Professional Documents
Culture Documents
ANÁLISIS NUMÉRICO
A mi esposa y a mi hijo.
i
ii
Introducción
El análisis numérico es una parte de la matemática y tiene su crecimiento a partir de la década de los
cuarenta del siglo pasado, crecimiento que va junto con el de los computadores. Se desarrolla en base a las
necesidades de resolver problemas complejos que surgen en las ingenierías, las ciencias físicas, químicas,
biológicas, la economía y ciencias sociales, en la industria. En la actualidad, el análisis numérico es parte
de la malla curricular de la mayor parte de las carreras de ingeniería y de ciencias fundamentales, y se
constituye en la base para la generación de métodos de simulación asistido por computadora ampliamente
utilizados en el sector industrial, y últimamente en el ambiental y climático. Los países desarrolados son
los que han dado mayor importancia al análisis numérico y a la simulación numérica; en nuestro país es
muy poco lo que se hace en matemática y particularmente en análisis numérico.
Este libro es una introducción al análisis numérico. Está destinado a los estudiantes de segundo o tercer
años de la carreras de ingeniería y en especial de informática, computación grá…ca, de diseño industrial,
mecánica, electrónica, química y muy particularmente a los estudiantes de ingeniería matemática de
las Escuelas de Ciencias, a los estudiantes de las maestrías en docencia matemática, estadística y
optimización, entre otras, a matemáticos e ingenieros interesados en aplicaciones del análisis matemático,
del álgebra lineal y de las ecuaciones diferenciales ordinarias. Está basado en las notas que el autor ha
impartido en cursos de pregrado y posgrado en varias Universidades y Escuelas Politécnicas del Ecuador.
Los requisitos para el estudio de este libro son los cursos de análisis matemático I y II, de álgebra lineal,
como los que se dictan en las Escuelas de Ciencias. Más exactamente se requiere del conocimiento de
resultados fundamentales del cálculo diferencial e integral de funciones en una y en varias variables, de
las sucesiones y series numéricas, de las sucesiones y series de funciones, de algunos tipos de ecuaciones
diferenciales ordinarias de primer orden, y del lado del álgebra lineal, se requiere de conocimientos básicos
de los espacios vectoriales, las aplicaciones lineales y matrices, de los sistemas de ecuaciones lineales, de
diagonalización de matrices.
El texto contiene once capítulos y un apéndice, cada uno de ellos está dividido en secciones y subsecciones.
Al inicio de cada capítulo se presenta el resumen del mismo. Contiene ejemplos y ejercicios resueltos
algunos de ellos originales, y una gran cantidad de ejecicios propuestos, una parte de ellos originales,
lo que enriquece el material que se ofrece al estudiante. Los resultados numéricos que se presentan en
cada uno de los capítulos, en unos casos se han obtenido simplemente con una calculadora de bolsillo, y
en otros donde el caso lo amerita, se han elaborado programas en Fortran 77 que han sido corridos en
una máquina Pentium V. Más aún, todos los algoritmos propuestos han sido debidamente veri…cados.
Además, en algunos temas y ejercicios se forza al estudiante a que realice sus propios programas y se
vuelva un productor de software, más no un consumidor. Al …nal del capítulo se muestra una amplia
bibliografía que van de textos muy elementales a textos muy avanzados y que pueden ser útiles sobre todo
para los estudiantes de maestrías que preparan tesis de graduación, como también para que el estudiante
de pregrado pueda disponer de otros enfoques que ofrecen muchos libros importantes de análisis numérico
que se han publicado.
El primer capítulo está destinado a introducir el lenguaje del análisis numérico y a iniciar en el cálculo
aproximado. Se comienza con los elementos del cálculo numérico y de los algoritmos. A continuación
se muestran algunos ejemplos de algoritmos y de resolución numérica de problemas elementales. Se
iii
iv
consideran los sistemas de numeración que permiten explicar la representación en punto …jo y en punto
‡otante. Se estudian los tipos de errores, particularmente los de redondeo, de aproximación (truncamiento
y discretización) y la propagación de los mismos. Se introducen las nociones de condicionamiento,
estabilidad numérica.
El capítulo tres está destinado al cálculo aproximado de series de funciones. Para el efecto, se inicia con
una revisión de resultados de las series numéricas y de funciones. Se presta mayor atención a las series de
potencias y particularmente a las series de Taylor y su aproximación numérica. Se elaboran algoritmos de
las funciones trascendentes más importantes como son las trigonométricas, logaritmo y exponencial, los
mismos que son las bases de los algoritmos utilizados en calculadoras de bolsillo y los implementados en
los lenguajes de programación como por ejemplo C, C++, Fortran, Delphi, etc. Posteriormente se trata
la integración de funciones representadas como series de potencias y se dan aplicaciones. La aproximación
de series de Fourier se trata en el capítulo noveno.
En el capítulo cuarto se da respuesta a una pregunta simple: ¿cómo se elaboran las tablas de las funciones
de distribución de probabilidades? Se consideran las funciones de probabilidad discretas y continuas.
Dentro de las discretas se tratan la binomial y de Poisson. De las continuas se consideran las funciones de
distribución tipos gama y beta, normal i cuadrada; t de Student, de Snedekor. Se elaboran algoritmos
de cada una de ellas que pueden ser implementados fácilmente en los programas de simulación. Es
importante precisar que en muchos textos, sobre todo de métodos de perturbación, se aborda la función
error y su aproximación mediante métodos asimptóticos; esta función es muy similar a la función de
distribución normal, igualmente se tratan las funciones gama y beta de Euler. En esos textos, para
estas funciones no se dan algoritmos completos de aproximación. De las otras funciones continuas de
distribución arriba citadas, se ha encontrado escasamente algunos resultados, por lo que el material que
aquí se presenta no se ha hallado, al menos en los libros citados en la bibliografía.
El capítulo quinto está destinado al cálculo aproximado de raíces de ecuaciones. Se inicia con la
aplicación del teorema de Bolzano a la búsqueda del cambio de signo así como el método de bisección. A
continuación, basado en el teorema de Banach del punto …jo se construyen aplicaciones contractivas que
están relacionadas con las ecuaciones propuestas y desarrollan algunos métodos de aproximación clásicos.
Se trata la convergencia de estos métodos así como dos métodos de aceleración de la convergencia. Se
concluye con el estudio de las raíces de polinomios.
Los sistemas de ecuaciones lineales son el objeto del capítulo sexto. Se presentan algunos ejemplos que
originan sistemas de ecuaciones lineales, posteriormente se trata los problemas con sistemas de ecuaciones
lineales. Para la selección del método numérico es importante tener un conocimiento preciso de las
características de la matriz del sistema, es por esto que se presta atención al estudio de algunos tipos
de matrices. Luego se focaliza el trabajo en los métodos clásicos de resolución de sistemas de ecuaciones
lineales como son: eliminación gaussiana, factorización LU de Crout, factorización LT L de Choleski. Estos
métodos se adaptan particularmente a las matrices tridiagonales. Se concluye con la resolución en norma
mínima de sistemas de ecuaciones lineales que tienen una in…nidad de soluciones.
El capítulo octavo está destinado al cálculo de los valores y vectores propios. Se inicia con la revisión
de algunos resultados fundamentales. Luego se considera la aplicación de los valores y vectores propios
v
a las cónicas. Por simplicidad, se considera el cálculo de los valores y vectores propios de matrices reales
de 3 3: Se considera el método de la potencia para el cálculo del mayor valor propio de una matriz
diagonalizable.
Los problemas de mínimos cuadrados se abordan en el capítulo noveno. Se inicia con la resolución de
sistemas de ecuaciones lineales en mínimos cuadrados. A continuación se trata el método de Householder
que constituye uno de los métodos más importantes para la resolución de sistemas de ecuaciones lineales
en mínimos cuadrados así como para el cálculo de vectores propios. Posteriormente se …ja la atención
en los problemas de ajuste de datos para varios tipos de problemas. Se concluye con los problemas de
mínimos cuadrados continuos, particularmente la aproximación numérica de series de Fourier.
En el capítulo décimo se da una breve introducción hacia la teoría de los splines. Básicamente se abordan
los splines cúbicos de interpolación y los B-Splines.
Los métodos numéricos para calcular soluciones aproximadas de ecuaciones diferenciales ordinarias tienen
lugar en el capítulo décimo primero. Se abordan dos clases de problemas: los de Cauchy de valor inicial
y los de valores en la frontera. Para la primera clase de problemas se consideran los métodos de Euler
explícitos e implícitos, el método implícito de Crank-Nicolson, todos estos se hallan en la mayor parte
de los textos citados en la bibliografía, que no es el caso del método de Petrov-Galerkin que aquí es
tratado. Este método se aplica fundamentalmente a problemas de valores en la frontera y se encuentra
en textos muy especializados. Se pre…rió incluir el método de Petrov-Galerkin y no los ampliamente
conocidos métodos de Runge-Kutta, pués estos se los encuentra en la mayor parte de libros de ecuaciones
diferenciales y análisis numérico. En la segunda clase de problemas se consideran ecuaciones diferenciales
de segundo orden con condiciones de frontera de Dirichlet homogéneas y no homgéneas, de Neumann
homogéneas y no homogéneas, y mixtas. Todos estos problemas se aproximan con el método de diferencias
…nitas. Se concluye con la resolución numérica de un problema no lineal.
Se ha suministrado un apéndice que contiene básicamente una breve revisión de los resultados más
importantes de los espacios vectoriales y algunos ejemplos, y, una revisión de los espacios normados y de
los espacios con producto interior.
Al escribir este libro se buscó un equilibrio entre abstracción, practicidad, popularidad, simplicidad,
novedad, actualidad de métodos de cálculo, lo que condujo a no incluir algunos temas que se consideró
muy complejos y surgieron algunas preguntas: ¿por qué no se trató tal o cual tema? ¿por qué unos
temas tuvieron mayor atención que otros posiblemente más importantes? ¿Cómo juzgar que temas son
trascendentales para un público tan variado? La nueva versión de este libro está ya preparada, se dará
mayor atención a temas, que en un principio se consideró muy complejos pero que luego se vió la necesidad
de tratarlos, como los siguientes: resolución de sistemas de ecuaciones lineales con los métodos Minres y
Gmres, problemas no lineales de ajuste de datos dependientes de varios parámetros, método de integración
de Gauss, método de Householder para el cálculo de valores y vectores propios, ampliación de la teoría
de splines, resultados de existencia de ecuaciones diferenciales ordinarias y convergencia de los métodos
propuestos así como los muy populares métodos de Runge-Kutta. Todos estos temas tendrán también
una ampliación de ejemplos.
Mucho agradeceré se me comunique de posibles errores tipográ…cos y deslices, que por cierto son
infaltables a pesar del esfuerzo en controlarlos y eliminarlos.
Mi agradecimiento al señor Darwin Polivio Narváez Vicente que muy responsablemente colaboró y mostró
mucha capacidad y profesionalismo en el levantamiento del texto.
vii
viii ÍNDICE GENERAL
4.7. Función beta. Aproximación de la función beta B(p; q), p > 0, q > 0: . . . . . . . . . . . 206
10.Splines 509
11.4. Método de diferencias …nitas para problemas de valores en la frontera 1d. . . . . . . . . . 542
12.Apendice 575
Resumen
En este capítulo se realiza un tour corto en los métodos numéricos. Se inicia con la presentación de una
metodología para el análisis de problemas y las soluciones aproximadas, la elaboración de algoritmos y
algunas nociones de la complejidad de los mismos. A continuación se presentan ejemplos de algoritmos
simples así como de algunos problemas elementales que se presentan en el ámbito del álgebra lineal y del
análisis matemático, y, métodos simples de resolución numérica. Se hace un corto análisis de los tipos de
errores. El uso de instrumentos de cálculo como son las calculadoras de bosillo y los computadores motivan
el estudio de la representación en punto ‡otante, los errores de redondeo y la aritmética en punto ‡otante,
temática que a su vez requiere del análisis de los sistemas de numeración. Luego se realiza un estudio del
condicionamiento de funciones de una y varias variables que está relacionado con la ampli…cación de los
errores de redondeo. Particular atención se pone en las operaciones aritméticas, lo que permite establecer
una jerarquía en las mismas e identi…car que operaciones son las peligrosas y bajo que condiciones y
cuales no son peligrosas, lo que constituye una ayuda extremadamente grande cuando se elaboran los
algoritmos de cálculo. Mediante algunos ejemplos se analiza el problema de la propagación de los errores
así como el de la estabilidad numérica.
1.1. Introducción
Uno de los objetivos importantes del Análisis Numérico es la elaboración de métodos, procedimientos
de cálculo y construcción de algoritmos que con la utilización de instrumentos de cálculo como las
calculadoras de bolsillo o de instrumentos de cálculo mucho más complejos como los computadores,
que requieren de la elaboración de programas computacionales, permitan calcular soluciones exactas
o aproximadas de una diversidad de problemas matemáticos de modo que con cualesquiera de estos
instrumentos, se deba tener un control sobre los errores cometidos en los cálculos y que los resultados
…nales sean de calidad.
Por otro lado, los procedimientos de cálculo, los algoritmos numéricos deben ser, en lo posible, los más
simples, concisos, de aplicabilidad a una amplia variedad de situaciones. El costo numérico de cada
procedimiento o algoritmo y su programa computacional que se construya debe ser, en lo posible, el más
pequeño.
La calidad de la solución de un problema dado depende de muchos factores, entre ellos, de los datos
de entrada que se requieren para la ejecución del algoritmo, procedimiento o programa computacional
construido, así como de los instrumentos de cálculo utilizados, del lenguaje de programación y de la versión
del mismo. Es claro que la calidad de la solución depende fuertemente del método numérico empleado
y este a su vez depende de dos componentes importantes: el condicionamiento y la estabilidad; y, para
problemas cuyas soluciones se aproximan mediante sucesiones, dependen a más de todos los componentes
anteriores, de la convergencia.
1
2 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
En este capítulo se tratan algunos elementos de los algoritmos y características de los programas
computacionales, los tipos de errores comunes en análisis numérico. Se revisa brevemente los sistemas
de numeración entre los que se destacan el binario y el decimal, la representación en punto …jo y punto
‡otante, los errores de redondeo y la aritmética en punto ‡otante. Se introducen las nociones elementales
de condicionamiento, estabilidad numérica y convergencia que son muy importantes en la construcción
de algoritmos, procedimientos de cálculo y de la elaboración de programas computacionales, y que
constituyen las bases que deben tenerse siempre presentes para el desarrollo de software en el cálculo
cientí…co.
Suponemos que un problema (P ) ha sido planteado y que requiere de su resolución. Tres situaciones se
presentan: la primera en la que la solución del problema (P ) podemos encontrarlo directamente y no se
requiere del cálculo numérico. La segunda en la que la solución del problema (P ) podemos encontrarlo
directamente y se requiere de la implementación de un procedimiento de cálculo para aproximar la solución
encontrada. La tercera en la que no es posible encontrar directamente la solución y se requiere de un
método numérico para aproximar la solución. Son estas dos últimas situaciones que nos interesan. Más
aún, en la resolución numérica de un problema matemático (P ) se establece la siguiente metodología.
Desde el punto de vista práctico, esto es, problemas que surgen en las ciencias y en la industria, la
metodología presentada se extiende con la calibración de la solución y luego viene la implementación de
la solución. En este curso daremos énfasis fundamentalmente a los puntos 1), 2), 3) y 5) de la metodología
precedente.
El punto 4) no lo abordaremos y dejamos al estudiante que elija el lenguaje de programación que le interese
para la elaboración de sus propios programas computacionales con los que debe realizar pruebas para
veri…car resultados mediante la implementación del algoritmo así como veri…car la correcta elaboración del
programa computacional; o en su defecto, seleccione el paquete de programas de tipo comercial (Matlab,
Matemática, etc.) en el que provea la solución del problema planteado con el algoritmo propuesto. Es
un error gravísimo el modi…car el problema planteado (P ) a uno (Pb) cuya solución está implementado
en el paquete de programas computacionales. Por otro lado, es también importante el uso de ciertas
herramientas informáticas que ayuden a presentar de mejor manera los resultados y permita comprender
mejor las soluciones, por ejemplo gra…cadores para presentar grá…cas de curvas 2d, 3d, super…cies, ‡ujos,
generación de mallas estructuradas y no estructuradas, etc.
El estudio de la existencia de una solución o soluciones del problema (P ) es muy importante. Pués en él
se deben conocer con precisión las hipótesis con las cuales nuestro problema tiene solución, y bajo que
condiciones el problema (P ) puede no tener solución. En muchos casos, en el estudio de existencia de
soluciones se construye el método que conduce a encontrar la solución de (P ): Si el problema no tiene
solución, carece de sentido el intentar elaborar un método numérico de solución.
Debido a que los cálculos que se realizan son con números que tienen un número …nito de cifras decimales,
estos afectan los resultados, por lo que el control de los errores en los cálculos es fundamental, es decir,
debemos conocer la precisión con la que obtenemos la solución numérica del problema (P ). Este es uno
1.2. CÁLCULO NUMÉRICO. ALGORITMOS 3
de los problemas centrales del análisis numérico y que están ligados con las nociones de consistencia y
la estabilidad numérica. En el caso en que la solución de (P ) se calcula como límite de una sucesión
de soluciones de problemas (P n) más sencillos a resolver, otro de los problemas centrales del análisis
numérico es probar o demostrar que las soluciones de esos problemas más sencillos converge a la solución
del problema (P ), es decir se debe probar la convergencia del método numérico propuesto. La consistencia,
estabilidad y convergencia se discutirán más adelante.
Tanto en el estudio de existencia de soluciones como en la elaboración del método numérico se identi…can
los datos que se requieren para resolver el problema. Una parte de estos datos los conocemos como datos
de entrada.
Una vez establecido el método numérico, se pasa enseguida a la elaboración o construcción del algoritmo.
En la de…nición siguiente se establece la noción de algoritmo en su versión la más simple
De…nición 1 Se llama algoritmo a una sucesión …nita de operaciones elementales, que organizada
como pasos o procedimientos, se describen en forma lógica como calcular la solución de un problema
(P ) de modo e…caz con datos de entrada dados.
1. Datos de entrada: que consisten en valores o datos de partida, los cuales son asignados antes de
arrancar la ejecución del algoritmo. Estos datos permiten inicializar el algoritmo para su ejecución.
Es necesario veri…car la lectura correcta de todos los datos de entrada.
Los datos de entrada dependen obviamente del problema propuesto. Estos pueden ser datos
que pertenecen a distintos conjuntos numéricos (enteros, reales, complejos), pueden ser funciones
reales como las trigonométricas (seno, coseno, tangente y sus inversas), las funciones exponencial,
logarítmica, las funciones hiperbólicas, polinomios, etc, pueden ser datos vectoriales como son los
elementos de Rn ; pueden ser matrices, etc.
3. Datos de salida: son una o más cantidades que tiene una relación estrecha con los datos de entrada.
Estos resultados están de…nidos de manera única por los pasos del procedimiento o algoritmo.
La escritura de un algoritmo contiene los datos de entrada, los datos de salida, y a continuación el
procedimiento o la descripción del método a utilizar que constituye el algoritmo propiamente dicho
que generalmente se lo expresa en pseodocódigo de modo que facilite la escritura de un programa
computacional en cualquier lenguaje de programación.
Más adelante se proponen muchos algoritmos que permiten aclarar todas estas ideas.
En la práctica estos tres bloques no son su…cientes para escribir un programa computacional. Un análisis
más detallado de estos tres bloques proponemos en el diagrama siguiente:
4 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
1. Aplicabilidad general: el algoritmo debe funcionar para una clase de problemas lo más amplia
posible, donde las soluciones de un problema especí…co de la clase resulten solamente por cambios
en los datos de entrada.
La metodología arriba propuesta la aplicaremos a algunos ejemplos que proponemos a continuación. Más
aún, esta sección está dividida en dos partes: la primera en la que presentamos ejemplos simples de
operaciones elementales con vectores y matrices, y luego dos aplicaciones del producto escalar en R2 , y
la segunda que está destinada a problemas del análisis matemático como cálculo de valores de funciones
polinomiales, funciones con discontinuidad evitable, derivación e integración numérica.
Ponemos !
z =!x +!
y y!w = !
x : A continuación presentamos un algoritmo en el que se calcula
! ! ! ! !
z = x + y y w = x:
Algoritmo
Datos de entrada: n 2 Z+ ; !
x = (x1 ; : : : ; xn ) ; !
y = (y1 ; : : : ; yn ) :
Datos de salida: !
z; !
w:
1. i = 1; : : : ; n
zi = xi + yi
wi = xi
Fin bucle i.
2. Imprimir ! z; !
w:
3. Fin.
Note que los datos son la talla n de los vectores !
x e! y así como sus coordenadas. Observe que las
operaciones elementales que intervienen en el cálculo de ! z son adiciones y en el cálculo de !
w son
productos. Se realizan 2n operaciones elementales, y, el proceso de cálculo concluye en exactamente
n pasos. No contabilizamos la presentación de resultados y el …n.
La notación i = 1; : : : ; n signi…ca que para i = 1 se realizan los cálculos de z1 = x1 + y1 y de
w1 = x1 ; a continuación k = 2 y se realizan los cálculos z2 = x2 + y2 y de w2 = x2 : Se continua
con este proceso hasta k = n con lo que se hacen los cálculos zn = xn + yn y de wn = xn :
2. Producto escalar en Rn :
! !
Sean x = (x1 ; :::; xn ); y = (y1 ; :::; yn ) dos vectores de Rn . El producto escalar de !
x con !
y se nota
! !
con x y o también x ! T ! ! !
y (cuando los vectores x e y se escriben como vectores columna) y se
de…ne como sigue:
Xn
!
x T ! !
y = x y =! xi yi :
i=1
En el apéndice se resumen algunos resultados de los espacios vectoriales con producto interior.
Para el cálculo de este producto escalar se requiere de la siguiente información: n 2 Z+ y de los
componentes o coordenadas de los vectores ! x; !y , con lo que el producto escalar que se le denota
con p puede calcularse usando el algoritmo que se propone a continuación.
Algoritmo
Datos de entrada: n 2 Z+ ; ~x = (x1 ; ; xn ); ~y = (y1 ; ; yn ):
6 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
Datos de salida: p
1. p = 0:
2. k = 1; : : : ; n
p = p + xk yk :
Fin bucle k.
3. Imprimir resultdo p:
4. Fin.
Para n = 4, !
x = (1; 0; 1; 2) ; !
y = (5; 2; 2; 3), la aplicación del algoritmo da como resultado
p = 1.
Observe que las operaciones elementales que intervienen en el cálculo de p son adiciones y productos,
se realizan 2n operaciones elementales, y, el proceso de cálculo de p concluye en exactamente n pasos.
La notación k = 1; : : : ; n signi…ca que para k = 1 se realiza el cálculo de p + x1 y1 que se asigna
a p; a continuación k = 2 y se realiza el cálculo p + x2 y2 cuyo resultado se asigna nuevamente a
p: Se continua con este proceso hasta k = n con lo que se hace el cálculo p + xn yn que se asigna
a p: La escritura p = p + xk yk no es una ecuación, en realidad se trata de una asignación del
resultado p + xk yk a la variable p: Este tipo de notación será utilizada únicamente en la escritura
de los algoritmos.
3. Norma euclídea en Rn :
!
Sea x = (x1 ; ; xn ) 2 Rn . La norma euclídea en Rn se nota con k k2 y se de…ne como:
n
!1=2
X
k!
x k2 = x2i :
i=1
A esta matriz suma lo denotamos con C = (cij )m n; esto es, C = A + B: El algoritmo para sumar
las matrices A y B se muestra a continuación.
Algoritmo
Datos de entrada: m; n 2 Z+ ; A = (aij )m n; B = (bij )m n:
Datos de salida: C = (cij )m n:
1. i = 1; : : : ; m
j = 1; : : : ; n
cij = aij + bij
Fin bucle j:
Fin bucle i:
2. Imprimr C = (cij )m n:
3. Fin.
El cálculo de la matriz C requiere de m n adiciones. Note que el índice i es utilizado para indicar
las …las, el índice j es utilizado para indicar las columnas. El algoritmo muestra que la matriz C
se construye …la a …la, esto es, primera …la, a continuación segunda …la, así sucesivamente. Se deja
como ejercicio elaborar un algoritmo de cálculo de C por columnas.
5. Producto de matrices.
Sean A = (aij )m n ; B = (bjk )n p matrices reales. El producto de la matriz A con B se nota AB
y es la matriz C = (cik )m p de…nida como sigue:
n
X
Cik = aij bjk = ai1 b1k + + ain bnk , i = 1; : : : ; m; k = 1; : : : ; p:
j=1
Como se puede apreciar, el elemento cik es el resultado de las sumas de los productos de los elementos
de la …la i de la matriz A con los correspondientes de la columna k de la matriz B: Un algoritmo
para calcular C = AB se muestra a continuación.
Algoritmo
1. i = 1; : : : ; m
k = 1; : : : ; p
s = 0:
j = 1; : : : ; n
s = s + aij bjk
Fin bucle j:
cik = s
Fin bucle k:
Fin bucle i:
8 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
2. Imprimir C = (cik )m p:
3. Fin.
Este algoritmo concluye en un número …nito de pasos, exactamente en m p (n + 2) pasos. Las
operaciones elementales que se realizan son sumas y productos. Adicionalmente se hacen 2m p
asignaciones. Note que la escritura s = s + aij bjk no es una ecuación, se trata de una asignación
pués el producto aij bjk se suma a s y este resultado se almacena en s.
Para elaborar un algoritmo de cálculo del producto de la matriz A por el vector ! x , esto es, A! x
+
se requiere de la siguiente información: talla de la matriz A, o sea m; n 2 Z , de sus componentes
aij ; i = 1; : : : ; m; j = 1; : : : ; n, y de los componentes o coordenadas xi ; i = 1; : : : ; n del vector
!x . Con esta información el producto A! x puede calcularse con el algoritmo que se propone a
continuación.
Algoritmo
Datos de entrada: m; n 2 Z+ ; A = (aij )m !
n; x = (x1; ; xn ):
Datos de salida: ~z = A~x:
1. c = 0:
2. i = 1; : : : ; m
j = 1; : : : ; n
c = c + aij xj
Fin bucle j:
zi = c
c = 0:
Fin bucle i:
3. Imprimir resultado !
z = (z1 ; ; zm ):
4. Fin.
Note que el algoritmo concluye luego de m n pasos en los que intervienen productos y adiciones.
1 p
k!
u k = (!
u !
u )2 = a2 + b2 :
proyección ortogonal de !
u 2 sobre !
u 1 y el vector !
c ortogonal a !
u 1 ; esto es c ? !
u 1:
Figura 1 Figura 2
Ponemos ! v1=!
u 1 : Para construir una base ortogonal f!
v 1; !
v 2 g consideramos las dos condiciones
siguientes:
!u1+! c =! u 2;
hallar 2 R y ! c 2 R2 tales que ! !
u1 ? c :
!
Calculemos : Multiplicando escalarmente por u la primera igualdad, se tiene
1
( !
u1+!
c) !
u1 =!
u2 !
u1
Puesto que k!
u 1k = !
u1 !
u 1 y como el producto escalar es conmutativo, esto es, !
u2 !
u1 =!
u1 !
2
u2
! !
u1 u2
resulta = ! 2 : El número real se llama coe…ciente de Fourier.
ku k 1
Una vez calculado pasamos a determinar el vector !
c : De la igualdad !
u1+!
c =!
u 2 se obtiene
!
c : !
u1 !u 2!
!
c =!
u2 !
u1 =!
u2 2 u 1:
k!u k
1
De…nimos !
v2 =!
c : Así !
v1 ?!
v 2 : En la …gura siguiente se muestran los vectores !
v 1; !
v 2 tales
! !
que v ? v :
1 2
Figura 3
Con todos estos elementos estamos en condiciones de elaborar un algoritmo numérico que permita
identi…car si dos vectores no nulos son o no colineales. En caso de no ser colineales, calcular el
ángulo que forman y obtener una base ortogonal f! v 1; !
v 2g :
Algoritmo
Datos de entrada: !
u 1 = (a1 ; b1 ) ; !
u 2 = (a2 ; b2 )
Datos de salida: Mensaje “vectores colineales”, ; !
v 1; !
v 2:
1.3. EJEMPLOS DE ALGORITMOS Y PROBLEMAS 11
11. Fin.
El número total de operaciones elementales que se realizan en la ejecución de este algoritmo son 22
operaciones, comparaciones 5, asignaciones 4, una evaluación de la función arco coseno. Note que
el punto 4) del algoritmo se ejecuta cuando d 6= 0:
p
Veri…quemos el algoritmo con los siguientes datos ! u = (3; 1) ; !
u = 2; 5 :
1 2
p
Claramente
p los vectores !
u 1; !
u 2 son no nulos. Pasemos a calcular d. Tenemos d = 3 5 ( 2) 1 =
2 + 3 5 y d 6= 0 con lo que se continua con el cálculo de p; n1 ; n2 y : Tenemos
p p
p = 3 ( 2) + 1 5= 6+ 5;
1
2 2
1 p 2
p 2 2
n1 = 3 +1 2
= 10; n2 = ( 2) + 5 = 3;
p !
6+ 5 3;763932023
= arc cos p ' arc cos ' 1;978773429:
3 10 9;48683298
Ponemos !
v 1 = (3; 1) :
Calculemos el coe…ciente de Fourier ; y, x e y :
p
p 6+ 5
= = ' 0;3763932023;
n21 10
x = a2 a1 ' 2 ( 0;3763932023) 3= 0;870820393;
p
y = b2 b1 ' 5 ( 0;3763932023) 1 = 2;61246118:
El vector !
v 2 está de…nido como !
v 2 = ( 0;870820393; 2;61246118) :
El símbolo ' se utiliza para indicar un valor aproximado.
12 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
Figura 4
9. En este ejemplo se trata el método de eliminación gaussiana para sistemas de ecuaciones lineales
de 3 3: Comencemos observando que los sistemas de tres ecuaciones con tres incógitas más simples
de resolver son los sistemas de ecuaciones denominados diagonales, los denominados triangulares
superiores y triangulares inferiores que en ese orden se presentan a continuación:
8 8 8
< a1 x = d1 < a1 x + b1 y + c1 z = d1 < a1 x = d1
b2 y = d2 ; b2 y + c2 z = d2 ; a2 x + b2 y = d2
: : :
c3 z = d3 c3 z = d3 a3 x + b3 y + c3 z = d3 ;
8
>
> 2x + y = 2
>
>
< 5
por k1 ; el resultado sumamos a la tercera ecuación. Tenemos y + z = 1 Para obtener
2
>
>
>
>
11
: y + z = 1:
2
un sistema de ecuaciones triangular superior, mantenemos …jas la primera y segunda ecuaciones del
sistema precedente, eliminemos la incógnita y de la tercera ecuación.
11
Sea k2 = 2 = 11 (k se obtiene dividiendo el coe…ciente de y de la tercera ecuación para el
2
5 5
2
coe…ciente de y de la segunda ecuación, cambiado de signo): Multiplicamos a la segunda ecuación
8
>
> 2x + y = 2
>
>
>
< 5
y+z =1
por k2 ; el resultado sumamos a la tercera, resulta 2 con lo que hemos obtenido
>
>
>
> 6 6
>
: z= ;
5 5
un sistema de ecuaciones triangular superior. Determinemos su solución. De la tercera ecuación,
obtenemos z = 1: De la segunda ecuación, se obtiene y : y = 25 (1 z) = 25 (1 1) = 0: De la primera
ecuación se deduce x: x = 12 ( 2 y) = 12 ( 2 0) = 1: La solución del sistema de ecuaciones
lineales propuesto es ( 1; 0; 1):
3. Hallar8la solución si existe, del sistema de ecuaciones lineales que se propone: (x; y; z) 2 R3
>
> y+z = 2
>
<
tal que 2x + y z = 6 Para obtener (siempre que sea posible) un sistema triangular
>
>
>
: 5x + y + 6z = 10:
superior,
8 la primera acción que debemos realizar es intercambiar las ecuaciones del modo siguiente:
< 5x + y + 6z = 10
2x + y z = 6 Mantengamos …ja la primera ecuación de este último sistema de ecuaciones
:
y+z = 2
lineales. Eliminemos x de la segunda ecuación. Para ello multiplicamos 8la primera ecuación
>
> 5x + y + 6z = 10
>
<
2 2 7 7
por k = = y el resultado sumamos a la segunda. Obtenemos y + z = 10
5 5 >
> 5 5
>
:
y + z = 2:
Manteniendo …jas las dos primeras ecuaciones, eliminemos y de la tercera8 ecuación. Multipliquemos
>
> 5x + y + 6z = 10
>
>
>
< 7 7
1 5 y + z = 10
por k1 = = a la segunda ecuación y sumemos con la tercera: 5 5 que
7 7 >
>
>
> 64
5 >
: 0= ;
7
muestra que la tercera igualdad es contradictoria, es decir que el sistema de ecuaciones propuesto
no tiene solución.
En orden de complejidad, los más simples son los polinomios constantes P (x) = c x 2 R, con c 2 R
…jo. A continuación, los polinomios de grado 1 tienen la forma P (x) = a + bx; con a; b; x 2 R, a; b …jos y
b 6= 0: Los polinomios de grado 2 se escriben como P (x) = a + bx + cx2 con a; b; c; x 2 R, a; b; c …jos y
c 6= 0: Los polinomios de grado tres se escriben como P (x) = a + bx + cx2 + dx3 con a; b; c; d; x 2 R,
a; b; c; d …jos y d 6= 0:
Los polinomios son las funciones reales más simples de calcularse en un asignado dato x 2 R. Es claro
que los más simples son los polinomios constantes y de grado 1, y realizar cálculos con esta clase de
polinomios no presenta di…cultad alguna. Nos interesamos en los polinomios de grado 2 que presentan
alguna di…cultad con los cálculos pués a medida que el grado del polinomio es más grande, el número de
operaciones elementales se incrementa y los resultados pueden no ser su…cientemente exactos:
1. Esquema de Hörner.
Con frecuencia requerimos realizar evaluaciones de polinomios de modo que el número total de
operaciones elementales a realizar sea el más pequeño posible y que el resultado sea el más exacto
posible. Por razones que veremos más adelante y que están relacionadas con el condicionamiento,
debemos evitar el cálculo directo de las potencias de x; de los factoriales, sumas y restas alternadas.
X n
Consideremos el polinomio P (x) = a0 + a1 x + n
+ an x = ak xk x 2 R, donde ak 2 R con
k=0
k = 0; 1; ; n son los coe…cientes y an 6= 0. Nos interesamos primeramente en el cálculo de P (x)
en un asignado x 2 R, de modo que se evite el cálculo directo de las potencias de x y el número
de operaciones elementales sea el más pequeño posible. Esto se logra si se escribe P (x) en la forma
siguiente:
P (x) = a0 + x a1 + + an xn 1
..
.
= a0 + x(a1 + x(a2 + x(a3 + + x(an 1 + xan ) ))):
A esta forma de calcular P (x) se conoce con el nombre de esquema de Hörner. Utilizando esta
escritura, podemos elaborar un algoritmo para calcular P (x) en un punto dado x 2 R. Note que
el proceso de cálculo de P (x) inicia en el término del paréntesis interior an 1 + xan y continua
sucesivamente al exterior, que hace el proceso de cálculo sea muy práctico en su aplicación. El
número de operaciones elementales (sumas y productos) que se requiere para calcular P (x) es a lo
más 2n:
Note que si x 2 R, el cálculo de x2 = x x signi…ca una operación elemental, el cálculo
3
de x = x 2 x signi…ca dos operaciones elementales, entonces para el cálculo del polinomio
P (x) = a + bx + cx2 se requieren de 5 operaciones (sumas y productos), mientras que si se escribe
en la forma P (x) = a + x(b + cx) se requieren únicamente de 4 operaciones (sumas y productos).
Para el cálculo del polinomio P (x) = a + bx + cx2 + dx3 se requieren de 9 operaciones y con el
esquema de Hörner se requieren de 6 operaciones y mejora la exactitud del resultado.
Para elaborar un algoritmo que permita calcular P (x) requerimos de la siguiente información:
grado del polinomio n 2 Z+ , coe…ecientes a0 ; a1 ; : : : ; an 2 R y del dato x 2 R. Con estos elementos
proponemos el siguiente algoritmo que se conoce con el nombre de esquema de Hörner.
Algoritmo
Datos de entrada: n 2 Z+ ; a0 ; a1 ; : : : ; an ; x 2 R:
Datos de salida: x, P (x):
1. b = an
2. k = 0; 1; : : : ; n 1
j=n k
z = aj 1 + xb
b=z
16 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
Fin bucle k:
3. Imprimir x; b = P (x) :
4. Fin.
Note que el cálculo de P (x) concluye en un número …nito de pasos. Veri…quemos el algoritmo
propuesto. Para el efecto, consideramos el siguiente polinomio que a su vez lo escribimos usando el
esquema de Hörner:
P (x) = 0;5 + 0;3x 0;25x2 2;56x3 + 3x4 = 0;5 + x(0;3 + x( 0;25 + x( 2;56 + 3x))) x 2 R.
Calculemos P (x) en los puntos x = 0; 0;5 y 0;5: Utilizando la escritura de P (x); tenemos
n
X xk
2. Consideremos la función E de R+ en R de…nida como E(x) = x 2 R+ ;
(k + 1)(k + 2)(k + a)
k=0
donde a 2 R+ …jo.
Dado x 2 R, para calcular E (x), primeramente debemos expresar en forma explícita el sumatorio
y luego escribirle en forma del esquema de Hörner como a continuación se muestra:
1 x x2 xn 1
E(x) = + + + + +
1 2 a 2 3 (1 + a) 3 4 (2 + a) n(n + 1)(n 1 + a)
xn
+
(n + 1)(n + 2)(n + a)
1 1 1 1
= +x +x + +x +
2a 2 3(1 + a) 3 4(2 + a) n(n + 1)(n 1 + a)
x
+ :
(n + 1)(n + 2)(n + a)
Note que en la última igualdad se evitan los cálculos directos de las potencias xk ; k = 2; : : : ; n,
lo que reduce el número de operaciones elementales, facilita la escritura de un algoritmo para su
cálculo.
1
Ponemos ak = ; k = 0; 1; 2; :::; n. En el cálculo de ak intervienen 3 adiciones,
(k + 1)(k + 2)(k + a)
3 productos y una división.
Algoritmo
Datos de entrada: n; a; x:
Datos de salida: x; E(x):
1
1. y = :
(n + 1)(n + 2)(n + a)
2. k = 1; :::; n
j=n k
1
y= + y x:
(k + 1)(k + 2)(k + a)
Fin bucle k:
3. Imprimir resultado y = E (x) :
4. Fin.
Observe que el cálculo de E (x) concluye en un número …nito de pasos.
1.3. EJEMPLOS DE ALGORITMOS Y PROBLEMAS 17
3. Para cada n 2 Z+ con n 3 impar, se considera la función 'n de…nida como sigue:
n
X k
( 1)k x 2
'n (x) = x 0:
k!3k
k=0
Se trata de calcular 'n (x) de modo que el número de operaciones elementales sea el más pequeño
posible y elaborar un algoritmo de cálculo que permita calcular 'n (xk ) k = 0; 1; : : : ; m en puntos
xk igualmente espaciados en el intervalo [0; 100] :
Sigamos la metodología utilizada para resolver problemas. Primeramente debemos constatar que
se tienen soluciones. En efecto, la función 'n está bien de…nida para todo x 0: Además, de la
de…nición de 'n (x) se tiene
1 3
x2 x x2 ( 1)n 1 ( 1)n n
'n (x) = 1 + + + + x2 :
1! 3 2! 32 3! 33 (n 1)! 3n 1 n! 3n
Más adelante veremos que la resta de números positivos muy próximos entre sí es una operación
peligrosa pués los errores de redondeo son ampli…cados, más aún, la realización de sumas y restas
alternadas es muy peligrosa ya que los errores de redondeo provocan grandes errores en los datos
de salida. Vemos que en el cálculo de 'n (x) debemos realizar este tipo de operaciones, además, se
k
deben calcular los factoriales k! k = 1; 2; : : : ; n; las potencias 3k ; x 2 :
n 1
Puesto que n es impar, n 1 es par y en consecuencia p = es un entero positivo, asociamos
2
todos los términos positivos y todos los términos negativos. Cada grupo contiene exactamente p + 1
términos. Así
n 1
" 1 3 n
#
x x 2 x2 x2 x2
'n (x) = 1 + + + + + +
2! 32 (n 1)! 3n 1 1! 3 3! 33 n! 3n
p
X p
X 1
xk xk+ 2
=
(2k)! 32k (2k + 1)! 32k+1
k=0 k=0
Xp p X p
1 x k x 1 x k
= x 0:
(2k)! 9 3 (2k + 1)! 9
k=0 k=0
De…nimos
p
X p
X
1 x k 1 x k
1 (x) = x 0; 2 (x) = x 0:
(2k)! 9 (2k + 1)! 9
k=0 k=0
La escritura de 1 y 2 es una variante del esquema de Hörner que evita el cálculo directo de los
factoriales k! k = 1; 2; : : : ; n; de las potencias xk y 3k : De esta manera reduce signi…cativamente el
número de operaciones elementales y permite elaborar un algritmo numérico en forma muy simple.
Además, p
x
'n (x) = 1 (x) 2 (x) x 0;
3
el cálculo de 'n (x) implica una sola resta y no sumas y restas como originalmente se tenía en el
x
cálculo de 'n (x) : Note también que los cocientes que tanto en 1 (x) como en 2 (x) se realizan, se
9
x
evitan con el cálculo de y = : El número de operaciones elementales que se realizan para calcular
9
1 (x) y 2 (x) son a lo más de 2 (6p) = 6 (n 1) ; y el cálculo de 'n (x) requiere de a lo más
6 (n 1) + 5 = 6n 1 operaciones elementales.
n
Si se debe calcular 'n (x) en la forma original se deben realizar a lo más 1+ (1 + 3n) operaciones
2
elementales.
p k
( x)
Observe que el cálculo de k = 3; : : : ; n requiere de 3k 2 operaciones elementales
k! 3k
pués (k 1)!k = k! corresponde cada una operación elemental. Análogamente ak 1 a = ak es una
operación elemental.
Para n = 7 se requieren 77 operaciones elementales, mientras que con la forma simpli…cada se
requieren a lo más 41 operaciones elementales. Para n = 15; en la forma original se requieren
aproximadamente 345 operaciones elementales, mientras que en la forma simpli…cada requieren
aproximadamente 89 operaciones elementales.
Cuando n es grande se presenta otras di…cultades de cálculo de n!; 3n ; xn ; por ejemplo 15! '
1;30767436 1012 ; 515 ' 3;051757812 1010 :
Finalmente, como se debe calcular 'n (xk ) en puntos igualmente espaciados xk de [0; 100] ; se de…ne
100
h= y xk = kh k = 0; 1; : : : ; m:
m
Con todos estos resultados se propone el siguiente algoritmo de cálculo de 'n (xk ) k = 0; 1; : : : ; m;
y, n 2 Z+ con n 3 impar.
Algoritmo
Datos de entrada: m; n 2 Z+ ; xk k = 0; 1; : : : ; m:
Datos de salida: xk ; 'n (xk ) k = 0; 1; : : : ; m:
1. Veri…car n 3 impar. Caso contrario continuar en 6).
100
2. h = :
m
3. Para x = 0; poner 'n (0) = 1:
4. Para k = 1; : : : ; m
b = 1:
c = 1:
xk = kh
xk
y=
9
j = 0; 1; : : : ; p 1
i=p j;
1
b=1+ y b;
(2i1) (2i)
1
c=1+ y b;
(2i) (2i + 1)
Fin de bucle j.
1.3. EJEMPLOS DE ALGORITMOS Y PROBLEMAS 19
p
xk
'n (xk ) = b c:
3
Fin de bucle k.
5. Imprimir xk ; 'n (xk ) k = 0; 1; : : : ; m:
6. Mensaje: Error de lectura de n:
7. Fin.
Para n = 3; la función '3 (x) está de…nida como
p p 3
x x ( x)
'3 (x) = 1 + x 0:
1! 3 2! 32 3! 33
Calculemos '3 (10) : Tenemos
p p 3
10 10 10
'3 (10) = 1 + 2
1! 3 2! 3 3! 33
= 1 1;054092553 + 0;555555556 0;1952023247 = 0;3062606775:
Para esta cálculo se requieren de 15 operaciones elementales. Note las molestias en la realización
10
de los cálculos en '3 (x) : Apliquemos el algoritmo. Ponemos y = ' 1;111111111:
9
p
y 10 y
'3 (x) = 1 + 1+ ;
2 3 p 6
10
'3 (10) = 1;555555556 1;185185185 = 0;306260678:
3
Se requieren de 9 operaciones lementales.
Para n = 7; '7 (x) está de…nido como
p p 3 p 5 p 7
x x ( x) x2 ( x) x3 ( x)
'7 (x) = 1 + + +
1! 3 2! 32 3! 33 4! 34 5! 35 6! 36 7! 37
que se escribe como
p
y y y x y y y
'7 (x) = 1 + 1+ 1+ 1+ 1+ 1+
2 12 30 3 6 20 42
x 10
donde y = : Para x = 10; y = ' 1;111111111; y aplicando el algoritmo, obtenemos
9 9
'7 (x) = 1;608901082 1;260426345 = 0;348474737:
En el siguiente capítulo se tratan las series de potencias, las mismas que se aproximan con sumas
…nitas, las que a su vez se escriben siguiendo un procedimiento similar al discutido en el ejemplo
que acabamos de presentar.
p 1 ( 1)k x 2
k
x P
Note que ' (x) = exp( ) = x 0, y la función 'n es la suma parcial del
3 k=0 k!3k
desarrollo en serie de potencias de ': Para x = 10, los valores que hemos calculado 'n (10) son
aproximaciones de '(10) : p
10
'(10) = exp( ) ' 0;3485085369:
3
4. Este es un ejemplo de una función que posee una discontinuidad evitable.
1 1
1 + x4 3
1 x4 3
Se de…ne la función real ' como sigue: ' (x) = 0 < jxj 1: Se desea
x4
calcular ' (x) para x 2 ]0; 1[ :
Suponemos que con una calculadora de bolsillo (calculadora hipotética) se tiene 10 100 ' 0 pero
10 99 6' 0: Entonces, para 0 < jxj 10 25 se tiene 0 < x4 10 100 ' 0 y no podemos calcular
20 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
' (x) : Para resolver este inconveniente, aplicamos el binomio de Newton con exponente racional
que se de…ne a continuación:
r (r 1) 2 r (r 1) (r 2)
(1 + a)r = 1 + ra + a + a3 + ;
2! 3!
donde r 2 Q con r 6= 0; jaj < 1:
1 1
Apliquemos el binomio de Newton a 1 + x4 3
y 1 x4 3
para 0 < jxj < 1; tenemos
1 1 1 1 1
1 1 2
1 1 4 3 3 3 3 3
1 + x4 3
= 1+ x + x8 + x12
3 2! 3!
1 1 1 1 1 1 1 1 1
1 2 3 1 2 3 4
3 3 3 3 3 3 3 3 3
+ x16 + x20
4! 5!
+
1 1 8 5 12 10 16 22 20
= 1 + x4 x + x x + x + ;
3 9 81 243 729
1 1 4 1 8 5 12 10 16 22 20
1 x4 3
= 1 x x x x x + :
3 9 81 243 729
Entonces
1 1 2 10 44 16
1 + x4 3
1 + x4 3
= x4 + x8 + x + ;
3 81 729
de donde
1 1
1 + x4 3
2 10 1 x4
44 16 3
' (x) = = + x8 + x + 0 < jxj < 1:
x4 3 81 729
En esta nueva formulación de la función '; vemos que se ha eliminado el inconveniente de cálculo
que arriba señalamos. En realidad se tiene una discontinuidad evitable en x = 0: Tenemos
2 2
l m '(x) = ; luego ' (x) ' si 0 < jxj 10 25
x!0 3 3
25
2
Más aún, si 0 < jxj 10 2 ; 0 < jxj8 10 100 ' 0; y ' (x) se aproxima como ' (x) ' :
3
25 25 16
Para x tal que 10 2 < jxj 10 4 ; se tiene 10 200 < jxj 10 100 ' 0; luego ' (x) se aproxima
2 10
como ' (x) ' + x8 :
3 81
25 100
Si 10 4 < jxj 10 24 ' 6;812920691 10 5; entonces ' (x) se aproxima como
2 10 8 44 16 2 10 44 8
' (x) ' + x + x = + x8 ( + x ):
3 81 729 3 81 729
100 100 400
Para x tal que 10 24 < jxj 10 32 se tiene 10 3 < jxj32 10 100 ' 0; en cuyo caso
2 10 8 44 16 718 24 2 10 44 718 8
' (x) ' + x + x + x = + x8 + x8 + x :
3 81 729 19683 3 81 729 19683
Así sucesivamente.
Para x tal que 10 1 < jxj 1; calculamos ' (x) con la expresión que se de…nió originalmente. Así,
1 1
1 + (0;1)2 (0;1)4
3 3
1 1;000033332 0;9999666656
' (0;1) = 4 ' ' 0;6666664;
(0;1) (0;1)4
1 1
1 + (0;2)2 (0;2)4
3 3
1 1;000533049 0;999466382
' (0;2) = 4 ' ' 0;666666875:
(0;1) (0;2)4
2 10
Note que si se utiliza el desarrollo de ' (x) = + x8 + ; se obtiene ' (0;2) ' 0;6666669827
3 81
que es mucho más exacto que el precedente:
1.3. EJEMPLOS DE ALGORITMOS Y PROBLEMAS 21
f (x0 + h) :f (x0 )
f 0 (x0 ) ' :
h
En la …gura siguiente se muestra la grá…ca de una función f de…nida en ]a; b[ y la recta secante que
une los puntos (x0 ; f (x0 )) y (x0 + h; f (x0 + h)) en los casos h < 0 y h > 0:
Figura 5 Figura 6
y1 y0
h x0 + h y0 y1 f 0 (x0 ) ' y00 = :
h
0;1 1;4 5;0625 3;8416 12;209
0;005 1;495 5;0625 4;995336751 13;4326498
0;00005 1;499995 5;0625 5;0624325 13;5
0;05 1;55 5;0625 5;77200625 14;190125
0;0005 1;5005 5;0625 5;069253376 13;506752
0;000005 1;500005 5;0625 5;0625675 13;5
En base a la de…nición de derivada numérica así como al proceso de cálculo seguido en el ejemplo,
se propone como ejercicio elaborar el algoritmo correspondiente.
En un capítulo más adelante se verán otros métodos numéricos de cálculo de f 0 (x0 ) y de derivadas
de orden superior. Igualmente, se tratará el cálculo aproximado de derivadas parciales.
Sean a; b 2 R con a < b; u una función real continua de…nida en [a; b]. Se considera el siguiente
problema:
Z b
hallar I (u) = u (x) dx:
a
Como es conocido, la integral de…nida de una función continua está bien de…nida. Para el cálculo de
I (u) se consideran dos casos: el primero en el que podemos encontrar una función primitiva F de
u, esto es, una función F tal que F 0 (x) = u (x) 8x 2 [a; b] y en consecuencia I (u) = F (b) F (a) :
En el segundo caso, no podemos encontrar una función primitiva de u; con lo que el cálculo de I (u)
debemos realizarlo en forma aproximada. Para el efecto, elegimos el método conocido como la regla
del rectángulo que describimos a continuación.
1
donde ti = xi 1+ hi es el punto medio del intervalo [xi 1 ; xi ] : La función vm se le llama interpolante
2
de u.
En la …gura siguiente se muestra la grá…ca de una función u de…nida en [a; b] ; la partición (m)
1.3. EJEMPLOS DE ALGORITMOS Y PROBLEMAS 23
Figura 7
Entonces
Z b m Z
X xi m Z
X xi
1
I (vm ) = vm (x) dx = vm (x) dx = u xi 1 + hi dx
a xi 1 xi 1
2
i=1 i=1
m
X 1
= hi u xi 1 + hi :
2
i=1
La aproximación I (vm ) de I (u) se llama regla del rectángulo. Note que el problema de cálculo de la
Pm 1
integral I (u) se le ha tansformado en uno más sencillo que es calcular I (vm ) = hi u xi 1 + hi
i=1 2
Puesto que la función u se ha discretizado según la partición (m) de [a; b] ; se tiene un conjunto de
puntos u (a) ; u (ti ) i = 1; : : : ; m; u (b) ; en el cálculo de I (u) se comete un error de discretización.
En análisis numérico interesa mucho estimar el error de discretización en el cálculo numérico
de integrales de…nidas y particularmente del método de la regla del rectángulo, esto es, estimar
jI (u) I (vm )j y probar que I(vm ) ! I (a) ; en un cápitulo posterior se tratarán todos estos
m!1
problemas.
Algoritmo
Datos de entrada: a; b 2 R; m 2 Z+ ; función u:
Datos de salida: I (vm ) ; mensaje.
1. Veri…car a < b: Caso contrario, continuar en 8).
b a
2. Calcular h = :
m
3. j = 0; 1; : : : ; m
xj = a + jh
Fin de bucle j.
4. S = 0:
5. j = 1; : : : ; m
tj = xj 1 + 0;5h
S = S + u (tj )
Fin de bucle j:
6. I (vm ) = hS:
7. Imprimir I (vm ) : Continuar en 9).
24 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
8. Mensaje: a < b:
9. Fin.
Como aplicación de la regla del rectángulo consideramos la función u de…nida como u (x) = x3 x 2
1
[1; 2] y m = 10: Se considera la partición uniforme. Se de…ne h = = 0;1; la partición (10) del
10
intervalo [1; 2] está de…nida como (10) = f1; 1;1; 1;2; : : : ; 1;9; 1g : Entonces
10
X 10
X 10
X
1
I (v10 ) = hi u (ti ) = hi u xi 1 + hi = hu (xi 1 + 0;05)
2
i=1 i=1 i=1
= 0;1 [u (1;05) + u (1;15) + + u (1;95)] = 3;74625:
El valor exacto es Z Z
2 2 2
1 4 15
I (u) = u (x) dx = x3 dx = x = = 3;75:
1 1 4 1 4
Note que jI (u) I (v10 )j = 0;00375:
7. Ecuaciones diferenciales
Sean T > 0; f una función real de…nida en [0; T ] R: Suponemos que f es continua, más aún, se
supone que f satisface la condición de Lipschitz que se indica a continuación
Por la hipótesis impuesta sobre f; se sabe que dicho problema tiene solución única. En la generalidad
de los casos, la función u no puede determinarse explícitamente, esta viene representada como una
integral de una función que no puede integrarse con funciones elementales lo que di…culta el cálculo
numérico de u (t) t 2 [0; T ] : Frente a estos dos hechos, la idea es aproximar la solución de la
ecuación diferencial en forma numérica.
Sean m 2 Z+ ; (m) = ft0 = 0; t1 ; : : : ; tm = T g una partición de [0; T ] donde tj 1 < tj j =
b
1; : : : ; m: Ponemos hj = tj 1 tj j = 1; : : : ; m y h = max hj : Si se elige una partición uniforme,
j=1;:::;m
T
se tiene tj = jh j = 0; 1; : : : ; m con h = :
m
u (t + h) u (t)
De la de…nición de u0 (t) = l m se sigue que para h su…cientemente pequeño y no
h!0 h
nulo,
u (t + h) u (t)
u0 (t) ' t 2 ]0; T [ ;
h
y como u0 (t) = f (t; u (t)) entonces
u (t + h) u (t)
' f (t; u (t)) t 2 ]0; T [ ;
h
luego
u (t + h) ' u (t) + hf (t; u (t)) ;
y en t = tj ; se obtiene
que se conoce como esquema numérico de Euler explícito, lo que a su vez da lugar al siguiente
algoritmo.
Algoritmo
Datos de entrada: m; función f (t; u (t)) ; u0 ; T:
Datos de salida: tj ; uj ; j = 0; 1; : : : ; m:
T
1. Poner h = :
m
2. (m) = ftj = jh j j = 0; 1; : : : ; mg :
3. Para j = 0; 1; : : : ; m 1
uj+1 = uj + hf (tj ; uj )
Fin de bucle j:
4. Imprimir resultados: tj ; uj j = 0; 1; : : : ; m:
5. Fin.
u0 (t) = u (t) + t t 2 ]0; 0;5[ ;
Apliquemos el método de Euler explícito al siguiente ejemplo:
u (0) = 0:
Tenemos f (t; u (t)) = u (t) + t: En este caso la solución u (t) se determina mediante el conocido
método de separación de variables, se obtiene u (t) = (t + 1) + et t 2 [0; 0;5] :
0;5
Sean m = 5; h = = 0;1 y (5) = f0; 0;1; : : : ; 0;5g una partición de [0; 0;5] ; u0 = 0: Los
5
resultados del método de Euler explícito se muestran a continuación.
u1 = u0 + h (u0 + t0 ) = 0 + 0;1 (0 + 0) = 0;
u2 = u1 + h (u1 + t1 ) = 0 + 0;1 (0 + 0;1) = 0;01;
u3 = u2 + h (u2 + t2 ) = 0;01 + 0;1 (0;01 + 0;2) = 0;031;
u4 = u3 + h (u3 + t3 ) = 0;03 + 0;1 (0;031 + 0;3) = 0;0641;
u5 = u4 + h (u4 + t4 ) = 0;0641 + 0;1 (0;0641 + 0;4) = 0;11051:
En la …gura siguiente se muestra la grá…ca de la solución u (t) con línea continua y la aproximada
se muestra con sobre la partición de [0; 0;5] :
Figura 8
En la tabla siguiente se muestran los valores exactos de u; los calculados uj sobre la partición (5)
así como ju (tj ) uj j :
j tj u (tj ) uj ju (tj ) uj j
0 0 0 0 0
1 0;1 0;005170918 0 0;005170918
2 0;2 0;021402758 0;01 0;011402758 :
3 0;3 0;049858808 0;031 0;018858808
4 0;4 0;091824698 0;0641 0;027724698
5 0;5 0;148721271 0;11051 0;038211271
26 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
Note como se incrementa el error. Esta clase de problemas se abordarán en el último capítulo,
donde se hará un análisis de la convergencia de los métodos y en particular de este método de Euler
explícito.
Entre los sistemas de numeración más usados tenemos el sistema decimal o de base 10 cuyas cifras
decimales son los enteros comprendidos entre 0 y 9. El número 10 es llamado base de dicho sistema.
Otro de los sistemas de numeración más utilizados es el binario o de base 2, cuyas cifras binarias son los
dígitos 0 y 1: En este sistema, un número entero positivo A lo representaremos como A = (an an 1 : : : a0 )2 ;
donde ai 2 f0; 1g i = 0; : : : ; n: ¿Cuál es la representación de este número A en el sistema decimal? A
continuación abordamos el problema de la conversión entre estos dos sistemas de numeración.
Es claro que el número entero 0 se representa como 0 en el sistema decimal y como (0)2 en el sistema
binario.
Sea A = (an an 1 : : : aP
0 )2 un número binario. Para convertir el número A al sistema decimal le asociamos
el polinomio P (x) = nk=0 ak xk , donde ak 2 f0; 1g k = 0; : : : ; n son las cifras binarias del número A;
y evaluamos P (2) usando el esquema de Hörner. Así A = P (2) en el sistema de numeración decimal.
Ejemplo
Sea u 2 Z. Recordemos que un número entero u se dice par si y solo si existe j 2 Z tal que u = 2j; y u
se dice impar si y solo si existe j 2 Z tal que u = 2j + 1:
M a0
Determinada la cifra a0 , pasamos a determinar la cifra a1 . De…nimos M1 = 2 = a1 + a2 2 + ::: +
an 2n 1 : Luego,
M1 impar , a1 = 1; y, M1 par , a1 = 0:
M1 a1
De manera análoga a la precedente, de…nimos M2 = 2 = a2 + a3 2 + : : : + an 2n 2; entonces
M2 impar , a2 = 1; y, M2 par , a2 = 0:
Algoritmo
Dato de entrada: M:
2. M0 = M .
3. i = 0; 1; : : : ; n 1
0; si Mi es par,
ai =
1; si Mi es impar.
Mi ai
Mi+1 =
2
Fin de bucle i.
4. an = Mn .
6. Fin.
Ejemplos
2. Sea M = 729: Se tiene que n = 9 y la aplicación del algoritmo nos da 729 = (1011011001)2 :
Caso fraccionario.
De…nición 2
1
X
i. La serie ak 2 k se llama fracción binaria, donde ak 2 f0; 1g 8k 2 Z+ :
k=1
ii. La fracción binaria se dice …nita si 9n0 2 Z+ tal que 8n n0 , an = 0. De otro modo, la fracción
binaria se dice in…nita.
P1 k k k,
Observación: la serie k=1 ak 2 es convergente, pués ak 2 2 8k 2 Z+ , y
1
X 1
X 1
X
k k k
ak 2 ak 2 2 = 1:
k=1 k=1 k=1
P1 k
Sea S = k=1 ak 2 una fracción binaria. En el sistema binario escribimos S = (0:a1 a2 a3 : : :)2 :
Ejemplo
El número (0;00111 : : :)2 es una fracción binaria in…nita y representa a 0;25, mientras que el número (0;01)2
es una fracción binaria …nita y también representa a 0;25. Este último es consecuencia del redondeo del
primero, que se tratará más adelante.
P
n
Dada una fracción binaria …nita (0:a1 a2 a3 : : : an )2 , asociamos a la misma el polinomio P (x) = ak xk
k=1
x 2 R: Para determinar el valor del número binario en el sistema decimal, calculamos el valor de P (0;5)
usando el esquema de Hörner. Por tanto (0:a1 a2 : : : an )2 = P (0;5) en el sistema decimal.
Ejemplos
2. Sea b = (0;101101)2 : El polinomio asociado al número b es P (x) = x+x3 +x4 +x6 x 2 R: Entonces
b = P (0;5) = 0;703125:
Primeramente, se debe tener presente que, en general, un número real no admite una representación
binaria …nita. Por ejemplo, un número real que admite una representación decimal in…nita seguramente
su representación binaria no es …nita. Además, si un número real tiene representación decimal …nita no
siempre admite representación binaria …nita, así los números 0;1 y 0;01 no admiten representación binaria
…nita pero si periódica.
Sea b 2 R tal que 0 < b < 1: Fijado n 2 Z+ , determinemos las n primeras cifras binarias de b, esto es,
determinamos la fracción binaria …nita (0:a1 a2 : : : an )2 que lo notamos b1 = (0:a1 a2 : : : an )2 : Tenemos
1 2 3 n
b1 = a1 2 + a2 2 + a3 2 + : : : + an 2 ()
1 2 n+1
2b1 = a1 + a2 2 + a3 2 + : : : + an 2 ;
a1 = 0 , 2b < 1; y, a1 = 1 , 2b 1:
a2 = 0 , b2 < 1; y, a2 = 1 , b2 1:
de donde
ak = 0 , bk < 1; y, ak = 1 , bk 1:
Algoritmo
Datos de entrada: b; n:
1. b1 = b:
2. k = 1; : : : ; n 1
1; si 2bk 1;
ak =
0; si 2bk < 1:
bk+1 = 2bk ak
1; si 2bn 1;
3. an =
0; si 2bn < 1:
5. Fin.
Ejemplos
1
1. Sean b = . Determinemos las primeros cinco cifras binarias de b: Tenemos n = 5: En la tabla
3
siguiente se ilustran los resultados de la aplicación del algoritmo precedente.Tenemos,
i 1 2 3 4 5
1 2 1 2 1
bi
3 3 3 3 3
2 4 2 4 2
2bi
3 3 3 3 3
ai 0 1 0 1 0:
Las cinco primeras cifras binarias de b son: (0: 0 1 0 1 0)2 : La fracción binaria …nita (0: 0 1 0 1 0)2
es una aproximación de b:
i 1 2 3 4 5 6 7 8 9 10
bi 0;1 0;2 0;4 0;8 0;6 0;2 0;4 0;8 0;6 0;2
2bi 0;2 0;4 0;8 1;6 1;2 0;4 0;8 1;6 1;2 0;4
ai 0 0 0 1 1 0 0 1 1 0:
P
1
Observación. Supongamos que b = ak 2 k, y eb = (0:a1 : : : an )2 : Sea 0 < T ol < 1 su…cientemente
k=1
eb < T ol: Sea xn = P ak 2
n
pequeño. Determinemos n tal que b k: Entonces
k=1
1
X
k n
b xn = ak 2 2 < T ol:
k=n+1
Basta elegir n como el más pequeño número entero positivo tal que 2 n < T ol: Para tal n resulta que
P
n
la fracción binaria …nita eb = (0:a1 : : : an )2 en decimal es xn = ak 2 k : A esta fracción binaria …nita la
k=1
denominaremos aproximación de b con una precisión T ol:
Ejemplo
1
Sean b = (0;001111 : : :)2 ; eb = (0;01)2 ; T ol = 10 5 : Entonces b eb = n < T ol = 10 5: Se tiene n = 19
2
y consecuentemente
X19
eb = 1 1
ak 2 k = = 0;25:
4 219
k=1
1
X 1
Note que b = (0;001111 : : :)2 = 2 k = = 0;25; y eb = (0;00111 : : : 1)2 ' (0;01)2 = 0;25:
4
k=3
El algoritmo de conversión de decimal a binario para el caso entero puede ser utilizado para determinar las
n primeras cifras binarias de un número real b 2]0; 1[: En efecto, sea b 2 R+ con 0 < b < 1: Supongamos
P
1
que b = ak 2 k una fracción binaria. Para n 2 Z+ buscamos una aproximación binaria …nita de la
k=1
forma eb = (0:a1 a2 : : : an )2 : Entonces
n
X
eb = P 1 k 1 n
= ak 2 = a1 2 + : : : + an 2 ;
2
k=1
de donde
2neb = an + an 1 2 + : : : a1 2n 1
:
Puesto que 2n b, en general, no es un entero y como
2n b = a1 2n 1 + : : : + an 1 2 + an + an+1 2 1
+ an+2 2 2
+ :::
= 2 n ~b + an+1 2 1 + an+2 2 2 + : : : ;
entonces M = [2n b] = 2neb; donde [ ] denota la función mayor entero menor o igual que x y para números
reales positivos coincide con la parte entera de dicho número: Resulta que M = (a1 a2 : : : an )2 cuyas cifras
binarias pueden ser determinadas por aplicación del algoritmo de conversión de decimal a binario para
M 2 Z+ ya descrito anteriormente.
Sea N 2 Z+ con N > 1. En el sistema de numeración de base N , los dígitos de dicho sistema son
0; 1; : : : ; N 1 si N 10, y si N > 10 los dígitos de dicho sistema son 0; 1; : : : ; 9 y para las N 10 cifras
sucesivas se utilizan otros símbolos, por ejemplo las letras A; B; C; : : : en ese orden.
Luego P (8) = 7 + 8(4 + 8(3 + 7 8)) = 3815 en base 10. Así (7347)8 = 3815:
Para elaborar un algoritmo de conversión de base 10 a base N, debemos primeramente revisar el algoritmo
de la división de Euclides y las clases residuales.
El algoritmo de la división de Euclides se establece en los siguientes términos: dados a; b 2 Z+ , existen
c; r 2 N tales que 0 r < b, y a = bc + r: El número natural c se llama cociente y r se llama residuo. Por
ejemplo, si a = 23, b = 5, entonces 23 = 4 5 + 3; donde c = 4 y r = 3.
Por otro lado, la congruencia módulo m se de…ne como a continuación se indica: dados m 2 Z+ , a; b 2 Z,
se dice que a y b son congruentes módulo m que se escribe a b mod(m) si y solo si existe c 2 Z tal que
a b = cm: Es inmediato veri…car que la relación de congruencia módulo m es una relación de equivalencia
y que dicha relación de…ne una partición de Z en clases residuales notadas como [0]; [1]; ; [m 1] tales
que
El procedimiento descrito para obtener las cifras binarias de un número en base 10 equivale a aplicar el
algoritmo de la división de Euclides: a = 2c + r; donde c 2 N y r 2 f0; 1g.
Este procedimiento puede extenderse de modo similar a otras bases. En efecto, sea M 2 Z+ expresado en
el sistema decimal, N 2 Z+ con N > 1 la nueva base. Por el algoritmo de la división de Euclides, se tiene
que M = cN + r; donde r 2 N tal que 0 r < N: Las clases residuales módulo N son: [0]; [1]; : : : ; [N 1].
El algoritmo de conversión de base 10 a base N se describe a continuación.
Algoritmo
Datos de entrada: M; N
Dato de salida: (an an 1 : : : a0 )N :
ai = r si Mi 2 [r];
Mi ai
Mi+1 =
N
Fin de bucle i.
4. an = Mn .
5. Imprimir M = (an an 1 : : : a0 )N :
6. Fin.
Ejemplo
Ejemplos
1685
1. El número x = = 561;6666 : : : se escribe en punto ‡otante normalizado 0;5616666 : : : 103
3
y como número de máquina en punto ‡otante (por ejemplo para una calculadora de bolsillo)
0;5616666667 103 :
Fijado el número de cifras decimales m, debe notarse que la mantisa más pequeña es a = 0;1 y no
a = 0;0 01 y la mantisa más grande es a = 0;9 9.
En el sistema binario, la representación de números reales es análoga. Un número real x 6= 0 tiene una
representación binaria normalizada que se escribe como sigue:
x = sign(x) a 2p ;
P1
donde a 2 [ 12 ; 1[ y p 2 Z. El número a se expresa como una serie binaria i=1 ai 2
i y jpj se escribe
como un entero en binario, esto es:
n
X
jpj = (pn pn 1 : : : p0 )2 = p i 2i :
i=0
Ejemplos
29 9 9:
2. 0;001 = 2 = 0;512 2
1000
Una cifra binaria se denomina bit. Si el número de bits asignados para almacenar el número es …jo, un
número de máquina tiene una forma de punto ‡otante binaria normalizada
8 b = sign(b) a 2p ; que
< un bit para el signo de b;
puede almacenar exactamente usando los siguientes grupos de bits: r bits para el exponente jpj;
:
m bits para la mantisa a:
34 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
Es decir que un número de máquina b en punto ‡otante binario normalizado requiere para su
representación de m + r + 1 bits, a condición de que dicho número de bits sea …jo. Además,
y el número positivo más pequeño es 2 2r : Este último se obtiene del modo siguiente:
q 1 q q 1
b = (0:b1 : : : bm )2 2 (0;10 : : : 0) = 2 =2 ;
2
donde q 0. Como 0 q 2r 1, entonces q 2r + 1; y en consecuencia b 2 q 1 =2 2r :
En la actualidad se tiene los siguientes tipos de representación de números reales: simple precisión, doble
precisión y doble precisión extendida. El estudiante debe conocer cuantos bits se requieren para la mantisa
y cuantos para el exponente. Por ejemplo para ciertos tipos de máquinas se tiene 1 bit para el signo,
para doble precisión se tienen 23 bits para la mantisa y 8 bits para el exponente, para doble precisión
extendida se tienen 47 bits para la mantisa y 16 bits para el exponente. Si se dispone de 64 bits para
representar un número en doble precisión extendida, estos se dispone de la manera siguiente: 47 bits para
la mantisa, 1 bit para el signo y 16 bits para el exponente.
Observación.
1. En una calculadora de bolsillo, el número de bits para representar la mantisa así como su equivalente
en base 10 es, generalmente …jo. En un computador se tiene alguna ‡exibilidad para almacenar
mantisas de diferentes tallas. Además, la aritmética que utilizan puede ser binaria (base 2), octal
(base 8), hexadecimal (base 16).
2. En las calculadoras se almacena el exponente p con un corrimiento de 100, de tal manera que el
exponente corrido E + 100 es un entero no negativo entre 0 y 199. De este modo se evita utilizar
un bit para el signo del exponente. Así por ejemplo:
1685
x= = 0;5616666667 103 ; p + 100 = 103:
3
2r 1
p 2r 1 p0 = 2r 1 2r 1
= 2r 1
1:
1.6. TIPOS DE ERRORES 35
En el análisis numérico, uno de los problemas fundamentales es el estudio o análisis del error cometido en
cada uno de los métodos de aproximación que se proponen. Interesa establecer la exactitud y precisión en
el cálculo de la solución de un problema (P ), la minimización de los errores cometidos en el cálculo de la
solución aproximada de (P ). Se distinguen varios tipos de errores que limitan la exactitud. Estos pueden
clasi…carse en tres grupos: errores en los datos de entrada o errores inherentes; errores de redondeo y
errores de aproximación.
2. Errores de redondeo. Estos errores son debidos a la necesidad de trabajar con números de
máquina. Dependen casi exclusivamente del instrumento de cálculo a disposición. La evaluación
rigurosa es, a menudo, muy complicada. Para el cálculo de la solución de ciertos problemas que
consideraremos más adelante, los errores de redondeo tienen una in‡uencia enorme que puede
arruinar los resultados. Por tanto es de mucha importancia el poder controlarlos.
A continuación presentamos tres números reales y sus aproximaciones con 8, 16, 24, 32 cifras luego
del punto decimal, las mismas que han sido obtenidas con el programa de Matemática. El símbolo
' se utilizará en lo sucesivo para indicar aproximación. Tenemos,
805 805
' 7;25225225; ' 7;252252252522522525;
111 111
805
' 7;252252252522522525225225;
111
805
' 7;25225225252252252522522525225225;
111
805
Note que el número es un número racional, su representación decimal es in…nita y periódica.
111
Basta conocer el primer período de su representación decimal y con esta puede escribirse el número
con el número de cifras que se desee.
Al representar los números reales como aproximaciones con un número determinado de cifras
decimales, se comete un error de redondeo que trataremos más adelante.
3. Errores de aproximación. Este tipo de errores se dividen en dos grupos: los errores de
truncamiento y los errores de discretización.
a) Errores de truncamiento. Consideremos los siguientes ejemplos.
P
1
1. Sean (an ) una sucesión numérica real y an una serie que suponemos convergente. Denotamos
n=0
P
1
con S su suma, esto es, S = an : Con frecuencia, el cálculo exacto de S es muy difícil de obtener,
n=0
por lo que se recurre al cálculo aproximado. La idea es aproximar la suma S a través de un número
P
m
…nito m de términos, digamos Sm = an : Este procedimiento produce un error denominado
n=0
de truncamiento. La determinación del número de términos necesarios para la aproximación de la
solución S es importante, pués evita la ejecución de cálculos que no mejoran la precisión de la
solución, y, disminuyen los costos numéricos.
P
1
2. Sean (fn ) una sucesión de funciones de…nidas en un intervalo [a; b] de R y fn una serie de
n=0
funciones que suponemos converge uniformemente en el intervalo [a; b]: Se de…ne la función f como
P
1
sigue: f (x) = fn (x) x 2 [a; b]. Nos interesamos en trazar la grá…ca de la función f: En la
n=0
generalidad de situaciones resulta complicado, y en ocasiones imposible, el cálculo de cada f (x):
Una forma de resolver este problema es aproximar cada f (x) con una suma …nita de términos de
P
1
la serie fn (x), la misma que se elige apropiadamente en función de la precisión que deseamos
n=0
obtener. Este proceso de aproximación provoca un error denominado de truncamiento. Por otro lado,
dado el volumen de cálculo a realizar es conveniente elaborar un algoritmo numérico para calcular
cada f (x): Cuando la serie converge rápidamente este es el camino a seguir. Lastimosamente, en
ocasiones, el solo hecho de limitar a un número …nito de términos no basta sobre todo en el caso
de series que convergen lentamente, esto conduce a proponer otro tipo de problema que consiste
en la búsqueda de un método para acelerar la convergencia de la serie, una vez logrado esto, se
pasa a calcular los valores aproximados de f (x): En un capítulo posterior se estudian esta clase de
problemas.
b) Errores de discretización. Consideremos los siguientes ejemplos.
1) Sea v una función real continua en el intervalo cerrado [a; b]: Queremos calcular v(x) con x 2 [a; b];
lastimosamente la función v no es conocida en todo el intervalo [a; b] sino en un conjunto …nito de
m + 1 puntos de una partición (m) = fx0 = a; x1 ; ; xm = bg de [a; b]; donde xi 1 < xi
i = 1; 2
; m; digamos S = f(xi ; v(xi )) 2 R j i = 0; 1; ; mg. Este problema (P ) se presenta
con mucha frecuencia y se le conoce como problema de interpolación. La idea es aproximar v(x)
mediante vh (x) de una función vh de…nida en [a; b] que sea mucho más simple de calcular de modo
P
i=m
que vh (xi ) = v(xi ) i = 0; 1; ; m; esto conduce a construir la función vh como vh = v(xi )'i ;
i=0
donde f'0 ; ; 'm g es un conjunto de funciones que se construyen apropiadamente. La función vh
así de…nida se conoce con el nombre de función interpolante de v. Este proceso produce un error
denominado de discretización. En un capítulo posterior se estudia este tipo de problemas.
En la …gura siguiente se muestra la grá…ca de una función continua v de…nida en el intervalo [0; a]
con a > 0; y la de una función interpolante vh (segmentos de recta) de v: Se muestran también los
1.6. TIPOS DE ERRORES 37
Figura 9
donde f 2 C( [0; L]); con C k ([0; L]) el espacio de funciones que poseen derivada continua en el
intervalo [0; L]; k = 0; 1; ; y se pone C([0; L]) = C 0 ([0; L]). Este problema es parte de la familia
de los denominados problemas unidimensionales de valores en la frontera. Con la hipótesis sobre f;
se demuestra que este problema tiene solución única u 2 C 2 ([0; L]). Para ciertos tipos de funciones
f se puede encontrar soluciones explícitas que no se representan como integrales, para otros tipos de
funciones f las soluciones se expresan como integrales de las que no pueden calcularse sus primitivas
o que resultan difíciles de calcularse. Por otro lado, se tiene interés en calcular numéricamente la
solución u(x) x 2 [0; L]: Todos estos argumentos nos conducen a resolver el problema de valores
en la frontera en forma numérica, es decir, proceder a discretizar dicho problema. Para el efecto, sea
m 2 Z+ ; (m) = fx0 = 0; x1 ; ; xm = Lg una partición de [0; L]; donde xj 1 < xj j = 1; ; m:
Ponemos hj = xj xj 1 j = 1; ; m; h = maxfhj j i = 1; ; mg: En el caso de una partición
L
uniforme, se de…ne h = y xj = jh j = 0; 1; ; m: Consideremos una partición uniforme. Se
m
denota con uj a una aproximación de u(xj ) j = 0; 1; ; m: En el capítulo 2 mostraremos que
u00 (x) se aproxima mediante el cociente denominado diferencias …nitas centrales de segundo orden
que se indica a continuación:
u(xj+1 ) 2u(xj ) + u(xj 1)
u00 (xj ) ' j = 1; ;m 1:
h2
Con esta aproximación, el problema propuesto de valores en la frontera se aproxima como
8
< u(xj+1 ) 2u(xj ) + u(xj 1 )
+ u(xj ) ' f (xj ) j = 1; ; m 1;
: u(x ) = 0; h2
0 u(xm ) = 0;
hallar !
u = (u1 ; ; um 1 ) 2 Rm 1 solución del sistema de ecuaciones lineales
( u 2uj + uj 1
j+1
+ uj = f (xj ) j = 1; ; m 1;
h2
u0 = 0; um = 0:
Este proceso de discretización del problema de valores en la frontera, produce un error denominado
error de discretización.
38 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
Hemos visto que los números de máquina en punto ‡otante satisfacen la desigualdad:
2r 1 r
2 jbj 1 22 1
;
2m
donde r; m son enteros positivos. Además, todo número de máquina se escribe en la forma
Sea A el conjunto de tales números. Se sigue que el conjunto de números de máquina es …nito. El problema
que se presenta es el siguiente: ¿cómo aproximar un número x 2 = A por un número y 2 A?
1 r
1. x > 1 22 1:
2m
2r 1 r
2. 2 x 1 22 1:
2m
3. 0 < x < 2 2r :
1.7. ERRORES DE REDONDEO 39
2r ; 1 r
Comenzaremos con el caso 2): Sea M = 2 1 22 1 R. Se tiene que A M:
2m
La métrica usual d en R está de…nida como d(x; y) = jx yj 8x; y 2 R:
jx ej = d(x; A)
x jx yj 8y 2 A:
Por tanto la aproximación de cualquier número x 2 (M n A) por un número notado como rd(x) 2 A debe
satisfacer la siguiente condición:
jx rd(x)j jx yj 8y 2 A:
Ejemplo
Supongamos que nuestro conjunto A está constituido por números reales de la forma 0:a1 a2 a3 a4 10p ;
donde ai 2 f0; 1; ; 9g; p 2 Z y a1 6= 0. Note que la mantisa de los elementos del conjunto A únicamente
tienen 4 dígitos, que escribiremos t = 4: Entonces rd(0;14285 100 ) = 0;1429 100 ; pués
En general, para encontrar rd(x) con t dígitos, se procede del modo siguiente: el número jxj 2 (M n A) es
1
representado en forma normalizada: jxj = a 10b , de modo que jaj 1. Sea a = 0: 1 2 : : : t t+1 : : :
10
la representación decimal de a, donde 0 i 9 8i = 1; 2; : : : ; 1 6= 0. De…nimos
0: 1 2::: t; si 0 t+1 4;
a
~=
0; 1 2::: t + 10 t ; si 5 t+1 9:
1 1; si x < 0;
Como 1 1 9 entonces jaj 0: 1 = 0;1. Se pone sign(x) = y
10 1; si x > 0;
rd(x) = sign(x) a
~ 10b :
rd(x) x
"x = x 6= 0:
x
Se tiene que si
rd(x) x
= "x ) rd(x) = x(1 + "x ), con j"x j eps:
x
El número rd(x) 2 A tiene la propiedad:
jx rd(x)j jx yj 8y 2 A:
En el sistema binario, rd(x) está de…nido de modo análogo. Comenzamos con la escritura de x en la
forma. jxj = a 2b ; donde a = 0: 1 2 : : : t t+1 : : : ; i 2 f0; 1g; i = 1; 2; : : : ; y 1 = 1. Se tiene
1
1>a : Se de…ne
2
0: 1 : : : t ; si t+1 = 0;
a
~=
0: 1 : : : t + 2 t ; si t+1 = 1:
Puesto que un número …nito de números b son útiles para expresar los exponentes en aritmética de punto
‡otante, hay desgraciadamente números x 2= A tales que rd(x) 2= A. Así, si t = 4 y b = 2, consideramos
los siguientes ejemplos:
En los ejemplos 1) y 2), el exponente positivo es demasiado grande para almacenarlo en la memoria del
computador, en estas condiciones se dice que el exponente está excedido de la capacidad de representación
de exponentes en el computador, este caso se lo conoce como exponente en over‡ow. En el ejemplo 2)
existe un over‡ow solo después de redondear. Situación análoga a la descrita precedentemente se presenta
con los ejemplos 3) y 4); en tales casos se dice exponentes en under‡ow. En caso de under‡ow u over‡ow,
pueden ser controlados, si por ejemplo se escribe:
99 99
rd(0;012345 10 ) = 0;0123 10 2 A;
110
rd(0;54321 10 ) = 0 2 A;
110
rd(0;31794 10 ) = 0;3179 1015 1095 :
Note que los números 0;3179 1015 , y 1095 pertenecen al conjunto A pero 0;3179 1015 1095 2 = A. Para
estos casos no se satisface la relación rd(x) = x(1 + ") j"j eps: En los computadores digitales estos
números x que no pertenecen al conjunto M son tratados como irregularidades o errores en los datos.
En el caso de under‡ow, rd(x) puede ser indicado por 0 o se produce una detención en la ejecución del
programa. En el caso de over‡ow, rd(x) es indicado como un error en x y la inmediata detención del
programa en ejecución.
Para evitar estos problemas es necesario incorporar en los programas contraseñas especiales o reescalar
los datos de modo apropiado, lo que se traduce en elaborar programas especiales. Por lo dicho
precedentemente y por abuso de lenguaje, podemos decir que existe una función rd : R ! A de…nida por
rd(x) = x(1 + ") j"j eps.
1.8. ARITMÉTICA DE PUNTO FLOTANTE 41
Operaciones aritméticas
Hemos denotamos con A el conjunto de números de máquina. Sean x; y 2 A, en general, x + y, x y;
x y; x=y y 6= 0; no son números de máquina. De…nimos las operaciones aritméticas ; ; ;
llamadas operaciones de punto ‡otante, como sigue:
a (b c) 6= (a b) c; a (b c) 6= a b a c:
luego
2
a (b c) = rd(0;21345 10 + 0;115 100 ) = rd(0;11714 100 ) = 0;11714 100 ;
a continuación
Sea E una expresión aritmética. En punto ‡otante la evaluación de E se nota con f l(E). Sea E una
función real de…nida en un subconjunto I de R. El valor E(x) en x 2 I en punto ‡otante se nota con
E (x) y se de…ne por
E (x) = f l(E(x)):
Ejemplos
1. Sean a; b; c 2 R:
a) Si E = a + (b + c), entonces f l(E) = a (b c):
b) Si E = (ab)c; f l(E) = (a b) c:
c) Si E = a(b + c); f l(E) = a (b c):
2. Sean a = 0;18 102 ;b = 0;3596 100 ;c = 0;1 101 ;t = 4 el número de cifras de la mantisa; calculemos
a
E = + c en punto ‡otante. De la de…nición de punto ‡otante de E; tenemos
b
f l(E) = rd([0;18 102 0;3596 100 ] 0;1 101 ) = rd(0;50055611 102 0;1 101 )
= rd(0;5006 102 0;1 101 ) = 0;5106 102 :
3. Sea E(x) = sen(x) x 2 R: Entonces E (x) = f l(sen(x)) que lo notaremos sen (x): Para
t = 5; y x = ,se tiene sen( ) = 0;5; mientras que rd( ) = 0;5236 100 y en consecuencia
6 6 6
sen (0;5236 100 ) = 0;5: En el capítulo 3 se propone un algoritmo de cálculo de sen(x) x 2 R.
Por abuso de lenguaje, a las operaciones en punto ‡otante las notaremos del mismo que las operaciones
aritméticas habituales con números reales.
Sea ' : [a; b] ! R una función derivable en ]a; b[. Ponemos y = '(x) x 2 [a; b]. Investiguemos como el
error absoluto 4x de x in‡uye en el cálculo de y, donde 4x = x e xyx e = rd(x): Se pone ye = '(e
x): Nos
interesa determinar la in‡uencia de los errores (redondeo, truncamiento) del dato de entrada x; esto es,
de x en el dato de salida y = '(x); es decir en ye = '(ex) y como medir esa in‡uencia.
Supongamos que la función ' es al menos dos veces derivable en ]a; b[ y que j '00 j es acotada en ]a; b[:
1
x) = '(x) + '0 (x)(e
Por el desarrollo de Taylor, se tiene '(e x x) + (e x x)2 '00 ( ) con entre x y xe; y
2
1
x x)2 = (4x)2 < eps; lo que implica que (e
(e x x)2 j '00 ( ) j' 0:
2
De…nición 5 El error relativo de y se de…ne mediante la relación
ye y
"y = y 6= 0;
y
donde ye = '(e
x).
1
Note que si '00 (x) existe, el término ( x)2 '00 (x) se redondea por 0 debido a que ( x)2 se redondea
2
por 0.
x'0 (x)
De…nición 6 El número real c(x) = con '(x) 6= 0 se llama número de condicionamiento de
'(x)
la función ' en el punto x:
El número de condicionamiento c(x) indica cuán grande es el error relativo de y ante variaciones del dato
de entrada x. Cuando j c(x) j> 1 el error relativo "y se ampli…ca y cuando j c(x) j 1 el error relativo "y
se contrae.
De…nición 7 Diremos que y = '(x) está bien condicionado si jc(x)j 1: En el caso contrario,
diremos que y = '(x) está mal condicionado.
Ejemplos
x
La utilización de g(x) = (e n )n = ex con n 2 Z+ ; x2 R es más ventajoso del punto de vista de la
elaboración de un algoritmo que permita evaluar ex :
2. Sea n 2 Z+ y f la función dada por f (x) = xn x 2 R: Para x 6= 0, tenemos
xf 0 (x) x(nxn 1)
c(x) = = = n:
f (x) xn
Luego y = xn está bien condicionado si y solo si n = 1: Para n > 1; la función f está mál
condicionada, esto signi…ca que la potencia xn está mal condicionada cuando n > 1. Es por esta
razón que se evita el cálculo directo de las potencias. Anteriormente vimos algunos ejemplos de
cálculos con polinomios en los que se evitan los cálculos directos de las potencias, de esta manera
se mejora el condicionamiento con lo que se logra mejorar los resultados.
