛−1,2 ⋯ ⋯ 𝑎𝑛−1,𝑛−1 𝑎𝑛,𝑛−1 𝑥𝑛−1 𝑏𝑛−1
[ 𝑎𝑛,1 𝑎𝑛,2 ⋯ ⋯ 𝑎𝑛,𝑛−1 𝑎𝑛,𝑛 ] [ 𝑥𝑛 ] [ 𝑏𝑛 ]

Sistema transformado que sirve de base para obtener la fórmula de iteración

𝑥1 = (𝑏1 − 𝑎1,2 𝑥2 − 𝑎1,3 𝑥3 − ⋯ 𝑎1,𝑛 𝑥𝑛 )/𝑎1,1

𝑥2 = (𝑏2 − 𝑎2,1 𝑥1 − 𝑎2,3 𝑥3 − ⋯ 𝑎2,𝑛 𝑥𝑛 )/𝑎2,2

⋮
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.

Condición de dominación diagonal estricta de una matriz

Una matriz 𝐴 (𝑛 × 𝑛) tiene dominación diagonal estricta si para cada fila 𝑖 de 𝐴 el elemento de la
diagonal 𝑎𝑖,𝑖 tiene valor absoluto mayor que la suma de valores absolutos de los otros elementos de
la fila 𝑖, es decir, si

|𝑎𝑖,𝑖 | > ∑|𝑎𝑖,𝑗 |

𝑗≠𝑖

3 1 −2
[1 2 1 ] no tiene dominación diagonal estricta porque
1 1 6

En la fila 1, se tiene que |3|=|1|+|2|.

8 1 −2
[1 12 1 ] si tiene dominación diagonal porque
1 1 6
En la fila 1 se tiene que |8|>|1|+|-2|

En la fila 2 se tiene que |12|>|1|+|1|

En la fila 3 se tiene que |6|> |1|+|1|

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.

Teorema de la convergencia del método de Jacobi

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 Gauss-S Error ab.

X1 1.9208 1.99375 e1 1.00625
X2 2.9042 3.0053 e2 0.016312
X3 3.9333 4.0000 e3 0.16

Jacobi Gauss-S Error ab.

X1 2.0286 1.999316 e1 0.0055
X2 3.0122 3.0000533 e2 0.0005246
X3 4.0088 4.0000 e3 0

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

Una transformación 𝑇 ⃗⃗ de 𝑅𝑛 en 𝑅𝑛 es una función que a cada vector 𝑥⃗ de 𝑅𝑛 le hace corresponder un

⃗⃗(𝑥⃗) de 𝑅𝑛 .
vector 𝑇

Ejemplo: La función

⃗⃗(𝑥1 , 𝑥2 ) = (2𝑥1 , 𝑥2 )
𝑇

es una transformación de 𝑅2 en 𝑅2 .

La función

𝑆⃗(𝑥1 , 𝑥2 , 𝑥3 ) = (𝑥3 , −𝑥2 , 𝑥1 )

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)

La transformación de una suma es la suma de las transformaciones.

⃗⃗(𝛼 𝑥⃗) = 𝛼 𝑇
𝑇 ⃗⃗(𝑥⃗)

La transformación de vector multiplicado por un escalar es la transformación del vector

multiplicada por el escalar

⃗⃗(𝑥1 , 𝑥2 ) = (2𝑥1 , 𝑥2 ) es lineal.

Ejercicio: Determinar si la transformación 𝑇

Sean 𝑢
⃗⃗ = (𝑢1 , 𝑢2 ) y 𝑣⃗ = (𝑣1 , 𝑣2 ) vectores cualesquiera

a) ⃗⃗ + 𝑣⃗) = 𝑇(𝑢1 + 𝑣1 , 𝑢2 + 𝑣2 ) (suma de vectores)

𝑇(𝑢

= (2(𝑢1 + 𝑣1 ), 𝑢2 + 𝑣2 ) (aplicación de la transformación)

= (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)

= (2𝛼𝑢1 , 𝛼𝑢2 ) (aplicación de la transformación

= 𝛼(2𝑢1 , 𝑢2 )

= 𝛼𝑇(𝑢1 , 𝑢2 )

⃗⃗(𝑢
=𝛼𝑇 ⃗⃗) lqqd.