1
3. Considerar la función f de…nida por f (x) = x n con n 2 Z+ ; x > 0: El número de condicionamiento
está de…nido como 1
xf 0 (x) x n1 x n 1 1
c(x) = = n
= :
f (x) x n
Resulta que y = x1=n está bien condicionado 8x 2 R+ ; n 2 Z+ :
4. Sea f (x) = sen (x) x 2 R. El número de condicionamiento de esta función está de…nido como
x cos(x)
c(x) = x 6= k ; k 2 Z.
sen(x)
Para el análisis del número de condicionamiento c(x) lo dividimos en dos partes.
cos(x)
a) Puesto que c(x) = : Entonces
sen(x)
x
l m cos(x) 1
x!0
l m c(x) = = = 1;
x!0 sen(x) 1
lm
x!0 x
que muestra que en x = 0 se tiene una discontinuidad evitable. Además,
l m x cos(x)
x! 2
l m c(x) = = 0:
x! 2 l m sen(x)
x! 2
x
b) Por otro lado, si escribamos c(x) = : Tenemos
tan(x)
i h i h
jc(x)j 1 , jxj jtan(x)j x2 ; 0 [ 0; :
2 2
De…nimos g(x) = x + tan(x): Resulta que g 0 (x) = 1 + sec2 (x): Entonces
5. Sea ' : R+ ! R función dada por '(x) = y x , donde y > 0 es …jo. Entonces
x
c(x) = ex ln(y)
ln(y) = x ln(y):
ex ln(y)
Luego
1 1 1
jc(x)j 1 , jxj ,x2 ; con y > 0; y 6= 1:
jln(y)j jln(y)j jln(y)j
luego
x 1;414
j"f1 j = f10 (x)"x = 6 (0;414)5 j"x j = 20;636 j"x j :
f1 (x) 0;005
1 6
b) Sea f2 (x) = : Entonces f20 (x) = : Resulta f2 (1;414) = 0;005 y
(x + 1)6 (x + 1)7
x 1;414 6
j"f2 j = f20 (x)"x j"x j = 3;552 j"x j :
f2 (x) 0;005 (1;414 + 1)7
c) Consideramos la función f3 de…nida como f3 (x) = (3 2x)3 : Entonces f30 (x) = 6(3 2x)2 :
Tenemos f3 (1;414) = 0;005; y
1;414
j"f3 j = ( 6(3 2 1;414)2 ) j"x j = 50;198 j"x j :
0;005
1 6
d ) Tal como en los casos precedentes, sea f4 (x) = =) f40 (x) = : Se tiene
(3 + 2x)3 (3 + 2x)4
f4 (1;414) = 0;005; y
1;414 6
j"f4 j = j"x j = 1;471 j"x j :
0;005 (3 + 2 1;414)4
46 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
1 70
e) Sea f5 (x) = =) f50 (x) = : Entonces
99 + 70x (99 + 70x)2
1;414 70
j"f5 j = j"x j = 0;5 j"x j :
0;005 (99 + 70 1;414)2
f ) De la de…nición del algoritmo f6; se sigue que f6 (x) = 99 70x =) f60 (x) = 70:
Resultaf6 (1;414) = 0;020;
1;414
j"f6 j = ( 70) j"x j = 4949;0 j"x j :
0;020
Comparando los números de condicionamiento de cada una de las funciones, observamos que f5
tiene el más pequeño número de condicionamiento, esto es, f5 está bien condicionado, mientras que
f6 tiene el más grande número de condicionamiento, es decir que f6 está mál condicionado
p y de
6
hecho es el peor algoritmo que se puede utilizar para calcular el valor aproximado de ( 2 1) : En
p p 1
conclusión, el mejor algoritmo para el cálculo de ( 2 1)6 con 2 ' 1;414 es f5 = p :
99 + 70 2
Sean Rn un abierto y !
' una función deen Rm que suponemos2 diferenciable
3 en todo punto de ;
'1 (!x)
6 7
la función ' se denomina campo vectorial. Ponemos ~y = ~'(~x) = 4 ...
!
5 ~xT = (x1 : : : ; xn ) 2 ,
' (!
x) m
donde '1 ; ; 'm son campos escalares diferenciables en :
Para ~xT = (x1 : : : ; xn ) 2 ; ponemos x
ei = rd(xi ) eT = (e
i = 1; : : : ; n; y de…nimos x en );
x1 ; : : : ; x
! T
x =x eT ! T
x . El error relativo de xi está de…nido mediante la relación:
x
~i xi
" xi = xi 6= 0; i = 1; : : : ; n:
xi
2 3 2 3 2 3
'1 (ex) ye1 y1 4y1
6 7 6 7 6 .. 7
Se de…ne ye = ! x) = 4 ...
' (e !
5 ; y, 4 y = ye y = 4 ...
!
5=4 . 5:
'm (~
x) yem ym 4yn
yi
Determinemos el error relativo "yi = i = 1; : : : ; m: Usando el desarrollo de Taylor en primera
yi
aproximación, eliminando los desarrollos de orden superior, tenemos
@'i (!
n
X x)
yi = yei yi = 'i (~
x) 'i (~x) = r'i (~x): ~x = (e
xj xj ) :
@xj
j=1
@'i (!
x ) X @'i (!
n
X n
x)
yi = (e
xj xj ) = xj "xj i = 1; : : : ; m:
@xj @xj
j=1 j=1
xj @'i (!x)
Observamos que cada "yi depende de los factores de ampli…cación ' i (!
x ) @xj
de "xj , i = 1; : : : ; m;
j = 1; : : : ; n;
! xj @'i (! x)
Cij ( x ) = ! con 'i (!
x ) 6= 0; i = 1; : : : ; m; j = 1; : : : ; n;
'i ( x ) @xj
En el caso en que m = 1, esto es, ' es un campo escalar, la matriz de condicionamiento de ' en !
x 2
!
se identi…ca con el vector …la C( x ) de…nido como
xi @ ' ! xn @' !
C(!
x) = ! ( x ); : : : ; ! (x) ;
'( x ) @xi '( x ) @xn
De…nimos 2 3
n
X xj @'1 !
2 3 6 ! ( x )"xj 7
" y1 6 '1 ( x ) @xj 7
6 j=1 7
! 6 .. 7 6 .. 7
"! = 4 . 5 = 6 . 7 = C(!
x )!
"! ;
y 6 7 x
" yn 6 X n
xj @'m (!x) 7
4 "xj 5
'm (!x) @xj
j=1
2 3
" x1
! 6 .. 7 ! = C(!
donde " !
x
=4 . 5 : Así, " !
y
x )!
"!x
:
"xn
!
De…nición 9 Se dice que ! y =! ' (!x ) está bien condicionado en !
x 2 si y solo si j Cij ( x ) j 1
8i = 1; : : : ; m; j = 1; : : : ; n. En el caso contrario, se dice que !
y =!' (!
x ) está mal condicionado en
!
x 2 :
k! x) !
' (e ' (!
x) k e !
kx x k !
! ! C ! ' (!
x ) 6= 0; !
x 6= 0;
k '(x) k k x k
Ejemplos
1. Sea ' la función de R2 en R de…nida como '(x; y) = x + y (x; y) 2 R2 : Supongamos que para
(x; y) 2 R2 se tiene z = '(x; y) 6= 0: Determinemos el error relativo de z. Este está dado como
sigue:
x @' y @' x y
"z = (x; y) "x + (x; y) "y = "x + "y :
'(x; y) @x '(x; y) @y x+y x+y
48 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
x
Los números de condicionamiento de ' en (x; y) 2 R2 están de…nidos como Cx = ;
x+y
y
Cy = , y el vector de condicionamiento de ' en (x; y) 2 R2 está de…nido como C(x; y) =
x+y
x y
; :
x+y x+y
Analicemos los números de condicionamiento Cx y Cy :
x > 0; y > 0; o
a) Si entonces j Cx (x; y) j< 1; j Cy (x; y) j< 1: Luego z = '(x; y) está bien
x < 0; y < 0;
condicionado.
b) Si x > 0 e y < 0 tal que x 6= y, entonces al menos uno de los números jCx j o jCy j es mayor que
1; en cuyo caso z = '(x; y) está mal condicionado.
En conclusión, la suma de dos números positivos (respectivamente negativos) está bien
condicionada, mientras que la suma de dos números uno positivo y otro negativo está mal
condicionada, esto equivale a decir que si x; y son números reales positivos, la resta x y está
mal condicionada y consecuentemente la resta de dos números positivos es una operación peligrosa
fundamentalmente si x 6= y; x ' y:
El resultado que acabamos de obtener se puede extender a sumas de tres o más números reales.
Así, sean x1 ; ; xm 2 R y z = x1 + + xm : Entonces z está bien condicionado si y solo si xi > 0
8i = 1; ; m (respectivamente xi < 0 8i = 1; ; m); en el caso contrario tenemos que z está
mal condicionado, más áun, las sumas y restas alternadas de números reales positivos está mal
condicionada, por lo que este tipo de cálculos son peligrosos ya que ampli…can los errores. Para
aclarar más estas ideas, sean x1 ; ; x2m 2 R+ y z = x1 x2 + x3 x4 + + x2m 1 x2m : Esta
suma está mal condicionada, ¿cómo mejorar el resultado? Ecribimos z en la siguiente forma
2. Sea ' la función de R2 en R de…nida como '(x; y) = xy (x; y) 2 R2 : Supongamos que para
(x; y) 2 R2 se tiene z = '(x; y) 6= 0; esto es x 6= 0; y 6= 0; entonces,
x @' y @' x y
C(x; y) = (x; y); (x; y) = y; x = (1; 1):
'(x; y) @x '(x; y) @y xy xy
Se tiene que Cx (x; y) = 1; Cy (x; y) = 1; por lo que el producto de dos números reales no nulos
está bien condicionado y por tanto el producto de dos números no es una operación peligrosa.
Luego p
p @' q @' p + p2 4q
p
"' = "p + p
"q = "p + p "q :
'(p; q) @p '(p; q) @q p2 4q 2 p2 4q
8 p
> p
< Cp (p; q) =
>
p2 4q
;
Los números de condicionamiento de ' están de…nidos como p
> p + p2 4q siempre
>
: Cq (p; q) = p 2 ;
2 p 4q
que (p; q) 2 R2 tal que p2 4q > 0: Analicemos cada uno de estos números de condicionamiento. Si
q < 0; se tiene p
p p + p2 4q
p < 1; p < 1;
p2 4q 2 p2 4q
con lo cual x1 = '(p; q) está bien condicionado. Si q > 0 tal que p2 +4q > 0; ' está mal condicionado.
El número de condicionamiento j Cp (p; q) j es mucho más grande aún en la situación siguiente:
(p; q) 2 R2 tal que q > 0, p2 ' 4q de modo que p2 + 4q > 0: Esto nos muestra que no es conveniente
calcular x1 con la fórmula arriba propuesta, sino con la que se obtiene del modo siguiente:
p p
1 p 1 p+ p2 4q p p2 4q 2q
x1 = p+ p2 4q = p = p :
2 2 p p2 4q p + p2 4q
Se observa que e
t1 es una mejor aproximación de x1 :
Nota. Tomando en consideración el valor absoluto de los números de condicionamiento, de los ejemplos
se establece la jerarquía de las operaciones siguientes: la radicación de números reales positivos, la
suma de números reales positivos (respectivamente suma de números reales negativos) son consideradas
operaciones no peligrosas. A continuación se tiene el producto y cociente de números reales. La
potenciación está bien condicionada si el exponente es igual a 1, por este motivo el esquema de Hörner
evita el cálculo directo de las potencias. La suma de números reales de signos opuestos es una operación
peligrosa ya que al menos un número de condicionamiento es mayor que 1 lo que ampli…ca los errores.
Por esta razón debe evitarse sumas sucesivas con números reales de signos opuestos. De preferencia deben
escribirse los algoritmos de modo que se tengan sumas de números positivos y reducir como sea posible
las sumas de números con signos opuestos. Igualmente, debe evitarse el cálculo directo de las potencias
con exponentes mayores que 1.
Ejemplos
Primer algoritmo. Tenemos E = a + (b + c); que puede verse como la composición de funciones
siguiente:
2 3 2 3
a a
4 b 5 '!
0 4 5 '!
1
a + (b + c);
c b+c
x
donde '0 : R3 ! R2 es la función de…nida por '0 (x; y; z) = ; y '1 : R2 ! R es la función
y+z
dada por '1 (u; v) = u + v.
Luego
E = ('1 '0 )(a; b; c) = '1 ('0 (a; b; c)) = '1 (a; b + c) = a + (b + c):
x+y
donde '0 : R3 ! R2 es la función de…nida por '0 (x; y; z) = ; '1 : R2 ! R es la función
z
de…nida por '1 (u; v) = u + v. Se tiene E = (a + b) + c = ('1 '0 )(a; b; c):
De manera análoga se formula el tercer algoritmo.
Consideremos el segundo algoritmo, esto es E = (a + b) + c: Pongamos Ee = f l((a + b) + c): Según
las operaciones elementales en punto ‡otante, tenemos: = f l(a + b) = (a + b)(1 + "1 );
e = f l( + c) = ( + c)(1 + "2 ) = [(a + b)(1 + "1 ) + c](1 + "2 )
E
= a + b + c + (a + b)"1 + (a + b + c)"2 + (a + b)"1 "2
= E + (a + b)"1 + y "2 + (a + b)"1 "2 :
Luego,
e
E E a+b
"E = = "2 + (1 + "2 )"1 si E = (a + b) + c 6= 0:
E a+b+c
Puesto que j"1 j eps; j"2 j eps, se tiene que "1 "2 ' 0; entonces
a+b
"E = "2 + "1 :
a+b+c
Para el primer y tercer algoritmos, procediendo en forma similar al segundo, se obtienen
respectivamente los resultados siguientes:
b+c a+c
e
"E = e
"2 + ~"1 ; b
"E = b
"2 + b
"1 :
a+b+c a+b+c
Si a; b; c son positivos o todos negativos, los 3 algoritmos están bien condicionados. Mientras que
si, por ejemplo, a < 0, y, b; c son positivos, la evaluación de y dependerá del algoritmo.
Sean a = 0;33341 102 ; b = 0;21345 10 2; c = 0;33456 102 : Calculando con 5 cifras decimales
de precisión, tenemos
' 1 : Rn ! R n 1
; '1 (a1 ; : : : ; an ) = (a1 + a2 ; a3 : : : ; an );
n 1 n 2
'2 : R !R ; '2 (x1 ; : : : ; xn 1) = (x1 + x2 + x3 ; : : : ; xn 1 );
..
.
'n 1 : R2 ! R; 'n 1 (u; v) = u + v:
Entonces
E = 'n 1 'n 2 '2 '1 (a1 ; : : : ; an ) = 'n 1 'n 2 '2 ('1 (a1 ; : : : ; an ))
= 'n 1 'n 2 '2 (a1 + a2 ; a3; : : : ; an ) = 'n 1 'n 2 '3 (a1 + a2 + a3 ; a4; : : : ; an )
..
.
= 'n 1 'n 2 (a1 + a2 + + an 2 ; an 1 ; an ) = 'n 1 (a1 + a2 + + an 1 ; an )
Xn
= ai :
i=1
donde '0 es la función de R2 en sí mismo de…nida como '0 (a; b) = a2 ; b2 (a; b) 2 R2 ; '1 es la
2 2
función de R en R de…nida por '1 (u; v) = u v (u; v) 2 R : Entonces, por la composición de
funciones, tenemos
23
'1 (!x)
6 7
!
y =! x ) = 4 ...
' (! 5
!
x 2 D;
!
' (x) m
donde D Rn , 'j : D ! R; j = 1; : : : ; m.
En cada etapa del cálculo hay un conjunto de números a operarse a partir de datos de entrada xi ;
i = 1; : : : n y cada operación corresponde a la transformación del nuevo conjunto a operarse. Escribamos
secuencialmente el conjunto de datos a operarse como un vector.
2 (i) 3
x1
! (i) 6 .. 7 n
x =4 . 5 2 R i;
(i)
xni
= !
' (r) !
' (r 1) !
x (r 1)
=!
' (r) (xr ):
!
y =!
'r !
'r !
'2 !
' 1 (!
x );
1 2
en aritmética de punto ‡otante, errores en los datos de entrada y errores de redondeo en los resultados
intermedios perturbarán los mismos y en consecuencia afectarán en el resultado …nal.
! !
Sea " 2 Rn y x " = ~x + ~" el dato de entrada perturbado. Sea !
y"= ! ' r 1 'r 2 '2 ! ' 1 (! x " ):
! ! ! ! !
Interesa comparar los resultados obtenidos y = ' ( x ); y y " = ' r 1 'r 2 '2 ' 1 (!
! x " ); es
decir, como los errores de redondeo, de truncamiento afectan en el resultado …nal mediante la ejecución
de la secuencia indicada !' r 1 'r 2 '2 ! ' 1:
De…nición 10 De manera general, diremos que un algoritmo es estable numéricamente con respecto
de otro si pequeñas variaciones en los datos de entrada producen pequeñas variaciones en los datos de
salida. Un algoritmo será inestable si pequeñas variaciones en los datos de entrada producen grandes
variaciones en los datos de salida.
En Análisis Numérico, el estudio de la estabilidad numérica tiene mucha importancia, pués para construir
un algoritmo, entre uno de los requerimientos a veri…car es el de la estabilidad numérica. Si este requisito
no es veri…cado no puede aceptarse al algoritmo como buen algoritmo y puede ser desechado.
Dado un problema (P ) y propuesto un algoritmo de solución, este debe ser bien condicionado y
numéricamente estable. Si además el algoritmo genera una sucesión (Sn ), debe veri…carse que la sucesión
(Sn ) converge a S. Por lo tanto, la elaboración de un algoritmo implica el estudio del condicionamiento,
estabilidad numérica y convergencia.
Notemos que un resultado importante del análisis numérico es el siguiente: si un algoritmo está bien
condicionado y es numéricamente estable entonces el algoritmo es convergente. Usaremos la notación:
(1) (2)
Cuando hay dos o más formas o métodos de construcción de sucesiones (Sn ), (Sn ) que convergen a S;
es importante estudiar no solo la convergencia sino el orden de convergencia de cada método, con lo que
se puede precisar las bondades y las limitaciones de cada uno de ellos.
Ejemplos
1 1
1. Sea fai j i = 1; : : : ; 10000g un conjunto de números reales tales que a1 = 1; a2 = ; : : : ; a10 =
2 10
3.
P
10000
y para i = 11; : : : ; 10000; j ai j' 6 10 Sea S = a2i : Calcular S con una precisión de
i=1
máquina eps = 5 10 4 y que se adapte a la estabilidad numérica.
Consideremos dos algoritmos para la evaluación de S:
54 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
i = 2; : : : ; 10000
Primer algoritmo. Ponemos S = 1; y para Como para i = 11; : : : ; 10000;
S = S + a2i :
jai j ' 6 10 3, entonces a2i ' 0;36 10 4 siendo eps = 5 10 4 resulta que a2i ' 0; con lo cual
10000
X 1 1
a2i = 1 + 2
+ : : : + 2 = 1;5498 = S1 :
2 10
i=1
Segundo algoritmo. Sea jbi j = 100 jai j ' 6 10 1 , entonces b2i ' 0;36 10o > eps; i = 11; : : : ; 10000.
Ponemos
10000
X
1 1
S2 = 1 + 2 + : : : + 2 + 10 4 (100ai )2 :
2 10
i=11
Ahora bien,
10000
X
(100ai )2 ' 10000 0;36 10o = 0;36 104 :
i=11
Luego
10000
X
1 1 4
S2 = 1 + 2
+ : : : + 2 + 10 (100ai )2 ' 1;9098:
2 10
i=11
S1 S j1;5498 1;9094j
j"1 j = 100 = 100 = 18; 8 %:
S 1;9094
S2 S j1;9098 1;9094j
j"2 j = 100 = = 0;00019 %:
S 1;9094
lo que es falso.
1
Para x 2 0; su…cientemente pequeño, podemos suponer x < eps; ¿cómo calcular ' (x) si
2
senh (x)
senh (x) ' 0 y x ' 0? Sabemos que l m = 1: Para responder a la pregunta, recurrimos a
x x!1
la de…nición de la función seno hiperbólico y por el polinomio de Taylor con resto (véase el apéndice)
se tiene para x 2 R
1 x x x3 x5 x2n+1
senh (x) = e e =x+ + + + + E2n+1 (x) ;
2 3! 5! (2n + 1)!
1
Por lo tanto, para x 2 0; se tiene
2
40 1 80 40
' 10 ' 1+ 10 ; R2 (10 ) ' 0;
6
20 1 40 1 80 40
' 10 ' 1+ 10 + 10 ; R4 (10 ) ' 0;
6 120
10 1 1 1 1
' 10 ' 1+ 10 20 + 10 40
+ 10 60
+ 10 80
; R8 (10 40
) ' 0:
6 120 5040 362880
Para x = 0;005; veamos los siguientes resultados. De la de…nición de '; tenemos
senh (0;005)
' (0;005) = ' 1;000004165:
0;005
senh (x) 1 x x
' (x) = = e e x 6= 0;
x 2x
56 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
5 10 3 6
17 10
jR6 (x)j ' 0;31002 10 < 10 :
7!
1
Resultados similares se obtienen en el caso x 2 ;0 :
2
1 1
Para x 2 ; 0 [ 0; ; se dice que el cálculo de ' (x) mediante el polinomio de Taylor con
2 2
error se adapta a la estabilidad numérica y por lo tanto ' (x) es numéricamente estable frente a las
senh (x) 1 x
formas de cálculo de ' (x) como ' (x) = ; o de ' (x) = (e e x ) x 6= 0:
x 2x
3. Sean x0 ; x1 ; : : : ; xn números de máquina
Pn positivos, cuyo número de máquina es ". Entonces el error
de redondeo relativo al calcular k=0 xk de la manera usual es (1 + ")n 1 ' n ".
Xn
So = xo
Sea Sn = xi y S n el resultado de la suma en el computador. Se tiene y
Sk+1 = Sk + xk+1 ;
8 i=0
>
< S o = xo
De…nimos
>
: S k+1 = f l S k + xk+1 :
Sk Sk S k+1 (S k + xk+1 )
"sk = y "k = :
Sk Sk + xk+1
Entonces
P
1
4. Sea S = ak una serie real convergente. Intentamos aproximar S siguiendo 2 etapas. Primero
k=1
P
n
calculamos la suma parcial Sn = an para n grande y a continuación redondeamos Sn reteniendo
k=1
una cierta cantidad de dígitos después del punto decimal. Digamos que se han retenido m dígitos.
¿Se puede asegurar que el último dígito es el correcto?.
1 m:
Sea S n = rd(Sn ). Deseamos que Sn S 2 10 Si Sn se ha redondeado correctamente para
1 m.
obtener S n , entonces S Sn 10 Pero
2
1 m
S S S Sn + jSn Sj 10 + jSn Sj :
2
1 m 6 m
10 + jSn Sj < 10 :
2 10
1
X
de donde jSn Sj < 10 m 1: Luego ak < 10 m 1:
k=n+1
Z 1
5. Sea E(n) = xn ex 1 dx; n = 0; 1; 2; : : : :Para cada n; se desea calcular valores aproximados de
0
E(n). Con este propósito se deben elaborar algoritmos para aproximar E(n): Con este ejemplo
se obtendrán un algoritmo mal condicionado y otro bien condicionado, numéricamente estable y
convergente.
Primeramente analicemos el problema.
Sea fn (x) = xn ex 1 x 2 [0; 1]; n = 0; 1; : Se tiene que fn (x)
8x 2 [0; 1]; 8n = 0; 1; 2; : : : ; 0
Z 1
y como la integral de una función no negativa es no negativa, se sigue que E(n) = fn (x)dx 0.
0
Por otra parte, si 0 < x < 1; xn ! 0; luego fn (x) ! 0 8x 2 [0; 1[, entonces
n!1 n!1
Z 1
l m E(n) = l m xn ex 1
= 0:
n!1 n!1 0
En conclusión E(n) es no negativo, E(n + 1) < E(n) con n = 0; 1; : : : que muestra que E(n) es
decreciente y acotada por 0.
Primer algoritmo. Para n = 0, se tiene
Z 1
E(0) = ex 1 dx = ex 1 1
j0 = 1 e 1
= 0;6321205588 : : : :
0
aproximado de E(n) lo que nos permite obtener el siguiente algoritmo de cálculo para E(n) para
n = 0; 1; ; N.
Algoritmo
Datos de entrada: N:
Datos de salida: E(n):
1. E(0) = 1 e 1 = 0;6321205588 : : : ;
2. Para n = 1; : : : ; N
E(n) = 1 nE(n 1)
Fin de bucle n:
3. Imprimir E(n):
4. Fin.
Con precisión de 5 cifras decimales, los resultados de la aplicación del algoritmo precedente se
muestran en la siguiente tabla:
n E(n)
0 0;63212
1 0;36788
2 0;26424
3 0;20728
..
.
12 0;05809
13 0;24478
14 2;42688
15 37;40316
..
.
20 690 478; 033;14:
Observe los valores señalados con . El análisis de E(n) muestra que E(n) 0 y E(n) ! 0 cuando
n ! 1. A partir de n = 13 los resultados son absurdos. Si se realizan los cálculos con un número
mayor de cifras decimales, los resultados absurdos se obtienen para n>13:
Note que tomando E = rd(E(0)) = 0;63212 como dato de entrada, el error de redondeo en cada
iteración es ampli…cado por n. Estos hechos demuestran que el algoritmo está mal condicionado.
Se puede demostrar que el número de condicionamiento de este procedimiento es C = n, y en
consecuencia pequeños errores en los datos de entrada provocan grandes errores en los datos de
salida, lo que muestra que el algoritmo es inestable numéricamente.
Segundo Algoritmo. Tomando en cuenta que E(n) > 0; n = 0; 1; : : : ; y, E(n) ! 0 cuando
n ! 1, basta elegir n su…cientemente grande para obtener E(n + 1) ' 0, entonces
de donde
1
E(n) = ;
n+1
y para n 1; n 2; : : : ; 1, tenemos
1 E(n)
E(n 1) = :
n
Para N su…cientemente grande, se establece el algoritmo siguiente.
Algoritmo
Datos de entrada: N .
1.11. ESTABILIDAD NUMÉRICA. CONVERGENCIA. 59
Z1 Z1 Z1 1
!
X xk
E(n) = xn ex 1
dx = e 1
xn ex dx = e 1
xn dx
k!
0 0 0 k=0
1
X Z1 1
X
1 1 1
= e xn+k dx = e 1
:
k! k!(n + k + 1)
k=0 0 k=0
1
X
1 1
Así, E(n) = e n = 0; 1; : Vemos que E(n) se representa como una
k!(n + k + 1)
k=0
serie numérica convergente. Lamentablemente la serie no puede ser evaluada en el computador,
X1
1
necesitamos transformarla en una suma …nita Sm0 (n). Para el efecto, como la serie
k!(n + k + 1)
k=0
es convergente, entonces
1
X m
X
1 1
8" > 0, 9m0 2 Z+ tal que 8m m0 ) < ";
k!(n + k + 1) k!(n + k + 1)
k=0 k=0
1
X 1
o bien < ":
k!(n + k + 1)
k=m0 +1
60 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
P1
Sea (ak ) una sucesión de números positivos tal que k=1 ak = 1. Determinemos m0 tal que
1
k!(n + k + 1)
<" si k m0 :
ak
1
X
1 1 k(k+1) 6,
Pongamos ak = : Se tiene = 1. Entonces k!(n+k+1) ": Sea " = 10
k(k + 1) k(k + 1)
k=1
1 6:
determinemos m0 tal que (k 1)! < 10 Esta última desigualdad se veri…ca para todo k 11;
luego m0 = 11: Así
11
X
1 1
Sm0 (n) = e :
k!(n + k + 1)
k=0
De este modo E(n) es aproximado con la suma Sm0 (n) con una precisión de 10 6. Cada término
de la suma está bien condicionada, escribimos Smo (n) de la manera siguiente:
11 1 1 1 1 1
Smo (n) = e + + + + ::: + ++
n + 1 1!(n + 2) 2!(n + 3) 3!(n + 4) 10!(n + 11) 11!(n + 12)
1 1 1 1 1 1 1 1
= e 1 + + + + ::: + +
n+1 n+2 2 n+3 3 n+4 10 n + 11
1
+ ::: :
11 (n + 12)
Tenemos así el siguiente algoritmo siguiente:
Algoritmo
Datos de entrada: n.
Datos de salida: E(n):
1
1. s =
11 (n + 12)
2. Para k = 1; ; 12
j = 12 k
1 1
s= + s
n+j j
Fin de bucle k:
3. E(n) = s:
4-Imprimir E(n).
5. Fin.
En la tabla siguiente se muestran los resultados de la aplicación de este algoritmo.
n E(n) ' Smo (n)
1 0;367879
2 0;264241
3 0;207276
4 0;170893
..
.
100 0;009805
..
.
500 0;001992
..
.
1000 0;000998
..
.
1000000 0;000009999:
1.11. ESTABILIDAD NUMÉRICA. CONVERGENCIA. 61
Para cada n, Sm0 (n) requiere de 59 operaciones elementales. Este algoritmo reune todas las
características: condicionamiento, estabilidad, convergencia. Además es fácil de programar y cada
Smo (n) es independiente del cálculo de Smo (n 1) o de Smo (n + 1). En consecuencia este es uno
de los mejores algoritmos que puede construirse para aproximar E(n), n = 1; 2; : : : :
f (x0 )
x1 = x0 :
f 0 (x0 )
f (xk )
xk+1 = xk k = 0; 1; 2; : : : ; :f 0 (xk ) 6= 0:
f 0 (xk )
Este último esquema numérico se conoce con el nombre de método de Newton. En el capítulo
resolución numérica de ecuaciones no lineales se aborda con más detalle este método.
En la siguiente …gura se ilustran las rectas tangentes L1 ; L2 , L3 a la grá…ca de f en los puntos
(x0; f (x0 )); (x1; f (x1 )) y (x2 ; f (x2 )): Note que la grá…ca de la función f corta al eje X en x = a1=n :
Figura 10
62 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
Este algoritmo requiere de la lectura de los siguientes datos de entrada: n; a; m: Como resultado
obtendremos el valor aproximado de a1=n : Los datos de salida son : a; n; a1=n : Se puede probar que
dada una aproximación inicial x0 > 0 apropiada de a1=n ; la sucesión (xk ) generada por el esquema
numérico para aproximar a1=n ; converge efectivamente al valor de a1=n : En estas condiciones
proponemos un primer algoritmo que es un tanto incompleto como se verá más adelante.
Algoritmo 1.
Datos de entrada: a; n; m:
Datos de salida: a1=n :
1. x = x0 :
2. Para k = 0; 1; : : : ; m
1 a
xk = (n 1)x + k 1
n x
x = xk
Fin de bucle k:
3. Imprimir x = a1=n :
4. Fin.
p
Así por ejemplo si a = 2; n = 2; el procedimiento para calcular 2 es el siguiente:
8
< x0 > 0 dado,
1 2
: xk+1 = xk + k = 0; 1; : : :
2 xk
Si …jamos el
p número de iteraciones m = 5 y el punto inicial x0 = 2, la aplicación del algoritmo de
cálculo de 2 nos da los siguientes resultados:
1 2 1 2
x1 = x0 + = 1;5; x2 = x1 + = 1;4166667;
2 x0 2 x1
1 2 1 2
x3 = x2 + = 1;414215687; x4 = x3 + = 1;414213563;
2 x2 2 x3
1 2
x5 = x4 + = 1;414213563:
2 x4
p
El valor exacto es 2 y el obtenido en una calculadora de bolsillo es 1;414213562 : : : : En este ejemplo
vemos las siguientes características: el procedimiento de cálculo descrito en el algoritmo 1 tiene
una estructura bienpde…nida, el número de repeticiones de concluye en m pasos, el procedimiento
permite aproximar 2 con una precisión de 10 10 : El algoritmo 1 presenta un inconveniente que
es la selección del punto inicial x0 del que se ha dicho debe ser una aproximación inicial apropiada
de a1=n : No obstante, para a su…ciente grande queda la duda de como elegir dicho punto. Un
procedimiento de selección es el siguiente:
1.11. ESTABILIDAD NUMÉRICA. CONVERGENCIA. 63
b) Supongamos que a > 1: Sea j 2 N el más pequeño entero tal que 0 < 10 jn a < 1: Entonces
xn a x n a
f (x) = xn a = 10jn = 10jn :
10jn 10jn 10j 10jn
Ponemos b = a 10 jn ; t = 10 j x y de…nimos g(t) = tn b: Resulta
g(t) = 0 () t = b1=n () 10 j
x = 10 j 1=n
a () x = a1=n :
Así, g(t) = 0 , x = a1=n ; que muestra que la raíz de la ecuación g(t) = 0 es la misma de
f (x) = 0:
El algoritmo descrito precedentemente puede ser aplicado a condición de reemplazar a por b:
Así por ejemplo, sea a = 36254932;65 y n = 4: Resulta que a = 0;3625493265 108 ; j = 2
y b = 0;3625493265: Entonces
8
< t0 = 1;
1 0;3625493265
: tk+1 = 3tk + k = 0; 1; : : : ; 5:
4 t3k
Tenemos
t1 = 0;8406373318; t2 = 0;783052196; t3 = 0;7760600163;
t4 = 0;7759643795; t5 = 0;775964362:
Luego x = 0;775964362 102 ; con lo cual a1=4 se aproxima por 77;5964362 con una precisión " =
10 8 : El valor obtenido de una calculadora de bolsillo es (360 254; 932;65)1=4 = 77;59643619 : : : :
c) Finalmente, si a < 0 y n es impar ponemos c = a y aplicamos los resultados descritos
precedentemente en a) y b):
Para elaborar un algoritmo completo de cálculo de a1=n introducimos dos variables indi e inf o
y que toman los valores 0 y 1: La variable indi lo utilizamos para la paridad de n, esto es, n
par entonces indi = 0; n impar entonces indi = 1: La variable inf o es utilizada para el signo
de a; así: a > 0 entonces nfo= 0; a < 0 entonces inf o = 1:
Algoritmo 2
Datos de entrada: a; n; m:
Datos de salida: S = a1=n :
Si n par, hacer indi = 0;
1.
Si n impar, hacer indi = 1:
Si a > 0; hacer inf o = 0;
2.
Si a < 0; hacer inf o = 1:
3. Si indi = 0 e inf o = 1; Imprimir, “Error”. Continuar en 11:
4. Si indi = 1 e inf o = 1: Hacer c = a: Continuar en 6:
5. Poner c = a:
6. Determinar j 2 N el más pequeño tal que b = 10 jn c < 1:
7. Poner x = 1:
8. Para k = 1; : : : ; m
1 b
xk = (n 1)x + n 1
n x
x = xk :
Fin bucle k
9. Si indi = 1 e inf o = 1: Hacer x = xk : Poner S = 10j x:
10. Imprimir resultados: S:
11. Fin.
64 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
c1 b1 a1 c1
c2 b2 a2 c2
x= ; y= ;
a1 b1 a1 b1
a2 b2 a2 b2
a b a b
donde = ad bc denota el determinante de la matriz real . El segundo
c d c d
método que consideramos es el de eliminación gaussiana que se indica a continuación: se cal-
a2
cula k = ; y se obtiene el sistema de ecuaciones lineales triangular superior siguiente:
a1 8
> c2 + kc1
< y= ;
a1 x + b1 y = c1 b2 + kb1
cuya solución se calcula como sigue: 1 Con-
(b2 + kb1 ) y = c2 + kc1 ; >
: x= (c1 b1 y) :
a1
tabilicemos el número de operaciones que se realizan con cada método. Con el método de Cramer,
c1 b1
el cálculo del determinante = c1 b2 c2 b1 implica tres operaciones elementales. Como se
c2 b2
deben calcular tres determinantes y dos cocientes, resultan 11 operaciones elementales. Con el méto-
do de eliminación gaussiana se tienen las siguientes operaciones elementales: en el cálculo de k se
realiza un cociente, el cálculo de y implica 5 operaciones elementales y el de x implica 3 operaciones
elementales. En total se requieren de 9 operaciones elementales.
A juzgar por el número de operaciones elementales, el método de eliminación gaussiana realiza 2
operaciones elementales menos que en el de Cramer. A más de esta razón, el método de eliminación
gaussiana es mucho más estable numéricamente. En conclusión, para resolver numéricamente un
sistema lineal de dos ecuaciones con dos incógnitas, se debe aplicar el método de eliminación
gaussiana.
Llamamos método directo de resolución del sistema de ecuaciones lineales, un método que conduce a la
solución del problema al cabo de un número …nito de pasos, o bien en un número …nito de operaciones
aritméticas (suma, resta, multiplicación y división) que es función de la dimensión del sistema. Para cada
método directo estudiado, se debe estimar:
i) El número de operaciones elementales necesarias en la ejecución del algoritmo, es decir que se debe
determinar una función Noper : Z+ ! R que a cada n 2 Z+ asocie Noper (n).
ii) Precisión del método. Esta precisión depende sobre todo del condicionamiento de la matriz y de la
estabilidad del método, es decir que pequeños errores en los datos de entrada provocan pequeños
errores en los datos de salida, o lo que es lo mismo, es insensible a la propagación de errores de
redondeo.
Supongamos que para resolver el sistema de ecuaciones lineales utilizamos la regla de Cramer:
i
xi = i = 1; : : : ; n;
det(A)
1.11. ESTABILIDAD NUMÉRICA. CONVERGENCIA. 65
!
donde i es el determinante de la matriz obtenida al reemplazar la columna i-ésima de A por b ,
det(A) 6= 0.
productos : 2 = 2! 1; adiciones : 1 = 2! 1;
luego Noper (2) = 3 operaciones elementales. Si C es una matriz real de 3 3, C = (Cij )3x3 , entonces
y el número de operaciones elementales se obtiene del modo siguiente: el cálculo de cada determinante
de 2 2 requiere de 3 operaciones elementales, de la descomposición precedente, se obtiene
multiplicaciones : 9 = 3 2 + 3; sumas : 5 = 3 1 + 2;
con lo cual
n j
X1 Y n j
X1 Y
N oper(n) = n + (n + 1)(n! 1) + (n + 1) (n + 1 k) = (n + 1)! + (n + 1) (n + 1 k):
j=1 k=1 j=1 k=1
Así, N oper(5) = 330 operaciones elementales, N oper(6)=1961 operaciones elementales. Note el tiempo
que se requeriría para resolver un sistema de ecuaciones lineales de 5 5 usando una calculadora de
bosillo: aproximadamente medio minuto por operación implica aproximadamente 165 minutos el tiempo
requerido para resolver dicho sistema de ecuaciones, ¿cuánto tarda usted en resolver un tal sistema?
Si despreciamos los n 2 términos del sumatorio, tenemos N = 2(n + 1)! y para n = 20, se obtiene
N ' 1;021818893 1020 < N oper(20) que muestra que este método es impracticable. Con otros
métodos, un sistema de ecuaciones lineales de 5 5 y con el uso de una calculadora de bolsillo y con el
tiempo estimado de medio minuto por operación, se requerirá aproximadamente una hora; un sistema
de ecuaciones lineales de 20 20 y con el uso de los computadores actuales requerirá de fracciones de
segundo.
Por otra parte, las operaciones sumas y restas alternadas incrementan los errores de redondeo, que a su
vez deterioran la calidad de la solución. Más aún, cuando n es demasiado grande, a causa de los errores
de redondeo, puede provocarse un over‡ow lo que a su vez provocará una detención en la ejecución del
programa. Por estas razones, el cálculo del determinante mediante este procedimiento de…nitivamente
es impracticable, pués es mal condicionado e inestable numéricamente. Consecuentenemente, para el
cálculo del determinante de una matriz debe aplicarse otros métodos y algoritmos que son relativamente
económicos y fáciles de programarse e implementarse en un PC.
66 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
En conclusión, si se utiliza la regla de Cramer para hallar la solución del sistema de ecuaciones lineales
!
A!x = b ; del punto de vista numérico es impracticable.
!
Si A es una matriz invertible, la solución del sistema de ecuaciones lineales A! x = b tiene una única
solución
! !
x = A 1 b;
1 1 D t
donde A = det(A) (A ) y AD = [( 1)i+j menor (aij )] i = 1; :::; n; j = 1; :::; n.
1.12. Ejercicios
1. Sean T un triángulo cuyos vértices son ! u 1 = (x1 ; y1 ) ; !
u 2 = (x2 ; y2 ) ; !
u 3 = (x3 ; y3 ) 2 R2 que
!
suponemos son no colineales y distintos, y, un punto dado x = (a; b) 2 R2 : Se considera el
siguiente problema: determinar si (a; b) 2 T o (a; b) 2
= T: Fundamentar matemáticamente la solución
del problema y elaborar un algoritmo numérico. Determine el número de operaciones elementales,
asignaciones, comparciones. Realice comprobaciones de su algoritmo.
3. Sean !
u 1 = (x1 ; y1 ) ; !
u 2 = (x2 ; y2 ) ; !
u 2 = (x3 ; y3 ) 2 R2 los vértices de un triángulo T . Supongamos
! ! !
que u 1 ; u 2 ; u 3 son distintos y no colineales. Elaborar un algoritmo que permita calcular los
ángulos interiores del triángulo T y determinar si T es un triángulo rectángulo, isósceles o escaleno.
Calcule el número de operaciones elementales y de comprobaciones.
4. Se consideran !u 1 = (x1 ; y1 ) ; !
u 2 = (x2 ; y2 ) ; !
u 3 = (x3 ; y3 ) ; !
u 4 = (x4 ; y4 ) puntos de R2 dados.
Suponemos que dichos puntos son distintos y al menos tres de ellos no son colineales. Elabore un
algoritmo que permita identi…car si el cuadrilátero es un paralelogramo y en este caso identi…car si
es un rectángulo. Además, se debe calcular el área de dicho cuadrilátero. Determine el número de
operaciones elementales, asignaciones y comprobaciones. Realice pruebas para veri…car su algoritmo.
a b 1
5. Sean a; b; c; d 2 R y A = una matriz invertible. Obviamente ad bc 6= 0 y A =
c d
1 d b
:
ad bc c a
1 p r p r 1 p p r 0 r p
Ponemos A = : Note que = ; = ; o sea
q s q s 0 q q s 1 s q
a b x 1 r
es la solución del sistema de ecuaciones = y es la solución del sistema
c d y 0 s
a b x 0
= de determinan las columnas de A 1 : Elabore un algoritmo que resuelva los
c d y 1
dos sistemas de ecuaciones lineales de modo que el número de opreaciones elementales sea el más
pequeño posible y escriba A 1 : Compruebe con las siguientes matrices:
1.12. EJERCICIOS 67
p
2 0 3 2 1 2 1
p p2
a) : b) : c) : d) :
0 5 0 8 5 2 5 3 2 5
6. Sean A; B; C matrices reales de 2 2: En cada item se de…ne una matriz D; elabore un algoritmo
para calcular la matriz D:
a) D = A (B + C) : b) D = AB C: c) D = (A B) C + I con I la matriz identidad.
d) D = C (B A) C: e) D = B I + A + A2 + A3 + A4 C: f ) D = B I A + A2 A3 + A4 C:
Compruebe cada algoritmo con las siguientes matrices:
2 3 1 0 3 5
A= ; B= ; C= :
1 4 0 2 2 1
2
1 1 3
8. Aplique el método de eliminación gaussiana con pivoting parcial para hallar, si existe, la solución
de cada uno de los sistemas de ecuaciones lineales que se proponen. En caso de calcular la solución,
compruebe. De no ser posible, indique si el sistema de ecuaciones tiene in…nitas soluciones o ninguna
solución.
8 8 8
>
> 3x + y z = 5 >
> x + 2y + 3z = 2 >
> 4x + y z = 5
>
< >
< >
<
a) x + 2y =8 b) x+y+z = 1 c) 8x + 2z = 6
>
> >
> >
>
>
: y 2z = 5: >
: 2x + 3y >
: x+y
= 3: = 1:
8 8 8
>
> 0;2x + 0;3y + 0;4z = 0;9 >
> y + 2z = 1 >
> 2x + 3y 2z = 66
>
< >
< >
<
d) 0;1x + 0;1y + 0;2z = 0;2 e) 0;2x + 1;1y + 0;3z = 1;2 f) y + 4z = 90
>
> >
> >
>
>
: 1;1x + 0;2y 2z = 0;7: >
: >
:
0;3x y 2z = 1: y + 5z = 45:
8 8 8
>
> 0;3x + 0;2y + 0;5z = 1 >
> x + 2y + 3z = 2 >
> 50x + 20y + 8z = 20;6
>
< >
< >
<
g) 0;1x 0;1y =0 h) 1;1x + 0;5y + 1;6z = 2;2 i) 30x + 15y + 16z = 15;2
>
> >
> >
>
>
: 0;2x + 1;1y + 0;3z = 1;1: >
: >
: 25x + 32y + 40z = 21;9:
x 2y 3z = 2:
8 8
>
> 1 1 1 >
> 1 1 9
>
> x + y + z = 11 >
> x + y + z = 27
>
> 2 3 6 >
> 4 5 20
>
< 1 >
< 1
1 1 9
j) x + y + z = 21 k) x + y + z = 27
>
> 6 2 >
> 5 4 20
>
> >
>
>
> 1 1 37 >
> 1 3
>
: x + 3y + 4z = 2 : >
: x + 2 y + 2 z = 90:
8 p p p 8
>
> 2x + 3y + z = 5 + 6 >
> 0;8x + 1;5y + 2;3z = 2;4
>
< >
<
p p p p
l) x + 2y + 3z = 4 2 + 6 m) 1;2x + 0;8y + 2z = 3;6
>
> p p p p >
>
>
: x + 3y + 2z = 3 >
: 1;2x 0;4y + 0;8z = 3;0:
2 + 2 3:
68 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
10. En cada item se de…ne una función u y una partición uniforme (m) del intervalo [a; b] que se
Rb
indica y m = 10: Calcule I (u) = a u (x) dx y una aproximación I (vm ) de I (u) calculada con la
regla del rectángulo. Compare los resultados.
a) u (x) = x x 2 [0; 10] : b) u (x) = 3x + 2 x 2 [ 1; 2] : c) u (x) = 2x2 + 5 x 2 [ 1; 2] :
1
d) u (x) = x3 x2 + 1 x 2 [0; 1] : e) u (x) = x 2 [0; 1] : f ) u (x) = e x x 2 [0; 4]
1+x
h i
g) u (x) = sen(x) x 2 0; : h) u (x) = cos2 (x) x 2 [0; ] : i) u (x) = ln(x) x 2 [1; e] :
2
p
j) u (x) = 1 + x2 x 2 [0; 2] :
11. En cada item se de…ne una función real ': Elabore un algoritmo de cálculo de ' (x) de modo que
el número de operaciones elementales sea el más pequeño posible, contabilice dicho número.
1 1 1 1 1
a) ' (x) = 10 x > 1:
x2 6x4 10x6 14x8 18x10
3 5 7 9 11
b) ' (x) = 1 + p + 3 2 + 5 x 0:
1 + x 1 + x (1 + x) 2 (1 + x) (1 + x) 2
4 9 14 19 24 p
c) ' (x) = 1 + 3 + 5 + 7 + 9 x > 3:
(x2 3) 2 5 (x2 3) 2 9 (x2 3) 2 14 (x2 3) 2 19 (x2 3) 2
1
4 16 256 8 2
d) ' (x) = 2 + x4 + x6 +
x2 x x 2 R:
3 9 81
1 1 1 1 h i
e) ' (x) = 1 + sen(x) sen2 (x) + sen3 (x) sen4 (x) x 2 ; :
2 4 8 16 2 2
1 2 3 4 5
f ) ' (x) = + cos2 (x) sen(x) cos3 (x) sen2 (x)+ cos4 (x) sen3 (x) cos5 (x) sen4 (x) x 2 R:
3 9 16 21 26
12. Para n 2 Z+ con 3 n 19; se de…ne
n
X ( 1)k k+ 1 2
fn (x) = x 2 x 2 0; :
(2k + 1)!
k=0
a) Para cada n impar, elabore un algoritmo para calcular valores aproximados de fn (x) de modo
que el número de operaciones elementales sea el más pequeño posible y se eviten sumas y restas
alternadas.
2
b) Para n = 19; x = y una aproximación de ' 3;1415926536; se tiene f19 = 0;5:
6 6
Aplique el algoritmo desarrollado en la parte a) precedente y calcule fn (x) para n; x y la
aproximación de que se indica, obtendrá una aproximación de 0;5
2 2
i) n = 5; ' 3;1415; x = : ii) n = 7; ' 3;141593; x = :
6 6
2 2
iii) n = 9; ' 3;14159265; x = : vi) n = 11; ' 3;141593; x = :
6 6
13. La función real g se de…ne sobre [0; 10] como sigue:
15
X ( 1)k k+2
g (x) = x x 2 [0; 10]
k!10k
k=0
a) Elabore un algoritmo para calcular valores aproximados de g (x) de modo que se eviten los
cálculos directos de k!; 10k ; xk+2 y sumas y restas alternadas; y, en lo posible que el número de
operaciones elementales sea el más pequeño posible.
1.12. EJERCICIOS 69
2 2 1
a) Con la calculadora de bolsillo calcule (8k)!; 53k ; (8k)!53k y para k = 0; 1; : : : ; 5 y
(8k)!53k2
analice las di…cultades de cálculo y los resultados que obtiene.
b) Utilice el desarrollo de h (x) para calcular h (20) y explique las di…cultades de cálculo que se
presentan.
1 x 8 1 x 8
c) Sean x 2 R y u (x) = : Note que u (x) = =
25 32 53 25 25 32 53 25
x x x
1 25 25 25
:
125 25 26 32
Calcule u (20) :
d) A partir de la escritura de h (x) siguiente:
x2 1 x 2 1 x 4
h (x) = x + 1+ 1+
8!53 9 16 5 54 17 24 53 53
1 x 8 1 x 16
1+ 1+
25 32 55 52 17 24 53 5
15. Elaborar un logaritmo que permita calcular los valores de Pm (x); Qm (x) m = 0; 1; 2; : : : ;
x 2 [ 1; 1]; si
m
(m!)2 X (2m + 2k)!
Pm (x) = 1 + ( 1)k x2k x 2 [ 1; 1];
(2m)! (m k)!(m + k)!(2k)!
k=1
m
(m!)2 X (2m + 2k + 1)!
Qm (x) = x + ( 1)k x2k+1 x 2 [ 1; 1];
(2m + 1)! (m k)!(m + k)!(2k + 1)!
k=1
a) Utilice directamente la escritura de v (x) para calcular v (3) y determine el número de operaciones
elementales que realiza. Indique las posibles di…cultades de cálculo de v (3) :
b) Elabore un algoritmo para calcular valores aproximados de v (3) de modo que el número de
operaciónes elementales sea el más pequeño posible y contabilice el total de dichas operaciones
elementales en el cálculo de v (x) x 2 [0; 10] : Compare su resultado con el siguiente: v (3) '
1;105170918:
c) Aplique su algoritmo y calcule v (10) y compruebe su resultado con v (10) ' 1;009950167:
2
a) Utilice sin modi…caciones (x) y calcule ' 0;477464829: ¿Qué di…cultades de cálculo
3
se presentan?
b) Elabore un algoritmo que facilite el cálculo de (x) y contabilice el número de operaciones
2
elementales que se realizan. Calcule y compare con el valor dado en i) precedente.
3
P11 x2k
18. Se da la función f de…nida como f (x) = x 2 [0; 2] :
k=0 (2k)!
1
a) Calcule f y compare con f (0;5) ' 1;127625966: Contabilice el número de operaciones
2
elementales que realiza.
b) Mejore aún la escritura de f (x) siguiente:
x2 x2 x2 x2 x2
f (x) = 1 + 1+ 1+ 1+ + 1+
2 3 4 5 6 19 20 21 22
1
y calcule f : Contabilice el número de operaciones elementales que realiza.
2
x2k
P
15
19. Dada la función g (x) = x 0: Mediante la elaboración de un algoritmo que facilite
k=0 (2k + 1)!
1 1
el cálculo de g (x) ; Calcule g y compare con g ' 1;042190611: ¿Cuántas operaciones se
2 2
requieren para calcular g (x) con y sin el algoritmo?
21. Considere la función u de…nida como u (x) = x2 x 2 [0; 2] : En cada literal se da el número de
puntos m de una partición uniforme (m 1) de [0; 2] : Trace la grá…ca de u y de su interpolante
R2 Pm 1
vm utilizada en la regla del rectángulo. Calcule I (u) = 0 x2 dx e I (vm ) = hu xj 1 + jh :
j=1 2
a) m = 2: b) m = 5: c) m = 9: d) m = 11:
Compare los resultados. Para el efecto, calcule jI (u) I (vm )j y concluya.
h i
22. Se de…ne la función f de…nida como f (x) = sen(x) x 2 ; y ' 3;1415926536: Se de…ne
n o 2 h2 i
una partición uniforme (m) = + ih j i = 0; 1; : : : ; m de ; con m 2 Z+ que en cada
2 2 2
literal se de…ne. Trace la grá…ca de f y la de su interpolante fm utilizada en la regla del rectángulo.
R Pm i
Calcular I (f ) = 2 sen (x) dx; I (fm ) = hf + h :
2 i=1 2 2
a) m = 3: b) m = 5: c) m = 7: d) m = 9:
Para cada m dado en a), b), c), d) calcule jI (f ) I (fm )j y concluya.
24. Considere la función real f de…nida como f (x) = ex x 2 R: Se sabe que f 0 ( 1) = e 1 : Calcule
aproximaciones y00 de la derivada f 0 (1) para cada h que se indica y calcule jf 0 ( 1) y00 j : Analice
los resultados.
a) h = 0;05: b) h = 0;0005: c) h = 0;000005: d) h = 0;005: e) h = 0;00005:
f ) h = 0;0000005:
p x
25. Se de…ne la función u como u (x) = 1 + x2 x 2 R: Tenemos u0 (x) = p
x 2 R: Calcule
1 + x2
aproximaciones de la derivada u0 (0) = 0 para cada h que se indica y estime ju0 (0) u00 j :
a) h = 0;02: b) h = 0;0002: c) h = 0;00002: d) h = 0;002: e) h = 0;00002:
f ) h = 0;0000002:
26. Considere aproximaciones v 0 (x) = sen (3x) x 2 R: Se sabe que v 0 (x) = 3 cos (3x) x 2 R: Calcule
aproximaciones v00 de la derivada v 0 = 0 con ' 3;1416926536; para cada h que se indica.
6
a) h = 0;04: b) h = 0;0004: c) h = 0;000004: d) h = 0;004: e) h = 0;00004:
f ) h = 0;0000004:
27. En cada item se de…ne una función v y se dan un punto x0 y varios valores de h: Calcule
aproximaciones v00 de la derivada v 0 (x0 ) y estime jv 0 (x0 ) v00 j :
a) v (x) = 2x2 3 x 2 R; x0 = 1; h = 0;003; h = 0;0003; h = 0;00003; h = 0;000003:
1
b) v (x) = x> 1; x0 = 0; h = 0;05; h = 0;00005; h = 0;0005; h = 0;000005:
1+x
r
c) v (x) = cos(x2 ) x 2 R; x0 = ; h= 0;001; h = 0;0001; h = 0;00001; h = 0;0000001:
2
1
d) v (x) = ln (1 + 2x) x > ; x0 = 0; h = 0;015; h = 0;000015; h = 0;00015; h =
2
0;0000015:
1
e) v (x) = 1 + 2x2 3
x 2 R; x0 = 2; h = 0;025; h = 0;00025; h = 0;000025; h = 0;0000025:
(
y 0 (x) + 2y (x) = ex 0 < x < 1;
28. La solución del problema de valor inicial siguiente: 1 es y (x) =
y (0) = ;
3
1 x
e : Para m = 10 y una partición uniforme del intervalo [0; 1] ; aplique el método de Euler explícito
3
y calcule aproximaciones yj j = 1; : : : ; 10 de y (xj ) : Trace la grá…ca de la función y (x) y represente
los puntos (xj ; yj ) j = 0; 1; : : : ; 10: Calcule jy (xj ) yj j j = 0; 1; : : : ; 10 y dé una solución.
8
< 2 y
y 0 (x) =
x jxj < 1;
29. La solución del problema de valor inicial 1 x2 es y (x) = 2
: y (0) = 1;
p
1 x2 jxj < 1: Para m = 8 y una partición uniforme del intervalo [0; 0;9] ; aplique el método de
Euler explícito y calcule aproximaciones yj j = 0; 1; : : : ; 8 de y (xj ) : Trace las grá…cas de la fución
y (x) y de los valores calculados (xj ; yj ) j = 0; 1; : : : ; 8: Calcule jy (xj ) yj j j = 0; 1; : : : ; 8 y
compare los resultados.
8
< 0 y (x)
y (x) = 1 1 < x < 3;
30. Considere el problema de valor inicial x cuya solución es y (x) =
: y (1) = 2:
x (2 ln(x)) x > 0: Para m = 10 y una partición uniforme del intervalo [1; 3] ; aplique el
método de Euler explícito y calcule aproximaciones yj j = 0; 1; : : : ; 10 de y(xj ) : Trace las grá…cas
de la función y (x) x 2 [1; 3] y de los valores calculados (xj ; yj ) j = 0; 1; : : : ; 10: Calcule
jy (xj ) yj j j = 0; 1; : : : ; 10 y compare los resultados.
72 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
8
x2 + y 2 (x)
<
y 0 (x) =
1 < x < 1;5;
31. Considere el problema de valor inicial 3xy (x) la solución es y (x) =
:
y (1) = 2;
p
x2 + 3x x > 0: Para m = 5 y una partición uniforme del intervalo [1; 1;5] ; proceda como en el
ejercicio precedente.
33. En cada caso, representar los siguientes números en base 10 a la base b que se indica con 8 cifras
de precisión para la parte fraccionaria.
p p 27
a) 3;14159; b = 2: b) 2;718281; b = 4: c) 2; b = 8: d) 5; b = 5: e) ; b = 3:
7
f ) 1726;00011; b = 2: g) 135;26 b = 4: h) 135;42; b = 8:
34. Sean a; b 2 N tales que a 6= b; 1 < a 10; 1 < b 10. Elaborar algoritmos que permitan convertir
números positivos en base a a base b y recíprocamente; y, obtener su equivalente en base 10.
Sugerencia: considérese M = (an : : : a0 ; a 1 : : : a m )a y M = (bp : : : b0 ; b 1 : : : b q )b , donde ai ; a j 2
f0; 1; : : : ; a 1g, i = 0; 1; : : : ; n, j = 1; : : : ; m; bk ; b l 2 f0; 1; : : : ; b 1g, k = 0; 1; : : : ; p; l = 1; : : : ; q:
35. Sean a; b; c 2 R+ :
a) Considerar las expresiones u = (a b)c y v = ac bc con a b. Demostrar que u presenta un
error relativo menor que v. Veri…que con a = 0;6392; b = 0;6375 y c = 0;9364:
a b
b) Considerar la matriz A = . Estudie el condicionamiento de det(A):
c a
1
c) Si a = p ; b = 1; c = 31 , a1 = rd(a); b1 = rd(b); c1 = rd(c); estudie la existencia de soluciones
3
ax + by = 1 a1 x + b1 y = 1
de los sistemas de ecuaciones y
cx + ay = 0 c1 x + a1 y = 0:
1 1 7
d) Sean a = ; b= y c= . Si a; b; c se redondean con 8 cifras decimales, estudie
1500 701 22500
la existencia de soluciones de los sistemas de ecuaciones del literal c).
e) De b), c) y d), ¿qué conclusiones puede obtener?
36. Determinar el número de operaciones elementales para calcular det(A) si este se calcula usando el
método de menores y cofactores cuando A es una matriz de 3 3; de 4 4 y de 5 5: Generalice
los resultados.
37. Determinar el número de operaciones elementales que se requieren para calcular AD la matriz
adjunta de A cuando A es una matriz de 3 3; de 4 4 y de 5 5:
38. Usando la aritmética de punto ‡otante con 3 dígitos, evaluar f (x) = x4 x3 + 6x2 3x + 0;145 en
x = 4;71:
a) Aplicar el esquema de Hörner para calcular f (4;71):
b) Determinar el valor exacto de f (4;71) y, en cada caso, calcular el error relativo.
c) Calcular con 3 cifras de precisión f ( 0;101) directamente y con el esquema de Hörner: Calcular
el error relativo.
d) Calcular con 3 cifras de precisión f ( 0;10001) directamente y con el esquema de Hörner: Calcular
el error relativo.
3 x
39. Sea f la función real de…nida por f (x) = 2 + x2 1
jxj =
6 1:
a) Calcular f con 2 y 3 cifras en aritmética de punto ‡otante en x = 0;85; x = 0;95; x = 0;99:
x x 1
b) Puesto que f (x) = + , calcule f (x) para los puntos x del literal a).
x 1 x+1
1.12. EJERCICIOS 73
1 + x ex
40. Sea f (x) = x 6= 0:
x2
a) Calcular l mx!0 f (x): b) Calcular f (0;5 10 10 ):
c) Hallar un algoritmo para aproximar f (x) con jxj 2]0; 10 5 ]; y aplique en los puntos x = 0;5 10 5
y x = 0;1 10 5 :
xn
41. Sean x > 1 y n 2 N. Construya algoritmos que permitan aproximar en los siguientes casos:
n!
a) 1 < x < 10 y 20 < n < 50: b) x 10 y n > 50:
42. Hallar l mx!0 f (x) para las funciones f que se dan a continuación. En cada caso elabore algoritmos
que se adapten a la estabilidad numérica en un entorno de cero.
p p 1
a) f (x) = x2 + 1 1: b) f (x) = x2 + 1 x: c) f (x) = x + sen(x): d) f (x) = 1:
x+1
e ecos(x) ex e x
e) f (x) = 1 cos(x): f ) f (x) = ; x =
6 0: g) f (x) = ; x 6= k ; k 2 Z:
x2 sen(x)
ex esen(x) 1 cos(x) ex (1 + x)
h) f (x) = 3
; x 6= 0: i) f (x) = ; x 6= 0: j) f (x) = ; x 6= 0:
x x x2
43. Determinar los números de condicionamiento de las funciones siguientes:
i h
a) f (x) = cos(x) x 2 R. b) f (x) = tan(x) x 2 ; : c) f (x) = ln(x) x > 0:
2 2
1 R x t2
d) f (x) = 0;5 + p e dt x 0:
2 0
e) En los incisos a), b) y c) determinar el más grande subconjunto de R en el que f está bien
condicionado.
f ) Pruebe que la función del inciso d) está bien condicionada para todo x 0:
xy
44. Sea ' : R3 ! R la función de…nida por '(x; y; z) = z con z 6= 0:
a) Pruebe que "' = "x + "y "z ;donde "x ; "y ; "z son los errores relativos de x; y; z respectivamente.
b) Determine el error acumulado.
45. Si '(x; y) = xy x; y 2 R+ y "x = "y , pruebe que el error relativo de ' viene dado por
ai > 0; xi > 0;
j"F j eps si i = 1; : : : n:
ai < 0; xi < 0;
1 P
n
47. Sea F : Rn ! R la función de…nida por F (a1 ; : : : ; an ) = n ai : Supongamos que ai > 0
i=1
8i = 1; : : : ; n. Proponer un algoritmo de cálculo de z = F (a1 ; : : : ; an )
y estudiar la propagación de
los errores. Si el error en cada operación es "i = ", ¿cuál es el error acumulado?.
74 CAPÍTULO 1. CÁLCULO APROXIMADO, ALGORITMOS, ERRORES
2 3
'1 (a1 ; : : : ; an )
6 7
48. Sean (a1 ; : : : ; an ) 2 Rn y ~z = ~'(a1 ; : : : an ), donde ~'(a1 ; : : : an ) = 4 ... 5 ; con
'n (a1 ; : : : ;n )
'i : Rn ! R, i = 1; : : : ; n funciones de clase C 1 : Supóngase que 'i (a1 ; : : : an ) 6= 0; i = 1; : : : ; n.
Muestre que los números de condicionamiento de 'i viene dados por
aj @'i
Ci = (a1 ; : : : ; an ); i; j = 1; : : : ; n:
'i (a1 ; : : : ; an ) @xj
p
49. Considerar la ecuación x2 + 2px q = 0, donde p > 0; q > 0 y p >> q: Sea x = p+ p2 + q una
raíz de la ecuación. Calcule "x y demuestre que
x
eps 3eps: "x =
x
Nota: La notación p >> q signi…ca q es muy pequeño comparado con p o que p es muy grande
comparado con q.
p
50. Se desea calcular E(x) = 1 + x 1 para x = 0;0009 y x = 0;001 con 4 cifras decimales.
a) Calcule E(x) en dichos puntos: b) Utilizando E(x), construya otra expresión que se adapte a
la estabilidad numérica y aplique para los puntos dados x. Compare los resultados.
0;002x + y = 0;2
51. Considerar el sistema de ecuaciones lineales Utilice el método de eliminación
x + y = 1:
gaussiana para determinar:
a) La solución exacta del sistema. b) La solución aproximada con 5 cifras decimales. c)
Intercambie la primera ecuación con la segunda y proceda como en los incisos a) y b). Compare los
resultados.
x + 500y = 100
d) El sistema de ecuaciones propuesto es equivalente al siguiente: Usando la
x + y = 1:
aritmética de punto ‡otante con 5 dígitos de precisión, resuelva el sistema de ecuaciones y compare
con los resultados precedentes.
52. Sean a; b 2 R+ , m; n 2 N tales que 0 m n: Se desea calcular
m
X n
F (m) = ak bn k
m = 0; 1; : : : ; n;
k
k=0
n n!
donde = :
k k!(n k)!
n n m n
a) Pruebe que = m = 0;1: : : : ; n 1:
m+1 m+1 m
n Pm
b) Sea '(k) = ak bn k . Entonces F (m) = '(k): Elabore un algoritmo que se adpate a la
k k=0
estabilidad numérica y aplique para a = 0;1; b = 0;5; m = 4; n = 10:
R1 xn
53. Sea I(n) = dx; n = 0; 1; 2; : : :
0 x+5
1
a) Muestre que I(n) + 5I(n 1) = :
n
b) Considerar el algoritmo: I(n) = n1 5I(n 1) n = 1; 2; : : : ; 25: Calcule I(0) e I(n) para
n = 1; 2; : : : ; 25:
c) Muestre que l mn!1 I(n) = 0:
8
> 1
< I(n) = ;
d) Considere el siguiente algoritmo: 5n Calcule I(n)
> 1 1
: I(n 1) = I(n) ; n = 25; 24; : : : ; 1:
5 n
e I(n 1); n = 25; : : : ; 1: Compare con los resultados anteriores.
1.13. LECTURAS COMPLEMENTARIAS Y BIBLIOGRAFÍA 75
R1 n+4
54. Sea I(n) = 0 x 2 ex dx n = 4; 3; 2; : : :
n
a) Muestre que I(n) = e 2 + 2 I(n 2) n= 2; 1; 0; : : : :
b) Calcule I( 4):
R1 2
c) Use el cambio de variable x = t2 y muestre que I( 3) = e o et dt: Utilice el polinomio de
R1 2
Taylor de e 2 R para aproximar 0 et dt y muestre que
Z 1
2 1 11 1 1
et dt = 1 + + + + Ek+1 ;
0 3 2! 5 k! 2k + 1
1 1
donde Ek+1 es el error cometido y k es tal que < 10 6 :
k! 2k + 1
d) Utilizando el algoritmo dado en a), elabore un programa para calcular I(n) n = 4; 3; 2; : : : ;
25:
8 2e
>
> I(n) = ;
>
> n+4
< 2e
e) Note que l m I(n) = 0. Establezca el siguiente algoritmo I(n 1) = ;
n!1 >
> n +3
>
>
: I(n 2) = 2(e I(n) :
n+4
f ) Elabore un programa para el cálculo de I(n) n = 25; 24; : : : ; 2: Compare con los resultados
dados en d).
g) Para " = 10 6; deduzca el siguiente algoritmo
1 1 1 1 1
I(n) = 2 + + + + + :
0!(n + 6) 1!(n + 8) 2!(n + 10) 3!(n + 12) 8!(n + 22)
Elabore un programa para el cálculo de I(n); n = 4; 3; : : : ; 25: Compare los resultados con los
otros algoritmos. ¿Qué concluye?.
h) ¿Por qué no es práctico utilizar la regla de los trapecios para cada n?.
1. Tom M. Apostol, Calculus, Volumen 1, Segunda Edición, Editorial Reverté, Barcelona, 1977.
5. Richard L. Burden, J. Douglas Faires, Análisis Numérico, Séptima Edición, International Thomson
Editores, S. A., México,2002.
6. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
7. S. D. Conte, Carl de Boor, Análisis Numérico, Segunda Edición, Editorial Mc Graw-Hill, México,
1981.
11. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, Pitagora
Editrice Bologna, 1983.
13. Curtis F. Gerald, Patrick O. Wheatley, Análisis Numérico con Aplicaciones, Sexta Edición, Editorial
Pearson Educación de México, México, 2000.
14. Gene H. Golub, Charles F. Van Loan, Matrix Computations, Second Edition, The Johns Hopkins
University Press, Baltimore, 1989.
16. Nicholas J. Higham, Accuracy and Stability of Numerical Algorithms, Editorial Society for
Industrial and Applied Mathematics, Philadelphia, 1996.
17. Kenneth Ho¤man, Ray Kunze, Algebra Lineal, Editorial Prentice-Hall Hispanoamericana, S. A.,
México, 1987.
18. Robert W. Hornbeck, Numerical Methods, Quantum Publishers, Inc., New York, 1975.
19. David Kincaid, Ward Cheney, Análisis Numérico, Editorial Addison-Wesley Iberoamericana,
Wilmington, 1994.
20. Rodolfo Luthe, Antonio Olivera, Fernando Schutz, Métodos Numéricos, Editorial Limusa, México,
1986.
21. Melvin J. Maron, Robert J. López, Análisis Numérico, Tercera Edición, Compañía Editorial
Continental, México, 1995.
22. Shoichiro Nakamura, Métodos Numérico Aplicados con Software, Editorial Prentice-Hall His-
panoamericana, S. A., México, 1992.
23. Antonio Nieves, Federico C. Dominguez, Métodos Numéricos Aplicados a la Ingeniería, Tercera
Reimpresión, Compañía Editorial Continental, S. A. De C. V., México, 1998.
24. Anthony Ralston, Introducción al Análisis Numérico, Editorial Limusa, México, 1978.
25. A. A. Samarski, Introducción a los Métodos Numéricos, Editorial Mir, Moscú, 1986.
27. Francis Scheid, Theory and Problems of Numerical Analysis, Schaum’s Outline Series, Editorial
McGraw-Hill, New York, 1968.
28. Michael Spivak, Calculus, Segunda Edición, Editorial Reverté, Barcelona, 1996.
Resumen
En este capítulo nos interesamos en tres temas importantes: la interpolación polinomial, la derivación e
integración numéricas. Estos temas los abordamos como formas lineales de…nidas en apropiados espacios
vectoriales reales, es decir, en el ámbito de los espacios duales. Es por esto que iniciamos el estudio de este
capítulo con los espacios duales. A continuación posicionamos el problema de la interpolación polinomial
y tratamos la existencia del polinomio interpolante de Lagrange, obtenemos una estimación del error de
interpolación así como algunos tipos de polinomios de interpolación de Lagrange más usados. Mediante
la aplicación de los polinomios de Taylor con error, obtenemos procedimientos de cálculo aproximado de
las derivadas primera y segunda de funciones reales, procedimiento que se generaliza al cálculo numérico
de derivadas de orden superior. Introducimos los operadores en diferencias …nitas y luego se construyen
fórmulas de aproximación de derivadas de funciones reales como formas lineales. Estos resultados se
extienden para el cálculo de las derivadas parciales primeras, segundas y el laplaciano de funciones reales
en dos variables. Posteriormente, tratamos la integración numérica de funciones reales en la que nos
limitados a obtener fórmulas de integración numérica conocidas como regla del punto medio, regla de los
trapecios y regla de Simpson así como sus generalizaciones y la estimación del error. Estos resultados
son aplicados al cálculo numérico de integrales dobles sobre dominios de los tipos I y II, es decir como
integrales reiteradas.
Los problemas de interpolación polinomial, derivación e integración numérica serán tratados como formas
lineales de…nidas en apropiados espacios funcionales. Para ello comenzamos precisamente con los espacios
duales y muy particularmente los espacios vectoriales reales de dimensión …nita y sus duales que también
son de dimensión …nita. Asumimos que el lector tiene algún conocimiento sobre las aplicaciones lineales.
En el anexo se resumen algunos resultados importantes, y al …nal del capítulo se citan algunos textos de
álgebra lineal en los que se podrá consultar estos tópicos.
De…nición 1 Sea V un espacio vectorial. Toda aplicación lineal f de V en R se llama funcional lineal
sobre V o también forma lineal en V .
De la de…nición se tiene que f es un funcional lineal en V si y solo si satisface las dos condiciones
siguientes:
i) f es una función de V en R.
ii) f es lineal, esto es, para todo 2 R, x; y 2 V , se tiene f (x + y) = f (x) + f (y); f ( x) = f (x):
77
78CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
El conjunto de todos los funcionales lineales en V se designa con V . Con las operaciones habituales de
adición de funciones \ + " siguiente:
8 2 R; 8f 2 V , ( f ) (x) = f (x) 8x 2 V;
Ejemplos
T ( (x1 ; y1 ) + (x2 ; y2 )) = T ( x1 + x2 ; y1 + y2 ) = 2 ( x1 + x2 ) + ( y1 + y2 )
= (2x1 + y1 ) + (2x2 + y2 ) = T (x1 ; y1 ) + T (x2 ; y2 ) :
2. Sean V = C ([a; b]) el espacio de funciones reales continuas en el intervalo cerrado [a; b] : Se de…ne
Rb
la función I de C ([a; b]) en R como sigue: I (u) = a u (x) dx u 2 C ([a; b]) : Entonces I es un
funcional lineal sobre C ([a; b]) : Pués de las propiedades de la integral de Riemann siguientes:
Z b Z b Z b
(u (x) + v (x)) dx = u (x) dx + v (x) dx u; v 2 C ([a; b]) ;
a a a
Z b Z b
u (x) dx = u (x) dx 2 R; u 2 C ([a; b]) ;
a a
se deduce la linealidad de I:
3. Sean V = C 1 (]a; b[) el espacio de funciones que poseen derivada continua en el intervalo abierto
]a; b[ ; x0 2 ]a; b[ : Se de…ne el funcional F sobre C 1 (]a; b[) como a continuación se indica:
du
F (u) = (x0 ) u 2 C 1 (]a; b[) :
dx
Por las propiedades de la derivada siguientes:
d du dv
(u + v) (x0 ) = (x0 ) + (x0 ) u; v 2 C 1 (]a; b[) ;
dx dx dx
d du
( u) (x0 ) = (x0 ) 2 R; u 2 C 1 (]a; b[) :
dx dx
Se deduce que F es un funcional lineal sobre C 1 (]a; b[) :
P
n
Sea Bv = fv1 ; : : : ; vn g una base ordenada de V y x 2 V . Existen 1; : : : ; n 2 R tales que x = k vk :
k=1
Para cada i = 1; : : : ; n, se de…ne fi de V en R como sigue:
n
!
X
fi (x) = fi k vk = i x2V,
k=1
Sea 2 R, entonces
n
X n
X
x= k vk = k vk ;
k=1 k=1
luego ! !
n
X n
X
fi ( x) = fi k vk = i = f k vk = f (x) :
k=1 k=1
Así, fi 2 V i = 1; : : : ; n.
ii) Denotamos con B = ff1 ; : : : ; fn g. Probemos que el conjunto B es una base de V . Para ello
mostramos que B genera a V y es linealmente independiente.
a) Mostramos que B genera a V . Como B V se sigue que el subespacio generado por B , que
P
n
se denota con L (B ) = i fi j i 2 R; i = 1; : : : ; n está contenido en V , esto es, L (B ) V :
i=1
P
n
Probemos que V L (B ). Sea f 2 V y x 2 V . Existen 1; : : : ; n 2 R tales que x = k vk .
k=1
Entonces !
n
X n
X
f (x) = f k vk = kf (vk ) ;
k=1 k=1
y de la de…nición de fi , se tiene
n
!
X
fi (x) = fi k vk = i i = 1; ; n;
k=1
luego
n
X
f (x) = f (vk ) fk (x) :
k=1
para x = v2 , se deduce
0= 1 f1 (v2 ) + + n fn (v2 ) = 2;
Consecuentemente,
1 f1 + + n fn =0) i = 0 i = 1; : : : ; n;
que prueba que el conjunto B es linealmente independiente.
De i) y ii) se tiene B es una base de V , por lo tanto dim V = n.
1, si i = j;
El conjunto B = ff1 ; : : : ; fn g se le llama base dual de V : Observe que fi (vj ) = Note
0, si i 6= j:
además que si f 2 V , Bv = fv1 ; : : : ; vn g es una base de V y B = ff1 ; : : : ; fn g la base dual de Bv . En
la parte ii) a) precedente se obtuvo para f 2 V la representación siguiente:
n
X
f (x) = f (vk ) fk (x) 8x 2 V;
k=1
Teorema 2 Sea V un espacio vectorial de dimensión …nita n sobre el cuerpo R; V el espacio bidual
de V . La aplicación ' de V en V de…nida por ' (x) = h con h (g) = g (x) 8g 2 V ; 8x 2 V es
un isomor…smo.
Demostración.
Además, de la de…nición de la función ' se tiene ' (x) = h1 , ' (y) = h2 , ' (x + y) = h3 con
luego
' (x + y) = h1 + h2 = ' (x) + ' (y) :
h1 ( g) = g (x) = h1 (g) 8g 2 V ;
' ( x) = h1 = ' (x) 8x 2 V:
Comencemos con la inyectividad de ': Sea Bv = fv1 ; : : : ; vn g una base ordenada de V y B = ff1 ; : : : ; fn g
la base dual de V . Probemos que ker (') = f0g..
Sea x 2 ker ('). Entonces ' (x) = 0. Supongamos que x 6= 0. Existen 1 ; : : : ; n 2 R tales que
P
n
x = i vi y como x 6= 0, existe algún j tal que j 6= 0. Sea h 2 V de…nido por h (g) = g (x)
i=1
8g 2 V . En particular, para g = fj se tiene
n
! n
X X
h (fj ) = fj (x) = fj i vi = i fj (vi ) = j 6= 0:
i=1 i=1
0 = ' (x) ) x = 0;
Probemos que ' es sobreyectiva: De la relación entre las dimensiones del núcleo y la imagen o recorrido
de una aplicación lineal en espacios de dimensión …nita, se tiene
y como ker(') = f0g; se sigue que dim (Rec (')) = n y siendo Rec (') V se sigue que V = Rec (').
consecuentemente ' es biyectiva. De i) , ii) y iii) se concluye que ' es un isomor…smo.
82CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
Sean a, b 2 R con a < b y f una función de…nida en [a; b] en R. Suponemos que el valor numérico de f es
únicamente conocido en n + 1 puntos distintos xi 2 [a; b] i = 0; : : : ; n; y sean yi = f (xi ) ; i = 0; : : : ; n
tales valores. Suponemos que a = x0 < x1 < : : : < xn = b: Esta información se recoge en el conjunto
S = (xi ; yi ) 2 R2 j i = 0; : : : ; n
La interpolación en un método de aproximación que permite construir una función ' de [a; b] en R tal
que
' (xi ) = f (xi ) = yi i = 0; 1; : : : ; n;
y para todo x 2 [a; b], ' (x) es un valor aproximado de f (x) llamado valor interpolado de f (x). La
función ' se llama interpolante de f . Más aún, si " (x) denota el error cometido en la interpolación, se
tiene
f (x) = ' (x) + " (x) x 2 [a; b] ;
la función " de…nida sobre [a; b] se llama error de interpolación.
Designamos con C ([a; b]) el espacio de las funciones reales continuas en [a; b]. Este espacio, como ya se
ha señalado anteriormente, es de dimensión in…nita. Sea V = Kn [R] el espacio de polinomios de grado
n. Se designa con = fa = x0 ; x1 ; : : : ; xn = bg con xi 1 < xi i = 1; : : : ; n una partición de [a; b].
Consideremos el problema siguiente:
dado f 2 C ([a; b]) ; hallar un polinomio P 2 Kn [R] tal que P (xi ) = f (xi ) i = 0; 1; : : : ; n:
fi (P ) = P (xi ) i = 0; : : : ; n, P 2 Kn [R] :
Entonces cada funcional fi es lineal sobre Kn [R]. Mas aún, ff0 ; : : : ; fn g es una base del espacio dual
(Kn [R]) .
0 f0 (P ) + ::: + n fn (P ) =0 8P 2 Kn [R] ;
en particular para los elementos de la base B se Kn [R], obtenemos el siguiente sistema de ecuaciones:
0 f0 (v0 ) + + n fn (v0 ) = 0 () 0 + + n = 0;
0 f0 (v1 ) + + n fn (v1 ) = 0 () 0 x0 + + n xn = 0;
..
.
n n
0 f0 (vn ) + + n fn (vn ) = 0 () 0 x0 + + n xn = 0;
2.2. INTERPOLACIÓN POLINOMIAL 83
0 f0 + ::: + n fn =0) i = 0 i = 0; 1; : : : ; n;
que prueba que el conjunto ff0 ; : : : ; fn g es linealmente independiente y siendo
dim Kn [R] = dim (Kn [R]) = n + 1;
resulta que ff0 ; : : : ; fn g es una base de Kn [R].
Determinemos una base B = fP0 ; : : : ; Pn g de Kn [R] tal que B sea la base dual de B: Esta debe satisfacer
1, si i = j;
la condición fi (Pj ) = y por la de…nición de cada fi , se tiene fi (Pj ) = Pj (xi ) ; de donde
0, si i 6= j;
1, si i = j;
Pj (xi ) = que se conoce como condición de interpolación.
0, si i 6= j;
Se de…nen los polinomios P0 ; P1 ; : : : ; Pn de Kn [R] como sigue:
(x x1 ) (x x2 ) : : : (x xn )
P0 (x) = x 2 R,
(x0 x1 ) (x0 x2 ) : : : (x0 xn )
(x x0 ) (x x2 ) : : : (x xn )
P1 (x) = x 2 R,
(x1 x0 ) (x1 x2 ) : : : (x1 xn )
..
.
(x x0 ) (x0 x1 ) : : : (x xn 1 )
Pn (x) = x 2 R.
(xn x0 ) (xn x1 ) : : : (xn xn 1 )
Note que en el polinomio P0 no …gura en el numerador el término x x0 , en P1 no …gura el término
x x1 , así sucesivamente, en Pn no …gura el término x xn . Además,
P0 (x0 ) = 1; P0 (xj ) = 0 si j = 1; : : : ; n;
P1 (x1 ) = 1; P1 (xj ) = 0 si j = 0; 2; : : : ; n;
..
.
Pn (xn ) = 1; Pn (xj ) = 0 si j = 0; : : : ; n 1:
Los polinomios P0 ; P1 ; : : : ; Pn son linealmente independientes, por lo tanto forman una base de Kn [R].
Estos polinomios se llaman polinomios de interpolación de Lagrange.
P
n
Dado P 2 Kn [R], existen 0; : : : ; n 2 R tales que P = k Pk ; y para todo x 2 R, P (x) =
k=0
P
n
k Pk (x) ; particularmente para x = xj ; j = 0; : : : ; n,
k=0
n
X
P (xj ) = k Pk (xj ) = j;
k=0
84CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
de donde
n
X
P (x) = P (xk ) Pk (x) :
k=0
Sea f 2 C ([a; b]). En el problema de la interpolación polinomial, buscamos un polinomio P 2 Kn [R] tal
que
P (xj ) = f (xj ) j = 0; : : : ; n:
De…nimos
n
X
Pb (xi ) = f (xk ) Pk (x) x 2 R.
k=0
P
n
donde (f ) = Pb = f (xj ) Pj :
j=0
b 2 [a; b] :
al valor interpolado de f en el punto arbitrario x
Este método de interpolación se conoce como interpolación polinomial de Lagrange.
Nota: En la práctica los polinomios de interpolación de Lagrange no son muy utilizados cuando el número
de puntos base (xi ; yi ) i = 0; : : : ; n es grande (más aún cuando los xi son muy cercanos entre sí) ya que
el grado del polinomio interpolante de Lagrange Pb es igualmente grande dando lugar a la presencia de
oscilaciones que afectan los resultados. Los polinomios de interpolación de Lagrange más utilizados son
de grados n = 1; 2; 3 y 4.
En la …gura siguiente se muestra la grá…ca de una función f defnida en [a; b] (línea continua), que
suponemos es no negativa; y, la de un polinomio de interpolación de Lagrange construida sobre una
partición (m) de [a; b] (línea cortada).
Figura 11
2.2. INTERPOLACIÓN POLINOMIAL 85
b 2 [a; b[ ; f (b
Note que en el punto x x) > 0 mientras que p (b
x) < 0: Las fuertes oscilaciones de la función
p conduce a resultados falsos.
Error de interpolación
Teorema 3 Sean n 2 Z+ ; f 2 C n+1 ([a; b]) ; (n) = fx0 = a; x1 ; : : : ; xn = bg una partición de [a; b] :
b 2 [a; b] ; existe 2 [a; b] tal que
Entonces, para cada x
n
f (n+1) ( ) Y
f (b
x) p (b
x) = (b
x xj ) ;
(n + 1)!
j=0
Para los puntos de la partición se tiene (xj ) = f (xj ) p (xj ) k! (xj ) = 0 j = 0; 1; : : : ; n; es decir
que la función tiene a cada xj como raíz y como se busca k de modo que (b x) = 0; entonces tiene a
0
n + 2 raíces en el intervalo [a; b] : Por el teorema de Rolle, la derivada tiene n + 1 raíces en el intervalo
[a; b] ; la derivada segunda 00 tiene n raíces en el intervalo [a; b] ; así sucesivamente, (n+1) tiene una raíz
en el intervalo [a; b] y sea tal raíz, esto es, (n+1) ( ) = 0: Por otro lado, para cada x 2 [a; b] se tiene
0
(x) = f 0 (x) p0 (x) k! 0 (x) ;
00
(x) = f 00 (x) p00 (x) k! 00 (x) ;
..
.
(n+1)
(x) = f (n+1) (x) p(n+1) (x) k! (n+1) (x) :
f (n+1) ( )
de donde k = y la queda de…nida como sigue:
(n + 1)!
f (n+1) ( )
(x) = f (x) p (x) ! (x) x 2 [a; b] :
(n + 1)!
86CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
f (n+1) ( )
0 = (b
x) = f (b
x) p (b
x) ! (b
x)
(n + 1)!
f (n+1) ( )
de donde f (b
x) p (b
x) = ! (b
x) :
(n + 1)!
El resultado dado en el teorema se conoce como fórmula de error de interpolación de Lagrange, que lo
notamos (b x) : Así,
f (n+1) ( )
(b
x) = f (b
x) p (b
x) = ! (b
x) ;
(n + 1)!
Q
n
donde 2 [a; b] y ! (b
x) = (b
x xj ) :
j=0
P 2 K0 [R] , P (x) = c 8x 2 R,
a+b a+b
G (f ) = f P0 (b
x) = f :
2 2
a+b
p (x) = f x 2 [a; b] :
2
Figura 12
0; si x 2
= [xi 1 ; xi [ ;
donde i es la función indicatriz del intervalo [xi 1 ; xi [ de…nida como i (x) =
1; si x 2 [xi 1 ; xi [ ;
1
i = 1; : : : ; m; ti = xi
+ hi el punto medio del intervalo [xi 1 ; xi ] i = 1; : : : ; m:
1
2
En la …gura siguiente se muestra la grá…ca de la función f y de su interpolante p, con m = 5
Figura 13
De la fórmula del error de interpolación de Lagrange, sea f 2 C 1 ([a; b]) y la partición del intervalo
a+b
[a; b] se reduce al solo punto medio de [a; b] ; se tiene la siguiente estimación del error para
2
b 2 [a; b] ;
x
a+b
(b
x) = f (b x) = f 0 ( ) x
x) p (b b
2
para algún 2 [a; b] :
Sean m 2 Z+ ; (m) una partición del intervalo [a; b] ; aplicando el resultado precedente a
b 2 [xj 1 ; xj ] j = 1; : : : ; m se tiene
x
"j (b
x) = f (b
x) f (tj ) = f 0 j (b
x tj )
con j 2 [xj 1 ; xj ] : Luego, si f 2 C 1 ([a; b]) ; existe M > 0 tal que j f 0 (x) j M 8x 2 [a; b] y en
consecuencia
x) f (tj ) j j f 0 j jj x
j f (b b tj j M h ! 0 :
h !0
Ejemplo
Supongamos que f es la función de…nida como f (x) = 1 + ex x 2 [0; 2] ; m = 10 y (10) la
2
partición uniforme de [0; 2] ; esto es, h = = 0;2 y j = jh = 0;2j j = 0; 1; : : : ; 10; hj = h = 0;2
10
j = 1; : : : ; 10: La función interpolante de f está de…nida como
8
< p (x) = P10
f (tj ) (x) x 2 [0; 2[ ;
j
j=1
:
p (2) = f (t10 ) ;
1
donde tj = xj + hj = xj
1 1 + 0;1 j = 1; : : : ; 10:
2
Para x = 0;85 se tiene
10
X
p (0;85) = f (tj ) j (0;85) = 1 + e0;9 ;
j=1
Figura 14
b 2 [a; b] se tiene
Para f 2 C ([a; b]) ; por la de…nición del valor interpolado de f en x
1
X f (b) f (a)
G (f ) = f (xk ) Pk (x) = f (a) P0 (x) + f (b) P1 (x) = f (a) + (x a) x 2 [a; b] ;
b a
k=0
es el valor interpolado de f en el punto x. Note que el polinomio interpolante de f está dado por
n
X f (b) f (a)
(f ) = p (x) = f (xk ) Pk (x) = f (a) + (x a) x 2 [a; b] ;
b a
k=0
que representa la ecuación del segmento de recta que une los puntos (x0 ; f (x0 )) y (x1 ; f (x1 )).
En la …gura siguiente se muestra las grá…cas de f y del polinomio interpolante p:
Figura 15
f 00 ( )
" (b
x) = f (b
x) p (b
x) = (b
x a) (b
x b) ;
2!
donde 2 [a; b] es elegido apropiadamente.
Sean m 2 Z+ y (m) = fx0 = a; x1 ; : : : ; xm = bg con xi 1 < xi i = 1; : : : ; m; una partición de
[a; b] ; se pone hj = xj xj 1 y bh = Max fhj j j = 1; : : : ; mg : Apliquemos los resultados precedentes
a cada subintervalo [xi 1 ; xi ] i = 1; : : : ; m: Tenemos que la función interpolante vh de f en el
intervalo [a; b] está de…nida como
m
X
v (x) = f (xi ) 'i (x) x 2 [a; b] ;
i=0
2.2. INTERPOLACIÓN POLINOMIAL 89
8
8 > x xi 1
x x1 >
> ; x 2 [xi 1 ; xi ] ;
< ; x 2 [a; x1 ] ; < hi
'0 (x) = h 'i (x) = x xi 1 i = 1; : : : ; m 1;
: 0; x 21 [a; b] 8 [a; x ] ; > ; x 2 ]xi ; xi+1 ]
1 >
> hi 1
:
0; x 2 [a; b] 8 [xi 1 ; xi ]
8
< x
xm 1
; x 2 [xm 1 ; b] ;
'm (x) = hm
: 0; x 2 [a; b] 8 [x
m 1 ; b] :
En las …guras siguientes se muestran las grá…cas de '0 ; '1 ; '5 ; donde la partición de [a; b] está
constituida por (5) = fx0 = a; x1 ; x2 ; x3 ; x4 ; x5 = bg :
Figura 16
Figura 17
Figura 18
0; si i 6= j
Note que 'i (xj ) = y0 'i (x) 1 x 2 [a; b] : Las funciones '2 ; : : : ; 'm 1 son
1; si i = j;
similares a la función '1 :
En la …gura siguiente se muestra la grá…ca de una función continua v de…nida en el intervalo [0; a]
con a > 0; y la de una función interpolante vh (segmentos de recta) de v: Se muestran también los
90CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
Figura 19
h2j 00 M 2
jf (b
x) p (b
x)j f j h ! 0;
2 2 h !0
En la …gura siguiente se muestra las grá…cas de las funciones '0 ; '1 ; '2 restringidas al intervalo
[a; b]:
Figura 20
Figura 21
G (f ) = p (b
x) = fa '0 (b
x) + f (x1 ) '1 (b
x) + f (b) '2 (b
x) .
f 000 ( )
" (b
x) = f (b
x) p (b
x) = (b
x a) (b
x x1 ) (b
x b) ;
!
donde 2 [a; b] :
donde i i = 0; 1; : : : ; n son funciones que se obtienen de '0 ; '1 ; '2 aplicadas a cada intervalo
1; si i = j;
[xi 1 ; xi+1 ] y que satisfacen las condiciones de interpolación i (xj ) = A continuación se
0; si i 6= j:
muestran las grá…cas de las tres primeras funciones 0 ; 1 ; 2 :
Figura 22
Figura 23
92CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
Figura 24
Denotamos con C ([a; b]) es espacio de funciones reales continuas en [a; b]. Para m 2 Z+ , denotamos con
C m ([a; b]) es espacio de las funciones reales tales que la derivada m-ésima es continua en [a; b] :
Sea f 2 C 2 ([a; b]) ; h 2 R con h 6= 0 tal que 8x 2 ]a; b[, x + h 2 [a; b]. En general, h es su…cientemente
pequeño. Las derivadas f 0 y f 00 en x 2 ]a; b[ se de…nen como
f (x + h) f (x) f 0 (x + h) f 0 (x)
f 0 (x) = l m ; f 00 (x) = l m :
h!0 h h!0 h
Para h 6= 0 su…cientemente pequeño, las derivadas f 0 (x) y f 00 (x) se aproximan mediante los siguientes
cocientes:
f (x + h) f (x) f 0 (x + h) f 0 (x)
f 0 (x) ' ; y f 00 (x) ' ;
h h
más aún, f 0 (x) y f 00 (x) se esciben como
f (x + h) f (x) f 0 (x + h) f 0 (x)
f 0 (x) = + w1 (x; h); f 00 (x) = + w2 (x; h) ;
h h
con jw1 (x; h)j ! 0; jw2 (x; h)j ! 0: Es claro que cuando los residuos w1 (x; h); w2 (x; h) son
h !0 h!0
su…cientemente pequeños para h su…cientemente pequeño, las dedivadas las podemos aproximar mediante
los cocientes incrementales. Los numeradores de estos cocientes dan lugar a las denominadas diferencias
…nitas y por lo tanto a los operadores en diferencias …nitas que a continuación se de…nen.
2.3. OPERADORES DE DIFERENCIAS FINITAS Y DERIVACIÓN NUMÉRICA 93
f (x) = f (x + h) f (x) :
2. El operador de diferencia …nita hacia atrás se nota y se de…ne como a continuación se indica:
rf (x) = f (x) f (x h) :
3. Operador de diferencia …nita central de primer orden se nota y se de…ne del modo siguiente:
h h
f (x) = f x+ f x :
2 2
Aproximación de f 0 (x) :
En el capítulo primero se propuso un método de cálculo de la derivada primera f 0 (x) x 2]a; b[: En esta
parte, ampliamos dicho procedimiento de cálculo que incluye el error de aproximación. Además, veremos
otros métodos similares de aproximación.
Supongamos que f 2 C 3 ([a; b]): Por el desarrollo de Taylor, para h > 0 se tiene;
h2 00 h3 000
f (x + h) = f (x) + hf 0 (x) + f (x) + f ( 1) con 1 2 [x; x + h] ;
2! 3!
h2 h3 000
f (x h) = f (x) hf 0 (x) + f 00 (x) + f ( 2) con 2 2 [x h; x] ;
2! 3!
entonces,
f (x) f (x + h) f (x) h h2
= = f 0 (x) + f 00 (x) + f 000 ( 1 ) ;
h h 2! 3!
rf (x) f (x) f (x h) h h 2
= = f 0 (x) f 00 (x) + f 000 ( 2 ) ;
h h 2! 3!
@f (x) f (x + h) f (x h) h 2
= = f 0 (x) + f 000 ( 1 ) + f 000 ( 2 ) :
2h 2h 3!
Por hipótesis, f 0 ; f 00 ; f 000 son acotadas en el intervalo [a; b]; luego existen M1 > 0, M2 > 0; M3 > 0 tales
que j f 0 (x) j M1; j f 00 (x) j M2; j f 000 (x) j M3 8x 2 [a; b]; y M = maxfM1 ,M2 ; M3 g; entonces
f (x) f (x + h) f (x) h M
f 0 (x) = j f 0 (x) j=j f 00 (x) j h ! 0;
h h 2! 2 h7 !0
rf (x) f (x) f (x h) h M
f 0 (x) = j f 0 (x) j=j f 00 (x) j h ! 0;
h h 2! 2 h7 !0
@f (x) f (x + h) f (x h) h2 000 M 2
f 0 (x) = j f 0 (x) j=j f ( 1 ) + f 000 ( 2 ) j h ! 0:
2h 2h 3! 3 h7 !0
Se observa que las diferencias …nitas centrales aproximan mejor la derivada f 0 (x) ; es decir que para h
M 2 M
su…cientemente pequeño y no nulo, el término h va a cero más rápidamente que h cuando h 7 ! 0:
3 2
Sea f 2 C 2 ([a; b]) ; x0 2 ]a; b[ y h 6= 0: Con frecuencia se presenta el problema de calcular f 0 (x0 ) ;
con f una función en la que resulta difícil calcular la derivada o que únicamente se conocen los puntos
(x0 ; y0 ) ; (x0 + h; y1 ) y se requiere aproximar f 0 (x0 ) : En este último caso se asume que y0 = f (x0 ) ;
y1 = f (x0 + h) :
y1 y0
y00 = ;
h
94CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
y se denomina derivada numérica mediante una diferencia …nita progresiva. Se tiene la siguiente estimación
M
f 0 (x0 ) y00 h ! 0:
2 h!0
y0 y1
y00 = ;
h
y se denomina derivada numérica mediante una diferencia …nita regresiva. Tenemos la siguiente estimación
M
f 0 (x0 ) y00 h ! 0:
2 h!0
y1 y0
y00 = ;
h
y se denomina derivada numérica mediante una diferencia …nita central. Se tiene
M 2
f 0 (x0 ) y00 h ! 0:
3 h!0
Ejemplo
Con el propósito de comparar las derivadas numéricas con la derivada de una función, asumimos que f
es conocida.
p
Sea f (x) = exp (sen x) x > 0 y x0 = 2: Entonces
p
0 cos x p
f (x) = p exp sen x x > 0;
2 x
p
cos 2 p
y en consecuencia f 0 (2) = p exp sen 2 ' 0;148048539:
2 2
En la tabla siguiente se muestran aproximaciones de f 0 (2) con diferencias …nitas progresivas (cálculos
realizados con una calculadora de bolsillo)
y1y0
h x0 + h y0 = f (x0 ) y1 = f (x0 + h) y00 = jf 0 (2) y00 j
h
0;001 1;999 2;68522882 2;685080592 0;148228 1;79461 10 4
Note que a medida que jhj se aproxima a cero, y00 se aproxima a f 0 (2) y el error jf 0 (2) y00 j es cada vez
más pequeño; sin embargo, con una calculadora de bolsillo, para h su…cientemente pequeño y no nulo,
se obtienen resultados como los siguientes: si h = 0;00000001; x0 + h = 2;00000001; y1 = f (x0 + h) =
2;685228822; luego
y1 y 0 2;685228822 2;68522882
y00 = = = 0;2;
h 0;00000001
que está muy alejado de f 0 (2) : Esto se debe a que y0 ; y1 son valores aproximados con 9 cifras de precisión
que es lo que se obtiene de la calculadora. Para mejorar los resultados se deben calcular en al menos doble
precisión, o sea con al menos 16 cifras de precisión que es lo que se obtiene en un computador personal
Pentium I o más avanzados.
2.3. OPERADORES DE DIFERENCIAS FINITAS Y DERIVACIÓN NUMÉRICA 95
En la tabla siguiente se muestran aproximaciones de f 0 (2) mediante el uso de diferencias …nitas centrales:
Los cálculos son realizados con una calculadora de bolsillo.
y1 y0
h x0 h x0 + h y0 = f (x0 + h) y1 = f (x0 + h) y00 = jf 0 (2) y00 j
2h
0;001 1;999 2;001 2;685080592 2;685376689 0;1480485 5;39 10 8
0;0001 1;9999 2;0001 2;685214014 2;685243623 0;148045 3;539 10 6
0;00001 1;99999 2;00001 2;68522734 2;685230301 0;14805 1;461 10 6
0;000001 1;999999 2;000001 2;685228672 2;685228968 0;148 4;8539 10 5
Note que cuando h es muy pequeño, debido a los errores de redondeo y la representación en un punto …jo,
f (x0 + h) f (x0 h)
el error tiende a aumentar ¿cuál es el valor de h a elegir para que f 0 (x0 ) sea
h
muy aceptable? Con una calculadora de bosillo, obtener h para que la aproximación sea su…cientemente
buena (óptima) no es del todo evidente y depende de cada función f: En un computador personal se
deben realizar los cáculos en al menos doble precisión y j h j6= 0 su…cientemente pequeño.
Aproximación de f 00 (x) :
Los operadores de diferencias …nitas de orden superior se de…nen por recurrencia en el sentido de la
composición de operadores:
k+1 k
= ; rk+1 = rk r; k+1
= k
k 2 N,
0
donde 0 = r0 = = I operador identidad.
Además, podemos construir operadores mixtos como los siguientes: r; r ; ; r; : : : ;
que se escriben simplemente como r; r ; ; r; : : : : De manera general, si m; n 2 N, se de…ne
m n = m ( n ) que se escribirá m n . De manera similar para las otras combinaciones.
obviamente, se supone que h > 0 y x 2 ]a; b[ son tales que x + 2h; x + h 2 [a; b] :
2. Diferencia …nita regresiva de segundo orden r2 = r r: Para toda f 2 C([a; b]); se tiene
2 h h
f (x) = ( f (x)) = f x+ f x = f (x + h) f (x) (f (x) f (x h))
2 2
= f (x + h) 2f (x) + f (x h) ;
3h h h h
f (x) = (f (x + h) f (x)) = f x+ f x+ f x+ f x :
2 2 2 2
3h h h
= f x+ 2f x+ +f x ;
2 2 2
3h
donde x; x + 2 ;x + h2 ; x h
2 2 [a; b] :
Se tiene 2 = r = r a la que se le denomina diferencia …nita central del segundo orden. Como
ejercicio se proponen obtener otras diferencias …nitas de segundo orden.
De la de…nición de derivada segunda de una función f en un punto x 2]a; b[; se sigue que la derivada
segunda f 00 (x) se aproxima como sigue:
f 0 (x + h) f 0 (x) 2f (x) r2 f (x)
f 00 (x) ' ; f 00 (x) ' ; f 00 (x) ' ;
h h2 h2
2
f (x) rf (x) r f (x)
f 00 (x) ' = = :
h2 h 2 h2
Supongamos que f 2 C 4 ([0; L]). Se tiene
2
rf (x) f (x) r f (x) f (x + h) 2f (x) + f (x h) h2 iv
2
= 2
= = = f 00 (x) + f ( 1 ) + f iv ( 2 ) ;
h h h h2 4!
con 1 2 [x; x + h] ; 2 2 [x h; x] ; consecuentemente
f (x + h) 2f (x) + f (x h) h2 M 2
j f 00 (x) j= j f iv ( 1 ) + f iv ( 2 ) j h ! 0:
h2 4! 12 h7 !0
Ejemplo
p
Sea f la función real de…nida como f (x) = exp (sen x) x > 0: Entonces, la derivada segunda de f está
de…nida como
" p 2 p p p #
1 cos x x sen x + cos x p
f 00 (x) = p 3 exp sen x x > 0;
4 x x2
luego 2 3
p !2 p p p
1 cos 2 2 sen 2 + cos 2 5 p
f (2) = 4
00
p 3 exp sen 2 ' 0;3603967624:
4 2 2 2
Aproximemos la derivada segunda mediante la aplicación de diferencias …nitas centrales de segundo orden,
esto es
f (2 + h) 2f (2) + f (2 h)
f 00 (2) ' h 6= 0;
h
y h su…cientemente pequeño. Para realizar los cálculos usamos una calculadora de bolsillo.
Sea h = 0;02: Tenemos f (2;02) = 2;688117974; f (2) = 2;68522882; f (1;98) = 2;682195506: Luego
f (2 + h)
2f (2) + f (2 + h)
f 0 (2) ' = 0;3604:
h2
Para h = 0;0001; se tiene f (2;0001) = 2;685243623; f (2) = 2;68522882; f (1;999) = 2;685214014:
Entonces
f (2;0001) 2f (2) + f (1;9999)
f 0 (2) ' = 0;3:
(0;0001)2
Debido a la representación en punto …jo y a causa de los errores de redondeo se obtiene este resultado
que es una aproximación no satisfactoria. Nuevamente, la pregunta es, ¿cómo elegir h 6= 0 que nos rinda
una buena aproximación de f 00 (2)? Consideremos h = 0;005: Entonces
f (2;005) 2f (2) + f (1;995) 2;685964562 2 2;68522882 + 2;684484068
f 0 (2) ' 2 = = 0;3604;
(0;005) (0;005)2
resultado que obtuvimos anteriormente. La explicación de este hecho es que en una calculadora de bosillo
se utliza la representación en punto …jo, y por otro lado, los errores de redondeo y de truncamiento
afectan el resultado.
2.3. OPERADORES DE DIFERENCIAS FINITAS Y DERIVACIÓN NUMÉRICA 97
Así, m
Dnum es un funcional lineal sobre C m ([a; b]). Este funcional es la aproximación numérica de la
derivada m-ésima de f en el punto xb 2 [a; b].
Sean n = m = 1, entonces b 2 [a; b] y
= fa = x0 ; x1 = bg, x
x b dP 1
P0 (x) = ) (x) = ;
a b dx b a
x a dP 1
P1 (x) = ) (x) = ;
b a dx b a
luego
1
X
1 dPk 1 1 f (b) f (a)
Dnum (f ) = f (xk ) (b
x) = f (a) + f (b) = .
dx b a b a b a
k=0
f (b) f (a)
b se aproxima como
Observamos que la derivada de f en x = x , cociente incremental arriba
b a
tratado.
Sean n = 2, (2) = x0 = a; x1 = a+b 2 ; x2 = b una partición uniforme de [a; b]; entonces h =
b a
2 . Sea
f 2 C 2 ([a; b]) : Para m = 1, se tiene
2
X
1 dPk dP0 a+b dP1 dP2
Dnum (f ) = f (xk ) (b
x) = f (a) (b
x) + f (b
x) + f (b) (b
x) .
dx dx 2 dx dx
k=0
a+b
b=
En particular, para x 2 se tiene
dP0 a+b 1 dP1 a+b dP2 a+b 1
= ; = 0; = ;
dx 2 h dx 2 dx 2 h
1 f (b) f (a)
Dnum (f ) = ;
h
que es la aproximación de la derivada mediante una diferencia …nita central de primer orden. Escribiremos
f (b) f (a)
f (b
x) = .
h
Para m = 2, obtenemos
a+b 2
2 1 a+b 2 1 f (a) 2f 2 + f (b) f
Dnum (f ) = f (a) f + f (b) 2 = = ;
h2 2 h 2 h h2 h2
que corresponde a la aproximación de la derivada segunda mediante una diferencia …nita central de
segundo orden.
Mediante este proceso podemos construir otras formas lineales que son aproximaciones de las derivadas
de una función real.
98CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
@f @f
Obviamente las diferencias …nitas centrales son las más utilizadas, por lo tanto (a; b) ; (a; b) se
@x @y
aproximan con el uso de diferencias …nitas centrales. A menos que se diga lo contrario supondremos que
las derivadas parciales son aproximadas mediante el uso de las diferencias …nitas centrales.
Ejemplo
@f
Calculemos aproximaciones de (2; 3) mediante diferencias …nitas centrales, esto es, calculemos
@x
f (2 + h; 3) f (2 h; 3)
fex (2; 3) = ;
2h
para h = 0;002; h = 0;00015; h = 0;000001:
y el error de aproximación
@f
(2; 3) fey (2; 3) = j 627;9434139 ( 627;9421818)j = 1;2321 10 3
;
@y
lo que muestra que es una mejor aproximación que la anterior.
@2f @2f @2f
Las derivadas parciales segundas 2
(a; b) ; (a; b) ; (a; b) pueden ser aproximadas siguiendo la
@x @x@y @y 2
misma metodología empleada para el cálculo aproximado de las derivadas segundas de funciones reales
@2f
de una sola variable. Así, para h 6= 0; (a; b) puede aproximarse con diferencias …nitas centrales, esto
@x2
es,
@2f f (a + h; b) 2f (a; b) + f (a h; b)
2
(a; b) ' fexx (a; b) = h 6= 0;
@x 2h
h su…cientemente pequeño.
@2f @2f
4f (a; b) = (a; b) + (a; b) ;
@x2 @y 2
el mismo que puede ser aproximado como sigue:
e (a; b) = f (a + h; b)
4f
2f (a; b) + f (a h; b)
+
f (a; b + k) 2f (a; b) + f (a; b + k)
2h 2k
con h 6= 0; k 6= 0 su…cientemente pequeño.
Ejemplo
Sea f la función de…nida como f (x; y) = ln x2 + y 2 (x; y) 2 R2 con (x; y) 6= (0; 0) : Se tiene
@2f y 2 x2
(x; y) = 2 (x; y) 2 R2 ; (x; y) 6= (0; 0) ;
@x2 (x2 + y 2 )2
@2f x2 y 2
(x; y) = 2 (x; y) 2 R2 ; (x; y) 6= (0; 0) ;
@y 2 (x2 + y 2 )2
luego
@ 2 f (x; y) @ 2 f (x; y)
4f (x; y) = + =0 (x; y) 2 R2 ; (x; y) 6= (0; 0) :
@x2 @y 2
Las funciones f tales que 4f (x; y) = 0 8 (x; y) 2 se llaman funciones armónicas.
e (1; 2) aproximación de 4f (1; 2) :
Calculemos valores aproximados de 4f
luego
e (1; 2) = fexx (1; 2) + feyy (1; 2) = 0;00024
4f 1;80333 10 4
= 5;966667 10 5
;
es una aproximación 4f (1; 2) = 0:
Según la Historia de la Matemática, fue el Cálculo Integral el que primero se desarrolló. Obviamente las
primeras funciones que se integraron sobre un intervalo [a; b] fueron las polinomiales: Estas son en realidad
las más simples de integrarse. Otras funciones sencillas de integrarse son las funciones trigonométricas seno
y coseno. Pronto aparecieron otra clase
R b de funciones continuas f que no se integran mediante funciones
elementales, el cálculo de I(f ) = a f (x) dx resulta imposible (en algunos casos es posible mediante
la integración de funciones de variable compleja), por lo que dicha integral tendrá que ser aproximada
numéricamente. Con este propósito, consideramos un problema más sencillo que es el cálculo de la integral
de…nida de un polinomio interpolante de la función f: Más aún, en esta sección tratamos la fórmula de
Newton-Cotes y de esta se desprenden la regla del rectángulo o conocida también como fórmula del
punto medio, la regla del trapecio o fórmula del trapecio, la regla de Simpson que son las más utilizadas.
Obtenemos estimaciones de errores para cada una de estos métodos y luego se generalizan a particiones
regulares del intervalo [a; b] en consideración, lo que da lugar a las reglas generalizadas del rectángulo
Rn (f ), del trapecio Tn (f ) y de Simpson Sn (f ). Estas son aplicadas al cálculo de integrales dobles sobre
regiones en las que las integrales pueden calcularse como integrales reiteradas, a tales regiones se los
denomina del tipo I o II .
Así,
n
X n
X Z b
G (f ) = f (xk ) I (Pk ) = f (xk ) Pk (x) dx 8f 2 C ([a; b]) ;
k=0 k=0 a
que se conoce como la fórmula de Newton-Cotes. De esta fórmula se desprenden algunos resultados
que tratamos a continuación.
2.4. INTEGRACIÓN NUMÉRICA 103
Para n = 0, = a+b 2 , una partición del intervalo [a; b] construida únicamente por el punto medio. El
polinomio interpolante está de…nido como P0 (x) = 1 8x 2 [a; b] ; entonces
Z b
a+b a+b
G (f ) = f dx = (b a) f ;
2 a 2
Rb
que se conoce como fórmula del rectángulo para aproximar I (f ) = a f (x) dx.
Consecuentemente
1
X b a b a b a
G (f ) = f (xk ) I (Pk ) = f (a) + f (b) = (f (a) + f (b)) :
2 2 2
k=0
Así,
b a
G (f ) = (f (a) + f (b)) ;
2
Rb
que se conoce con el nombre de fórmula de los trapecios para aproximar I (f ) = a f (x) dx.
Regla de Simpson
a+b b a
Para n = 2 y = a = x0 ; x1 = 2 ; x2 =b ;h= 2 ;
es una partición de [a; b] : Una interpolante
a+b
de f está de…nida como v (x) = f (a) P0 (x) + f P1 (x) + f (b) P2 (x) x 2 [a; b] donde P0 ;
2
P1 ; P2 son los polinomios de interpolación de Lagrange. Tenemos
2
X a+b
G (f ) = f (xk ) I (Pk ) = f (a) I (P0 ) + f I (P1 ) + f (b) I (P2 ) ;
2
k=0
con Z Z
b b
(x x1 ) (x x2 ) h
I (P0 ) = P0 (x) dx = dx = ;
a a (x0 x1 ) (x0 x2 ) 3
Z b Z b
(x x0 ) (x x1 ) h
I (P1 ) = P1 (x) dx = dx = 4 ;
a a (x1 x0 ) (x1 x2 ) 3
Z b Z b
(x x0 ) (x x1 ) h
I (Pn ) = P2 (x) dx = dx = :
a a (x2 x0 ) (x2 x1 ) 3
Luego,
h a+b
G (f ) = f (a) + 4f + f (b) ;
3 2
Rb
que se conoce como la regla de Simpson para aproximar I (f ) = a f (x) dx:
104CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
f (xj ) f (xj 1)
gj (x) = f (xj 1) + (x xj 1) x 2 [xj 1 ; xj [; j = 1; : : : ; n;
hj
donde 'j j = 1; : : : ; n; son las funciones techo antes de…nidas en los interpolantes a…nes a trozos. Note
que g(xi ) = f (xi ) i = 0; 1; : : : ; n: En la …gura siguiente se muestra la discretización de [a; b], la grá…ca
de la función f y de la de su interpolante g.
Figura 25
Rb
Como problema (P~n ) consideramos el siguiente: I(g) = a g(x)dx: De la de…nición de la función g, se
tiene
n Z
X xj n Z
X xj
f (xj ) f (xj 1)
I(g) = gj (x)dx = f (xj 1) + (x xj 1) dx
xj 1 xj 1
h
j=1 j=1
n
X n
f (xj ) f (xj 1) x hX
= f (xj 1) + (x xj 1 )2 xjj 1 = [f (xj 1) + f (xj )]
2h 2
j=1 j=1
X n 1
h
= (f (a) + f (b)) + h f (xj ):
2
j=1
2.5. REGLA DE LOS TRAPECIOS GENERALIZADA. ESTIMACIÓN DEL ERROR 105
La aproximación que hemos construido se conoce con el nombre de regla de los trapecios generalizada.
Escribiremos
n
X1
h
Tn (f ) = (f (a) + f (b)) + h f (xj );
2
j=1
Así,
Z b X n 1
h
I(f ) = f (x)dx ' Tn (f ) = (f (a) + f (b)) + h f (xj ):
a 2
j=1
Esta aproximación se completa con una estimación del error entre I(f ) y Tn (f ) que tratamos a
continuación.
X n 1
h
Tn (f ) = (f (a) + f (b)) + h f (xj ) 8f 2 C([a; b]);
2
j=1
De la fórmula de los trapecios generalizada para una partición uniforme se observa que para su aplicación
se requiere disponer de la siguiente información: extremos del intervalo [a; b] en el que la función f
está de…nida y la propia función f; número de puntos de la partición (n) : Con esta información se
tiene el siguiente algoritmo de aproximación de una integral de…nida mediante la regla de los trapecios
generalizada.
Algoritmo
4. Para j = 1; : : : ; n 1
S = S + f (a + jh) ;
Fin de bucle j:
h
5. Tn (f ) = (f (a) + f (b)) + hS::
2
6. Imprimir n; Tn (f ) : Continuar en 8).
7. Mensaje: a < b:
8. Fin.
Ejemplo
R2 R2
Sea f la función real de…nida como f (x) = x2 ex x 2 [0; 2] : Calculemos I (f ) = 0 f (x) dx = 0 x2 ex dx
y aproximemos a I (f ) mediante la regla de los trapecios generalizada Tn (f ) :
Primeramente calculamos el valor exacto de la integral I(f ): Aplicando el método de integración por
partes, tenemos
Z 2
2
I (f ) = x2 ex dx = x2 ex 2 (xex ex ) 0
= 2 e2 1 ' 12;7781122:
0
106CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
En la tabla siguiente se muestra la aplicación del algoritmo precedente, esto es, la regla de los trapecios
generalizada para una partición uniforme del intervalo [0; 2] :
n Tn (f ) Error=j I (f ) Tn (f ) j
10 12;9748064291 1;966942312 10 1
20 12;8273508376 4;9238639741 10 2
40 12;7904259325 1;2313734634 10 2
80 12;7811908863 3;0786884382 10 2 :
160 12;7788818859 7;6968803500 10 4
320 12;7783046208 1;9242300412 10 4
640 12;7781603037 4;8105813249 10 5
1280 12;7781242243 1;2026457201 10 5
Primeramente estableceremos una estimación del error de integración con la fórmula de los trapecios y a
continuación usaremos este resultado para obtener una etimación del error de integración con la fórmula
de los trapecios generalizada.
Rb
Sea f 2 C 2 ([a; b]) : Consideremos el problema I (f ) = a f (x) dx: Esta integral se aproxima con la
denominada regla de los trapecios T (f ) de…nida como
Z b
b a
T (f ) = P (x) dx = (f (a) f (b)) ;
a 2
donde P (x) = f (a) '0 (x) + f (b) '1 (x) x 2 [a; b] es el polinomio de interpolación de f; '0 ; '1 son los
polinomios de interpolación de Lagrange antes de…nidos (véase interpolación de Lagrange). El error de
interpolación polinomial de Lagrange está de…ndo como
f 00 ( )
" (x) = f (x) P (x) = (x a) (x b) x 2 [a; b] ;
2!
2 [a; b] :
El error de integración con la regla de los tapecios se nota "f y se de…ne como "f = I (f ) T (f ) : Nos
interesamos en obtener una estimación del error "f y en una mayoración de j "f j : De la de…nición de
I (f ) y T (f ) se sigue que
Z b Z b
f 00 ( )
"f = I (f ) T (f ) = (f (x) P (x)) dx = (x a) (x b) dx:
a a 2!
m f 00 ( ) M 8 2 [a; b] ;
de donde
m jf 00 ( )j M
j(x a) (x b)j j(x a) (x b)j dx j(x a) (x b)j
2 2 2
e integrando sobre [a; b] ; resulta
Z b Z b Z b
m jf 00 ( )j M
j(x a) (x b)j dx j(x a) (x b)j dx j(x a) (x b)j dx:
2 a a 2! 2 a
Por el teorema del valor intermedio (véase en Calculus I de Apostol, página 177), existe 2 [a; b] tal que
Z b 00
00 12 jf ( )j
f ( ) = 3 j(x a) (x b)j dx
(b a) a 2
con lo cual Z b
jf 00 ( )j (b a)3 00
j(x a) (x b)j dx = f ( ) :
a 2 12
Consecuentemente
Z Z
b
f 00 ( ) b
jf 00 ( )j (b a)3 00
j"f j = jI (f ) T (f )j = (x a) (x b) dx j(x a) (x b)j dx f ( ) :
a 2 a 2 12
(b a)3 00
En conclusión, j"f j jf ( )j para algún 2 [a; b] : En la práctica resulta difícil obtener
12
M
2 [a; b] ; y como jf 00 ( )j M se sigue que j"f j (b a)3 :
12
Obtengamos una estimación del error para la fórmula de los trapecios generalizada.
Sea n 2 Z+ y (n) = fx0 = a; x1 ; : : : ; xn = bg una partición del intervalo [a; b] con xi 1 < xi ;
b a
hi = xi xi 1 i = 1; : : : ; n; b
h = max hi : Suponemos que existe 1 tal que hi i = 1; : : : ; n:
i=1;:::;n n
A las particiones que satisfacen esta propiedad se les conoce como particiones regulares. En el caso de
b a
una partición uniforme se tiene h = hi = i = 1; 2; : : : ; n; = 1:
n
La fórmula de los trapecios generalizada está de…nida como
X n 1
h
Tn (f ) = (f (a) + f (b)) + h f (xk ) :
2
k=1
Note que el polinomio de interpolación de f de grado 1 en el k-ésimo subintervalo [xk 1 ; xk ] de [a; b] está
de…nido como
f (xk ) f (xk 1 )
Pk (x) = f (xk 1 ) + (x xk 1 ) x 2 [xk 1 ; xk ] ;
hk
consecuentemente
n Z xk
X n
X1
h
Tn (f ) = Pk (x) dx = (f (a) + f (b)) + h f (xk ) :
xk 1 2
k=1 k=1
El error de integración con la fórmula de los trapecios generalizada se nota "f y se de…ne como
"f = I (f ) Tn (f ) :
Apliquemos el error de integración con la regla de los trapecios a cada intervalo [xk 1 ; xk ] k = 1; : : : ; n:
Resulta
Xn Z xk Xn Z xk Xn Z xk
"f = I (f ) Tn (f ) = f (x) dx Pk (x) dx = [f (x) Pk (x)] dx
k=1 xk 1 k=1 xk 1 k=1 xk 1
n Z
X xk
f 00 ( k)
= (x xk 1 ) (x xk ) dx;
xk 1
2
k=1
108CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
y k 2 [xk 1 ; xk ] k = 1; : : : ; n:
De la estimación del error de integración con la regla de los trapecios antes obtenida, resulta
n Z
X xk
f 00 ( k )
j"f j = jI (f ) Tn (f )j = (x xk 1 ) (x xk ) dx
xk 1
2
k=1
n Z
X xk
j f 00 ( k ) j
j(x xk 1 ) (x xk )j dx
2
k=1 xk 1
Xn 3 n
X
(xk xk 1) h3
f 00 ( k) =
k
f 00 ( k) :
12 12
k=1 k=1
b a b a b2
Puesto que hk k = 1; 2; : : : ; n; entonces h3k hk b
h2 h ; luego
n n
n
X n
h3 b h2 X 00
ab
j"f j k
f 00 ( k) f ( k) :
12 n 12
k=1 k=1
Además, m jf 00 ( k )j M k = 1; : : : ; n; de donde
n
1 X 00
m f ( k) M;
n
k=1
1 Pn
y por el teorema del valor intermedio, existe 2 [a; b] tal que jf 00 ( )j = jf 00 ( k )j ; con lo cual
n k=1
n
b h2 X 00
ab (b a) b 2 00 (b a) b 2
j"f j f ( k) = h f ( ) M h ! 0;
n 12 12 12 h!0
k=1
b a b a
pués hk k = 1; 2; : : : ; n; b
h = max hk !0:
n k=1;:::;n n n !1
b a
j"f j M h2 ! 0:
12 h!0
Sean f 2 C ([a; b]) ; n 2 Z+ con n > 1 y (n) = fx0 = a; x1 ; : : : ; xn = bg una partición del intervalo [a; b] ;
esto es xi 1 < xi i = 1; : : : ; n; hi = xi xi 1 ; i = 1; : : : ; n; b
h = max fhi j i = 1; : : : ; ng : En el caso de
b a
una partición uniforme, se de…ne h = y xj = a + jh j = 0; 1; : : : ; n; entonces b h = h: Suponemos
n
b a
que existe 1 tal que hi i = 1; : : : ; n: A las particiones que satisfacen esta propiedad,
n
como ya hemos dicho anteriormente, se les conoce como particiones regulares. En el caso de la partición
uniforme se tiene = 1:
Luego
n
X n
X hk xk 1 + xk
Sn (f ) = Ik = f (xk 1) + 4f + f (xk ) ;
6 2
k=1 k=1
Se prueba inmediatamente que …jados n 2 Z+ con n > 1 y (n) una partición regular del intervalo [a; b];
Pn h
k xk 1 + xk
el funcional Sn de C ([a; b]) en R de…nido como Sn (f ) = f (xk 1 ) + 4f + f (xk )
k=1 6 2
es lineal.
De la fórmula de Simpson generalizada para una partición uniforme se observa que para su aplicación se
requieren de los siguientes datos: número de puntos de la partición (n) ; extremos del intervalo [a; b] en
el que la función f está de…nida y la propia función f . Con esta información se tiene el siguiente algoritmo
de aproximación de una integral de…nida mediante el método de Simpson con la fórmula generalizada.
Algoritmo
4. S2 = 0:
5. Para j = 1; : : : ; n 1
S1 = S1 + f (a + jh) ;
1
S 2 = S2 + f a+ j h :
2
Fin de bucle j:
1
6. S2 = S2 + f a+ n h :
2
h h 2h
7. Sn (f ) = (f (a) + f (b)) + S1 + S2 :
6 3 3
8. Imprimir n; Sn (f ) : Continuar en 10).
9. Mensaje: a < b:
10. Fin.
Ejemplo
110CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
Z 2 Z 2
Sea f la función real de…nida como f (x) = x2 ex x 2 [0; 2] : Calculemos I (f ) = f (x) dx = x2 ex dx
0 0
y aproximemos a I (f ) mediante la fórmula de Simpson generalizada Sn (f ).
Esta integral ya fue calculada en la sección precedente y fue aproximada con la regla de los trapecios
generalizada. En la tabla siguiente se muestra la aplicación del algoritmo precedente, esto es, la fórmula
de Simpson generalizada para una partición uniforme del intervalo [0; 2] :
n Sn (f ) Error :j I (f ) Sn (f ) j
10 12;7781989738 8;677590441 10 5
20 12;7781176308 5;4329327987 10 6
:
40 12;7781125376 3;3970602331 10 7
80 12;7781122191 2;123393727516 10 8
160 12;7781121992 1;3271588273 10 9
Comparando estos resultados con los obtenidos con la fórmula de los trapecios generalizada podemos
constatar que con la regla de Simpson generalizada se tiene una convergencia cuadrática mientras que
con la de los trapecios generalizada se tiene únicamente una convergencia del tipo lineal. Obviamente que
con la fórmula de Simpson generalizada se realizan n evaluaciones adicionales de la función f que las que
se realizan en la de los trapecios generalizada.
b a b+a
G (f ) = f (a) + 4f + f (b) ;
6 2
y denotamos con "f el error de aproximación cometido entre la solución exacta I (f ) y su valor aproximado
G (f ) ; esto es, "f = I (f ) G (f ) : Determinemos "f :
a+b
f (x) = f (a) '0 (x) + f '1 (x) + f (b) '2 (x) x 2 [a; b] ;
2
donde '0 ; '1 ; '2 son los polinomios de interpolación de Lagrange antes de…nidos (véase la sección
Rb
interpolación polonomial). Resulta que I (f ) = a f (x) dx = G (f ) ; y
Z b
"f = f (x) dx G (f ) = 0:
a
ii) Mostremos que si f es un polinomio de grado 3, también se tiene "f = 0: En efecto, de la fórmula del
error de interpolación de Lagrange tenemos
f 000 ( ) a+b
" (x) = f (x) P (x) = (x a) x (x b) x 2 [a; b]
3! 2
y 2 ]a; b[ :
2.7. ESTIMACIÓN DEL ERROR EN LA REGLA DE SIMPSON 111
x a b a
Sea t = con h = ; entonces
h 2
f 000 ( )
" (x) = h2 t (t 1) (t 2) :
3!
Puesto que f es un polinomio de grado 3, f 000 (x) es una constante, sea f 000 (x) = c 8x 2 [a; b] : Resulta
Z b Z b Z 2
c
" (x) dx = (f (x) P (x)) dx = h2 t (t 1) (t 2) dt
a a 0 3!
Z 2 2
h2 c h2 c 1 4 3 2
= t (t 1) (t 2) dt = t t +t = 0:
3! 0 3! 4 0
Por lo tanto Z Z Z
b b b
"f = I (f ) G (f ) = f (x) dx P (x) dx = " (x) dx = 0:
a a a
iii) Sea f 2 C 4 ([a; b]) cualquiera. El resultado que acabamos de obtener en la parte ii) muestra que la
fórmula de cuadratura dada por la regla de Simpson es exacta para polinomios de grado 3; por lo que
podemos construir un polinomio de interpolación de grado 3 que mejore la precisión de I (f ) : Busquemos
un polinomio P de grado 3 que veri…que las siguientes condiciones:
a+b a+b
Sea Q el polinomio de interpolación de f que pasa por los puntos (a; f (a)) ; ;f ;
2 2
(b; f (b)) ; es decir que
a+b
Q (x) = f (a) '0 (x) + f '1 (x) + f (b) '2 (x) x 2 [a; b] ;
2
Se de…ne P (x) = Q (x) + ! (x) x 2 [a; b] ; donde 2 R se debe determinar por la condición
a + b a + b a+b
P0 = f0 ; y ! es la función de…nida como ! (x) = (x a) x (x b)
2 2 2
x 2 [a; b] :
a+b a+b
P (a) = f (a) ; P =f ; P (b) = f (b) :
2 2
a+b a+b
! 0 (x) = (x a) x + (x a) (x b) + x (x b) :
2 2
Entonces
0 a+b a+b a+b (b a)2
! = a b = ;
2 2 2 4
a+b a+b a+b a+b
P0 = Q0 + !0 = Q0 (b a)2 :
2 2 2 2 4
a+b a+b
Puesto que 2 R es tal que P 0 = f0 ; entonces 2 R satisface la igualdad
2 2
a+b a+b
f0 = Q0 (b a)2 ;
2 2 4
112CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
a+b a+b
f0 Q0
2 2 4 a+b a+b
= 4 2 = 2 Q0 f0 ;
(b a) (b a) 2 2
entonces
4 a+b a+b
P 0 (x) = Q0 (x) + 2 Q0 f0 ! (x) x 2 [a; b] :
(b a) 2 2
a+b a+b
Se veri…ca inmediatamente que P 0 = f0 :
2 2
Determinemos el error de interpolación " (x) para este polinomio de interpolación, esto es " (x) =
f (x) P (x) x 2 [a; b] : Con este propósito de…nimos la función siguiente:
De la de…nición del polinomio P se tiene P iv (t) = 0; de la de…nición del polinomio u; uiv (t) = 4!:
Entonces
iv
(t) = u (x) f iv (t) 4! (f (x) P (x)) ;
iv iv
0 = ( ) = u (x) f ( ) 4! (f (x) P (x)) ;
de donde
f iv ( )
" (x) = f (x) P (x) =
u (x) x 2 [a; b] :
4!
Calculemos el error de integración def usando la fórmula de cuadratura dada por la regla de Simpson:
"f = I (f ) G (f ) :
Z b Z b
f iv ( )
"f = " (x) dx = u (x) dx:
a a 4!
u (x) f iv ( ) M
m ju (x)j ju (x)j
4! 4! 4!
e integrando sobre el intervalo [a; b] se obtiene la siguiente desigualdad
Z Z Z
m b b f iv ( ) M b
ju (x)j dx ju (x) dxj ju (x)j dx:
4! a a 4! 4! a
2.7. ESTIMACIÓN DEL ERROR EN LA REGLA DE SIMPSON 113
Rb x a b a
Para calcular a u (x) dx realizamos el siguiente cambio de variable: t = con h = : Tenemos
h 2
2
a+b
u (x) = (x a) x (x b) = h4 t (t 1)2 (t 2)
2
= h 4 t4 4t3 + 5t2 2t t 2 [0; 2] :
Luego
Z b Z 2
4 4 5
u (x) dx = h t4 4t3 + 5t2 2t dt = h ;
a 0 15
Rb 4 5
y siendo u (x) 0 8x 2 [a; b] ; entonces ju (x)j = u (x) x 2 [a; b] con lo que a ju (x)j dx = h :
15
Resulta que
Z
m 4 5 b f iv ( ) M 4 5
h ju (x) dxj h ;
4! 15 a 4! 4! 15
Z b
h5 1 iv h5
m f ( ) u (x) dx M ;
90 a 4! 90
de donde
Z b Z b
1 iv 1 iv h5 iv
j"f j = jI (f ) G (f )j = f ( ) u (x) dx f ( ) u (x) dx = f ( ) :
a 4! a 4! 90
b a
Puesto que h = ; entonces
2
(b a)5 iv M
j"f j f ( ) (b a)5 :
2880 2880
Aplicamos este resultado para estimar el error en la aproximación de I (f ) mediante la fórmula de Simpson
generalizada, que se trata a continuación.
(k) (xk xk 1 )5 iv Mk 5
"f f ( k) (xk xk 1) ;
2880 2880
con k 2 [xk 1 ; xk ] ; Mk = max f iv (x) :
x2[xk 1 ;xk ]
Además,
n Z
X xk n Z
X xk n Z
X xk n
X (k)
"f = I (f ) Sn (f ) = f (x) dx Gk (f ) dx = (f (x) G (x)) dx = "f ;
k=1 xk 1 k=1 xk 1 k=1 xk 1 k=1
114CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
xk
xk 1 xk 1+ xk
donde Gk (f ) = f (xk 1 ) + 4f + f (xk ) k = 1; : : : ; n; es la regla de Simpson
6 3
aplicada a cada intervalo [xk 1 ; xk ] ; y
Z
(k)
xk
(xk xk 1 )5 iv Mk 5
"f = (f (x) G (f )) dx f ( k) (xk xk 1) :
xk 1
2880 2880
Entonces
n
X n
X n
X n
(k) (xk 1xk )5 iv h5 h5 X iv
b
j"f j = jI (f ) Sn (f )j "f f ( k) =
k
f iv ( k) f ( k) :
2880 90 90
k=1 k=1 k=1 k=1
luego
n
h5 X iv
b n b 5 iv n b5
f ( k) = h f ( ) h M:
90 90 90
k=1
Así,
n b 5 iv n b5
h f ( ) h M: j"f j
90 90
b a
En el caso de una partición uniforme, b
h = h = se tiene la siguiente estimación del error de
2n
integración:
n 5 iv n b a iv b a 4 iv (b a) M 4
j"f j h f ( ) = h4 f ( ) = h f ( ) h ;
90 90 2n 2n 180
y de esta estimación resulta
Z b
(b a) M 4
j"f j = f (x) dx Sn (f ) h ! 0:
a 180 h!0
Z b
o lo que es lo mismo l m Sn (f ) = f (x) dx; que muestra que el método de integración mediante la
n!1 a
fórmula de Simpson generalizada es convergente.
En el caso de la estimación Z b
n b5
j"f j = f (x) dx Sn (f ) h M;
a 90
con b
h = max hk ; se requiere de una hipótesis suplementaria sobre cada hk ; esto es, la partición del
k=1;:::;n
b a
intervalo [a; b] debe ser regular, es decir que existe 1 tal que hk k = 1; ; n ; entonces
2n
b b a
h y en consecuencia
2n
Z b
b a b4
j"f j = f (x) dx Sn (f ) h M ! 0;
a 190 n!1
Figura 26
2. Sea [c; d] un intervalo cerrado de R: Se dice que es un dominio o región del tipo II si
= (x; y) 2 R2 j 1 (y) x 2 (y); y 2 [c; d] ;
donde 1; 2 son funciones continuas en [c; d] tales que 1 2: En la …gura siguiente se muestra una
región del tipo II:
Figura 27
Los dominios muy complejos pueden descomponerse en forma apropiada en subdominios que
correspondan a uno de estos tipos precisados, por lo que el cálculo aproximado de I(f ) se reduce al
cálculo de la integral doble de la función f sobre cada subdominio de la descomposición de que se
haya establecido. Por otro lado, para dominios como un rectángulo o regiones del plano del tipo I o II
puede aplicarse la regla de los trapecios generalizada, la regla de Simpson generalizada. Nos limitamos a
la aplicación de la regla de los trapecios para regiones del tipo I. Para regiones del tipo II se procede
en forma muy similar. Igualmente la aplicación de la regla de Simpson generalizada se aplica en forma
muy parecida a la de los trapecios generalizada.
Sea 2 R2 una región del tipo I; esto es,
= (x; y) 2 R2 j '1 (x) y '2 (x) x 2 [a; b] ;
116CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
donde '1 ; '2 son funciones continuas en [a; b] tales que '1 (x) '2 (x) 8x 2 [a; b] :
RR
Sea f 2 C ( ) e I (f ) = f (x; y) dxdy: esta integral lo expresamos como una integral reiterada siguiente:
Z Z !
b y='2 (x)
I (f ) = f (x; y) dy dx:
a y='1 (x)
Z y='2 (x) Rb
De…nimos g (x) = f (x; y) dy x 2 [a; b] : Entonces I (f ) = a g (x) dx: Apliquemos la fórmula
y='1 (x)
de los trapecios generalizada con una partición uniforme del intervalo [a; b] : Para el efecto, sea n 2 Z+ :
b a
Ponemos h = ; xj = a + h j = 0; 1; : : : ; n: La regla de los trapecios generalizada para aproximar
n R
b
la integral I (f ) = a g (x) dx se escribe como sigue:
X n 1
h
Tn (g) = (g (a) + g (b)) + h g (xj ) :
2
j=1
las mismas que a su vez pueden ser aproximadas con la regla de los trapecios generalizada como se
muestra a continuación.
1
Sea m 2 Z+ : Se deine hj = (' (xj ) '1 (xj )) y yk = '1 (xj ) + khj k = 0; 1; : : : ; m: Entonces
m 2
m
!
hj X1
(j)
Tm (f ) = f (xj ; '1 (xj )) + f (xj ; '2 (xj )) + hj f (xj ; yk ) j = 0; 1; : : : ; n;
2
k=1
(j)
en consecuencia. Ij (f ) ' Tm (f ) ; y
X n 1
h (0) (n) (j)
Tn (g) ' Tm (f ) + Tm (f ) + h Tm (f ) :
2
j=1
Así,
X n 1
h (0) (n) (j)
I (f ) ' Tm (f ) + Tm (f ) + h Tm (f ) :
2
j=1
h nP1
(0) (n) (j)
Ponemos Tmn (f ) = Tm (f ) + Tm (f ) + h Tm (f ) que es la formulación de la regla de los
2 j=1
trapecios generalizada para regiones del tipo I: Esta es una forma lineal en C ( ) :
Para elaborar el algoritmo para el cálculo aproximado de una integral doble de una función sobre una
región del tipo I con la regla de los trapecios generalizada requiere de la siguiente información: intervalo
[a; b] y en consecuencia los extremos a y b de dicho intervalo, las funciones continuas '1 ; '2 en [a; b] de
modo que '1 (x) '2 (x) x 2 [a; b] ; la función continua a integrar f de…nida en ; el número de
puntos n de la partición uniforme del intervalo [a; b] que lo llamaremos partición horizontal, el número de
puntos m de la partición del intervalo ['1 (xj ) ; '2 (xj )] j = 0; 1; : : : ; n a la que lo llamaremos particiones
verticales.
Algoritmo
4. Para j = 0; : : : ; n
xj = a + jh
1
hj = m ('2 (xj ) '1 (xj ))
S1 = 0
Para k = 1; : : : ; m 1
S1 = S1 + f (xj ; yk )
Fin de bucle k:
Si j = 0; z1 = S1 :
Si j = n; z2 = S 1 :
Si 0 < j < n;
S = S + S1
Fin de bucle j:
5. S = 21 h (z1 + z2 ) + hS:
7. Mensaje: a < b:
8. Fin.
Ejemplos
R1 R1
1. Consideremos el problema (P ) siguiente: I = 0 0 yexy dx dy: Notemos que I podemos calcularlo
exactamente. Pués
Z 1 Z 1 Z 1 Z 1 1
xy xy 1
I= ye dx dy = e j0 dy = (ey 1)dy = ey y = e 2 ' 0;718281828:
0 0 0 0 0
118CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
Apliquemos la regla de los trapecios generalizada para aproximar I. Para el efecto, sean m =
1
5; hx = m = 0;2; xj = jhx ; j = 0; 1; : : : ; 5; n = 5; hy = n1 = 0;2; yk = khy ; k = 0; 1; : : : ; 5; y
R1 R1
de…nimos la función g como sigue: g(y) = 0 yexy dx: Se tiene I = 0 g(y)dy y utilizando la fórmula
de los trapecios generalizada, resulta
Z 1
hy
I(g) = g(y)dy ' (g(0) + g(1)) + hy (g (0;2) + g (0;4) + g (0;6) + g (0;8) :
0 2
Z 1
g(0;2) = 0;2e0;2x dx ' 0;1 0;2 1 + 2 e0;04 + e0;08 + e0;12 + e0;16 + e0;2 ' 0;2214322787;
0
Z 1
g(0;4) = 0;4e0;4x dx ' 0;1 0;4 1 + 2 e0;08 + e0;16 + e0;24 + e0;32 + e0;4 ' 0;492086976;
0
Z 1
g(0;6) = 0;6e0;6x dx ' 0;1 0;6 1 + 2 e0;12 + e0;24 + e0;36 + e0;48 + e0;6 ' 0;8231051064;
0
Z 1
g(0;8) = 0;8e0;8x dx ' 0;1 0;8 1 + 2 e0;16 + e0;32 + e0;48 + e0;64 + e0;8 ' 1;228154301;
0
Z 1
g(1) = ex dx ' 0;1 1 + 2 e0;2 + e0;4 + e0;6 + e0;8 + e ' 1;72400562:
0
En la tabla siguiente se muestran los resultados de la aplicación del algoritmo para diferentes valores
de m = n, y la estimación del error.
n m Tmn (f ) Error: jI (f ) T mn (f )j
5 5 7;2535629421 10 1 7;074465748 10 3
10 10 7;2003851477 10 1 1;7566863064 10 3
20 20 7;1872025130 10 1 4;3842284012 10 4
40 40 7;1839138732 10 1 1;0955886528 10 4
80 80 7;1830921525 10 1 2;7386787759 10 5 :
160 160 7;1828867497 10 1 6;8465138930 10 6
320 320 7;1828354008 10 1 1;7116170327 10 6
640 640 7;1828225636 10 1 4;2790354282 10 7
1280 1280 7;1828193543 10 1 1;0697584074 10 7
2560 2560 7;1828185520 10 1 2;6743957271 10 8
R 2 R x2
2. Calculemos la integral doble I = 1 x x2 + xy + y 2 dxdy: Para el efecto, primeramente
identi…camos el tipo de región sobre la que tenemos que integrar la función f de…nida como
f (x; y) = x + xy + y : Tenemos = (x; y) 2 R2 j x y x2 x 2 [1; 2] que corresponde a una
2 2
región del tipo I: Ponemos '1 (x) = x; '2 (x) = x2 x 2 [1; 2] : En la …gura siguiente se muestra el
2.8. INTEGRALES DOBLES 119
dominio :
Figura 28
R x2 R2
Sea g(x) = x (x2 + xy + y 2 )dy
x 2 [1; 2]. Entonces I = 1 g(x)dx: Apliquemos el método
2 1
de los trapecios generalizada con m = 5: Sea hx = = 0;2; xj = 1 + jhx = 1 + 0;2j para
5
j = 0; 1; 2; 3; 4; 5: Luego
5
hx X hx
I' [g(xj 1) + g(xj )] = (g(1) + g(2)) + hx (g(1;2) + g(1;4) + g(1;6) + g(1;8));
2 2
j=1
donde
Z 1 Z 1;41
2
g(1) = (x + y + y )dy = 0; g(1;2) = (1;44 + 1;2y + y 2 )dy;
1 1;2
Z 1;96 Z 2;56
2
g(1;4) = (1;96 + 1;4y + y )dy; g(1;6) = (2;56 + 1;6y + y 2 )dy;
1;4 1;6
Z 3;24 Z 4
2
g(1;8) = (3;24 + 1;8y + y )dy; g(2) = (4 + 2y + y 2 )dy:
1;8 2
luego para y = yx = 1;2; 1;248; 1;296; 1;344; 1;392; 1;44; se obtienen los siguientes resultados:
1;96 1;4
Para j = 2; x2 = 1;4; h2 = = 0;112; yx = 1;4 + kh2 k = 0; ; 5; los puntos yx de la
5
partición vertical son yx = 1;4; 1;512; 1;624; 1;736; 1;848; 1;96. La función f en el punto (1;4; y)
está de…nida como:
f (1;4, y) = 1;96 + y(1;4 + y);
y en consecuencia para y = yx = 1;4; 1;512; 1;624; 1;736; 1;848; 1;96, se tiene
2;56 1;6
Para j = 3; x3 = 1;6; h3 = = 0;192; yx = 1;6 + kh3 k = 0; ; 5; los puntos de la
5
partición vertical son yx = 1;6; 1;792; 1;984; 2;176; 2;368; 2;56: La función f en el punto (1;6; y)
está de…nida como:
f (1;6; y) = 2;56 + y(1;6 + y);
y para y = yx = 1;6; 1;792; 1;984; 2;176; 2;368; 2;56; se obtienen los siguientes resultados
3;24 1;8
Procediendo como en los casos enteriores, para j = 4; x4 = 1;8; h4 = = 0;288; los puntos
5
de la partición vertical son: yx = 1;8; 2;088; 2;376; 2;664; 2;952; 3;24: La función f en el punto
(1;8; y) está dada como:
f (1;8; y) = 3;24 + y(1;8 + y);
entonces
Este ejemplo pone de mani…esto dos aspectos: el volumen de cálculos a ejecutar y la precisión del
cálculo. El primero conduce a la elaboración de un programa computacional y el segundo a una
discretización más …na que permita mejorar la precisión. Este segundo punto se lo alcanza con la
ejecución del programa computacional para discretizaciones más …nas que a la mano son muy largas
de ejecutarse. En la tabla siguiente se muestran los resultados de la aplicación del algoritmo.
n m Tmn (f ) Error=jI (f ) T mn (f )j
5 5 11;0024908800 3;7987183238 10 1
10 10 10;7176023425 9;4983294881 10 2
20 20 10;6463657751 2;3746727449 10 2
40 40 10;6285557851 5;9367374871 10 3
80 80 10;6241032355 1;4841878349 10 3
160 160 10;6229900948 3;7104717497 10 4
320 320 10;6227118094 3;2761807254 10 5
640 640 10;6226422381 2;3190452660 10 5
Nota: Parecería razonable que con particiones horizontales y verticales muy …nas, esto es, que
tengan un gran número de puntos y que a su vez sean regulares, se podría aproximar tanto como
se quiera la integral de una función continua. Lastimosamente, debido a los errores de redondeo,
errores de truncameiento y de aproximación que intervienen en el cálculo de una integral doble,
esto no es del todo cierto, pués para particiones con un número elevado de puntos, todos estos
tipos de errores intervienen y deterioran los resultados. Por lo tanto, no es recomendable calcular
aproximaciones de integrales con particiones regulares que tengan un gran número de puntos. Por
este motivo que buscan otros métodos de aproximación que combinen con los métodos estudiados.
Uno de estos métodos recomendables es la integración adaptativa que tiene muchas versiones. En
la bibliografía se citan algunos textos en los que puede encontrar estos tópicos.
2.9. Ejercicios
1. Sea T : R3 ! R la aplicación lineal de…nida por T (x; y; z) = ax + by + cz (x,y,z)2 R3 ; donde
a; b; c 2 R distintos entre sí y no todos nulos.
a) Determine ker (T ) para las distintas posibilidades de a; b; c e interprete geométricamente el
resultado.
b) Determine [T ]B ; donde B es la base canónica de R3 :
c) Probar que todas las aplicaciones lineales de R3 en R son de la forma T (x; y; z) = ax + by + cz:
d) Generalizar a) y b) a Rn :
2. Sea f 2 (Rn ) no nulo.
a) Pruebe que 0 < dim(ker (f )) < n. b) Sea Bn = f! e1 ; : : : ; !
en g la base canónica de Rn , halle [f ]Bn .
c) Sea B = f! v1 ; : : : ; v! n !
n g la base de R de…nida como sigue: v1 = e1 ;
! ! v2 = !e1 + !
e2 ; : : : ; v!
n =
! !
e + : : : + e : Halle una base dual de B.
1 n
122CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
3. Para los datos S que en cada item se propone, hallar el polinomio de interpolación de Lagrange
Ph (x) y calcular el valor interpolado Ph (b b que se indica.
x) de una función f en el punto x
b = 0;16. b) S = f(0:; 2) ; (0;015; 4;1)g , x
a) S = f(0;1; 5) ; (0;2; 8)g , x b = 0;0016.
b=
c) S = f( 1;1; 0;25) ; ( 1;02; 2;8)g , x b = 2;19.
1;08. d) S = f(2;1; 5;5) ; (2;25; 3.8)g , x
4. Para los datos S que en cada item se propone, hallar el polinomio de interpolación de Lagrange
Ph (x) y calcular el valor interpolado Ph (b b que se indica.
x) de una función f en el punto x
b = 1;4. b) S = f( 1;1; 3;5) ; ( 0;8; 4.5) ; ( 0;5; 3;5)g ;
a) S = f(1; 4) ; (1;2; 5) ; (1;5; 6;5)g ; x
b = 0;94. c) S = f(0;1; 1.4) ; (0;22; 2.5) ; (0;25; 1;56)g ; x
x b = 0;145.
d) S = f(1;8; 4;2) ; (2;2; -3.5) ; (2;5; b = 1;995.
4;5)g ; x
5. Considerar la función f de…nida en cada item. Calcule f 0 (x0 ) para el punto x0 que se indica. Calcule
aproximaciones de f 0 (x0 ) mediante diferencias …nitas centrales de primer orden para cada h que se
f (x0 + h) f (x0 h)
indica, esto es y00 = . Estime el error jf 0 (x0 ) y00 j :
2h
a) f (x) = 2x2 5x + 1 x 2 R; x0 = 2; h = 0;0025; h = 0;000025; h = 0;003; h = 0;00003:
1
b) f (x) = x 2 R; x0 = 0; h = 0;002; h = 0;0002; h = 0;0032; h = 0;000032:
(x2 + 1)3
p
c) f (x) = x4 16 jxj > 4; x0 = 5; h = 0;0001; h = 0;00001; h = 0;00011; h = 0;000011:
1
3
d) f (x) = sen x3 + 2 x 2 R; x0 = 2 ; h = 0;004; h = 0;0004; h = 0;00041;
3
h = 0;00001:
p 2
e) f (x) = cos2 x+1 x > 1; x0 = 1; h = 0;0011; h = 0;00011; h = 0;0002;
2
h = 0;00002: Sugerencia: aproxime con 9 cifras de precisión.
f ) f (x) = ln 16 x2 jxj < 4; x0 = 1; h = 0;004; h = 0;0004; h = 0;0005; h = 0;00002:
g) f (x) = 2 ln(x) + 3 ln2 (x) + 4 ln3 (x) x > 0; x0 = e; h = 0;01; h = 0;0001; h = 0;001;
h = 0;00001: Sugerencia: aproxime e con 9 cifras de precisión.
7. En cada item se de…ne una función u: Calcular u00 (x0 ) en el punto x0 que se indica. Aproximar
u00 (x0 ) mediante el uso de diferencias …nitas centrales de segundo orden para cada h > 0 que se da.
a) u (x) = x3 + x2 1 x 2 R; x0 = 1; h = 0;01; h = 0;001; h = 0;0001:
11. En cada literal se de…ne una función real w en dos variables. Calcular las derivadas parciales
@w @w @w
(a; b) ; (a; b) en el punto (a; b) 2 R2 que se indica. Calcular valores aproximados de (a; b)
@x @y @x
@w
y (a; b) mediante el uso de diferencias …nitas centrales para cada h 6= 0; k 6= 0 que se dan.
@y
a) w (x; y) = 2x2 xy y 2 (x; y) 2 R2 ; a = 1; b = 1; h = 0;02 y k = 0;01; h = 0;002 y k = 0;001;
h = 0;0001 y k = 0;0002:
1 1
b) w (x; y) = x3 10xy 2 + (x; y) 2 R2 con y 6= ; a = 1; b = 1; h = k = 0;01;
1 + xy x
h = k = 0;0002; h = 0;00005; k = 0;0002:
c) w (x; y) = x cos(y) + y cos(x) (x; y) 2 R2 ; a = ; b = ; h = 0;003 y k = 0;002; h = 0;0003 y
6 3
k = 0;0002; h = 0;00005 y k = 0;00004:
p p
d) w (x; y) = ln 1 + x2 + y 2 (x; y) 2 R2 ; a = 2; b = 3; h = k = 0;02; h = k = 0;003; h =
k = 0;0004; h = k = 0;00005:
1
e) w (x; y) = 2 (x; y) 2 R2 con x 6= 0; y 6= 0; a = 1; b = 1; h = k = 0;003; h = k = 0;0004;
x + y2
h = k = 0;00002:
f ) w (x; y) = x ln (1 + y) + y ln (1 + x) (x; y) 2 R2 tal que x > 1; y > 1; a = b = 2;
1 1 1
h = k = 0;02; h = k = 0;001; h = k = 0;0001:
2 3 4
12. Supóngase que f posee derivadas de todos los órdenes en un entorno del punto x = a: Se desea
calcular valores aproximados yea000 de f 000 (a) : Escriba en forma explícita cada uno de los cocientes
que se indican y determine el error de aproximación, donde h 6= 0 su…cientemente pequeño.
3
42 f (a) f (a) r 4f (a) r4 f (a)
a) yea000 = 3
: b) yea000 = 3
: c) yea000 = 3
: d) yea000 = 3
:
1 h 2h 3h 4h
124CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
4 f (a)
e) yea000 = 3
; donde i 2 R con i 6= 0 escogido en cada caso apropiadamente,
5h
i = 1; 2; 3; 4; 5. El polinomio de Taylor de grado 3 con error está de…nido como f (a + k) =
k2 k3 k4
f (a) + kf 0 (a) + f 00 (a) + f 000 (a) + f iv ( ) con entre a y a + k con k 6= 0:
2! 3! 4!
x4 1 3 1 2
13. Sea v la función de…nida como v (x) = x + x x 2 [0; 4] : Calcule valores aproximados de
4 3 2
v 000 (2) mediante los siguientes cocientes:
3
4 v (2) 42 v (2) v (2) r rv (2) r4 v (2) 4r2 v (2)
a) 3
: b) 3
: c) 3
: d) 3
. e) 3
: f ) 3
;
1h 2h 3h 4h 5h 6h
donde h 6= 0 y i 2 R con i 6= 0 escogido apropiadamente i = 1; : : : ; 6 .
p
14. Considerar la función real u de…nida com u (x; y) = x2 + y 2 (x; y) 2 R2 :
@u @u @2u
a) Hallar las derivadas parciales (x; y) ; (x; y) ; (x; y) ; el laplaciano 4u (x; y) =
@x @y @x@y
@2u @2u
(x; y) + (x; y) con (x; y) 2 R2 tal que x 6= 0; y 6= 0:
@x2 @y 2
@u @u @2u
b) Calcular aproximaciones de (a; b) ; (a; b) ; y 4u (a; b) mediante diferencias …nitas
p p @x @y @x@y
centrales en el punto 2; 2 así como en (4; 3) ; con h 6= 0; k = 6 0 pequeños que usted elige y
compare los resultados con los valores exactos.
15. En cada item se de…ne una función que posee derivadas parciales segundas en todo punto (a; b) 2 R2 :
Calcule valores aproximados 4u e (a; b) del laplaciano 4u (a; b) en el punto (a; b) y h 6= 0; k 6= 0 que
se indican. Calcule el error de aproximación, esto es, 4u (a; b) e u (a; b) :
a) f (x; y) = x3 y 4 x2 y 2 + y 3 (x; y) 2 R2 ; a =
1; b = 1; h = k = 0;0015 y h = k = 0;00025:
1
b) f (x; y) = sen ( x) sen ( y) (x; y) 2 R2 ; a = b = ; h = k = 0;001 y h = k = 0;00012:
2
c) f (x; y) = xexy + yex (x; y) 2 R2 ; a = 0; b = 1; h = k = 0; 002 y h = k = 0;00011:
1
d) f (x; y) = (x; y) 2 R2 ; a = 10; b = 20; h = 0;001; k = 0;002; y, h = 0;00025 y
1 + x2 + y 2
k = 0;00012:
16. Sea v una función que posee derivadas parciales de todos los órdenes en un entorno de (a; b) 2 R2 :
@2v
Se desea calcular valores aproximados de (a; b) mediante cocientes de diferencias …nitas que
@x@y
se indican a continuación, donde h 6= 0; k 6= 0 su…cientemente pequeños, y, i 6= 0 escogidos
apropiadamente, i = 1; 2; 3; 4; 5.
2
r2 v (a; b) rv (a; b) 4rv (a; b) v (a; b) 4 v (a; b)
a) : b) : c) : d) : e) :
1 hk 2 hk 3 hk 4 hk 5 hk
Estime en cada caso el error de aproximación y analice los resultados.
Rb
17. En cada item se de…ne una función real continua f en [a; b] : Calcular I (f ) = a f (x) dx: Calcular
valores aproximados de I (f ) con la regla del rectángulo Rn (f ) con particiones uniformes (n) con
n = 4 y luego con n = 8: Calcular jI (f ) Rn (f )j :
2x p
a) f (x) = x2 x 2 [0; 4] : b) f (x) = 2 x 2 [ 1; 2] : c) f (x) = x x 2 [1; 9] :
x +1
d) f (x) = xex x 2 [ 2; 2] : e) f (x) = x ln(x) x 2 [1; e] : f ) f (x) = arctan(x) x 2 [0; 1] :
Rb
18. Con cada función f que se de…ne en cada item, calcular I (f ) = a f (x) dx y calcular valores
aproximados de dicha integral con la regla de los trapecios Tn (f ) con particiones uniformes (n)
con n = 5 y luego con n = 10: Calcular el error jI (f ) Tn (f )j :
1 p
a) f (x) = x2 1 x 2 [ 1; 3] : b) f (x) = x 2 [0; 2] : c) f (x) = 2x + 1 x 2 [0; 4] :
x+1
x 2
d) f (x) = 2xe x 2 [0; 2] : e) f (x) = x ln(x)+x2 x 2 [1; e] : f ) f (x) = x arctan(x) x 2 [0; 1] :
2.9. EJERCICIOS 125
Rb
19. Con cada función f que se de…ne en cada item, calcular I (f ) = a f (x) dx: Aplicar la regla de
Simpson Sn (f ) para calcular aproximaciones de I (f ) con particiones uniformes (n) con n = 4; y
n = 8: Calcule el error jI (f ) Sn (f )j :
a) f (x) = x2 +1 x 2 [ 1; 1] : b) f (x) = x3 x 2 [ 1; 1] : c) f (x) = 3x3 +2x2 x+1 x 2 [0; 1] :
1
d) f (x) = (x + 1) 3 x 2 [0; 7] : e) f (x) = x sen(x) x 2 [0; ] : f ) f (x) = x cos2 (x) x 2 [0; ] :
21. El área del círculo C = (x; y) 2 R2 j x2 + y 2 4 es a (C) = 4 (círculo de centro (0; 0) y radio
p R2p
r = 2): Se de…ne f (x) = 4 x2 x 2 [0; 2] ; calcule I (f ) = 4 0 4 x2 dx y veri…que que
a(C) = I(f ):
a) Aplique la regla del rectángulo generalizado para calcular aproximaciones de a (C) con particiones
(n) uniformes con n = 5 y n = 10: Calcule el error ja (C) Rn (f )j :
b) Aplique la regla de los trapecios generalizada Tn (f ) para calcular aproximaciones de a (C) con
particiones (n) uniformes con n = 5 y n = 10: Calcule ja (C) Tn (f )j :
c) Aplique la regla de Simpson generalizada Sn (f ) con particiones (n) uniformes con n = 4 y
n = 8: Calcule jSn (f ) I (f )j :
Compare los resultados de a), b) y c).
1 1 R1
22. Sea f la función real de…nida como f (x) = x 2 ; 1 e I (f ) = 1 f (x) dx: Calcule I (f ) :
x2 4 4
R 2 Aplique la regla de los trapecios generalizada para calcular valores aproximados de I (u) =
b)
2 u (x) dx con cada una de las particiones 1 (6) ; 2 (8) ; 3 (10) siguientes:
1 (6) = fx0 = 2; x1 = 1; x2 = 0;5; x3 = 0; x4 = 0;5; x5 = 1; x6 = 2g ;
x0 = 2; x1 = 1; x2 = 0;5; x3 = 0;25; x4 = 0;
2 (8) = ;
x5 = 0;25; x6 = 0;5; x7 = 1; x8 = 10
126CAPÍTULO 2. INTERPOLACIÓN POLINOMIAL, DERIVACIÓN E INTEGRACIÓN NUMÉRICA
26. Sean f 2 C ([a; b]) ; (n) una partición regular del intervalo [a; b] : Elabore un algoritmo para
Rb
aproximar I (f ) = a f (x) dx con la regla del rectángulo generalizada.
27. Sea R2RRuna región del tipo II; f 2 C ( ) : Elabore un algoritmo para calcular aproximaciones
de I (f ) = f (x; y) dxdy con la regla de los trapecios generalizada.
28. a) Sea R2 una región de tipo I; f 2 C ( ) : Elabore un algoritmo para calcular aproximaciones
RR
de I (f ) = f (x; y) dxdy con la regla de Simpson generalizada.
29. En cada item se de…ne una función continua f sobre = [a; b] [c; d] que se indica. Calcule I (f ) =
Rb Rd
a c f (x; y) dy dx: Aplique la regla de los trapecios generalizada para calcular aproximaciones
de I (f ) con n = m = 5: Estime el error
a) f (x; y) = xy (x; y) 2 [0; 2] : b) f (x; y) = x3 y + xy 4 (x; y) 2 [0; 1] [0; 1] :
p p p
c) f (x; y) = 10 xy (x; y) 2 [0; 1] [0; 1] : d) f (x; y) = x + y (x; y) 2 [0; 4] [0; 4] :
y 4
e) f (x; y) = p (x; y) 2 [0; 4] [0; 2] : f ) f (x; y) = (x; y) 2 [1; 4] [1; 4] :
1+ x 1 + xy
Rb Rd
30. Calcular I (f ) = a c f (x; y) dy dx para cada función f 2 C ( ) que se de…ne sobre =
[a; b] [c; d] : Aplique la regla de Simpson generalizada para calcular aproximaciones de I (f ) con
m = n = 5: Estime el error.
a) f (x; y) = x2 + xy (x; y) 2 [ 1; 1] [0; 1] : b) f (x; y) = xey + yex (x; y) 2 [0; 1] [0; 1] :
h i 1
c) f (x; y) = sen (x + y) (x; y) 2 0; : d) f (x; y) = (x + y) 3 (x; y) 2 [0; 4] :
2
p
p p x
e) f (x; y) = 2 x 3 y (x; y) 2 [0; 1] [1; 4] : f ) f (x; y) = p (x; y) 2 [0; 4] [1; 4] :
y
2.9. EJERCICIOS 127
Rd Rb
31. En cada item se de…ne una función u sobre = [a; b] [c; d] : Calcule I (f ) = c a u (x; y) dx dy:
Calcule aproximaciones de I (u) con m; n que se indican; y, estime el error jI (u) :Tmn (u)j :
a) u (x; y) = x2 + y 2 (x; y) 2 [0; 1] [0; 1] ; m = n = 5:
p
b) u (x; y) = x + y (x; y) 2 [0; 2] [1; 4] ; m = n = 6:
c) u (x; y) = yexy (x; y) 2 [0; 1] [ 1; 0] ; m = n = 5:
1
d) u (x; y) = x4 (x; y) 2 ;2 [ 1; 1] ; m = n = 8:
2
De modo análogo, calcule aproximaciones de I (u) usando la regla de Simpson generalizada Smn (u)
con m = n = 4; y, estime el error jI (u) Smn (u)j :
32. Sean V = C ([a; b]) el espacio vectorial real de funciones continuas en [a; b], n 2 Z+ , y el funcional
de…nido sobre C ([a; b]) que en cada item se de…ne. Pruebe que es lineal.
nP1
h b a
a) (f ) = 2 (f (a) + f (b)) + h f (xj ) (fórmula de los trapecios generalizada), donde h = n
j=1
y xj = a + jh j = 0; 1; : : : ; n.
nP1 P
n
h
b) (f ) = 3 (f (a) + f (b)) + 23 h f (x2j ) + 34 h f (x2j 1) (fórmula de Simpson generalizada),
j=1 j=1
b a
donde h = 2n , xj = a + jh j = 0; 1; : : : ; 2n
33. Aplique la regla de los trapecios generalizada para aproximar las siguientes integrales con una
discretización de 10 puntos igualmente espaciados:
R1p R1 R2 R 0;5 R2 R2 x
a) 0 xdx: b) 0 x1=4 dx: c) 0 xe x dx: d) 0 sen(x2 )dx: e) 1 lnxx dx: f ) 1 ex dx:
Para los literales a), b) y c) halle el valor exacto de la integral y compare con el valor aproximado.
RR
34. En cada item se de…ne una función f sobre una región : Calclular I (f ) = f (x; y) dxdy:
Aplicar la regla de los trapecios generalizada Tmn (f ) para calcular una aproximación de I (f )
con m = n = 4:
n p o
a) f (x; y) = x; y (x; y) 2 = (x; y) 2 R2 j 1 x y 1 x2 ; 0 x 1 :
R1 x2 dx;
R1 x2 dx:
36. Considerar la integral impropia I = 0 x2 e y sea I1 = 0 x2 e
p
a) Demuestre que I = 4 ' 0;4431134628:
b) Muestre que
Z 1 Z 1 1
x2 1 e t
I2 = x2 e dx = dt:
1 2 0 t5=2
c) Aplique la fórmula de los trapecios con n = 4 para aproximar I1 ; I2 consecuentemente I (tome
en cuenta la singularidad en I2 ). Compare el resultado con a).
d) Repita la parte b) con n = 10: Compare el resultado con a) y c).
R1 Rx
37. Considerar la integral doble I = 0 x3 (x2 + y)dy dx:
5
a) Muestre que I = :
28
Rx 2
b) Sean g(x) = x3 (x + y)dy; x 2 [0; 1]; h = 0;2 y xk = kh; k = 0; 1; : : : ; 5. Calcule g(xk ) y
aproxime g(xk ) usando la regla de los trapecios con m = 5:
R1
c) Aplique la regla de los trapecios para aproximar I = 0 g(x)dx y compare con a).
R 2 R x3
38. Sea I = 1 x2 (x2 + y 2 )dxdy:
a) Calcule I:
b) Aplique la regla de los trapecios para aproximar I con m = n = 5:
R1 R1 2 2
39. Sea I = 1 1 ex +y dxdy:
R1 2 2
a) Pruebe que I = 4 0 ex dx :
b) Utilice la fórmula de los trapecios para aproximar el valor de I con n = 10; y luego con n = 20:
c) Utilice la serie de Taylor de e y aproxime I mediante una suma …nita Sn de modo que
5
jI Sn j < 10 ;
donde n es el más pequeño número entero positivo que satisface dicha condición. De los resultados
de b) y c) ¿qué algoritmo es más costoso numéricamente?.
R2 R2 y p
40. Considerar la integral I = 0 0 1 + xdx dy:
a) Calcular I:
R2 yp
b) Sean g(y) = 0 1 + xdx, y 2 [0; 2]. Aplique la regla de los trapecios para aproximar I con
particiones de 6 puntos igualmente espaciados.
R4 R y 4
41. Considerar la integral I = 0
2
p
4 y
(xy)3 dx dy:
1. Tom M. Apostol, Análisis Matemático, Segunda Edición, Editorial Reverté, Barcelona, 1982.
2. Tom M. Apostol, Calculus, Volumen 1, Segunda Edición, Editorial Reverté, Barcelona, 1977.
3. Tom M. Apostol, Calculus, Volumen 2, Segunda Edición, Editorial Reverté, Barcelona, 1975.
6. Richard H. Bartels, John C. Beatty, Brian A. Barsky, An Introduction to Splines for use in
Computer Graphics and Geometric Medeling, Editorial Morgan Kaufmann Publishers, Inc., San
Mateo, California, 1987.
7. Jérõme Bastien, Jean-Noël Martin, Introduction à l’Analyse Numérique, Editorial Dunod, París,
2003.
8. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
9. Richard L. Burden, J. Douglas Faires, Análisis Numérico, Séptima Edición, International Thomson
Editores, S. A., México,2002.
10. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
11. Elaine Cohen, Richard F. Riesenfeld, Gershon Elber, Geometric Modeling with Splines, Editorial
A. K. Peters, Natick, Massachusetts, 2001.
12. S. D. Conte, Carl de Boor, Análisis Numérico, Segunda Edición, Editorial Mc Graw-Hill, México,
1981.
15. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, II Pitagora
Editrice Bologna, 1983.
16. Stephen H. Friedberg, Arnold J. Insel, Lawrence E. Spence, Algebra Lineal, Editorial Publicaciones
Cultural, S. A., México, 1982.
18. Curtis F. Gerald, Patrick O. Wheatley, Análisis Numérico con Aplicaciones, Sexta Edición, Editorial
Pearson Educación de México, México, 2000.
20. Kenneth Ho¤man, Ray Kunze, Algebra Lineal, Editorial Prentice-Hall Hispanoamericana, S. A.,
México, 1987.
21. Robert W. Hornbeck, Numerical Methods, Quantum Publishers, Inc., New York, 1975.
22. David Kincaid, Ward Cheney, Análisis Numérico, Editorial Addison-Wesley Iberoamericana,
Wilmington, 1994.
23. Rodolfo Luthe, Antonio Olivera, Fernando Schutz, Métodos Numéricos, Editorial Limusa, México,
1986.
24. Melvin J. Maron, Robert J. López, Análisis Numérico, Tercera Edición, Compañía Editorial
Continental, México, 1995.
25. Shoichiro Nakamura, Métodos Numérico Aplicados con Software, Editorial Prentice-Hall His-
panoamericana, S. A., México, 1992.
26. Antonio Nieves, Federico C. Dominguez, Métodos Numéricos Aplicados a la Ingeniería, Tercera
Reimpresión, Compañía Editorial Continental, S. A. De C. V., México, 1998.
28. Ben Noble, James W. Daniel, Algebra Lineal Aplicada, Editorial Prentice-Hall Hispanoamericana,
S. A., México, 1989.
29. Anthony Ralston, Introducción al Análisis Numérico, Editorial Limusa, México, 1978.
30. A. A. Samarski, Introducción a los Métodos Numéricos, Editorial Mir, Moscú, 1986.
32. Francis Scheid, Theory and Problems of Numerical Analysis, Schaum’s Outline Series, Editorial
McGraw-Hill, New York, 1968.
33. Michael Spivak, Calculus, Segunda Edición, Editorial Reverté, Barcelona, 1996.
35. Gilbert Strang, Algebra Lineal y sus Aplicaciones, Editorial Fondo Educativo Interamericano,
México, 1982.
Resumen
Muchos problemas en matemáticas conducen a soluciones expresadas mediante series convergentes de
funciones, particularmente interesan las series de potencias, que suponemos convergen uniformemente
en un cierto intervalo cerrado [a; b] de R. Las series de Fourier se tratarán en el capítulo de mínimos
cuadrados. En muy pocos casos se conocen resultados exactos y en la generalidad de los mismos se
conocen resultados de convergencia puntual y uniforme. Tanto en el caso de conocer la función suma
como en el que se desconoce, interesa calcular valores aproximados de dichas sumas, las mismas que
deben ser aproximadas numéricamente.
Este capítulo se inicia con la aproximación de series numéricas. A continuación se tratan las series de
potencias a las que se dan mayor atención. Particular interés se da al cálculo aproximado de algunas
funciones usuales representadas como series de potencias como son sen(x), cos(x), arcsen(x), ln(x),
exp(x). Se presentan algunas aplicaciones de las series de potencias como en el caso de la función error, las
integrales elípticas. Se pone mucho énfasis en la aplicación de resultados de la consistencia y la estabilidad
numérica que nos permitan elaborar algoritmos simples de cálculo.
Esta sección está destinada a introducir algunos conceptos básicos sobre las series numéricas reales así
como presentar algunos resultados importantes sobre los criterios de convergencia. Estos resultados serán
de gran utilidad en el cálculo aproximado de series numéricas y series de funciones, y particularmente en
las series de potencias y las series de Fourier. El lector que está familiarizado con las series numéricas
puede pasar inmediatamente a los métodos de cálculo, aquel que no está familiarizado tendrá la ocasión
de tratar este tema en forma resumida. Al …nal del capítulo se dan algunas observaciones, comentarios y
se sugiere una bibliografía especializada para estudios más profundos.
Sea (an ) una sucesión numérica. A menos que se indique lo contrario, suponemos que las sucesiones
P
1
numéricas (an ) están de…nidas en todo n 2 N. La suma a0 + a1 + a2 + ::: + an + ; que se escribe an
n=0
P
1
y que se lee suma desde n = 0 hasta in…nito de an , se llama serie numérica. En la serie an , an se
n=0
llama término general. En el caso de que la sucesión numérica (an ) está de…nida para todo n 2 Z+ con
P
1
n n0 1; la suma an0 + an0 +1 + an0 +2 + ; se escribirá an :
n=n0
131
132 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
P
n P
1
Sea n 2 N. Se de…ne Sn = ak y se denomina suma parcial de la serie an : También se escribirá a
k=0 n=0
P
n P
1
la suma parcial Sn = ak . La sucesión (Sn ) se llama sucesión de sumas parciales de la serie an :
k=0 n=0
P
1
De…nición 1 i) Se dice que la serie an es convergente si y solo si la sucesión de sumas parciales
n=0
P
1
(Sn ) es convergente, es decir que existe S 2 R tal que l m Sn = S. Escribimos an = S y diremos
n!1 n=0
que S es la suma de la serie.
P
1
ii) Diremos que an es divergente si y solo si la sucesión de sumas parciales (Sn ) es divergente.
n=0
P
1
Se veri…ca inmediatamente que si an converge, entonces l m an = 0. El recíproco, en general, no es
n=0 n!1
cierto como se muestra más adelante con el ejemplo de la serie armónica.
Ejemplos
P
1
1 1 1 1
1. Sea n(n+1) : Observemos primeramente que n(n+1) = n n+1 8n 2 Z+ . En consecuencia; si
n=1
P
n
1
n 2 Z+ y Sn = k(k+1) denota la suma parcial, se tiene
k=1
1 1 1 1 1 1 1
S1 = 1 ; S2 = + =1 ; ; Sn = 1 n 2 Z+ :
2 1 2 2 3 3 n+1
1 P
1
1
Resulta l m Sn = l m 1 n+1 = 1, con lo cual la serie n(n+1) es convergente y converge a 1,
n!1 n!1 n=1
P
1
1 1
esto es, n(n+1) = 1: Note que l m = 0, o sea el término general de la serie es convergente.
n=1 n!1 n(n+1)
P
1
2. Sea x 2 R, x 6= 0. Consideramos la serie xn . Esta serie se llama serie geométrica. Para n 2 N
n=0
P
n
se de…ne la suma parcial Sn = xk = 1 + x + ::: + xn . Multipliquemos a Sn por x. Tenemos
k=0
n
X
xSn = xk+1 = x + x2 + ::: + xn+1 ;
k=0
luego
(x 1) Sn = xSn Sn = x + x2 + ::: + xn+1 (1 + x + ::: + xn ) = xn+1 1:
de donde
xn+1 1 1 xn+1
Sn = = si x 6= 1;
x 1 1 x 1 x
Sn = n + 1 si x = 1:
1 xn+1 1
l m Sn = l m = ;
n!1 n!1 1 x 1 x 1 x
P
1
1 P
1
y en consecuencia xn = 1 x si jxj < 1; x 6= 0: Si jxj 1, la serie xn es divergente,
n=0 n=0
pués la sucesión (Sn ) es divergente y l m Sn no existe.
n!1
3.1. RESULTADOS FUNDAMENTALES DE SERIES NUMÉRICAS CONVERGENTES. 133
P
1
1
3. La serie n es divergente. Esta serie se llama serie armónica. Para cada n 2 Z+ se de…ne la
n=1
P
n
1
suma parcial Sn = k. Observe las siguientes sumas parciales:
k=1
1
S2 = 1 + ;
2
1 1 1 1 1 1 2
S22 = 1 + + + > 1 + + + = 1 + ;
2 3 4 2 4 4 2
1 1 1 1 1 1 1 1 1 3
S23 = 1 + + + ::: + > 1 + + + + + + = 1 + ;
2 3 8 2 2 8 8 8 8 2
1 1 1 1 1 1 1 4
S24 = 1 + + + ::: + >1+ + + + >1+ ;
2 3 16 2 2 2 2 2
..
.
1 1 n
S2n = 1 + + ::: + n > 1 + :
2 2 2
n
Luego, l m S2n lm 1+ = 1; que muestra que la serie armónica es divergente. Note
2
n!1 n!1
1 P
1
1
que l m = 0, o sea el término general de la serie es convergente pero la serie k diverge.
n!1 n k=1
P
1
De…nición 2 Sea an una serie numérica.
n=0
P
1 P
1
i. Se dice que an converge absolutamente si la serie jan j converge.
n=0 n=0
P
1 P
1 P
1
ii. Se dice que an converge condicionalmente si an converge pero jan j diverge.
n=0 n=0 n=0
P
1 P
1
1. De la de…nición de convergencia absoluta se deduce que la serie jan j converge, entonces an
n=0 n=0
P
n P
n
converge. En efecto, sean Sn = ak y Sen = jak j : Como
k=0 k=1
n
X n
X
Sen = jak j jak j + jan+1 j = Sen+1 ;
k=0 k=0
P
1
la sucesión Sen es creciente. Además, por hipótesis la serie jak j es convergente, entonces l m Sen
k=0 n!1
P
1
existe y sea Se = jak j. Así, Sen es creciente y acotada superiormente, y Se = l mn!1 Sn =
k=0
Sup Sen : Puesto que
n2Z+
n
X n
X
jSn j = ak jak j = Sen Se 8n 2 Z+ ,
k=0 k=0
e o sea P
1
e es decir que P ak converge.