⃗⃗(𝑥1 , 𝑥2 ) = (2𝑥1 , 𝑥2 ) es una transformación lineal.

Por a) y b) la transformación 𝑇
Matrices que representan transformaciones lineales

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.

Ejercicio: Encontrar la matriz que representa a la transformación 𝑇 ⃗⃗(𝑥1 , 𝑥2 ) = (2𝑥1 , 𝑥2 ).

𝑚1,1 𝑚1,2
⃗⃗
Sea 𝑀𝑇 = [𝑚
2,1 𝑚2,2 ] la matriz que representa a la transformación 𝑇(𝑥1 , 𝑥2 ) = (2𝑥1 , 𝑥2 ).
𝑥1 𝑚1,1 𝑚1,2 𝑥1 2𝑥1 ⃗⃗
Se debe cumplir para todo 𝑥⃗ = [𝑥 ] lo siguiente [𝑚
2 2,1 𝑚2,2 ] [𝑥2 ] = [ 𝑥2 ]=𝑇(𝑥1 , 𝑥2 )

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.

La transformación 𝑇(𝑥⃗) = 𝑀𝑥⃗.

Matrices que realizan operaciones de filas de una matriz.

1 2 1
Supongamos que se tiene una matriz 𝐴= [3 2 3] 3 x 3 y se transforma
1 5 2
su fila 1 como la suma de la fila 1 más 2 veces la fila 2,

su fila 2 como la suma de la fila 2 más la fila 3.

1 2 0
Sea 𝑀 la matriz que realiza dicha operación de filas 𝑀 = [0 1 1]
0 0 1
1 2 0 1 2 1 7 6 7
La matriz transforma se obtiene como 𝑀 ⋅ 𝐴: [0 1 1] [3 2 3]=[ 4 7 5] matriz A con las transf. indi-
0 0 1 1 5 2 1 5 2
cadas

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.

Cómo se construye la matriz de transformación

Se quiere la matriz de transformación 𝑀 que transforma a la matriz 𝐴 en la matriz 𝐴1 .

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.

La fila 2 debe tener 𝛼 en la columna 1 y debe llevar 1 en la columna 2;

1 0 0
La fila 3 debe 1 en la columna y 1 en la columna 2; en la col 3 debe ir 0. [𝛼 1 0].
1 1 0
1 2 1
Verificar si esta matriz modifica las filas de [3 2 3] de acuerdo a lo indicado.
1 5 2
Transformaciones sucesivas de una matriz

Si una matriz A es transformada en 𝐴1 con una matriz de transformación 𝑇1 : 𝐴1 = 𝑇1 𝐴.

Si a la matriz 𝐴1 se le quiere transformar en 𝐴2 con una matriz de transformación 𝑇2 : 𝐴2 = 𝑇2 𝐴1

Si a la matriz 𝐴2 se le quiere transformar en 𝐴3 con una matriz de transformación 𝑇3 : 𝐴3 = 𝑇3 𝐴2

𝐴3 = 𝑇3 (𝑇2 (𝑇1 𝐴))

𝐴3 = 𝑇3 𝑇2 𝑇1 𝐴

𝑇𝑡 = 𝑇3 𝑇2 𝑇1

𝐴3 = 𝑇𝑡 𝐴

𝑇𝑡 sirve para transformar de la misma manera a cualquier otra matriz.

AUTOVECTOES Y AUTOVALORES DE UNA MATRIZ.

1 0
Ejemplo: Se tiene la matriz [ ]. ¿A qué transformación lineal representa?
0 −1
1 0 𝑥1 𝑥1
[ ] [𝑥 ] = [−𝑥 ]
0 −1 2 2

𝑇(𝑥1 , 𝑥2 ) = (𝑥1 , −𝑥2 )

¿Habrá vectores que se transformen sobre sí mismos?