1
luego Sup jSn j S; ak S,
n2Z+ k=0 k=0
Ejemplos
P
1
( 1)n 1 P
1
1 P
1
( 1)n 1
1. La serie n converge, pero n diverge, entonces n converge condicionalmente.
n=1 n=1 n=1
P1
( 1)n 1
Más adelante, en las series de potencias se demuestra que n = ln 2:
n=1
134 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
P
1
( 1)k P
1
1
2. La serie k! converge absolutamente. En efecto, la serie k! converge al número e '
k=0 k=0
P
1
( 1)k
2;71828182::: base de los logaritmos naturales. Luego k! converge absolutamente pués para
k=0
Pn ( 1)k P P1 ( 1)k
cada n 2 Z+ ; se tiene j k=0 k! j . nk=0 1
k! : Además, k=0 k! =e 1:
P
1
De la de…nición de serie convergente, se sigue que si an es convergente y (Sn ) denota la sucesión de
n=0
sumas parciales de dicha serie, l m Sn = S si y solo si se veri…ca la condición
n!1
1
X n
X 1
X
S Sn = ak ak = ak :
k=0 k=0 k=n+1
P
1
Luego, ak es convergente si y solo si se veri…ca la siguiente condición:
k=0
1
X
8" > 0; 9n0 2 Z+ tal que 8n n0 ) ak < ":
k=n+1
P
1 P
1
Se denota con Sc al conjunto de todas las series convergentes. Sean an ; bn 2 Sc , y 2 R. Se
n=0 n=0
de…ne la adición de series convergentes y el producto de escalares por series convergentes como sigue:
P
1 P
1 P
1
Adición: an + bn = (an + bn ) ;
n=0 n=0 n=0
P
1 P
1
Producto por escalares: an = an :
n=0 n=0
y
1
X 1
X
2 R, an 2 Sc ) an 2 Sc ;
n=0 n=0
es decir que el conjunto Sc con las operaciones de adición y producto por escalares de series convergentes,
es un espacio vectorial denominado espacio de series convergentes.
P
1
Dada una serie numérica an , se debe determinar si esta es o no convergente. Para el efecto, es preciso
n=0
familiarizarse con algumos resultados fundamentales que nos permitan decidir si la serie es convergente,
divergente o simplemente con un determinado criterio no es posible decidir la convergencia o divergencia
y que se requiere de un análisis más …no para deducir la convergencia o divergencia de una serie dada.
En esta parte enunciamos sin demostración algunos criterios de convergencia más utilizados y se da un
ejemplo en el que se aplique el teorema. Al …nal del capítulo se cita una amplia bibliografía en la que
puede encontrarse las demostraciones de los resultados que damos a continuación ( Calculus de Apostol,
Volumen 1, Cálculo Avanzado de Fulks, Calculus de Spivak, y otros).
3.1. RESULTADOS FUNDAMENTALES DE SERIES NUMÉRICAS CONVERGENTES. 135
Ejemplo
P
1
( 1)n 1
La serie n!3n es convergente, pués la sucesión (an ) cuyo término general está de…nido como an = n!3n
n=0
1 P
1
( 1)n
es decreciente y se tiene l m an = l m n = 0: Por el criterio de Leibniz, n!3n converge. Se muestra
n!1 n!1 n!3 n=0
P
1
( 1)n 1 P
1
( 1)n
inmediatamente que n!3n converge absolutamente y e 3 = n!3n :
n=0 n=0
Ejemplo
P
1
1
La serie k! es convergente. En efecto, de la de…nición del factorial de k; esto es k! = 1 2 ::: k,
n=0
se tiene
1 1 1 1 1 1 1 1 1 1
= = ::: <1 ::: = k 1;
k! 1 2 ::: k 1 2 3 k 2 2 2 2
de donde para m; n 2 Z+ con m < n, obtenemos
m+n
X m+n
X m+n
X m
X1 m 1
1 1 1 1 1 X 1 1 m
= < k 1
= (k+n+1) 1
= n k
= n 2 2 2
k! k! 2 2 2 2 2
k=n+1 k=n+1 k=n+1 k=0 k=0
1 1
= (1 2m ) < ! 0:
2n 1 2n 1 n !0
1 P
m+n
1
Así, para " > 0; 9n0 2 Z+ tal que 8n n0 ) 2n 1 < ", y en consecuencia k! < " si n > m > n0 ;
k=n+1
P
1
1
y por el criterio de Cauchy, k! converge.
k=0
P
1
xk P
1
1
Nota: Más adelante se tratará la serie de potencias ex = k! ; x 2 R. Para x = 1, se tiene e = k! ;
k=0 k=0
1 1 P
1
( 1)k
para x = 3, se tiene e 3 = k!3k
que se indicó arriba.
k=0
an
i) Si 0 < l m < 1, entonces ambas series convergen o ambas series divergen.
n!1 bn
P
1
an P
1
ii) Si bn es convergente y l m = 0, entonces an es convergente.
n=0 n!1 bn n=0
P
1
an P
1
iii) Si an es divergente y l m = 0, entonces bn es divergente.
n=0 n!1 bn n=0
Ejemplos
P
1 1
en P
1
1
1. Estudiemos la convergencia de la serie n! : Primeramente n! = e. Apliquemos el criterio de
n=1 n=1
136 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
1
en 1
comparación por paso al límite, ponemos an = n! ; bn = n! 8n 2 Z+ , entonces
1
en
an n! 1
= 1 = en ! 1;
bn n!
n !1
P
1
1
luego, por la parte i) del teorema precedente, la convergencia de la serie n! implica la
n=0
P
1
en
1 P
1
en
1
convergencia de la serie n! . Así, resulta n! es convergente.
n=1 n=1
P
1
1 P
1
2. Las series y p1 divergen. Ponemos an = n1 ; bn = p1 8n 2 Z+ , entonces,
n n n
n=0 n=0
1 p
an n n 1
= = =p ! 0:
bn p1 n n n !1
n
Por la parte iii) del teorema de conparación por paso al límite, la divergencia de la serie armónica
P
1
implica la divergencia de la serie p1 :
n
n=1
Ejemplo
P
1
1
Sea p 2 R y consideremos la serie np . Estudiemos la convergencia de esta serie. Para ello aplicamos el
n=1
1
criterio de la integral. De…nimos la función f como sigue: f (x) = xp ; x 1: Entonces, para n = 1; 2; ::::;
Z n Z n
dx
In = f (x) dx = :
1 1 xp
Para p = 1, se tiene Z n
dx
In = = ln(x) jn1 = ln (n) ln 1 = ln (n) :
1 x
P
1
1
Resulta l mn!1 In = l mn!1 ln (n) = 1; y por el criterio de la integral, la serie n diverge.
n=1
Supongamos p 6= 1. Entonces
Z n n
dx 1 p+1 1 p+1
In = = x = n 1 :
1 xp 1 p 1 1 p
1 p+1 1
l m In = lm n 1 = , p > 1:
n!1 1 p n!1 p 1
P
1
1 P
1
1
Conclusión: por el criterio de la integral, la serie np converge si y solo si p > 1. La serie np diverge
n=1 n=1
si y solo si p 1:
3.1. RESULTADOS FUNDAMENTALES DE SERIES NUMÉRICAS CONVERGENTES. 137
P
1
i) Si 0 L < 1, la serie an converge.
n=0
Ejemplos
P
1
( 1)n n
1. Sea a > 1. Estudiemos la convergencia de la serie an : Apliquemos el criterio del cociente.
n=0
( 1)n n
Para el efecto, ponemos jan j = an n 2 Z+ . Luego
P
1
1 1
2. Consideremos la serie ln(n) : Apliquemos el criterio del cociente. Sea an = ln(n) n 2 Z+ con
n=2
n 2; entonces
an+1 ln (n)
= ! 1:
an ln (n + 1) n !1
an+1 P
1
1
Como l m = 1, el criterio del cociente no decide. Sabemos que la serie geométrica es
n!1 an n=1
n
1
divergente. Sea bn = n n 2 Z+ . Apliquemos el criterio de comparación por paso al límite. Tenemos
1
bn ln (n)
= n
1 = n 2 Z+ :
an ln(n)
n
ln x
Para calcular el límite apliquemos la regla de L’Hôpital a la función f (x) = x . Se tiene
1
ln x
l m f (x) = l m = l m x = 0:
x!1 x!1 x x!1 1
bn P
1
1
Así, l m = 0 y la divergencia de la serie armónica implica la divergencia de la serie ln(n) :
n!1 an n=2
P
1 n n
3. La serie n3
con > 1 es divergente, pués si an = n3
n 2 Z+ , entonces
n=1
n+1 3
an+1 n3 1
= = 1 ! ;
an (n + 1)3 n n+1 n !1
an+1
luego l m an = > 1; y por el criterio del cociente, la serie diverge.
n!1
138 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
P
1
i) Si 0 L < 1, la serie an converge.
n=0
Ejemplos
P
1 P
1
1
1. Sea x 2 ] 1; 1[ : La serie xn es convergente y xn = 1 x: Veri…quemos la convergencia
n=0 n=0
n
utilizando el criterio de la raíz. Sea an = jxj n2 Z+ , entonces
1 1
l m ann = l m (jxjn ) n = jxj < 1:
n!1 n!1
P
1
Así, la serie xn es convergente cuando jxj < 1:
n=0
P
1
1 1
2. Consideremos la serie 1 . Sea an = 1 n 2 Z+ , por el criterio de la raíz, tenemos
n=1 n 3 n3
1 1
l m ann = l m 1 = 1:
n!1 n!1 n 3n
Este criterio no decide la convergencia o divergencia de la serie.
1 ln(n)
Notemos que n 3n = exp 3n y en consecuencia
1 ln(n) 1
l m n 3n = l m exp 3n = exp lm ln (n) = e0 = 1:
n!1 n!1 n!1 3n
Hemos utilizado el resultado siguiente: la función dada por f (x) = ex x 2 R es continua y (xn )
l m xn
una sucesión real convergente. Entonces l mn!1 f (xn ) = f (l mn!1 xn ) = en!1 :
Aplicando el criterio de la integral, resulta que la serie propuesta es divergente.
P
1 P
1 P
n
Sean ak una serie absolutamente convergente de números reales, S = ak y Sn = ak n 1. Por
k=1 k=1 k=1
de…nición de serie convergente, dado > 0, existe N 2 N tal que jS
N: Desde el punto Sn j < ; 8n
P
1
de vista numérico es importante determinar el más pequeño entero positivo N tal que ak < , pués
n=N +1
reduce el número de téminos a utilizar en el cálculo de la suma SN que aproxima a S con la precisión
…jada . Por otro lado, resulta difícil determinar dicho entero N . Sin embargo, para las series numéricas
absolutamente convergentes resulta útil aplicar los criterios de convergencia (por ejemplo: de la integral,
del cociente, de la raíz, de comparación, entre otros), que permiten determinar tal entero N .
P
1
Para …jar las ideas, sean ak una serie convergente de números positivos, (bk ) una sucesión real de
k=1
P1 ak
números positivos tal que bk = 1 y supongamos que se ver…ca ! 0; lo que muestra que la
k=1 bk k !1
3.1. RESULTADOS FUNDAMENTALES DE SERIES NUMÉRICAS CONVERGENTES. 139
sucesión del numerador converge a cero mucho más rápidamente que la del denominador. Entonces, dado
> 0, existe N 2 N tal que abkk < 8k N: De esta desigualdad se sigue que ak < bk 8k N , luego
1
X 1
X 1
X
ak < bn < bn = :
k=N +1 k=N +1 k=1
P
N P
1 P
1
Sea SN = ak , entonces j ak SN j =j ak j< :
k=1 k=1 k=N +1
P
1 ak
Según este criterio si seleccionamos una sucesión positiva (bk ) tal que bk = 1 y l m = 0, resulta
k=1 k!1 bk
ak
fácil hallar N 2 Z+ que satisfaga la desigualdad < 8k N . Elegimos tal N como el más pequeño
bk
aN
entero positivo que veri…que < . Note que N no es el óptimo, pués depende de la sucesión elegida
bN
(bk ). En el caso general, hallar el óptimo N :
1
X
M infN 2 N j ak < g
k=N +1
Para una clase de series numéricas rápidamente convergentes se tendrá N pequeño, para las series
numéricas que convergen muy lentamente, el entero positivo N será muy grande con lo que este
procedimiento no es muy adecuado para esta clase de series numéricas, pués los errores de redondeo
y de truncamiento afectarán seriamente en el resultado.
Para series numéricas rápidamente convergentes, se propone el siguiente algoritmo que permite determinar
ak
el más pequeño entero N que veri…ca la condición < 8k N .
bk
Algoritmo
Datos de salida: N:
1. Hacer k = 1
ak
2. Si < . Continuar en 4).
bk
ak
3. Si , hacer k = k + 1. Continuar en 2).
bk
4. Imprimir N .
5. Fin.
Ejemplos
P
1
1
1. La serie np p > 1 es convergente, más aún, esta serie converge muy lentamente. Sea >0y
k=1
apliquemos el criterio de la integral:
Z 1
dt t1 p 1 1
= j = < ;
N tp 1 p N (p 1)N p 1
140 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
h i 1
1 p 1
que implica N > (p 1) , donde [ ] denota la función mayor entero menor o igual que. Así por
1
ejemplo, para p = 2 se tiene que N > . Note que
X 1 1
3 1 1
< <2 :
2 N +1 n2 N
n=1
1 PN 1 P1 1
Elegido N > ; se de…ne la suma SN = 2
que aproxima a 2
con una precisión . Para
n=1 n n=1 n
= 10 8 se tendrá N > 108 que es un número muy grande de términos y los errores de redondeo y
de truncamiento in‡uirán en el cálculo de SN , lo que muestra las de…ciencias del método. Utilizando
P1 1 2
las series de Fourier, se prueba que 2
= :
n=1 n 6
P
1 2k
2. Consideremos la serie . Este es un ejemplo de una serie numérica rápidamente
k=0 k!(2k + 1)
2k
convergente. En efecto, apliquemos el criterio del cociente y pongamos ak = , entonces
k!(2k + 1)
ak+1 2(2k + 1) 2
= < ! 0:
ak (k + 1)(2k + 3) k+1 k !1
10 1 P1 1
La serie es convergente. Sea = 10 y bk = , entonces = 2. Luego
2k k=0 2
k
ak 4k
= ! 0 cuando k ! 1:
bk k!(2k + 1)
ak
El más pequeño entero positivo N tal que < 10 10 8k N es N = 23: Por lo tanto
bk
P
1
2k 10 ; con lo que S =
P23 2k P1 2k
k!(2k+1) < 10 N aproxima a con una precisión
k=24 k=0 k!(2k + 1) k=0 k!(2k + 1)
de 10 10 . La suma SN se evalúa del modo siguiente:
1 2 1 2 1 2 1 2
SN = 1+2 + + + + +
3 2 5 3 7 22 2 22 + 1 23 (2 23 + 1
= 2;3644538928 ;
I ! F (A)
Notación: si ' es una sucesión de funciones, se tiene ': donde para cada n 2 I,
n ! ' (n) = fn ;
fn es una función real de…nida en A. A la sucesión ' la notaremos (fn ) y diremos sucesión de funciones
de…nida en el conjunto A: El conjunto I se llama conjunto de índices, fn (x) con x 2 A se llama término
general de la sucesión (fn ) :
En el estudio de las sucesiones de funciones tienen especial interés las sucesiones convergentes y
particularmente la convergencia uniforme y sus propiedades.
Convergencia puntual.
Sea (fn ) una sucesión de funciones reales de…nidas en A: Para cada x 2 A; (fn (x)) es una sucesión
numérica real. Si existe l m fn (x) ; esto es, existe f (x) 2 R tal que l m fn (x) = f (x), diremos que
n!1 n!1
(fn (x)) converge a f (x). A este tipo de convergencia la llamaremos convergencia puntual.
Para los puntos x 2 A en los que l m fn (x) existe, se de…ne una función real f mediante la relación
n!1
l m fn (x) = f (x) : Se tiene Dom (f ) A. Escribiremos fn (x) ! f (x) con x 2 A. En lo que sigue,
n!1 n!1
supondremos que Dom (f ) = A: Tenemos la siguiente de…nición de convergencia puntual.
De…nición 4 Sea (fn ) una sucesión de funciones reales de…nidas en A; f 2 F (A): Se dice que
(fn ) converge puntualmente a f si y solo si se cumple la siguiente condición:
8" > 0; 8x 2 A; 9n0 2 Z+ tal que 8n n0 ) jfn (x) f (x)j < ":
Si para algún x 2 A, l m fn (x) no existe, diremos que la sucesión (fn (x)) diverge y que la sucesión
n!1
(fn ) no es convergente en el conjunto A.
En el estudio de sucesiones de funciones, la primera tarea es el análisis de la convergencia puntual. Más
adelante veremos la convergencia uniforme y daremos más atención a este tipo de convergencia.
En la convergencia puntual, el elemento n0 2 Z+ depende de ", y de cada punto x 2 A. En este tipo de
convergencia no es posible hallar un n0 2 Z+ dependiente únicamente de " > 0.
Convergencia uniforme.
De…nición 5 Sea (fn ) una sucesión de funciones reales de…nidas en A; f 2 F (A): Se dice que
(fn ) converge uniformemente a f si y solo si se cumple la siguiente condición:
8" > 0; 9n0 2 Z+ tal que 8x 2 A; 8n 2 Z+ ; n n0 ) jfn (x) f (x)j < ":
Es preciso establecer la diferencia que existe entre la convergencia puntual y la convergencia uniforme. En
la convergencia uniforme, el elemento n0 de Z+ depende de ", en general del conjunto A y no de x 2 A,
142 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
Teorema 7 Sea (fn ) una sucesión de funciones de…nidas en el conjunto A que converge puntualmente
a la función f de…nida en A. Para cada n 2 Z+ se de…ne
Del criterio establecido en el teorema precedente, se sigue que (fn ) no converge uniformemente a f si y
solo si l m Mn 6= 0:
n!1
Teorema 8 Sean A R con A 6= ;; (fn ) una sucesión de funciones de…nidas en A. Enconces (fn )
converge uniformemente en A a alguna función f si y solo si para " > 0, existe n0 2 Z+ tal que 8x 2 A
iv) Si existen M1 > 0; M2 > 0 tales que sup sup j fn (x) j M1 ; sup sup j gn (x) j M2 ; entonces
n2Z+ x2A n2Z+ x2A
(fn gn ) converge uniformement a f g:
l m l m fn (x) = l m l m fn (x) :
x!x0 n!1 n!1 x!x0
mientras que si x 6= 0;
nx2
l m l m fn (x) = l m l m e = l m 0 = 0:
x!0 n!1 x!0 n!1 x!0
Teorema 10 Sean A R con A 6= ; y (fn ) una sucesión de funciones continuas en todo punto x 2 A:
Si (fn ) converge uniformemente a una función límite f de…nida en A, entonces f es continua en todo
punto x 2 A:
Sea [a; b] un intervalo cerrado de R: Se considera una sucesión de funciones reales (fn ) de…nida en [a; b] que
converge a una función f de…nida en el mismo intervalo [a; b] : Supongamos que se tiene la convergencia
puntual, esto es
l m fn (x) = f (x) x 2 [a; b] :
n!1
Adicionalmente, supongamos que cada función fn es integrable en [a; b] ; ¿es la función límite f integrable
Rb Rb
en [a; b]? ¿se veri…ca l m a fn (x) dx = a f (x) dx? En de…nitiva, se desea saber las condiciones que se
n!1
deben veri…car para que se cumpla la igualdad siguiente:
Z b Z b
lm fn (x) dx = l m fn (x) dx;
n!1 a a n!1
es decir que podamos intercambiar el símbolo de integral con el del límite, o también que una sucesión
convergente se pueda integrar término a término.
La convergencia de (fn ) a f así como la integrabilidad de cada función fn no garantiza, en general, que
se veri…que la igualdad anterior, como se puede comprobar con el siguiente ejemplo.
(
n; si x 2 n1 ; n2 ;
Sea (fn ) la sucesión de funciones de…nida como fn (x) = n = 1; 2; : : : :Cada
0; si x 2 [0; 2] 8 n1 ; n2
función fn es integrable en [0; 2] (fn es una función escalonada), y,
Z 2 Z 1 Z 2 Z 2 Z 2
n n n
fn (x) dx = fn (x) dx + fn (x) dx + fn (x) dx = ndx = 1:
1 2 1
0 0 n n n
R2
Luego l m 0 fn (x) dx = 1: Por otro lado, fn (x) ! 0 x 2 [0; 2] : Se pone f (x) = 0 x 2 [0; 2] ; y se
n!1 n!1
tiene Z Z
2 2
l m fn (x) dx = f (x) dx = 0:
0 n!1 0
R2 R2
Tenemos para este ejemplo se tiene l mn!1 0 fn (x) dx 6= 0 (l mn!1 fn (x)) dx:
Antes de enunciar el teorema relativo a la convergencia uniforme y la integración revisamos las condiciones
que veri…can las funciones integrables en [a; b] :
Sea u una función acotada en [a; b] : Se dice que u es integrable (Riemann integrable) en [a; b] si y solo si
Z b Z b
I (u) = Sup ' (x) dx = Inf (x) dx = I (u) ;
' u a u a
144 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
donde '; son funciones escalonadas de…nidas en [a; b] tales que ' u :
Los siguientes enunciados son equivalentes:
i) u es integrable en [a; b] :
ii) Para todo " > 0; existen dos funciones escalonadas ; ' de…nidas en [a; b] tales que ' u y
Rb
a ( ') dx < ":
Teorema 11 Sea (fn ) una sucesión real de funciones integrables en [a; b] : Supongamos que (fn )
converge uniformemente a una función f de…nida en [a; b] : Entonces,
i) f es integrable en [a; b] :
Rb Rb
ii) l m fn (x) dx = l m fn (x) dx:
n!1 a a n!1
En este esquema puede verse que la convergencia uniforme es una condición su…ciente para que f sea
integrable en [a; b] :
Teorema 12 Sea (fn ) una sucesión de funciones continuas en [a; b] que converge uniformemente a f .
Entonces Z b Z b
lm fn (x) dx = f (x) dx:
n!1 a a
Sea A R; A abierto A 6= ;; (fn ) una sucesión de funciones reales de…nidas en A que converge
puntualmente a una función f de…nida en A, esto es l mn!1 fn (x) = f (x) x 2 A: Supongamos
que cada función es derivable en todo punto x 2 A, ¿la función límite f es derivable en x 2 A? De ser
así, tendríamos
df dfn
(x) = l m (x) x 2 A;
dx n!1 dx
o sea
d dfn
l m fn (x) = l m (x) x 2 A;
dx n!1 n!1 dx
es decir que la sucesión (fn ) puede derivarse término a término. Lamentablemente esta igualdad no
siempre se cumple como se ilustra en el ejemplo siguiente.
Sea (fn ) la sucesión de funciones reales de…nidas como fn (x) = p1n sen (nx) x 2 R; n = 1; 2; : : : :Cada
dfn p
función fn es derivable y (x) = n cos (nx) x 2 R; n = 1; 2; : : : : Para x = 2k k 2 Z; se tiene
dx
1 dfn p p
fn (2k ) = p sen (2nk ) = 0, (2k ) = n cos (2kn ) = n ! 1:
n dx n!1
3.2. SUCESIONES Y SERIES DE FUNCIONES. CONVERGENCIA PUNTUAL Y UNIFORME. 145
Puesto que p1
jsen (nx)j p1 ! 0 8x 2 R; se pone f (x) = 0 x 2 R y se tiene que fn ! f
n n n!1 n!1
df df
uniformemente. Además (x) = 0 y en particular (2k ) = 0 8k 2 Z: Resulta, para todo k 2 Z;
dx dx
df d dfn
0= (2k ) = l m fn (2k ) 6= l m (2k ) = 1:
dx dx n!1 n!1 dx
Es este ejemplo se muestra que inclusive la convergencia uniforme de la sucesión (fn ) no basta, debemos
dfn
tener algo más sobre la sucesión : En el siguiente teorema se proponen las condiciones bajo las
dx
cuales se puede derivar término a término.
Teorema 13 Sean A R; A 6= ; un conjunto abierto, (fn ) una sucesión real de funciones derivables
dfn
en cada punto x 2 A y tales que (x) < 1; n = 1; 2; : : : : Supongamos que (fn (x0 )) converge
dx
para algún punto x0 2 A y que la sucesión (fn ) converge uniformemente a una función g. Entonces,
df
ii) Para cada x 2 A; (x) = g (x) :
dx
Este resultado se sintetiza en el siguiente esquema:
8
>
> dfn 8
< j dx (x) j< 1 8x 2 A; n = 1; 2; : : : ;
> < fn ! f uniformemente;
n !1
x0 2 A; (fn (x0 )) convergente, ) df
>
> : (x) = g(x) 8x 2 A:
: dfn ! g uniformemente,
> dx
dx n!1
P
1
Sea (fn ) una sucesión de funciones de…nidas en un subconjunto no vacío A de R. La suma fk se
k=1
P
n P
n
llama serie de funciones. Para n 2 N, se de…ne Sn = fk ,y, Sn (x) = fk (x) x 2 A: La
k=1 k=1
función fn se llama término general de la serie y Sn se denomina suma parcial de la misma. Además,
Sn es una función de…nida en el conjunto A, y (Sn ) es una sucesión de funciones de…nida sobre A. Para
cada x 2 A; (Sn (x)) es una sucesión numérica. Si l m Sn (x) existe, denotamos al mismo con S (x),
n!1
P
1
esto es, l m Sn (x) = S (x) x 2 A; y decimos la serie numérica fk (x) tiene como suma S (x).
n!1 k=1
P
1
Escribimos fk (x) = S (x) x 2 A. Se de…ne una función real S en todos los puntos x 2 A en los que
k=1
P
1
l m Sn (x) = fk (x) existe mediante la relación:
n!1 k=1
1
X
S (x) = l m Sn (x) = fk (x) ; x 2 A;
n!1
k=1
P
1
y diremos que fk converge puntualmente a S. Se tiene Dom (S) A:
k=1
P
1
Note que el estudio de la serie de funciones fk se le ha conducido al estudio de la sucesión de
k=1
funciones (Sn ) : La primera tarea es analizar su convergencia puntual, a continuación se debe estudiar
la convergencia uniforme así como sus consecuencias, esto es, la convergencia uniforme y continuidad,
convergencia uniforme e integración, convergencia uniforme y derivabilidad de dicha serie de funciones.
146 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
La convergencia uniforme de la serie y la continuidad tiene que ver con la cuestión relativa al intercambio
entre el símbolo de sumatorio con el de límite:
1
X 1
X 1
X
lm fk (x) = l m fk (x) = fk (a) a 2 A;
x!a x!a
k=1 k=1 k=1
Zb 1
! 1 Z b
X X
fk (x) dx = fk (x) dx a; b 2 A tales que a < b;
a k=1 k=1 a
P
1
i) fn converge si y solo si se satisface la siguiente condición:
n=1
8" > 0; 8x 2 A; 9p 2 Z+ tal que 8m 2 Z+ ; jfp+1 (x) + + fp+m (x)j < ":
P
1
ii) fn converge uniformemente si y solo si satisface la siguiente condición:
n=1
8" > 0; 9 p 2 Z+ tal que 8x 2 A; 8m 2 Z+ ; jfp+1 (x) + + fp+m (x)j < ":
Ejemplos
P
1 1 k x
1. Consideremos la serie 2 sen x 2 R: Mostremos que esta serie es convergente.
k=1 (k + 1) 2
Para ello apliquemos el criterio de Weierstrass. Tenemos
1 k x 1
sen 8x 2 R; k = 1; 2; : : :
(k + 1)2 2 (k + 1)2
P
1 1
Aplicando el criterio de la integral se prueba que la serie numérica 2 es convergente, por
n=1 (n + 1)
P
1 1 k x
la prueba de Weierstrass se sigue que las serie 2 sen converge uniformemente en
k=1 (k + 1) 2
3.2. SUCESIONES Y SERIES DE FUNCIONES. CONVERGENCIA PUNTUAL Y UNIFORME. 147
P
1 P
1
2. La serie geométrica xk converge si y solo si jxj < 1, en cuyo caso escribimos xk =
k=0 k=0
1
jxj < 1:
1 x
P
1 1
Sea 0 < a < 1: Para todo x 2 [ a; a] ] 1; 1[ se tiene xk ak k = 0; 1; : : : ; ak = ;
k=0 1 a
P1
por la prueba de Weierstrass resulta que la sucesión (Sn ) de…nida como Sn (x) = xk converge
k=0
uniformemente a
1
X 1
S (x) = xk = x 2 [ a; a] :
1 x
k=0
P
1
La serie xk x 2 ] 1; 1[ no converge uniformemente, únicamente se tiene convergencia puntual;
k=0
P
1 1
esto es, xk = jxj < 1:
k=0 1 x
P
1
Teorema 16 Sea fn una serie de funciones sobre un subconjunto A de R con A 6= ;:
n=1
P
1 P
1 P
1 P
1
i) Si jfn j converge, entonces fn converge, y, fn jfn j :
n=1 n=1 n=1 n=1
P
1 P
1 P
1
ii) Si jfn j converge uniformemente, entonces fn converge uniformemente, y, fn
n=1 n=1 n=1
P
1
jfn j :
n=1
Ejemplo
P1 ( 1)k x2k
Consideremos la serie x 2 R. Probemos que converge uniformemente sobre cada intervalo
k=0 (2k + 5)!
P1 ( 1)k x2k P1 x2k
[ r; r] con r > 0: En efecto, para cada x 2 R, la serie = converge, pués por
k=0 (2k + 5)! k=0 (2k + 5)!
el criterio del cociente, para x 6= 0 se tiene
x2k r2k
Sea r > 0. Entonces 8x 2 [ r; r] ; k = 0; 1; : : :.El criterio del cociente
(2k + 5)! (2k + 5)!
P1 r2k P1 x2k
muestra que la serie converge. Por la prueba de Weierstrass, la serie converge.
k=0 (2k + 5)! k=0 (2k + 5)!
Mostremos que la convergencia es uniforme. Sea " > 0: Por el criterio de Cauchy,
p+m
X r2k
9p 2 Z+ tal que 8m 2 Z+ ) < ";
(2k + 5)!
k=p+1
de donde
p+m
X p+m
X p+m
X
( 1)k x2k jxj2k r2k
<" 8x 2 [ r; r]
(2k + 5)! (2k + 5)! (2k + 5)!
k=p+1 k=p+1 k=p+1
148 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
P1 ( 1)k x2k
que prueba la convergencia uniforme de la serie 8x 2 [ r; r] :
k=0 (2k + 5)!
Escribamos estos resultados en términos de sucesiones. Denotamos con (un ) ; (vn ) las sucesiones de…nidas
por
Xn Xn
( 1)k x2k x2k
un (x) = ; vn (x) = x 2 [ r; r] ; n = 1; 2; : : : .
(2k + 5)! (2k + 5)!
k=0 k=0
P
1 x2k
Se tiene jun (x)j vn (x) x 2 [ r; r] ; n = 1; 2; : : :La convergencia de la serie x2R
k=0 (2k + 5)!
implica que l m vn (x) existe para todo x 2 [ r; r] y por el criterio de Cauchy,
n!1
P
n x2k
Para m; n 2 Z+ tal que n > m p; se tiene vn (x) vm (x) = <" 8x 2 [ r; r] ; y de la
k=m+1 (2k + 5)!
( 1)k x2k P
n
desigualdad jun (x) um (x)j vn (x) vm (x) < " si n > m p, se deduce
< " si
k=m+1 (2k + 5)!
n>m p; x 2 [ r; r] ; que son los resultados que hemos obtenido anteriormente.
Tal como en el estudio de las sucesiones de funciones nos interesamos en los problemas de la convergencia
P
1
uniforme y la continuidad, derivación e integración, esto es, si fn es una serie de funciones de…nidas en
n=1
P
1
A que converge uniformemente a una función suma S, se tiene S (x) = fn (x) x 2 A: Los resultados
n=1
precedentes obtenidos en esta sección y los de la sección anterior son aplicados a la sucesión de sumas
Pn
parciales (Sn ) con Sn = fk n = 1; 2; ; y se obtienen los siguientes relativos a la continuidad,
k=1
integrabilidad y derivabilidad. Así, si fn es continua en x0 2 A; n = 1; 2; : : : ; se tiene
1
X 1
X
lm fn (x) = l m fn (x) = S (x0 ) :
x!x0 x!x0
n=1 n=1
P
1 P
1 df
n
Si A es abierto, x0 2 A y fn (x0 ) converge, (fn ) es derivable en todo punto de A, y,
n=1 n=1 dx
P
1 P
1
converge uniformemente a una función g, entonces fn converge uniformemente a S = fn ; y,
n=1 n=1
dS
(x) = g (x) x 2 A; es decir, se tiene
dx
1
! 1
d X X dfn
fn (x) = (x) x 2 A:
dx dx
n=1 n=1
Teorema 17 Sea A R con A 6= ;; (fn ) una sucesión de funciones continuas en todo punto x 2 A:
P
1
Si fk converge uniformemente a una función S de…nida en A; entonces S es continua en A, y
k=1
1
X 1
X
lm fk (x) = l m fk (x) = S (x0 ) :
x!x0 x!x0
k=1 k=1
3.3. SERIES DE POTENCIAS. 149
Teorema 18 Sean (fn ) una sucesión de funciones integrables en [a; b] ; (Sn ) la sucesión de sumas
P
1 P
n
parciales de la serie fn ; esto es, Sn = fk n = 1; 2; : : :. Si (Sn ) converge uniformemente en [a; b]
n=1 k=1
P
1
aS= fk ; entonces S es integrable, y se tiene
k=0
Z bX
1 1 Z
X b
fk (x) dx = fk (x) dx:
a k=0 k=0 a
dun
(2k ) = sen (3n 2k ) = 0 n = 1; 2; : : : ;
dx
df P1
3 n df
y, (2k ) = 0: Para x 6= 2k ; la serie 2 sen (3n x) diverge, luego (x) no existe.
dx k=0 dx
Las series de potencias son series de funciones cuyas sumas parciales Sn (x) x 2 R y n = 1; 2; ;
son polinomios de grado n, y estos constituyen las funciones con las que se pueden calcularse valores
numéricos en forma relativamente simple. Iniciamos esta sección con la convergencia puntual de las series
de potencias que se convierte en la determinación del radio de convergencia. A continuación se trata las
propiedades de las funciones representadas como series de potencias y relacionamos con la convergencia
uniforme y la continuidad, integrabilidad y derivabilidad. Concluimos esta sección con la revisión de
algunos resultados de una parte importante de las series de potencias que lo constituyen las series de
Taylor.
P
1
Las series de potencias son series de la forma ak (x x0 )k ; donde (ak ) es una sucesión numérica
k=0
P
1
real, x,x0 2 R con x0 …jo. El cambio de variable t = x x0 , conduce a la serie ak tk , por lo que basta
k=0
P
1 P
1
estudiar las series de potencias ak xk : Además, toda serie de potencias ak xk converge por lo menos
k=0 k=0
para x = 0.
P
1
Teorema 19 Sean ak xk una serie de potencias, ; 2 R con 6= 0; 6= 0:
k=0
P
1
k P
1
i) Si ak converge, entonces ak xk converge absolutamente sobre ] j j ; j j[ :
k=0 k=0
P
1
k P
1
ii) Si ak diverge, entonces ak xk diverge para todo x 2 R tal que jxj > j j :
k=0 k=0
Radio de convergencia
A continuación se de…ne el radio de convergencia R que es muy importante en el análisis de la convergencia
de las series de potencias.
P
1
De…nición 6 Sea ak xk una serie de potencias. Se de…ne el conjunto A como sigue:
k=0
( 1
)
X
A= x2Rj jak j jxjk converge :
k=0
P
1
Se llama radio de convergencia de la serie ak xk a un número real R 0 o R = 1 que se de…ne
k=0
como sigue:
i) Si A = f0g ; R = 0:
ii) Si A = R; R = 1:
P
1
Teorema 20 Sean ak xk una serie de potencias y R > 0 o R = 1:
k=0
ii) Si R > 0; la serie de potencias converge absolutamente sobre ] R; R[ y diverge para x 2 R con
jxj > R:
Figura 29
P
1 ak+1
y la raíz Consideremos la serie de potencias ak xk y supongamos que L = l m : Para x 6= 0;
k=0 k!1 ak
apliquemos el criterio del cociente. Tenemos
ak+1 xk+1 ak+1
lm k
= lm jxj = L jxj :
k!1 ak x k!1 ak
8
< i) si L = 0; R = 1;
>
1
El radio de convergencia R se elige como sigue: ii) si L > 0; R = ;
>
: L
iii) si L = 1; R = 0:
1
Supongamos L = l m jak j k : Apliquemos el criterio de la raíz:
k!1
1
1
k k
lm jak j jxj = l m jxj jak j k = jxj L:
k!1 k!1
8
< i) si L = 0; R = 1;
>
1
El radio de convergencia R se elige en forma similar al caso precedente: ii) si L > 0; R = ;
>
: L
iii) si L = 1; R = 0:
Ejemplos
P
1
1. Consideremos la serie geométrica xk . Se demostró anteriormente que la serie converge si y solo
k=0
P
1 1
si jxj < 1: En tal caso xk =: Es claro que el radio de convergencia es R = 1: Los criterios
k=0 1 x
del cociente y de la raíz con…rman que el radio de convergencia es R = 1:
P
1
( 1)k 2k+1
2. Más adelante se prueba que arctan(x) = 2k+1 x ; cuyo intervalo de convergencia es ] 1; 1[:
k=0
P
1
( 1)k
En este ejemplo, para x = 1, se obtiene el siguiente resultado: 2k+1 = arctan(1) = 4; que
k=0
P
1
( 1)k
muestra que la serie 2k+1 converge condiciolnalmente a :
k=0 4
1 ( 1)k x2k
P
3. La serie de potencias tiene como radio de convergencia R = 1: En efecto, por el
k=0 k!2k
criterio del cociente se tiene
1 1
L1 = l m k!2k = l m = 0;
k!1 (k + 1)!2k+1 k!1 2 (k + 1)
P1 ( 1)k
4. La serie de potencias 2
xk+2 tiene como radio de convergencia R = 1, pués
k=0 k
1
1 k 1
L2 = l m = lm 2 = 1;
k!1 k2 k!1 kk
1 P1 ( 1)k
de donde R = = 1: Observe que para x = 1 se tiene la serie 2
que converge
L2 k=0 k
P1 1
absolutamente;y para x = 1 la serie 2
también converge absolutamente.
k=0 k
152 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
Consideramos en caso R > 0: La serie converge sobre el intervalo ] R; R[ ; por lo tanto de…ne una función
P
1
f de ] R; R[ en R dada por f (x) = ak xk x 2 ] R; R[ : Analicemos la convergencia uniforme de
k=0
P
1 P
n
la serie de potencias ak xk sobre ] R; R[. Se de…ne Sn (x) = ak xk x 2 ] R; R[ ; n = 1; 2; : : : ;y
k=0 k=0
sea 0 < < R: Apliquemos los resultados obtenidos anteriormente sobre la convergencia uniforme,
continuidad, integrabilidad y derivabilidad de sucesiones de funciones reales.
P
1 ak+1
Primeramente, l m Sn (x) = ak xk = f (x) x 2 ] R; R[ ; y como R > 0, se tiene lm > 0;
k!1 k=0 k!1 ak
1 ak+1
y por la de…nición del radio de convergencia se tiene R = ; de modo que lm =
ak+1 k!1 ak
lm
k!1 ak
< 1: Cada función Sn ; n = 1; 2; : : : ; es continua, derivable e integrable sobre [ ; ] : Seguidamente,
R
aplicamos la prueba de Weierstrass de la convergencia uniforme. Para x 2 [ ; ] ; se tiene ak xk
P
1
jak j k = Mk k = 1; 2; : : :.La serie jak j k converge, pués por el criterio de cociente se tiene
k=0
k+1
ak+1 ak+1
lm k
= lm = < 1:
k!1 ak k!1 ak R
P
1
La prueba de Weierstrass muestra que la serie ak xk converge uniformemente sobre [ ; ]. En
k=0
consecuencia
1
X
ak = Sup jSn (x) f (x)j = Sup ak xk ! 0,
x2[ ; ] x2[ ; ] k=0 k !1
es decir, (Sn ) converge uniformemente a f sobre [ ; ] : Además, f es continua y por lo tanto integrable
en [ ; ] : Resulta, para x0 2 [ ; ] ;
1
X 1
X 1
X
k k
f (x0 ) = l m f (x) = l m ak x = a lm x = ak xk0 :
x!x0 x!x0 x!x0 k
k=0 k=0 k=0
Para todo t 2 [ ; ];
Z t Z t 1
X 1
X Z t 1
X ak
f (x) dx = k
ak x dx = ak k
x dx = tk+1 ( )k+1
k+1
k=0 k=0 k=0
1
X 1
X
ak k+1 ( 1)k+1 ak k+1
= t ;
k+1 k+1
k=0 k=0
P
1 ak k+1 P 1 ( 1)k+1 a
k k+1
ya que las series t y son convergentes. Así, por el criterio del cociente,
k=0 k + 1 k=0 k + 1
para todo t 2 [ ; ] ; t 6= 0, se tiene
ak+1 k+2
t (k + 1) ak+1 k+1 ak+1 ak+1 1
lm k+2
k!1 ak k+1 = jtj k!1
lm
(k + 2) ak
= jtj l m
k!1 k+2
lm
k!1 ak
= jtj l m
k!1 ak R
< 1;
t
k+1
3.3. SERIES DE POTENCIAS. 153
P
1 ak k+1
que muestra que la serie de potencias t converge sobre [ ; ] : En consecuencia
k=0 k + 1
Z 1
X 1
X
t
ak k+1 ( 1)k+1 ak k+1
f (x) dx = t t2[ ; ];
k+1 k+1
k=0 k=0
P
1
Veri…quemos que la serie kak xk 1 converge uniformemente sobre [ ; ] : Primeramente veri…quemos
k=1
P
1
que kak xk 1 converge sobre [ ; ] : En efecto, por el criterio del cociente, se tiene para x 2
k=1
[ ; ] ; x 6= 0;
P
1
que prueba la convergencia de kak xk 1 x2[ ; ] : A continuación veri…camos que la convergencia
k=1
es uniforme. Tenemos
kak xk 1
= k jak j jxjk 1
k jak j k 1
x2[ ; ] ; k = 1; 2; : : :
P
1
k 1
y la serie numérica k jak j converge. Por la prueba de Weierstrass se concluye que la serie de
k=1
P
1
potencias kak xk 1 converge uniformemente sobre [ ; ] : Adicionalmente Sn (0) = 0 n = 1; 2; : : :.
k=1
df P1
Por el teorema de la convergencia uniforme y la derivación se deduce: (x) = kak xk 1 x2[ ; ]:
dx k=1
Ejemplo
P
1
1 P
1
Si jxj < 1, se tiene xk = 1 x . El radio de convergencia de la serie xk es R = 1: Si remplazamos
k=0 k=0
P
1
k 1
x por x en la serie geométrica, obtenemos ( 1) xk = 1+x cuyo radio de convergencia es también
k=0
P
1
R = 1, o sea ( 1)k xk = 1
1+x si jxj < 1: Con este ejemplo construimos algunas funciones que se dan
k=0
a continuación.
P
1 P
1 1
1. Para 0 < a < 1, la serie ak converge y ak = ; por la prueba de Weierstrass, la serie
k=0 k=0 1+a
P
1
k 1
( 1) xk = 1+x con jxj a, converge uniformemente. Aplicando el teorema de convergencia
k=0
uniforme e integración, deducimos el resultado siguiente:
Z Z 1
xX 1
X
x
dt k k ( 1)k k+1
ln (1 + x) = = ( 1) t dt = x jxj < 1;
0 1+t 0 k=0 k+1
k=0
P
1
( 1)k
cuyo radio de convergencia es R = 1. Además, para x = 1 se obtiene la serie numérica k+1 la
k=0
misma que converge condicionalmente a ln(2).
154 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
P
1
2. Si en el resultado siguiente ( 1)k xk = 1
1+x se remplaza x por x2 , obtenemos la serie de
k=0
P
1
potencias ( 1)k x2k = 1
1+x2
, y nuevamente, aplicamos el teorema de la convergencia uniforme y
k=0
la integración sobre el intervalo [0; x] ] 1; 1[ si x 0; y, [x; 0] ] 1; 1[ si x 0: Obtenemos
Z Z 1
xX 1
X
x
dt k 2k( 1)k 2k+1
arctan(x) = = ( 1) t dt = x ;
0 1 + t2 0 k=0 2k + 1
k=0
P
1
( 1)k
resultado que es válido para jxj < 1; y, para x = 1, se obtiene el siguiente resultado: 2k+1 =
k=0
arctan(1) = 4 :
3. Por otro lado, del teorema de la convergencia uniforme y la integración aplicado a la serie
P
1
xk = 1 1 x en un intervalo [ a; a] ] 1; 1[, obtenemos
k=0
Z x Z 1
xX 1
X
dt k xk+1
ln (1 x) = = t dt = si jxj < 1:
0 1 x 0 k=0 k+1
k=0
Por lo tanto,
1
X 1 1
1+x ( 1)k xk+1 X xk+1 X x2k+1
ln = ln (1 + x) ln (1 x) = + =2 ;
1 x k+1 k+1 2k + 1
k=0 k=0 k=0
1+x P
1
x2k+1
o sea ln 1 x =2 2k+1 para jxj < 1:
k=0
d 1 1 d P1 P1
4. Puesto que = 8x 2] 1; 1[; y por otro lado xk = kxk 1. Como
dx 1 x (1 x)2 dx k=0 k=1
P1 1
xk = para x 2] 1; 1[; por el teorema de convergencia uniforme y derivación, tenemos
k=0 1 x
1
! 1
1 d 1 d X X
k
2 = dx = x = kxk 1
para jxj < 1;
(1 x) 1 x dx
k=0 k=1
P
1
1
luego, kxk 1 = (1 x)2
jxj < 1:
k=1
1
5. Procediendo en forma similar a la del ejemplo precedente, la función de…nida como 1+x2
=
P
1
( 1)k x2k es válida para jxj < 1. Derivando miembro a miembro, se obtiene
k=0
1
! 1
2x d 1 d X k
X
2 = dx = ( 1) x 2k
= ( 1)k 2kx2k 1
:
2
(1 + x ) 1 + x2 dx
k=0 k=1
P
1
Así, ( 1)k 2kx2k 1 = 2x
(1+x2 )2
para jxj < 1:
k=1
P
1
Consideremos el caso R = 1. La serie de potencias ak xk converge en todo R y se de…ne una
k=0
P
1
función g dada por g (x) = ak xk x 2 R: Nuevamente la sucesión de funciones (Sn ) de…nida
k=0
P
n
como Sn (x) = ak xk x 2 R; n = 1; 2; : : : ; es continua, derivable e integrable sobre todo intervalo
k=0
[a; b] de R: Analicemos la convergencia uniforme de (Sn ) en [0; ] con > 0: Como R = 1, se tiene
3.3. SERIES DE POTENCIAS. 155
ak+1 k
lm = 0 y en consecuencia, ak xk jak j k = 1; 2; : : : ; x 2 [0; ] ; y la serie numérica
k!1 ak
P1
k
jak j converge, pués
k=0
k+1
ak+1 ak+1
lm k
= lm = 0:
k!1 ak k!1 ak
P
1
Por la prueba de Weierstrass, la serie ak xk converge uniformemente sobre j0; j : Luego g es continua,
k=0
derivable e integrable, y se tienen los siguientes resultados:
1
X
g (x0 ) = l m g (x) = ak xk0 para x0 2 [0; ] ;
x!x0
k=0
Z t Z tX
1 1
X ak k+1
g (x) dx = ak xk dx = t para t 2 [0; ] ;
0 0 k=0 k+1
k=0
1
X
dg
(x) = kak xk 1
x 2 [0; ] :
dx
k=1
df Rt
Calculemos (x) e 0 f (x) dx para x; t 2 R. Para todo > 0; se tiene
dx
1
! 1 1
df d X ( 1)k k
X ( 1)k xk 1 X ( 1)k+1 xk
(x) = x = = x2[ ; ];
dx dx
k=0
k! (k + 1)2 k=1
(k 1)! (k + 1)2 k=0
k! (k + 1)2
Z Z tX1 X1 Zt X1
t
( 1)k xk ( 1)k k ( 1)k k+1
f (x) dx = 2 dx = 2 x dx = 2t t2[ ; ]:
0 0 k=0 k! (k + 1) k=0
k! (k + 1) k=0
(k + 1)! (k + 1)
0
1 3: ( 1)k 1 P
1
Calculemos una aproximación de f 2 con una precisión " = 10 Tenemos f
2 k; =
k=0 k! (k + 1) 2 2
1 P1 1 P1 1
y sea ak = k = 0; 1; : : :.La serie converge a 1: Tenemos = 1; y
k! (k + 1)2 2k k=1 k (k + 1) k=1 k (k + 1)
1
sea bk = k = 1; 2; : : :Por el criterio de comparación, se tiene
k (k + 1)
ak k (k + 1) k 3
= 2 = < 10 si k 6:
bk k! (k + 1) 2 k (k + 1)!2k
Entonces
1
X 1
X 1
X 1
X
3 3 3 3
ak < 10 bk = 10 bk < 10 bk = 10 :
k=7 k=7 k=7 k=1
156 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
1 1
Luego, si f7 2 denota una aproximación de f 2 con una precisión "; se tiene
7
X
1 ( 1)k
f7 =
2
k=0
k! (k + 1)2 2k
1 1 1 1 1
= 1 + +
1 4 2 2 9 4 6 16 8 24 25 16 120 36 32
1 1
+
720 49 64 5040 64 128
1 1 1
= 1+ + +
2 9 4 24 25 16 720 49 64
1 1 1 1
+ + +
1 4 2 6 16 8 120 36 32 5040 64 128
' 0;8886:
1 1 3:
Así, f 2 f7 2 < " = 10
P
1
Las series de Taylor son series de potencias de la forma ak (x a)k , donde los coe…cientes ak están
k=0
(k)
de…nidos como ak = f k!(a) k = 0; 1; : : : ; con f una función que posee derivadas de todos los órdenes en
x = a. Se dice que la serie de Taylor es generada por f en x = a: Nos interesamos primeramente en las
P1
funciones f que se representan como series de potencias, esto es, f (x) = ak xk y determ namos los
k=0
coe…cientes ak k = 1; 2; ; a continuación nos interesa las funciones f que se representan como series
de potencias. Asumiremos que a = 0; si a 6= 0; el cambio de variable t = x a conduce al caso anterior.
P
1
Consideremos la serie de potencias ak xk cuyo radio de convergencia es R > 0. Se de…ne la función f
k=0
P
1
de ] R; R[ en R como f (x) = ak xk x 2 ] R; R[ : Determinemos los coe…cientes ak k = 1; 2; Se
k=0
tiene f (0) = a0 : Sea 0 < < R: Hemos visto que f 0 (x) existe y es continua en todo punto x 2 [ ; ],
P
1 P
1
y f 0 (x) = kak xk 1 luego f 0 (0) = a1 : La serie kak xk 1 converge uniformemente en el
k=1 k=1
intervalo [ ; ]. A continuación calculamos la derivada segunda de la función f; tenemos f 00 (x) =
P
1 P
1
k (k 1) ak xk 2 y de esta obtenemos f 00 (0) = 2!a2 : Nuevamente la serie k (k 1) ak xk 2 converge
k=2 k=2
P
1
uniformemente en el intervalo [ ; ] ; entonces f 000 (x) = k (k 1) (k 2) ak xk 3 y f 000 (0) = 3!a3 :
k=3
P
1
Continuando con este proceso, obtenemos f (n) (x) = k (k 1) ::: (k n + 1) ak xk n, y
k=n
f (n) (0)
f n (0) = n!an : Resulta an = n! n = 0; 1; 2; : : :, y la función f queda representada como la
P
1
f (k) (0)
serie de potencias siguiente f (x) = k! xk x 2 ] R; R[ ; que se conoce como serie de Taylor de
k=0
f en un entorno de x = 0: Es claro que f 2 C 1 (] R; R[) :
Cuando R = 1; la situación es muy similar al caso que acabamos de analizar, esto es, si f (x) =
P
1
ak xk x 2 R, entonces f 2 C 1 (R), y esta función f se representa como la serie de potencias
k=0
siguiente:
1
X f (k) (0)
f (x) = xk x 2 R:
k!
k=0
Sea R > 0 y f 2 C 1 (] R; R[). Consideramos el problema siguiente: expresar f (siempre que sea posible)
P
1 (k)
f (0) k
como una serie de Taylor en el entorno de 0; es decir, f (x) = k! x x 2 ] R; R[ : Si
k=0
3.3. SERIES DE POTENCIAS. 157
Ejemplos
P1 xk
1. La serie de Taylor x 2 R es generada por ex en x = 0. Esta serie converge absolutamente
k=0 k!
P1 xk
en todo punto x 2 R. El radio de convergencia es R = 1. Se tiene ex = 8x 2 R. Observe
k=0 k!
las siguientes series numéricas, todas son absolutamente convergentes:
1
X 1
X 1
X k
1 ( 1)k 2 2k p
2 22
e 2 = ; e = ; e = :
k!2k k! k!
k=0 k=0 k=0
d x P1 xk
Puesto que (e ) = ex 8x 2 R y como la serie de potencias ex = converge uniformemente
dx k=0 k!
sobre todo intervalo cerrado y acotado [a; b] de R, se sigue que
1
! 1 1 1
d x d X xk X kxk 1 X xk 1 X xk
(e ) = = = = = ex 8x 2 R.
dx dx k! k! (k 1)! k!
k=0 k=1 k=1 k=0
Por otro lado, si se remplaza x por x en el desarrollo de Taylor de ex ; se tiene la serie de
P1 ( 1)k xk
Taylor siguiente: e x = 8x 2 R. De manera similar, si se remplaza x por x2
k=0 k!
P1 ( 1)k x2k
en el desarrollo de ex ; se tiene la serie siguiente: e x2 = 8x 2 R. Igualmente
k=0 k!
k
p P1 x2 x3 P1 ( 1)k x3k
e x = 8x 2 [0; 1[; e 3 = 8x 2 R.
k=0 k! k=0 k!3k
2
La integral de e x no puede calcularse con funciones elementales, sin embargo, si utilizamos el
desarrollo de Taylor de dicha función, y los resultados de la convergencia uniforme y la integración,
obtenemos la siguiente serie de potencias:
Zt Zt X
1 1 Zt
X 1
X
x2 ( 1)k x2k ( 1)k x2k ( 1)k t2k+1
e dx = dx = dx = 8t 2 [0; 1[;
k! k! k!(2k + 1)
0 0 k=0 k=0 0 k=0
158 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
Por otro lado, si se remplaza x por x2 en los desarrollos de Taylor de sen(x) y cos(x), se obtienen
las series de potencias siguientes:
1
X 1
X
( 1)k x4k+2 ( 1)k x4k
sen(x2 ) = ; y cos(x2 ) = x 2 R.
(2k + 1)! (2k)!
k=0 k=0
p
Igualmente, el desarrollo en serie de potencias de la función real dada por g(x) = x sen( x)
8x 2 [0; 1[; se obtiene del desarrollo de Taylor de sen(x) : Tenemos
1
X 2k+1 1
X 2k+3
p ( 1)k x 2 ( 1)k x 2
g(x) = x sen( x) = x = 8x 2 [0; 1[:
(2k + 1)! (2k + 1)!
k=0 k=0
Esta serie de potencias converge absolutamente para todo x 0: Además, esta serie converge
uniformemente sobre todo intervalo cerrado y acotado [a; b] de [0; 1[, particularmente sobre [0; t];
y, si se aplica el teorema de la convergencia uniforme y la integración se obtiene la siguiente serie
de potencias absolutamente convergente sobre el intervalo [0; 1[:
Zt Zt X
1 2k+3 1
X Z t 1
p ( 1)k x 2 ( 1)k 2k+3 5 X ( 1)k tk
x sen( x)dx = dx = x 2 dx = 2t 2 :
(2k + 1)! (2k + 1)! 0 (2k + 1)!(2k + 5)
0 0 k=0 k=0 k=0
Por otro lado algunas funciones como exp(x), con x 2 R, solo conocemos sus valores para algunos puntos
x 2 R. En muchas situaciones nos es difícil calcular valores de estas funciones fuera de esos datos conocidos
3.4. APROXIMACIÓN NUMÉRICA DE SERIES DE POTENCIAS. 159
x. La idea fundamental es aproximar exp(x) mediante polinomios elegidos de modo que el error es un
punto dado x 2 R; sea tan pequeño como se quiera. Estos polinomios son los denominados polinomios de
Taylor de exp(x): Estos polinomios fueron utilizados para la construcción de algoritmos que actualmente
se usan en las calculadoras de bosillo: Otros ejemplos similares a los de la función exponencial son,
por ejemplo la función seno, coseno, función error, distribución normal, funciones elípticas, funciones de
Bessel, etc.
En general, si f es una función que posee derivadas hasta el orden n + 1 inclusive en x = a el polinomio
de Taylor de f en un entorno de a se escribe como
n
X f (k) (a)
P (x) = (x a)k ;
k!
k=0
y f (x) = P (x) + En (x); donde En (x) denota el error de aproximación de f (x) mediante P (x); dado
por
Zx
1
En (x) = (x t)n f (n+1) (t)dt:
n!
a
donde M = Sup f (n+1) (t) con r > 0: La serie de Taylor de la función f en un entorno del punto
t2[a r; a+r]
P1
f (k) (a)
x = a se de…ne como k! (x a)k ; y se desea calcular valores de f (x).
k=0
En muy pocos casos se puede calcular f (x) exactamente, en la generalidad debemos recurrir a cálculos
aproximados.
P
1
Sea ak xk una serie de potencias que converge en el intervalo ] R; R[; donde R > 0 designa el radio
k=0
P
1
de convergencia de la serie. Se de…ne la función f de ] R; R[ en R como f (x) = ak xk x 2] R; R[:
k=0
Sea 0 < r < R , suponemos que la serie de potencias converge uniformemente el intervalo [ r; r] y sea
x 2 [ r; r]; queremos calcular un valor aproximado de f (x) con una precisión " > 0:
Los cálculos y los resultados que se obtienen en una calculadora de bolsillo o en computador personal, son
en general con 10 9 ; 10 12 ; 10 16 ; 10 25 cifras de precisión, por esta razón, las estimaciones y cálculos
que realizaremos en lo sucesivo con series de potencias son con precisiones como las citadas.
Diremos que una serie de potencias es rápidamente convergente si para un número razonable de términos
de la sucesión de sumas parciales se alcanza la exactitud y precisión establecida > 0 ( con …nes prácticos
= 10 9 ; 10 10 ; etc.).
Consideramos como número razonable de términos n < 100 para del orden 10 16 : Es claro que si
se aumenta considerablemente la precisión a alcanzar, se requerirán de un número de términos mucho
mayor, si por ejemplo es del orden 10 40 ; el concepto de número razonable de términos cambiará. Para
alcanzar precisiones muy altas del orden 10 1000 ; 10 2000 ; etc. se requieren de la elaboración de algoritmos
y programas especiales de cálculo que no lo abordaremos en este libro.
Diremos que la serie de potencias converge lentamente si el número de términos de la serie que se requieren
para alcanzar la exactitud y precisión deseadas es grande. Lastimosamente, la acumulación de los errores
debidos al truncamiento y redondeo in‡uenciarán seriamente y modi…carán los resultados. Esto obliga
a enfrentar el problema con otro enfoque, es decir, buscar otras representaciones en series de potencias
que que converjan rápidamente o en su defecto, obtener la mayor información posible de las propiedades
de las funciones que puedan ser aplicadas para simpli…car los cálculos aproximados. En este capítulo no
utilizaremos los polinomios de Chebyshev y los de Legendre para reducir el número de términos a utilizar.
160 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
Con …nes prácticos suponemos que es del orden 10 16 o mayor, particularmente 10 10 ; y para esta
precisión supondremos que la serie de potencias es rápidamente convergente en todo el intervalo [ r; r]:
Ilutremos en este caso, el procedimiento a seguir.
P
1
Primeramente, elegimos la serie numérica bk tal que bk > 0 k = 1; 2; ; y que tiene como suma
k=1
P
1 P
m
1, esto es bk = 1: Denotamos con Sm (x) = ak xk , donde m 2 Z+ debe determinarse como el más
k=1 k=0
pequeño entero positivo para el que se veri…ca la condición siguiente:
1
X
j f (x) Sm (x) j= ak xk < ":
k=m+1
j ak j rk P
1
Sea ck = k = 1; 2; ; y suponemos que l m ck = 0; esto signi…ca que la serie j ak j rk
bk k !1 k=0
P
1
converge más rápidamente que la serie elegida bk . De la hipótesis l m ck = 0; se sigue que existe
k=1 k !1
akrk
m 2 Z+ tal que < " si k m: Luego j ak j rk < "bk k m; de donde
bk
1
X 1
X 1
X 1
X
j f (x) Sm (x) j= ak xk j ak j rk "bk " bk = " si k m;
k=m+1 k=m+1 k=m+1 k=1
que muestra que Sm (x) aproxima a f (x) con una precisión " > 0: Obviamente el entero m depende de
P
1 P1 1
la serie bk = 1 con la que se compara. Algunas de las series usadas son por ejemplo = 1;
k=1 k=1 k(k + 1)
P
1 1
k
= 1: La primera converge lentamente, mientras que la segunda converge mucho más rápidamente
k=1 2
que la primera.
Ejemplos
xk
P
1
1. Consideremos la serie de potencias : Determinemos el radio de convergencia.
k=0 (2k)! (3k + 1)
Aplicando el criterio del cociente resulta para x 6= 0;
jxjk+1 (2k)! (3k + 1) 3k + 1
k
= jxj ! 0;
(2 (k + 1))! (3k + 4) jxj (2k + 2) (2k + 1) (3k + 4) k!1
es decir que la serie converge absolutamente en todo R: De…nimos la función f como sigue:
1
X 1
f (x) = xk x 2 R:
(2k)! (3k + 1)
k=0
a5 2; a6
Para k = 5 se tiene ' 5;167 10 ' 4;615 10 3 ; para k = 7;
para k = 6 se tiene
b5 b6
a7 4
P7 xk
' 2;919 10 < 10 3 : Elegimos m = 7 y S7 (x) = x 2 [ 5; 10] :
b7 k=0 (2k)! (3k + 1)
Para 5 x < 0; S7 (x) se escribe como:
x2 x4 x6 x x3 x5 x7
S7 (x) = 1 + + + + + + +
4! 7 8! 13 12! 19 2! 4 6! 10 10! 16 14! 22
x2 1 x2 1 x2 x 1 x2 1 x2 1 x2
= 1+ + + + + + + :
24 7 1680 13 225720 2 4 360 10 5040 16 528528
y 1 y 1 y x 1 y 1 y 1 y
S7 (x) = 1 + + + + + + + :
24 7 1680 13 225720 2 4 360 10 5040 16 528528
Ponemos
y 1 y 1 y
y1 = 1 + + + ;
24 7 1680 13 225720
x 1 y 1 y 1 y
y2 = + + + ;
2 4 360 10 5040 16 528528
luego S7 (x) = y1 + y2 :
Para 0 x 10; S7 (x) se expresa en forma explícita como
x2 x3 x x4 x5 x6 x7
S7 (x) = 1 + + + + + + +
2! 4 4! 7 6! 10 8! 13 10! 16 12! 19 14! 22
x 1 x 1 x 1 x 1 x 1 x 1 x
= 1+ + + + + + + :
2 4 12 7 30 10 56 13 90 16 132 19 4004
( 5) 10 15
Sea m 2 Z+ ; h = = y xj = 5 + jh j = 0; 1; : : : ; m puntos igualmente espaciados
m m
del intervalo [ 5; 10] : El algoritmo para el cálculo aproximado de S7 (xj ) j = 0; 1; : : : ; m; con una
precisión " = 10 3 se presenta a continuación.
Algoritmo
Datos de entrada: m 2 Z+ :
Datos de salida: xj ; S7 (xj ) j = 0; 1; : : : ; m:
1. Leer m:
15
2. h = :
m
3. Para j = 0; 1; : : : ; m
xj = 5 + jh
Si xj < 0
y = xj xj
y 1 y 1 y
y1 = 1 + + +
24 7 1680 13 225720
x 1 y 1 y 1 y
y2 = + + +
2 4 360 10 5040 16 528528
S7 (xj ) = y1 + y2:
Si xj > 0
xj 1 xj 1 xj 1 xj 1 xj 1 xj 1 xj
S7 (xj ) = 1 + + + + + + + :
2 4 12 7 30 10 56 13 90 16 132 9 4004
162 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
Imprimir xj ; S7 (xj ) :
Fin de bucle j:
4. Fin.
Para x = 2; se tiene y = 4; y
4 1 4 1 4
y1 = 1 + + + ' 1;0238;
24 7 1680 13 225720
2 1 4 1 4 1 4
y2 = + + + ' 0;2511;
2 4 360 10 5040 16 528528
luego S7 ( 2) = y1 + y2 ' 1;0238 0;2511 = 0;7727:
Para x = 3; se tiene
3 1 3 1 3 1 3 1 3 1 3 1 3
S7 (3) = 1 + + + + + + +
2 4 12 7 30 10 56 13 90 16 132 19 4004
' 1;4325:
Figura 30
Esta serie no es la adecuada para el cálculo de ln (a) con a > 0; sin embargo no será de utilidad
para explicar algunas di…cultades que se presenta.
Supongamos que deseamos calcular el valor aproximado de ln (1;5) con una precisión " = 10 10 :
ak k (k + 1) k
ck = = k
= k ! 0;
bk (k + 1) 2 2 k!1
ak
luego existe m 2 Z+ tal que < " si k m:
bk
3.5. APROXIMACIÓN DE LAS FUNCIONES TRIGONOMÉTRICAS 163
ak 10 1 P40 ( 1)k
Para m = 40 se tiene < " = 10 si k 40: Se de…ne S40 = y
bk 2 k=0 (k + 1) 2k
jln (1;5) S40 j < " = 10 10 :
P1 ( 1)k (0;8)k+1
Si x = 0;8; se tiene ln (1;8) = ; y aplicando el mismo criterio de comparación, se
k=0 k+1
ak (0;8)k+1 1
tiene que < " = 10 10 si k 125; donde ak = y bk = k = 1; 2; : : : : Se
bk k+1 k (k + 1)
P ( 1)k (0;8)k+1
125
de…ne S125 = y jln (1;8) S125 j < " = 10 10 :
k=0 k + 1
Cuando x < 1 se aproxima a 1; observamos que el número de términos crece enormemente, lo que
por una parte di…culta la determinación del número adecuado de términos, por otra parte, se deben
calcular sumas con un número muy grande de términos. Estos elementos di…cultan la elaboración
de un algoritmo de cálculo de ln (1 + x) :
Cuando utilizamos un instrumento de cálculo tal como una calculadora de bolsillo o un computador,
podemos obtener inmediatamente valores de las funciones trigonométricas seno, coseno, tangente; pero de
esto, la pregunta que nos hacemos es ¿cómo con estos instrumentos se calculan valores de estas funciones
trigonométricas?, ¿qué método se utiliza para garantizar la precisión de cálculo requerido? Esta sección
está destinada a analizar el uso de la serie de Taylor de sen(x) que nos permitan calcular aproximaciones
de esta y de las funciones trigonométricas coseno y tangente.
Aproximación de sen(x)
P
1
( 1)k x2k+1
La serie de Taylor de sen(x) x 2 R, viene dada por sen(x) = (2k+1)! : Esta serie es absolutamente
k=0
convergente para todo x 2 R, además, es rápidamente convergente. Por otro lado, el número de
x cos(x)
condicionamiento de sen(x) está de…nido por c(x) = x 6= 0; y se probó en el capítulo 1
sen(x) h i
que jc(x)j 1 si x 2]0; 2 ], con lo que la serie de Taylor será utilizada para aproximar sen(x) x 2 0; ,
2
mediante una suma …nita SN (x): Determinemos el número entero positivo N , el más pequeño posible, tal
que si > 0; j sen x SN (x)j < 8x 2 0; 2 : Para el efecto, primeramente establecemos la siguiente
mayoración:
X1
( 1)k x2k+1 X1
x2k+1 X1 2k+1 h i
2
x 2 0; ;
(2k + 1)! (2k + 1)! (2k + 1)! 2
k=0 k=0 k=0
y la convergencia de la última serie es absoluta. A continuación aplicamos el criterio del cociente, ponemos
2k+1
2 P
1
1
ak = k =; 1; y consideramos una serie numérica convergente de suma 1, elegimos 2k
= 1;
(2k + 1)! k=1
1 ak
ponemos bk = k k =; 1; y consideramos la sucesión ; esto es
2 bk
2k+1
ak 2k 2
= !0:
bk (2k + 1)! k !1
ak
De la convergencia se sigue que si = 10 10 , se veri…ca que < 10 10 8k 9: Para = 10 32 se
bk
ak
veri…ca que < 10 32 8k 20: Para …jar las ideas, elegimos = 10 12 y el correspondiente N es
bk
N = 11: Luego
11
X 5 5
( 1)k x2k+1 X x4k+1 X x4k+3
S11 (x) = = = P1 (x) P2 (x);
(2k + 1)! (4k + 1)! (4k + 3)!
k=0 k=0 k=0
164 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
donde
5
X x4k+1 x4 x4 x4
P1 (x) = =x 1+ 1+ 1+
(4k + 1)! 5! 6 7 8 9 10 11 12 13
k=0
x4 x4
1+ 1+
14 15 16 17 18 19 20 21
x 4 x4 x4 x4 x4
= x 1+ 1+ 1+ 1+ 1+ ;
120 3024 17160 57120 143640
5
X x4k+3 x3 x4 x4
P2 (x) = = 1+ 1+
(4k + 3)! 3! 4 5 6 7 8 9 10 11
k=0
x4 x4 x4
1+ 12 13 14 15 1+ 1+
16 17 18 19 20 21 22 23
x3 x4 x4 x4 x4 x4
= 1+ 1+ 1+ 32760 1+ 1+ :
6 840 7920 93024 212520
Con esta información podemos construir un algoritmo para el cálculo aproximado de sen(x) x 2 0; 2
con una precisión = 10 12 . Requerimos adicionalmente aproximaciones de . Consideramos las
siguientes: con 12 cifras de precisión ' 3;14159265359 por exceso y por defecto ' 3;141592653589; y
con 32 cifras de precisión ' 3;14159265358979323846264338327950:
Algoritmo
Dato de entrada: x:
Datos de salida: x; sen(x):
1. y1 = x2 x;
2. y = y1 x
y y y y y
3. a1 = x 1 + 120 1+ 3024 1+ 17160 1+ 57120 1+ 143640 :
y1 y y y y y
4. a2 = 1+ 840 1+ 7920 1+ 32760 1+ 93024 1+ 212520 :
6
5. S11 (x) = a1 a2 :
6. Imprimir x; S11 (x):
7. Fin
h i
Para el cálculo de un solo valor de sen(x) con x 2 0; se requieren de 36 operaciones elementales y
2 h i
de 5 asignaciones. En los ejercicios se propone elaborar un algoritmo de cálculo de sen(x) x 2 0; y
2
= 10 32 con el número de términos N = 21.
Al algoritmo descrito precedentemente los denominaremos
h i como algoritmo de aproximación o también
método de aproximación de sen(x) con x 2 0; : Lo notaremos sen (x)
2
h i
Para x 2 R8 0; , consideramos los tres casos siguientes: i) x 2] 2 ; ]; ii) x > ; iii) x < 0: Para
2
calcular sen(x) aplicaremos las propiedades de la función sen(x) de modo que el algoritmo que acabamos
de proponer se aplique con ligeras modi…caciones.
x x
b) Si x > entonces y = x n 2 [0; ], donde n = [ ] y [ ] denota la función mayor entero . Luego
sen(y); si n impar,
sen(x) = sen(y + n ) = sen(y) cos(n ) + sen(n ) cos(y) =
sen(y); si n par.
Así, para x > ; sen(x) se aproxima utilizando el algoritmo y la parte a) precedente con y = x n ;
y sen(x) = sen(y) si n es impar, sen(x) = sen(y) si n es par.
c) Si x < 0; como la función seno es impar, esto es, sen(x) = sen( x) 8x 2 R, basta cambiar x por
x y utilizar el algoritmo y los resultados de las partes a) y b) precedentes.
Se propone al lector la elaboración completa del algoritmo que permite aproximar sen(x) x 2 R:
Al algoritmo descrito precedentemente así como los resultados obtenidos en a), b) y c) los denominaremos
como algoritmo o método de aproximación de sen(x) x 2 R:
Ejemplos
Aproximación de cos(x)
Para aproximar cos(x) x 2 R; utilizamos la siguiente relación: cos(x) = sen 2 x 8x 2 R y aplicamos
el método de aproximación de sen(x) a condición de cambiar x por x: Se propone elaborar el algoritmo
2
correspondiente.
166 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
Ejemplo
p
3
Es conocido que cos = ' 0;8660254038: Apliquemos el algoritmo de cálculo de sen (a) con
h i 6 2
a 2 0; para calcular una aproximación de cos : Sea a = = ' 1;047197551: Entonces
2 6 2 6 3
y = a4 ' 1;20258137; a3 = 1;148380617: Luego
y y y y y
a1 = x 1 + 1+ 1+ 1+ 1+
120 3024 17160 57120 143640
' 1;057696227;
a3 y y y y y
a2 = 1+ 1+ 1+ 1+ 1+
6 840 7920 32760 93024 212520
' 0;1916708232;
sen (a) ' a1 a2 = 1;057696227 0;1916708232 = 0;8660254038:
p
3
En consecuencia cos = sen (a) ' 0;8660254038 que es la aproximación obtenida de : En una
6 2
calculadora de bolsillo se obtiene el siguiente valor cos = 0;8660254038:
6
Aproximación de tan(x)
De la de…nición de la función tangente, se tiene
sen(x)
tan(x) = x 2 R8f + k j k 2 Zg;
cos(x) 2
luego los valores de tan(x) x 2 R8f 2 + k j k 2 Zg pueden aproximarse utilizando esta relación y los
métodos de aproximación de sen(x) y cos(x) arriba tratados:
Ejemplos
p
3
1. Es conocido que tan = : Apliquemos el algoritmo de cálculo de sen (x) para aproximar
6 3
sen
sen y cos y así aproximar tan = 6 :
6 6 6 cos
6
Consideremos ' 3;141592653; x = 0;5235987755; x3 ' 0;1435475771; y = x4 ' 0;0751613356:
Aplicando el algoritmo de cálculo para aproximar sen (x) ; tenemos
y y y y y
a1 = x 1 + 1+ 1+ 1+ 1+
120 3024 17160 57120 143640
' 0;5239267369;
x3 y y y y y
a2 = 1+ 1+ 1+ 1+ 1+
6 840 7920 32760 93024 212520
' 0;02392673695:
En consecuencia
sen ' a1 a2 = 0;5239267369 0;02392673695 = 0;5:
6
Con la misma precisión, calculamos una aproximación de cos : Ponemos x = = '
6 2 6 3
1;047197551; x3
' 1;148380617; x4
= 1;20258137: Aplicando nuevamente los desarrollos a1 ; a2
precedentes, se obtiene a1 = 1;057696227; a2 = 0;1916708232: Luego
2. Para 0 < " < 10 2; tan " se puede hacer tan grande como se quiera conforme " se aproxima
2
a cero.
sen (x) h h
Si aproximamos tan (x) = para x 2 0; ; con el algoritmo de cálculo de sen (x) ; es crítico
cos (x) 2
para x = ": Veamos esta situación con el siguiente ejemplo: aproximar tan (89;9995 ) :
2
En radianes 89;9995 = 1;5707876 rad: Ponemos x = 1;5707876; entonces x3 ' 3;875719987;
y = x4 ' 6;087932897: Calculemos sen (89;9995 ) = sen (1;5707876) con el algoritmo arriba
desarrollado. Tenemos
y y y y y
a1 = x 1 + 1+ 1+ 1+ 1+
120 3024 17160 57120 143640
' 1;650628503;
x3 y y y y y
a2 = 1+ 1+ 1+ 1+ 1+
6 840 7920 32760 93024 212520
' 0;6506385023;
luego
sen (1;5707876) ' a1 a2 = 1;000000000:
Calculemos cos (89;9995 ) = cos (1;5707876) : Para el efecto, ponemos x = 1;5707876 '
2
0;000008727: Se obtiene x3
' 6;646529367 10 ' 5;800426178 10 16 ; x4
y aplicando el 21
algoritmo de cálculo de sen (x) se obtiene: a1 ' 0;000008727; a2 ' 1;107754895 10 16 : Luego
cos (1;5707876) ' 0;000008727 y en consecuencia
El valor obtenido en una calculadora de bolsillo es tan (1;5707876) = 114589;7256: Esta pequeña
diferencia se debe a que hemos operado con una precisión de 10 9 mientras que en la calculadora,
internamente se opera con una precisión de 10 12 : Con la versión de Fortran 77, se obtiene en doble
precisión el siguiente valor: tan (1;5707876) = 113924;073226171:
Aproximación de arcsen(y):
h i h i
Recordemos que la función f de ; en [ 1; 1] de…nida como y = f (x) = sen(x) x2 ;
2 2 2 2
es biyectiva y su función
h inversa
i g está de…nida como x = g (y) = arcsen (y) y 2 [ 1; 1] : Se tiene
(g f ) (x) = x x 2 ; : Además, f y g son derivables, luego
2 2
i h
1 = (g f )0 (x) = g 0 (y) f 0 (x) x 2 ;
2 2
1
de donde g 0 (y) = con y = f (x) : Se tiene
f 0 (x)
p p
f 0 (x) = cos(x) = 1 sen2 (x) = 1 y2;
luego
1
(arcsen (y))0 = g 0 (y) = p y 2 ] 1; 1[ ;
1 y2
e integrando, resulta Z y
dt
arcsen (y) = p y 2 ] 1; 1[ :
0 1 t2
168 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
10 ;
P1 1
Para " = 10 mediante el criterio de comparación con la serie ; se obtiene m = 25 y en
" p # k=1 k (k + 1)
2
consecuencia jarcsen (y) S25 (y)j < " = 10 10 si y 2 0; ; donde
2
25
!
X 1 3 (2k 1)
S25 (y) = y 1 + k
y 2k :
k!2 (2k + 1)
k=1
#p "
2
Si y 2 ; 1 ; para aproximar arcsen (y) se requiere de un número mayor de términos. Esto podemos
2
controlarlo del modo siguiente. Sea x = arcsen (y) ; entonces
r
y = sen (x) = cos x = 1 sen2 x
2 2
1
de donde 1 sen2 x = y 2 con lo que x = arcsen 1 y2 2
:
2 2
#p "
2 1 1
Como y 2 ; 1 se sigue que 1 y2 2
2 0; :
2 2
1
Ponemos v = 1 y2 2
y jarcsen (v) S17 (v)j < " = 10 10 con
17
!
X 1 3 (2k 1) 2k
S17 (v) = v 1 + k
v :
k!2 (2k + 1)
k=1
Ejemplo
3.6. APROXIMACIÓN DE EXP(X) 169
1
Sabemos que arcsen = ' 0;5235987756:
2 6
Apliquemos los resultados obtenidos precedentemente. Ponemos y = 0;5 y " = 10 10 : Entonces
25
!
X 1 3 (2k 1) 2k
S" = y 1 + y
k!2k (2k + 1)
k=1
y2
1 3y 2 1 5y 2 1 7y 2 1 47y 2 1 49y 2
= y 1+ + + + + + +
2 3 y 5 6 7 8 9 48 49 50 51
= 0;5235987755:
Aproximación de arctan(y)
1
Para determinar n 2 N aplicamos el criterio del cociente. Ponemos ak = k = 0; 1; ; y elegimos la
k!
P1 1 1
serie convergente p
con 1 < p < 2: Ponemos bk = p k = 0; 1; ; luego
k=1 k k
ak kp 1
= ! 0:
bk (k 1)! k!1
Pn xk
Para > 0 dado, Sn (x) = aproxima a ex con una precisión para todo x 2 [0; 1].
k=0 k!
Con el propósito de obtener un algoritmo numéricamente estable, escribimos Sn (x) en una forma anidada:
x x x
Sn (x) = 1 + x 1 + 1+ 1+ ;
2 n 1 n
cuyo algoritmo es el siguiente:
Algoritmo
Datos de entrada; n; x:
Datos de salida : x; exp(x):
1. b = 1:
2. k = 0; : : : ; n 1
b x
b=1+
n k
Fin de bucle k.
3. Imprimir exp(x) = b:
4. Fin.
Para cada x 2 [0; 1], la aproximación de exp(x) dado en el algoritmo requiere de 4 n operaciones
elementales y n asignaciones.
1 1
Puesto que exp(x) = , entonces para x 2 [ 1; 0[; exp(x) se aproxima mediante y Sn ( x)
exp( x) Sn ( x)
se calcula usando el algoritmo precedente.
Para x 2 R tal que jxj > 1; exp(x) está mal condicionado. Dado > 0, si determinamos n tal
jxjn
que < , resulta que tal n aumenta considerablemente según jxj, lo que hace que Sn (x) sea
(n 1)!
numéricamente costoso y por otro lado, el algoritmo es inestable numéricamente. El remedio a este
problema consiste en hacer y = x [x], donde [ ] denota la función mayor entero menor o igual que x.
Resulta y 2]0; 1[, y exp(x) = exp(y) exp([x]): Aproximamos exp(y) mediante Sn (y) si y > 0 y Sn1(y) si
P
1
1
y < 0: Como el número e base de los logaritmos naturales está dado como la serie e = k! ; se aplica el
k=0
algoritmo precedente con x = 1 y luego exp([x]) se evalúa como una potencia entera. Para = 10 10 ; se
P 1
k=16
tiene S16 (1) = = 2;7182818284.
k=0 k!
8
< Sn (y) exp([x]); si x > 1;
Así, exp(x) se aproxima como 1 Se recomienda al lector elaborar el
: ; si x < 1:
Sn ( y) exp( [x])
algoritmo completo para aproximar exp(x) así como su respectivo programa computacional.
Ejemplos
1. Aplique el algoritmo para calcular una aproximación de exp (0;4) con una precisión " = 10 10 : Se
tiene 0 < x < 1 y en consecuencia
16
X xk x x x x
S16 (x) = =1+x 1+ 1+ 1 + ::: + 1+ :::
k! 2 3 15 16
k=0
El valor de exp (0;4) obtenido en doble precisión es exp (0;4) ' 1;491824706533238 y en una
calculadora de bolsillo exp (0;4) ' 1;491824698:
2. Calculemos el valor aproximado de exp (22;4) : Tenemos x = 22;4 > 1; en consecuencia x =
(x [x]) + [x] = y + [x] con y = x [x] 2 [0; 1] : Resulta [22;4] = 22: Luego
exp (22;4) = exp (0;4) exp (22) :
En el ejemplo 1) previo se calculó el valor aproximado de exp (0;4) : Queda por calcular exp (22) :
Primeramente exp (1) = 2;7182818284: Luego
exp (22) = (2;7182818284)22 = 3584912833 = 3;584912833 109 ;
de donde
exp (22;4) = exp (0;4) exp (22) ' 1;491824698 3;584912833 109
= 5;348061504 109 :
El valor de exp (22;4) obtenido en una calculadora de bolsillo es exp (22;4) ' 5;348061523 109 ; y en
doble precisión exp (22;4) ' 5;34805948262739 109 : Note que exp (22) ' 3;584912846131592 109 :
Debido a que en la calculadora de bolsillo se representan los números en punto …jo, donde se produce
mayor error es en el cálculo de exp (22) ' (2;7182818284)22 :
1
3. Calculemos el valor aproximado de exp ( 0;9) : Puesto que exp ( 0;9) = ; calculamos el
exp (0;9)
valor aproximado de exp (0;9) : Aplicando el algoritmo, tenemos
16
X (0;9)k 0;9 0;9 0;9
S16 (x) = = 1 + 0;9 1 + 1+ 1+ ::: = 2;459603112;
k! 2 15 16
k=0
de donde
1 1
S16 (0;9) = = = 0;4065696598:
S16 (0;9) 2;459603112
El valor obtenido en una calculadora de bolsillo es exp ( 0;9) ' 0;4065696597:
Antes de abordar el problema de la aproximación numérica de ln (a) con a > 0; recordemos algunas
propiedades de la función logaritmo.
1. Sean a; b 2 R+ ; ln (ab) = ln (a) + ln (b) :
1
2. Si a 2 R+ ; ln = ln (a) :
a
1
3. Si n 2 Z+ ; a 2 R+ ; ln (an ) = n ln (a) y ln = n ln (a) :
an
a a
Por otro lado, sea a > e y n 2 Z+ tal que 1 n
< e; donde a = en ; luego
e en
h ai a
ln (a) = ln en n
= ln en + ln n = n + ln (x) ;
e e
a
con x = n 2 [1; e] :
e
Si a < 1 y n 2 Z tal que 1 ae n < e; entonces a = en (ae n) ; de donde
n
ln (a) = n + ln ae = n + ln (x) ;
con x = ae n 2 [1; e] :
Ejemplos
172 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
20;11 20;11
1. a = 20;11 = e3 3
con x = ' 1;001217945 2 [1; e] :
e e3
145;41 145;41
2. a = 145;41 = e4 4
con x = ' 2;663277051 2 [1; e] :
e e4
3. a = 6;81 10 3 =e 5 e5 6;81 10 3 ; donde x = e5 6;81 10 3 ' 1;010693613 2 [1; e] :
1
De las dos últimas relaciones, si a > 0 basta determinar n 2 Z+ tal que x = aen 2 [1; e] si a < ;
e
a
x = n 2 [1; e] si a > e: En cualquiera de los casos, queda calcular ln (x) : Para el efecto, utilizamos el
e
siguiente desarrollo en series de potencias:
1
X
1+x x2k
ln = 2x si jxj < 1:
1 x 2k + 1
k=0
1+x a 1
Sea a > 0: Ponemos a = ; entonces x = y en consecuencia
1 x a+1
1
a 1X 1 a 1 2k
ln (a) = 2 :
a+1 2k + 1 a+1
k=0
2k
P
m 1 a 1
Para a = 1; obviamente ln (1) = 0: Para a 2 [1; e] ; sea m 2 Z+ y Sm (a) = :
k=0 2k +1 a+1
Con …nes prácticos elegimos " = 10 10 : Determinemos m 2 Z+ el más pequeño posible tal que
a 1 10
ln (a) 2 Sm (a) < " = 10 ;
a+1
P
1 1 1 1 1 ak
La serie = 1: Ponemos ak = k
; bk = k = 1; 2; : : : ; Ck = =
k=1 k (k + 1) 2k + 1 4 k (k + 1) bk
k (k + 1) ak
! 0; luego, existe m 2 Z+ tal que Ck = < " si k m: Para k = 15 obtenemos
(2k + 1) 4k k !1 bk
15 16 19 20
C15 = 15
' 7;21 10 9 ; para k = 19; C19 = ' 3;545 10 11 : Elegimos m = 19 y
31 4 39 419
de…nimos
19
2 (a 1) X 1 a 1 2
'19 (a) = a 2 [1; e] :
a+1 2k + 1 a + 1
k=0
2 2
e+1 a 1 e 1 a 1 e 1
Note que si 1 < a entonces 0 < de donde 0 < < 0;1: En
2 a+1 e+3 a+1 e+1
1 1 1
tal caso, ponemos ak = ; bk = k = 1; 2; : : : ; luego
2k + 1 10k k (k + 1)
ak k (k + 1)
Ck = = ! 0;
bk (2k + 1) 10k k!1
ak
y existe m 2 Z+ tal que Ck = < " = 10 10 si k m:
bk
3.7. APROXIMACIÓN DE LN(X) 173
11 12 11 :
Para m = 11; se tiene C11 = ' 5;74 10 De…nimos
23 1011
11
2 (a 1) X 1 a 1 2k
e+1
'11 (a) = a 2 1; :
a+1 2k + 1 a+1 2
k=0
Así, 8
2k
>
> 2 (a 1) P11 1 a 1 e+1
>
< '11 (a) = a 2 1; ;
a + 1 k=0 2k + 1 a+1 2
2k
>
> 2 (a 1) P19 1 a 1 e+1
>
: '19 (a) = a2 ;e :
a + 1 k=0 2k + 1 a+1 2
a 1
Sea b1 = y b = b21 : Entonces
a+1
11
X 1 b b2 b10 b11
'11 (a) = 2b1 bk = 2b1 1 + + + + +
2k + 1 3 5 21 23
k=0
1 1 1 b
= 2b1 1 + b +b + +b + :
3 5 21 23
En forma similar se escribe '19 (a) :
Un algoritmo para el cálculo de ln (a) con a 2 [1; e] con una precisión " = 10 10 se propone a continuación
Algoritmo
Datos de entrada: a 2 ]1; e[ :
Datos de salida: ln (a) :
1+e
1. Si 1 a ; asignar n = 11:
2
1+e
2. 2i < a < e; asignar n = 19:
2
a 1
3. b1 = :
a+1
4. b = b21 :
1
5. y = :
2n + 1
6. Para j = 1; : : : ; n
k=n j
1
y= +b y
2k + 1
Fin bucle j:
7. y = 2 b1 y:
8. Imprimir ln (a) = y:
9. Fin.
Ejemplos
a 1 1
1. Calculemos ln (2) : Para el efecto, aplicamos el algoritmo descrito. Ponemos a = 2; b1 = = ;
a+1 3
1
b = b21 = : Entonces
9
2 1 1 1 b
ln (2) ' '19 (2) = 1+b +b + +b + = 0;6931471806:
3 3 5 37 39
174 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
1 1 1 b
'11 (a) = 2b1 1 + b +b + +b + = 0;2826405088:
3 5 21 23
En consecuencia
ln (535;2) = 6 + 0;2826405088 = 6;2826405088:
En una calculadora de bolsillo, ln (535;2) = 6;282640509:
Se denota con C 1 (R) al espacio vectorial de las funciones reales que poseen derivadas de todos los órdenes
X1
1
continuas en todo R. Supongamos que f 2 C (R) se representa mediante una serie de potencias ak xk
Z a k=0
1
X 1
X
f (k) (0) f (k) (0)
Además f (x) = xk , entonces I(f ) = (k+1)! a
k+1 : Sea
k!
k=0 k=0
m
X f (k) (0) k+1
Im (f ) = a m = 1; 2; : : : ; :
(k + 1)!
k=0
3.8. INTEGRACIÓN DE FUNCIONES DE CLASE C 1 (R) 175
Cada Im (f ) es una aproximación de I(f Z a) por truncamiento. Sea > 0 la precisión con la que se
aproxima Im (f ) y m 2 Z+ tal que Em (x)dx < , entonces I(f ) puede ser aproximado por
0
Xm Z a
f (k) (0) k+1
Im (f ) = a con una precisión > 0: La condición Em (x)dx < permite controlar
(k + 1)! 0
k=0
el error de truncamiento.
Ejemplos
Rx 2)
1. Sea f la función real de…nida por: f (x) = 0 sen(t tp dt x 2 [0; 2 ]; pp< 3: Construyamos un
algoritmo para calcular los valores aproximados de f (x) y apliquemos a f 6 para p = 1: Para
P
1 2k+1
el efecto apliquemos el desarrollo de Taylor de sen( ); tenemos sen( ) = ( 1)k (2k+1)! ; y para
k=0
P k t4k+2 : Entonces
= t2 se tiene sen(t2 ) = 1k=0 ( 1) (2k+1)!
Z x Z x 1
!
sen(t2 ) X t 4k+2
f (x) = dt = t p ( 1)k dt
0 tp 0 (2k + 1)!
k=0
Z x 1
!
X ( 1)k t4k+2
= t p+2 dt + t p dt
0 (2k + 1)!
k=1
Z x Z x X1
( 1)k t4k+2
= t p+2 dt + t p dt:
0 0 (2k + 1)!
k=1
En consecuencia: r
1
f = 1 cos ' 0;0669873:
6 2 6
p
Apliquemos el algoritmo. Tomemos en consideración que x = 6 ' 0;7236012; luego
r r
p1 ' 0;2500522; p2 ' 0;00571183;
6 6
entonces r r r r
4
f7 = p1 p2 ' 0;0669873:
6 6 6 6
Rx 2
Se sabe que la integral 0 e t dt x 0; no puede calcularse con funciones elementales por lo que se
debe recurrir a la aproximación numérica de la misma.
p Por otro lado se demuestra (véase en el siguiente
R 1 t2
capítulo la función gama de Euler) que 0 e dt = con lo que
2
err (x) ! 1:
x!1
donde a > 0 constante, x 0; t > 0; es solución de la ecuación en derivadas parciales del tipo parabólico:
@u @2u
(x; t) a 2 (x; t) = 0 x > 0; t > 0:
@t @x
Esta ecuación aparece en los problemas de transferencia de calor tales como los de conducción inestable; en
mecánica de ‡uidos en los problemas de capa límite térmica, la ecuación de Navier-Stokes para corrientes
laminares no estacionarias donde la presión es constante en todo el campo; en los problemas de difusión
de contaminantes en el aire así como en los problemas de …ltración de contaminantes en el suelo. Es por
esto que dedicamos esta sección a la aproximación numérica de la función error.
Sea " > 0: Con …nes prácticos elegimos " = 10 10 : Determinemos r > 0 tal que
Z 1 Z x
2 t2 2 2
p e dt p e t dt < " si x > r;
0 0
es decir Z 1
2 t2
p e dt < " si x > r:
x
Apliquemos el criterio de comparación para integrales impropias (este criterio es muy similar al de
2 R 1 dt
comparación de series numéricas). Sea f (t) = p exp t2 t 0: Puesto que 1 2 = 1; elegimos
t
1 f (t)
g (t) = 2 t 1; y de…nimos h (t) = t 1: Tenemos,
t g (t)
f (t) 2
h (t) = = p t2 exp t2 ! 0;
g (t) t!1
3.9. FUNCIÓN ERROR 177
f (t)
luego, existe r > 0 tal que < " si t r y de esta desigualdad se sigue que
g (t)
Z 1 Z 1 Z 1
f (f ) dt < " g (t) dt " g (t) dt = " si x r:
x x 1
f (t) 2
De la condición h (t) = = p t2 exp t2 < " = 10 10 determinemos r > 1: Para t = 4 se tiene
g (t)
2 6; 2 10 ;
p 16 exp ( 16) ' 2;032 10 para t = 5; se tiene p 25 exp ( 25) ' 3;92 10 para t = 5;5
2
resulta p (5;5)2 exp ( 30;25) ' 2;49 10 12 < " = 10 10 :
2 R1 t2 dt
Elegimos r = 5;5: Tenemos p x e < " si x r = 5;5: Así, la aproximación de la función
error se reduce al intervalo [0; 5;5] : Note que para t = 6 se tiene h (6) ' 9;42 10 15 ; t = 8 se tiene
h (8) ' 1;16 10 26 ; t = 10 se tiene h (10) ' 4;2 10 42 :
2 R1 t2 dt 10 :
Adicionalmente, para a > 1 calculemos p a e con una precisión " = 10 Tenemos
Z 1 Z a Z 1
2 t2 2 t2 t2
1= p e dt = p e dt + e dt ;
0 0 a
2 Ra 2 R
de donde err (a) = p 0 e t2 dt =1 p a1 e t2 dt:
= dt
2t 4t3 a 4t4
a a
2 1 2 1 Z 1 2
e t e t 3 2te t
= + + dt
2t 4t3 4 a 2t5
a a
t2
1
t2
1 2 1 Z 2
e e 3e t 15 x e t
= + dt:
2t 4t3 8t5 8 a t6
a a a
con
Z 2
( 1)n 1 3 (2n + 1) 1
e t
"n (a) = dt:
2n a t2n
Como para k = 1; 2; : : : ; n
2 1
e t 1 1 1
= lm 2 = ;
t2k t!1 t2k et a2k ea2 a2k ea2
a
178 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
entonces
Z 1 2
!
2 e a 1 1 3 1 3 5 ( 1)n+1 1 3 5 (2n 1)
e t dt = 1 + 2 4 + + +"n (a)
a 2a 2a2 2 a 23 a6 2n a2n
Puesto que:
Z 1
2 t2 2
err (a) = 1 p e dt = 1 p [ n (a) + " (a)]
a
2 2
= 1 p n (a) p "n (a) a > 1:
Determinemos un apropiado n 2 Z+ y a > 1 tal que j"n (a)j < " = 10 10 : Lo hacemos por tanteo.
Para a = 3; tenemos
1 3 5 7
j"3 (3)j ' 1;48 10 7 ;
23 5 37 e9
1 3 5 7 9 11 9
j"6 (3)j ' 1;443 10 ;
26 11 313 e9
1 3 19
j"10 (3)j 10
' 3;6 10 10 :
2 19 3 e9
21
P1 ( 1)k t2k
Sera m 2 Z+ y Sm (x) = x 2 [0; 3;5] :
k=0 k! (2k + 1)
Para obtener un algoritmo de cálculo de err (x) x 2 [0; 3;5] ; con la precisión …jada " = 10 10 ;
Es claro que si x 2 [0; 1] se requiere menos términos que si x 2 [3; 3;5] : Por esta razón consideramos los
intervalos [0; 1] ; ]1; 2] ; ]2; 3] ; ]3; 3;5] :
a2k
Apliquemos el criterio de comparación. Para a 2 [0; 3;5] ; ponemos ak = y elegimos
k! (2k + 1)
1 P1 1 ak
bk = que como es conocido = 1: De…nimos Ck = k = 1; 2; : : : ; entonces
k (k + 1) k=1 k (k + 1) bk
k (k + 1) 2k
Ck = a ! 0;
k! (2k + 1) k!1
ak
luego existe m 2 Z+ tal que < " si k m; y de esta relación se obtiene
bk
1
X 1
X
( 1)k x2k
x2k < " si x a:
k! (2k + 1) k! (2k + 1)
k=m+1 k=m+1
k (k + 1) 2k
El más pequeño m 2 Z+ (no óptimo) se obtiene de la desigualdad a < " = 10 10 :
k! (2k + 1)
Para a = 1; se obtiene m = 15; para a = 2 resulta m = 27; para a = 3 se tiene m = 43 y para a = 3;5 es
m = 55:
Esta función ' aproxima a la función error con una precisión " = 10 10 ; tenemos
P
p x4k+2
2 (x) = y se escribe en forma similar a 1 (x) :
k=0 (2k + 1)! (4k + 1)
Finalmente,
2
3 (x) = 1 p 6 (x)
2
e x 1 3 1 105 10395 1 1 15 945
= 1 p 1+ 4 + 4 + 1+ + :
x x 4 x 16 64x4 2x2 x4 4 16x4
Ejemplo
En la tabla siguiente se dan algunos valores aproximados de err(x) para los valores x que se indican
calculados con la función ' (x) con una precisión " = 10 3
En esta sección consideramos la aproximación numérica de una clase de integrales elípticas, más
exactamente la aproximación numérica de la integral elíptica incompleta de segunda especie que es a
su vez conocida como forma de Legendre para la integral elíptica de segunda especie. Esta integral se
de…ne como sigue:
Z p
2
E(k) = 1 k 2 sen2 (t)dt para 0 k 1;
0
Nos interesamos en el cálculo de E(k) cuando k 2]0; 1[: Para el efecto, representaremos E(k) como una
serie de potencias. Primeramente utilizaremos la serie binómica y el teorema de la convergencia uniforme
y la integración. La serie de potencias será utilizada para elaborar un algoritmo para aproximar E(k)
con una precisión = 10 6 de modo que se adapte a la estabilidad numérica, y, …nalmente aplicaremos
el algoritmo para aproximar E(0;5).
3.10. APROXIMACIÓN NUMÉRICA DE UNA INTEGRAL ELÍPTICA 181
Para jxj < 1 y 2 Q8Z, la serie binómica está de…nida como la serie:
( 1) ( 1)( 2)
(1 x) = 1 x+ x2 x3 + ;
2! 3!
y para = 21 , se tiene
1 1 11 1 11 1 3
(1 x) 2 = 1 x+ x2 x3 +
2 2! 2 2 3! 2 2 2
1 1 1 2 1 1 3
= 1 x x x3 +
2 2! 22 3! 23
Esta serie es absolutamente convergente para todo x 2] 1; 1[; por lo que se aplica el teorema de la
convergencia uniforme y la integración: Haciendo x = k 2 sen2 (t), se deduce que
Z p
2
E(k) = 1 k 2 sen2 (t)dt
0
Z
2 1 2 1 1 2 1 1 3 3
= 1 k sen2 (t) 2
k 2 sen2 (t) k 2 sen2 (t) + dt
0 2 2! 2 3! 23
Z Z Z
1 2 2 2 1 k4 2 4 11 3 6 2
= k sen (t)dt 2
sen (t)dt 3
k sen6 (t)dt + :
2 2 0 2! 2 0 3! 2 0
R
Sea I(j) = 2
0 sen2j (t)dt, j = 1; 2; : : :. Apliquemos el método de integración por partes. Tenemos
Z Z
2 2
2j
I(j) = sen (t)dt = sen(t) sen2j 1
(t)dt
0 0
Z
2
= cos(t) sen2j 1
(t)j02 + (2j 1) sen2j 2
(t) cos2 (t)dt
0
Z "Z Z #
2 2 2
= (2j 1) (sen2j 2
(t)) (1 sen2 (t))dt = (2j 1) sen2j 2
(t)dt sen2j (t)dt
0 0 0
= (2j 1) [I(j 1) I(j)] ;
Remplazando cada uno de estos resultados en la representación de E(k); obtenemos la serie de potencias
1 2 1 1 k4
1 3 1 1 3 1 3 5
E(k) = k k6
2 2 1 22 22 2! 22
2! 2 3! 23 23 3! 2
k 2 1 1 3 4 1 3 1 3 5 6
= 1 k k :::
2 22 2! 22 2 2 23 3! 23 3!
" #
k2 1 3 2 k4 1 3 5 2 k6
= 1 :::
2 22 2 4 3 2 3 6 5
2 3
X1 2 2j
41 1 3 : : : (2j 1) k 5:
=
2 2 4 : : : 2j 2j 1
j=1
182 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
En conclusión, la integral elíptica incompleta de segunda especie se representa como la siguiente serie de
potencias: 2 3
X1 2 2j
1 3 : : : (2j 1) k
E(k) = 41 5 k 2]0; 1[:
2 2 4 : : : 2j 2j 1
j=1
Para " > 0; determinemos si es posible, el más pequeño número de términos n tal que j
E(k) En (k) j< ": Para el efecto aplicamos el criterio de comparación de series. Sean aj (k) =
1 3 : : : (2j 1) 2 k 2j 1 P1 1
, bj = : Se tiene que = 1 y para 0 < k < 1,
2 4 : : : 2j 2j 1 j(j + 1) j=1 j(j + 1)
2
aj (k) j(j + 1) 1 3 : : : (2j 1)
= k 2j ! 0;
bj 2j 1 2 4 : : : 2j j !1
aj (k)
luego, 8 > 0, 9n 2 N tal que < si j n > 1, de donde
bj
1
X n
X 1
X
aj (k) aj (k) = aj (k) < :
j=1 j=1 j=n+1
La escritura de Sn(k) evita el cálculo directo de los coe…cientes del sumatorio así como el cálculo directo
de las potencias y con esto se reduce signi…cativamente el número de operaciones elementales a realizar.
Por otro lado facilita la elaboración de un algoritmo numérico, como el que se propone a continuación.
Algoritmo
Datos de entrada: k; n
m=n+1 j
2
1 2m 1
b= +b k
2m 3 2m
Fin de bucle j.
2
k2 3k 2
3. Sn (k) = + b:
4 8
4. En (k) = (1 Sn (k)) :
2
3.11. EJERCICIOS 183
5. Imprimir En (k):
6. Fin.
Apliquemos el procedimiento arriba descrito para aproximar E(0;5) con una precisión " = 10 6: Para el
1
efecto, ponemos k = , entonces
2
1 2
aj 2 j(j + 1) 1 3 (2j 1) 1 6
= < 10 si j 10:
bj 2j 1 2 4 2j 22j
1
Por lo tanto, S10 2 se expresa como sigue:
2 2 2
1 1 9 1 5 1 7 1 9 1
S10 = + + + + +
2 16 1024 3 12 5 16 7 20 9
!!!!!!!!
2 2 2 2 2
11 1 13 1 15 1 17 1 19 1
+ + + + :
24 11 28 13 32 15 36 17 40 19
1 1
Realizando estos cálculos elementales, se obtiene S10 2 = 16 + 0;003284541926 y el consecuencia
1 1
E10 = 1 0;003284541926 = 1;46746221:
2 2 16
3.11. Ejercicios
1. Determinar el radio de convergencia de cada una de las series que se proponen en cada item.
1
X 1
X
xn 1 xn
P 1 xn+1
P P1 xn P1
2 xn : n n
a) : b) : c) : d) : e) n f ) (n+1)(n+2) x :
2n n=1 n n
n=1 n n=1 n (n 1) n=0
n=1 n=0
X1
1 n
P
1 xn P
1 xn P
1 nxn P
1 ( 1)n xn
g) (n!)3n x : h)
2n + 1
: i)
n!2n
: j)
3n
: k) :
n=0 n=0 n=0 n=0 n=0 (n + 1)(n + 2)(2n + 3)
1 1 1 n
P
1 ( 1)n x2n X ( 1)n+1 n
X X
1 3n 2n 3
m) : n) (n+1)2n x : o) (n 1)(n 2)2n x : p) (n 1) x :
n=0 (2n!)(3n + 1) n=0 n=3 n=2
P
1 ( 1) : : : ( k + 1)
c) (1 + x) = xk ; 2 R (serie binómica), = k=
k=0 k k k!
1; 2; : : : :
1 P
1 P1 ( 1)k
d) = xk : e) ln(1 + x) = xk+1 :
1 x k=0 k=0 k + 1
x3 x5 x7 ( 1)n 1 2n 1
f ) arctan (x) = x + + x +
3 5 7 2n 1
Utilice d) para obtener e) y f).
Sean m 2 Z+ y Sm (x) una suma …nita con m términos de cada serie. Escriba un algoritmo para
calcular Sm (x) de modo que se adapte a la estabilidad numérica, x 2 I, donde I es el más grande
subconjunto de R en el que la serie converge absolutamente.
X1 X1
P1 tk ( 1)2k+1 t2k+1 ( 1)k t2k
3. Se sabe que et = , sen (t) = , cos (t) = , t 2 R. Aplique
k=0 k! k=0
(2k + 1)!
k=0
(2k)!
el teorema de la convergencia uniforme y la integración para expresar las siguientes integrales en
series de potencias, x > 0.
184 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
Para cada función f que se de…ne a continuación, calcular una aproximación fe(x) de f (x) para el
punto x que se precisa de modo que f (x) fe(x) < 10 5 y el número de operaciones elementales
que se requiere en el cálculo de fe(x) sea el más pequeño posible (evite el cálculo directo de los
factoriales y las potencias).
Rx 2 Rx p
a) f (x) = 0 e t dt; x = 0;2: sen t2 dt; x = 6 :
b) f (x) = 0
Z x t
Rx p e 1
c) f (x) = 0 cos t dt; x = : d) f (x) = ; x = 0;1:
9 0 t
Z x Z xp p
1 cos (t) t sen( t)
e) f (x) = dt; x = 0;1: f ) f (x) = 3 dt; x = 0;3:
0 t2 0 t2
Z x
p 3 2
p
g) f (x) = t(e t e t + e 5t )dt; x = 0;2:
0
R1
5. Considerar la integral I(p) = 0
p dx donde p 0:
1+px4
a) Utilice el binomio de Newton con exponente fraccionario para representar I(p) como una serie
de potencias de p:
b) Determine para que valores de p 0 la serie de potencias es absolutamente convergente.
c) Para p 0;2, determine el número más pequeño de términos que se requieren para aproximar
I(p) con una precisión de 10 4 y aproxime I(0;4):
1 P
1
k;
6. Utilice la serie = j j < 1, para elaborar un algoritmo numéricamente estable que
1 k=0
Rp dx 1 10 :
permita aproximar I(p) = 0 1+x4
0 p 2; con una precisión " = 10
p (p 1) 2 p (p 1) (p 2)
(1 + a)p = 1 + pa + a + a3 +
2! 3!
Aplique este desarrollo para calcular un valor aproximado fe(x) de f (x) que se de…ne en cada caso,
de modo que f (x) fe(x) < 10 4 y el número de operaciones elementales para el cálculo de fe(x)
sea el más pequeño posible.
Z x Z x
dt dt
a) f (x) = q x = 0;1: b) f (x) = 1 x = 0;5:
0 1 + 12 t4 0 1 14 t4 3
Z x 3
Z x 2
1 4 4
c) f (x) = 1 4t dt x = 0;2: d) f (x) = 1 + 15 t3 3 dt x = 0;3:
0 0
3.11. EJERCICIOS 185
Z x Z x 2
1
e) f (x) = 1+ 0;5t2 3
dt x 2 [0; 1]; x = 0;5: f ) f (x) = 1 + 12 t3 3
dt x 2 [0; 1];
0 0
x = 0;5:
Z x Z x
1 1
g) f (x) = 1+ t3 3
dt x 0; x = 0;2: h) f (x) = 1 0;2t2 2
dt x 2 [0; 1[; x = 0;3:
0 0
9. Sea " = 10 5:
Aplique el algoritmo para la aproximación de la integral elíptica incompleta de
1
segunda especie en el punto k = y k = 0;6:
3
10. Aplique el algoritmo de cálculo de sen (x) en los siguientes casos y una preccisión " = 10 9:
2 20
a) sen ( 15;2) : b) sen : d) sen
: c) sen : e) sen (125) :
4 3 3
Compare con los resultados obtenidos directamente de una calculadora de bolsillo
h i
11. Para x 2 0; se ha propuesto un algoritmo de cálculo de sen (x) : Elabore un algoritmo de cálculo
2 i i
de sen (x) x 2 R que incluya los siguientes casos: x 2 ; ; x > y x < 0:
2
12. Aplique el algoritmo de cálculo de exp (x) con una precisión de " = 10 9; en los siguientes casos:
a) exp (0;2) : b) exp (2;5) : c) exp (25;2) : d) exp ( 0;3) : e) exp ( 5;2) :
Compare con los resultados obtenidos directamente de una calculadora de bolsillo.
13. Sean a > 1 y n 2 Z+ : Elabore un algoritmo de cálculo de y = an y veri…que en los siguientes casos.
p
a) a = 3;14159265 y n = 4: b) a = 2;71828184 y n = 9: c) a = 2 ' 1;414213562 y n = 10:
i h
14. Sea f la función real de…nida como f (x) = tan(x) x 2 ; : El cálculo de f (k) (0) para
2 2
k = 0; 1; : : : ; 11 da lugar al siguiente desarrollo de Taylor.
2 2 16 5 272 7 7936 9 353792 11
f (x) = x + x + x + x + x + x +
3! 5! 7! 9! 11!
1 2 17 7 62 9 1382 11
= x + x3 + x5 + x + x + x +
3 15 315 2835 155925
h i
Para x 2 0; elabore unalgoritmo de cálculo de tan (x) usando el desarrollo precedente y calcule
10
los siguientes valores:
a) tan (0;1) : b) tan : c) tan y compare con los obtenidos en una calculadora de
18 10
bolsillo. Estime el error de aproximación.
Calcule tan con el polinomio de grado 11 y compare con el valor obtenido en una calculadora
6
de bolsillo.
R 1
15. La integral elíptica incompleta de primera especie se de…ne como F (p) = d 2
0 p
1 p2 sen2 ( )
p 2 [0; 1[: Esta integral no se calcula con funciones elementales, por lo que se le representa mediante
una serie de potencias.
a) Estudie la continuidad de la función F sobre el intervalo [0; 1[:
b) Represente F (p) p 2]0; 1[, mediante serie de potencias.
c) Sea " = 10 5 : Construya un algoritmo para la aproximación de la integral elíptica incompleta
de primera especie de modo que el número de operaciones elementales sea el más pequeño posible
1
y aplique dichoa algoritmo en los puntos k = y k = 0;6:
4
Rx 1
16. Se considera la función real h de…nida como h(p; x) = 0 1 dt; donde p 0; x 2 [0; 1]:
(1 + p4 t4 ) 3
Estudie la función h. Utilice la serie binómica para representar la función h como una serie de
potencias. Para " = 10 4 ; elabore un algoritmo para la aproximación de h(p; x) de modo el número
186 CAPÍTULO 3. APROXIMACIÓN DE SERIES DE FUNCIONES. APLICACIONES.
de operaciones elemenetales sea el más pequeño entero posible. Aplique el algoritmo para calcular
valores aproximados de h(0;5; 0;2); h(0;5; 0;5); y, h(1; 0;2); h(1; 1):
Rx
17. Considerar la integral I = 0 f (t)dt, x > 0, donde f es la función representada en serie de potencias
que en cada caso se de…ne. Calcule In aproximación de I para el valor de x que se da de modo que
jI In j < 10 4 .
P tk P1 ( 1)k t2k+1
a) f (t) = 1 k=0 , x = 1. b) f (t) = k=0 , x = 2:
(k + 1)k2k k!(3k + 5)
P ( 1)k tk P t2k
c) f (t) = 1k=0 , x = 3: d) f (t) = 1 k=0 , x = 2:
(2k)! (2k + 1)(k + 1)5k
18. En el siguiente ejercicio
R1
a) Utilice la serie de Taylor de sen (x) ; x 2 R, para aproximar la integral I = 0 x1=2 sen(x)dx;
mediante sumas …nitas con 5; 7; 9; 11 términos.
b) Aplique el método de los trapecios para aproximar I con n = 5; 7; 9; 11:
c) Aplique el método de Euler explícito (véase el capítulo 1) para aproximar u(1) solución de la
u0 (t) = t1=2 sen(t); t 2]0; 1[;
ecución diferencial con n = 5; 7; 9; 11: Compare los resultados de
u(0) = 0;
a), b) precedentes con c).
R1
19. Proceda de manera análoga al ejercicio precedente para aproximar la integral I = 0 cos(x1=2 )dx:
R1
20. Considere la integral I(p) = 0 x p ex dx; p > 1:
a) Pruebe que I(p) < 1; 8p > 1:
b) Utilice la serie de Taylor de ex y elabore un algoritmo para aproximar I(p) con una precisión
= 10 6 :
c) Aplique el algoritmo para aproximar I(1;1); I(1;5): ¿Cuántas operaciones elementales se
requieren?.
21. La solución en serie de potencias de x de la ecuación de Airy: y 00 = xy; x 2 R; viene dada por
" 1
#
X x3n
y(x) = a0 1 +
(3n)(3n 1)(3n 3)(3n 4) 3 2
n=1
" 1
#
X x3n+1
+a1 x + ;
(3n + 1)(3n)(3n 2)(3n 3) 4 3
n=1
@2u 1 @u
= 0 sobre ]0; T [ ]0; L[;
@x2 c2 @t
u(0; t) = u(L; t) = 0; 8t 2 [0; T ];
x; si 0 < x < L2 ;
u(x; 0) =
L x; si L2 x L;
donde c > 0; T > 0; L > 0; x es la variable espacial, t es la variable temporal y u es la temperatura;
viene dada por
X1
2 kx
u(x; t) = ak e k t sen( ) (x; t) 2 [0; T ] [0; L];
L
k=1
8
>
> 0; si k es par,
>
> 4L
ck <
; si k = 1; 5; 9; : : :
donde k = ; k = 1; 2 : : :, y ak está de…nido por ak = 2 k2
L >
>
>
> 4L
: , si k = 3; 7; 11; : : :
2 k2
L
a) Sean m; n 2 N; h = m ; xi = ih; i = 0; 1; : : : ; m; I = Tn ; tj = Tj ; j = 0; 1; : : : ; n: Elabore un
algoritmo para aproximar la solución de u(xi ; tj ); j = 0; 1; : : : ; n; i = 0; 1; : : : ; m:
b) Supóngase que c = L = 1; T = 2; m = 10; n = 4. Trace las grá…cas de las soluciones aproximadas
a cada instante tj con 3; 4 y 5 términos de la serie.
24. En cada uno de los items siguientes se da una función f de…nida sobre un intervalo [a; b] que se
Rb
indica y n 2 Z+ . Represente I (f ) = a f (x) dx como serie de potencias y aproxime dicha integral
con el número de términos que se da, ¿qué precisión logra?
2 p
a) f (x) = ex x 2 [0; 1], n = 5. b) f (x) = 1 + x4 x 2 [ 1; 1], n = 4.
ex ln x
c) f (x) = x 2 [1; 2], n = 5. d) f (x) = x 2 [1; 4], n = 5.
x x
1. Tom M. Apostol, Análisis Matemático, Segunda Edición, Editorial Reverté, Barcelona, 1982.
2. Tom M. Apostol, Calculus, Volumen 1, Segunda Edición, Editorial Reverté, Barcelona, 1977.
3. Tom M. Apostol, Calculus, Volumen 2, Segunda Edición, Editorial Reverté, Barcelona, 1975.
6. Richard L. Burden, J. Douglas Faires, Análisis Numérico, Séptima Edición, International Thomson
Editores, S. A., México, 2002.
7. Alan W. Bush, Perturbation Methods for Engineers and Scientists, CRC Press, Boca Raton, 1992.
8. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
9. S. D. Conte, Carl de Boor, Análisis Numérico, Segunda Edición, Editorial Mc Graw-Hill, México,
1981.
12. C. H. Edwards, Jr., David E. Penney, Ecuaciones Diferenciales Elementales y Problemas con
Condiciones en la Frontera, Tercera Edición, Editorial Prentice-Hall Hispanoamericana, S. A.,
México, 1993.
13. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, II Pitagora
Editrice Bologna, 1983.
15. Wilfred Kaplan, Donald J. Lewis, Cálculo y Algebra Lineal, Volumen I, Primera Reimpresión,
Editorial Limusa, México, 1978.
17. Robert W. Hornbeck, Numerical Methods, Quantum Publishers, Inc., New York, 1975.
18. R. Kent Nagle, Edward B. Sa¤, Arthur David Snider, Ecuaciones Diferenciales y Problemas con
Valores en la Frontera, Tercera Edición, Editorial Pearson Educación, México, 2001.
19. David Kincaid, Ward Cheney, Análisis Numérico, Editorial Addison-Wesley Iberoamericana,
Wilmington, 1994.
20. Melvin J. Maron, Robert J. López, Análisis Numérico, Tercera Edición, Compañía Editorial
Continental, México, 1995.
21. Shoichiro Nakamura, Métodos Numérico Aplicados con Software, Editorial Prentice-Hall His-
panoamericana, S. A., México, 1992.
22. Anthony Ralston, Introducción al Análisis Numérico, Editorial Limusa, México, 1978.
23. Francis Scheid, Theory and Problems of Numerical Analysis, Schaum’s Outline Series, Editorial
McGraw-Hill, New York, 1968.
24. Bhimsen K. Shivamoggi, Perturbation Methods for Di¤erential Equations, Editorial Birkh½auser,
Boston, 2003.
25. Michael Spivak, Calculus, Segunda Edición, Editorial Reverté, Barcelona, 1996.
26. Ferdinand Verhulst, Methods and Applications of Singular Perturbations: Boundary Layers and
Multiple Timescale Dynamics, Editorial Springer, New York, 2005.
Capítulo 4
Resumen
La pregunta simple que nos hacemos cuando estudiamos estadística y probabilidades es ¿cómo se elaboran
las tablas de datos de algunas de las funciones de distribución estadística? Este capítulo da respuesta a
esta interrogante. Se abordan las principales funciones de distribución discretas: la binomial, de Poisson
y se establecen criterios basados en el condicionamiento y la estabilidad para elaborar algoritmos de
cálculo de estas funciones y de otras discretas. Las principales funciones de distribución continuas como
son: las del tipo gama, del tipo beta, la normal, i cuadrada, t de Student, distribución F se aproximan
mediante el uso de las series de potencias, del análisis asimptótico en unos casos, y en otros, cuando es
posible calcular directamente las integrales, como polinomios. En todos los casos, se aplican los criterios
de condicionamiento y de estabilidad numérica. Se debe precisar que en la mayoría de textos de estadística
citados en la bibliografía, es muy limitado el tratamiento de los problemas de aproximación numérica de
las funciones de distribución estadística. En la mayor parte de libros de métodos perturbación se trata la
función error, y fue esta función la que motivó emprender la tarea de construir métodos de aproximación
de las funciones de distribución estadística mencionados así como de las funciones gama y beta de Euler.
Otras funciones de distribución estadística como la log normal pueden aproximarse fácilmente siguiendo
los citerios establecidos con las otras funciones.
4.1. Introducción
2. Continuas: la función gama de Euler y la distribución gama, la función beta y la distribución beta,
la distribución normal, i-cuadrada, t de Student, F de Snedekor.
Estas funciones de distribución estadística se presentan en muchos problemas tales como estimación de
parámetros, intervalos de con…anza, pruebas de hipótesis, control de calidad, análisis de la varianza,
análisis de regresión y correlación lineal y multilineal, en la teoría de colas tales como las líneas de espera,
en problemas de econometría, análisis multivariante, en problemas de optimización, etc.
Por otro lado, en la mayoría de textos de probabilidades y estadística, vienen tabulados valores de las
funciones de distribución estadística arriba citados, que sin duda alguna, constituye de una gran ayuda,
no obstante tienen la desventaja de ser muy limitados y en la automatización de la información, por lo
189
190CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
general, no se disponen a la mano. Por estas razones, es importante contar con algoritmos numéricos para
elaborar programas computacionales para calcular valores de las mencionadas funciones de distribución
para datos de entrada los más amplios posibles y que superen largamente a los datos proporcionados en
las tablas.
Los temas del análisis matemático tales como los métodos de integración por partes y sustitución, las
integrales impropias, sucesiones y series numéricas, criterios de convergencia, las sucesiones y series
de funciones y la convergencia uniforme e integración y particularmente las series de potencias así
como su aproximación numérica tratados en el capítulo anterior, son aplicados a los tipos de funciones
de distribución estadística arriba citadas. Además se aplican los resultados de condicionamiento y la
estabilidad numérica tratados en el primer capítulo, lo que permite elaborar algoritmos simples de cálculo
con la precisión que se desee. Por cuestiones prácticas se ha seleccionado como precisión = 10 10 y la
exactitud de cálculos del orden de 10 10 ; aún cuando la metodología establecida se adapta fácilmente
para > 0 arbitrario. La metodología que se implementa puede adaptarse en forma inmediata a la
aproximación de otras funciones de distribución estadística tanto discretas como continuas.
De…nición 1 Una variable aleatoria X tiene una distribución binomial o distribución de Bernoulli
basada en n pruebas, con probabilidad de éxito p, si su función de densidad está de…nida mediante
8
< 0; si k 2 Z f0; 1; : : : ; ng ;
f (k) = n
: pk q n k ; si k = 0; 1; : : : ; n;
k
n n n!
donde p 2 [0; 1] ; q 2= 1 py denota el coe…ciente binomial de…nido por = :
k k k!(n k)!
n n k n
= ;
k+1 k+1 k
consecuentemente
n n k n p k n n k
f (k + 1) = pk+1 q n (k+1)
= p q k
= rf (k);
k+1 k+1 k q k+1
con r = pq ; p 6= 1:
Esta última relación nos permite elaborar un algoritmo para calcular F (k); con 0 k n; k 2 Z:
Algoritmo
Datos de entrada: p; k; n:
1. q = 1 p:
p
2. r = :
q
3. S1 = q n :
4. S = S1 :
5. k = 0; 1; : : : ; x 1
4.2. LA DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL 191
n x
S1 = rS1
x+1
S = S + S1
Fin de bucle k.
6. F (x) = S:
7. Fin.
Este algoritmo presenta algunos inconvenientes por lo que debe tomarse en consideración otras
alternativas en base a las propiedades de la función de distribución se se verán a continuación.
p
Sea r = q con p 6= 1: De la de…nición de la función F se establece la siguiente escritura anidada:
k
X n
X
n j n j n n
F (k) = p q =q rj
j j
j=0 j=0
n 1 n 2 n k 2 n k 1
= q n 1 + nr 1 + r 1+ r 1+ + r 1+ :::
2 3 k 1 k
Por otro lado, para cada k = 0; 1; : : : ; n se tiene
k
X k
X n
X
n n n
1 = (p + q)n = pj q n j
= pj q n j
+ pj q n j
;
j j j
j=0 j=0 j=k+1
Para la primera forma de cálculo de F (k) se propone el algoritmo que se da a continuación. Se propone
como ejercicio escribir F (k) en forma anidada así como elaborar el respectivo algoritmo numérico.
Algoritmo
Datos de entrada: p; k; n:
1. q = 1 p:
p
2. r = :
q
3. S = 1:
4. j = 1; : : : ; k
i=k+1 j
n k j
S =1+ rS
i
192CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
Fin de bucle i.
Fin de bucle j.
5. S = q n S:
6. Fin.
n n
Tomando en consideración las condiciones 0 , y < k k
n, se propone como ejercicio la
2 2
elaboración completa del algoritmo de cálculo de F (k) así como su respectivo programa computacional.
Los resultados compárelos con los provistos en tablas de textos de estadística.
De…nición 2 Una variable aleatoria X tiene una distribución binomial o distribución de Poisson de
media > 0 si su función de densidad está de…nida por
k
f (k) = e ; k 2 Z+ :
k!
La función de distribución está de…nida mediante
m
X m
X k
F ( ; m) = f (k) = e ; m 2 Z+ ;
k!
k=0 k=0
Puesto que
m
X k 1
X k
lm = =e ,
m!1 k! k!
k=0 k=0
Para elaborar un algoritmo de cálculo de F ( ; n) con una precisión " > 0 para > 0 y 0 m n,
determinemos una condición sobre el parámetro ; n y ". Para el efecto, apliquemos el criterio de
comparación de series numéricas.
k P
1
Sean ak = , bk = . Entonces 1
k=1 bk = 1, y
k! k(k + 1)
ak k+1 k
= ! 0:
bk (k 1)! k!1
k+1 k
Luego, existe n tal que < " si k n: Para k su…cientemente grande, se puede considerar la
(k 1)!
desigualdad.
k
< " si k n;
k!
4.3. DISTRIBUCIÓN DE POISSON 193
La determinación de n mediante esta última expresión resulta ser numéricamente costosa. Con el
propósito de obtener una expresión práctica de cálculo del más pequeño entero positivo n que satisfaga
la desigualdad precedente, utilizamos la desigualdad:
k
X Z k
ln (j) ln (t) dt = k ln (k) k + 1;
j=1 1
k
n = m n k 2 Z+ j k ln > 1 ln " ;
e
donde > 0 y 0 < " < 1 son …jos.
n
Si m n, el cálculo de F ( ; m) se vuelve numéricamente costoso. Para disminuir el costo numérico,
2
utilizamos las siguiente relación:
m n 1
!
X k X k X k
1=e + +
k! k! k!
k=0 k=m+1 k=n+1
P
1 k
y como e < ", despreciando este último término, F ( ; m) se aproxima mediante
k=n+1 k!
n
X k m+1
1 e =1 e 1+ 1+ 1+ + 1+ :
k! (m + 1)! m+2 m+3 n 1 n
k=m+1
k
Con …nes prácticos " = 10 10 , ln(") w 23;1, y n = m n k 2 Z+ jk ln> 22;1 : Por ejemplo para
e
2 ]0; 1] es n = 14; para = 10 es n = 45 y para = 30 se tiene n = 102: Esta información nos permite
de…nir la función F~ ( ; m) para las distintas alternativas como a continuación se indica:
8 k
< Pm
e , 0 m 14; m 2 N; 0 < 1:
F~ ( ; m) = k=0 k!
:
1, si m > 14:
8
k
> e P
> m n
>
> , si 0 m ;
>
< k=0 k! 2
F~ ( ; m) = Pn k
n
>
> 1 e , si < m n; > 1:
>
> k=m+1 k! 2
>
: 1, si m > n:
Para > 1 y m grande, los términos m+1 y (m + 1)! son muy grandes lo que puede causar problemas
al momento de su cálculo en el computador. Par evitar etas molestias, se calcula como sigue:
0 1
m+1 m+1
X
= exp @(m + 1) ln( ) ln(j)A ;
(m + 1)!
j=1
que mejora la estabilidad numérica. Además, para evitar el cálculo directo de los factoriales y de las
potencias escribimos en forma anidada como a continuación se indica
m
X k
=1+ 1+ 1+ + 1+ ;
k! 1 2 m 1 m
k=0
n
X k m+1
= 1+ 1+ 1+ + 1+
k! (m + 1)! m+2 m+3 n 1 n
k=m+1
En las aplicaciones prácticas de la distribución de Poisson tal como en la teoría de colas, el valor de
está en el intervalo ]0; 30] :
1. Si 0 < 1, entonces
8
< :
e 1+ 1+ 1+ + 1+ , si 0 m 14;
F~ ( ; m) = 1 2 m 1 m
:
1, si m > 14:
2. Si > 1, entonces
8
> n
>
> e 1+ 1+ 1+ + 1+ , si 0 m ;
>
> 1 2 m 1 m 2
>
>
>
< m+1
1
~
F ( ; m) = 1 1+ 1+ 1+ + 1+ ;
> (m + 1)! m+2 m+3 n 1 n
>
> n
>
> si < m n;
>
> 2
>
:
1, si m > n:
" #
m+1 P
m+1
k
donde n = m n k 2 Z+ jk ln > 22;1 ; = exp (m + 1) ln( ) ln(j) :
e (m + 1)! j=1
Ejercicio
R+ ! R + R1
:
p 7 ! (p) = 0 tp 1 e t dt:
Teorema 1
R1
i. La integral 0 tp 1 e t dt converge para todo p 2 R+ y diverge para todo p 0:
1 p
ii. (1) = 1 y 2 = :
( ) ! +1 y (p) ! +1:
!0+ p!+1
Demostración.
i) Sea p 2 R+ : Entonces
Z 1 Z 1
p 1 t
(p) = t e dt + tp 1
e t dt:
0 1
R1 R1
Ponemos I1 = 0 tp 1 e t dt; I2 = 1 tp 1 e t dt:
tp 1e t
lm 1 = l m tp+1 e t
= 0;
t!1 t!1
t2
que es una consecuencia de la aplicación de la regla de L’Hópital. Por el criterio del cociente para integrales
impropias, se deduce que I2 existe.
R1
Por lo tanto, (p) = tp 1 e t dt está bien de…nida para todo p > 0:
0
1
lm t = l mt p +t
e = 0;
t!0 tp 1 e t t!0
t = cos ;
Sea r > 0 y B(0; r) el disco cerrado de centro 0 y radio r. Utilizando coordenadas polares:
x = sen ;
; donde 0 2 ; 0 r, se tiene,
ZZ Z 2 Z r Z 2 Z r r
(t2 +x2 ) 2 2 1 2 r
e dtdx = e d d = d e d =2 e = (1 e );
0 0 0 0 2 0
B(o;r)
luego
ZZ
(t2 +x2 )
I2 = l m e dtdx = l m (1 e r
)= ;
r!1 r!1
B(0;r)
p
con lo que I = :
1 p
Pasemos a probar que 2 = . Por de…nición de la función gama, se tiene
Z 1
1 1
= t 2 e t dt:
2 0
(p + 1) = p (p):
1 1 1 1
n+ = n +1 = n n
2 2 2 2
1 3
= n n +1
2 2
1 3 3
= n n n
2 2 2
..
.
1 3 1 1
= n n :
2 2 2 2
1 p
Por la propiedad ii), 2 = , entonces
1 (2n 1)(2n 3) 1p
n+ = :
2 2n
v) Sea p 2 R+ 8N. Denotemos con n el mayor entero menor o igual que p, entonces p n 2]0; 1[. Utilizando
la propiedad iii) se deduce
vi) La demostración de la continuidad de la función requiere de argumentos que están fuera del alcance
de estas notas. (véase el Análisis Matemático de Apostol, el Cálculo Avanzado de Fulks).
(1 + )
(1 + ) = ( ) =) ( ) = ;
(1 + )
lm ( )= lm = +1:
!0+ !0+
(p + 1)
(p) = ; p > 0:
p
(p + 1)
Si 1 < p < 0, entonces 0 < p + 1 < 1, por lo tanto está bien de…nido, en cuyo caso de…nimos
p
(p + 1)
(p) = ; 1 < p < 0:
p
De…nido (p) para p 2] 1; 0[, podemos de…nir (p) para p 2] 2; 1[ del modo siguiente:
(p + 2)
(p) = ;
p(p + 1)
198CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
(p + 2)
pues si 2<p< 1 entonces 1 < p + 1 < 0 y 0 < p + 2 < 1 con lo cual (p + 1) = y
p+1
(p + 1) (p + 2)
(p) = = :
p p(p + 1)
(p + n) (p + n)
(p) = = :
p(n + 1) : : : (p + n 1) Q
n
(n + j 1)
j=1
Ejemplos
R1
1. (3) = 0 t2 e t dt = 2:
5 3 3 3 3 1 3 1 1 3p
2. 2 = +1 = = 2 +1 = 2 = :
2 2 2 2 2 2 4
5
R1 3
Observe que 2 = 0 t 2 e t dt:
(0;5) p
( 0;5) = = 2 ;
0;5
( 0;5) 4p
( 1;5) = = ;
1;5 3
( 1;5) 8p
( 2;5) = = :
2;5 15
Por otro lado,
(0;5) 8p
( 2;5) = = :
( 2;5)( 1;5)( 0;5) 15
Ponemos
Z a
f (a) = tp 1
e t dt;
Z0 1
g(a) = tp 1
e t dt:
a
Sea > 0. Con …nes prácticos = 10 10 con lo que (p) será aproximado con 10 cifras decimales de
"
precisión. Para el efecto, aproximemos f (a) y g(a) con una precisión que precisaremos más adelante.
2
Aproximemos primeramente g(a): Integrando por partes k + 1 veces, obtenemos
g(a) = ap 1
e a
+ (p 1)ap 2
e a
+ (p 1)(p 2)ap 3
e a
+ +
Z 1
p (k+1) a
(p 1)(p 2) (p k)a e + (p 1) (p (k + 1)) tp (k+2)
e t dt:
a
4.5. APROXIMACIÓN NUMÉRICA DE (P ): 199
Sean
a p 1 p 1 (p 1)(p 2) (p k)
k (a) = e a 1+ + + ;
a ak
Z 1
(a) = (p 1)(p 2) : : : (p (k + 1)) tp (k+2)
e t dt:
a
Entonces g(a) = k (a) + (a). Determinemos a y k tales que j (a)j < , luego
2
Cuando p ! 0, se tiene
(k + 1)! k!
j (a)j = a k+1 :
(k + 1)ea ak+1 e a
ak k!
Como ! 0, la sucesión no converge a 0; más aún dicha sucesión es divergente, pero si k 2 N
k! k!1 ak
es …jo,
k!
! 0:
ea ak+1 a!1
Notemos que
k! 1 k k
k
= < 1 si 1;
a a a a
en cuyo caso, de la igualdad
k! 1 k!
= ;
ea ak+1 aea ak
obtenemos las dos relaciones siguientes:
1 10 k! 5
< 10 y ' 10
aea ak
1 7 12! 5; k!
Para a = 12; tenemos ' 5;12 10 y ' 5;37 10 con lo que < si a 12 y
12e12 1212 ea ak+1 2
k = 12; luego j (a)j < : Así
2
jg(a) 1 (a)j < si a 12.
2
Escribamos k (a) de modo que sea numéricamente estable
a p 1 p 1 (p 1)(p 2) : : : (p k)
k (a) = e a 1+ + +
a ak
a p 1 1 p (1 p)(2 p) (1 p)(2 p)(3 p)
= e a 1 + +
a a2 a3
(1 p)(2 p)(3 p)(4 p) (1 p)(2 p) : : : (k 1 p)
+ + +
a4 ak 1
(1 p)(2 p) : : : (k p)
+ :
ak
200CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
Sean 1 (a), 2 (a) las sumas de los términos positivos y de los negativos, respectivamente de k (a), esto
es
Para k = 12, el número de términos de k (a) dentro del corchete es 13 y el número de términos positivos
es 7 y de los negativos es 6, es decir que 1 (a) tiene 7 términos y 2 (a) tiene 6 términos. La escritura
anidada de 1 (a) y 2 (a) asegura la estabilidad numérica y además es fácil de programar. Luego
a p 1
k (a) =e a ( 1 (a) 2 (a)) :
P1 ( 1)k tk
Aproximemos f (a): Puesto que e t = , se sigue que
k=0 k!
Z Z 1
! 1 Z
a a X ( 1)k tk X ( 1)k a p+k
p 1 t p 1 1
f (a) = t e dt = t dt = t dt
0 0 k! k! 0
k=0 k=0
1
X ( 1)k k+p
= a :
k!(k + p)
k=0
m ( 1)k ak+p
P
La última serie converge absolutamente (demuestre). Sean m 2 N y fm (a) = tales que
k=0 k!(k + p)
jf (a) fm (a)j < 2 : Para el efecto, aplicamos el criterio de comparación para series reales. Ponemos
ak+p 1 P1
ak = , bk = . Entonces bk = 1, y
k!(k + p) k(k + 1) k=1
(k + 1)ak+1 ak
Para a = 12, se prueba que para todo k 55 se tiene < es decir que < si k 56,
k! 2 bk 2
con lo cual m = 56 y
56
X ( 1)k ak+p
fm (a) = :
k!(k + p)
k=0
a 1 m
Ponemos ck = ; k = 1; 2; : : : ; . Entonces
2k(2k + p) 2k 1 + p 2
1 a3 a5 am 1
fm (a) = ap + c1 a + c2 + c3 + + c m2
p 3! 5! (m 1)!
1 a 2 a2
= ap + a c1 + c2 + c3 + +
p 2 3 4 5
a2 a2
c m2 1 + cm :
(m 4)(m 3) (m 2)(m 1) 2
donde fm (a); 10
1 (a); 2 (a) de…nidos precedentemente y = 10 para el cual m = 56; a = 12:
Algoritmo
Dato de entrada: p:
3. Calcular fm (a):
5. Calcular a ap 1 (
a (p) = fm (a) + e 1 (a) 2 (a)):
6. Fin.
Nota: para el cálculo de fm (a) se debe elaborar un algoritmo tipo esquema de Hörner. De manera
similar 1 (a) y 2 (a) requieren de la elaboración de los respectivos algoritmos para su cálculo. Se propone
como ejercicio la elaboración de algoritmos para el cálculo de fm (a), 1 (a) y 2 (a) utilizando su escritura
anidada de modo que se eviten los cálculos directos de los factoriales y de las potencias. En la siguiente
sección necesitaremos nuevamente la escritura anidada de fm (a); 1 (a) y 2 (a) para aproximar la función
de distribución gama.
Algoritmo
Dato de entrada: p:
1. Si p 2 Z+ ; (p) = (p 1)!:
p
1 Q
n
2. Si p = n + ; (p) = n (2j 1):
2 2 j=1
Q
n
4. Si p > 1; n = [p]; (p) = (p n) (p j):
j=1
([ ] denota la función mayor entero menor o igual que, p 2 R+ N, p n 2]0; 1[, (p n) ' a (p n)):
202CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
(p + n)
5. Si p < 0; p 2
= Z , (p) = ;
Q
n
(p + j 1)
j=1
De…nición 4 Una variable aleatori X tiene una distribución del tipo gama si su función de densidad
está de…nida por 8
> 0; si t 0;
< t
f (t) = p 1
: t p e ; si t 2 ]0; 1[ ;
>
(p)
donde p; 2 R+ y denota la función gama.
La función de distribución de probabilidad del tipo gama está de…nida por
Z x t
1
F (x) = p tp 1
e dt; x 0:
(p) 0
1. p 2 Z+ ;
2. 0 < p < 1,
= Z+ :
3. p > 1, p 2
Así,
p 1 k
X
x x
Fp (x) = 1 e x 0:
k!
k=0
xk x
Note que, por la regla de L’Hôpital, l m e = 0; luego
x!1 k!
p 1 k
X
x x
lm e = 0;
x!1 k!
k=0
Para " = 10 10 , determinemos una condición sobre x y p tal que Fp (x) sea calculado con una precisión
". Esta condición es xp 1 e x 10 10 , de donde x (p 1) ln(x) 10 ln(10):
Para p = 1, de…nimos
1 e x ; si x 10 ln(10);
F (1; x) =
1; si x > 10 ln(10):
Para p > 1, de…nimos
8
>
< 1 exp xk
pP1
x + ln , si x (p 1) ln(x) 10 ln(10);
F (p; x) = k=0 k!
>
: 1; si x (p 1) ln(x) > 10 ln(10):
xk pP1 xk
x
pP1
En esta última escritura de F (p; x) se evita que el término e se redondee por 0. Además
k=0 k! k=0 k!
tiene que escribirse de forma anidada para evitar el cálculo directo de las potencias y de los factoriales..
Caso 2.- Supongamos ahora que 0 < p < 1:
Recordemos que si 0 < p < 1, (p) se aproxima mediante
a p 1
a (p) = fm (a) + e a ( 1 (a) 2 (a));
donde (t) = e t tp 1(
1 (t) 2 (t)), t 2 [12; 1[:
Por otro lado, como (p) converge para todo p > 0; en particular para 0 < p < 1 se sigue que dado " > 0,
existe R > 0 tal que para todo x R, se tiene
Z 1 Z x Z 1
tp 1
e t dt tp 1
e t dt = tp 1
e t dt < ":
0 0 x
R1
Para " = 10 10 se deduce que tp 1 e t dt < 10 10 si R w 24: En consecuencia,
R
8
>
> fm (x)
>
> , si 0 x 12;
>
< a (p)
Fm (x) = fm (x) + (12) (x)
>
> , si 12 < x 24;
>
> a (p)
>
: 1, si x > 24:
Para completar el algoritmo debe tomarse en cuenta lo siguiente: para cada x 2 [0; 12], fm (x) debe
calcularse con m = 56 que se obtuvo cuando x = 12, pero para 0 < x < 12 se requerirán menos términos
para lograr la misma precisión. En la tabla siguiente se ilustran algunos subintervalos de [0; 12] con sus
respectivos valores de m:
x 1 2 3 4 5 6 7 8 9 10 11 12
:
m 16 21 25 29 33 37 40 43 47 50 53 56
Para simpli…car la selección de m para x 2 [0; 12], la siguiente relación puede ser útil:
= Z+ :
Caso 3.- Consideremos ahora el caso p > 1, p 2
Sea q = p n con n = [p] el mayor entero menor o igual que p, entonces q 2]0; 1[. Utilizando el método
de integración por partes n 1 veces, tenemos
0 1
Z x n
Y
1
Fp (x) = tq 1
e t dt @ (p j)A xp 1
e x
(p 1)xp 2
e x
(p) 0 j=1
(p 1)(p 2)xp 3
e x
(p 1)(p 2) (p (n 1)xp n
e x
):
Q
n
Además, (p) = (q) (p j):
j=1
Sean
Z x n
Y Z x
1 q 1 t 1
Fq (x) = t e dt (p j) = tq 1
e t dt;
(p) 0 (q) 0
j=1
4.6. DISTRIBUCIÓN DE PROBABILIDAD DE TIPO GAMA 205
1
Q(x) = xp 1
e x
+ (p 1)xp 2
e x
+ (p 1)(p 2)xp 3
e x
+
(p)
1
n
Y1
+x p n
e x
(p j)A
j=1
xq x x x2
= e + 1+ +
q q + 1 (q + 1)(q + 2)
xn 2 xn 1
+ +
(q + n 2) (q + 1) (q + n 1) (q + 1)
xq x x x x x
= e 1+ 1+ 1+ + 1+ :
q q+1 q+2 q+n 2 q+n 1
entonces
Fp (x) = Fq (x) + Q(x), x 0:
El algoritmo para evaluar Fq (x) con q 2]0; 1[, x 0, está descrito en la parte 2) precedente. Describimos
el algoritmo para evaluar Q(x):
Algoritmo
Datos de entrada: n; q; x:
1. b = 1:
2
k = 1; ;n 1
6 J = n k
2. 6
4 bx
b=1+
q+j
Fin de bucle k.
xq e x
3. Q(x) = :
q
4. Fin.
En resumen, para p > 0 y x 0, Fp (x) se calcula (aproxima) con una precisión " = 10 10 del modo
siguiente.
Si p 2 Z+ ;
1 e x , si x 10 ln(10);
Si p = 1, F (1; x) =
1, si x > 10 ln(10);
8
>
< 1 exp
pP1xk
x + ln , si x (p 1) ln(x) 10 ln(10);
Si p > 1, F (p; x) = k=0 k!
>
: 1; si x (p 1) ln(x) > 10 ln(10):
8
>
> fm (x)
>
> , si 0 x 12;
>
< a (p)
Si 0 < p < 1, Fm (x) = fm (x) + (12) (x)
>
> , si 12 < x 24;
>
> a (p)
>
: 1; si x > 24:
Teorema 2
i) La función beta B(p; q) está bien de…nida si p > 0; q > 0 y diverge en cualquier otro caso.
Además, la función beta es continua sobre R+ R+ :
En particular, si r = n 2 Z+ ; se tiene
8
Z Z >
> 1
3 : : : (n 1)
2 2
< ; si n es par,
2 sinn ( )d = 2 cosn ( )d = 2 4 ::: n 2
0 0 >
> 2 4 : : : (n 1)
: ; si n es impar.
1 3 ::: n
Demostración.
i) Sean p; q 2 R+ . Si p 1, q 1, la función t 7! tp 1 (1 t)q 1 de [0; 1] en R es continua, por lo tanto
B(p; q) está bien de…nida.
Supongamos que 0 < p < 1, 0 < q < 1. La función t ! tp 1 (1 t)q 1 de ]0; 1[ en R es discontinua en 0 y
1.
R 1=2 R1
Sean I1 = 0 tp 1 (1 t)q 1 dt, I2 = 1=2 tp 1 (1 t)q 1 dt, entonces B(p; q) = I1 + I2 . Mostremos la
existencia de I1 y I2 . Se tiene que
Z 1 Z 1
2
p 1 q 1
2 1
I1 = t (1 t) dt tp 1 dt = p ;
0 0 2 p
Z 1 Z 1
1
I2 = tp 1 (1 t)q 1 dt (1 t)q 1 dt = q ;
1 1 2 q
2 2
4.7. FUNCIÓN BETA. APROXIMACIÓN DE LA FUNCIÓN BETA B(P; Q), P > 0, Q > 0: 207
Para probar que B(p; q) diverge en cualquier otro caso, admitamos que p 0yq 0. Entonces
Z 1 Z 1 q 1 Z 1
2
1
2 1 1 2 dt 1 1=2
I1 = t (1 t)q 1
dt t 1
dt = = q 1 ln j0 = +1:
0 0 2 2q 1 0 t 2
Luego
Z 1 Z 1 Z 1Z 1
2p 1 x2 2q 1 y 2 (x2 +y 2 )
(p) (q) = 4 x e dx y e dy =4 x2p 1 2q 1
y e dxdy:
0 0 0 0
x = % cos ';
Utilizando coordenadas polares: % 0; ' 2]0; 2 [, se deduce que
y = % sen ';
Z Z 1
2 2
(p) (q) = 4 %2p 1 2q 1
% cos2p 1
(') sen2q 1
(') % %d%d'
0 0
Z ! Z
2
1
%2
= 4 cos2p 1
(') sen2q 1
(')d' %2(p+q) 1
e d%
0 0
Z Z !
1 2
= 2 v p+q 1
e v
dv cos2p 1
(') sen2q 1
(')d'
0 0
= (p + q)B(p; q):
r+1
iv) Sea r > 0. Por la propiedad iii), haciendo p = 2 , q = 21 , se tiene
Z Z
r+1 1 2
2( r+1 2( 21 ) 1 2
2 )
1
B ; =2 sen ( ) cos ( )d = 2 senr ( )d ;
2 2 0 0
Además
r+1 1
r+1 1 2 2
B ; = r+2 ;
2 2 2
de donde Z p
2
r+1 1 r+1
r 2 2 2
sen ( )d = r+2 = r+2 :
0 2 2
2 2
208CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
Luego Z n
x n np (p) (n + 1)
xp 1
1 dx = :
0 n (n + p + 1)
x n x
Utilizando el binomio de Newton, no es difícil demostrar que l m 1 n =e x 2 R, entonces
n!1
Z 1 Z 1 Z n
x n x n
(p) = xp 1
e x
dx = xp 1
lm 1 dx = l m xp 1
1 dx
0 0 n!1 n n!1 0 n
np (p) (n + 1) p
n n!
= lm = (p) l m ;
n!1 (n + p + 1) n!1 (n + p + 1)
np n!
con lo cual l m (n+p+1) = 1:
n!1
R1 Rn x n
El límite 0 xp 1 e x dx = lm xp 1 1 n dx es consecuencia del teorema de convergencia de
n!1 0
Tannery para integrales de Riemann (véase el Análisis de Apostol, página 365).
np n!
1= lm ;
n!1 (n + p)(n + p 1) p (p)
de donde
np n!
(p) = l m ;
n!1 (n + p)(n + p 1) : : : p
que es la de…nición de Gauss de la función gama.
n(n!)2
(p) (p 1) = lm
(n + 1 p)(n2
n!1 p2 )((n 1)2 p2 ) (1 p2 )p
n 1
= lm lm
n!1 n + 1 p n!1 p(1 p2 p2
p2 ) 1 22
(1 n2
1
= lm
n!1 p2 p2
p(1 p2 ) 1 22
1 n2
1
= lm :
n!1 Q
n
p2
p 1 j2
j=1
4.7. FUNCIÓN BETA. APROXIMACIÓN DE LA FUNCIÓN BETA B(P; Q), P > 0, Q > 0: 209
es tal que g(x) = 0 si y solo si x = j 2 Z; esto es, las funciones f y g tienen el mismo conjunto de ceros.
Con estos argumentos se demuestra que
1
Y x2
sen( x) = x 1 ;
j2
j=1
Sean p; q 2 R+ :
B(p; 1 p) = (p) (1 p) = :
sen( p)
1
Sea x = 1 t t2 2; 1 , resulta que
Z 1 Z 1
2
p 1 q 1
t (1 t) dt = xq 1
(1 x)p 1
dx;
1
2
0
consecuentemente Z 1 Z 1
2 2
p 1 q 1
B(p; q) = t (1 t) dt + tq 1
(1 t)p 1
dt:
0 0
Sea g(t) = (1 t) 1 , donde 0 < < 1, t 2] 1; 1[. Representemos la función g mediante una serie
de Taylor en un entorno de cero. Tenemos
g(0) = 1;
g 0 (0) = 1 ;
00
g (0) = (1 )(2 )
..
.
Y k
(k)
g (0) = (j ), 8k 2 Z+ :
j=1
210CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
Entonces
1
X 1
X
g (k) (0) k (1 )(2 ) (k )
g(t) = 1 + t =1+ tk :
k! k!
k=1 k=1
Esta serie es absolutamente convergente para todo t 2] 1; 1[ y converge uniformemente sobre todo
conjunto [ a; a], 0 < a < 1 (demuestre!). Sean
Z 1=2
A1 (p; q) = tp 1 (1 t)q 1 dt;
0
Z 1=2
A2 (p; q) = tq 1
(1 t)p 1
dt;
0
(1 q)(2 q) (k q) 1
ak = ; bk = ;
k!(k + p)2k k(k + 1)
se sigue que
ak (1 q)(2 q) (k q)k(k + 1) k!k(k + 1)
= <
bk k!(k + p)2k k!k2k
k+1 1 10
= k
< 10 si k 41:
2 2
4.7. FUNCIÓN BETA. APROXIMACIÓN DE LA FUNCIÓN BETA B(P; Q), P > 0, Q > 0: 211
1 1 1 q 1 2 q 1 3 q 1
1 (p; q) = p
+ + + + +
2 p 2 1+p 2 2 2+p 3 2 3+p
40 q 1 41 q
+ :
40 2 40 + p 40 2 (41 + p)
Se propone como ejercicio elaborar un algoritmo que permita calcular 1 (p; q) y 2 (p; q):
Finalmente B(p; q) se aproxima mediante 1 (p; q) + 2 (p; q) con una precisión " = 10 10 :
(p) (q)
Nota: Puesto que B(p; q) = . Si para aproximar B(p; q) se utiliza el algoritmo para
(p + q)
aproximar (p); (q) y (p+q), resulta que este es numéricamente más costoso que la aproximación
mediante 1 (p; q) + 2 (p; q). Además este último es muy simple de programar.
= Z+ .
4. Supongamos que al menos uno de los dos parámetros p; q es mayor o igual que 1, además p; q 2
Sean m = [p], n = [q] donde [ ] denota la función mayor entero menor o igual que y r = m + n,
entonces p m, q n 2]0; 1[:
Luego
donde
p + q = (p n) + n + (q m) + m = (p n) + (q m) + r;
p+q r = (p n) + (q m);
consecuentemente
(p m) (q n) (p m) (q n)
B(p m; q n) = = ;
(p + q n m) (p + q r)
y !
Q
m Q
n
(p j) (q k)
j=1 k=1
B(p; q) = B(p m; q n);
Q
m+n
(p + q i)
i=1
En resumen,
1. Si p; q 2 Z+ ,
(p 1)!(q 1)!
B(p; q) = :
(p + q 1)!
212CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
2. Si p; q 2 R+ tales que p + q = 1;
B(p; 1 p) = :
sen( p)
4. Si p 1oq = Z+ , entonces
1 y p; q 2
!
Qm Q
n
(p j) (q k)
j=1 k=1
B(p; q) ' ( 1 (p m; q n) + 2 (p m; q n));
Q
m+n
(p + q i)
i=1
y m = [p], n = [q]:
De…nición 6 Se dice que una variable aleatoria X tiene una distribución de probabilidad beta con
parámetros p y q si y solo si la función de densidad de X está de…nida mediante:
8 p 1
< t (1 p)q 1
; t 2 [0; 1] ;
f (t) = B(p; q)
:
0; si t 2 R8 [0; 1] ;
Rx
Proposición 4 Sea p; q 2 ]0; 1[ …jos, f (x) = 0 tp 1 (1 t)q 1 dt; x 2 [0; 1] ; " > 0: Existen dos funciones
P1 ; P2 tales que
1
jf (x) P1 j < " si x 2 0; ;
2
1
jf (x) P2 j < " si x 2 ;1 :
2
P
1
1 1 1 P
1
1
La serie k2k
es convergente. Sean ak = k2k
, bk = k(k+1) entonces k(k+1) = 1, y
k=1 k=1
ak k+1
= ! 0;
bk 2k k!1
ak
Luego, existe m 2 Z+ tal que bk < " si k m, con lo cual
1
1 X 1
p
< ":
2 k 2k
k=m+1
De…nimos
m
xp X (1 q) (k q) k+p 1
P1 (x) = + x si x 2 0; ,
p k!(k + p) 2
k=1
entonces
1
X 1
(1 q) (k q) k+p 1 X 1
jf (x) P1 (x)j = x < ":
k! (k + p) 2p k 2k
k=m+1 k=m+1
1
P2 (x) = 1 P1 (x), si x 2 ;1 ,
2
entonces
1
jf (x) P2 (x)j < ", 8x 2 ;1 :
2
214CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
1. Sean p; q 2 ]0; 1[ :
En el caso en que p; q 2 ]0; 1[, la proposición precedente es utilizada para construir un algoritmo
numéricamente estable. De…nimos
m
!
xp 1 X (1 q) (k q) k 1
P1 (p; q; x) = + x x 2 0; ;
B(p; q) p k! (k + p) 2
k=1
donde m es tal que jf (x) P1 (x)j < " si x 2 0; 12 , y P1 (x) de…nida en la proposición precedente
1
P2 (p; q; x) = 1 P1 (q; p; 1 x), x 2 ;1 :
2
Sea x 2 0; 12 . A medida que x se aproxima a 12 , P1 (x) requiere de un número mayor de términos para
alcanzar la precisión requerida. Sea " = 10 10 y dividamos al intervalo 0; 12 en cinco subintervalos
de igual longitud [xj 1 ; xj ], donde xj = 0;1j, j = 1; 2; 3; 4; 5: Entonces
mj = 12 + 7(j 1), j = 1; ; 5:
P
1 xkj
es tal que k < ", j = 1; 5:
k=mj +1
2. Sean p; q 2 ]1; 1] :
Sean k = [q] 1 y r = q (k + 1) 2 [0; 1[, donde [ ] denota la función mayor entero menor o igual
que. Integrando por partes k veces, tenemos
Z x Z
tp q 1 x p
tp 1 (1 t)q 1 dt = (1 t)q 1 jx0 + t (1 t)q 2 dt
0 p p 0
Z
xp q 1 (q 1) xp+1 q 2 q 2 x p+1
= (1 x) + (1 x) + t (1 t)q 3 dt
p p p+1 p+1 0
xp (q 1) p+1 (q 1)(q 2) p+2
= (1 x)q 1 + x (1 x)q 2 + x (1 x)q 3
p p(p + 1) p(p + 1)(p + 2)
(q 1)(q 2) (q (k 1)) p+k 1
+ + x (1 x)q k
p(p + 1)(p + 2) (p + k 1)
Z
(q 1)(q 2) (q k) x p+k 1
+ t (1 t)q (k+1) dt:
p(p + 1) (p + k 1) 0
(p) (k + 1) k! (p) k!
B(p; q) = = = :
(p + k + 1) (p + k)(p + k 1) p (p) (p + k)(p + k 1) p
4.8. DISTRIBUCIÓN BETA. 215
Luego
Z x
1
F (p; q; x) = tp 1
(1 t)q 1
dt
B(p; q) 0
p + k p+k 1 (p + k)(p + k 1) p+k 2
= xp+k + x (1 x) + x (1 x)2 + +
1! 2!
(p + 1)(p + 2) (p + k) p
x (1 x)k
k!
(p + k) p+k 1 p+k 2
= xp+k 1 + y 1+ y 1+ y 1+ +
1 2 3
p+2 p+1
y 1+ y ;
k 1 k
1 x
donde y = x , x > 0:
Note que este último desarrollo es válido cualesquiera que sea p > 0 y q = k + 1 un entero mayor
que 1.
Para q = 2, p > 1, se tiene
F (p; 2; x) = xp+1 (1 + (p + 1)y):
Para q = 3, p > 1;
p+1
F (p; 3; x) = xp+2 (1 + (p + 2) y(1 + y));
2
1 x
donde y = , 0 < x 1:
x
En el caso en que q > 0 y p = k + 1 un entero mayor que 1 se utiliza la relación
F (p; q; x) = 1 F (q; p; 1 x)
entonces
1
F (p; q; x) = (P3 (p; q; x) + P4 (p; q; x)) :
B(p; q)
216CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
Rx
Para x 2 0; 12 , la integral 0 tp+k 1 (1 t)q (k+1) dt se calcula utilizando el algoritmo descrito en
i) y si x 2 12 ; 1 se utiliza la relación
1
F (p; q; x) = 1 F (p; q; 1 x) = 1 (P3 (q; p; 1 x) + P4 (q; p; 1 x)) ;
B(p; q)
y a continuación P4 (q; p; 1 x) se calcula en la parte precedente.
3. Finalmente, si p = 1 tenemos
Si q = 1;
F (p; 1; x) = xp , x 2 [0; 1]:
Se propone como ejercicio la elaboración de un algoritmo completo que permite calcular (aproximar)
valores de la distribución beta para p > 0; q > 0 y x 2 [0; 1]:
De…nición 7 Una variable aleatoria X tiene una distribución de probabilidad normal de media 2R
y varianza > 0 si su función densidad está dada por
1 (t )2
f (t) = p exp 2
t 2 R.
2 2 2
t
Utilizando el cambio de variable z = , se tiene
Z x
x 1 t2
N( ; ; )= p e 2 dt:
2 1
que converge absolutamente para todo 2 R y es uniformemente convergente sobre todo intervalo cerrado
2
y acotado de R y haciendo = t2 , tenemos
1
X
t2 ( 1)k t2k
e 2 = ,
k! 2k
k=0
4.9. DISTRIBUCIÓN NORMAL. 217
luego
Z 1
! 1 Zx
1 x X ( 1)k 2k 1 X ( 1)k
'(x) = 0;5 + p t dt = 0;5 + p t2k dt
2 0 k! 2k 2 k=0 k! 2 k
k=0 0
1
X
1 ( 1)k
= 0;5 + p x2k+1 :
2 k! 2k (2k + 1)
k=0
R1 t2
y como p1 e 2 dt < 10 10 , despreciando este último término, resulta que
2
8
Z 8
1 t2
1 = 'r (x) + p e 2 dt;
2 x
de donde Z 8
1 t2
'r (x) = 1 p e 2 dt si x 2 ] 8; 8[ .
2 x
218CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
Rx t2
10 ,
Para calcular a e 2 dt con una precisión " = 10 utilicemos el método de integración por partes.
Tenemos
Z Z t2 t2 x Z t2 t2 x Z t2
x t2 x x x
te 2 e 2 e 2 e 2 te 2
e 2 dt = dt = dt = dt
a a t t a t2 t a t3
a a
t2 x
0 t2 x t2
1 t2
Z x x Z x
e t2
@ e e 1 1 e
2 2 2 2
= 3 dtA = e 2 + 3 +3 dt:
t t3 a t4 t t a a t4
a a
donde
t2
e 2 1 1 3 1 3 5 1 3 5 (2k 1)
1 (t) = 1+ + + + ( 1)k+1 ;
t t2 t4 t6 t2k
Z t2
x
k+1 e 2 dt
2 (x) = ( 1) 1 3 5 (2k + 1) :
a t2k+2
Entonces, para x > a > 0, tenemos la siguiente estimación:
Z x
a2
(2k+2)
j 2 (x)j e 2 [1 3 5 (2k + 1)] t dt
a
1 3 5 (2k + 1) a2 1 1
= e 2
2k + 1 a2k+1 x2k+1
a2
1 3 5 (2k + 1) e 2 10
< < " = 10 :
2k + 1 a2k+1
Para a = 4;7 y k = 10 se tiene j 2 (x)j < 10 10 .
Escribamos 1 (x) en forma anidada de modo que se adapte a la estabilidad numérica. Tenemos
t2
e 2 1 3 5 7 9 11 13 11 17
1 (x) = 1+ 1+ 1+ 1+
x x2 x4 x4 x4 x4
1 3 5 7 9 11 13 15 17 19
1+ 1+ 1+ 1+ 1+ ;
x4 x4 x4 x4 x4
Algoritmo
1. y = x4 :
2. b1 = 1:
3. b2 = 1:
2
j = 1; : : : ; 4
6 k=6 j
6
4. 6
4 b1 = 1 + (4k 1)(4k 3)
y b1
b2 = 1 + (4k 3)(4k 5)
y b2
Fin de bucle j.
x2 x2
e 2 b2 3b1 e 2 3b1 b2
6. 1 (x) = x x2 y 1 = x 1+ y x2
:
7. Imprimir 1 (x):
8. Fin:
Queda por determinar m tal que para todo x 2 [ 4;7, 4;7] se veri…que
1
X m
X
( 1)k x2k+1 ( 1)k x2k+1 10
< = 10 :
k! 2k (2k + 1) k! 2k (2k + 1)
k=0 k=0
xj 1 2 3 4 4;7
mj 11 23 31 43 55
mj 1
Sean m1 = 2 y
mJ
X ( 1)k x2k+1
Smj =
k! 2k (2k + 1)
k=0
m1
X 2k m1
X 2k+1
x x2 x x2
=
(2k)! (4k + 1) 2 (2k + 1)!(4k + 3) 2
k=0 k=0
= S1 (x) S2 (x) x 2 [ 4;7; 4;7] :
Se propone como ejercicio elaborar un algoritmo completo para calcular (x) (valores aproximados de
'(x)). Así mismo, elabore un programa computacional y los resultados numéricos compare con los datos
provistos en las tablas de la distribución normal proporcionados en los libros de probabilidad y estadística.
220CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
De…nición 8 Una variable aleatoria X que tiene una función de distribución de probabilidad de…nida
por
n t
1 1
f (t) = n t2 e 2 t > 0; n = 1; 2; 3; : : : ;
n
22
2
se dice que tiene una distribución i-cuadrada con n grados de libertad.
La función de distribución -cuadrada está de…nida mediante
Z x n t
1 2 1
2
F (n; x) = n t e dt x 0; n = 1; 2; : : : :
n 0
22
2
La distribución i-cuadrada es un caso particular de la distribución tipo gama (véase la distribución tipo
gama) cuando p = n1 y = 12 . Esta función es muy importante en estadística y probabilidades.
Utilizando el cambio de variable t = 2u, obtenemos
Z x
1 2 n
1 u
F (n; x) = n u2 e du:
2 0
2
1. Si n = 1, utilizando el cambio de variable t = u2 , tenemos
Z x p Z
p
x
1 2 1
t t2
F (1; x) = 1 t e dt = 2
2 e 2 dt:
2 0 0
p
Rx t2
La integral e 2 dt no puede calcularse mediante funciones elementales, lo que nos conduce a
0
aproximarla numéricamente. En la sección relativa a la distribución normal se dió una técnica de
aproximación de dicha integral que la escribimos inmediatamente a continaución.
8
> 0, si x 0;
> q
>
>
2 P ( 1)k xk+ 2
> m 1
>
< , si x 2 ]0; 22] ,
k
k! 2 2k 1
F~ (1; x) = qk=0
>
>
>
> 1 + 2 1 (x), si x 2 ]22; 64[ ;
>
>
:
1, si x 64;
donde
x
p e 2 1 3 5 7 5 11 13 15 17
1 x = p 1+ 1+ 1+ 1+
x x x2 x2 x2 x2
1 3 5 7 9 11 13 15 17 19
1+ 1+ 1+ 1+ 1+ ;
x2 x2 x2 x2 x2
Además,
m 1 m1 m1
!
X ( 1)k xk+ 2 p X x2k X x2k
= x x ;
k! 2k 2k + 1 (2k)! 22k (4k + 3) (2k + 1)!22k+1 (4k + 3)
k=0 k=0 k=0
y cada sumatorio se escribe en forma anidada, donde m1 = m+1 2 con m impar y para x 2 [xj 1 ; xj ],
j = 1; : : : ; 5, m y xj están dados en la siguiente tabla (x0 = 0):
xj 2 4 9 16 22
:
m 11 21 31 43 55
4.10. DISTRIBUCIÓN I- CUADRADA 221
2. Si n = 2, entonces
Z x
1 2 x
F (2; x) = e t dt = 1 e 2 ,x 0:
(1) 0
R x n
1
Sean n > 2. Integrando por partes k veces 2
0 t2 e t dt, obtenemos
x n n n
e 2 x 2
1 n x 2
2 n n x 2
3
F (n; x) = n 1 1 2
2
2 2 2 2 2 2
n
n n n x 2
(k+1)
1 2 k +
2 2 2 2
n n n Z x
1 2 (k + 1) 2 n
(k+2)
2 2
n
2
t2 e t dt:
2 0
3. Si n = 2k + 4, x = 0; 1; 2; : : :. Entonces
n 2k + 4
= = (k + 1)!,
2 2
Z x Z x
2 n 2 x
(k+2) t
t 2 e dt = e t dt = 1 e 2 ;
0 0
Así, si n = 2k + 4, k = 0; 1; 2; : : : ;
k+1
X
x 1 x j
F (2k + 4; x) = 1 e 2 x 0:
j! 2
j=0
de donde
Z 1 k+1
X
k+1 t x 1 x j
t e dt = (k + 1)! e 2 x 0:
x j! 2
2 j=0
n 3 (2k + 1)(2k 1) 1p
= k+ = ;
2 2 2k+1
222CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
n n n 1 1 1
2 1 2 2 2 (k + 1 k+ 2 k 2 2 1
n = 3 =p ;
2 k+ 2
Z x Z x
p Z
p
x
2 n 2 1 t2
(k+2)
t2 e t dt = t
t 2 e dt = 2 e 2 dt:
0 0 0
Esta última integral se aproxima como en la parte 1).
En consecuencia,
r Z p
x x n n
2 t2 e 2 x 2 n x 2
2 n n
F (2k + 3; x) = e 2 dt n + 1 + 1 2
0 2
2 2 2 2 2
x n2 3 n n n x n
2
(k+1)
+ 1 2 k
2 2 2 2 2
r Z p
x 1
2 t2 x 1 x k+ 12 k+ x k 1
2
2
= e 2 dt e 2
n + n +
0 2
2 2
2
!
1 1 1 1 3
k+ x k 32
2 k 2 k+ 2 k 2 2 x 1
2
n + + n
2
2 2
2
r Z px r 1
2 t2 x x 1 x k k+ 2 x k 1
= e 2 dt e 2 n + n +
0 2 2
2 2
2
!
1 1 1 1 3
k+ 2 k 2 x k 2 k+ 2 k 2 2
n + + n
2
2 2
p
r Zx r
2 t2 x x 2 22 x 23 x 2
= e 2 dt e 2 p + p + p + +
2 1 3 2 1 3 5 2
0
2k x k 1 2k+1 x k
p + p :
1 3 (2k 1) 2 1 3 (2k + 1) 2
Ponemos
x 22 2x 2 2k 1 x k 1
(x) = 1 + + + +
1 32 1 3 5 2 1 3 (2k 1) 2
2k x k
+
1 3 (2k 1) 2
x x x x x
= 1+ 1+ 1+ 1+ + 1+ :
3 5 7 2k 1 2k + 1
Resulta que p Z p r
x
2 t2 2x x
F (2k + 3; x) = e 2 dt e 2 (x); x 0:
0
En resumen,
r Z p
x
2 t2
F (1; x) = e 2 dt x 0;
0
x
F (2; x) = 1 e 2 x 0;
k+1
X
x 1 x j
F (2k + 4; x) = 1 e 2 x 0; k = 0; 1; 2; : : : ;
j! 2
j=0
r Z p
x
r
2 t2 2x x
F (2k + 3; x) = e 2 dt e 2 (x); x 0; k = 0; 1; 2; : : : ;
0
R px t2
donde la integral 0 e 2 dt se aproxima como en 1).
4.11. DISTRIBUCIÓN T DE STUDENT 223
De…nición 9 Una variable aleatoria T se dice que tiene una distribución de probabilidad t de Student
con n grados de libertad si su función densidad está de…nida por
n+1
2 1
f (x) = p n n+1 ; t 0:
n t2 2
2 1+
n
n+1
Z x
n+1
2 t2 2
F (n; k) = p n 1+ dt; x 2 R.
n 1 n
2
Cuando n = 1, tenemos
Z x
1 dt 1 1
F (1; x) = 2
= + arctan(x), x 2 R,
1 1+t 2
que es conocida con el nombre de distribución de Cauchy.
n+1
t2 2
Sean n 2 Z+ y h(n; t) = 1 + n , t 2 R. Entonces h( t) = h(t) 8t 2 R; luego
n+1 Z x
2
F (n; x) = 0;5 + p n h(n; t)dt, x 2 R,
n 2 0
Rx Rx
y si x < 0; h(n; t)dt = h(n; t)dt; se sigue que
0 0
8 !
> n+1
>
> R x
>
> 2
>
> 0;5 n 0 h(n; t)dt; si x < 0;
>
< p
n
F (n; x) = 2!
>
> n+1
>
> Rx
>
> 2
>
> 0;5 + n 0 h(n; t)dt, si x > 0:
: p
n
2
Por otro lado,
n+1 Z x Z 1
2
1 = 0;5 + p n h(n; t)dt + h(n; t)dt 8x 2 R,
n 2 0 x
de donde Z
n+1 1
2
F (n; x) = 1 p n h(n; t)dt 8x 2 R.
n 2 x
En lo que sigue, nos ocuparemos de aproximar G(n; x) con una precisión ". Para n 2 Z+ …jo, n > 1,
n+1 p
2 y n n2 se calculan con una precisión ":
Para obtener una relación que ligue x con n de modo que
Z 1
10
h(n; t)dt < 10 ;
x
224CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
1
aplicamosRel criterio de comparación para integrales impropias. Para el efecto, sea g(t) = t2
, t 1.
1
Entonces 1 g(t)dt = 1; y
n+1
h(n; t) t2 2
= t2 1 + ! 0; n > 1;
g(t) n t!1
n+1
t2 2
luego existe x > 1 tal que t2 1 + n < 10 10 , si t x, n > 1:
Por ejemplo para n = 11, esta última relación se veri…ca si t 40. Para n = 40 se tiene t 12; para
n = 140 obtenemos t 8:
x sen(yn (x))
tan(yn (x)) = p = ;
n cos(yn (x))
de donde
x
sen (yn (x)) = p ,
n + x2
1=2
n
cos(yn (x)) = :
n + x2
Además
Z x Z yn (x) p Z yn (x)
n sec2 (u)du p
G(n; x) = h(n; t)dt = n+1 = n cosn 1
(u)du
0 0 (1 + tan2 (u)) 2 0
Z yn (x)
p
= n cos(t) cosn 2
(t)dt n 2:
0
donde !
Z yn (x)
p (sen(yn (x)) cosn 2 (y
n (x)) n 2
G(n; k) = n + cosn 3
(t)dt n 3:
n 1 n 1 0
Esta fórmula recursiva será utilizada para obtener una expresión general de F (n; x) n 3:
4.11. DISTRIBUCIÓN T DE STUDENT 225
Para n = 2 tenemos
p Z y2 (x) p p x
G(2; x) = 2 cos(u)du = 2 sen(y2 (x)) = 2p ;
0 2 + x2
3 p
2 x 1 x
F (2; x) = 0;5 + p 2p = 0;5 + p x 0:
2 (1) 2+x2 2 2 + x2
Puesto que
Z yn (x) Z yn (x)
n 3 sen(yn (x)) cosn 4 (y
n (x)) n 4
cos (t)dt = + cosn 5
(t)dt;
0 n 3 n 3 0
entonces
p n (x)) cosn
n 2 2 (y
G(n; x) = n sen(yn (x)) + cosn 4
(yn (x)) +
n 1 (n 1)(n 3)
p Z
n(n 2)(n 4) yn (x)
+ cosn 5 (t)dt:
(n 1)(n 3) 0
p cosn 2 (y
n (x))
G(n; x) = n sen(yn (x)) + n 2
(n 1)(n 3) cosn 4
(yn (x))+
n 1
+ (n (n1)(n2)(n3)(n4) 5) cosn 6
(yn (x)) + + (n 2)(n 4)
(n 1)(n 3)
(n 2k+2)
(n 2k+1) cosn 2k
(yn (x))
p yZ
n (x)
n(n 2)(n 4) (n 2k)
+ cosn 2k 1
(t)dt:
(n 1)(n 3) (n 2k + 1)
0
p n
n p cosn 2 (y
n (x)) n 2
G(n; x) = p 2
n+1 yn (x) + n sen(yn (x)) + cosn 4
(yn (x))+
2
n 1 (n 1)(n 3)
(n 2)(n 4)
+ cosn 6 (yn (x)) + +
(n 1)(n 3)(n 5)
(n 2)(n 4) (n 2k + 2)
cosn 2k
(yn (x))
(n 1)(n 3) (n 2k + 1)
1=2
p x n n 2j
Reemplazando sen(yn (x)) = n+x2
, cos(yn (x)) = n+x2
y tomando en cuenta que 2 =
2k+1 2j
2 =k j + 12 , j = 1; 2; : : : ; k, se tiene
1
n+1 k
1 x 2 x 1 n 2
F (2k + 1; x) = 0;5 + arctan( p ) + p n
p +
n 2 n + x2 n+1 n + x2
3 5
k k
n 2 n 2 (n 2)(n 4) n 2
+ + + +
(n 1)(n 3) n + x2 (n 1)(n 3)(n 5) n + x2
3 !