Los vectores que están en el eje x se transforman sobre sí mismos.

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.

Definición general de autovector y autovalor de una matriz

Dada una matriz 𝐴, un vector 𝑥⃗ es autovector de 𝐴 si existe un escalar 𝜆 tal que 𝐴𝑥⃗ es igual 𝜆𝑥⃗ . El
escalar 𝜆 se llama autovalor de la matriz 𝐴 asociado al autovector 𝑥⃗.

¿Cómo encontrar los autovectores y autovalores de una matriz A?

Dado 𝐴 se busca un vector 𝑥⃗ de 𝑅 𝑛 y también un escalar 𝜆 tales que

𝐴𝑥⃗ = 𝜆𝑥⃗.
⃗⃗.
𝐴𝑥⃗ − 𝜆(𝐼𝑥⃗) = 0

𝐴𝑥⃗ − (𝜆𝐼)𝑥⃗ = ⃗0⃗.

⃗⃗ = ⃗𝟎⃗.
(𝑨 − 𝝀𝑰)𝒙
Si el sistema tiene única solución, esa solución sería 𝑥⃗ = ⃗0⃗. El vector ⃗0⃗ no es autovector.

Se necesita que tenga más de una solución, o sea infinitas soluciones.

Para que el sistema tenga infinitas soluciones se debe que

𝑑𝑒𝑡(𝐴 − 𝜆𝐼)=0

Que se llama ecuación característica de la matriz 𝐴.

𝑑𝑒𝑡(𝐴 − 𝜆𝐼) es un polinomio con variable 𝜆 y de grado n.

Por lo que 𝑑𝑒𝑡(𝐴 − 𝜆𝐼)=0 tiene n soluciones 𝜆1 , 𝜆2 ,⋯ 𝜆𝑛 . Cada 𝜆𝑖 es un autovalor de la matriz A.

Para cada 𝜆𝑖 existe un conjunto de autovectores asociados a 𝜆𝑖 .

0 1
Ejemplo: Encontrar autovalores y autovector para la matriz [ ] resolviendo la ecuación caracte-
1 0
rística de la ma matríz.
0 1
a) Hallar la ecuación característica de[ ].
1 0
0 1 𝜆 0 −𝜆 1
[ ]−[ ]=[ ]
1 0 0 𝜆 1 −𝜆
−𝜆 1
𝑑𝑒𝑡 [ ]=0
1 −𝜆
𝜆2 − 1 = 0
0 1
𝜆1 = 1 y 𝜆2 = −1 son los autovalores de la matriz [ ].
1 0

b) Hallar conjunto de autovectores asociados al autovalor 𝜆1 = 1.

0 1 𝑥1 𝑥1
[ ] [𝑥 ] = 𝜆1 [𝑥 ] (por definición de autovalor)
1 0 2 2
𝑥2 𝑥1
[𝑥 ]=[𝑥 ]
1 2

𝑥2 = 𝑥1
𝑥1 = 𝑥2
Sea 𝑡 un real, entonces 𝑥1 = 𝑡 y 𝑥2 = 𝑡 satisfacen las ecuaciones.

El conjunto de autovectores asociados al autovalor 𝜆1 = 1 está formado por los vectores de

la forma (𝑡, 𝑡) para todo real 𝑡. Es decir, la recta y=x.
 c) Hallar conjunto de autovectores asociados al autovalor 𝜆2 = −1.
0 1 𝑥1 𝑥1
[ ] [𝑥 ] = 𝜆2 [𝑥 ]
1 0 2 2

0 1 𝑥1 𝑥1
[ ] [ ] = −1 [𝑥 ]
1 0 𝑥2 2
𝑥2 −𝑥1
[𝑥 ] = [−𝑥 ]
1 2

Se t un real cualquiera, si 𝑥1 = 𝑡, 𝑥2 = −𝑡.