1=2
(n 2)(n 4) 3 n 2 (n 2)(n 4) 1 n
+ :
(n 1)(n 3) 4 n + x2 (n 1)(n 3) 2 n + x2
n
Sea z = n+x2
. Entonces
n+1 p
1 x nx zk 1 2k 1
F (2k + 1; x) = 0;5 + arctan( p ) + p 2
n + zk 2
+
n 2
n + x2 2k 2k(2k 2)
(2k 1)(2k 3) k 3 (2k 1)(2k 3) 3
+ z + + z
2k(2k 2)(2k u) 2k(2k 2) 4
(2k 1)(2k 3) 1
+
2k(2k 2) 2
p
1 x n x 2 2 4 2 2 4 6 3
= 0;5 + arctan( p ) + 2
1+ z+ z + z + +
n n+x 3 3 5 1 3 5 7
2 4 2(k 2) k 2 2 4 2(k 1) k 1
z + z :
1 3 5 (2k 3) 1 3 5 (2k 1)
n
Por ejemplo, para x 0 se tiene: z = n+x2
, y
p
x 1 3 x
F (3; x) = 0;5 + arctan( p ) + ;
3 3 + x2
p
1 x 5 x 2
F (5; x) = 0;5 + arctan( p ) + 2
1+ z ;
5 5+x 3
p
1 x 7 x 2 4
F (7; x) = 0;5 + arctan( p ) + 2
1+ z 1+ z ;
7 7+x 3 5
p
1 x 9 x 2 4 6
F (9; x) = 0;5 + arctan( p ) + 2
1+ z 1+ z 1+ z ;
9 9 + x 3 5 7
así sucesivamente.
se obtiene
n
p p cosn 2 (y
n (x)) n 2
G(n; x) = n 2
n+1 sen(yn (x)) + n sen(yn (x)) + cosn 4
(yn (x))
2
n 1 (n 1)(n 3)
(n 2)(n 4)
+ cosn 6 (yn (x)) + +
(n 1)(n 3)(n 5)
(n 2)(n 4) (n 2k + 2)
cosn 2k
(yn (x)) :
(n 1)(n 3) (n 2k + 1)
4.11. DISTRIBUCIÓN T DE STUDENT 227
Resulta que
n+1
2
F (2k + 2; x) = 0;5 + p n G(n; x)
2
n+1
1 2 cosn 2 (y
n (x)) n 2
= 0;5 + sen(yn (x)) + p n sen(yn (x)) +
2 2
n 1 (n 1)(n 3)
(n 2)(n 4)
cosn 4
(yn (x)) + cosn 6 (yn (x)) + +
(n 1)(n 3)(n 5)
(n 2)(n 4) (n 2k + 2)
cosn 2k (yn (x)) ;
(n 1)(n 3) (n 2k + 1)
k
x k + 32 x 1 n
F (2k + 2; x) = 0;5 + p +p p +
2 n+x2 (k + 1) n + x2 2k + 1 n + x2
k 1 k 2
2k n 2k(2k 2) n
+ + +
(2k + 1)(2k 1) n + x2 (2k + 1)(2k 1)(2k 3) n + x2
2k(2k 2) 4 n
;
(2k + 1)(2k 1) 3 n + x2
2 3
x 1 n 3 n 5 3 n
F (2k + 2; x) = 0;5 + p 1+ + +
2 n + x2 2 n + x2 23 n + x2 3 24 n + x2
k 2
(2k 5)(2k 7) 3 1 n
+ + +
(k 2)! 2k 2 n + x2
k 1
(2k 3)(2k 5) 3 1 n
+
(k 2)! 2k 1 n + x2
!
k
(2k 1)(2k 3) 1 n
:
k! 2k n + x2
n
Haciendo z = n+x2
, tenemos
1 x z 3 5 3 3
F (2k + 2; x) = 0;5 + p 1 + + 3 z2 + z + +
2 n+x 2 2 2 3 24
(2k 5)(2k 7) 3 1 k 2 (2k 3)(2k 5) 3 1
k 2
z + zk 1
+
(k 2)! 2 (k 1)! 2k 1
(2k 1)(2k 3) 1 k
+ k
z
k! 2
Por ejemplo,
1 x 1 4 1 x 2
F (4; x) = 0;5 + p 1+ = 0;5 + p 1+
2 4 + x2 2 4 + x2 2 4 + x2 4 + x2
!
2
1 x 1 6 3 6
F (6; x) = 0;5 + p 1+ 2
+ 3
2 6 + x2 26+x 2 6 + x2
1 x 1 6 3 6
p
= 0;5 + 1+ 1+
2 6 + x2 2 6 + x2 4 6 + x2
1 x 1 8 3 8 5 8
F (8; x) = 0;5 + p 1+ 1+ 1+ :
2 8 + x2 2 8 + x2 4 8 + x2 2 8 + x2
En resumen
1 1
F (1; x) = 2 + arctan(x), x 2 R,
228CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
1p x
F (2; x) = 0;5 + 2 2+x2 , x 0:
n
Para n = 2k + 1, k = 1; 2; 3; : : : y x
0, z = n+x 2;
p
1 x n x 2 2 4 2 2 4 6 3
F (2k + 1; x) = 0;5 + arctan( p )+ 1+ z+ z + z + +
n n + x2 3 3 5 1 3 5 7
2 4 2(k 2) k 2 2 4 2(k 1) k 1
z + z
1 3 5 (2k 3) 1 3 (2k 1)
n
Para n = 2k + 2, k = 1; 2; 3; : : : ; x 0, z = n+x2
,
1 x 1 3 5 3
F (2k + 2; x) = 0;5 + p 1 + z + 3 z2 + z3 + +
2 n+x 2 2 2 3 2 23
(2k 3)(2k 5) 3 1 k 1 (2k 1)(2k 3) 1
z + zk
(k 1)! 2k 1 k! 2k
Además x 2 ] x ^n [, donde n 2 Z+ y
^n ; x
( n+1 )
2 t2 2
10
x
^n = m n t > 0jt 1+ < 10 ;
n
n+1
m n Z x 1
2 2 2 2 m+n
F (m; n; x) = m n m n t (n + mt) 2 dt x 0:
0
2 2
Para m = 1, se tiene
n
n+1 Z x
n2 2 1 n+1
F (1; n; x) = p n t 2 (n + t) 2 dt x 0:
2 0
Esta fórmula recursiva la aplicaremos sucesivamente para obtener una expresión que nos permita describir
un algoritmo de cálculo de F (m; n; ). Así,
m 2 m 4+n m 2
1 1
2 (1 + ) 2
2
I(m 2; n; ) = m 4+n + m 4+n I(m 4; n; );
2 2
m 4 m 6+n m 4
1 1
2 (1 + ) 2
2
I(m 4; n; ) = m 6+n + m 6+n I(m 6; n; ):
2 2
Entonces
m m 2+n m
1 1
2 (1 + ) 2
2 m 2
1 m 4+n
I(m; n; ) = m 2+n m 2+n m 4+n
2 (1 + ) 2
2 2 2
m
2 1 m2 2 1 m 4
1 m 6+n
m 2+n m 4+n m 6+n
2 (1 + ) 2 +
2 2 2
m m 2 m 4
2 1 2 1 2 1
m 2+n m 4+n m 6+n I(m 6; n; ):
2 2 2
2 2 2
m m 2
2 1 2 1 m 4
1 m 6+n
m 2+n m 4+n m 6+n
2 (1 + ) 2
2 2 2
m
2 1 m2 2 1 m 2k+4
2 1 m 2k+2
1 m 2k+n
m 2k
1. Si 2 1 = 0, entonces m = 2k + 2, k = 1; 2; 3; : : : ;
Z Z
m 2k+n n+2
I(m 2k; n; ) = I(2; n; ) = (1 + t) 2 dt = (1 + t) 2 dt
0 0
n+2
+1
(1 + t) 2 1 n
= n+2 = n 1 (1 + ) 2 :
2 +1 2
0
Además
m+2 n n n n n
2 2 +k+1 2 +k 2 +k 1 2 2
m n = n = n
2 2 k! 2 k! 2
n n n
2 +k 2 +k 1 2
= ;
k!
y para j = 1; 2; : : : ; k;
m m 2 m 2j+4
2 1 2 1 2 1
m 2+n m 4+n m 2j+2+n m 2j+n
2 2 2 2
k(k 1) (k j + 2)
= n n n n
2 +k 2 +k 1 2 +k j+2 2 +k j+1
k!
= n n n n :
(k j + 3)! 2 +k 2 +k 1 2 +k j+2 2 +k j+1
m 2j+4
( m
2
1 m2 2
)( 1) ( 2
1 ) k(k 1) (k j+2)
m 2j+2+n m 2j+n =
( m 2+n
2 )( m 4+n
2 ) ( 2 2 )( ) ( n2 +k)( n2 +k 1) ( n2 +k j+2)( n
2
+k j+1)
k!
= (k j+3)!( n +k)( n
:
2 2
+k 1) ( n2 +k j+2)( n
2
+k j+1)
n n+2(k 2) n+2(k 1)
n+2
F (2k + 2; n; ) = 1 (1 + ) 2 1 + ny 1 + 2 y 1+ + k 1 y k y :
Ejemplos
1. Si m = 10, n = 5, x = 4;74, se tiene
n
n+2 n+4 n+6
F (m; n; ) = 1 (1 + ) 2 1 + ny 1 + 2 y 1+ 3 y 1+ 4 y ;
2. Si m = 2k + 1, k = 1; 2; : : :, entonces
p
Z Z Zn n+1
m 2k
1 m 2k+n 1 n+1 2 t2 2
I(m 2k; n; x) = t 2 (1 + t) 2 dt = t 2 (1 + t) 2 dt = p 1+ dt:
0 0 n n
0
2 t2 2
T (n; x) = p n 1+ dt x 2 R, n = 1; 2; : : : .
n 2 1 n
Rx t2
n+1
2
Dicho procedimiento se centró en calcular 0 1 + dt x 0. Esos resultados serán n
utilizados para calcular valores de F (2k + 1; n; x) con k = 0; 1; 2; : : :, n = 1; 2; : : :, x 0. Para
el efecto, de…nimos
n+1 Z n+1
2 t2 2
F1 (n; ) = 2 p n 1+ dt 0, n = 1; 2; : : : .
n 2 0 n
n
Si n = 2k + 1, k = 0; 1; 2; : : :, 0, z = n+ 2 , entonces
p
2 2 n 2 2 4 2 4 6
F1 (n; ) = arctan( p ) + 1+ z+ z2 + z3 + +
n n+ 2 1 3 1 3 5 1 3 5 7
2 4 2(k 2) k 2 2 4 2(k 1) k 1
z + z :
1 3 5 (2k 3) 1 3 (2k 1)
Si n = 2k + 2, k = 0; 1; 2; : : :,
1 3 3 5
F1 (n; ) = p 1+ z+ z2 + z3 + +
n+ 2 2 2 1 22 3 2 1 23
1 3 (2k 3) 1 3 (2k 1)
zk 1
+ zk :
(k 1)! 2k 1 k! 22
Volvamos al cálculo de F (2k + 1; n; x). Comencemos con el análisis del término que contiene
I(m 2k; n; x). Tenemos
p
m+n1 m Zmx n+1
2 2 1 m2 2 1 m 2k+2
2 1 2 t2 2
Luego
m+n p
2
F (2k + 1; n; ) = m n I(m; n; ) = G(m; n; ) + F1 (n; mx);
2 2
donde
m m 2+n m 2 m 4+n
m+n 1 m 1
2
2 (1 + ) 2
2 1 2 (1 + ) 2
G(m; n; ) = m n m 2+n m 2+n m 4+n
2 2 2 2 2
m
2 1 m2 2 1 m 4
1 m 6+n
m 2+n m 4+n m 6+n
2 (1 + ) 2
2 2 2
!
m m 2 m 2k+4
2 1 2 1 2 1 m 2k+2
1 m 2k+n
m+n
p n
1
G(m; n; ) = y(1 + ) 2
m
2
n n+2k 1
yk 1
+
2 2 2
1 1
k k k 32
n+2k 1
2
n+2k 3
yk 2
n+2k 1
2
n+2k 3 n+2k 5
yk 3
+ +
2 2 2 2 2
!
1
k 2 k 23 3
2
n+2k 1 n+2k 3 n+1
:
2 2 2
Para obtener una forma práctica de cálculo de G(m; n; ) debemos expresaar de modo conveniente
todos los coe…cientes. Para el efecto, obervemos que
m+n n+2k 1 n+2k 3 n+1 n+1
2 1 2 2 2 2
m n = m n = ;
2 2
n+2k 1
2 2 2 k 21 3
2
3
2
n
2
..
.
m+n 1 3 3 n+1 n+1
2 k 2 k 2 2 2 2 2
m n n+2k 1 n+2k 3 n+1
= 3 n =p n :
2 2 2 2 2 2 2 2
Por lo tanto,
n+1
2 2 p n n+1 n+3
G(m; n; ) = p n y 1+ 2 1+ 1+ y (1 + +
2
y 5
n + 2k 7 n + 2k 5 n + 2k 3
1+ y 1+ y
2k 5 2k 3 2k 1
que es una expresión muy fácil de programar.
Debemos notar que si n = 2j, j = 1; 2; : : :, entonces
n+1 1p
2 j 21 j 23 2 j 1
2 j 3
2 1p
n = = ;
2
(j 1)! j 1 j 2 2
y si n = 2j + 1, j = 0; 1; 2; : : :, entonces
n+1
2 (j + 1) j!
n = = 1p
2 (j + 21 ) j 1
2 j 3
2 2
j j 1 1 1
= 1
p :
j 2 j 32 1
2
4.13. EJERCICIOS 233
Ejemplo
Si m = 9, n = 15, x = 2;59. Se tiene k = 4, j = 7,
p
1 2 15 2z 4z 6z
F1 (n; ) = arctan( p ) + 2 1+ 1+ 1+
2 15 15 + 3 5 7
8z 10z 12z
1+ 1+ 1+ ;
9 11 13
p
donde = mx, z = n+n 2 . Entonces = 4;828043082, z = 0;3915426782, x = mx
n = 1;554,
y = 1+ = 0;608457322, F1 (n; ) = 0;9997786188:
4.13. Ejercicios
R1 p 1
1
2. Sea p 2 R+ . Demuestre que (p) = 0 ln dt:
x
1
7. Calcular los términos de la sucesión ( ( n + )), donde n 2 Z+ :
2
8. Sea g : [1; 2] ! R la función de…nida por
p p
g(p) = 2[(2 )p( 3 + p) + 4;5 2 ]:
234CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
a) La función g es una interpolante de (p) con p 2 [1; 2]. Calcule g(1); g(1;5), g(2) y compare con
1
(1), y (2):
2
b) Utilizando la función g bosqueje la grá…ca de (p), p 2 [1; 2]:
c) Tomando en cuenta que (p) ! 1, (p) ! 1; y de la información proporcionada en a) y
p!0 p!1
b), bosqueje la grá…ca de (p), p 2 R+ :
d) Bosqueje la grá…ca de (p) para p 2 R 8 Z :
9. Aplique las propiedades de la función beta para calcular las integrales siguientes.
R2 R R
a) sen2 ( ) cos3 ( )d . b) 2
0 sen( ) cos5 ( )d . d) 2
0 sen4 ( ) cos( ) d .
0
R R R R
e) 0
2
sen5 ( ) cos4 ( ) d . f) 2
0 sen9 ( ) cos( ) d . g) 2
0 sen10 ( ) d . h) 2
0 cos9 ( ) d :
x
10. Sean p; q 2 R+ . Utilizar la transformación t = para demostrar que
1+x
Z 1
xp 1
B(p; q) = dx:
0 (1 + x)p+q
11. Sean p; q 2 R+ :
2 2
a) Demostrar que el área de la región S limitada por la curva de ecuación x p + y q = 1, x 0;
y 0 y los ejes coordenados viene dada por:
p q
pq 2 2 pq p q
a(S) = = B , :
2(p + q) p+q 2(p + q) 2 2
2
12. Calcule las integrales siguientes en términos de la función beta y luego en términos de la función
gama.
R1 R1 R1 Ra
a) 0 x7 (1 x)8 dx. b) 0 x1=2 (1 x)4 dx. c) 0 x3 (1 x)1=2 dx. d) 0 x2 (a x)5 dx, a > 0.
Ra Ra 1
e) 0 xm (a x)n dx, a > 0, m; n 2 Z+ . f ) 0 xm (an xn ) 2 dx, donde a > 0, m; n 2 Z+ .
R2 x1=2 dx
g) 0 :
(4 x2 )1=5
13. Calcular las integrales siguientes en términos de la función gama.
R1p R1 R1 1
a) 0 1 x6 dx. b) 0 (1 x4 )1=5 dx. c) 0 (1 x8 ) 3 dx.
R1 R1
d) 0 (1 x2k )1=n dx, k; n 2 Z+ , n 2. e) 0 (1 xm ) 1=n dx, m; n 2 Z+ , n > 1:
14. En muchos casos se requieren valores de la distribución normal con una precisión " = 10 3 .
Establezca las modi…caciones necesarias para generar un algoritmo que permita calcular valores
de dicha función de distribución con " = 10 3 :
15. Se requieren calcular valores de la distribución gama con una precisión " = 10 3 . Establezca las
modi…caciones necesarias para generar un algoritmo que permita calcular valores de dicha función
de distribución con " = 10 3 : Calcule algunos de ellos y veri…que sus resultados con los dados en
los textos de Estadística y Probabilidades.
16. Se desea calcular valores de la distribución -cuadrada con una precisión " = 10 3 . Establezca las
modi…caciones necesarias para generar un algoritmo que permita calcular valores de dicha función
de distribución con " = 10 3 : Calcule algunos de ellos y veri…que sus resultados con los dados en
los textos de Estadística y Probabilidades.
4.14. LECTURAS COMPLEMENTARIAS Y BIBLIOGRAFÍA 235
17. Establezca las modi…caciones necesarias para generar un algoritmo que permita calcular valores
de la función de distribución t de Student con " = 10 3 : Calcule algunos de ellos y veri…que sus
resultados con los dados en los textos de Estadística y Probabilidades.
18. Establezca las modi…caciones necesarias para generar un algoritmo que permita calcular valores de
la función de distribución F de Snedekor con " = 10 3 : Calcule algunos de ellos y veri…que sus
resultados con los dados en los textos de Estadística y Probabilidades.
1. Tom M. Apostol, Análisis Matemático, Segunda Edición, Editorial Reverté, Barcelona, 1982.
2. Tom M. Apostol, Calculus, Volumen 1, Segunda Edición, Editorial Reverté, Barcelona, 1977.
3. Tom M. Apostol, Calculus, Volumen 2, Segunda Edición, Editorial Reverté, Barcelona, 1975.
5. Richard L. Burden, J. Douglas Faires, Análisis Numérico, Séptima Edición, International Thomson
Editores, S. A., México,2002.
6. Alan W. Bush, Perturbation Methods for Engineers and Scientists, CRC Press, Boca Raton, 1992.
7. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
10. John E. Freund, Ronald E. Walpole, Estadística Matemática con Aplicaciones, Cuarta Edición,
Editorial Prentice-Hall Hispanoamericana, S. A., México, 1990.
12. Curtis F. Gerald, Patrick O. Wheatley, Análisis Numérico con Aplicaciones, Sexta Edición, Editorial
Pearson Educación de México, México, 2000.
13. Nicholas J. Higham, Accuracy and Stability of Numerical Algorithms, Editorial Society for
Industrial and Applied Mathematics, Philadelphia, 1996.
16. Erwin Kreyszig, Introducción a la Estadística Matemática, Editorial Limusa, México, 1981.
17. L. Lebart, A. Morineau, J.-P. Fénelon, Tratamiento Estadístico de Datos, Editorial Marcombo
Boixareu Editores, Barcelona, 1985.
18. Thomas M. Little, F. Jackson Hills, Métodos Estadísticos para la Investigación en la Agricultura,
Editorial Trillas, México, 2002.
19. Melvin J. Maron, Robert J. López, Análisis Numérico, Tercera Edición, Compañía Editorial
Continental, México, 1995.
236CAPÍTULO 4. APROXIMACIÓN DE ALGUNAS FUNCIONES DE DISTRIBUCIÓN DE PROBABILIDAD.
20. William Mendenhall, Dennis D. Wackerly, Richard L. Schea¤er, Estadística Matemática con
Aplicaciones, Segunda Edición, Grupo Editorial Iberoamérica, México, 1994.
21. Paul L. Meyer, Probabilidad y Aplicaciones Estadísticas, Editorial Fondo Educativo Interamericano,
México, 1973.
22. Shoichiro Nakamura, Métodos Numérico Aplicados con Software, Editorial Prentice-Hall His-
panoamericana, S. A., México, 1992.
23. Anthony Ralston, Introducción al Análisis Numérico, Editorial Limusa, México, 1978.
24. Francis Scheid, Theory and Problems of Numerical Analysis, Schaum’s Outline Series, Editorial
McGraw-Hill, New York, 1968.
26. Stephen P. Shao, Estadística para Economistas y Admistradores de Empresas, Editorial Herrero
Hermanos, México, 1967.
27. Bhimsen K. Shivamoggi, Perturbation Methods for Di¤erential Equations, Editorial Birkh½auser,
Boston, 2003.
Resumen
5.1. Introducción
Los microorganismos que requieren de oxígeno para su crecimiento se llama aeróbicos y aquellos que
no lo requieren se llaman anaeróbicos. En el caso de los microorganismos aeróbicos, el oxígeno debe
estar disponible en forma de oxígeno libre disuelto. Los microorganismos que pueden crecer en presencia
de oxígeno se llaman aeróbicos obligados. Cuando un nutriente entra en una corriente de agua, los
microorganismos aeróbicos consumen el oxígeno disuelto al efectuar la descomposición del nutriente, de
este modo, el nutriente ejerce una demanda sobre la disponibilidad de oxígeno disuelto.
Los nutrientes disueltos causan contaminación cuando entran en una corriente de agua en cantidades
su…cientes para destruir la capacidad de autopuri…cación de esta; esto es, si los nutrientes disueltos entran
al agua con una tasa tal que el oxígeno disuelto se gaste más rápidamente de lo que puede reponer, el
agua se desoxigena. En estas condiciones, ningún aeróbico obligado (desde los microorganismos hasta los
237
238 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
peces) podrá sobrevivir y los contaminantes orgánicos se acumularán en el agua dando lugar a los procesos
anaeróbicos que producirán sustancias malolientes de los contaminantes y el agua quedará contaminada.
Uno de los parámetros de calidad del agua y aguas residuales es la demanda bioquímica de oxígeno (DBO)
que se de…ne (Gerard Kiely, Vol.II, página 413) como la cantidad de oxígeno que necesitan los organismos
vivientes (aeróbicos) en la fase de estabilización de la materia orgánica de las aguas y aguas residuales.
La DBO es una medida de su poder para causar contaminación y se produce cuando la demanda de
oxígeno (DO) sobrepasa a la cantidad de oxígeno disponible.
La prueba de DBO estima el oxígeno gastado en la descomposición biológica de una muestra residual y es
un simulación de laboratorio del proceso microbiano de autopuri…cación. Es importante el conocimiento
preciso de la concentración de oxígeno disuelto en el agua para la prueba de DBO que es útil como
indicador del estado de contaminación de una corriente de agua. La prueba DBO consiste en el proceso
de laboratorio siguiente.
En una muestra de los residuos se diluye una mezcla con una población mixta adecuada de
microorganismos. Se mide la concentración de oxígeno disuelto DO al instante t = 0. Esta mezcla se
incuba a una temperatura …ja (T = 20o C) y luego de cierto tiempo (t = 5 días, t = 15 días, t = 21
días) se mide nuevamente la concentración de oxígeno disuelto DO (t). El cambio DO (0) DO (t) mide
la cantidad de oxígeno no utiizado en ese tiempo por los microorganismos al procesar nutrientes de la
muestra de agua residual. Los más usuales son DBO5 para t = 5 días, DBO15 para t = 15 días, DBO21
para t = 21 días. La primera prueba de este género fue propuesta en 1913.
El modelo más sencillo se establece en los términos siguientes: la taza de descomposición de materia
orgánica es proporcional a la cantidad de materia orgánica disponible, esto es,
dL
= k1 L;
dt
mg
donde L es la demanda bioquímica de oxígeno remanente en l , k1 > 0 es el coe…ciente de velocidad de
desoxigenación de DBO en días 1 .
Al instante t = 0, la DBO inical del e‡uente en el punto de vertido a un curso de agua se le nota L0 . Se
tiene
dL
dt = k1 L t 2 ]0; T ] ;
L (0) = L0 ;
cuya solución es L (t) = L0 e k1 t t 0:
El modelo de Streeter y Phelps establece que
dDO k1 t
= k1 L1 k2 DO = k1 L0 e k2 DO;
dt
con DO el dé…cit de oxígeno disuelto, k2 > 0 es la velocidad de reaireación atmosférica medida en día 1:
para la que no existe una fórmula que permita calcular k2 , consecuentemente se debe recurrir a métodos
numéricos iterativos para calcular una solución aproximada, siempre que esta exista.
b 2 I tal que f (b
De…nición 1 Asignada la ecuación f (x) = 0; un elemento x x) = 0 se denomina cero
de f o raíz de la ecuación f (x) = 0.
Para un número limitado de funciones reales pueden darse métodos directos de resolución de la ecuación
f (x) = 0. Así por ejemplo.
b
f (x) = 0 , ax + b = 0 , x = ;
a
b b
b=
x a es la raíz de f (x) = 0 o cero de f ya que f a = 0.
f (x) = 0 , ax2 + bx + c = 0;
tiene solución en R si y solo si d = b2 4ac 0; en cuyo caso las raíces de la ecuación vienen dadas
como: p p
b b2 4ac b + b2 4ac
x1 = , x2 = :
2a 2a
Si d = b2 4ac < 0, la ecuación ax2 + bx + c = 0 tiene dos raíces complejas, una conjugada de la
otra.
1
3. Sea f la función real de…nida por f (x) = 2 + sen x. Entonces,
1 n o 5
f (x) = 0 , sen x = ,x2 + 2k j k 2 Z [ + 2k j k 2 Z :
2 6 6
1
4. Las siguientes son ecuaciones que igualmente se resuelven fácilmente en el conjunto R: 2x = 64 ,
log3 (x) = 243:
Para las ecuaciones como las que a continuación se indican, no es posible determinar un método directo
que permita calcular las raíces exactas, únicamente es posible resolverlas de manera aproximada y es éste
el objetivo de este capítulo.
1. x cos(x) = 0 x 2 R.
1
2. arctan(x) = 1+x2
x 2 R.
240 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
3. x4 + 5x3 x2 + 1 = 0 x 2 R.
4. 4 x2 e 3x
= 0 x 2 R.
R1 2
5. Sean n 2 Z+ , c = n1 0 e t dt. Ponemos x0 = 0 y de…nimos
Z x
t2
gj (x) = c e dt x 2 [xj 1 ; 1] ; j = 1; : : : ; n. gj (x) = 0, j = 1; : : : ; n:
xj 1
Para polinomios de grado n 5 no existen métodos directos de cálculo de las raíces de la ecuación
P (x) = 0 con la excepción de casos muy particulares como por ejemplo los que se citan a continuación:
Las raíces reales de polinomios de grado 3 o 4 con coe…cientes reales serán aproximadas mediante
sucesiones.
La primera tarea para el estudio de la ecuación f (x) = 0 es la existencia de soluciones. Para el efecto
consideramos dos procedimientos: el método grá…co y el algoritmo de búsqueda del cambio de signo.
i. Método grá…co
a) Si la función f puede ser gra…cada sin di…cultad, la separación de las raíces se obtiene observando
los intervalos en los cuales la grá…ca de f corta al eje x.
Por lo general este procedimiento es limitado ya que la construcción de la grá…ca conduce al estudio
de la función f , estudio que puede resultar mas complicado que resolver la ecuación. En efecto, si
f es derivable en I, para determinar los subconjuntos de I en los que f es creciente, decreciente, se
deben resolver las inecuaciones f 0 (x) > 0, f 0 (x) < 0 y la ecuación f 0 (x) = 0 que pueden ser más
complejas que la ecuación f (x) = 0. Si f 00 existe en I, se deben determinar los subconjuntos de I en
los que f es cóncava, convexa y determinar los puntos de in‡exión de f , lo que conduce a calcular
f 00 y resolver las inecuaciones f 00 (x) > 0, f 00 (x) < 0 y la ecuación f 00 (x) = 0 que pueden resultar
más difíciles que la ecuación f (x) = 0: Más adelante se exhiben ejemplos con estas características.
Por otro lado, las imprecisiones en el trazado de la grá…ca pueden conducir a falsas interpretaciones.
b) Si la ecuación f (x) = 0 puede escribirse como g (x) h (x) = 0, donde g; h son funciones de…nidas en el
conjunto I cuyas grá…cas pueden trazarse fácilmente, entonces la ecuación f (x) = 0 se transforma
en determinar los puntos x 2 I tales que g (x) = h (x). Las raíces de f se separan observando
los intervalos en los cuales sus correspondientes grá…cas se cortan. Este procedimiento es también
limitado.
5.2. SEPARACIÓN DE LAS RAÍCES. 241
Ejemplos
1. Considerar la ecuación: x 2 R tal que x cos(x) = 0. Se tiene cos(x) = x. Ponemos g (x) = cos(x),
h (x) = x x 2 R. En la …gura siguiente se muestran las grá…cas de estas dos funciones.
h Sei observa
b 2 0;
que dichas grá…cas se cortan en un punto. La ecuación propuesta tiene una raíz x :
2
Figura 31
Figura 32
En el dibujo se observa que otra raíz está localizada en el intervalo 2 ; , ¿es justa esta aseveración?
De ser así, ¿existen otras raíces para x > 2 ? De acuerdo al grá…co no podemos dar respuesta
inmediata. Requerimos de un análisis más …no para determinar, si existe o no, otras raíces de dicha
ecuación.
3. Considerar la ecuación en R siguiente: x3 12x 1 = 0. Ponemos f (x) = x3 12x 1 x 2 R.
Entonces f 0 (x) = 3x2 12: Luego,
f 0 (x) > 0 , 3 (x + 12) (x 2) > 0 , x 2 ] 1; 2[ [ ]2; 1[ ;
0
f (x) 0 , x 2 [ 2; 2] :
242 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
Figura 33
b1 ; x
La grá…ca de f siguiente muestra que tiene tres ceros x b2 ; x
b3 localizados en los intervalos [ 4; 3],
[ 1; 0], [3; 4] : Observe que la grá…ca presenta imprecisiones.
Figura 34
El teorema de Bolzano a…rma que si la función continua f es tal que f (a) y f (b) tiene signos opuestos,
b 2 [a; b]. Además, este teorema garantiza la existencia de
la ecuación f (x) = 0 tiene al menos una raíz x
al menos una raíz de la ecuación f (x) = 0.
En la práctica se tienen funciones continuas en las que f (a) f (b) > 0 y sin embargo la ecuación f (x) = 0
tiene solución en [a; b] como lo prueba el siguiente ejemplo: f (x) = x2 1 x 2 [ 2; 2] : Se tiene
f ( 2) = f (2) = 3
5.2. SEPARACIÓN DE LAS RAÍCES. 243
Figura 35
Figura 36
El algoritmo de búsqueda del cambio de signo se basa en el teorema de Bolzano y tiene dos propósitos:
determinar la existencia de soluciones de la ecuación f (x) = 0 y separar las mismas. Describimos a
continuación dicho algoritmo.
b a
Sean n 2 Z+ y h = n ; h se denomina paso.
1. Calculamos f (a) :
Si f (a) = 0 entonces a es una raíz de f y continuar en el punto 2).
2. Calculamos f (a + h) :
Si f (a) 6= 0 y f (a) f (a + h) = 0 entonces a + h es una raíz de f . Continuar en el punto 3).
Si f (a) f (a + h) < 0 entonces existe xb 2 ]a; a + h[ tal que f (b
x) = 0, es decir que f tiene un cero
en el intervalo ]a; a + h[. Continuar en 3).
Si f (a) f (a + h) > 0 entonces f no tiene ceros en el intervalo [a; a + h] o el paso h es demasiado
grande. Continuar en 3).
Este procedimiento continua hasta llegar al extremo b del intervalo [a; b].
Una vez localizada una raíz en un cierto subintervalo [xj 1 ; xj ] con xj = a + jh, j =; : : : ; n, conviene
asegurarse que no hay otras raíces. Para ello, se elige un entero n1 > n y se repite el procedimiento
244 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
b a
anterior con el nuevo paso h1 = n1 . Igualmente se repite el procedimiento en el caso en que no haya
sido localizada ninguna raíz.
En la …gura siguiente se ilustra esta situación: f (x3 ) f (x4 ) < 0 con lo que existe al menos una raíz
b1 2 [x3 ; x4 ] : Situación similar se presenta en los otros intervalos.
x
Figura 37
Observe en la grá…ca que para el paso h seleccionado se han separado las tres raíces, cosa que no sucede
para la grá…ca de la función f siguiente.
Figura 38
h
Al seleccionar un paso h1 = 2 b1 ; x
se detectan raíces x b2 2 [x1 ; x2 ].
Debemos notar que si f tiene una raíz de multiplicidad par, el cambio de signo no es detectado ya que si
b es una raíz de multiplicidad par y x
x b 2 ]xj ; xj+1 [ se tiene f (xj ) f (xj+1 ) > 0. Este tipo de problemas
serán abordados en la sección 5.
Algoritmo
2. xi = a:
xd = xi + h:
5.3. MÉTODO DE BISECCIÓN 245
5. xd > b; Mensaje: “f no tiene raíces reales en [a; b] o f tiene raíces de multiplicidad par o h es
demasiado grande”.
xi = xd + h. Continuar en 3).
8. Fin.
Ejemplo
El algoritmo de la búsqueda del cambio de signo muestra que f tiene una raíz real localizada en el
intervalo [1;2; 1;6]. El estudio de la función f muestra que la ecuación f (x) = 0 tiene una única raíz
localizada en el intervalo antes precisado.
Sea f una función real, continua en [a; b] y consideramos la ecuación f (x) = 0. Supongamos que el
b 2 [ ; ]. Más aún, suponemos
algoritmo de búsqueda del cambio de signo muestra que existe una raíz x
que dicha raíz ha sido separada en dicho intervalo.
Entre los métodos más usados para el cálculo aproximado de x b es el conocido método de bisección. Su
aplicación radica en dos hechos importantes: el algoritmo es siempre convergente y porque es fácilmente
programable. No obstante, el método tiene la desventaja de requerir un número bastante grande de
iteraciones para aproximar xb con una precisión " …jada.
Si f (c1 ) 6= 0, consideramos los intervalos [ 1 ; c1 ] ; [c1 ; ] y controlamos si f ( ) f (c1 ) < 0 o f (c1 ) f ( ) < 0:
En la …gura siguiente se muestra la grá…ca de una función f que tiene una raíz localizada en el intervalo
246 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
[ ; ]:
Figura 39
Supongamos que se veri…ca f (c1 ) f ( ) < 0 (véase las grá…cas de la función f y la posición de x b2[ ; ]
b pertence al intervalo [ ; c1 ]. A este intervalo
raíz de la ecuación f (x) = 0), lo que signi…ca que la raíz x
lo notamos [x1 ; y1 ], donde x1 = ; y1 = c1 :
Sea c2 = x1 +y 2
1
el punto medio del intervalo [x1 ; y1 ] : Si f (c2 ) = 0 entonces c2 es una raíz de la ecuación
f (x) = 0: Si f (c2 ) 6= 0, nuevamente consideramos los intervalos [x1 ; c2 ] y [c2 ; y1 ] y controlamos el signo
de f (x1 ) f (c2 ). Con referencia de la posición x b 2 [ ; ], se tiene f (x1 ) f (c2 ) > 0 lo que signi…ca que
b 2 [c2 ; y1 ]. Notamos a este intervalo [x2 ; y2 ] con x2 = c2 ; y2 = y1 .
x
Sea c3 = x2 +y 2
2
el punto medio del intervalo [x2 ; y2 ] : Calculamos f (c3 ) = 0. En el caso contrario,
controlamos el signo de f (x2 ) f (x3 ). Observamos en la grá…ca que f (x2 ) f (c3 ) < 0 que implica
b 2 [x2 ; c3 ]. Ponemos x3 = x2 ; y3 = c3 :
x
En la grá…ca que se muestra a continuación se visualizan los puntos del intervalo [ ; ] que se obtienen
mediante este procedimiento:
Figura 40
Este proceso repetimos n veces. Así, obtenemos el intervalo [xn ; yn ], donde f (xn ) f (yn ) < 0. Como cada
subintervalo [xn ; yn ] de [ ; ] n = 0; 1; : : : se divide en dos subintervalos de igual longitud, la longitud
del intervalo [xn ; yn ] es
yn xn = :
2n
Por otro lado los extremos izquierdos de los intervalos [xn ; yn ] con n = 1; 2; : : :, forman una sucesión
monótona creciente, o sea xn xn+1 y como xn < ; la sucesión (xn ) es acotada. Consecuentemente
(xn ) es creciente y acotada, por lo tanto convergente. Sea x = l m xn:
n !1
Los extemos derechos de los intervalos [xn ; yn ] forman una sucesión yn decreciente: yn+1 yn n =
1; 2; : : : ; y < yn ; con lo cual (yn ) es acotada. Así (yn ) es decreciente y acotada que implica (yn )
convergente. Sea y = l m yn : Como l m = 0; se sigue que
n !1 n!1 2n
0= lm = l m (yn xn ) :
n!1 2n n!1
Luego
0 = l m (yn xn ) = l m yn l m xn = y x;
n!1 n!1 n!1
de donde x = y:
5.3. MÉTODO DE BISECCIÓN 247
Por hipótesis f es continua en [ ; ] ; entonces las sucesiones (f (xn )) y (f (yn )) son convergentes. Entonces
Además,
b < yn
xn < x n = 1; 2; : : : ;
x = l m xn b
x l m yn = y;
n!1 n!1
b = x = y y f (x) = f (b
y como x = y; entonces x x) = 0: Así,
xn b y f (xn )
! x ! f (b
x) = 0;
n!1 n!1
yn b y f (yn )
! x ! f (b
x) = 0;
n!1 n!1
Teorema 2 Sea f una función real, continua en [a; b]. Supongamos que f (a) f (b) < 0: Entonces, el
b raíz de la ecuación f (x) = 0 y tal que
método de bisección genera una sucesión (cn ) que converge a x
b a
jcn bj
x n = 1; 2; :
2n
b a xn + yn
Demostración. Para cada n 2 Z+ ; tenemos yn xn = b 2 [xn ; yn ] : Puesto que cn =
yx
2n 2
n = 1; 2; ; se sigue que
1 b a
0 jcn bj
x (yn xn ) n = 1; 2; :
2 2n+1
Luego
b a
0 l m jcn bj
x lm = 0;
n!1 n!1 2n
b; consecuentemente 0 = f (b
de donde l m cn = x x) = l mn!1 f (cn ) : Sea " > 0: Del teorema precedente
n!1
se tiene
b a
jcn x bj n = 1; 2; : : : ;
2n
b a b a
y como l m = 0; existe N0 2 Z+ tal que 8n N0 =) < ": En particular, para n = N0 se
n!1 2n 2n
b a
tiene N0 < ": Luego
2
b a
jcN0 xbj < ":
2N 0
Para elaborar el algoritmo del método de bisección, queda determinar el número máximo de iteraciones
Nmax : Para " = 10 t con t 2 Z+ (por ejemplo 10 4 ; 10 6 ; 10 8 , ), se tiene b2N0a < 10 t : Como la función
logaritmo natural es creciente, tomando logaritmos en ambos lados de esta desigualdad, resulta
b a t t ln (b a) 10t
ln < ln 10 () ln (b a) No ln (2) < ln 10 () N0 > :
2N0 ln 2
El número máximo de iteraciones Nmax elegimos como como sigue:
" #
ln (b a) 10t
Nmax = + 1;
ln 2
donde [ ] denota la función mayor entero menor o igual que. Así, jCNmax bj < 10 t :
x
bj < " pero jf (cn )j > " para n < Nmax .
Debe considerarse el hecho siguiente: puede veri…carse que jcn x
En este caso el proceso debe continuar hasta lograr, en lo posible, jf (cn )j " para n Nmax . Esto
corresponde al denominado control vertical de la raíz.
248 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
Separada la raíz x b de la ecuación f (x) = 0 mediante el algoritmo de búsqueda del cambio de signo; esto
b de f (x) = 0 y dado " = 10 t la precisión
es, dado [a; b] intervalo en el que está localizada la única raíz x
con la que xb será aproximada, el método de bisección se resume en el siguiente algoritmo.
Algoritmo
b, n, Nmax :
Datos de Salida: x
" #
ln (b a) 10t
1. Calcular Nmax = + 1:
ln 2
2. Poner yi = f (a) :
3. Para n = 1; : : : ; Nmax :
a+b
4. c = :
2
5. y = f (c) :
6. Si y = 0; continuar en 10):
b a
7. Si < " y jyj < "; continuar en 10).
2
8. Si yi y > 0; entonces a = c; yI = y:
9. Si yi y < 0; entonces b = c:
11. Fin.
Nota: Si xb ha sido separada utilizando el método de búsqueda del cambio de signo, xb 2 [xi; xd] [a; b] :
b, no …nalizar el programa,
Previo al punto 1). del algoritmo de bisección de x = xd: Una vez calculado x
se designa xi = x y continua la ejecución del programa en la parte correspondiente a la búsqueda del
cambio de signo en el resto del intervalo [a; b] : Note además que
" #
ln (xd xi) 10t
Nmax = + 1:
ln 2
Ejemplos
Figura 41
En la tabla siguiente se recogen los datos de la aplicación del algoritmo del método de bisección,
donde f es la función real de…nida como f (x) = ex x2 x 2 R:
n a b c f (a) = yi f (c) = y signo(yi y)
1 1: 0: 0;5 0;632 0;357
2 1: 0;5 0;75 0;632 0;901 +
3 0;75 0;5 0;625 0;901 0;145
4 0;75 0;625 0;6875 0;901 0;302
5 0;75 0;6875 0;71875 0;901 0;0292 +
6 0;71875 0;6575 0;703125 0;029 6;51 10 4
La raíz aproximada de x b con una precisión " = 10 2 y Nmax = 6 es c = 0;703125. Note que para
n = 6, se tiene jf (c6 )j < ".
2. Aproximemos las raíces de la ecuación 2 ln (x + 4) x2 = 0 con una precisión " = 10 3:
Figura 42
250 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
b1 '
Raíz x 1;385; f ( 1;385) = 0;0043. Note que jf (c9 )j > ":
Sean E R con E 6= ; y f una función real de…nida en E. Consideramos el problema (P) siguiente:
Suponemos que el problema (P) tiene al menos una solución x b 2 E y que no existe un método directo de
cálculo de xb por lo que debemos recurrir a los métodos aproximados. Estos métodos, en la generalidad,
son iterativos y tienen la forma siguiente.
En la mayoría de casos la función de iteración aparece por la propia formulación del problema.
Esta sección está destinada a la construcción de funciones de iteración ligadas a métodos numéricos
de resolución de ecuaciones no lineales muy conocidos en la literatura. Para ello introduciremos las
denominadas funciones o aplicaciones contractivas y un teorema muy importante en análisis, a saber, el
teorema de Banach del punto …jo.
Como consecuencia inmediata de la de…nición se tiene que toda aplicación contractiva es uniformemente
continua. El recíproco, en general, no es cierto.
Sea T una aplicación contractiva y " > 0. De la de…nición se sigue que existe k, 0 k < 1 tal que
8x; y 2 E,
jT (x) T (y)j k jx yj < ":
5.4. DESARROLLO DE MÉTODOS ITERATIVOS 251
"
Elegimos = (k 6= 0). Entonces
k
jx yj < ) jT (x) T (y)j < ":
ya que 0 k < 1, esto es, jT (x) T (y)j k jx yj 8x; y 2 E, pero puede suceder esto último sin ser
contractiva se verá en un ejemplo propuesto más adelante.
Ejemplos
1 2 1 2 1
jT (x) T (y)j = x y = j(x + y) (x y)j jx + yj jx yj .
4 4 4
Si y = 0, se tiene
x
jG (x) G (0)j = p jx 0j 8x; y 2 [0; 1[ :
1 + 1 + x2
x
Ponemos k (x) = p . Resulta k (x) ! 0; k (x) ! 1; luego 0 < k (x) < 1
1 + 1 + x2 x!0+ x!+1
8x 2 [0; 1[, con lo cual jG (x) G (y)j = k (x) jx 0j : De la última igualdad, observamos que
no es posible encontrar una constante k con 0 < k < 1 independiente de x. Este ejemplo pone
de mani…esto que se veri…ca la desigualdad jG (x) G (y)j jx yj 8x; y 2 [0; 1[, sin ser G
contractiva.
Ejemplos
252 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
1 2
1. Sean E = [1; 2] y T de E en E la aplicación de…nida por T (x) = x+ x 2 [1; 2] : El punto
p 2 x
x = 2 es un punto …jo de T . Pués
p 1 p 2 p
T 2 = 2+ p = 2:
2 2
i. Si x = 0, g (0) = f (0) :
b = 0 es un punto …jo de f .
Si f (0) = 0, resulta que x
Supongamos f (0) 6= 0. Como f (0) 2 [0; 1], se tiene g (0) = f (0) < 0:
ii. Si x = 1, g (1) = 1 f (1) :
b = 1 un punto …jo de f .
Si f (1) = 1, es x
Supongamos f (1) 6= 1. Puesto que f (1) 2 [0; 1] se tiene g (1) > 0. Luego, g (0) g (1) < 0 y por
b 2 [0; 1] tal que 0 = g (b
el teorema de Bolzano, existe x b f (b
x) = x x) ; de donde f (bx) = xb, esto
b es un punto …jo de f .
es, x
El resultado de este ejemplo tiene la siguiente interpretación geométrica. Consideremos las grá…cas
de las funciones f y de la identidad I en [0; 1]. Un punto …jo de f es la abscisa del punto de
intersección de la grá…ca de f y de la función identidad I en el intervalo[0; 1]. En los grá…cos
siguientes se muestran tres situaciones.
Figura 43
Figura 44
5.4. DESARROLLO DE MÉTODOS ITERATIVOS 253
Figura 45
Demostración. La demostración de este teorema la dividimos en dos partes. La primera que corresponde
b de T y la segunda a la unicidad.
a la existencia del punto …jo x
x1 = T (x0 )
x2 = T (x1 )
..
.
xn+1 = T (xn ) ; n = 0; 1; : : :
Sean m; n 2 Z+ con m > n y sea p 2 Z+ tal que = n + p. Entonces, por la desigualdad triangular, se
tiene
jxn xm j = jxn xn+p j jxn xn+1 j + jxn+1 xn 2 j + + jxn+p 1 xn+p j : (2)
Por la de…nición de (xn ) y por (1) se tiene
Luego,
jxn xn+1 j k n jx0 x1 j 8n 2 Z+ : (3)
Aplicando (3) en (2), resulta
de donde
1 k p+1 1 k p+1
Sp (k) = = :
1 k 1 k 1 k
Como 0 k < 1, l m k p+1 = 0. Luego
p!1
1 k p+1 1 p 1 1
l m Sp (k) = l m = lm = ;
p!1 p!1 1 k 1 k 1 k p!1 1 k 1 k
con lo cual
1
X 1
k p = l m Sp (k) = : (5)
p!1 1 k
p=0
1 k
kn < " (7)
jx0 x1 j
l m T (xn ) = T l m xn = T (b
x) :
n!1 n!1
b, resulta que
Además, xn+1 = T (xn ) y l mn!1 xn+1 = x
T (b b:
x) = l m T (xn ) = l m xn+1 = x
n!1 n!1
Así, T (b b o sea x
x) = x b 2 E es un punto …jo de T .
ii) Unicidad Probemos que x b 2 E tal que T (b b es único. Para el efecto, supongamos que existe
x) = x
b:
y 2 E tal que T (y) = y. Mostremos que y = x
jb
x yj = jT (b
x) T (y)j k jb
x yj ;
Observaciones
b 2 E e la plicación
1. El teorema de Banach del punto …jo asegura la existencia de un único punto …jo x
contractiva T de…nida en el conjunto cerrado E de R.
2. Note que la métrica usual d de R está de…nida por d (x; y) =j x y j 8x; y 2 R, admás (R; d) es
un espacio métrico completo, esto es, toda sucesión de Cauchy en R es convergente en R. Como
E R, E 6= ;, el par (E; d) es un espacio métrico y siendo E cerrado, se prueba que toda sucesión
de Cauchy en E es convergente en E, con lo cual (E; d) es un espacio métrico completo.
5.4. DESARROLLO DE MÉTODOS ITERATIVOS 255
En los textos de Análisis, el teorema de Banach del punto …jo se enuncia como sigue: Sea (E; d)
un espacio métrico completo y T de E en E una aplicación contractiva. Entonces, existe un único
b 2 E tal que T (b
x b:
x) = x
El enunciado y la prueba del teorema de Banach del punto …jo que hemos dado está particularizado
a subconjuntos cerrados E de R (E 6= ;) provistos de la métrica usual de R.
La demostración del teorema de Banach del punto …jo para espacios métricos completos muy
generales (E; d) es muy similar a la aquí propuesta con la salvedad que los valores absolutos
jx yj = d (x; y) x; y 2 R se remplazan simplemente por d (x; y) con d la métrica en el conjunto
E.
3. En la demostración del teorema de Banach del punto …jo se muestra una manera de calcular el
b 2 E. Pues se parte de un punto arbitrario x0 2 E y se construye la sucesión (xn ) E
punto …jol x
b = l m xn es el punto …jo de T . De este hecho se
tal que xn+1 = T (xn ) n = 0; 1; : : :. Entonces x
n!1
b con una precisión " > 0:
desprende que podemos aproximar el funto …jo x
En las dos …guras que se muestran a continuación se exhiben los puntos xn de la sucesión (xn )
con xn+1 = T (xn ), n = 0; 1; : : :. Se parte de x0 2 E. Se calcula x1 = T (x0 ) ; se proyecta T (x0 )
sobre la recta y = x, como x1 = I (x1 ) se obtiene en el eje X el punto x1 . Nuevamente se calcula
x2 = T (x1 ) y se proyecta T (x1 ) sobre la recta y = x, se obtiene en el eje x el punto x2 = I (x2 ). El
proceso continua.
b
En la grá…ca que se muestra a continuación se tiene una sucesión creciente que converge a x
Figura 46
b:
En la grá…ca siguiente se muestran puntos de una sucesión que oscila entorno al punto …jo x
256 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
Figura 47
En la grá…ca siguiente se muestra una función T que no es contractiva en E y una sucesión (xn ) que, en
general, no es convergente.
Figura 48
Ejemplos
Sea x0 = 2 2 E. Entonces
5.4. DESARROLLO DE MÉTODOS ITERATIVOS 257
1 2 1 2
T (x0 ) = x1 = x0 + = 2+ = 1;5;
2 x0 2 2
1 2 1 2
T (x1 ) = x2 = x1 + = 1;5 + = 1;4166667;
2 x1 2 1;5
1 2
T (x2 ) = x3 = x2 + = 1;414215686;
2 x2
1 2
T (x3 ) = x4 = x3 + = 1;414213562;
2 x3
..
.
p
Observamos que 1;414213 : : : es una aproximación de 2.
2. Sea E = [0; 1]. La aplicación T de [0; 1] en [0; 1] de…nida por T (x) = cos(x) es contractiva en [0; 1].
b 2 [0; 1] tal que x
Por tanto, existe x b = T (b
x) = cos(b b cos(b
x); de donde x b 2 [0; 1]
x) = 0: El punto x
solución de la ecuación x cos(x) = 0:
1
3. Sea E = [0; 1[ y T (x) = (x + 1) 3 x 2 [0; 1[. Resulta que T es contractiva en [0; 1[. Luego,
1
b 2 [0; 1[ tal que x
existe x b = T (b b3
x + 1) 3 ; de donde x
x) = (b b
x b es solución
1 = 0: El punto …jo x
de la ecuación x3 x 1 = 0.
Sea f (x) = x3 x 1 x 2 [0; 1[. La grá…ca de f muestra que la ecuación f (x) = 0 tiene una sola
b 2 [0; 1[.Más aún dicha raíz está separada en [1; 2] : Determinemos el valor aproximado de x
raíz x b:
En la tabla siguiente se muestran algunos valores de la sucesión (xn ) con x0 = 1 y xn+1 = T (xn ),
n = 0; 1; : : :
Sean I R, con I 6= ; y f una función real de…nida en I. Consideramos la ecuación f (x) = 0. Supongamos
b 2 I, y que esta ha sido separada en el intervalo [a; b] I.
que este problema tiene almenos una solución x
Si f (x) = x T (x) x 2 [a; b]. Entonces f (x) = 0 , T (x) = x: Además, si T es contractiva en [a; b],
b 2 [a; b] tal que T (b
existe x b o bien f (b
x) = x x) = xb T (b x) = 0, es decir que x b es la raíz de la ecuación
f (x) = 0: La di…cultad radica en la selección de la función T y del intervalo [a; b] en el que está localizada
b de f (x) = 0 de modo que la imagen directa T ([a; b]) = [a; b] y T contractiva en [a; b].
la raíz x
Supuesto que la función T de [a; b] en [a; b] es contractiva. El método de iteración de punto …jo se basa en
la construcción de la sucesión (xn ) siguiente: elegimos x0 2 [a; b] y de…nimos xn+1 = T (xn ) n = 0; 1; : : : :
El algoritmo del método de punto …jo es el siguiente:
Algoritmo
Datos de entrada: Nmax número máximo de iteraciones, " > 0 la precisión, T función de [a; b] en [a; b] :
b.
Datos de salida: iteración n, valor aproximado xn de x
2. Para n = 0; : : : ; Nmax ;
3. Calcular y = T (x) :
258 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
5. x = y:
8. Fin.
Ejemplos
Figura 49
2 2 = 1 + sin(x): Luego x =
p
De la igualdad
p sin(x) = x 1 se sigue que x 1 + sin(x): De…nimos
T (x) = 1 + sin(x) x 2 [1; 2] : La aplicación T es contractiva (véase el teorema que se enuncia
a continuación), y para x0 2 [1; 2] dado; se de…ne xn+1 = T (xn ) n = 0; 1; : : : :En las dos tablas
siguientes se muestran los resultados de la aplicación del algoritmo de punto …jo para dos puntos
iniciales distintos en [1; 2] :
n xn
n xn
0 1
0 2 ' 1;5708
1 1.3570
1 1.4142
a). 2 1.4061 b).
2 1.4199
3 1.4094
3 1.4096
4 1.4096
4 1.4096
5 1.4096
Raíz aproximada xe2 = 1;4096 de x b2 :
p
Pongamos T1 (x) = 1 + sin(x) x 2 [ 1; 0] : La aplicación T es contractiva en [ 1; 0]. Para
x0 = 0;5, en 20 iteraciones se tiene x e1 = 0;6367:
Teorema 4 Sea T de [a; b] en [a; b] una función derivable en [a; b] : Si jT 0 (x)j k < 1 8x 2 [a; b] ;
b 2 [a; b] tal que T (b
entonces T es contractiva en [a; b]. Consecuentemente, existe x b:
x) = x
que prueba que T es contractiva. Por el teorema de Banach del punto …jo, existe 8b
x 2 [a; b] tal que
T (b b:
x) = x
Ejemplo
p
Sea T (x) = 1 + sin(x) x 2 [ 1; 0] : Entonces
cos(x)
T 0 (x) = p x 2 [ 1; 0] :
1 + sin(x)
Se deduce que
cos ( 1) cos(x) cos(x) 1
0< T (x) p p :
2 2 2 1 sin (1) 2 1 sin (1)
1
Luego k = p < 1:
2 1 sin (1)
Nota: El método de punto …jo es muy limitado en las aplicaciones por la di…cultad de seleccionar una
aplicación contractiva, sin embargo ofrece una metodología para construir aplicaciones contractivas como
se verá ás adelante.
De…nición 5 Sean E R con E 6= 0 y f una función real de…nida en E. Se dice que f es Lipschisiana
o que satisface la condición de Lipschitz si y solo si 9k > 0 tal que jf (x) f (y)j k jx yj 8x; y 2 E:
La constante k se llama constante de Lipschitz.
Ejemplos
1. Sea f la función real de…nida por f (x) = jxj : Se tiene que f es lipschisiana. En efecto,para x; y 2 R,
La constante de Lipschitz es k = 1:
p
2. La función f de [0; 1[ en [0; 1[ de…nida por f (x) = 1 + x2 es lipschisiana. Esta función se trató
anteriormente, se probó que f no es contractiva y que
b 2 [c
ii) g tiene un único punto …jo x r; c + r] :
260 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
ge (x) = g (x) 8x 2 [c r; c + r] :
je
g (x) ge (y)j = jg (x) g (y)j k jx yj 8x; y 2 [c r; c + r] :
Por otro lado, [c r; c + r] es un conjunto cerrado. Por el teorema de Banach del punto …jo, existe un
b 2 [c r; c + r] tal que ge (b
único x b = g (b
x) = x b es el único punto …jo de g:
x) ; es decir que x
Sean I R con I 6= ; y f una función real de…nida en I. Consideramos el problema (P) siguiente:
Supongamos que el problema (P) tiene solución, esto es, existe al menos un x b 2 I tal que f (b
x) = 0 y que
b es la sola raíz de la ecuación f (x) = 0:
dicha raíz ha sido separada; o sea existe [a; b] I en el que x
Como se ha dicho anteriormente, el problema radica en construir una función T que sea contractiva en
b de T es la raíz x
[a; b] tal que el punto …jo x b de f (x) = 0 y recíprocamente. El siguiente teorema muestra
como construir tal función T utilizando f:
b 2 [a; b] el único
Teorema 6 Sea f una función real continua en [a; b] tal que f (a) f (b) < 0 y sea x
número real tal que f (b
x) = 0: Además, suponemos que
f (x) f (y)
0 < = nf ;
x;y2[a;b] x y
x6=y
f (x) f (y)
= sup ; < :
x;y2[a;b] x y
x6=y
Entonces, existe una función T de…nida en [a; b] tal que T es lipschisiana con constante 0 k<1y
T (b b:
x) = x
Demostración. Por hipótesis f es continua en [a; b] y f (a) f (b) < 0: Por el teorema de Bolzano, existe
b 2 [a; b] tal que f (b
x b 2 [a; b] es único.
x) = 0: Adicionalmente x
Sea m 2 R. De…nimos la función T en [a; b] como sigue: T (x) = x mf (x) x 2 [a; b] : Se tiene
T (b b
x) = x mf (b
x) = 0;
b tal que
Buscamos una constante m
f (x) f (y)
1 m k < 1 8x; y 2 [a; b] con x 6= y:
x y
1
b < 0 entonces m
ii. Si m b = : Para todo x; y 2 [a; b] con x 6= y; se tiene
f (x) f (y)
1 b
m 1 = k < 1 8x; y 2 [a; b] con x 6= y;
x y
con lo cual
jT (x) T (y)j k jx yj 8x; y 2 [a; b] ;
que prueba que T (x) = x b (x) x 2 [a; b] es lipschisiana con constante 0
mf k < 1:
Interpretación Geométrica
262 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
f (x) f (y)
= sup ;
x;y2[a;b] x y
x6=y
8
> 1
f (x) f (y)
< ; si < 0 8x; y 2 [a; b] con x 6= y;
b =
m x y
: 1 ; si f (x) f (y) > 0 8x; y 2 [a; b] con x 6= y:
>
x y
b (x) x 2 [a; b] :
T (x) = x mf
x0 2 [a; b]
xn+1 = T (xn ) n = 0; 1; : : :
b de f (x) = 0:
Continuando con este proceso obtenemos una sucesión (xn ) que converge a la raíz x
Figura 50
5.4. DESARROLLO DE MÉTODOS ITERATIVOS 263
Algoritmo
x0 2 [a; b] aproximación inicial,
El proceso iterativo se llama método iterativo de punto …jo
xn+1 = T (xn ) n = 0; 1; :
b
modi…cado. El problema principal de este método es calcular la constante m.
Supongamos que la función continua f cambia de signo en el intervalo [a; b], esto es, f (a) f (b) < 0 y que
la longitud b a del intervalo [a; b] sea su…cientemente pequeña para que la aplicación T (x) = x mf (x)
sea contractiva en [a; b] con m 2 R. En estas condiciones elegimos m como sigue
b a
m=
f (b) f (a)
con lo cual
b a
T (x) = x f (x) x 2 [a; b] .
f (b) f (a)
El método iterativo de punto …jo modi…cado queda en la forma
(
x0 2 [a; b] aproximación inicial,
xn+1 = xn f (b)b fa (a) f (xn ) n = 0; 1; 2; :
Estimemos el número máximo de iteraciones que se requieren para aproximar x b con una precisión " = 10 t
con t 2 Z+ (por ejemplo " = 10 2 ; 10 5 ; 10 6 : : :). En la demostración del teorema de Banach del punto
…jo se dedujo la desigualdad
kn
jxn xm j jx0 x1 j m; n 2 Z+ ; 0 < k < 1:
1 k
b = l m xm , se tiene por la continuidad de la función valor absoluto
Dejando …jo n y considerando que x
m!1
kn kn
l m jxn xm j lm jx0 x1 j , xn lm jx0 x1 j ,
m!1 m!1 1 k m!1 1 k
kn
jxn bj
x jx0 x1 j :
1 k
Puesto que x0; x1 2 [a; b] ; jx0 x1 j b a, se sigue que
b a n;
jxn bj
x k
1 k
y como
b a n b a
lm k = l m k n = 0;
n!1 1 k 1 k n!1
b a n
entonces para " = 10 t , 9n0 2 Z+ tal que 8n n0 ) k < ":
1 k
b a n0
Para n = n0 podemos asumir que k ". Tomando logaritmos en ambos miembros de esta última
1 k
desigualdad, obtenemos
" (1 k)
n0 ln (k) ln ;
b a
y como 0 < k < 1, ln (k) < 0. Luego
"(1 k)
ln b a
n0 :
ln (k)
El número máximo de iteraciones Nmax elegimos como sigue:
" ("(1 k)) #
ln b a
Nmax = + 1;
ln (k)
264 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
3. Para n = 0; : : : ; Nmax :
4. Calcular y = x mf (x) :
5. Si jx yj < ". Continuar en 7).
6. x = y:
e = y en n iteraciones”. Continuar en 9).
7. Si n < Nmax , imprimir “raíz aproximada x
e = y en Nmax iteraciones”.
8. Imprimir “raíz aproximada x
9. Fin.
Ejemplos
p
4
1. Calcular el valor aproximado de 2 con 6 cifras decimales de precisión.
Sea f (x) = x4 2 con x > 0. Entonces
p
f (x) = 0 , x4
4
2=0)x= 2:
p
4
La función f tiene a 2 como raíz localizada en el intervalo [1; 1;5]. Además, f (1) = 1;
f (1;5) = 5;0625 y f (1) f (1;5) < 0. Tenemos a = 1; b = 1;5. Luego
b a 1;5 1
m= = = 0;1231:
f (b) f (a) f (1;5) f (1)
El esquema numérico es el siguiente:
x0 2 [1; 1;5] aproximació inicial,
xn+1 = xn 0;1231f (xn ) n = 0; 1; :
Tomando x0 = 1, en la tabla de la izquierda se muestran los resultados de la aplicación del esquema
numérico. En la tabla de la derecha se muestra la aplicación del mismo esquema numérico pero con
otra aproximación inicial x0 = 1;3:
n xn
0 1;0 n xn
1 1;1231 0 1;3
2 1;173446 1 1;194614
3 1;186241 2 1;190106
4 1;188688 3 1;189367 .
.. .. 4 1;189233
. . 5 1;189212
10
1;189207102 6 1;18907
11
1;189207113 7 1;189207
12
1;189207115;
p
El valor aproximado de 4 2 con una precisión de 6 cifras decimales es 1;189207. Valor obtenido en
e = 1;18927115 : : :
una calculadora de bolsillo x
5.4. DESARROLLO DE MÉTODOS ITERATIVOS 265
x f (x)
10 491;5 x f (x)
9;6 405;6 x f (x)
4;4 38;9
.. .. 1;2 16;7
. . 4;8 18;6
0;8 3;4
7;2 55;9 5;2 6;9
0;4 10;1
6;8 21;8 5;6 38;1
0 23;205 .. ..
6;4 6;555 .. .. . .
6;0 29;4 . .
10 865;1
.. ..
. .
La ecuación f (x) = 0 tiene 3 raíces localizadas (separadas) en los intervalos [6;8; 6;4], [ 0;8; 0;4],
[4;8; 5;2].
b está de…nida por (véase teorema 5)
Observación: La constante m
(
1
, si f (x)x yf (y) < 0 8x; y 2 [a; b] con x 6= y;
mb = 1
, si f (x)x fy (y) > 0 8x; y 2 [a; b] con x 6= y:
f (x) f (y)
con = Sup x y es equivalente a la siguiente selección
x;y2[a;b]
x6=y
f (x0 ) f (y 0 )
sign x0 y 0
b =
m ;
f (x) f (y)
Sup x y
x;y2[a;b]
x6=y
f (x) f (y)
donde x0 ; y 0 2 [a; b] con x0 6= y 0 los puntos en los que x y x 6= y, alcanza el valor extremo.
Si la función f es derivable en cada subintervalo en el que está separada cada raíz de f (x) = 0, se
sigue que
f (x1 ) f (x2 ) = f 0 (x) (x1 x2 ) con x entre x1 y x2 ;
de donde
f (x1 ) f (x2 )
= f 0 (x) , x1 6= x2 :
x1 x2
Resulta que si f 0 (x) 6= 0 8x 2 [a; b] ;
sign (f 0 (x))
b =
m ;
Sup jf 0 (x)j
x2[a;b]
con x 2 [a; b] en el que jf 0 (x)j alcanza el valor extremo. Entonces, la aplicación contractiva T está
de…nida por
T (x) = x mfb (x) x 2 [a; b] :
b el estimado con f 0 (x). Tenemos
Calculemos las raíces de f (x) = 0 utilizando m
b1 2 [6;3; 6;4] :
i. Cálculo de x
Se tiene f 0 ( 6;8) = 79;99, f 0 ( 6;4) = 63;83. Luego
1
c1 =
con lo cual m 79;99 ' 0;013, T (x) = x 0;013f (x) x 2 [6;3; 6;4] :
x0 2 [ 6;8; 6;4] punto inicial,
Esquema numérico: En la tabla siguiente se muestran los
xn+1 = T (xn ) n = 0; 1; :
resultados de la aplicación del esquema numérico precedente:
n xn
0 6;8
1 6;517
2 6;502
3 6;500 : : :
4 6;50003
5 6;500000
b1 =
La solución en el intervalo [6;3; 6;4] es: x 6;5:
b2 2 [ 0;8; 0;4] :
ii. Cálculo de x
1
Se tiene f 0 ( 0;8) = 33;61; f 0 ( 0;4) = 33;37, Sup jf 0 (x)j, m
c2 = 33;61 ' 0;03 y
x2[ 0;8; 0;4]
T (x) = x + 0;03f (x) x 2 [ 0;8; 0;4] : En la tabla siguiente se muestran los resultados de la
aplicación del algoritmo de punto …jo modi…cado:
n xn
0 0;8
1 0;699
2 0;700008
3 0;699999 : : :
4 0;7
b2 =
La solución en el intervalo [ 0;8; 0;4] es x 0;7:
iii. Cálculo de x b 3 . Obtenemos f 0 (4;8) = 57;11; f 0 (50;2) =
b3 2 [4;8; 5;2] : Estimemos la constante m
70;79; luego
1 1
c3 =
m = ;
Sup jf 0 (x)j 7079
x2[4;8;5;2]
c3 ' 0;0141;
m
T (x) = x 0;0141f (x) x 2 [4;8; 5;2] :
b3 = 5;1:
La solución es x
b1 ; x
Calculemos ahora las raíces x b2 ; x
b3 pero esta vez utilizamos m
b dado por
b a
b =
m :
f (b) f (a)
n xn
0 6;8
1 6;493
2 6;4996
3 6;4999
4 6;49999
5 6;499999
6 6;5
b1 =
Raíz x 6;5:
b2 , obtenemos
ii. Para el cálculo de x
0;4
c2 =
m = 0;0296, T (x) = x + 0;0296f (x) x 2 [ 0;8; 0;4] :
f ( 0;4) f ( 0;8)
n xn
0 0;8
1 0;7000 : : :
2 0;7000019
3 0;7
b2 = 0;7:
Raíz x
iii. Cálculo de x c3 = f (5;2)0;4f (4;8) = 0;0157 T (x) = x 0;0157f (x)
b3 : Se tiene m x 2 [4;8; 5;2] :
Como en los casos precedentes, se obtienen los siguientes resultados:
n xn
0 4;8
1 5;093
2 5;1004
3 5;09997
4 5;100001
5 5;099999 : : :
6 5;1
b3 = 5;1:
x
Figura 51
b 2 [1; 1;2] ;
Más aún, '1 (1;2) ' 6;62, '2 (1;2) ' 3;4. Luego x
b. Con n = 30 iteraciones
Con x0 = 1, la sucesión (xn ) con xn+1 = T (xn ) n = 0; 1; : : : converge a x
b ' 1;05486 con una precisión " = 10 :
x 3
b 2 I; si existe, talque f (b
hallar x x) = 0: (P)
Suponemos nuevamente que el problema (P) tiene solución; es decir, existe al menos un x b 2 I tal que
f (b b ha sido separada, o sea, existe [a; b] I en el que x
x) = 0 y que x b es la única raíz de f (x) = 0 allí
localizada.
El método iterativo de punto …jo presenta los siguientes inconvenientes:
i) A partir de f , elegir una función contractiva T:
ii) Supuesto que se ha seleccionado una aplicación contractiva T y dado x0 2 [a; b], la sucesión (xn )
de…nida por xn+1 = T (xn ), n = 0; 1; : : : converge muy lentamente.
En el método de punto …jo modi…cado, la construcción de la aplicación contractiva T es relativamente
sencilla si la longitud del intervalo [a; b] en el que está localizada la raíz es muy pequeña. En tal caso, si
f (a) f (b) < 0;
b a
T (x) = x f (x) x 2 [a; b]
f (b) f (a)
b a
es contractiva. La constante m = f (b) f (a) no es la óptima.
La sucesión (xn ) puede converger lentamente para x0 2 [a; b] dado y xn+1 = T (xn ) n = 0; 1; : : : :
Note que no se requiere que f sea derivable. Para acelerar la convergencia se utilizará este método en el
denominado método se Ste¤ensen que será abordado en una sección posterior de este capítulo.
5.4. DESARROLLO DE MÉTODOS ITERATIVOS 269
En el caso en que la función f sea derivable en [a; b], uno de los métodos más utilizados para aproximar
b de la ecuación f (x) = 0 el método de Newton del que nos ocuparemos en esta sección.
la solución x
f (x) f (y)
Se ha supuesto que los cocientes x; y 2 [a; b] con x 6= y conservan el signo de la constante
x y
b dada por
m
sign (f 0 (x))
b =
m ;
Sup jf 0 (x)j
x2[a;b]
f (x1 ) f (x2 )
1 m (x) k < 1 x 2 [a; b] ;
x1 x2
1
se tiene igualmente una aplicación contractiva. Si se pone m = ; con f 0 (x) 6= 0; entonces
f 0 (x)
1
T (x) = x f (x) x 2 [a; b]
f 0 (x)
es contractiva en [a; b] :
Interpretación geométrica
Sea x0 2 [a; b]. La ecuación de la recta tangente a la grá…ca de f en el punto (x0 ; f (x0 )) es
f (x0 )
L (x) = 0 () f 0 (x0 ) (x x0 ) + f (x0 ) = 0 () x = x0 :
f 0 (x0 )
b.
Pongamos x1 = x: Notemos que x1 es un valor aproximado de x
La ecuación de la recta tangente a la grá…ica de f que pasa por el punto (x1 ; f (x1 )) es
f (x1 )
x = x1 :
f 0 (x1 )
270 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
b.
Sea x2 = x. Entonces x2 es un valor aproximado de x
f (xn )
xn+1 = xn n = 0; 1; : : : ;
f 0 (xn )
b de f (x) = 0.
donde xn+1 es un valor aproximado de la raíz x
De esta construcción podemos de…nir la función de iteración del método de Newton siguiente
f (x)
T (x) = x x 2 [a; b] ; f 0 (x) 6= 0:
f 0 (x)
Figura 52
Otra forma de obtener la función de iteración del método de Newton es la siguiente. El desarrollo de
b raíz de la ecuación f (x) = 0; está dado por 0 = f (x) + f 0 (x) (x x
Taylor en un entorno de x b) de donde
f (x)
b=x
x f 0 (x) 6= 0, x 2 [a; b] :
f 0 (x)
Ponemos
f (x)
T (x) = x f 0 (x) 6= 0, x 2 [a; b] ;
f 0 (x)
Observación
b1 ; x
Supongamos que f tenga dos raíces x b2 en el intervalo [a; b] y que f posea derivada segunda continua
en ]a; b[ :
Figura 53
Figura 54
Estos dos problemas ponen de mani…esto que el método de Newton-Raphson, en general, no converge a
b:
x
Establezcamos las condiciones que la función f y el punto inicial x0 han de veri…car para que el método
de Newton-Raphson sea convergente.
Teorema 7 Supongamos que f 2 C 2 ([a; b]) tal que f 0 (x) 6= 0, f 00 (x) 6= 0 8x 2 [a; b] : Si x0 2 [a; b]
b tal que f (x0 ) f 00 (x0 ) > 0, entonces la sucesión (xn ) generada por la
es una aproximación inicial de x
b:
función de iteración T converge a x
El punto x0 se denomina extremo de Fourier.
Demostración. Notemos que x b 2 [a; b] es la única raíz de f (x) = 0 allí localizada. Se tiene f (a) f (b) < 0:
Sin pérdida de generalidad podemos suponer que f (a) < 0 y f (b) > 0; y que f 0 (x) > 0; f 00 (x) > 0
272 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
Figura 55
Sea x0 2 [a; b] y supongamos que f (x0 ) f 00 (x0 ) > 0. Como f 00 (x0 ) > 0, se sigue que f (x0 ) > 0 y par
todo nZ+ , xn > xb y f (xn ) > 0. Probemos por inducción.
b: Puesto que f (b
i) x0 > x x) = 0 y f es estrictamente creciente, se tiene
f (x0 ) f (b
x) = f (x0 ) > 0;
b:
con lo cual x0 > x
ii) Supongamos que xn > x b para n b y f (xn+1 ) > 0: Como f 2 C 2 ([a; b]).
0. Probemos que xn+1 > x
Por el desarrollo de Taylor, se tiene
1 00
x) = f (xn ) + f 0 (xn ) (b
0 = f (b x xn ) + f (xn ) (b
x xn )2 :
2!
Puesto que f 00 (xn ) > 0, entonces 1 00
2! f (xn ) (b
x xn )2 > 0: Para que la igualdad precedente tenga lugar;
debemos tener
f (xn ) + f 0 (xn ) (b
x xn ) < 0:
Además, por hipótesis f 0 (xn ) > 0. Luego
f (xn )
b
+x xn < 0;
f 0 (xn )
y multiplicando por 1, obtenemos
f (xn )
+ xn b > 0:
x
f 0 (xn )
Entonces
f (xn )
xn+1 = T (xn ) = xn ;
f 0 (xn )
f (xn )
xn+1 b = xn
x b > 0;
x
f 0 (xn )
de donde xn+1 b > 0 que implica xn+1 > x
x b: Por ser f creciente, f (xn+1 ) f (b
x) = f (xn+1 ) > 0:
Mostremos que (xn ) converge a xb: Para ello probemos que (xn ) es una sucesión decreciente y acotada.
f (x)
Como T (x) = x f 0 (x) x 2 [a; b], f 0 (x) > 0, resulta que T es derivable en [a; b] pués f 2 C 2 ([a; b]). Por
el teorema del valor medio, tenemos
b, xn+1 > x
Como xn > x b y por de…nición de (xn ), se tiene
T (xn ) T (b
x) = xn+1 b > 0;
x
5.4. DESARROLLO DE MÉTODOS ITERATIVOS 273
luego
T 0 (xn ) (xn b) > 0 ) T 0 (xn ) > 0 ya que xn > x
x b:
f (xn )
Además, f (xn ) > 0, f 0 (xn ) > 0, f 0 (xn ) > 0, y
f (xn ) f (xn )
T (xn ) = xn 0
) 0 = xn T (xn ) > 0;
f (xn ) f (xn )
de donde
xn xn+1 > 0 ) xn > xn+1 ;
b.
Para completar la prueba, mostremos que l m xn = x
n!1
xn+1 xb
0< < 1:
xn xb
Pero
xn+1 b = T (xn )
x x x) = T 0 (tn ) (xn
b = T (xn ) T (b b) ;
x
xn+1 x b
0 < T 0 (xn ) = <1
xn x b
Observaciones
1. De la condición f (x0 ) f 00 (x0 ) > 0 resulta que f (x0 ) > 0 y f 00 (x0 ) > 0 o f (x0 ) < 0 y f 00 (x0 ) < 0:
i. Si f (x0 ) y f 00 (x0 ) > 0, f es convexa. Por hipótesis del teorema 6, f 0 (x) 6= 0 8x 2 [a; b], f 0
mantiene el mismo signo en [a; b] dando como resultado que f es estarictamente decreciente en
[a; b] o f es estrictamente creciente en [a; b]. En las dos …guras que se muestran a continuación
se presentan estas dos situaciones
Figura 56
274 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
Figura 57
ii. Si f (x0 ) < 0 y f 00 (x0 ) < 0. Resulta que f es cóncava, estrictamente creciente o estrictamente
decreciente.
Figura 58
Figura 59
2. Si f (x0 ) f 00 (x0 ) < 0 entonces f (x0 ) > 0 y f 00 (x0 ) < 0 o f (x0 ) < 0 y f 00 (x0 ) > 0:
Supongamos f (x0 ) > 0 y f 00 (x0 ) < 0. Entonces f es convexa. Puede suceder que x1 = T (x0 ) 2
=
5.4. DESARROLLO DE MÉTODOS ITERATIVOS 275
[a; b] :
Figura 60
Figura 61
Teorema 8 Supongamos que f 2 C 2 ([a; b]) y x b 2 [a; b] la única raíz de la ecuación f (x) = 0 allí
localizada. Si f 0 (b
x) 6= 0, existe r > 0 tal que la sucesión (xn ) generada por el método de Newton
converge a xb para todo x0 2 [b x r; xb + r] aproximación inicial de xb:
f (x)
Demostración. Mostremos que la función de iteración T (x) = x f 0 (x) x 2 [a; b] es lipschisiana en
[b b + r] para algún r > 0 y constante 0 < k < 1.
x r; x
Por hipótesis f 2 C 2 ([a; b]) entonces f 0 es continua en [a; b] : Además f 0 (b
x) 6= 0. Existe > 0 tal que
0
f (x) 6= 0 para x 2 [b
x b + ] [a; b]. De…nimos
;x
f (x)
T (x) = x x 2 [b
x b+ ]:
;x
f 0 (x)
Como f y f 0 son continuas en [a; b], entonces T es continua en [b
x b + ]. Por otra parte,
;x
T (x) x) = T 0 (t) (x
T (b b) con t entre x y x
x b:
276 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
Entonces
jT (x) T (b
x)j = jT (x) bj = T 0 (t) jx
x bj < " jx
x bj
x "r < r:
Luego
jT (x) bj < r , x
x b b + r 8x 2 [b
r < T (x) < x x b + r] :
r; x
Resulta que la imagen directa T ([b
x r; x b + r]) = [b x r; xb + r] y " < 1 8x 2 [bjT 0 (x)j
x b + r] que
r; x
muesta que T es contractiva. Por el teorema de Banach del punto …jo, para todo x0 2 [b
x b + r], la
r; x
b:
sucesión (xn ) con xn+1 = T (xn ) n = 0; 1; : : : converge a x
Ejemplos
p
1. Sean a > 0, n 2 Z+ . Calculemos n
a:
Sea f de [0; 1[ en R la función de…nida por f (x) = xn a x 2 [0; 1[ :
i) Si 0 < a < 1 entonces f (0) = a < 0, f (1) = 1 a > 0. Por el teorema de Bolzano, existe
b 2 [0; 1] tal que f (b
x x) = 0, esto es,
p
f (b bn
x) = 0 , x b=
a=0)x n
a:
Sea x0 = 1, x0 es el extremo de Fourier, pues f (x0 ) f 00 (x0 ) > 0: La sucesión (xm ) generada por la
1
función de iteración T es convergente a a n :
b = 1:
ii) Si a = 1. Se tiene x
iii) Si a > 1, entonces f (1) = 1 a < 0, f (a) = an a > 0. Por el teorema de Bolzano, existe
b 2 [1; a] tal que f (b
x x) = 0. La función de iteración está de…nida por
1h a i
T (x) = (n 1) x + n 1 x 2 [1; a] :
n x
Para valores de a > 1 su…cientemente grandes, resulta difícil elegir x0 2 [1; a] de modo que la
sucesión (xm ) generada por la función de iteración T converja rápidamente.
Sean a > 1 y j 2 Z+ el mas pequeño entero tal que 10 nj a < 1: Ponemos b = 10 nj a y de…nimos
1 1 1
g (t) = tn b. Por i). existe b t 2 [0; 1] tal que g b t = 0 , b t = b n = 10 nj a n = 10 j a n
1
de donde a n = 10j b t. En estas condiciones, con t0 = 1, la sucesión (tm ) de…nida por tm+1 =
b 1
1
n (n 1) tm + n 1 t y en consecuencia a n = 10j l m tm = 10j b
m = 0; 1; : : : converge a b t:
tm m!1
Nota: Un hecho importante del análisis matemático es probar que todo número real es límite de
una sucesión de números racionales. Para a 2 Q+ que no sea potencia n-ésima de c 2 Q+ , la función
de iteración
h a i
T (x) = n1 (n 1) x + n 1 x > 0 proporciona una forma de construir sucesiones de números
x 1
= Q+ . Así por ejemplo
racionales que convergen a a n 2
1 2
p
i. Para a = 2; n = 2; x0 = 2 y xm+1 = 2 xm + xm . La sucesión (xm ) converge a = Q+ :
22
1 2 p
ii. Para a = 2; n = 5; x0 = 3 y xm+1 = 5 4xm + 4
= Q+ :
, (xm ) converge a 5 2 2
xm
1 5 p
iii. Para a = 5; n = 3; x0 = 3 y xm+1 = 3 2xm + 2 , (xm ) converge a 3 5 2 = Q+ :
xm
5.4. DESARROLLO DE MÉTODOS ITERATIVOS 277
x
2. Encontrar las raíces de la ecuación e 4 (2 x) 1 = 0:
x
Ponemos f (x) = e 4 (2 x) 1. Entonces
x x 1
f (x) = 0 , e 4 (2 x) 1=0,e 4 = x 6= 0:
2 x
El método grá…co muestra que la ecuación f (x) = 0 tiene única raíz localizada en el intervalo [0; 1] ;
como se puede observar en la …gura siguiente.
Figura 62
Puesto que
x
f (x) = e 4 (2 x) 1;
1 x
f 0 (x) = e 4 (6 x) ;
4
1 x
f 00 (x) =
e 4 (10 x) :
16
00
Sea x0 = 0. Entonces f (0) f (0) > 0 con lo cual x0 es el extremo de Fourier. La función de
iteración del método de Newton está dada por
x
f (x) 4 2 x e 4
T (x) = x = x + x 2 [0; 1] :
f 0 (x) 6 x
Luego, el esquema numérico es xn+1 = T (xn ) n = 0; 1; : : : : En la tabla siguiente se muestran los
resultados de la aplicación del método de Newton:
n xn
0 0
1 0;666667
2 0;780646
3 0;783594
4 0;783596
5 0;783596
Sea x0 = 1. Se tiene f (1) f 00 (1) < 0; x0 no es el extremo de Fourier, sin embargo el método converge.
A continuación se muestran los resultados de la aplicación del método de Newton:
n xn
0 1
1 0;772779
2 0;783570
3 0;783596
4 0;783596
278 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
Si equivocadamente se elige el punto x0 = 8 2 = [0; 1], se tiene T (x0 ) = 34;778; T (x1 ) = 869;153,
T (x2 ) = 1;079 1032 , T (x3 ) over‡ow. Así (xn ) diverge.
3. Hallar las raíces de la ecuación ex (x 2;4055) + 3 = 0. Como en los ejemplos anteriores de…nimos
la función real f como sigue: f (x) = ex (x 2;4055) + 3. Entonces f 0 (x) = ex (x 1;4055) ;
f 00 (x) = ex (x 0;4055) : El estudio de la función f muestra que la ecuación f (x) = 0 tiene dos
raíces ubicadas en los intervalos [0; 1] y [1; 3] como se puede observar en la …gura que se muestra a
continuación.
Figura 63
i. Sea x0 = 0. Entonces f (0) f 00 (0) < 0. El punto x0 no es el extremo de Fourier, sin embargo el
método converge. A continuación se muestran los resultados del método de Newton:
n xn
0 0
1 0;422981
2 0;405428
3 0;405430
4 0;405430
5 0;405430:
ii. Sea x0 = 1;3. Se tiene f (1;3) f 00 (1;3) < 0 con lo cual x0 no es el extremo de Fourier. Los
resultados son los siguientes.
n xn
0 1;3
1 1;428954
2 1;636376
3 2;437981
4 2;152753:
b2 con una precisión " = 10
Valor aproximado de x 6 : 2;152753:
5.4. DESARROLLO DE MÉTODOS ITERATIVOS 279
iii. Sea x0 = 1;4. Se tiene f (x0 ) f 00 (x0 ) < 0. Con este punto inicial la sucesión (xn ) es divergente.
n xn
0 1;4
1 46;911
2 1;4659 1019
3 Overf low:
iv. Para x0 = 2;4, f (x0 ) f 00 (x0 ) > 0, o sea x0 es el extremo de Fourier. Se tiene
n xn
0 2;4
1 2;131871
2 2;018683
3 1;999645
4 1;999148
5 1;999148:
El método de Newton-Raphson requiere que en cada paso se evalúe f 0 (x) que en muchos casos puede
resultar laborioso.
1
Sea x0 un punto inicial para el que f 0 (x) 6= 0 y sea = : La función de iteración de…nida por
f 0 (x0 )
(x) = x f (x) se denomina método de Newton modi…cado.
Ejemplo
Hallar las raíces reales de la ecuación x3 sin(x) 1 = 0 en el intervalo [0; ] : Para el efecto, sea
f (x) = x3 sin(x) 1 = 0 x 2 [0; ]. Entonces
1
f (x) = 0 , x3 sin x 1 = 0 , sin x = x 6= 0
x3
El método grá…co muestra dos raíces de f (x) = 0 ubicadas en los intervalos 1; 2 y [3; ] :
280 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
Figura 64
Sea x0 = 2 ' 1;5708. Entonces f (x0 ) f 00 (x0 ) > 0, x0 es el extremo de Fourier. Ponemos
1 1
= = ' 0;1351:
f 0 (x0 ) 7;4022
La función de iteración del método de Newton modi…cado está dada por (x) = x 0;1351f (x) : Se
tiene
x0 = 2 ;
xn+1 = (xn ) n = 0; 1; :
b1 = 1;278283055:
En 18 iteraciones se logra x
1 1
= ' 0;03225; =
) 3f0 (
(x) = x + 0;03225f (x) :
b2 = 3;072589665:
Par n = 10 se tiene x
Sea f 2 C ([a; b]) tal que f (a) f (b) < 0. Por el teorema de Bolzano, existe x b 2 [a; b] tal que f (b
x) = 0.
Supongamos que x b es la única raíz allí localizada. Para evitar el problema de la evaluación de la derivada
en el método de Newton, podemos obtener una variable de éste. Por de…nición
f (xn 1 ) f (xn 2)
f 0 (xn 1) = lm :
x!xn 1 xn 1 xn 2
Con esta aproximación de la derivada f 0 (xn 1 ), el método de Newton se expresa en la siguiente forma:
1
xn = xn 1 f (xn 1 ) f (xn
f (xn 1)
2)
xn 1 xn 2
5.4. DESARROLLO DE MÉTODOS ITERATIVOS 281
o bien
xn 1 xn 2
xn = xn 1 f (xn 1) n = 2; 3; : : : (*)
f (xn 1 ) f (xn 2)
Figura 65
Ejemplo
2
Hallar la raíz positiva de la ecuación esin(x) 1+x2
= 0:
2
Sea f (x) = esin(x) 1+x2
. Entonces
4x
f 0 (c) = esin(x) cos(x) + :
(1 + x2 )2
282 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
Este es un ejemplo de una función f cuyo estudio de f conduce a resolver las inecuaciones f 0 (x) > 0;
f 0 (x) < 0 y a la ecuación f 0 (x) = 0 más complicadas que la ecuación f (x) = 0: Puesto que
2 2
f (x) = 0 , esin(x) = 0 , esin(x) = :
1 + x2 1 + x2
2
Sean '1 (x) = esin(x) , '2 (x) = 1+x2
: En la …gura que se muestra a continuación se exhiben las grá…cas
de '1 y '2 :
Figura 66
La búsqueda del cambio de signo con un paso h = 0;2 en el intervalo [0; 1[ muestra que f (x) = 0 tiene
una sola raíz en [0; 1[ ubicada en el intervalo [0;4; 0;6] :
n xn
0 0;4
1 0;6
2 0;49250
3 0;49435
4 0;49438
5 0;49438:
Algoritmo
Datos de entrada: aproximaciones iniciales x0 ; x1 2 [a; b], " = 10 t , Nmax número máximo de iteraciones,
función f .
b, n número de iteraciones.
Datos de salida: x
1. y0 = f (x0 ) :
2. y1 = f (x1 ) :
3. n = 2; : : : ; Nmax :
x1 x0
4. x = x1 y0 :
y1 y0
5. Si jx x1 j < ", continuar en 7).
5.4. DESARROLLO DE MÉTODOS ITERATIVOS 283
6. x0 = x1 :
y0 = y 1 :
x1 = x:
y1 = f (x) :
7. Si n < Nmax , imprimir x; n. Continuar en 9).
8. Si n = Nmax , imprmir x; f (x) :
9. Fin.
Sean I R con I 6= ; y f una función real de…nida en I. Consideramos el problema (P) siguiente:
b 2 I, si existe tal que f (b
hallar x x) = 0:
Supongamos que (P) tiene solución y que mediante la aplicación del algoritmo de búsqueda del cambio
b 2 [a; b] I: El método de las secantes no puede ser escrito en
de signo se ha separado una única raíz x
la forma
x0 2 [a; b] aproximación inicial,
xn+1 = ' (xn ) , n = 0; 1; : : : ;
donde ' es una función de iteración sobre [a; b] :
El método regula-falsi es una combinación del método de las secantes y un análogo al método de bisección.
Se le conoce también como método de las cuerdas o de la falsa posición. Sean an ; xn 2 [a; b] tales que
f (xn ) f (an ) < 0 n = 0; 1; : : :, donde an ; xn son determinados en cada paso de modo que solo en uno de
b de f (x) = 0:
los intervalos [xn ; an ] o [an ; xn ] está localizada la única raíz x
Para de…nir an+1 ; xn+1 consideramos la ecuación de la recta que pasa por los puntos (xn ; f (xn )) y
(an; f (an )) :
f (xn ) f (an )
L (x) = f (xn ) + (x xn ) :
xn an
Luego
xn an
L (x) = 0 () x = xn f (xn ) :
f (xn ) f (an )
Sea un = x: Puesto que f (xn ) f (an ) < 0 entonces f (xn ) f (an ) 6= 0 con lo cual
xn an
un = f (xn ) ;
f (xn ) f (an )
esta bien de…nido. Se tiene an < un < xn o xn < un < an . En las …guras que se muestran a continuación
se presentan estos dos casos.
Figura 67
284 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
Figura 68
Supongamos que se tenga an < un < xn : se tienen las tres situaciones siguientes.
donde ' es una función de iteración de…nida en [a; b]. Sin embargo, si x0 2 [a; b] es el extremo de Fourier,
esto es, supuesto que f 00 (x0 ) existe, f (x0 ) f 00 (x0 ) > 0; se de…ne
x x0
' (x) = x f (x) x 2 [a; b] con f (x) f (x0 ) < 0;
f (x) f (x0 )
con lo cual ' es una función de iteración de…nida en un subconjunto E de [a; b] en el que puede hacerse
' una aplicación contractiva, resultando que la sucesión (xn ) generada por
b raíz de f (x) = 0:
con x1 2 [a; b] tal que f (x1 ) f (x0 ) < 0, converge a x
Note que si x0 es el extremo de Fourier, se tiene f (x0 ) f 00 (x0 ) > 0: En el primer caso se tiene que f es
convexa y en el segundo f es cóncava.
b 2 [x0 ; u1 ] y
Supongamos que x0 < x1 (f (x0 ) f (x1 ) < 0) : Si f es convexa se tiene f (u1 ) < 0; luego x
a2 = x0 ; x2 = u1 :
b 2 [x0 ; u1 ] y a2 = x0 ; x2 = u1 :
Si f es cóncava, se tiene f (u1 ) > 0; luego x
Figura 69
Figura 70
Algoritmo
Datos de Entrada: a; b extremos del intervalo [a; b] ; precisión " > 0; función f , número máximo de
iteraciones Nmax :
e aproximación de x
Datos de Salida: n número de iteraciones, x b; f (e
x) :
1. x0 = a:
2.. x1 = b:
3. Para n = 2; : : : ; Nmax :
x1 x0
4. u = x1 f (x1 ) == f (x0 ) f (x1 ) < 0:
f (x1 ) f (x0 )
5. ju x1 j < " continuar en 9).
e = u: Continuar en 11).
9. Si n < Nmax ; x
10. “b
x = u en n iteraciones”. Continuar en 11).
11. Fin.
Ejemplos
n xn
2 2;86667
3 3;09889
4 2;99272
5 2;99962
6 3;00607
7 2;99999
8 2;99999
9 3;0:
En esta sección estudiamos el orden de convergencia de los métodos que hemos tratado previamente,
es decir que determinaremos la rapidez con la que la sucesión (xn ) generada por el método numérico
b de la ecuación f (x) = 0.
utilizado converge a la raíz x
Sea I b 2 [a; b]
R, I 6= ;, f una función real de…nida en I. Suponemos que existe una única raíz x I
de f (x) = 0:
5.5. CONVERGENCIA. CONVERGENCIA ACELERADA 287
%n+1
ii. Si existen p > 0; c > 0 tales que l m b de orden
p = c; entonces (xn ) se dice convergente a x
n!1 j%n j
p, con un error asimptótico constante c:
iii. Un método numérico se dice convergente de orden p si la sucesión (xn ) generada por tal método
b es de orden p:
converge a la raíz x
Supongamos que la sucesión (xn ) es generada por una función de iteración ' 2 C p+1 ([a; b]) para p 2 Z+ ,
esto es, (xn ) está generada por el siguiente esquema numérico:
Para determinar el orden de convergencia podemos utilizar el polinomio de Taylor con resto entorno a la
b 2 [a; b] :
raíz x
b) ! 0:
con Ep (xn ; x
n!1
'(p) (b
x)
xn+1 = ' (b
x) + (xn b)p + Ep (xn ; x
x b) ;
p!
de donde
xn+1 xb '(p) (b
x) 1
p = + b) :
Ep (xn ; x
b)
(xn x p! (xn xb)p
b) y de la forma de Lagrange del resto, se tiene
De la formula integral del error Ep (xn ; x
Z xn
1 1
b) =
Ep (xn ; x (xn t)p '(p+1) (t) dt = b)p+1 ;
'(p+1) (cn ) (xn x
p! xb (p + 1)!
b; l m cn = x
para cn en el intervalo cerrado que une xn con x b: Resulta que
n!1
%n+1 '(p) (b
x) xn x b (p+1)
p = + ' (cn ) :
%n p! (p + 1)!
%n+1 '(p) (b
x) 1 '(p) (b
x)
lm p = + l m (xn b) '(p+1)
x l m cn = :
n!1 %n p! (p + 1)! n!1 n!1 p!
Así, si ' 2 C p+1 ([a; b]) ; la sucesión (xn ) generada por ' convergente a x
b es de orden p:
%n+1 '(p) (b
x)
p = + 0 (jxn bj) ;
x
%n p!
288 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
con lo cual
%n+1 '(p) (b
x)
lm p = :
n!1 %n p!
Nota: Existen muchas sucesiones (xn ) que son generadas por esquemas numéricos que no se expresan
mediante funciones de iteración ': Un ejemplo de esta clase de sucesiones son las que provienen del
método de las secantes.
A continuación estudiamos el orden de convergencia de los métodos numéricos que hemos tratado.
b. Luego
con cn entre xn y x
%n+1
= '0 (cn ) :
%n
Como ' (xn ) ! ' (b b, se tiene l m '0 (cn ) = '0 (b
x) = x x). Resulta
n!1
%n+1
lm = l m '0 (cn ) = '0 (b
x) :
n!1 %n n!1
Si '0 (b
x) 6= 0, el método de punto …jo converge linealmente.
Si '0 (b
x) = 0, se puede tener un orden de convergencia más elevado. Así, si ' 2 C 2 ([a; b]) tal que
'00 (b
x) 6= 0, entonces
1 00
x) + '0 (b
' (x) = ' (b x) (x b) +
x ' (cx ) (x b)2
x x 2 [a; b] ;
2!
b.
con cx entre x y x
Para x = xn , se tiene ' (xn ) = xn+1 , ' (b b, '0 (b
x) = x x) = 0, luego
1 00
b + '0 (b
xn+1 = x x) (xn b) +
x ' (cn ) (xn b)2 ;
x
2!
%n+1 1 00
= ' (cn ) ;
%n 2!
con lo cual
%n+1 1
lm = '00 (b
x) :
n!1 %n 2!
En este caso el método numérico converge cuadráticamente.
%n+1
lm =1 ;
n!1 %n
b
con lo cual el método de punto …jo modi…cado es de orden 1, o sea la sucesión (xn ) converge a x
linealmente.
3. Método de Newton-Raphson
Supongamos que f 2 C 3 ([a; b]). La función de iteración del método de Newton-Raphson está dada
por
f (x)
' (x) = x ; f 0 (x) 6= 0 x 2 [a; b] :
f 0 (x)
Entonces
(f 0 (x))2 f (x) f 00 (x) f (x) f 00 (x)
'0 (x) = 1 = x 2 [a; b] :
[f 0 (x)]2 [f 0 (x)]2
b, se tiene f (b
Para x = x x) = 0 y
x) f 00 (b
f (b x)
'0 (b
x) = 2 = 0:
[f 0 (b
x)]
Calculemos la derivada segunda de ' (esta existe ya que f 2 C 3 ), obtenemos
4. Método de la secantes
Sean f 2 C 2 ([a; b]) ; x0 ; x1 2 [a; b] tales que f (x0 ) f (x1 ) < 0. En el método de las secantes se
construye una sucesión (xn ) de…nida por
xn xn 1
xn+1 = xn f (xn ) n = 2; 3; : : :
f (xn ) f (xn 1)
b. Entonces
Supongamos que para todo n; xn 6= x
xn xn 1 f (xn ) xn xn 1
xn+1 b = xn
x b
x f (xn ) = (xn b) 1
x : (1)
f (xn ) f (xn 1) xn x b f (xn ) f (xn 1)
De…nimos
f (xn ) f (xn 1)
L (x) = f (xn ) + (x xn ) x 2 [a; b] :
xn xn 1
Se tiene, L (xn ) = f (xn ) y L (xn 1) = f (xn 1 ),
es decir que L es un interpolante de f . Luego,
h i
f (x) = L (x) + " (x) x 2 e a; eb ;
0 = f (bx) = L (b x) + " (b
x) :
h i h i
Se prueba que " (x) = 1
2 (x xn 1 ) (x xn ) f 00 ( ) x 2 e a; eb a; eb . Así,
2 e
f (xn ) f (xn 1) 1 00
f (x) = f (xn ) + (x xn ) + (x xn 1) f ( );
xn xn 1 2
b, se tiene
y para x = x
f (xn ) f (xn 1 ) 1
0 = f (b
x) = f (xn ) + (b
x xn ) + (b
x xn 1 ) (b
x xn ) f 00 ( ) ;
xn xn 1 2
de donde
f (xn ) xn xn 1 1 xn xn 1
1= f 00 ( ) : (2)
xn x b f (xn ) f (xn 1) 2 f (xn ) f (xn 1)
Además,
f (xn ) f (xn 1) = f 0 (tn ) (xn xn 1) ;
1 f 00 ( )
xn+1 b=
x (xn b) (xn
x 1 b)
x ;
2 f 0 (tn )
consecuentemente
1 f 00 ( )
%n+1 = % % :
2 n n 1
f 0 (tn )
Por hipótesis f 2 C 2 ([a; b]), entonces
1 f 00 ( ) 1 f 00 ( xb)
0< lm = c;
2 n!1 f 0 (tn ) 2 f 0 (bx)
se sigue que
%n+1 c j%n j %n 1 :
Sea En = c j%n j. Multplicando por c en la desigualdad precedente, resulta
En+1 En En 1 n = 2; 3; : : :
5.5. CONVERGENCIA. CONVERGENCIA ACELERADA 291
Supongamos que
a0 = a1 = 1; ak+1 = ak + ak 1 k 1: (3)
ak+1 ak ak 1 =0 k = 1; 2; : : : (4)
ak p1 k 1
p k
2 1
Ek = 5 5 ;
p
1 5
y como j 1j = 2 < 1, se sigue que
1
p k
1
5 k = 2; 3; : : :
de donde 1 k
p
2
Ek 5 k = 2; 3; : : :
Si
jxn+1 xbj %n+1
lm p =c, lm = c;
n!1 bj
jxn x n!1 j%n jp
se sigue que para " > 0, e
c=c+" y
%n+1 c j%n jp = e
e c j%n j %n 1 ;
k
1
p 2
En+1 cEnp = e
e cEn En 1 c 5
2
;
p
1+ 5
con lo cual p = 2 ' 1;618:
El método de las secantes es de orden p ' 1;618:
292 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
El método de las secantes es uno de los métodos de interpolación para calcular las raíces de
ecuaciones. En cada paso del método de las secantes requiera la evaluación adicional de la función
f . Dos pasos del método de las secantes es algo más costoso que un paso del método de Newton.
Además, dos pasos del método de las secantes conducen a un método de orden p ' 1;618 : : : que
hace que converja localmente mas rápidamente que el método de Newton.
La ventaja de este método radica en que no requiere del cálculo de la derivada de la función f , pero
requiere, como se ha dicho, de una evaluación adecional de la función f en cada paso.
5. Método regula-falsi
Este método es también uno de los métodos de interpolación para calcular las raíces de la ecuación
f (x) = 0. En el siguiente teorema se considera una variante de este método.
Teorema 9 Sean f 2 C 2 ([a; b]) y x b 2 [a; b] la única raíz de la ecuación f (x) = 0. Supongamos que
x1 < y tales que f (x1 ) ; f (y) > 0 y f 00 (x) 0 8x 2 [a; b]. Entonces
i. La sucesión (xn ) generada por la función de iteración ' de…nida por
y x
' (x) = x f (x) x 2 [x1 ; y[
f (y) f (x)
converge a x b:
ii. (xn ) converge linealmente.
Demostración.
i. La ecuación de la recta L que pasa por (x1 ; f (x1 )) ; (y; f (y)) esta dada por
f (y) f (x1 )
L (x) = f (x1 ) + (x x1 ) x 2 [x1 ; y] :
y x1
Se tiene L (x1 ) = f (x1 ) ; L (y) = f (y) con lo cual L es una interpolante de f , más exactamente, tal como
en el caso del método de las secantes, L es un caso particular de polinomio de interpolación de Lagrange
(L es un polinomio de grado 1). De la fórmula de interpolación con error f (x) = L (x)+" (x) x 2 [x1 ; y] ;
con " (x) el error de interpolación en el punto x, de…nimos
Puesto queL (x1 ) = f (x1 ) ; L (y) = f (y), se sigue que F (x1 ) = F (y) = F (x) = 0, entonces F tiene
tres raíces en [x1 ; y]. Además F es derivable, y
F 0 ( 1 ) = F 0 ( 2 ) = 0:
F 00 ( ) = 0;
entonces
f 00 ( )
0 = F 00 ( ) = f 00 ( ) + 2k ) k = :
2
5.5. CONVERGENCIA. CONVERGENCIA ACELERADA 293
Consecuentemente
1
F (x) = f (x) L (x) (x x1 ) (x y) f 00 ( ) x 2 [x1 ; y]
2
y para x = x 2 [x1 ; y] se tiene
1
0 = F (x) = f (x) L (x) (x x) (x y) f 00 ( ) ;
2
1
f (x) L (x) = (x x1 ) (x y) f 00 ( ) :
2
Por hipótesis f 00 ( ) 0; x1 x y)x x1 0; x y 0, entonces
1
(x x1 ) (x y) f 00 ( ) 0;
2
y de esta desigualdad se deduce que
Figura 71
El proceso anterior se repite con el intervalo [x2 ; y]. De este modo se construye una sucesión (xn ) creciente
y acotada por y. Luego (xn ) es convegente a b c, eso es,
b
c = l m xn = Sup xn :
n!1 n2Z+
Si f (b
c) < 0 y como f (y) > 0; f (b c) f (y) < 0 luego xb 2 [b
c; y] con b
c<xb. Existe u 2 ]b
c; y[ tal que f (u) 0
con lo que u es un término de la sucesión (xn ) y en consecuencia u b c lo que constituye una contradicción
con u 2 ]b c) = 0 o sea b
c; y[. Así, f (b c=x b la raíz de f (x) = 0.
294 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
Observe que
y xn
xn+1 = ' (xn ) = xn f (xn ) n = 1; 2; : : :
f (y) f (xn )
ii. Puesto que f 2 C 2 ([a; b]), entonces ' 2 C 2 ([a; b]). Tenemos
Como f (b
x) = 0, se tiene
[f (y) f (b
x)] [(y b) f 0 (b
x x) f (b x)] + (y x x) f 0 (b
b) f (b x)
'0 (b
x) = 1
[f (y) f (b x)]2
f (y) (y x b) f 0 (b
x) y x b 0 y b
x
= 1 2 =1 f (b
x) = 1 f 0 (b
x) :
[f (y)] f (y) f (y) f (b
x)
f (y) f (b
x)
f (y) x) = f 0 ( ) (y
f (b b) )
x = f0 ( ) ;
y b
x
luego
f 0 (b
x)
'0 (b
x) = 1 0
:
f ( )
f 0 (b
x)
Puesto que f 00 (x) > 0, f 0 es creciente y f 0 > 0. Entonces f 0 (b
x) < f 0 ( ) de donde f 0( ) < 1 y 0 < ' (b
x) < 1,
o sea ' es contractiva en [x1 ; y]. Por lo tanto
%n+1 xn+1 xb
lm = lm = '0 (b
x) :
n!1 %n n!1 xn b
x
El método regula-falsi converge linealmente.
Hemos de…nido el orden de un método iterativo con el número real p > 0 tal que
Método Orden
Iteración de punto …jo modi…cado 1
Newton - Raphson para raíces simples 2
:
Newton modi…cado 1
Secantes 1;618
Regula - falsi 1
Sean I R, I 6= ; y f una funicón real de…nida en I. Suponemos que existe una única raíz x b de
f (x) = 0 localizada en un intervalo [a; b] I: Supongamos que para el cálculo aproximado de x b se utilizan
dos métodos iterativos cuyas sucesiones generadas por dichos métodos son (xn ) y (tn ) respectivamente.
Pongamos %n = xn x b; En = tn x b n = 1; 2; : : : los errores cometidos en cada iteración por cada
algoritmo. Para simpli…car, supongamos que el primer método es de primer orden y el segundo método
es de segundo orden. Entonces
%n+1 jEn+1 j
lm = c1 ; l m 2
= c2 > 0;
n!1 %n n!1 En
jEn+1 j
' c2 =) jEn+1 j ' c2 jEn j2 :
En2
2 4
2 4 2
jEn j ' c2 jEn 1j ' c2 c2 En2 2 = c32 jEn 2j ' c32 c2 jEn 2j (2)
8 n n
= c72 jEn 2j ' : : : ' c22 1
jE0 j2 :
Con la …nalidad de comparar la rapidez de convergencia de estos métodos, supongamos que 0 < < 1 con
= jx0 x bj ; = j%0 j ; = jE0 j y sea " = 5 10 m con m 2 Z+ la precisión con la que es aproximada x b
b es aproximada
para los dos métodos. Determinemos el número mínimo de iteraciones para el cual la raíz x
con la precisión ":
de donde
5 10 m
cn1 5 10 m
) cn1 ;
n ln c1 ln 5 m ln 10 ln
ln 5 + m ln 10 + ln ln 5 + m ln 10
n = :
ln c1 ln c1
Sea " #
ln 5 + m ln 10
N0 = + 1: (3)
ln c1
de donde
n
(c2 )2 5 10 m
; (4)
n
2 ln (c2 ) ln (5c2 ) m ln 10:
Al menor número entero positivo n que veri…ca (4) designémosle con N1 ; es decir que N1 es tal que
Ejemplo
Sea f (x) = x + ln2 (x) x > 0; y " = 5 10 8 : La ecuación f (x) = 0 tiene una raíz localizada
en el intervalo [0;4; 0;5] : Aproximemos xb con los métodos regula falsi y Newton-Raphson. Se tiene los
siguientes resultados:
Entonces
" # 2 3
0;1
ln + m ln 10 ln 5 + 8 ln 10
N0 = 5
+1=4 5 + 1 = [12;60341292] + 1 = 13:
ln c1 ln 0;17
Esto signi…ca que a partir de N0 = 13 se logra la precisión deseada. Si en el método regula - falsi se
considera un número máximo de iteraciones Nmax tal que Nmax < N0 ; no se logrará la precisión deseada.
Debemos tener Nmax N0 para lograr la precisión requerida.
para n 4:
2
f 0 (0;4) = 1+ ln(0;4) = 5;58145366;
0;4
n xn
0 0;4
1 0;478774296
2 0;49018866
3 0;493437619
4 0;494424147
5 0;497289704
6 0;494823648
.. ..
. .
11 0;494866289
12 0;4948663754
13 0;4948664023
Convergencia acelerada
Sean I R, I 6= ; y f una función real de…nida en I. Suponemos que existe una raíz x b de f (x) = 0
separada en el intervalo [a; b] I y sea (xn ) una sucesión convergente a x b: Los métodos de aceleración
de la convergencia transforman la sucesión (xn ) en sucesiones (tn ) que convergen mas rapidamente que
[xn ] : En general , los métodos de aceleración de la convergencia utilizan métodos de orden 1 en los que
intervienen únicamente la función f y no su derivada. Los más conocidos son 2 de Aitken y el método
de Ste¤ensen.
Método 2 de Aitken
Sea (xn ) una sucesión que converge a x b raíz de la ecuación f (x) = 0: Suponemos que (xn ) converge
linealmente. Entonces existe 0 < c < 1 tal que
xn+1 xb
lm = c;
n!1 xn xb
xn+1 b = (k +
x n ) (xn b) ;
x
lm n = 0:
n!1
tn b
x
Entonces (tn ) dada por (1) etá bien de…nida y l m = 0:
n!1 xn b
x
además
xn+1 xn = xn+1 b
x (xn b) = En+1
x En = En [k 1+ n] :
( n + n+1 ) k + n ( n+1 2) ! 0;
n!1
(xn+1 xn )2 En2 (k 1+ n)
2
(k 1) + 2
n
= = En ! 0;
xn+2 2xn+1 + xn En (k 1)2 + n
(k 1)2 + n
n!1
Por lo tanto
!
(xn+1 xn )2 (xn+1 xn )2
l m tn = l m xn = l m xn lm b:
=x
n!1 n!1 xn+2 2xn+1 + xn n!1 n!1 xn+2 2xn+1 + xn
de donde
tn b
x tn x b (k 1 + n )2
= =1 ;
xn b
x En (k 1)2 + n
tn b
x (k 1 + n )2 (k 1)2
lm = 1 lm =1 = 0:
n!1 xn b
x n!1 (k 1)2 + n (k 1)2
tn b
x
Sea " > 0. Puesto que l m = 0; existe n0 2 Z+ tal que 8n n0 ) jtn bj < jxn
x bj ":
x
n!1 xn b
x
La última desigualdad muestra que la sucesión (tn ) converge mas rapidamente que [xn ] :
5.5. CONVERGENCIA. CONVERGENCIA ACELERADA 299
Ejemplo
Hallar x 2 R tal que ex 0;5x + 1 = 0: Pongamos f (x) = ex 0;5x + 1: Entonces
f (x) = 0 () ex = 0;5x 1:
El método grá…co muestra que la ecuación f (x) = 0 tiene una única raíz x b localizada o separada en el
b con el método de punto …jo modi…cado y luego aceleramos
intervalo [ 2;5; 2;0] : Aproximemos la raíz x
la convergencia con el método de 2 de Aitken.
La función de iteración del método de punto …jo modi…cado está de…nida por
La tabla que se muestran a continuación se exhiben los resultado de la aplicación del método de punto
…jo modi…cado.
n xn
0 2;0
1 2;223140815
2 2;217696668
3 2;217715177
4 2;217715105
5 2;217715106
6 2;21771506
x1 )2
(x2
t1 = x1 = 2;217715144;
x3 2x2 x1
(x3 x2 )2
t2 = x2 = 2;217715105;
x4 2x3 x2
(x4 x3 )2
t3 = x3 = 2;217715106:
x5 2x4 x3
b:
Valor aproximado de x 2;217715106:
Método de Ste¤ensen
En el método de 2 de Aitken, para inicializar el proceso se requieren de x1 ; x2 ; x3 : Con esta información
se calcula t1 : A continuación se calcula x4 y con los precedentes x2 ; x3 se calcula t2 ; luego se calcula x5
y con este se obtiene t3 , así sucesivamente.
El método de Ste¤ensen toma ventaja de la construcción de la sucesión (tn ) cuando la sucesión (xn ) está
generada por una función de iteración ': El método de Ste¤ensen es recomendado para métodos de orden
1.
Pongamos yn = ' (xn ) ; zn = ' (yn ) : Se tiene
Las funciones de iteración ' y , por lo general, tienen el mismo punto …jo, más precisamente, tenemos
el siguiente teorema.
de donde
[ (x) x] [' (' (x)) 2' (x) + x] = (' (x) x)2 x 2 [a; b] :
Entonces, si (b b se tiene
x) = x
[ (b
x) b] [' (' (b
x x)) 2' (b b] = (' (b
x) + x x) b)2
x
0 = (' (b
x) b)2 ) ' (b
x b:
x) = x
Recíprocamente, supongamos que ' (b b y '0 (b
x) = x x) 6= 1: Entonces
ya que ' (b b:
x) = x
Note que
2
'0 (' (b
x)) '0 (b
x) 2'0 (b
x) + 1 = '0 (b
x) '0 (b
x) 2'0 (b
x) + 1 = '0 (b
x) 1 ;
Algoritmo
Datos de Entrada: a; b extremos del intervalo [a; b] : precisión " > 0; Nmax número máximo de iteraciones,
función f:
b raíz, y = f (b
Datos de Salida: x x) ; n número de iteraciones.
2. Para n = 1; : : : ; Nmax
3. y1 = ' (x) :
4. y2 = ' (y1 ) :
(y1 x0 )2
5. t = x :
y2 2y1 + x
6. Si jt xj < ": Continuar en 8).
b = t; y = f (t) :
9. Si n > Nmax ; imprimir x
10. Fin.
Ejemplo
x
Sea f (x) = sin(x) cosh p 1: Hallar los ceros de f para x 2 [0; 10] :
1+ x
La aplicación del agoritmo de búsqueda del cambio de signo en [0; 10] con un paso h = 0;4 muestra que
f tiene cuatro ceros localizados en los intervalos [0;8; 1;2] ; [2; 2;4] ; [6;4; 6;8] ; [9;2; 9;6] :
Calculemos las dos primeras raíces con el método regula-falsi (método de orden 1). En la tabla de la
b1 2 [0;8; 1;2]
izquierda se muestran los resultados de la aplicación de este método para la aproximación de x
raíz de f (x) = 0 y en la de la derecha para xb2 2 [2; 2;4] :
n xn
1 0;8
n xn
2 1;0838480
1 2;4
3 1;0698168
2 2;39602478
4 1;0564792
3 2;397285172
5 1;0681479
4 2;397287862
6 1;0681382
5 2;397287868
7 1;0681286
8 1;0681382
8
< (' (x) x)2
(x) = x ;
Apliquemos el método de Ste¤ensen: ' (' (x)) 2' (x) + x
:
tn+1 = (tn ) n = 1; 2; : : : :
b1 2 [0;8; 1;2] : Se tienen los siguientes resultados de la plicación del método de Ste¤ensen:
Cálculo de x
t1 = 0;8;
t4 = (t3 ) = 1;068138455;
t5 = (t4 ) = 1;068138463:
b2 2 [2; 2;4] :
Cálculo de x
t1 = 2; y = 2;4;
t2 = (t1 ) = 2;397289196;
t3 = (t2 ) = 2;397287868:
Sean I R con I 6= ; y f una función real de…nida en I. Consideramos el problema (P) siguiente:
Ejemplos
1. Sea f la función de…nida por f (x) = x (x 2)2 x 2 R. Entonces x b = 2 es una raíz de multiplicidad
b = 0 es una raíz real simple de f (x) = 0:
2. Note que g (x) = x y g (2) = 2: Además x
f 0 (x) = m (x b)m
x 1
g (x) + (x b)m g 0 (x) = (x
x b)m
x 1
mg (x) + (x b) g 0 (x)
x x 2 [a; b] :
Se tiene f 0 (b
x) = 0: Ponemos
Resulta v (b
x) = mg (b
x) 6= 0:
Puesto que f 2 C 2 ([a; b]) ; entonces las funciones g y v son continuas en [a; b] y como g (b
x) 6= 0; v (b
x) 6= 0;
existe r > 0 tal que g (x) 6= 0; v (x) 6= 0 8x 2 [bx r; x b + r] [a; b] :
De…nimos
f (x) (x xb)m g (x)
u (x) = =
f 0 (x) (x xb)m 1 (mg (x) + (x x b) g 0 (x))
g (x)
= (x x b) x 2 [b b + r] n fb
x r; x xg;
v (x)
g(x)
con v(x) 6= 0 8x 2 [b
x b + r] :
r; x
0; si x = xb;
e (x) =
u
u (x) si x 2 [b
x b + r] n fb
r; x xg:
e (b
Entonces, u x) = 0 = f (b e (x) = 0 tiene la misma raíz que f (x) en el entorno
x) ; es decir que u
[b b + r] : La raíz x
x r; x b es una raíz simple de u
e (b
x) = 0:
El método deNewton-Raphson es efectivo para raíces simples. Podemos aplicar este método a la función
u:
La función de iteración ' está dada por
u (x)
' (x) = x x 2 [b
x b + r] n fb
r; x xg:
u0 (x)
5.6. RAÍCES DE MULTIPLICIDAD 303
f (x)
Como u (x) = ; se sigue que
f 0 (x)
x0 2 [b b + r] n fb
x r; x xg aproximación inicial,
xn+1 = ' (xn ) n = 0; 1; : : :
Por otro lado, supongamos que 8x 2 [a; b], g (x) > 0 y f 0 (x) 6= 0 8x 2 [a; b] n fb
xg: De…nimos
1
w (x) = (f (x)) m x 2 [a; b] :
i. Si m es par, (x b)m
x 0 8x 2 [a; b] y siendo g (x) > 0; resulta que f (x) 0 8x 2 [a; b] : Luego
1 1 1
w (x) = (f (x)) m = [(x b)m g (x)] m = jx
x bj (g (x)) m
x x 2 [a; b] :
ii. Si m es impar,
1
w (x) = (x b) (g (x)) m
x x 2 [a; b] :
De i) y ii) se sigue que w (b b como cero simple en [a; b] : Apliquemos
x) = 0; esto es, la función w tiene x
el método de Newton. La función de iteración está de…nida por
1
u (x) (f (x)) m f (x)
(x) = x =x 1 =x m x 2 [a; b] n fb
xg:
u0 (x) 1
[f (x)] m
1
f 0 (x) f 0 (x)
m
x0 2 [a; b] n fb
xg aproximación inicial,
xn+1 = (xn ) n = 0; 1; : : : :
Nota: Se pueden implementar fácilmente los otros métodos que han sido estudiados anteriormente.
Ejemplos
1. Hallar las raíces reales positivas de la ecuación: x4 8;6x3 35;51x2 + 464;4x 998;46 = 0:
La búsqueda del cambio de signo en el intervalo [0; 1[ muestra que la función f asociada a la
ecuación dada tiene una raíz en el intervalo [7; 8] y posiblemente una raíz de multiplicidad en un
entorno de x = 4 (se presume por la observación de los valores de f (x) en un entorno de x = 4).
Por otro lado, el estudio de la función f muestra que la ecuación f (x) = 0 tiene una raíz en el
intervalo ] 1; 0] : Ponemos
Entonces
f (4) 3;44
u (4) = 0
= < 0;
f (4) 23;52
f (5) 14;23
u (5) = 0
= > 0:
f (5) 35;7
La función u tiene una raíz en el intervalo [4; 5], esta raíz de la ecuación f (x) = 0: De este modo
con…rmamos que f (x) = 0 tiene una raíz de multiplicidad 2.
Nota: La búsqueda del cambio de signo se aplicó a la función u en el intervalo [0; 7] :
b 2 [4; 5] se utilizan las dos funciones de iteración ' y
Para la aproximación de la raíz x :
f (x) f 0 (x)
i. Con la función de iteración ' (x) = x se tiene
[f 0 (x)]2 f (x) f 00 (x)
n xn
0 4
1 4;3081
2 4;3081
3 4;3000
f (x)
(x) = x 2 ;
f 0 (x)
se tiene
n xn
0 4
1 4;29082
2 4;29998
3 4;29998
4 4;3000
iii. Con x0 = 7; la raíz simple localizada en el intervalo [7; 8] ; se aproxima con el método de Newton.
Con 5 iteraciones se tiene xb1 = 7;34847:
La ecuación f (x) = 0 tiene una raíz en el intervalo [0; 1] : Calculemos f 0 (x) : Se tiene f 0 (x) =
2 (x ex ) (1 + e x ) : De…nimos
f (x)
u (x) = 0 f 0 (x) 6= 0:
f (x)
Con la ayuda de la función u; separamos la raíz de la ecuación f (x) = 0: Tenemos u (0) < 0;
b 2 ]0; 1[ tal que f (b
u (1) > 0; luego existe x b utilizamos el método
x) = 0: Para la aproximación de x
de Newton.
i. Sea
u (x) f (x) f 0 (x)
' (x) = x =x :
u0 (x) [f 0 (x)]2 f (x) f 00 (x)
5.6. RAÍCES DE MULTIPLICIDAD 305
ii. Sea
f (x)
(x) = x 2 :
f 0 (x)
Los resultados de la aplicación del esquema numérico
x0 2 [0; 1]
xn+1 = (xn ) n = 0; 1; : : :
se muestran a continuación.
n xn
0 0;0
1 0;5
2 0;566311
3 0;567143
4 0;567143
b con una precisión " = 10
Valor aproximado de x 6 : 0;567143:
Teorema 12
Demostración.
i) Si la ecuación f (x) = 0 tiene una raíz simple en x = xb, entones f (bx) = 0 y existe una función g tal
que
f (x) = (x x b) g (x) con g (b
x) 6= 0:
Por hipótesis f 2 C 1 ([a; b]), entonces g 2 C 1 ([a; b]) y
de donde
f 0 (x) = g (b
x) 6= 0:
ii) Sean m 2 y f 2 C m ([a; b]). Si la ecuación f (x) = 0 tiene una raíz de multiplicidad m, existe una
función g 2 C m ([a; b]) tal que
Resulta que
m
X
f m (x) = (m
k )g
(k)
(x) [(x b)m ](m
x k)
;
k=0
306 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
de donde (m
k )=
m!
k!(m k)! , [(x b)m ](m
x k)
denota la derivada de (x b)m de orden m
x k. Entonces
f (m) (b
x) = m!g (b
x) 6= 0:
f (x)
Observe que si m 2, g (x) = (x x b)m
b, y
x 6= x
l m g (x) = g (b
x) :
x!b
x
Ejemplo
1 2
Considere la función f de…nida por f (x) = ex 2x x 1: Entonces, la ecuación f (x) = 0 tiene una
raíz de multiplicidad 3 en x = 0. Sea
1 2
ex 2x x 1
g (x) = x 6= 0.
x3
Aplicando la regla de L’Hôpital, obtenemos
1 2
ex 2x x 1 ex x 1 ex 1 ex 1
l m g (x) = l m = lm = lm = lm = :
x!0 x!0 x3 x!0 3x2 x!0 6x x!0 6 6
Además,
1 2
ex 2x x 1
f (x) = (x 0)3 = x3 g (x) :
x3
Se tiene
3
X
f 000 (x) = 3
k g (k) (x) x3 (3 k) = 6g (x) + 18xg 0 (x) + 9x2 g 00 (x) + x3 g 000 (x) ;
k=0
000 1
f (0) = 6g (0) = 3!g (0) = 3! = 1:
6
Nota: El método de Newton para ceros de multiplicidad m 2 es de orden 1; o sea
xn+1 xb
lm =c con 0 < c < 1:
n!1 xn xb
se llama polinomio de grado n con coe…cientes reales ak : El polinomio nulo P0 de…nido por P0 (x) =
0 8x 2 R no se le asigna grado alguno.
P (x) = 0 , a0 + a1 x + + an xn = 0;
Demostración. La demostración de este teorema está fuera del alcance de estas notas, se encuentra en,
por ejemplo, Churchill, páginas 145-146.
Ejemplos
Qn
1. Sean x1 ; : : : ; xn 2 R con xi 6= xj ; i; j = 1; : : : ; n. El polinomio P (x) = j=1 (x xj ) tiene
exactamente n raíces reales.
2
2. El polinomio P (x) = (x + 5) (x 2)3 x2 + 1 tiene ocho raíces: x b1 = 5 es una raíz real simple,
b2 = 2 es una raíz real de multiplicidad 2 y x
x b3 = i; x
c4 = i son raíces complejas de multiplicidad
2.
Sea P un polinomio de grado n. Si la ecuación P (x) = 0 tiene una raíz compleja z1 , existe z2 2 C tal
que z2 = z1 raíz de la ecuación P (x) = 0, donde z1 denota el número complejo conjugado de z1 :
En el estudio de una ecuación algebraica dada P (x) = 0 interesa los siguientes aspectos:
i. Determinar los intervalos en los que se encuentran localizadas loa raíces reales positivas y las raíces
reales negativas.
En esta sección daremos especial atención a los aspectos i) y ii) Los aspectos iii) y iv) no serán abordados.
P
n
Supongamos que P (x) = ak xk y an > 0. Sea x > 0. Entonces
k=0
a0 a1
P (x) = xn + + + an :
xn xn 1
Si n es par, resulta que P (x) ! 1 Si n es impar, se tiene P (x) ! 1; P (x) ! 1: Por lo
jxj!+1 x! 1 x!+1
tanto, si n es impar, la ecuación P (x) = 0 tiene al menos una raíz real. En la siguiente tabla se muestra
el número de raíces reales y complejas según el grado del polinomio P .
x n 1 (x n) = x2 n 1 + n x+ n 1 n;
308 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
resulta que
n 1 + n = 2Re ( n) = 2a;
2
n 1 n = j nj = a + b2 ;
2
con lo cual
x n 1 (x n) = x2 + 2ax + a2 + b2 ;
y en consecuencia
n
Y2
P (x) = x2 2ax + a2 + b2 x j :
j=1
Si grad (P ) 4 y P tiene cuatro raíces complejas simples, el razonamiento anterior muestra que P puede
escribirse en la forma
Sea P un polinomio de grado n. Como P está de…nido en todo R, necesitamos, en términos de los
coe…cientes de P , seleccionar los intervalos en los que se debe aplicar el algoritmo de búsqueda del
cambio de signo. A continuación se establecen criterios para seleccionar tales intervalos.
P
n
Teorema 14 Sea P (x) = ak xk un polinomio de grado n. Entonces, para todo x 2 C tal que jxj > 1
k=0
jan j(jxj 1)
y0<k Max jan j se tiene
k=0;:::;n 1
n
X1
n
jan x j > k ak xk :
k=0
n
X1 n
X1 n
X1
k jxjn 1 jxjn
k
ak x jak j jxj A jxjk = A <A :
jxj 1 jxj 1
k=0 k=0 k=0
Luego
n
X1 A
ak xk < jxjn para jxj =
6 1:
jxj 1
k=0
jan j (jxj 1)
0<k
A
entonces
k jxj 1 A jan j
0< ,
jan j A jxj 1 k
con lo cual
n
X1
jan j n A
jxj jxjn > ak xk
k jxj 1
k=0
n
X1
jan xjn > k ak xk si jxj > 1:
k=0
5.7. RAÍCES REALES DE POLINOMIOS 309
P
n
Teorema 15 Sea P (x) = ak xk un polinomio de grado n y A = Max jak j :
k=0 k=0;:::;n 1
Si x bi ; i = 1; : : : ; n, son las raíces (reales o complejas) de la ecuación P (x) = 0, entonces
xi j < 1 + jaAn j i = 1; : : : ; n:
jb
jan j(jxj 1)
Demostración. Por el teorema anterior, si k = 1 entonces A 1 para jxj > 1, y en consecuencia
n
X1
n
jan x j > ak xk si jxj > 1:
k=0
Luego
n
X1 n
X1 n
X1
jan xn j ak xk jan xn j jak j jxjk an xk A jxjk
k=0 k=0 k=0
n
jxj
n 1 jxjn
= jan j jxj A > jan j jxjn A
jxj 1 jxj 1
A
= jxjn jan j :
jxj 1
n
X1 A
jP (x)j jan x jn
ak xk > jxjn jan j 0 jxj > 1:
jxj 1
k=0
Para jxj > R se tiene jP (x)j > 0 con lo que en el exterior de B (0; R) no se encuentra localizada ninguna
raíz de P (x) = 0. Todas las raíces de la ecuación P (x) = 0 están localizadas en B (0; R), esto es,
bi 2 B (0; R) i = 1; : : : ; n:
x
Ejemplos
A 16
R=1+ =1+ = 3:
an 8
Todas las raíces de la ecuación P (x) = 0 se localizan en el disco cerrado B (0; 3):
2. Todas las raíces de la ecuación 2x5 x4 3x3 + x 3 = 0 están localizadas en el disco cerrado
B (0; R) con
Max jan j
k=0;4 3 5
R=1+ =1+ = :
jan j 2 2
310 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
P
n
Teorema 16 Sea P (x) = ak xk un polinomio de grado n con a0 6= 0 y x
bi i = 1; : : : ; n las raíces
k=0
de la ecuación P (x) = 0. Entonces
ja0 j
bi >
x = r; i = 1; : : : ; n:
ja0 j + Max jak j
k=1;:::;n
P
n P
n
1
Demostración. Puesto que P (x) = ak xk = xn ak xk n para x 6= 0: Sea y = x x 6= 0 y
k=0 k=0
Q (y) = a0 yn + a1 y n 1 + + an : Resulta
1 1 1
P = Q (y) ) Q (y) = y n P :
4 yn 4
Max jak j
k=1;:::;n 1
Para jyj > 1 + ja0 j se tiene y n P 4 > 0; entonces
Max jak j
1 k=1;:::;n
>1+ ) P (x) > 0;
jxj ja0 j
de donde
ja0 j Max jak j
k=1;:::;n
jxj < ) P (x) > 0:
ja0 j
ja0 j
Consecuentemente, jb
xi j > r = ja0 j+ Max jak j :
k=1;:::;n
R es la frontera superior y r es la frontera inferior en las que están localizadas todas las raíces:
r < jb
xi j < R i = 1; : : : ; n:
Demostración. Sea x > 1 y Q (x) el polinomio que se obtiene de P al sustituir todos los coe…cientes
no negativos an 1 ; : : : ak+1 por cero y cada uno de los coe…cientes restantes ak ; : : : ; a0 se sustituyen por
B, donde B = Maxfjak j j ak < 0g:
Como P (x) = a0 + a1 x + + an xn , entonces
xk+1 1 xk+1
Q (x) = an xn Bxk Bxk 1
B = an xn B > an xn B
x 1 x 1
xk+1 xk+1 h i
= an xn k 1
(x 1) B > an (x 1)k B x 6= 1:
x 1 x 1
5.7. RAÍCES REALES DE POLINOMIOS 311
1)k B k
Para x > 1 tal que an (x B 0)x 1+ an se tiene P (x) > Q (x) 0:
1
B k
bi < 1 +
Luego, x an bi > 0:
con x
Si todos los coe…cientes de P son positivos, para x 0, P (x) > 0, es decir que la ecuación P (x) = 0 no
tiene raíces reales positivas.
Ejemplos
Q (x) = 8x8 5 x6 + x5 + +1 ;
1 1
B 6 5 6
R = 1+ =1+ ' 1;925:
a8 8
Q (x) = 3x6 60 x3 + x2 + 1
1 1
B 3 1 3
R = 1+ =1+ ' 3;72:
a6 60
Max jak j
k=0;:::;5 60
Si R0 = 1 + ja6 j =1+ 3 = 21: Claramente R < R0 :
Observación
Sean 0 < r < R las fronteras inferior y superior respectivamente de las raíces positivas de la ecuación
P (x) = 0. El algoritmo de búsqueda del cambio de signo se aplica en el intervalo [r; R] y para las
negativas, el algoritmo se lo aplica en el intervalo [ R; r] :
Ejemplo
Sea P (x) = 3x4 5;4x3 + 3;11x2 9x 3;15: Determinemos un conjunto en el que están localizadas todas
1
k
las raíces reales y complejas. Como R = 1 + aBn , donde an > 0; k el mayor de los índices para los que
ak < 0, B = Maxfjak j j ak < 0g: Se tiene a4 = 3; k = 3 pues a3 = 5;4; a1 = 9; a0 = 3;15; B = 9.
Luego
1
9 3
R=1+ ' 2;44225:
3
1
Todas las raíces reales o complejas están localizadas en le disco cerrado B (0; 2;5) (2;5 > 1+3 3 ' 2;44225).
La aplicación del algoritmo de búsqueda del cambio de signo con un paso h = 0;5 muestra que P (x) = 0
tiene dos raíces reales localizadas en los intervalos [ 0;5; 0] y [2;0; 2;5].
ja0 j 3;15
Note que r = ja0 j+ Max jak j = 3;15+9 ' 0;25926: En el intervalo [ r; r] no existen raíces de P (x) = 0:
k=1;:::;n
P (x)
' (x) = x x 2 [ 0;5; 0;25] :
P 0 (x)
P ( 0;5) 8;63
x1 = 0;5 0
= 0;5 = 0;01133;
P ( 0;5) 17;66
P ( 0;01133) 3;04767
x2 = 0;01133 0
= 0;01133 = 0;34725;
P ( 0;01133) 9;07254
P (x2 ) 0;61996
x3 = x2 = 0;34725 = 0;30172;
P 0 (x2 ) 13;61574
P (x3 ) 0;02172
x4 = x3 0
= 0;30172 = 0;300002;
P (x3 ) 12;68007
x5 = 0;3
5.8. Ejercicios
1. Para las ecuaciones que en cada item se propone, separar las raíces utilizando el método grá…co y
el algoritmo de búsqueda del cambio de signo. Aplique el método de bisección para aproximar la o
las raíces, si existen, con una precisión " = 10 2 :
a) x2 + 2x 3 = 0: b) x3 x 1 = 0: c) x 3 x = 0: d) ex x2 4x + 2 = 0:
1
e) ex + 2 x =0 x > 0: f ) ejxj+1 sin(x) = 0: g) cos(x) + x2 + 2 = 0:
x
2. Aplicar
p los métodos de punto …jo modi…cado, Newton modi…cado y regula. falsi para aproximar
3
2 con una precisión " = 10 3 . Para los tres métodos elija
p el mismo punto inicial x0 : Compare el
número de iteraciones que se requieren para aproximar 3 2 con la precisión ":
3. Sea a 2 Q tal que 0 < a < 1 y a no es potencia cuarta de ningún número racional.
a) Construya las funciones de iteración de los métodos: punto …jo modi…cado, Newton - Raphson,
p
Newton modi…cado y regula - falsi para aproximar 4 a:
b) Para cada función de iteración ' del inciso a., sea x0 = 1 y xn+1 = ' (xn ) n = 0; 1; : : : : ¿Es
p
(xn ) convergente a 4 a?
4. En cada inciso, determine un intervalo [a; b] en el cual la función de iteración dada tenga un
punto …jo. Estime el número Nmax de iteraciones necesarias para obtener una precisión del punto
…jo de 10 4 :
5.8. EJERCICIOS 313
p
3 x2 x: 1 5
a) (x) = 3 e : b) (x) = 5 c) (x) = 3 2 ex + x2 : d) (x) = x2
+ 2:
1
x
e) (x) = 2 + x1 : f ) (x) = x3 + 1 3
:
Escriba la ecuación para la cual la raíz es punto …jo de :
8. Hallar la mas pequeña raíz positiva de la ecuación 2 ex cos(x) = 0 con una precisión " = 10 7 ;
aplicando los métodos de Ste¤ensen, donde ' es la función de iteración del método de Newton
modi…cado; y, el algoritmo que se describe a continuación:
f (xn )
y = xn
f 0 (xn )
f (y)
xn+1 = y n = 0; 1; 2; : : :
f 0 (xn )
9. Hallar la más grande raíz negativa de la ecuación e x sin(x) 1 = 0: Aplique los métodos de las
secantes y de Ste¤ensen donde la función de iteración ' viene dada por el método de regula-falsi.
(precisión " = 10 6 ). Escriba en cada caso el algoritmo correspondiente.
11. Encontrar todas las raíces reales de la ecuación x3 0;6x2 18;63x + 34;992 = 0: ¿Existe alguna
raíz de multiplicidad? Aplique el métodod de Newton - Raphson para determinar la raíz simple si
esta existe y/o un método para determinar raíces de multiplicidad.
p
12. Dar un método localmente convergente para determinar el punto …jo xb = 5 2 de (x) = x5 + x 2:
13. Sea " = 10 5 . Para la ecuación que se da en cada inciso aplicar el método que se propone para
aproximar la o las raíces de la misma con la precisión ": Escriba el respectivo algoritmo. Nota: si la
ecuación tiene una in…nidad de raíces, calcule todas aquellas que están localizadas en el intervalo
[ 3; 6] :
a) x e x = 0; método de punto …jo.
b) ex + 2 x + 2 cos(x) 6 = 0; método de punto …jo modi…cado.
c) ex x2 + 3x 2 = 0; método de Newton - Raphson.
d) x2 + 10 cos(x) = 0; método de Newton modi…cado.
e) 4 cos(x) ex = 0; método de las secantes.
f ) ln x2 + 1 e0;4x cos ( x) = 0, método de regula - falsi.
g) x3 3;23x2 5;54x + 9;84 = 0, método de punto …jo modi…cado.
h) ex sin(x) + 0;5x = 0; método de las secantes.
14. Calcular las cuatro primeras raíces positivas de la ecuación tan (x) 2x = 0:
314 CAPÍTULO 5. RESOLUCIÓN NUMÉRICA DE ECUACIONES NO LINEALES
15. Calcular todas las raíces reales de las ecuaciones que se dan a continuación. Analice el caso de
posibles raíces de multiplicidad.
a) x4 7;223x3 + 13;447x2 0;672x 10;223 = 0: b) 5x3 + 4;5x2 34;8x + 25;2 = 0:
c) x4 2;2x3 5;03x2 + 6;864x + 9;7344 = 0: d) 4x3 22;8x3 34;2x 64;8 = 0:
16. Aplique el método de Ste¤ensen para calcular las raíces de las ecuaciones:
2
a) e0;5x 2x2 3 = 0: b) (x 1)2 log 2x2 + 3 = 0:
17. Sea I R con I 6= ; y f una función real de…nida en I: Supongamos que existe x b 2 [a; b] I tal
x) = 0 y que f 2 C 2 ([a; b]) : Se de…ne la sucesión (xn ) como sigue:
que f (b
8
< x0 2 [a; b] ;f (x )
>
y = xn f 0 (xnn ) ; f 0 (xn ) 6= 0
>
: x f (y)
n+1 = y f 0 (xn ) n = 0; 1; : : :
yn = ' (xn )
zn = ' (yn )
(yn xn )2
xn+1 = xn n = 0; 1; : : :
zn 2yn + xn
a) Muestre que
[f (xn )]2
xn+1 = xn n = 0; 1; : : :
f (xn ) f (xn f (xn ))
Este esquema numérico se conoce como método casi Newton.
b) Dé una interpretación geométrica del esquema numérico.
b cuadráticamente.
c) Probar que [xn ] converge a x
d) Sea a 2 R. La ecuación x2 + 1 (x a) = 0 () x3 ax2 + x a = 0 tiene a x b = a como la
única raíz real de la ecuación f (x) = 0; donde f (x) = x3 ax2 + x a: Sea a = 1;3521 y x0 = 1:
b = 1;3521:
Muestre que la sucesión (xn ) generada por el esquema numérico dado en a) converge a x
q p p p
b=
19. Sea a > 0 y x a + a + a + : : :: Sea ' de R+ en R la función de…nida por ' (x) = a + x,
x0 = 0;
x> a: Se de…ne (xn ) como sigue:
xn+1 = ' (xn ) n = 0; 1; : : :
p
1+ 1+4a
b y que x
a) Pruebe que l m xn = x b= 2 :
n!1
a) Encuentre una función de iteración sobre [a; b] tal que xn+1 = (xn ) n = 0; 1; :
b muestre que
b) Si (xn ) converge a x
xn x b f 00 (b
x)
lm = 0
:
n!1 (yn b) (xn
x b)
x f (b x)
22. En cada inciso se de…ne una función f . considere la ecuación f (x) = 0: Aplique los métodos de
aproximación de raíces de multiplicidad para calcular la raíz de f (x) = 0:
a) f (x) = x2 2xe x +e 2x :
P
n P
n
Se de…ne E (c) = ri2 (c) = (yi f (xi ; c))2 :
i=1 i=1
a) Elaborar un algoritmo para aproximar b
c 2 R tal que E (b
c) = m nc2R E (c) :
b) Se considera la siguiente información experimental:
1. Tom M. Apostol, Análisis Matemático, Segunda Edición, Editorial Reverté, Barcelona, 1982.
2. Tom M. Apostol, Calculus, Volumen 1, Segunda Edición, Editorial Reverté, Barcelona, 1977.
3. Tom M. Apostol, Calculus, Volumen 2, Segunda Edición, Editorial Reverté, Barcelona, 1975.
5. Robert B. Banks, Growth and Di¤usion Phenomena, Mathematical Frameworks and Applications,
Editorial Springer-Verlag, Berlín, 1994.
8. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
9. Richard L. Burden, J. Douglas Faires, Análisis Numérico, Séptima Edición, International Thomson
Editores, S. A., México,2002.
10. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
11. S. D. Conte, Carl de Boor, Análisis Numérico, Segunda Edición, Editorial McGraw-Hill, México,
1981.
12. Ruel V. Churchill, James Ward Brown, Variable Compleja y Aplicaciones, Cuarta Edición, Editorial
McGraw-Hill, Madrid, 1986.
15. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, II Pitagora
Editrice Bologna, 1983.
18. Curtis F. Gerald, Patrick O. Wheatley, Análisis Numérico con Aplicaciones, Sexta Edición, Editorial
Pearson Educación de México, México, 2000.
19. H. Hall, S.R. Knight, Algebra Superior, Unión Tipográ…ca Editorial Hispano-Americana, México,
1977.
21. Robert W. Hornbeck, Numerical Methods, Quantum Publishers, Inc., New York, 1975.
22. Gerard Kiely , Ingeniería Ambiental, Volumen II, Editorial McGraw-Hill, Madrid, 1999.
23. David Kincaid, Ward Cheney, Análisis Numérico, Editorial Addison-Wesley Iberoamericana,
Wilmington, 1994.
5.9. LECTURAS COMPLEMENTARIAS Y BIBLIOGRAFÍA 317
26. Peter Linz, Theoretical Numerical Analysis, Editorial Dover Publications, Inc., New York, 2001.
27. Rodolfo Luthe, Antonio Olivera, Fernando Schutz, Métodos Numéricos, Editorial Limusa, México,
1986.
28. Melvin J. Maron, Robert J. López, Análisis Numérico, Tercera Edición, Compañía Editorial
Continental, México, 1995.
29. Shoichiro Nakamura, Métodos Numérico Aplicados con Software, Editorial Prentice-Hall His-
panoamericana, S. A., México, 1992.
30. Antonio Nieves, Federico C. Dominguez, Métodos Numéricos Aplicados a la Ingeniería, Tercera
Reimpresión, Compañía Editorial Continental, S. A. De C. V., México, 1998.
32. Anthony Ralston, Introducción al Análisis Numérico, Editorial Limusa, México, 1978.
33. A. A. Samarski, Introducción a los Métodos Numéricos, Editorial Mir, Moscú, 1986.
35. Francis Scheid, Theory and Problems of Numerical Analysis, Schaum’s Outline Series, Editorial
McGraw-Hill, New York, 1968.
36. M. Sibony, J. Cl. Mardon, Analyse Numérique I, Systèmes Linéaires et non Linéaires, Editorial
Hermann, París, 1984.
Resumen
El objetivo de este capítulo es presentar algunos métodos numéricos muy conocidos y prácticos para
encontrar soluciones de sistemas de ecuaciones lineales. Primeramente se presentan algunos ejemplos
donde surgen los sistemas de ecuaciones lineales. A continuación se examinan tres tipos de problemas con
sistemas de ecuaciones lineales: sistemas de ecuaciones que poseen solución única, sistemas de ecuaciones
que poseen in…nitas soluciones, sistemas de ecuaciones que no tienen solución. Para el estudio de la
existencia de soluciones de sistemas de ecuaciones lineales y el método numérico a elegir es importante
el reconocimiento del tipo de matriz de dicho sistema, por lo que tratamos algunos tipos de matrices.
Pasamos luego a la resolución numérica de los sistemas de ecuaciones lineales. Consideramos los sistemas
más simples a resolver como son los triangulares superiores y los inferiores. A continuación tratamos el
método de eliminación gaussiana y la implementación del pivoting parcial y total. Se consideran métodos
para el cálculo del determinante de una matriz y el cálculo de la matriz inversa. Se trata el método
de factorización LU de Crout. Cuando las matrices son simétricas, de…nida positivas se implementa
el método de factorización LT L de Choleski. Se dan aplicaciones a las matrices tridiagonales y a los
sistemas de ecuaciones que tienen una in…nidad de soluciones. Se concluye este capítulo con un análisis
del condicionamiento de una matriz.
Las soluciones en mínimos cuadrados de sistemas de ecuaciones, que en general, no tienen solución serán
tratados en el capítulo de mínimos cuadrados.
Para la aproximación de soluciones de grandes sistemas de ecuaciones lineales que poseen solución única
cuya matriz del sistema tiene estructura de matriz en banda, se utilizan métodos iterativos. Algunos de
estos métodos se tratan en el capítulo de métodos iterativos.
Al …nal del capítulo se precisa una amplia bibliografía sobre todos estos temas.
319
320 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
El problema de hallar el ”mejor polinomio” que se ajusta al conjunto de datos S se expresa como sigue:
hallar x a; bb; b
bT = (b b 2 R4 ; si existe, talque k!
c; d) r (b Min k!
x)k2 = ! x)k2 ;
r (b (5)
x 2R4
o de modo equivalente
k!
y Ab Min k!
xk2 = ! y xk2 :
Ab (6)
x 2R4
Este problema se conoce como método de mínimos cuadrados y se demostrará que conduce a resolver el
sistema de ecuaciones
AT A!
x = AT !y; (7)
donde AT denota la matriz transpuesta de A.
Otros problemas semejantes al descrito se presentan en la aproximación en mínimos cuadrados continuos,
en regresión lineal y multilineal, ajuste de datos, entre otros.
La formulación algebraica del método de mínimos cuadrados fue publicada por vez primera por Legendre
en 1805.
6.1. PROBLEMAS QUE CONDUCEN A LA RESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES.321
Sea L > 0. Se denota con C 2 ([0; L]) el conjunto de funciones que poseen derivadas segundas continuas
en [0; L]. Consideramos el problema siguiente: dadas dos funciones f , q continuas en [0; L], hallar una
función u 2 C 2 ([0; L]) solución de
u00 (x) + q(x)u(x) = f (x) x 2 ]0; L[ ;
(8)
u(0) = u(L) = 0:
Supondremos que la función q satisface la condición
q(x) 0 8x 2 [0; L[ :
Se demuestra que este problema tiene solución única. Desafortunadamente su solución exacta puede
determinarse en muy pocos casos, lo que conduce a calcularla de manera aproximada. Para el efecto,
aplicamos el método de diferencias …nitas que describimos brevemente a continuación.
Este problema se encuentra en muchas aplicaciones en ingeniería, por ejemplo, en la ‡exión de una viga
…ja en los extremos y sujeta a una carga f (x), x 2 [0; L[, en problemas de transferencia de calor y de
masa, en problemas de contaminación ambiental.
Sea n 2 Z+ . Dividimos el intervalo [0; L[ en n subintervalos de longitud h = Ln . Ponemos xk = kh,
k = 0; 1; :::; n. El conjunto de puntos fx0 = 0; x1 ; :::; xn = Lg se llaman nodos de discretización.
Sea uk una aproximación de u(xk ) que escribimos uk ' u(xk ), k = 0; 1; :::; n. Entonces, para x = 0, se
tiene 0 = u(0) = u0 , y para x = L, 0 = u(L) = un . El polinomio de Taylor con error permite escribir los
desarrollos siguientes:
h2 00
u(xk+1 ) = u(xk + h) = u(xk ) + hu0 (xk ) + u (xk ) + o(h3 );
2!
h2
u(xk 1) = u(xk h) = u(xk ) hu0 (xk ) + u00 (xk ) + o(h3 ):
2!
Sumando miembro a miembro obtenemos
u(xk+1 ) + u(xk 1) = 2u(xk ) + h2 u00 (xk ) + o(h3 );
de donde
u(xk+1 )
2u(xk ) + u(xk 1 )
u00 (xk ) = + o(h);
h2
y en consecuencia, la derivada segunda u00 (xk ) se aproxima mediante el cociente
uk+1 2uk + uk 1
; k = 1; :::; n 1
h2
que se denomina diferencia …nita central de segundo orden (véase el capítulo 2).
La ecuación diferencial en cada punto xk , k = 1; :::; n 1 se escribe
u00 (xk ) + q(xk )u(xk ) = f (xk ) k = 1; :::; n 1;
(9)
u0 = un = 0;
y al remplazar la derivada segunda por la diferencia …nita central de segundo orden, la ecuación diferencial
precedente se aproxima como
uk+1 2uk +uk 1
h2
+ q(xk )uk = f (xk ) k = 1; :::; n 1;
(10)
u0 = un = 0:
o lo que es lo mismo 8 u2 2u1
>
> h2
+q(x1 )u1 = f (x1 );
>
> ..
>
> .
<
uk+1 2uk +uk 1
h2
+q(x2 )u2 = f (x2 );
>
> ..
>
>
>
> .
: 2un 1 +un 1
h2
+q(xn 1 )un 1 = f (xn 1 );
322 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
La matriz A es tridiagonal, simétrica, de…nida positiva. El sistema de ecuaciones (10) se escribe entonces
!
A!
u = b: (11)
A continuación se indican otros problemas que se discretizan mediante el método de diferencias …nitas,
elementos …nitos, volúmenes …nitos.
1. Resolución numérica de ecuaciones en derivadas parciales como la ecuación de Laplace que modela
los ‡ujos saturados incompresibles, la ecuación de conducción del calor y la ecuación de propagación
de ondas.
S = (xi ; yi ) 2 R2 j i = 1; :::; n ;
f (xi ) = yi ; i = 1; :::; n;
Un spline cúbico ajusta una curva suave (de clase C 2 ([a; b])) al conjunto de puntos S.
Para …jar las ideas, se consideran los splines cúbicos con condiciones de frontera naturales que a
continuación se de…nen. Denotamos con P3 al espacio vectorial de polinomios de grado 3: Dado el
conjunto S, se busca una función f de al menos clase C 2 ([a; b]) que cumpla con las siguientes condiciones:
Si (x) = ai + bi (x xi ) + ci (x xi )2 + di (x xi )3 i = 1; :::; n 1:
Notemos que las condiciones iii), ii), v) establecen la continuidad de la función f , f 0 y f 00 en todo [a; b] :
De ii) se deduce
yi = Si (xi ) = ai ; i = 1; :::; n 1: (1)
Se de…ne
an = f (xn ) = yn :
Por iii), se tiene
Si+1 (xi+1 ) = ai+1 ;
Si (xi+1 ) = ai + bi hi + ci h2i + di h3i ;
de donde
ai+1 = ai + bi hi + ci h2i + di h3i ; i = 1; :::; n 1: (2)
Las derivadas Si0 (x) y Si+1
0 (x) están de…nidas como sigue:
Se de…ne bn = f 0 (xn ) :
Entonces,
00
Si+1 (xi+1 ) = 2ci+1 ;
Si00 (xi+1 ) = 2ci + 6di hi ;
324 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
y de la condición v) obtenemos
2ci+1 = 2ci + 6di hi ;
o bien
ci+1 = ci + 3di hi i = 1; :::; n 1: (4)
de donde
ci+1 ci
di = i = 1; :::; n 1: (5)
3hi
Remplazando di en (2), obtenemos
ci+1 ci 3 1
ai+1 = ai + bi hi + ci h2i + hi = ai + bi hi + ci h2i + (2ci + ci+1 ) h2i ;
3hi 3
1
ai+1 = ai + bi hi + (2ci + ci+1 ) h2i i = 1; :::; n 1: (6)
3
Remplazando di en (3)
ci+1 ci 2
bi+1 = bi + 2ci di + 3 hi = bi + 2ci hi + (ci+1 ci ) hi :
3hi
y en (7)
bi = bi 1 + hi 1 (ci + ci 1) ; i = 2; :::; n: (10)
Remplazando (8) y (9) en (10), se deduce
de donde
ai+1 ai ai ai 1 ci+1 + 2ci ci + 2ci 1
= hi hi 1 + (ci + ci 1 ) hi 1 :
hi hi 1 3 3
Puesto que
3 3
(ai+1 ai ) = (ai ai 1 ) = ci+1 + 2ci (ci + 2ci 1 ) hi + 3 (ci + ci 1 ) hi 1
hi hi 1
= ci 1 hi 1 + 2 (hi 1 + hi ) ci + ci+1 hi :
De (1) se tiene
3 3
(yi+1 yi ) (yi yi 1) = ci 1 hi 1 + 2 (hi 1 + hi ) ci + ci+1 hi i = 2; :::; n 1;
hi hi 1
y
0 = f 00 (x1 ) = S100 (x1 ) = 2c1 ;
de donde c1 = 0:
Se de…nen !
c T = (c1 ; :::; cn ) 2 Rn con c1 = cn = 0; la matriz A siguiente:
2 3
1 0 0 0 0
6 h1 2 (h1 + h2 ) h 0 0 7
6 2 7
6 0 h 2 (h + h 3 ) h3 0 0 7
6 2 2 7
6 .. . .. . .. .. .. 7
A=6 6 . . . 7;
7
6 .. . . .. 7
6 . . hn 2 . 7
6 7
4 0 hn 2 2 (hn 2 + hn 1) hn 1 5
0 0 0 1
!
y el vector b T 2 Rn :
2 3
0
6 3 3 7
(y3 y2 ) (y2 y1 )
! 6 h2 h1 7
b =6
6
7:
7
4 3
(yn yn 1)
3
(yn 1 yn 2) 5
hn 1 hn 2
0
Problemas de optimización.
Mencionamos brevemente otros problemas que requieren de la resolución numérica de sistemas de
ecuaciones lineales en la resolución de problemas de optimización como en: programación lineal,
programación cuadrática, programación dinámica, control optimal, optimización de funciones convexas
con o sin restricciones, problemas de grafos y redes, y de manera más general en el análisis combinatorio.
Problema I
Suponemos que m < n, es decir que tenemos más incógnitas que ecuaciones. Esta clase de sistemas de
ecuaciones poseen in…nitas soluciones o ninguna solución.
Cuando el sistema de ecuaciones lineales tiene in…nitas soluciones, se dice que el sistema es
sobredeterminado. Si el rango de la matriz A es m, esto es, R(A) = m, el sistema de ecuaciones posee
in…nitas soluciones y en tal caso consideramos el problema siguiente denominado solución del sistema
de ecuaciones lineales en norma mínima:
kb Minn k!
xk2 = ! x k2 ; (13)
x 2R
!
A!x= b
!
esto es, entre todas las soluciones !
x 2 Rn del sistema de ecuaciones A!
x = b , seleccionamos una que
posea norma mínima que lo notamos con x b.
Ejemplos
3x 2y + 5z = 2
2. El sistema de ecuaciones lineales con (x; y; z) 2 R3 , tiene in…nitas soluciones.
8x + y 3z = 3
!
La matriz A, los vectores b y ! x son
2 3
x
3 2 5 ! 2 !
A= ; b = ; x = y 5:
4
8 1 3 3
z
El rango de la matriz A es 2.
x 2y + 3z = 1
3. El sistema de ecuaciones lineales con (x; y; z) 2 R3 ; no tiene solución. Pués
4x + 8y 12z = 0
si multiplicamos por 4 a la primera ecuación, obtenemos el sistema de ecuaciones siguiente:
4x + 8y 12z = 4
que es un sistema contradictorio.
4x + 8y 12z = 0;
Problema II
Supongamos que m > n. En este caso, el sistema de ecuaciones lineales tiene más ecuaciones que
incógnitas. Esta clase de ecuaciones tienen, por lo general, solución única o ninguna solución.
!
Denotemos con Aj la j-ésima columna de la matriz A. Si el vector b pertenece el espacio generado por
las columnas de A: 8 9
! < Xn =
b 2 A
j j j i 2 R; j = 1; :::; n ;
: ;
j=1
Ejemplo
x y z
0 1 5
1 1.5 10.9
Considérese los datos de la tabla siguiente: Con estos datos se desea encontrar una
2 2 17.1
3 2.5 23
4 3 30
función real f de la forma
z = f (x; y) = a + bx + cy x; y 2 R:
Se establece el sistema de ecuaciones lineales siguiente:
8
>
> a + c = 5
>
>
< a + b + 1;5 = 10;9
a + 2b + 2c = 17;1
>
>
>
> a + 3b + 2;5c = 23
:
a + 4b + 3c = 30:
el residuo es
! !
r (!
x) =!
r (a; b; c) = A!
x b;
con lo cual
k! a; bb; b
r (b c)k2 = Min k!
r (a; b; c)k2 :
(a;b;c)2R3
Problema III
Cosideramos sistemas de ecuaciones lineales que tienen igual número de ecuaciones que incógnitas,
esto es, m = n. Encontramos tres clases de sistemas: aquellos que tienen solución única denominados
sistemas de ecuaciones lineales consistente. Aquellos sistemas que tienen in…nitas soluciones denominados
sobredeterminados y aquellos que no tienen solución llamados inconsistentes.
328 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
Rn ! Rn
TA : !
x ! TA (!
x ) = A!
x:
ker(TA ) = f!
x 2 Rn j TA (!
x ) = 0g = f!
x 2 R n j A!
x = 0g:
El rango de TA
R(TA ) = fTA (!
x)j!
x 2 Rn g = fA!
x j!
x 2 Rn g:
El resultado fundamental del álgebra lineal que caracteriza a las aplicaciones lineales en espacios de
dimensión …nita es la relación que se establece entre las dimensiones del núcleo y del rango que están
ligadas por la siguiente fórmula:
dim ker(TA ) + dim R(TA ) = n:
!
Entonces, el sistema de ecuaciones A!
x = b tiene solución única si y solo si una de las propiedades
siguientes se veri…ca:
i) ker(TA ) = f0g:
ii) R(TA ) = Rn :
iv) det(A) 6= 0:
b 2 Rn tal que k Ab
hallar x x bb k2 = Min k Ab
x bb k2 :
!
x 2Rn
Si el sistema de ecuaciones lineales tiene in…nitas soluciones, trataremos el problema de norma mínima
siguiente:
b 2 Rn tal que k x
hallar x b k2 = ! b k2 :
Minn k x
x 2R
Abx=b
b
En este capítulo nos ocuparemos de la resolución numérica de estos tres problemas. Particularmente, para
los sistemas cuadrados de ecuaciones lineales utilizaremos los métodos directos. Los métodos iterativos y
las soluciones en mínimos cuadrados se tratarán más adelante en capítulos separados.
Observación: Si A es una matriz de n n invertible, cuando notamos a la solución del sistema de ecuaciones
! !
A!x = b con ! x = A 1 b , donde A 1 denota la matriz inversa de A, lo único que queremos indicar es
que nuestro sistema de ecuaciones tiene solución única. Esto no quiere decir que debemos calcular la la
matriz inversa A 1 para hallar su solución !x . Del punto de vista numérico esto no se hace, es por ello
que se buscan métodos para resolver el sistema de ecuaciones que evitan el cálculo de la matriz inversa
A 1:
6.3. ALGUNOS TIPOS DE MATRICES IMPORTANTES. 329
En esta sección tratamos principalmente los siguientes tipos de matrices: simétricas de…nidas positivas,
monótonas, estrictamente diagonalmente dominantes, normales, y ortogonales.
Las relaciones de orden y < en el espacio de matrices Mn n [R] se de…nen a continuación. Sean
A = (aij ) ; B = (bij ) dos matrices de Mn n [R] : Escribiremos
A 0 , aij 0 i; j = 1; :::; n;
A > 0 , aij > 0 i; j = 1; :::; n:
n
!1
1 X 2
k!
xk= !
x T!
x 2 = x2i 8!
x 2 Rn ;
i=1
con !
x T = (x1 ; :::; xn ) :
Sea A = (aij ) 2 Mn n [R] una matriz simétrica, esto es, A = AT , donde AT denota la matriz transpuesta
de A.
De…nición 2
iii) Diremos que A es de…nida negativa (semi-de…nida negativa) si la forma cuadrática q es de…nida
negativa (resp. semi-de…nida negativa).
Ejemplos
aii = i; i = 1; :::; n;
aij = 0; i:j = 1; :::; n; i 6= j:
La matriz A se llama matriz diagonal y se le denota como A = diag ( 1 ; :::; n) : Se tiene que A es
simétrica. Además, A es de…nida positiva si y solo si i > 0; i = 1; :::; n:
2. Sea A = (aij ) 2 Mn n [R] una matrtiz no singular. Las matrices B = AT A y C = AAT son
T T
simétricas, de…nidas positivas. En efecto, B es simétrica. Pués, B T = AT A = AT AT y
T
como AT = A, se sigue que B T = AT A = B: Además, como A no es singular, se tiene
A x = 0 , x = 0: Luego, para !
! ! x 2 Rn con !
x 6= 0;
!
x T B!
x =!
x T AT !
x = (A!
x ) A!
T
x = kA!
2
x k > 0;
Así, B es simétrica, de…nida positiva. En forma similar se muestra que C es simétrica, de…nida
positiva.
Consecuencias
hA!
x;!
xi=!
x T A!
x 8!
x 2 Rn ;
1
k!
x kA = !
x T A!
x 2 8!
x 2 Rn :
6.3. ALGUNOS TIPOS DE MATRICES IMPORTANTES. 331
vi) det (A) > 0 y det (Ak ) > 0; k = 1; :::; n, donde Ak es la matriz de k k obtenida de A con las
k primeras …las y columnas de A:
viii) Existe una matriz triangular inferior L no singular tal que A = LLT :
Demostración. Son resultados conocidos del álgebra lineal. Las demostraciones y más detalles sobre
este tema puede encontrar en los textos de Algebra Lineal citados en la bibliografía.
Ejemplo
2 3
2 1 0
Sea A = 4 1 2 1 5y! x T = (x1 ; x2 ; x3 ) 2 R3 : Entonces,
0 1 2
2 32 3 2 3
2 1 0 x1 2x1 x2
A!x =4 1 2 1 5 4 x2 5 = 4 x1 + 2x2 x3 5 0
0 1 2 x3 x2 + 2x3
es decir 8
< 2x1 x2 0
x1 +2x2 x3 0
:
x2 +2x3 0
Multiplicando por 2 a la primera desigualdad y sumando con la segunda, obtenemos 3x1 x3 0 ( ):
De manera similar, multiplicando por 2 a la tercera desugaldad y sumando con la segunda, obtenemos
x1 + 3x3 0 ( ): Multiplicando por 3 a (**) y sumando (*) deducimos 8x3 0 ) x3 0: De (*),
se tiene
3x1 x3 0 ) x1 0:
Como x1 + 2x2 x3 0 ) 2x2 x1 + x3 0 ) x2 0:
Luego, A!
x 0)!
x 0, es decir A es monótona.
Teorema 2 Sea A 2 Mn 1
n [R]. Entonces, A es monótona si y solo si A 0:
Así,
A!
x 0)!
x 0:
Recíprocamente, supongamos que A es monótona, probemos que A es invertible y que A 1 0:
Sea !
x 2 Rn tal que A!
x = 0. Por ser A monótona, se tiene !
x 0:
Por otro lado, A ( ! x) = 0 ) ! x 0o! x 0: Consecuentemente, A!x =0)! x = 0, es decir que
ker (TA ) = f0g, donde TA es la aplicación lineal de Rn en Rn de…nida por TA (!
x ) = A!
x , que prueba que
A es invertible.
Ponemos A 1 = [B1 ; :::; Bn ] con Bj la j-ésima columna de A 1 y sea !e T1 ; :::; !
e Tn la base canónica de
n
R : Puesto que
AA 1 !ej =! e j 0 ) A 1! e j 0 j = 1; :::; n;
pero A 1 !
e =B j 0. Luego A 1 0:
j
Ejemplos
2 3
4 1 1 0
6 2 5 1 1 7
1. La siguiente es una matriz estrictamente diagonalmente dominante: A = 6 4 3
7:
2 7 1 5
0 1 4 6
2 3
2 1 0 0
6 1 2 1 0 7
6 7
6 .. .. .. .. .. 7
2. La matriz A = 6
6 . . . . . 77es diagonalmente dominante.
6 .. .. .. 7
4 . . . 1 5
0 1 2
3. Sean k > 0; k = 1; :::; m; hi > 0; i = 1; :::; n + 1; A = (aij ) ; B = (bij ) las matrices que se
de…nen a continuación:
8 8
> 1
aii = h1i + hi+1 ; i = 1; :::; n; > bii = h3i + hi+1
>
> >
> 3 ; i = 1; :::; n;
< 1
aii 1 = hi ; i = 2; :::; n; < h
bi;i 1 = 6 ; i = 2; :::; n;
i
1
>
>
>
aii+1 = hi+1 ; i = 1; :::; n 1; >
>
> bii+1 = hi+1 ; i = 1; :::; n 1;
: : b = 0 6 si ji jj > 1:
aij = 0 si ji jj > 1; ij
ii) Si A es estrictamente diagonalmente dominante y simétrica con aii > 0 i = 1; :::; n; A es de…nida
positiva.
6.3. ALGUNOS TIPOS DE MATRICES IMPORTANTES. 333
Demostración. i) Supongamos que A es singular, entonces ker (TA ) = f0g donde TA es la aplicación
!
lineal de…nida por TA (! x ) = A!
x ; 8! x 2 Rn : Sea ! x T = (x1 ; :::; xn ) 2 ker (TA ) con !
x 6= 0 y
k 2 f1; :::; ng tal que jxk j = Max jxi j. Se tiene xk 6= 0 y como !
x 2 ker (TA ) ; TA (! x ) = A!
x = 0 y en
i=1;:::;n
consecuencia la k-ésima ecuación se escribe
de donde
n
X
akk xk = akj xj;
j=1
j6=k
jxj j Pn
Puesto que jxj j jxk j j = 1; :::; n; 1. Luego jakk j j=1 jakj j ; que contradice la hipótesis A
jxk j j6=k
P
n
es estrictamente diagonalmente dominante, esto es, jakk j > jakj j k = 1; :::; n:
j=1
j6=k
Teorema 4 Sea A = (aij ) 2 Mn n [R]. Supóngase que aii > 0 i = 1; :::; n; aij 0 para
i; j = 1; :::; n; i 6= j; y, A es estrictamente diagonalmente dominante, entonces A es monótona.
Demostración. Sea D la matriz diagonal de…nida por D = diag (a11 ; :::; ann ) : Puesto que aii > 0; i =
1; :::; n; D es invertible y
1 1
D 1 = diag ; :::; :
a11 ann
Se de…ne B = I D 1A = (bij ). Entonces
bii = 0 i = 1; :::; n;
aij
bij = 0 i; j = 1; :::; n; i 6= j:
aii
de donde
X X n
aij
1> = bij;
aii
j=1 j=1
j6=i j6=i
334 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
P
m
Se de…ne Sm = B k . Entonces
k=0
Ejemplos
1. Toda matriz simétrica A es una matriz normal. En efecto, como A = AT se sigue que
A2 = AA = AAT = AT A:
cos( ) sen( )
Q ( )T = :
sen( ) cos( )
Como sen2 ( ) + cos2 ( ) = 1, resulta
cos( ) sen( ) cos( ) sen( )
Q ( ) = Q ( )T =
sen( ) cos( ) sen( ) cos( )
cos2 ( ) + sen2 ( ) 1 0
= = :
sen2 ( )+ cos2 ( ) 0 1
H=I 2!
u!uT
es ortogonal. Esta matriz H se conoce como matriz de Householder, quien la propuso en 1958.
Mostremos que H es ortogonal. En efecto,
T T
HH T = I 2!
u!uT I 2!
u!u T = I 2! u!uT IT 2 !
u!uT
= I 2!
u!uT I 2!
u!u T = I 2I !
u!uT 2 !
u!uT I +4 !
u!uT !
u!uT :
Puesto que I !
u!uT =!
u!u T; !
u!ut I =!
u!u T, y
1 = k!
uk =!
u T!
2
u;
entonces
HH T = I 4!
u!u T I + 4!
u !
u T!
u !
uT =I 4!
u!u T + 4!
u!u T = I:
Además, la matriz H es simétrica. Pués,
T
HT = I 2!
u!uT =I 2!
u!u T = H:
En consecuencia,
H 2 = H T H = HH T = I:
La matriz de Householder H es vital para el desarrollo del método de factorización QR de
Householder que se utiliza en la resolución de sistemas de ecuaciones lineales (véase el capítulo
de mínimos cuadrado, método de Householder) y el cálculo de valores y vectores propios (véase
el capítulo de valores y vectores propios). En la descomposición de Householder, Q es una matriz
ortogonal que se construye con la matrices H y R es una matriz triangular superior. Más adelante
se verá esta factorización.
Observación.
QT !
x = kQ!
xk 8!
x 2 Rn :
336 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
x = kQ!
QT ! xk 8!
x 2 Rn :
Así, !
x T QQT QT Q !
x =0 8!
x 2 Rn , de donde
QQT QT Q = 0 , QQT = QT Q:
Q1 QT1 = QT1 Q1 = I;
Q2 QT2 = QT2 Q2 = I:
Luego,
(Q1 Q2 )T Q1 Q2 = QT2 QT1 Q1 Q2 = QT2 QT1 Q1 Q2 = QT2 IQ2 = QT2 Q2 = I:
De manera similar se prueba que Q1 Q2 (Q1 Q2 )T = I: Por lo tanto Q1 Q2 es una matriz ortogonal.
Nota: Si Q1 ; Q2 son matrices normales, en general, Q1 Q2 no es una matriz normal. Exhibimos dos
ejemplos, uno en el que el resultado es verdadero y otro en el que el resultado es falso.
3 1 1 2
1. Consideremos Q1 ; Q2 las matrices Q1 = ; Q2 = : Entonces
1 3 2 1
3 1 3 1 10 0
Q1 QT1 = = = 10I;
1 3 1 3 0 10
3 1 3 1
Q1 QT1 = = 10I:
1 3 1 3
Luego, QT1 Q1 = Q1 QT1 , es decir, Q1 es una matriz normal. De modo similar, tenemos
1 2 1 2 5 0
Q2 QT2 = = = 5I = QT2 Q2 ;
2 1 2 1 0 5
1 7 1 7 50 0
(Q1 Q2 )T Q1 Q2 = = = 50I;
7 1 7 1 0 50
1 7 1 7 50 0
(Q1 Q2 ) (Q1 Q2 )T = = = 50I:
7 1 7 1 0 50
1 1 0 0
2. Sean Q1 = ; Q2 = . Entonces
1 1 0 1
1 1 1 1 2 0
Q1 QT1 = = = 2I;
1 1 1 1 0 2
1 1 1 1 2 0
QT1 Q1 = = = 2I;
1 1 1 1 0 2
0 0 0 0 0 0
Q2 QT2 = = = QT2 Q2 :
0 1 0 1 0 1
1 1 0 0 0 1
Sea A = Q1 Q2 = = . Luego
1 1 0 1 0 1
0 1 0 0 1 1
AAT = = ;
0 1 1 1 1 1
0 0 0 1 0 0
AT A = = :
1 1 0 1 0 2
i) QT Q = I;
ii) (Q!
x ) Q!
y =!
x T! 8!
x;!
T
y y 2 Rn ;
iii) kQ!
x k = k!
xk 8!
x 2 Rn :
(Q!
x ) Q!
y =!
x T QT Q!
y =!
x T I!
y =!
x T!
T
y:
kQ!
x k = (Q!
x ) Q!
x =!
x T!
x = k!
2 T 2
xk ;
de donde
kQ!
x k = k!
xk 8!
x 2 Rn :
iii) ) i.) Si kQ!
x k = k!
xk 8!
x 2 Rn , se sigue que:
kQ! k!
x k , (Q!
x ) Q!
x =!
x T!
x ,! x T QT Q!
x =!
x T I!
2 2 T
xk = x
! T T ! !
, x Q Q I x = 0 8x 2R ; n
de donde QT Q = I:
Teorema 8 Sea Q 2 Mn n [R]. Entonces, Q es ortogonal si y solo si se satisfacen las dos condiciones
siguientes:
i) Q es invertible.
ii) kQ!
x k = k!
xk 8!
x 2 Rn :
Sea !
x 2 Rn . Entonces
kQ!
x k = (Q!
x ) Q!
x =!
x T QT Q!
x =!
x T I!
x =!
x T!
x = k!
2 T 2
xk ;
con lo cual
kQ!
x k = k!
xk 8!
x 2 Rn :
Así, si Q es ortogonal, se tiene i) ) ii):
Recíprocamente, supongamos que se satisfacen i) y ii). Mostremos que Q es ortogonal. Por i) se tiene que
Q es invertible y por ii)
kQ! x k = k!xk 8!
x 2 Rn :
Por el teorema precedente se deduce que QT Q = I que implica QT = Q 1. Luego
QQT = QQ 1
= I = QT Q;
En cada método directo, se debe estimar: el número de operaciones elementales necesarias en la ejecución
del algoritmo, y, la exactitud y precisión del método.
i) El número de operaciones elementales necesarias en la ejecución del algoritmo es una función que
depende de la dimensión n de la matriz cuadrada A; a esta función se le denota N oper: Z+ ! R
que a cada n 2 Z+ asocia N oper (n) que expresa el número total de operaciones elementales.
ii) La exactitud y precisión del método dependen sobre todo del condicionamiento de la matriz y de la
estabilidad del método, es decir que pequeños errores en los datos de entrada provocan pequeños
errores en los datos de salida, o lo que es lo mismo, es insensible a la propagación de errores de
redondeo. En el apéndice se muestra el número de condicionamineto.
Para cada método estudiado se debe elaborar un algoritmo numérico, en lo posible, el más óptimo.
En este capítulo se tratarán los métodos clásicos de resolución de sistemas de ecuaciones lineales siguientes:
1.- Método de eliminación gaussiana simple, con pivoting parcial y con pivoting total.
El método de Householder será estudiado en el capítulo de mínimos cuadrados, sin embargo, en este
capítulo introducimos algunos resultados acerca de las matrices ortogonales.
Por otro lado, utilizando el método de eliminación gaussiana se propone un algoritmo de cálculo de
la matriz inversa de A y otro para el cálculo del determinante de A. Adicionalmente, par matrices
! !
A = (aij ) 2 Mm n [R] no nulas, b 2 Rm , se consideran sistemas de ecuaciones A! x = b ; y se buscan
soluciones en mínimos cuadrados si el sistema de ecuaciones no tiene solución; y, en norma mínima si el
sistema de ecuaciones posee in…nitas soluciones.
6.4. MÉTODOS DIRECTOS DE RESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES. 339
La idea general de los métodos directos de resolución de sistemas de ecuaciones lineales es la factorización
de la matriz A 2 Mn n [R] en la forma LR, donde L es una matriz elegida apropiadamente, R una matriz
triangular superior. Además, L y R son matrices invertibles. Entonces
! !
A! x = b , LR! x = b:
!
Sea !y = R! x , entonces L!y = b . Así,
( !
! ! L! y = b;
Ax = b , (15)
R! x =! y;
!
que muestra que si la matriz A se factora en la forma LR, la resolución del sistema de ecuaciones A!
x = b
es equivalente a los siguientes:
!
L!y = b (16)
y a continuación
R!
x =!
y (17)
Además, como L, R son invertibles, se tiene
! 1!
y =L b
y
!
x =R 1!
y:
Luego
! 1! 1 1! 1 1 ! 1! 1!
x =R y =R L b = R L b = (LR) b =A b;
es decir que la solución !x del par de sistemas de ecuaciones (16) y (17) es la solución del sistema de
! !
ecuaciones A x = b y recíprocamente. Por otro lado, los sistemas de ecuaciones 16) y 17) son muy
sencillos de resolver. Más aún, comenzaremos nuestro estudio de solución de sistemas de ecuaciones
lineales de los tipos (16) y (17) denominados triangulares inferiores y superiores, respectivamente. A
continuación se describen los métodos de factorización de matrices A en la forma LR.
!T
De…nición 6 Sean A = (aij ) 2 Mn n [R], b = (b1 ; : : : ; bn ) 2 Rn .
i) Se dice que A es una matriz triangular superior si y solo si los coe…cientes de A satisfacen la
siguiente condición:
aij = 0 para i > j, i = 2; :::n, j = 1; :::n: (18)
!
ii) Si A es una matriz triangular superior, se dice que el sistema de ecuaciones lineales A!
x = b
es triangular superior.
iii) Se dice que A es una matriz triangular inferior si y solo si los coe…ecientes de A satisfacen la
condición siguiente:
aij = 0 para j > i, i = 1; :::; n, j = 2; :::n: (19)
!
iv) Si A es una matriz triangular inferior, el sistema de ecuaciones lineales A!
x = b se llama
sistema triangular inferior.
Ejemplos
2 3
3 5 0 1
6 0 2 1 0 7
1. La matriz A siguiente es triangular superior. A = 6
4 0
7:
0 3 2 5
0 0 0 4
340 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
8
>
> 2x+ 3y+ 5z w = 1
<
y z+ w = 2
2. El siguiente es un sistema de ecuaciones triangular superior:
>
> 3z w = 1
:
5w = 20:
2 3
2 3 5 1
6 0 1 1 1 7
Note que la matriz A del sistema de ecuaciones es A = 6 4 0 0 3
7 que es triangular
1 5
0 0 0 5
superior.