El conjunto de autovectores asociados al autovalor 𝜆2 = −1 está formado por los vectores

de la forma (𝑡, − 𝑡) para todo real 𝑡. Es decir, la recta y=-x.
1 0
Ejercicio: Encontrar autovalores y autovectores para la matriz [ ] resolviendo la ecuación ca-
0 −1
racterística.
1 0
a) Hallar la ecuación característica de [ ].
0 −1
𝜆2 − 1 = 0
𝜆1 = 1 y 𝜆2 = −1

b) Hallar conjunto de autovectores asociados al autovalor 𝜆1 = 1.

1 0 𝑥1 𝑥1
[ ] [𝑥 ] = 𝜆1 [𝑥 ]
0 −1 2 2

1 0 𝑥1 𝑥1
[ ] [𝑥 ] = [𝑥 ]
0 −1 2 2

𝑥1 = 𝑥1 se cumple para todo real 𝑥1

−𝑥2 = 𝑥2 se cumple solo para 𝑥2 = 0.

El conjunto de autovectores asociados al autovalor 𝜆1 = 1 está formado por los vectores de

la forma (𝑡, 0) para todo real 𝑡. Es decir, el eje x.

c) Hallar conjunto de autovectores asociados al autovalor 𝜆2 = −1.

1 0 𝑥1 𝑥1
[ ] [𝑥 ] = 𝜆2 [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

𝑥1 = −𝑥1 se cumple solo para 𝑥1 = 0.

−𝑥2 = −𝑥2 se cumple para todo real 𝑥2 .

El conjunto de autovectores asociados al autovalor 𝜆2 = −1 está formado por los vectores

de la forma (0, 𝑡) para todo real 𝑡. Es decir, el eje y.

Ejercicio: Hallar los autovalores y autovectores de la matriz

𝟐 −𝟏 −𝟏
[𝟏 𝟎 −𝟏]
𝟑 −𝟓 𝟎
a. Encontrar los autovalores
 𝟐 −𝟏 −𝟏 𝟐 − 𝝀 −𝟏 −𝟏
[𝟏 𝟎 −𝟏] − 𝝀𝑰 = [ 𝟏 −𝝀 −𝟏]
𝟑 −𝟓 𝟎 𝟑 −𝟓 −𝝀
𝟐 − 𝝀 −𝟏 −𝟏 𝟐 −𝟏 −𝟏
𝒅𝒆𝒕 ([ 𝟏 −𝝀 −𝟏]) = 𝟎 (ecuación característica de [𝟏 𝟎 −𝟏])
𝟑 −𝟓 −𝝀 𝟑 −𝟓 𝟎
Resolviendo la ecuación característica anterior se obtienen los autovalores

𝜆1 = 2; 𝜆2 = 1; 𝜆3 = −1

b. Hallar el conjunto de autovectores asociados al autovalor 𝜆1 = 2

𝑥1
𝑥
Sea [ 2 ] un autovector asociado al autovalor 𝜆1 = 2, entonces se debe cumplir
𝑥3
𝟐 −𝟏 −𝟏 𝒙𝟏 𝒙𝟏
[𝟏 𝟎 −𝟏] [𝒙𝟐 ] = 𝜆1 [𝒙𝟐 ]
𝟑 −𝟓 𝟎 𝒙𝟑 𝒙𝟑
𝟐 −𝟏 −𝟏 𝒙𝟏 𝒙𝟏
[𝟏 𝟎 −𝟏] [𝒙𝟐 ] = 2 [𝒙𝟐 ]
𝟑 −𝟓 𝟎 𝒙𝟑 𝒙𝟑

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

𝟑(𝒙𝟐 + 𝒙𝟑 ) − 𝟓𝒙𝟐 = 𝒙𝟑 → 𝟑𝒙𝟐 + 𝟑𝒙𝟑 − 𝟓𝒙𝟐 = 𝒙𝟑 →−𝟐𝒙𝟐 = −𝟐𝒙𝟑 →𝒙𝟐 = 𝒙𝟑

Supongamos que 𝑥2 = 𝑡 para un real 𝑡, entonces 𝑥3 = 𝑡, 𝑥1 = 𝑡 + 𝑡 = 2𝑡.
Por lo tanto, los autovectores asociados al autovalor 𝜆2 = 1 son de la forma (2𝑡, 𝑡, 𝑡) para
todo real 𝑡.
d. Hallar el conjunto de autovectores asociados a ; 𝜆3 = −1
INTERPOLACIÓN

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.

La interpolación da un valor para la variable dependiente que corresponde a un valor de la

variable independiente que no está en la tabla.

Problema general de la interpolación.

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

La forma de la función es 𝑓(𝑥) = 𝑦0 𝐿0 (𝑥) + 𝑦1 𝐿1 (𝑥) + ⋯ + 𝑦𝑛 𝐿𝑛 (𝑥)

(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) ⋯ (𝑥 − 𝑥𝑛 )
𝐿0 (𝑥) =
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ) ⋯ (𝑥0 − 𝑥𝑛 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥2 ) ⋯ (𝑥 − 𝑥𝑛 )
𝐿1 (𝑥) =
(𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 ) ⋯ (𝑥1 − 𝑥𝑛 )
⋮
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) ⋯ (𝑥 − 𝑥𝑛−1 )
𝐿𝑛 (𝑥) =
(𝑥𝑛 − 𝑥0 )(𝑥𝑛 − 𝑥1 ) ⋯ (𝑥𝑛 − 𝑥𝑛−1 )
Ejercicio: Construir la función de interpolación de Lagrange para la tabla.

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

𝑓(𝑥) = 15𝐿0 (𝑥) + 16𝐿1 (𝑥) + 19𝐿2 (𝑥) + 23𝐿3 (𝑥)

(𝑥 − 6)(𝑥 − 8)(𝑥 − 12) (𝑥 − 6)(𝑥 − 8)(𝑥 − 12) (𝒙 − 𝟔)(𝒙 − 𝟖)(𝒙 − 𝟏𝟐)
𝐿0 (𝑥) = = =
(4 − 6)(4 − 8)(4 − 12) (−2)(−4)(−8) −𝟔𝟒
(𝑥 − 4)(𝑥 − 8)(𝑥 − 12) (𝑥 − 4)(𝑥 − 8)(𝑥 − 12) (𝑥 − 4)(𝑥 − 8)(𝑥 − 12)
𝐿1 (𝑥) = = =
(6 − 4)(6 − 8)(6 − 12) (2)(−2)(−6) 24
(𝑥 − 4)(𝑥 − 6)(𝑥 − 12) (𝑥 − 4)(𝑥 − 6)(𝑥 − 12)
𝐿2 (𝑥) = =
(8 − 4)(8 − 6)(8 − 12) −32
(𝑥 − 4)(𝑥 − 6)(𝑥 − 8) (𝑥 − 4)(𝑥 − 6)(𝑥 − 8)
𝐿3 (𝑥) = =
(12 − 4)(12 − 6)(12 − 8) 192

(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

Se tiene la tabla de datos

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

𝑦2 −𝑏0 −𝑏1 (𝑥2 −𝑥0 )

𝑓(𝑥2 ) = 𝑏0 + 𝑏1 (𝑥2 − 𝑥0 ) + 𝑏2 (𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 ) = 𝑦2 --> 𝑏2 = (𝑥2 −𝑥0 )(𝑥2 −𝑥1 )
)

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(𝑥) = 15 + 0,5(𝑥 − 4) + 0.25 ∗ (𝑥 − 4)(𝑥 − 6) + 0.0416 ∗ (𝑥 − 4)(𝑥 − 6)(𝑥 − 8)

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.

Por definición 𝑠𝑒𝑛𝑜′(0,9) es

𝑠𝑒𝑛(0,9+ℎ)−𝑠𝑒𝑛𝑜(0,9)
𝑠𝑒𝑛𝑜′ (0,9) = lim
ℎ→0 ℎ

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.

𝑠𝑒𝑛𝑜(0,9 + 10−5 ) − 𝑠𝑒𝑛𝑜(0,9)

𝑠𝑒𝑛𝑜 ′ (0,9) ≅ = 0,62160605
10−5

cos(0,9) = 0,6216099683
Error=3,91 ⋅ 10−6

• Fórmula central de 3 puntos

𝑠𝑒𝑛𝑜(0,9 + 10−5 ) − 𝑠𝑒𝑛𝑜(0,9 − 10−5 )

𝑠𝑒𝑛𝑜 ′ (0,9) ≅ =
2 ⋅ 10−5
𝑓(𝑥0 +ℎ)−𝑓(𝑥0 −ℎ)
𝑓′(𝑥0 ) ≅ tomando ℎ un número cercano a 0.
2ℎ
INTEGRACIÓN NUMÉRICA
𝑏
Dada una función 𝑓 integrable en un intervalo [𝑎, 𝑏] se desea la integral ∫𝑎 𝑓(𝑥)𝑑𝑥 sin co-
nocer la antiderivada de 𝑓. La antiderivada de la función 𝑓 es una función 𝐹 tal que 𝐹 ′ = 𝑓. Si
𝑏
se conociera 𝐹, entonces ∫𝑎 𝑓(𝑥)𝑑𝑥 = 𝐹(𝑏) − 𝐹(𝑎).

• Método del trapecio

𝑏
Para calcular ∫𝑎 𝑓(𝑥)𝑑𝑥 el intervalo de integración [𝑎, 𝑏] se divide en n segmentos de ta-
𝑏−𝑎
maño , y cuyos extremos son
𝑛
𝑥0 = 𝑎,
𝑏−𝑎
𝑥1 = 𝑥0 + ,
𝑛
 𝑏−𝑎
𝑥2 = 𝑥0 + 2 ,
𝑛
⋮
𝑏−𝑎
𝑥𝑖 = 𝑥0 + 𝑖
𝑛
⋮
𝑥𝑛 = 𝑏

𝒇(𝒙𝟎 )
𝒇(𝒙𝟑 )
𝒇(𝒙𝟏 ) 𝒇(𝒙𝟐 ) 𝒇(𝒙𝟒 )

a 𝒙𝟏 𝒙𝟐 𝒙𝟑 b
𝒙𝟎 𝒙𝟒

Área del trapecio que empieza en 𝑥0 y termina en 𝑥1 :

𝑏−𝑎
Base:
𝑛

Alturas: 𝑓(𝑥0 ) y 𝑓(𝑥1 ).

𝑏−𝑎 𝑓(𝑥0 )+𝑓(𝑥1 )
Área: ⋅
𝑛 2

𝑏−𝑎 𝑓(𝑥𝑖−1 )+𝑓(𝑥𝑖 )

Área del trapecio 𝑖: ⋅
𝑛 2
La integral es aproximada por la suma de las áreas de los n trapecios, cuanto n sea
más grande, la sumatoria se acerca más a la integral
𝑏
𝑛𝑏 − 𝑎 𝑓(𝑥𝑖−1 ) + 𝑓(𝑥𝑖 )
∫ 𝑓(𝑥)𝑑𝑥 ≅ ∑ ⋅
1 𝑛 2
𝑎

De donde, extrayendo de la sumatoria las constantes, se tiene

𝑏
𝑖−1 ) + 𝑓(𝑥𝑖 )
𝑏−𝑎 𝑛 𝑓(𝑥
∫ 𝑓(𝑥)𝑑𝑥 ≅ ∑
𝑛 1 2
𝑎
𝑏
𝑏−𝑎 𝑛
∫ 𝑓(𝑥)𝑑𝑥 ≅ ∑ 𝑓(𝑥𝑖−1 ) + 𝑓(𝑥𝑖 )
2𝑛 1
𝑎