8
>
> 4x = 2
<
3x 2y = 1
3. El siguiente es un sistema de ecuaciones lineales triangular inferior:
>
> x +2y +3z = 0
:
x 2y 2z w = 2
2 3
4 0 0 0
6 3 2 0 0 7
Observe que la matriz A del sistema de ecuaciones es A = 6 4 1
7 que es triangular
2 3 0 5
1 2 2 1
inferior.
Resolución numérica.
!
Sean A = (aij ) 2 Mn n [R] una matriz triangular superior, b 2 Rn . Consideramos el sistema de
ecuaciones lineales triangular superior:
!
A!x = b;
o en forma explícita 8
>
< a11 x1 + + a1n xn = b1
..
> .
:
ann xn = bn :
!
Los valores xi , i = 1; :::; n, de la solución x = (x1 ; :::xn ), siempre que esta exista, se obtienen mediante
el procedimiento de “vuelta atrás”, siguiente:
bn
xn = ann ann 6= 0;
bn 1 an 1n xn
xn 1 = an 1;n 1
; an 1;n 1 6= 0;
..
. !
1 P
n
xj = ajj bj ajk xk ; ajj 6= 0;
k=j+1
..
.
1 P
n
x1 = a11 b1 a1k xk ; a11 6= 0:
k=2
Del cálculo de x1 ; :::; xn ; se deduce que el sistema de ecuaciones lineales triangular superior tiene solución
única si y solo si aii 6= 0, i = 1; :::; n.
Para la resolución de este sistema de ecuaciones se requieren ejecutar los números siguientes de operaciones
elementales:
n (n 1)
Productos : 0 + 1 + ::: + n 1= ;
2
n (n 1)
Adiciones : 0 + 1 + ::: + n 1= ;
2
Divisiones : n:
!
El número total de operaciones para el cálculo de !
x solución de A!
x = b es
n (n 1) n (n 1)
N oper (n) = n + + = n2 :
2 2
6.4. MÉTODOS DIRECTOS DE RESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES. 341
Ejemplo
8
>
> 3x +2y z +u = 1
<
0;5y +z u = 3
Resolver el sistema de ecuaciones Aplicando el procedimiento de
>
> 4z +u = 0
:
2u = 1:
“vuelta atrás”, tenemos
1
u = = 0;5;
2
0 1 0;5
z = = 0;125;
4
3 0;125 ( 1) 0;5
y = = 6;75;
0;5
1 2 6;75 ( 1) 0;125 0;5
x = = 4;625:
3
La solución es !
x T = (4;625; 6;75; 0;125; 0;5) :
Algoritmo
Datos de salida: !
x T = (x1 ; :::; xn ) 2 Rn , Mensaje: “Matriz A singular”.
bnn
1. Si ann 6= 0, xn = ann :
2. Para j = n 1; :::; 1
Si ajj 6= 0:;
S = 0:
k = j + 1, n
S = S + ajk xk
(bj S)
xj = aj
Fin de bucle k.
Fin de bucle j.
3. Imprimir !
x T = (x1 ; :::; xn ) : Continuar en 5).
5. Fin.
cuya solución !
x T = (x1 ; :::; xn ), siempre que esta exista, puede calcularse con el procedimiento siguiente:
8
>
> x1 = ab11 1
, a11 6= 0;
>
<
!
> jP1
>
> 1
: xj = ajj bj ajk xk , ajj 6= 0; j = 2; :::; n:
k=1
Algoritmo
!T
Datos de entrada: n 2 Z+ , A = (aij ) 2 Mn n [R], b = (b1 ; :::; bn ) 2 Rn :
Datos de salida: !
x T = (x1 ; :::; xn ) 2 Rn , Mensaje: “Matriz A singular”.
b1
1. Si a11 6= 0, x1 = a11
2. Para j = 2; :::; n
Si ajj 6= 0:;
S = 0:
k = 1; :::; j 1
S = S + ajk xk
(bj S)
xj = ajj
Fin de bucle k.
Fin de bucle j.
4. Imprimir !
x T = (x1 ; :::; xn ) : Continuar en 6).
6. Fin.
Nota: Si A = (aij ) 2 Mn n [R] es una matriz triangular superior, los elementos de la diagonal principal
!
de A; ajj , j = 1; :::; n, se llaman pivotes de la matriz triangular, y si b 2 Rn , ajj se llaman pivotes del
!
sistema de ecuaciones A! x = b.
Consecuencias
El cálculo del determinante de una matriz A 2 Mn n [R] triangular superior se establece en el siguiente
teorema.
Qn
Teorema 9 Sea A = (aij ) 2 Mn n [R] una matriz triangular superior. Entonces, det (A) = j=1 aij :
nQ1
La hipótesis inductiva establece que si A = (aij ) 2 M(n 1) (n 1) [R], entonces det (A) = ajj :
j=1
Probemos que es cierto para n 1. Sea A = (aij ) 2 Mn n [R] una matriz triangular superior.
Desarrollamos el determinante de A por elementos de la primera columna. Se tiene
det (A) = a11 A11 + ::: + an1 An1 ;
donde Ai1 , i = 1; :::; n, es el cofactor de ai1 , i = 1; :::; n: Puesto que A es triagular superior,
a21 = ::: = an1 = 0, y
a11 A11 = a11 ( 1)2 det (An 1 ) = a11 det (An 1 ) ;
donde det (An 1)
es el determinante de la matriz obtenida de A al eliminar la primera …la y la primera
Q
n
columna. Por la hipótesis inductiva, det (An 1 ) = ajj . Luego
j=2
n
Y n
Y
det (An 1 ) = a11 ajj = ajj :
j=2 j=1
Un resultado similar se obtiene cuando A = (aij ) 2 Mn n [R] es una triangular inferior. Se tiene
Q
n
det (A) = ajj :
j=1
En el siguiente teorema se establece un método para el cálculo de la matriz inversa de una matriz
triangular superior invertible.
Teorema 10 Sea A = (aij ) 2 Mn n [R] una matriz triangular superior invertible. Entonces, la j-ésima
columna de A 1 es solución del sistema de ecuaciones lineales A! x =! ej ; donde f!
e1 ; :::; !
en g es la base
canónica de Rn , y !
ej T = (0; :::; 1; :::; 0). Además, A 1 es triangular superior.
Demostración.
h Sea A i = (aij ) 2 Mn n [R] una matriz triangular superior invertible. Pongamos
1 ( 1) ( 1) ( 1)
A = A1 ; :::; An , donde Aj denota la j-ésima columna de A 1 .
Sea !
x la solución del sistema de ecuaciones lineales
A!
x =!
ej , j = 1; :::; n:
Multiplicando por A 1, se tiene
A 1
A!
x =A 1!
ej ;
y tomando en cuenta que AA 1 =A 1A
= I, se sigue que
h i
!
x = A1 ; :::; A(n 1) !
( 1) (
ej = Aj
1)
:
! !
En particular, si b = !
ej j = 1; :::; n, se tiene: para j = 1, b T (1; 0; :::; 0), x2 = 0; :::; xn = 0, x1 = b1
a11
2 1 3
a11
6 7
= 4 ... 5 :
( 1)
A1
0
344 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
Un resultado similar se establece para matrices triangulares inferiores invertibles, esto es, si A = (aij ) 2
Mn n [R] es triangular inferior invertible, A 1 es triangular inferior y cada columna de A 1 es solución
del sistema de ecuaciones A! x =! ej , j = 1; :::; n.
N oper (n) = n3 :
Algoritmo
1. Para i = 2; :::; n;
Para j = 1; :::; n
. Fin de bucle j.
Fin de bucle i.
2. Para i = 1; :::; n
Fin de bucle i.
3. Para j = 1; :::; n
Para i = 1; :::; n;
bij = xi
Fin de bucle i.
6.5. OPERACIONES ELEMENTALES CON MATRICES. 345
Fin de bucle j.
4. Imprimir A 1 = B:
5. Fin
Ejercicios
1, si p = q, p; q = 1; :::; n;
La matriz identidad I = (epq ) 2 Mn n [R] está de…nida como epq =
0, si p =
6 q:
Sea Fi;j = (fpq ) 2 Mn n [R] la matriz obtenida de I al intercambiar la …la i con la …la j, i < j, esto es,
1, si p = q, p; q = 1; :::; n, p 6= i; j o p = j, q = i; o p = i; q = j:
fpq =
0, en otro caso.
La matriz Ai;j que se obtiene de A al intercambiar la …la i con la …la j de la matriz A esta de…nida como
Ai;:j = Fi;j A:
Ejemplo
2 3 2 3
2 3 5 8 1 0 0 0
6 1 3 4 7
2 7 6 0 0 1 0 7
Sean A = 6
4 0 y F2;3 = 6 7 : Entonces
1 0 1 5 4 0 1 0 0 5
1 2 3 4 0 0 0 1
2 32 3 2 3
1 0 0 0 2 3 5 8 2 3 5 8
6 0 0 1 7 6
0 76 1 3 4 7 6
2 7 6 0 1 0 1 7
A2;3 = F2;3 A = 6
4 0 = 7:
1 0 0 54 0 1 0 1 5 4 1 3 4 2 5
0 0 0 1 1 2 3 4 1 2 3 4
Observe que la tercera …la de A ha remplazado a la segunda …la de A y esta ha ocupado la tercera …la.
Note que la matriz Fi;j es no singular y det (Fi;j ) = 1:
1, si p = q, p; q = 1; :::; n, o p = i, q = j; o p = j; q = i:
cpq =
0, en otro caso.
La matriz Bij que se obtiene de A al intercambiar la columna i con la j de la matriz A está de…nida
como:
Bi;j = ACi;j , i < j:
Ejemplo
346 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
2 3 2 3
2 4 6 8 0 0 0 1
6 3 6 9 12 7 6 0 1 0 0 7
Sean A = 6
4 5
7 y C14
5 =6
4 0
7. Entonces
10 15 20 0 1 0 5
3 6 9 12 1 0 0 0
2 32 3 2 3
2 4 6 8 0 0 0 1 8 4 6 2
6 3 6 9 12 7 6 0 1 0 0 7 6 12 6 9 3 7
B1;4 = AC1;4 =6 4 5
76 7=6 7:
10 15 20 5 4 0 0 1 0 5 4 20 10 15 5 5
3 6 9 12 1 0 0 0 12 0 9 3
Observe que la matriz B1;4 se obtiene al intercambiar la primera con la cuarta columna de A. La matriz
Ci;j es no singular y det (Ci;j ) = 1:
iii) Producto de una constante por una …la o columna de A:
Sean 1 p n; 2 R. Se de…ne Cp = (cij ) 2 Mn n [R] la matriz de…nida como
8
< ; si i = j = p;
cij = 1; si i = j; i; j = 1; :::; n; i 6= p; j 6= p;
:
0; en otro caso.
Note que la segunda …la de A2 se obtiene al multiplicar la constante = 20 con la segunda …la de A.
2 32 3 2 3
1 6 3 1 0 0 1 40 3
B2 = 4 5 7 7 5 4 0 20 0 5 = 4 5 120 7 5 :
8 9 10 0 0 1 8 180 10
Observe que la segunda columna de B2 se obtiene al multiplicar la constante = 20 con los elementos
de la seguna columna de A.
iv) Producto de por la …la i y suma del resultado con la …la j de A:
Sean 1 i j n; 2 R. Se de…nen Ki;j = (kpq ) 2 Mn n [R] como sigue
8
< 1; si p = q; p; q = 1; :::; n;
kpq = a; si p = i; q = j;
:
0, en otro caso,
y
ei;j = Ki;j A:
A
6.6. MÉTODO DE ELIMINACIÓN GAUSSIANA. 347
Ejemplo
2 3 2 3
2 8 1 2 1 0 0 0
6 5 10 15 20 7 6 0 1 0 0 7
Sean A = 6
4 3
7, K1;3 = 6 7 : Entonces
6 9 12 5 4 0 1 0 5
1 1 0 1 0 0 0 1
2 32 3 2 3
1 0 0 0 2 8 1 2 2 8 1 2
6 0 1 0 0 7 6 5 10 15 20 7 6 5 10 15 20 7
e1;3
A = K1;3 A = 6 76 7=6 7:
4 0 1 0 54 3 6 9 12 5 4 2 + 3 8 + 6 + 9 2 + 12 5
0 0 0 1 1 1 0 1 0 0 1
En la resolución de los sistemas de ecuaciones lineales solo los elementos de la matriz A y los componentes
!
del vector b intervienen. La idea general del método del eliminación gaussiana es la siguiente: partiendo
de la matriz ampliada A e0 , construir en n 1 etapas una matriz A en 1 de la forma
2 (n 1) (n 1) (n 1) 3
a11 a1n b1
6 .. .. .. .. 7
4 . . . . 5
(n 1) (n 1)
0 ann bn
348 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
Comenzamos con el método de eliminación gaussiana sin pivoting que se explica a continuación. Debemos
enfatizar en esta parte que no estamos muy interesados en la precisión de la solución y lo que queremos
es describir los elementos que intervienen en el algoritmo de la eliminación gaussiana.
Con el propósito de presentar las ideas fundamentales del método de eliminación gaussiana, consideramos
primeramente en ejemplo.
2 3 2 3
1 5 1 0 3
6 2 2 0 0 7 ! 6 2 7 h i
Sean A = 6 7; b = 6 7 : Formamos la matriz ampliada Ae= Aj! b , esto es,
4 2 1 1 4 5 4 1 5
3 6 2 7 7
2 3
1 5 1 0 3
6 2 2 0 0 2 7
e=6
A 7:
4 2 1 1 4 1 5
3 6 2 7 7
e en n
Para transformar la matriz A 1 etapas (en este caso 3 etapas) en una matriz de la forma
2 (3) (3) (3) 3
a11 a14 b1
6 .. .. .. .. 7
4 . . . . 5
(3) (3)
0 a44 b4
utilizamos las operaciones elementales con matrices, y particularmente, la de multiplicar a una …la por
una constante y el resultado sumar a otra …la.
Etapa 1
ai1
Si a11 6= 0, se de…ne ki1 = , i = 2; 3; 4, y K1 es la matriz siguiente:
a11
2 3 2 3
1 0 0 0 1 0 0 0
6 k21 1 0 0 7 6 2 1 0 0 7
K1 = 6 4 k31 0
7=6 7:
1 0 5 4 2 0 1 0 5
k41 0 0 1 3 0 0 1
Entonces
2 32 3 2 3
1 0 0 0 1 5 1 0 3 1 5 1 0 3
6 2 1 0 7 6
0 76 2 2 0 0 7
2 7 6 06 8 2 0 8 7
e1 = 6
A = 7:
4 2 0 1 0 54 2 1 1 4 1 5 4 0 11 3 4 7 5
3 0 0 1 3 6 2 7 7 0 9 5 7 16
6.6. MÉTODO DE ELIMINACIÓN GAUSSIANA. 349
h ! i h i
Esta matriz Ae1 lo notamos (1) e = A1 j !
A1 j b 1 o también aij , esto es, A b1 =
(1)
aij ; donde
! !
A1 = K 1 A y b = K 1 b :
Etapa 2
(1)
(1) ai2 (1)
Si a22 6= 0, se de…ne ki2 = (1)
, i = 3; 4. En nuestro caso particular a22 = 8.
a22
2 3 2 3
1 0 0 0 1 0 0 0
6 0 1 0 7 6
0 7 6 0 1 0 0 7
Se de…ne K1 = 6
4 0 k34 = 7 : La matriz K2 es triangular inferior invertible.
1 0 5 4 0 11
8 1 0 5
9
0 k42 0 1 0 8 0 1
Se de…ne h i h
e1 = K2 A1 j !
e2 = K2 A ! i
A b 1 = K 2 A1 j K 2 b 1 :
Entonces
2 32 3 2 3
1 0 0 0 1 5 1 0 3 1 5 1 0 3
6 0 1 0 0 7 6 0 8 2 0 8 7 6 0 8 2 0 8 7
e2 = 6
A 76 7=6 7:
4 0 11
1 0 54 0 11 3 4 7 5 4 0 0 1
4 5
8 4 4
9 11
0 8 0 1 0 9 5 7 16 0 0 4 7 7
h i
e2 = A2 j !
Ponemos A
(2) ! !
b 2 = aij ; donde A2 = K2 A1 ; b 1 = K1 b 1 :
Observe que la construcción de la matriz K2 hace que la matriz aumentada A e2 = K2 Ae1 conserve los
ceros de la primera columna bajo el elemento de la diagonal y se hagan ceros los elementos de la segunda
columna bajo el elemento de la diagonal de la matriz A1 :
Etapa 3
(2)
(2) ai3 (2) 1
Si a33 6= 0, se de…ne ki3 = (2)
, i = 4. En nuestro caso a33 = 4.
a33
2 3 2 3
1 0 0 0 1 0 0 0
6 0 1 0 0 7 6 0 1 0 0 7
Sea K3 = 6
4 0
7=6 7 : La matriz K3 es triangular inferior invertible. Ponemos
0 1 0 5 4 0 0 1 0 5
0 0 k43 1 0 0 11 1
h i h ! i
A e2 = K3 A2 j !
e3 = K2 A b 2 = K 3 A2 j K 3 b 2 :
Luego
2 32 3 2 3
1 0 0 0 1 5 1 0 3 1 5 1 0 3
6 0 1 0 0 7 6 0 8 2 0 8 7 6 0 8 2 0 8 7
e3 = 6
A 76 7=6 7:
4 0 0 1 0 54 0 0 1
4 5 4 0 1
4 5
4 4 0 4 4
11
0 0 11 1 0 0 4 7 7 0 0 0 51 51
h i
e3 = A3 j !
Ponemos A b 3 ; es
! !
decir que A3 = K3 A2 y b 3 = K3 b 2 que se indican a continuación:
2 3 2 3
1 5 1 0 3
6 0 8 2 0 7 ! 6 8 7
A3 = 6
4 0
7; b3=6 7
4 4 5:
0 1
4 4 5
0 0 0 51 51
350 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
R = A3 = K3 A2 = K3 K2 A1 = K3 K2 K1 A;
! ! ! !
b 3 = K3 b 2 = K3 K2 b 1 = K3 K2 K1 b :
Puesto que K1 ; K2; K3 son matrices triangulares inferiores invertibles, el producto K3 K2 K1 es una
matriz triangular invertible. Ponemos E = K3 K2 K1 . Entonces E 1 es una matriz triangular inferior, y
! ! ! !
R = EA; b 3 = E b de donde A = E 1 R; b = E 1 b 3 : Consecuentemente,
! ! !
A!x = b , E 1 R! x = E 1 b 3 () R! x = b 3;
! !
es decir que la solución !
x 2 R4 de A! x = b es la solución de R! x = b 3 y recíprocamente. Además, es
!
sistema de ecuaciones R! x = b 3 es triangular superior que en forma explícita se escribe:
8
> x1 +5x2
>
<
5x3 = 3
8x2 +2x3 = 8
1
>
> x
4 3 +4x 4 = 4
:
51x4 = 51;
cuya solución es !
x T = (2; 1; 0; 1) :
Conclusión: Si en cada etapa del proceso de eliminación gaussiana, no existe intercambio de …las o
(1) (2) (3)
columnas, y los elementos pivotes a11 ; a22 ; a33 ; a44 son no nulos, la matriz A se factora en la forma LR,
donde L = E 1 es triangular inferior, R triangular superior. Además, el sistema de ecuaciones lineales
! !
A!x = b es equivalente al triangular superior R! x = b 3:
Generalicemos las ideas expuestas en el ejemplo.
Etapa 1
(0)
Supongamos que a11 6= 0. Ponemos a11 = a11 . Se de…nen
ai1
ki1 = ; i = 2; :::; n;
a11
y sea K1 la matriz siguiente:
2 3 2 3
1 0 0 1 0 0
6 a21
1 0 7 6 k21 1 0 7
6 a11 7 6 7
K1 = 6 .. .. .. .. 7=6 .. .. .. .. 7:
4 . . . . 5 4 . . . . 5
an1
a11 0 1 kn1 0 1
e1 = K1 A:
De…nimos A e Entonces
h i h !i h ! i
A e = K1 A j !
e1 = K1 A b = K 1 A j K 1 b = A1 j b 1 ;
esto es
2 32 3
1 0 0 a11 a1n b1
6 k21 1 0 76 a21 a2n b2 7
e1 = 6
A 6 .. .. .. ..
76
76 .. .. ..
7
7
4 . . . . 54 . . . 5
kn1 0 1 an1 ann bn
2 3
a11 a12 a1n b1
6 0 k21 a12 + a22 k21 a1n + a2n k21 b1 + b2 7
6 7
= 6 .. .. .. .. 7:
4 . . . . 5
0 kn1 a12 + an1 kn1 a1n + ann kn1 b1 + bn
e1 = K1 A
Note el efecto de la construcción de la matriz K1 en A e al obtener en esta última ceros bajo el
elemento de la diagonal en la primera columna.
6.6. MÉTODO DE ELIMINACIÓN GAUSSIANA. 351
Etapa 2
e2 = a(1) y supongamos que a(1) 6= 0. Se de…ne
Ponemos A ij 22
(1)
ai2
ki2 = (1)
i = 3; :::; n;
a22
2 3
1 0 0 0
6 0 1 0 0 7
6 7
6 0 k32 1 0 7 e1 : Entonces
e12 = K2 A
y sea K2 = 6 7 : De…nimos A
6 .. .. .. .. .. 7
4 . . . . . 5
0 kn2 0 1
h i h ! i h ! i
A e1 = K2 A1 j !
e2 = K2 A b 1 = K 2 A1 j K 2 b 1 = A2 j b 2 ;
e2 = a(2) :
Ponemos A ij
Etapa j-ésima
(j 1)
Supongamos ajj 6= 0 j = 1; :::; n 1. Se de…ne
2 3
1 0 0 0
6 .. .. .. .. 7
6 . . . . 7
6 7
aij
(j 1) 6 0 1 0 0 7
6 7
kij = i = j + 1; :::; n; Kj = 6 . 7;
ajj
(j 1) 6 .. kj+1;j 1 0 7
6 7
6 .. .. .. .. 7
4 . . . . 5
0 kn;j 0 1
ej = Kj A
yA ej 1: Entonces
h ! i h ! i h ! i
ej = Kj A
A ej 1 = K j Aj 1 j bj 1 = K j Aj 1 j Kj b j 1 = Aj j b j ;
Etapa n-1
2 3
1 0 0
6 .. .. .. 7
(n 2) 6 . . . 7
(n 1) ann 6 7
Para j = n 1, si an 1;n 1 6= 0, se de…ne kn;n 1 = 1
; Kn 1 =6
6
.. .. .. 7;
7
(n 2)
an 1;n 1 6 . . . 7
4 0 1 0 5
0 kn;n 1 1
h ! i h ! i
en
A 1 = Kn e
1 An 2 = Kn 1 An 2 j Kn 1 bn 2 = An 1 j bn 1 ;
donde 2 3
(n 1) (n 1) (n 1)
a11 a1n b1
6 .. .. .. 7
6 . . . 7
en
A =6 7:
1 6 .. .. .. 7
4 . . . 5
(n 1) (n 1)
0 ann bn
La matriz An 1 es triangular superior, lo notaremos con R.
(n 1)
Suponemos ann 6= 0. Se tiene
R = An 1 = K n 1 An 2 = = Kn 1 Kn 2 K1 A;
! ! !
bn 1 = Kn 1 bn 2 = = K n 1 Kn 2 K1 b :
(j 1) (0)
Así, si todos los elementos pivotes ajj 6= 0; j = 1; :::; n 1 con a11 = a11 , la matriz A se factora
en la forma LR, con L una matriz triangular inferior invertible, R matriz triangular superior invertible.
Luego,
! ! !
A!x = b , LR! x = L b n 1 , R! x = b n 1;
! !
es decir que la solución !
x de A!x = b es solución de R! x = b n 1 y recíprocamente.
!
El sistema de ecuaciones R! x = b es triangular superior que en forma explícita se escribe:
8 (n 1) (n 1) (n 1)
>
< a11 x1 + + a1n xn = b1
..
> .
: (n 1) (n 1)
ann xn = bn ;
1. S = 0:
2. Para i = 1; :::; n
Para j = 1; :::; n Veri…cación de no nulidad de la matriz A:
Si jaij j 0;
S =S+j
Fin de bucle j.
Fin de bucle i.
3. Si S = n2 , imprimir mensaje 1: “Error: matriz nula”. Continuar en 9).
4. Para i = 1; :::; n Matriz ampliada.
ai;n+1 = bi :
Fin de bucle i.
5. Para j = 1; :::; n 1
Si ajj 6= 0 entonces Transformación en un sistema triangular superior.
Para i = j + 1; :::; n
aij
kij =
ajj
Para r = j + 1; :::; n + 1
air = kij ajr + air
Fin de bucle r.
Fin de bucle i
Caso contrario, continuar en 8).
Fin de bucle j.
!
6. Resolver el sistema triangular superior R!
x = bn 1:
7. Escribir !
x . Continuar en 9).
8. Escribir mensaje 2: “Pivote nulo”.
9. Fin.
Número de operaciones elementales.
En la primera etapa se ejecutan las siguientes operaciones elementales:
(n 1)
divisiones : 1 + 2 + ::: + n 1= ;
2
n
X1
adiciones : 2 + ::: + n (n 1) = (n j) (n j + 1) ;
j=1
n
X1
productos : 2 + ::: + n (n 1) = (n j) (n j + 1) :
j=1
Se tiene
n
X1 n
X1
(n j) (n j + 1) = n2 + n (2n + 1) j + j 2
j=1 j=1
n (n 1) 1
= n2 + n (n 1) (2n + 1) + (n 1) n (2n 1)
2 6
n (n 1) (n + 1)
= :
3
n (n 1) n (n 1) (n + 1) n
N oper (n) = +2 + n2 = 4n2 + 9n 7 :
2 3 6
Así, para n = 3, N oper (3) = 28, N oper (4) = 62, N oper (5) = 115:
(j 1)
En el método de eliminación gaussiana sin pivoting descrito precedentemente, si el elemento ajj es
(0)
nulo, el proceso se detiene j = 1; :::; n 1, con a11 = a11 . Una mejora al algoritmo es buscar en los
(j 1)
elementos de la columna aij , i = j + 1; :::; n, aquel elemento no nulo y efectuar el intercambio de la
…la i-ésima con la …la j-ésima, i > j.
En la práctica se muestra que este intercambio no basta pués no mejora la precisión de la solución. Para
mejorar la precisión de la solución es preciso introducir la estrategia del pivoting parcial y total.
Pivoting parcial
!
Sean A = (aij ) 2 Mn n [R] con A 6= 0; con b T = (b1 ; :::; bn ) 2h Rn ; yi consideramos el sistema de
! e= Aj!
ecuaciones lineales A!
x = b : Construimos la matriz ampliada A b y ponemos A e0 = A.
e
Etapa 1
Si ar1 = 0 entonces ai1 = 0; i = 1; :::; n, con loque la matriz A es singular. El proceso de eliminación
gaussiana concluye.
e0 . Este proceso se realiza
Si jar1 j > 0, intercambiamos las …las i = 1 con la …la i = r de la matriz A
mediante la operación elemental entre matrices que notamos
e0 = (bij ) ;
B0 = F1;r A
6.6. MÉTODO DE ELIMINACIÓN GAUSSIANA. 355
donde F1r es la matriz obtenida de la matriz identidad al intercambiar la …la2 i = 1 con la …la i3= r. A
1 0 0
6 k21 1 0 7
6 7
continuación de…nimos ki1 = bb11
i1
i = 2; :::; n; la matriz K1 siguiente:K1 = 6 . .. .. 7 ; y
4 .. . . 5
kn1 0 1
e1 = K1 B0 = a(1) :
A ij
Etapa 2
(1) (1)
Sea r el entero positivo tal que 2 r n y ar2 = Max ai2 :
i=2;:::;n
(1) (1)
Si ar2 = 0 entonces ai2 = 0 i = 2; :::; n, con lo que la matriz A es singular. El proceso de eliminación
gaussiana concluye.
(1) e1 . Para el efecto, de…nimos
Si ar2 > 0, intercambiamos las …las 1 = 2 con la …la i = r de la matriz A
e1 = b(1) ;
B1 = F2;r A ij
donde F2;1 es la matriz obtenida de la matriz identidad2 al intercambiar la …la3 2 con la …la r, y a
1 0 0 0
6 0 1 0 0 7
(1) 6 7
bi2 6 0 k32 1 0 7
continuación de…nimos ki2 = (1) i = 3; :::; n; K2 = 6 7 ; y sea
b22 6 .. .. .. . . .. 7
4 . . . . . 5
0 kn2 0 1
e2 = K2 B1 = a(2) :
A ij
Etapa n-1
(n 2) (n 2)
Sea r es entero positivo tal que n 1 r n y ar;n 1 = Max ai;n 1 :
i=n 1;n
(n 2)
Si ar;n 1 = 0, la matriz A es singular. El procesos de eliminación gaussiana concluye.
(n 2) e (n 1)
Si ar;n 1 > 0, intercambiamos la …la i = n 1 con r, de…nimos Bn 2 = Fn 1;n An 2 = bij ;
2 3
1 0 0
6 .. . . .
.. 7
6 . . 0 7
(n 2) 6 7
bn;n 1 6 .. . . .
. 7
kn;n 1 = bn 1;n 1 ; Kn 1 = 6
6 . . . 0 7 ; y sea
7
6 .. .. .. 7
4 0 . . 1 . 5
0 kn;n 1 1
en (n 1)
A 1 = Kn 1 Bn 2 = aij :
Resulta
en
A 1 = Kn e
1 Bn 2 = Kn e
2 Fn 1;n An 2 = = Kn 2 Fn 1;n
e
K1 F1;r A:
Cada matriz Ki i = 1; :::; n 1 y cada Fi;r ; i = 1; :::; n 1; r 2 fi; :::; ng ; son invertibles.
Luego,
(
An 1 = EA
! !
bn 1 =Eb:
! !
El sistema de ecuaciones lineales An 1 x = bn 1 es triangular superior, cuyo método de resolución ha
sido descrito anteriormente.
Para la elaboración del algoritmo de eliminación gaussiana con pivoting parcial debemos tener en cuenta,
ej 1 ; j = 1; :::; n 1:
en cada etapa, el proceso de intercambio de la …la i con la …la r de la matria A
Antes de proponer el algoritmo, exhibimos un ejemplo que muestre el proceso descrito en el método de
eliminación gaussiana con pivoting parcial.
Ejemplo
2 3 32
1 5 1 0 3
6 2 2 0 0 7 ! 6 2 7
Sean A = 6
4 2
7; b = 6 7
4 1 5 ; y consideremos el sistema de ecuaciones lineales
1 1 4 5
3 6 2 7 7
! !
Ax = b .
Etapa 1
Selección del pivoting: 3 = ja41 j = Max jai;1 j ; r = 4: Intercambio de las …las 1 e Se tiene
con la 4 de A.
2 3 i=1;2;3;4 2 3
3 6 2 7 7 1 0 0 0
6 2 2 0 0 2 7 6 2 1 0 0 7
B1 = 64 2
7 : Se de…nen las matrices siguientes: K1 = 6 23 7;
1 1 4 1 5 4
3 0 1 0 5
1
1 5 1 0 3 3 0 0 1
2 32 3 2 3
1 0 0 0 3 6 2 7 7 3 6 2 7 7
6 2
1 0 0 7 6 2 2 0 0 2 7 6 0 2 4 14 8 7
e1 = K1 B1 = 6
A 3 76 7=6 3 3 3 7:
4 2
0 1 0 54 2 1 1 4 1 5 4 0 5 1 26 11 5
3 3 3 3
1 5 7 16
3 0 0 1 1 5 1 0 3 0 3 3 3 3
Etapa 2
(1) (1) e1 . Se tiene
Selección del pivoting: 5 = a32 = Max ai;2 ; r = 5: Intercambio de las …las 2 con 3 de A
i=3;4
2 3 2 3
3 6 2 7 7 1 0 0 0
6 0 5 1 26 11 7 6 0 1 0 0 7
6 3 3 3 7 : Se de…nen K2 = 6 7
4 0 2 4 14 8 5 4 0 2 1 0 5;
3 3 3 5
5 7 16 3
0 3 3 3 3 0 5 0 1
6.6. MÉTODO DE ELIMINACIÓN GAUSSIANA. 357
2 32 3 2 3
1 0 0 0 3 6 2 7 7 3 6 2 7 7
6 0 1 0 0 7 6 0 5 1 26 11 7 6 0 5 1 26 11 7
e2 = K2 B2 = 6
A 76 3 3 3 7=6 3 3 3 7:
4 0 2
1 0 54 0 2 4 14 8 5 4 0 0 6 6 6 5
5 3 3 3 5 5 5
3 5 7 16 28 113 113
0 5 0 1 0 3 3 3 3 0 0 15 15 15
Etapa 3
28 (2) (2) e2 .
Selección del pivoting. 5 = a43 = Max ai3 ; r = 4: Intercambiamos las …las 3 y 4 de A
2 i=4 3
3 6 2 7 7
6 0 5 1 26 11 7
Tenemos B3 = 6 3 3 3 7 e
113 5 : Se de…nen las matrices K3 y A3 como sigue: K3 =
4 0 0 28 113
15 15 15
6 6 6
0 0
2 3 5 5 5
1 0 0 0
6 0 1 0 0 7
6 7; y
4 0 0 1 0 5
9
0 0 14 1
2 32 3 2 3
1 0 0 0 3 6 2 7 7 3 6 2 7 7
6 0 1 0 7 6
0 76 0 5 1 26 11 7 6 0 5 1 26 11 7
e3 = K3 B3 = 6
A 3 3 3 7=6 3 3 3 7:
4 0 0 1 0 54 0 0 28 113 113 5 4 0 0 28 113 113 5
15 15 15 15 15 15
9 6 6 6
0 0 14 1 0 0 5 5 5 0 0 0 51 51
cuya solución es !
x T = (2; 1; 0; 1) :
Algoritmo de eliminación gaussiana con pivoting parcial
Algoritmo
!T
Datos de entrada: n 2 Z+ ; A = (aij ) Mn n [R] ; b = (b1 ; :::; bn ) 2 Rn :
Datos de salida: Mensaje 1: “Error: matriz nula”. Mensaje 2: “Matriz singular”. Solución !
xT =
(x1 ; :::; xn ) Rn :
1. S = 0:
2. Para i = 1; :::; n Veri…cación de no nulidad de la matriz A.
Para j = 1; :::; n
Si jaij j 0;
S =S+j
Fin de bucle j.
Fin de bucle i.
3. Si S = n2 . Continuar en 8).
4. Para i = 1; :::; n Matriz ampliada.
ai;n+1 = bi
358 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
Fin de bucle i.
5. Para j = 1; :::; n 1
r=j
r=i
Fin de bucle i.
t = ajp
ajp = arp
arp = t
Fin de bucle p.
Fin de bucle p
Fin de bucle i.
Fin de bucle j.
!
6. Resolver el sistema triangular superior R!
x = bn 1:
7. Escribir !
x T = (x1 ; :::; xn ). Continuar en 10).
9. Imprimir mensaje 2.
10. Fin.
Pivoting total.
!
Sean A = (aij ) 2 Mn n [R] con A 6= 0 y b T = (b1 ; :::; bn ) Rn : Consideramos el sistema de ecuaciones
lineales
!
A!
x = b:
Etapa 1
Si ars = 0, la matriz A es nula y el proceso concluye. Supongamos que ars 6= 0. Intercambiamos las …las
1 con r y luego las columnas 1 con s. Este proceso se realiza mediante la operación entre matrices que
notamos
B0 = F1;r AC1;s = (bij ) ;
donde F1;r es la matriz obtenida de la matriz identidad al intercambiar la …la 1 con la …la r, y C1;s es la
matriz que se obtiene de la matriz identidad al intercambiar la columna 1 con la columna s.
Nótese que el intercambio de columnas provoca un intercambio de las incógnitas x1 con xs .
A continuación se procede como en el caso del pivoting parcial.
2 3
1 0 0
6 k21 1 0 7
bi1 6 7
Se de…nen ki1 = b11 i = 2; :::; n (b11 es el elemento ars ), K1 = 6 .. .. .. 7; y
4 . . . 5
kn1 0 1
(1)
A1 = K1 B0 = aij ;
! !
b 1 = K1 F1;r b :
e
Debe observarse que no se está utilizando la matriz ampliada A:
Etapa 2
(1) (1)
Sean r; s 2 Z+ tales que 2 r n; 2 s n; ars = Max aij :
i=2;:::;n
j=2;:::;n
(1)
Si ars = 0, la matriz A es singular. Concluir el proceso.
(1)
Si ars 6= 0, intercambiamos la …la 2 con la …la r, y la columna 2 con la columna s de A1 , o sea
(1)
B1 = F2;1 A1 C2;s = bij ;
donde F2;r es la matriz obtenida de la matriz identidad al intercambiar la …la 2 con la …la r; y, C2;s es
la matriz obtenida también de la identidad al intercambiar la columna 2 con la s. Note que este último
intercambio provoca el intercambio de las incógnitas x2 con xs .
! !
Se de…nen A2 = K2 B1 , y, b 2 = K2 F2r b 1 ;donde
2 3
1 0 0 0
6 0 1 0 0 7
6 7 (1)
bij
6 0 k32 1 0 7
K2 = 6 7 con ki2 = i = 3; :::; n:
6 .. .. .. . . .. 7 b
(1)
4 . . . . . 5 22
0 kn2 0 1
(n 2)
siempre que bn 1;n 1 6= 0.
An 1 = Kn 1 Bn 1 = Kn 1 Fn 1;n An 2 Cn 1;n
..
.
= Kn 1 Fn 1;n K2 B1 C2;s Cn 1;n
= Kn 1 Fn 1;n K1 F1;r AC1;s Cn 1;n :
Ponemos
E = Kn 1 Fn 1;n K1 F1;r ;
C = C1;s Cn 1;n ;
entonces
An 1 = EAC:
Las matrices E y C son invertibles. Resulta que
1
AC = E An 1:
Además,
! 1! ! 1!
A!
x = b () E 1
RC 1!
x =E bn 1 () RC 1!
x = bn 1 () !
x = CR bn 1:
! !
Sea !y = R 1 b n 1 , entonces R! y = b n 1 . En el método de eliminación gaussiana con pivoting total,
!
se resuelve primeramente el sistema de ecuaciones lineales triangular superior R!y = b n 1 y luego
!x = C! y , pués se deben recuperar las variable originales.
Ejemplo
Selección del pivoting total. Observemos que 7 = ja44 j = Max jaij j. Tenemos r = 4; s = 4.
i=1;:::;4
j=1;:::;4
Intercambiamos la …la 1 con la 4 y luego la columna 1 con la 4 en la matriz A. Resulta
2 3 2 3
7 6 2 3 0 0 0 1
6 0 2 0 2 7 6 0 1 0 0 7
B0 = 64 4 1
7 ; C1;4 = 6 7:
1 2 5 4 0 0 1 0 5
0 5 1 1 1 0 0 0
! ! !
Denotamos con d al vector que se obtiene de b al intercambiar la …la 1 con la 4, esto es, d T =
(7; 2; 1; 3) :
6.6. MÉTODO DE ELIMINACIÓN GAUSSIANA. 361
2 3
1 0 0 0
6 0 1 0 0 7
Se de…nen K1 = 6
4 4
7; y
7 0 1 0 5
0 0 0 1
2 32 3 2 3
1 0
0 0 7 6 2 3 7 6 2 3
6 0 1 7 6
0
0 76 0 2 0 7
2 7 6 0 6 2 0 2 7
A1 = K1 B0 = 6
4 4 = 7;
7 0 54 4 1
0 1 1 2 5 4 0 17
7
15
7
26
7
5
0 0
1 0 0 5 1 1 0 5 1 1
2 32 3 2 3
1 0 0 0 7 7
! ! 6 0 1 0 0 76 2 7 6 2 7
b 1 = K1 d = 6
4 4 0 1
76 7 6
54 1 5 = 4 5 5:
7
7 0
0 0 0 1 3 3
Etapa 2
Seleccionamos el pivoting. Tenemos
(1) (1)
S = a4;2 = Max aij ; r = 4; s = 2:
i=2;3;4
j=2;3;4
2 32 3 2 3
1 0 0 0 7 7
! ! 6 0 1 0 0 7 6 3 7 6 3 7
b 2 = K2 d 1 = 6
4 0
76 7=6 7
226 5 :
17
35 1 0 54 5 5 4
35
2 16
0 5 0 1 2 5
Etapa 3
Seleccionamos el pivoting. Tenemos
113 (2) (2)
= a3;4 = Max aij ; r = 3; s = 4:
35 i=3;4
j=3;4
2 32 3 2 3
1 0 0 0 7 7
! ! 6 0 1 0 0 7 6 3 7 6 3 7
b 3 = K3 d 2 = 6
4 0
76 7 6
226 5 = 4
7
226 5 :
0 1 0 4
5
35 35
56 16
0 0 113 1 5 0
8
>
> 7y1 +6y2 +3y3 +2y4 = 7
<
5y2 +y3 y4 = 3
El sistema de ecuaciones triangular superior es: 113 92 226 cuya
>
> 35 y3 35 y4 = 35
: 102
113 y4 = 0;
solución es !
y T = (1; 1; 2; 0).
Como C = C1;4 IC3;4 , se sigue que
!
x = C!y = C1;4 IC3;4 !
y
2 32 32 32 3 3 2
0 0 0 1 1 0 0 0 1 0 0 0 1 2
6 0 1 0 0 76 0 1 0 0 7 6 0 1 0 0 7 6 1 7 6 1 7
= 6
4 0 0 1 0 54 0
76 76 76 7=6 7
5 4 0 5:
0 1 0 54 0 0 0 1 54 2
1 0 0 0 0 0 0 1 0 0 1 0 0 1
(k) (k)
Si ars = 0, entonces aij = 0, i = k; :::; n; j = k; :::; n, con lo cual la matriz A es singular; y, el sistema
de ecuaciones tiene in…nitas soluciones o ninguna solución.
!
i) El sistema de ecuaciones A!
(k) (k)
x = b no tiene solución si en la k-ésima etapa ars = 0 = Max aij y
i=k;:::;n
j=k;:::;n
(k)
si algún bi 6= 0 para algún i = k:; ; ; n.
!
ii) El sistema de ecuaciones A!
(k)
x = b tiene in…nitas soluciones si en la k-ésima etapa ars = 0 =
(k) (k)
Max aij y bi = 0 par todo i = k; :::; n.
i=k;:::;n
j=k;:::;n
1
6.6.3. Cálculo de la matriz inversa A y del determinante de la matriz A.
1 1 1
cuya solución es B1T = 2; 2; 2 :
1 2 1
cuya solución es B2T = 3; 3; 3 :
5 1 1
cuya solución es B3T = 6; 6; 6 :
Luego 2 3
1 1 5
2 3 6
A 1
= [B1 ; B2 ; B3 ] = 4 1
2
2
3
1
6
5:
1 1 1
2 3 6
Observe que la parte común de los sistemas triangulares superiores que se obtienen para el cálculo de las
respectivas columnas B1 ; B2 ; B3 :
Sea A = (aij ) 2 Mn n [R] con A 6= 0. El método de eliminación gaussiana con pivoting parcial o total
permite calcular el determinante de la matriz A. Si aplicamos el método de eliminación gaussiana con
Bj = Fj;Sj Aj 1 ; j = 1; :::; n;
pivoting parcial a la matariz A, obtenemos donde A0 = A y Fj ; Sj es
Aj = Kj Bj ;
la matriz obtenida de la identidad al intercambiar la …la j con la sj 2 fj; :::; ng. Si sj = j, no existe
intercambio de …las, en tal caso Fj;sj = I matriz identidad.
se sigue que
det (An 1) = det (Kn 1) det Fn 1;Sn 1 ::: det (K1 ) det (F1;S1 ) det (A)
= det Fn 1;Sn 1 ::: det (F1;S1 ) det (A)
m
= ( 1) det (A) ;
de donde
n
Y (n 1)
det (A) = ( 1)m det (An 1 ) = ( 1)
m
aii :
i=1
(n 1)
donde An 1 = aij es una matriz triangular superior, Ki y Fj;sj son matrices del tipo descrito en el
pivoting parcial y Cj;Sj = I, es decir que no existe intercambio de columnas.
Denotamos con m1 el número de intercambio de …las, esto es, el número de matrices Fj;Sj 6= I; y m2 el
número de intercambios de columnas, es decir que m2 es el número de matrices Cj;Sj 6= I. Entonces
n
Y (n 1)
det (A) = ( 1)m1 +m2 ajj :
j=1
Por ser la matriz A simétrica, de…nida positiva, A es no singular y en consecuencia (1) admite una única
solución xb 2 Rn . Por otra parte, existe una matriz L = (lij ) 2 Mn n [R] triangular inferior tal que
A = LLT :
( !
L! y = b;
El sistema de ecuaciones (1) es equivalente a los siguientes:
LT !x =! y:
!
Primeramente se resuelve el sistema L! y = b . Calculado el vector ! y , se resuelve a continuación el
sistema de ecuaciones LT !
x =! y , que permite calcular !
x 2 Rn solución de (1) :
366 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
donde LT = lij
t t = l , i; j = 1; :::; n:
y lij ji
La igualdad (4) así como la de…nición de la matriz triangular inferior L = (lij ) serán utilizados
sucesivamente par construir cada columna de la matriz L.
Los elementos li1 ; i = 1; :::; n son calculados en la etapa precedente. Debemos calcular li2 ; i = 2; :::; n:
p
Para i = 2, se tiene a22 = l212 + l2 ) l = a22 l212 y para i = 3; :::; n; se obtiene l = ai2 li1 l21 :
22 22 i2 l22
Para i = j,
j
X j 1
X
2 2
ajj = ljk ljk = ljk + ljj
k=1 k=1
de donde v
u j 1
u X
ljj = tajj 2
ljk (9)
k=1
jP1
2 , luego l > 0. Además l p
Note que ajj > ljk jj jj ajj para j = 1; :::; n:
k=1
Hacemos notar que en la práctica, dada una matriz simétrica A, el algoritmo de Choleski permite
identi…car si A es de…nida positiva o no por lo que en cada etapa del algoritmo de Choleski se veri…ca si
j 1
X
2
ajj ljk > 0;
k=1
Por otro lado, en el algoritmo se asume que la matriz A es simétrica. En realidad, la primera tarea es
veri…car que la matriz A sea simétrica.
Algoritmo
Datos de salida: Mensaje 1: “La matriz no es simétrica”. Mensaje 2: “La matriz A no es de…nida positiva”.
Matriz L = (lij )
3. Para i = 2; :::; n
ai1
li1 =
l11
Fin de bucle i
4. Para j = 2; :::; n
S=0
Para k = 1; :::; j 1
S = S + ljk ljk
Fin de bucle k.
Para i = j + 1; :::; n
S=0
Para k = 1; :::; j 1
S = S + lik ljk
368 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
(aij S)
lij =
ljj
Fin de bucle k
Fin de bucle i.
Fin de bucle j.
7. Fin.
y para i = n; v
n u
X1 u n
X1
ann = 2
lkk + 2
lnn ) lnn = tann 2 :
lnk
k=1 k=1
Ejercicio
Algoritmo
!T
Datos de entrada: n 2 Z+ ; A = (aij ) 2 Mn n [R] ; b = (b1 ; :::; bn ) 2 Rn :
4. Escribir la solución !
x T = (x1 ; :::; xn ). Continuar en 6).
6. Fin.
Ejemplo
2 3 2 3
1 1 2 3 3
! 6 1 2 7
4 1 7 ! 6 2 6 7
Hallar la solución del sistema de ecuaciones A!
x = b , donde A = 6
4 2 ; b =4 7:
4 9 2 5 3 5
3 1 2 14 11
6.7. MÉTODO DE CHOLESKI. 369
ai1
Para i = 2; 3; 4 : li1 = ;
l11
a21 1
l21 = = = 1;
l11 1
a31 2
l31 = = = 2;
l11 1
a41 3
l41 = = = 3:
l11 1
Etapa 2 (j = 2)
q p
l22 a22 2
l21 = 2 1 = 1;
ai2 li1 l21
Para i = 3; 4 : li;2 = ;
l22
a32 l31 l21 4 2 1
l32 = = = 2;
l22 1
a42 l41 l21 1 3 1
l42 = = = 2:
l22 1
Etapa 3 (j = 3)
q p
l33 = a33 2
l31 2 =
l32 9 4 4 = 1;
ai3 li1 l31 li2 l32
Para i = 4 : li3 = ;
l33
a43 l41 l31 l42 l32 2 3 2 ( 2) 2
l43 = = = 0:
l33 1
Etapa 4 (j = 4) q
2 2 2 =
p
l44 = a44 l41 l42 l43 14 9 4 0 = 1:
2 3 2 3
1 0 0 0 1 1 2 3
6 1 1 0 0 7 6 0 1 2 2 7
En consecuencia L y LT son las matrices L = 6
4 2
7; LT = 6 7 : Se veri…ca
2 1 0 5 4 0 0 1 0 5
3 2 0 1 0 0 0 1
inmediatamente que A = LL :T
!
Pasamos a la resolución de los sistemas de ecuaciones L! y = b y LT !
x =!
y:
8
>
> y1 =3
! <
y1 +y2 =2
El sistema de ecuaciones L! y = b es el siguiente: cuya solución es
>
> 2y +2y2 +y3 =3
: 1
3y1 2y2 +y4 = 11;
!
y T = (3; 1; 1; 0) :
8
>
> x1 +x2 +2x3 +3x4 = 3
<
x2 +2x3 2x4 = 1
El sistema de ecuaciones LT !x =! y es el siguiente: cuya solución
>
> x3 = 1
:
x4 = 0;
es !
x T = (4; 1; 1; 0) :
370 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
raíz cuadrada : 1;
divisiones : n 2;
productos : 1+n 2=n 1;
adiciones : 1+n 2=n 1;
j=n 1;
raíz cuadrada : 1;
divisiones : 1;
productos : n 2+n 2 = 2 (n 2) ;
adiciones : n 2+n 2 = 2 (n 2) ;
j = n;
raíz cuadrada : 1;
productos : n 1;
adiciones : n 1:
raíces cuadradas : n
n
X1 n (n 1)
divisiones : n 1+n 2 + ::: + 1 = (n j) = ;
2
j=1
n
X n n2 1
productos : 0+n 1 + ::: + 2 (n 2) + m 1= (n j + 1) (j 1) =
6
j=1
n
X n n2 1
adiciones : 0+n 1 + ::: + 2 (n 2) + n 1= (n j + 1) (j 1) =
6
j=1
n n2 1 n n2 1
n (n 1) n
N =n+ + +
= 2n2 + 3n + 1 :
6 6 2 6
!
Para la resolución de los sistemas de ecuaciones lineales L!y = b y LT !
x = ! y se requieren de 2n2
operaciones elementales. Entonces
n n
N oper (n) = 2n2 + 2n2 + 3n + 1 = 2n2 + 15n + 1 :
6 6
Así, para n = 4; N oper (4) = 62; para n = 5; N oper (5) = 105: Para n 5, el número de operacione
elementales requerido para resolver un sistema de ecuaciones lineales con el método de Choleski es inferior
al utilizado en el método de eliminación gaussiana N oper (n) = n6 4n2 + 9n 7 :
6.8. MÉTODO DE CROUT. 371
Si A = (aij ) 2 Mn n [R] es una matriz simétrica, de…nida positiva, existe una matriz L = (lij ) triangular
inferior tal que A = LLT : Entonces, el determinante de L denotado det (L) se calcula como el producto
de los elementos de la diagonal, esto es,
n
Y
det (L) = lii :
i=1
y
A = LU: (2)
En de…nitiva, la matriz L es triangular inferior, la matriz U es triangular superior y cuyos elementos
de la diagonal son todos 1. De la factorización de A, es sistema de ecuaciones (1) es equivalente a los
siguientes: ( !
! ! ! ! L!
y = b;
A x = b , LU x = b ,
U!x =! y:
! !
El primero L! y = b es un sistema triangular inferior, y el segundo U !x = b es un sistema triangular
superior. Por lo tanto, queda describir un algoritmo para determinar las matrices L y U:
Así,
li1 = ai1 ; i = 1; :::; n: (4)
Para i = 1;
n
X
a1j = l1k ukj = l11 u1j ;
k=1
de donde
a1j
u1j = ; l11 6= 0; j = 2; :::; n: (5)
l11
Etapa 2 (j = 2)
n
X
ai2 = lik uk2 = li1 u12 + li2 u22 = li1 u12 + li2 ;
k=1
de donde
li2 = ai2 li1 u12 i = 2; :::; n:
Para i = 2;
n
X
a2j = l2k ukj = l21 u1j + l22 u2j
k=1
a2j + l1 u1j
u2j = si l22 6= 0; j = 3; :::; n:
l22
Note que en la primera etapa se construye la primera columna de L y luego la primera …la de U . En la
segunda etapa se construye la segunda columna de L y a continuación la segunda …la de U . Continuando
con este procedimiento, para 1 j n …jo,
j 1
X
aij = ssnk=1 lik ukj = li1 u1j + li2 u2j + ::: + lij uii = lik ukj + lij
k=1
de donde
j 1
X
lij = aij lik ukj i = j; :::; n: (6)
k=1
Para 1 i n 1 …jo, se tiene
aij = ssk = 1n lik ukj = li1 u1j + li2 u2j + ::: + lii uij ;
jP1
aij lik ukj
k=1
uij = ; ljj 6= 0; j = i + 1; :::; n:
ljj
Antes de proceder a la descripción del algoritmo de factorización de A mediante el método de Crout,
consideremos un ejemplo.
Ejemplo
! ! !
Hallar la solución del 2
sistema de ecuaciones lineales
3 A x =
2 b , con
3 A la matriz y b el vector que se dan
2 2 0 2 0 0
6 1 0 1 2 0 7 6 0 7
6 7 !6 7
a continuación. A = 6 6 1 2 1 4 2 77; b 6 7
6 0 7 : Apliquemos el método de Crout.Para
4 2 3 0 1 1 5 4 2 5
0 1 1 0 1 1
ello, comencemos con el pricedimiento de factorización LU descrito precedentemene.
6.8. MÉTODO DE CROUT. 373
es decir que
con lo cual
a34 l31 u14 l32 u24 4 ( 1) 1 1 1
u34 = = = 2;
l33 2
a35 l31 u15 l32 u25 2 ( 1) 0 1 0
u35 = = = 1:
l33 2
Etapa 4 (j = 4) : Se construye la cuarta columna de L.
l55 = a55 l51 u15 l52 u25 l53 u35 l54 u45
= 1 0 0 ( 1) 0 0 ( 1) 1 0= 1:
Obtenemos 2 3 2 3
2 0 0 0 0 1 1 0 1 0
6 1 1 0 0 0 7 6 0 1 1 1 0 7
6 7 6 7
L=6
6 1 1 2 0 0 7;
7 U =6
6 0 0 1 2 1 7:
7
4 2 1 1 2 0 5 4 0 0 0 1 0 5
0 1 0 1 1 0 0 0 0 1
! !
El sistema de ecuaciones A!
x = b es equivalente a los dos siguientes: L!y = b y U!
x =!
y:
!
Comencemos con la resolución del sistema triangular inferior L!y = b . Tenemos
8
>
> 2y1 =0
>
>
< 1 y +y 2 =0
y1 +y2 +2y3 =0
>
>
>
> 2y 1 y 2 y 3 2y 4 = 2
:
y2 +y4 y5 = 1;
cuya solución es !
y T = (0; 0; 0; 1; 2) :
La solución es !
x T = (2; 1; 0; 1; 2) :
Algoritmo de factorización LU
Algoritmo
Datos de salida: L; U:
1. Para i = 1; :::; n
li1 = ai1 :
Fin de bucle i.
2. Si l11 6= 0;
Para k = 2; :::; n
a1k
u1k =
l11
Fin de bucle k.
3. Para j = 2; :::; n
Para i = j; :::; n
S=0
Para k = 1; :::; j 1
S = S + lik ukj
lij = aij S
Fin de bucle k.
Si ljj 6= 0;
Para k = j + 1; :::; n
S=0
Para i = 1; :::; j 1
S = S + lki uij
ajk S
ujk =
ljj
Fin de bucle i.
Fin de bucle k.
Fin de bucle j.
6. Fin.
376 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
Una vez que se ha procedido a la factoración de la matriz A en la forma LU; se pasa inmediatamente a
la resolución del sistema de ecuaciones lineales que se recoje en el algoritmo de Crout.
Algoritmo de Crout
Algoritmo
!T
Datos de entrada: n 2 Z+ ; A = (aij ) 2 Mn n [R] ; b = (b1 ; :::; bn ) 2 Rn :
4. Escribir la solución !
x T = (x1 ; :::; xn ) : Continuar en 6).
6. Fin.
Observaciones
LU = L1 U1 , L1 1 L = U1 U 1
:
0 1
2. La matriz A = no se factora en la forma LU: La matriz A es claramente no singular.
1 0
l11 0 1 u12
Supongamos que A = LU con L = ; U= : Entonces
l21 l22 0 1
Luego,
l11 = 0; 1 = l11 u12 = 0 u12 = 0 que es absurdo.
Como hemos visto, essta clase de matrices se presentaron en la discretización de problemas de valores
de frontera 1d, en la construcción de splines de interpolación. Además, aparecen en la discretización
mediante diferencias …nitas y elementos …nitos de muchos problemas del tipo
8 @u @ @u @u
< @t @x p @x + v @x + qu = f;
+ Condición inicial,
:
+ Condiciones de frontera,
donde f; p; q; v son funciones dadas que cumplen cierta regularidad en [0; L] [0; T ] ; con L > 0; T > 0:
!
Sean A = (aij ) 2 Mn n [R] con A 6= 0 y A tridiagonal, b T = (b1 ; :::; bn ) 2 Rn . Se considera el sistema de
!
ecuaciones lineales A!
x = b:
Esta clase de problemas involucra el almacenamiento adecuado de los datos y una simpli…cación del
!
algoritmo de resolución del sistema de ecuaciones A!
x = b:
Para almacenar los elementos aij ; i; j = 1; :::; n de A se requieren n2 espacios de memoria, que para
n grande, n2 puede ser muy signi…cativo. Por ejemplo para n = 1000, n2 = 1;000;000. Es claro que en
la actualidad una cifra como esta es muy modesta frente a la capacidad de almacenamiento de datos
que poseen los modernos equipos de computación. Sin embargo, por grande que sea esta capacidad de
almacenamiento, es preciso tratar de optimizar el espacio de memoria utilizado. Con este propósito, para
almacenar los datos de una matriz tridiagonal, únicamente se requieren de aquellos elementos aij para
los que ji jj 1; i; j = 1; :::; n, y no todos los n2 elementos de la matriz A:
b11 = bn3 = 0;
bi1 = aii 1; i = 2; :::; n;
bi2 = aii ; i = 1; :::; n;
bi3 = aii+1 ; i = 1; :::; n 1;
378 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
Observamos que los elementos de la diagonal principal de A está localizados en la segunda columna de
B. Los elementos de la diagonal superior adyacente a la principal de A están localizados en la tercera
columna de B, los elementos de la diagonal inferior adyacente a la principal de A están localizados en la
primera columna de B.
Note que la matriz B requiere de 3n espacios de memoria. Por ejemplo para n = 1000, solo se requieren
de 3000 espacios de memoria. Adicionalmente, el tiempo de máquina y la precisión de la solución, son
dos situaciones importantes a considerar. En cuanto se re…ere a la precisión de la solución, posponemos
el análisis correspondiente.
!
En lo que se re…ere al tiempo de máquina utilizado en la resolución del sistema de ecuaciones A!
x = b , se
buscan algoritmos cuyos tiempos de máquina, sean en lo posible, los más pequeños. Se logra este objetivo
utilizando la hipótesis A es una matriz tridiagonal y elaborando algoritmos que eviten realizar cálculos
innecesarios con elementos aij = 0 para ji jj > 1, i; j = 1; :::; n. El arreglo de elementos de A en la
matriz B conduce al propósito antes precisado.
Para esta clase de matrices tridiagonales y con hipótesis suplementarias sobre la matriz A, proponemos
tres algoritmos de resolución numérica de los sistemas de ecuaciones lineales.
Con la hipótesis A es estrictamente diagonalmente dominante, debemos mostrar que las matrices
(1) (n 1)
A1 = aij ; :::; An 1 = aij correspondientes a cada etapa de la eliminación gaussiana, son
estrictamente diagonalmente dominantes.
Etapa 1. Como A es estrictamente diagonalmente dominante, se tiene ja11 j > ja12 j ; ja22 j > ja21 j + ja23 j :
a21
Resulta ja11 j > 0. Sean k21 = ,y
a11
(1) a21 a12
a22 = k21 a12 + a22 = a12 + a22 = a21 + a22 :
a11 a11
a12
1. Como ja11 j > ja12 j se sigue que < 1. Luego a21 aa12 < ja21 j : Entonces
a11 11
a12
ja22 j > ja21 j + ja23 j > a21 + ja22 j
a11
de donde
a12
ja22 j a21 > ja23 j :
a11
Así,
(1) (1)
a22 > a23 = ja23 j :
(1)
(1) a32
Etapa 2. Como a22 6= 0. Se de…ne k32 = (1)
;y
a22
(1) (1)
(2) (1) (1) a32 (1) (1) (1) a23 (1)
a33 = k32 a23 + a33 = a + a33 =
(1) 23
a32 (1)
+ a33 :
a22 a22
(1) (1)
Puesto que a22 > a23 y razonando en forma similar a la realizada en la etapa 1, se muestra que
(2) (2) (2)
a33 > a34 : Denotamos con A2 = aij , donde
(2) (1)
aij = aij i = 1; :::; n; i 6= 3; j = 1; :::; n;
(2) (2) (1) (2)
a32 = 0; a34 = a34 ; a3j = 0; j = 4; :::; n:
Se de…ne
(n 2)
ann 1
kn:n 1 = (n 2)
;
an 1;n 1
y
(n 2)
a(n
nn
1)
= kn;n 1 an 1;n + a(n
nn
2)
:
(n 2)
(n 1) (n 2) (n 2) an 1;n
Mostremos que ann 6= 0: Como an 1;n 1 > an 1;n se sigue (n 2)
<1y
an 1;n 1
(n 2)
(n 2) an 1;n (n 2)
an;n 1 (n 2) < ann 1 < a(n
nn
2)
:
an 1;n 1
Luego,
(n 2) (n 2)
an;n 1 (n 2) (n 2) an 1;n
a(n
nn
1)
= (n 2)
an 1;n + a(n
n;n
2)
a(n
nn
2)
ann 1 (n 2) > 0:
an 1;n 1 an 1;n 1
!
En términos de los elementos de la matriz B y el vector b , el procedimiento de eliminación gaussiana
!
para la resolución del sistema de ecuaciones A!
x = b se escribe en los siguientes términos.
b21
Etapa 1. Se pone c = . Luego b22 = cb13 + b22 ; b2 = cb1 + b2 :
b12
Etapa 2. Se pone
b31
c= ; b32 = cb23 + b32 ; b3 = cb2 + b3 :
b22
380 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
Etapa n 1
1.
bn1
c= ; bn2 = cbn 1;3 + bn2; bn = cbn 1 + bn :
bn 1;2
bn
xn = ;
bn2
y para i = n 1; :::; 1;
(bi bi3 xi+1 )
xi = :
bi;2
!
Se establece el siguiente algoritmo de resolución del sistema de ecuaciones lineales A!
x = b . Se asume
que la matriz A es tridiagonal con lo que los elementos de A son almacenados en la matriz B.
Algoritmo
!T
Datos de entrada: n 2 Z+ ; B = (bij ) 2 Mn 3 [R] ; b = (b1 ; :::; bn ) 2 Rn :
1. Para i = 1; :::; n;
Fin de bucle i.
2. Para j = 1; :::; n 1
bj+1;1
c= Proceso de eliminación gaussiana
bj2
bj+1;2 = c bj3 + bj+1;2
bj+1 = c bj + bj+1
Fin de bucle j.
bn
3. xn = Resolución del sistema triangular superior
bn2
4. Para j = n 1; :::; 1
(bj bj;3 xj+1 )
xj =
bj2
Fin de bucle j.
5. Imprimir !
x T = (x1 ; :::; xn ). Continuar en 7).
7. Fin.
Nota: Se puede probar que el número total de operaciones elementales en la resolución del sistema de
!
ecuaciones A!
x = b es N oper(c) (n) = 8n 7:
Ejemplos
6.9. SISTEMAS DE ECUACIONES LINEALES CON MATRICES TRIDIAGONALES. 381
2 3 2 3
5 1 0 0 0 11
6 2 4 1 0 0 7 6 8 7
6 7 ! 6 7
1. Sean A = 6
6 0 1 3 1 0 7;
7 b =6
6 0 7 : Consideramos el sistema de ecuaciones lineales
7
4 0 0 2 5 2 5 4 1 5
0 0 0 3 4 5
!
A!
x = b que en forma explícita se escribe
8
>
> 5x1 x2 = 11
>
>
< 2x1 +4x2 +x3 = 8
x2 +3x3 +x4 = 0
>
>
>
> 2x3 +5x4 +2x5 = 1
:
3x4 +4x5 = 5:
Apliquemos el algoritmo precedente. Primeramente, la matriz A es tridiagonal, consecuentemente
los elementos de A son dispuestos en la siguiente matriz:
2 3
0 5 1
6 2 4 1 7
6 7
B=6 6 1 3 1 7:
7
4 2 5 2 5
3 4 0
1. Observamos que la matriz A es estrictamente diagonalmente dominante, lo que equivale a
observar que en cada …la de B se satisface la condición
jbj2 j > jbj1 j + jbj3 j ; j = 1; 2; 3; 4; 5:
2. Pasemos al proceso de eliminación gaussiana descrito en el punto 2) del algoritmo precedente.
Para j = 1; 2; 3; 4. Se tiene
j = 1,
b21 2 2
c = = = ;
b12 5 5
2 18
b22 = c b13 + b22 = ( 1) + 4 = ;
5 5
2 18
b 2 = c b1 + b 2 = 11 + ( 8) = ;
5 5
j = 2;
b31 1 5
c = = 18 = ;
b22 5
18
5 49
b3;2 = c b23 + b32 = 1+3= ;
18 18
5 18
b3 = c b2 + b3 = + 0 = 1;
18 5
j = 3;
b41 2 36
c = = 49 = ;
b32 18
49
36 109
b42 = c b33 + b42 = 1+5= ;
49 49
36 13
b4 = c b3 + b4 = 1+1= ;
49 49
j = 4;
b51 3 147
c = = 209 = ;
b42 49
209
147 542
b52 = c b43 + b52 = 2+4= ;
209 209
147 13 53116
b5 = c b4 + b5 = + ( 5) = :
209 49 10241
382 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
53116
b5 10241
x5 = = 542 = 2;
b52 209
13
b4 b43 x5 49 2 ( 2)
x4 = = 209 = 1;
b42 49
b3 b33 x4 1 1 1
x3 = = 49 = 0;
b32 18
18
b2 b23 x3 5 1 0
x2 = = 18 = 1;
b22 5
b1 b13 x2 11 ( 1) ( 1)
x1 = = = 2:
b12 5
2 3 2 3
5 2 1 0 0 0
6 2 6 2 1 0 7 6 9 7
6 7 ! 6 7
2. Sean A = 6 16 2 7 2 1 7; b = 6
7 7
6 14 7 : Consideramos el sistema de ecuaciones
4 0 1 2 6 2 5 4 3 5
0 0 1 2 4 0
! !
lineales A x = b Apliquemos el algoritmo precedente.
Etapa 1
2 3 2 3
1 0 0 0 0 2 3 5 2 1 0 0
6 2 7 5 2 1 0 0 6 34 8 7
6 1 0 0 0 7 6 7 6 0 1 0 7
6 5 76 2 6 2 1 0 7 6 5 5 7
6 1 76 6
7=6 12 36 7
A1 = K 1 A0 = 6 0 1 0 0 7 1 2 7 2 1 1 7 ;
6 5 764
7 6 0
5 6 5 5
2 7
6 7 0 1 2 6 2 7
4 0 0 0 1 0 5 4 0 1 2 6 2 5
0 0 1 2 4
0 0 0 0 1 0 0 1 2 4
2 3
1 0 0 0 0 2 3 2 3
6 2 7 0 0
6 1 0 0 0 7
! 6 76 9 7 6 9 7
! 6 5 766
7 6
7 6
7
7:
b1 = K1 b = 6 1 0 1 0 0 7 14 = 14
6 5 764
7 6
5 4
7
5
6 7 3 3
4 0 0 0 1 0 5 0 0
0 0 0 0 1
Etapa 2
2 32 3 2 3
1 0 0 0 0 5 2 1 0 0 5 2 1 0 0
6 0 1 0 0 0 7 6 34 8 7 66 0
34 8
1 0 7
7
6 76 0 1 0 7
6 6 76 7 6 5 5 7
6 1 0 0 7 6 5 5 7 6 132 28 7
A2 = K 2 A1 = 6 0 76 0 12 36
1 7 =6 0 0 1 7
7;
6 17 76 2 7 6 17 17
6 0 5
0 1 0 7 6 5 5 7 6 38 209 7
4 34 54 0 1 2 6 2 5 6 4 0 1 2 5
7
0 0 0 0 1 0 0 1 2 4 17 34
0 0 1 2 4
2 3 2 3
1 0 0 0 0 2 3 0
6 0 1 0 0 0 7 0 6 9 7
6 76 7 6 7
! ! 6
6 6 7 6 9 7 6 292 7
= K2 b 1 = 6 0 1 0 0 7
76 7=6 7
b2
6 17 76
14 7 6 17 7:
6 0 5 7 4 3 5 6
6 57 7
7
4 0 1 0 5 4 5
34 0 34
0 0 0 0 1 0
6.9. SISTEMAS DE ECUACIONES LINEALES CON MATRICES TRIDIAGONALES. 383
Etapa 3
2 3
2 32 5 1 2 0 0
3 5 2 1 0 0
1 0 0 0 0
6 0 1 76 8 34 7 6
6 0
34 8
1
7
7
0
6 0 0 0 76 0 1 0 77 6 5 5 7
6 0 0 76 5 5 7 6 132 28 7
6 1 0 0 76 132 28 6 1 7
A3 = K 3 A2 = 6 19 76 0 0 1 7
7=6
0 0 7;
6 0 0 76 17 17 7 6
17 17
113 7
6 1 0 76 38 209 7 6
437 7
4 66
17 56
4 0 1 2 5 6 0 0 0
66
7
66 5
0 0 0 1 17 34 4
73 545
132 0 0 1 2 4 0 0 0
33 132
2 32 3 2 0 3
1 0 0 0 0 0
6 0 1 76 9 7 6 9 7
6 0 0 0 76 7 6 7
! ! 6 0 0 1 0 0 7 6 292 7 66
292 7
7
6 76 7
b3 = K3 b 2 = 6 19 7 6 17 7 = 6 17 7:
6 0 0 1 0 7 6 57 7 6 6 437 7 7
6 76 7
4 66
17 5 4 34 5 6 66
4 73 5
7
0 0 0 1 0
132 33
Etapa 4
2 3
5 2 1 0 0
2 3
1 0 0 0 0 6 34 8 7
6 0 1 0 7
6 0 1 0 0 076 5 5 7
6 76 132 28 7
6 76 0 1 7
A4 = K 4 A3 = 6 0 0 1 0 076 0
17 17 7
6 0 0 0 1 076 437 113 7
4 56 0 0 0 7
146 6 7
0 0 0 1 4 66 66 5
437 73 545
0 0 0
33 132
2 3
5 2 1 0 0
6 34 8 7
6 0 1 07
6 5 5 7
6 132 28 7
6 1 7
= 6 0 0
17 17 7;
6 437 113 7
6 0 0 0 7
6 7
4 66 66 5
8217
0 0 0 0
1748 2 3
0 2 3
2 3 0
1 0 0 0 0 6 7 6
6 9 7 6 9 7
6 0 1 0 0 0 7 7
! ! 6 766
292 7 6
7 6 292 7
6 0 7 7
b4 = K4 b 3 = 6 0 0 1 0 766 17 7=6
7 6 17 7:
6 0 0 0 1 0 7 437 7
4 566
7 6
7 4
437 7
146 66 5
0 0 0 1 4 73 5 66
437 0
33
La solución del sistema de ecuaciones triangular superior es ! x = (0; 1; 2; 1; 0)T : Adicionalmente
para la resolución del sistema de ecuaciones lineales se realizaron 47 operaciones elementales para
transformar el sistema en uno triangular superior y 19 operaciones para resolver este último sistema.
La resolución de este sistema de ecuaciones requiere de 66 operaciones elementales.
Método de Choleski
!
Sea A = (aij ) 2 Mn n [R] tridiagonal, simétrica, de…nida positiva, b T = (b1 ; :::; bn ) 2 Rn . Consideramos
!
el sistema de ecuaciones lineales A!
x = b:
La hipótesis A es una matriz simétrica, de…nida positiva implica la existencia de una matriz triangular
inferior L = (lij ) 2 Mn n [R] tal que A = LLT . En inmediato veri…car que
De la estructura de la matriz L; se sigue que los coe…cientes de interés lij son únicamente lii ; i = 1; :::; n,
li;i 1 ; i = 2; :::; n; lo que conduce a de…nir una matriz C = (cij ) 2 Mn 2 [R] siguiente:
c11 = 0;
ci1 = lii 1; i = 2; :::; n;
ci2 = lii ; i = 1; :::; n;
2 3
0 l11
6 l21 l22 7
6 7
6 l31 l33 7
es decir que C es la matriz de la forma siguiente: C = 6 7:
6 .. .. 7
4 . . 5
lnn 1 lnn
Con la hipótesis A es una matriz tridiagonal, realizamos las simpli…caciones en el algoritmo de Choleski.
Tenemos el procedimiento siguiente.
p
1. l11 = a11 :
a12
2. l21 = :
l11
3. Para j = 2; :::; n 1
q
ljj = ajj ljj 2
1
ajj+1
lj+1;j =
ljj
Fin de bucle j
q
4. lnn = ann lnn 2
1:
3. Para j = 2; :::; n 1
q
cj2 = bj2 c2j1
bj3
cj+1;1 =
cj2
Fin de bucle j.
p
4. cn2 = bn2 c2n1 :
!
Por otro lado, la resolución del sistema de ecuaciones triangular inferior L!
y = b se describe en el
siguiente procedimiento:
6.9. SISTEMAS DE ECUACIONES LINEALES CON MATRICES TRIDIAGONALES. 385
b1 b1
1. y1 = L11 = c12 :
2. Para j = 2; :::; n
bj Ljj 1 yj 1 bj cj1 yj 1
yi = = :
Ljj cj2
Fin de bucle j.
2. Para j = n 1; :::; 1
yj Ljj 1 xj 1 yj cj1 xj 1
xj = = :
Ljj cj2
Fin de bucle j.
Ejemplo
!
Apliquemos el algoritmo precedente al sistema de ecuaciones lineales A!x = b , donde
2 3 2 3
4 2 0 0 0 0 2
6 2 5 2 0 0 0 7 6 1 7
6 7 6 7
6 0 2 2 1 0 0 7 7 ! 6 4 7
A=6 6 0 ; b =6 6 7:
6 0 1 10 6 0 77
7
6 16 7
4 0 0 0 6 5 1 5 4 1 5
0 0 0 0 1 5 0
En el método de Choleski (sin considerar los errores de redondeo) y para matrices tridiagonales, si se
tiene AT = A, y
ajj > L2jj 1 j = 1; 2; :::; n;
la matriz A es simétrica, de…nida positiva.
!
Apliquemos el pricedimiento de resolución del sistema de ecuaciones A!
x = b arriba descrito. Tenemos:
p p
1. L11 b12 = 4 = 2;
b13 2
2. c21 = L21 = = 2 = 1;
c12
3. Para j = 2; 3; 4; 5
p p
j = 2; c22 = b22 c221 = 5 1 = 2;
b23
c31 = c22 = 2 = 1;
2
p p
j = 3; c32 = b32 c231 = 2 1 = 1;
b33 1
c41 = c32 = 1 = 1;
386 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
p p
j = 4; c42 = b42 c241 = 10 1 = 1;
b43 6
c51 = c42 = 3 = 2;
p p
j = 5; c52 = b52 c251 = 5 4 = 1;
b53 1
c61 = c52 = 1 = 1;
p p
4. c62 = b62 c261 = 5 1 = 2:
!
El sistema de ecuaciones L!
y = b en términos de la matriz C tiene la forma siguiente:
8
c12 y1 = b1 >
> 2y1 = 2
c21 y1 +c22 y2 = b2 >
> y1 +2y2 = 1
>
>
<
c31 y2 +c32 y3 = b3 y2 +y3 = 4
,
c41 y3 +c42 y4 = b4 > y3
> +3y4 = 16
>
>
c51 y4 +c52 y5 = b5 >
> 2y4 +y5 = 7
:
c61 y5 c62 y6 = b6 y5 +2y6 = 1
cuya solución es !
y T = (1; 0; 4; 4; 1; 0) :
El sistema de ecuaciones LT !
x =!
y expresado en términos de la matriz C tiene la forma siguiente:
8 8
>
> c12 x1 +c21 x2 = y1 >
> 2x1 x2 = 1
>
> c22 x2 +c31 x3 = y2 >
> 2x2 x3 = 0
>
> >
>
< <
c32 x3 +c41 x4 = y3 x3 +x4 = 4
,
> c42 x4
> +c51 x5 = y4 > 3x4
> 2x5 = 4
>
> >
>
>
> c x +c61 x6 = y5 >
> x +x6 = 1
: 52 5 : 5
c62 x6 = y6 2x6 = 0
cuya solución es !
x T = (0; 1; 2; 2; 1; 0) :
Observación
Se propone como ejercicio la elaboración de un algoritmo completo para la resolución del sistema de
!
ecuaciones A!
x = b , donde A = (aij ) 2 Mn n [R] es tridiagonal, simétrica, de…nida positiva.
!
El número total de operaciones elementales en la resolución del sistema de ecuaciones A!
x = b , mediante
el algoritmo arriba descrito es
N oper(c) (n) = 10n 7; n 2 Z+ ;
es decir que N oper > N oper = 8n 7. El método de eliminación gaussiana es mucho mejor que el método
de Choleski, visto respecto del número de operaciones.
En el método de Crout se busca (si existen) una factorización de la matriz A en la forma LU , es decir,
A = LU , donde
2 3 2 3
l11 0 0 0 1 u12 0 0
6 l21 l22 0 6 0 1 u23 7
6 0 77 6 0 7
6 0 l32 l33 7 6 .
. . . .
. 7
L=6 0 7; U = 6 .6 . . 7:
6 .. .. .. . . .. 7 7
4 . 6 .. .. 7
. . . . 5 4 . . un 1;n 5
0 0 0 lnn 0 1
1. l11 = a11
a12
2. u12 = :
l11
3. Para i = 2; :::; n 1
li;i 1 = aii 1
4.ln;n 1 = ann 1:
e U
Este algoritmo en términos de las matrices B; L; e se expresa en los siguientes términos.
1. e
l12 = b12 :
b13
e12 =
2. u :
e
l12
3. Para i = 2; :::; n 1
e
li1 = bi1
388 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
e
li2 = bi2 e ei
li1 u 1;2
bi3
ei2 =
u :
e
li2
Fin de bucle i.
4. e
ln1 = bn1 :
5. e
ln2 = bn2 e en
ln1 u 1;2 :
!
El sistema de ecuaciones triangular inferior L! e es:
y = b expresado en términos de la matriz L
8
>
> e
l12 y1 = b1
>
>
>
> e
l ye e
l y = b2
< 21 1 22 2
e
l31 ye2 +l32 y3 = b3
>
> ..
>
> .
>
>
: l y +l y = b ;
n1 n 1 n2 n n
cuya solución es
b1
1. y1 = :
e
l12
2. Para i = 2; :::; n
(bi li1 yi 1)
yi = :
li2
Fin de bucle i.
El sistema de ecuaciones triangular superior U !
x =! e es
y expresado en términos de la matriz U
8
>
> x1 +u12 x2 = y1
>
< x2 +u22 x2 = y2
..
>
> .
>
:
xn = yn :
cuya solución es:
1. xn = yn :
2. Para i = n 1; :::; 1
xi = yi ui2 xi+1 :
Fin de bucle i.
!
El número de operaciones elementales para la resolución del sistema de ecuaciones A!
x = b mediante el
método de Crout, con A matriz tridiagonal, es
N oper (n) = 8n 7; n 2 Z+ :
Se observa que el número de operaciones elementales para la resolución del sistema de ecuaciones lineales
!
A!x = b , con A una matriz tridiagonal, estrictamente diagonalmente dominante, mediante los métodos
de eliminación gaussiana y Crout, coinciden.
Ejemplo
!
Considerar el sistema de ecuaciones A!
x = b, con
2 3 2 3
1 2 0 0 0 3
6 2 0 6 0 0 7 6 4 7
6 7 ! 6 7
A=6 6 0 4 13 3 0 7;
7 b =6
6 2 7:
7
4 0 0 3 11 2 5 4 42 5
0 0 0 1 2 18
6.9. SISTEMAS DE ECUACIONES LINEALES CON MATRICES TRIDIAGONALES. 389
eyU
Comenzamos con la contrucción (si existen) de las matrices L e usando el algoritmo arriba presentado.
1. e
l12 = b12 = 1:
b13 1
e12 =
2. u = 1 = 1;
e
l12
3. Para i = 2; 3; 4
i = 2; el21 = b21 = 2;
e
l22 = b22 e e12 = 0
l21 u ( 2) 1 = 2;
b23
e22 =
u = 62 = 3;
e
l22
i = 3; e
l31 = b31 = 4
e
l32 = b32 e e22 = 13
l31 u 4 3 = 1;
b33
e32 =
u = 31 = 3;
e
l32
i = 4; e
l41 = b41 = 3;
e
l42 = b42 e e32 = 11
l41 u ( 3) 3= 2;
b43 2
u42 = = 2 = 1;
e
l42
4. e
l51 = b51 = 1
5. e
l52 = b52 b51 e42 =
u 2 1 1= 3:
Así, 2 3 2 3
0 1 1 1
6 2 2 7 6 1 3 7
6 7 6 7
e
L=6 4 1 e =6
7; U 1 3 7:
6 7 6 7
4 3 2 5 4 1 1 5
1 3 1 0
!
La solución del sistema de ecuaciones A!
x = b , es por lo tanto, !
x T = ( 2; 1; 0; 2; 10) :
Observación
Los métodos de eliminació gaussiana, Choleski y Crout descritos para la resolución del sistema de
!
ecuaciones lineales A!
x = b , con A 2 Mn n [R] matriz tridiagonal más hipótesis suplementarias sobre
A, pueden aplicarse, en general, a matrices A = (aij ) en banda, con longitud de banda lb = 1; 2; :::, de
modo que lb < n y lb no muy grande lb < n2 , donde
aij = 0 si ji jj > lb; i; j = 1; :::; n:
Cuando n es grande y lb < n es grande, se debe pensar en guardar los datos aij con ji jj lb; i; j =
1; :::; n, en arreglos (matrices) o archivos adecuados y con estos arreglos o archivos elaborar algoritmos
!
adecuados de resolución del sistema de ecuaciones A! x = b:
Si n es muy grande, lb < n es pequeño con respecto de n, en este caso es recomendable los métodos
iterativos que serán presentados más adelante.
390 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
xk2 = !
kb xk2 ;
Min kb
x 2S
k! 8!
2
xk2
o lo que es lo mismo kb xk x 2 S; que a su vez puede escribirse como
Minn k!
2
xk2 = !
kb xk :
x 2R
!
A!x= b
Este es un problema de extremos condicionados en el que se busca minimizar la función g de…nida por
g (!
x) =!
x T!
x; !
x 2 Rn ;
!
sujeta a la restricción A!
x = b : El método de los multiplicadores de Lagrange proporciona una condición
! !
necesaria de extremo. Sea T = ( 1 ; :::; m ) 2 Rm con 6= 0 y de…nimos la …nción de Rn en R como
! ! ! ! ! !
x; x ) + T A!
= g (! x b =! x + T A!
x T! x b ; !
x 2 Rn :
! !
Las componentes de : 1 ; :::; m se llaman multiplicadores de Lagrange y se llama vector
multiplicador de Lagrange. Las condiciones necesarias de extremo establecen que
! ! ! !
r!
x x; = 0; r! x; = 0;
! !
donde r! x ; r! denotan los operadores gradiente con respecto de x y con respecto de ,
respectivamente.
!
Para el efecto, determinemos la derivada direccional de con respecto de !x y de según las direcciones
! n ! m ! ! ! !
y 2R y 2 R que se escriben D! y x; y D! x; , esto es,
! ! !
! x + t!
y; !
x;
D! !
x; = lm ;
y
t!0 t
! ! ! ! !
! x; +t x;
D! !
x; = lm :
t!0 t
! ! !
Comencemos con el cálculo de la derivada direccional D!
y x; en !
x 2 Rn , 2 Rm según la
dirección !
y 2 Rn :
Sean t 6= 0, !
y 2 Rn con !
y =
6 0. Entonces,
! ! ! ! !
x + t! ! = (!
x + t!y ) (!x + t!
y ) + T A (! x + t!
T
y; x; y) b
! ! !
x T!
x + T A! x b
!
= t!
x T!y + t!y T!
x + t2 !
y T!
y + t T A!
y:
Puesto que !
y T!
x =!
x T!
y,y!
y T!
y = k!
2
y k , resulta
! ! ! ! !
x + t! ! = 2t!
x T!
y + t 2 k!
y k + t T A!
y = t 2!
x T!
y + T A!
y + t k!
2 2
y; x; yk :
6.10. RESOLUCIÓN DE UN SISTEMA DE ECUACIONES LINEALES EN NORMA MÍNIMA. 391
Luego,
! ! !
! x + t!
y; !
x; !
D! !
x; = lm = l m 2!
x T!
y + T A!
y + t k!
yk
2
y
t!0 t t!0
! T! !T ! ! !T
= 2x y + T
Ay = 2x + A !y:
! ! !
Como la derivada direccional D!
y x; existe en toda dirección !
y y es continua en !
x ; , entonces
! ! ! ! T
!
D!
y x; = r!
x x; y;
es decir
! ! T
! !
r!
x x; y = 2!
x T + TA !
y;
de donde
! ! !
r!
x x; = 2!
x + AT :
! ! !
Calculemos la derivada direccional D! x; en !
x 2 Rn , 2 Rm según la dirección ! 2 Rm . Para
el efecto, sean !
x 2 Rn , ! 2 Rm con ! 6= 0, y t 6= 0. Entonces
! ! ! ! T ! ! !
x ; + t! !
x; = !x T!
x + + t! A!
x b !
x T!
x + T A!
x b
!
= t!T A! x b :
Luego,
! ! !
! x ; + t! !
x; !
D! !
x; = lm = l m !T A!
x b
t!0 t t!0
! ! T
= !T A!
x b = A!
x b !:
Por lo tanto,
! ! ! T
D! x; = A!
x b !:
! ! !
De la existencia de D! x; en ! 2 Rm y la continuidad en , se sigue que
! ! ! ! T
!;
D! x; = r! x;
de donde
! ! !
r! x; = A!
x b:
! ! !
Note que r! x; = 0 es equivalente a introducir la restricción A!
x = b:
! 1 T!
De la ecuación 2!
x + AT = 0, obtenemos !
x = 2A con lo cual
! 1 T! ! 1 ! !
0 = A!
x b =A A b = AAT b
2 2
de donde
! !
AAT = 2b:
392 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
Como R (A) = m y AAT 2 Mm m [R], se tiene que el rango de AAT es también m, esto es, R AAT = m,
con lo cual AAT es invertible. Luego
! 1!
= 2 AAT b
y
! 1 T! 1 Th 1!
i 1!
x = A = A 2 AAT b = AT AAT b:
2 2
Así,
1!
Min k!
2
b = AT AAT
x b es solución de ! xk :
x 2S
k! 8!
2
Veri…quemos que x xk2
b 2 S y que kb xk x 2 S: Se tiene
1! 1! ! !
x = A AT AAT
Ab b = AAT AAT b =I b = b;
!
donde I 2 Mm m [R] es la identidad. Así, A! b 2 S.
x = b que muestra x
!
Sea !
x 2 S. Entonces A! k! 8!
2
xk2
x = b . Se propone como ejercicio mostrar que kb xk x 2 S:
Algoritmo.
1!
b = AT AAT
Para el cálculo de x b se utiliza el algoritmo siguiente que evita la inversión directa de
la matriz AAT :
1! !
Sea !
z = AAT b entonces AAT !
z = b . Luego ! x = AT !z:
1. Calcular B = AAT :
!
2. Aplicar el método de eliminación gaussiana para resolver el sistema de ecuaciones lineales B !
z = b:
b = AT !
3. Calcular x z:
Ejemplos
a1 x1 + ::: + an xn = b:
Esta ecuación admite una in…nidad de soluciones. Resolvemos el problema en norma mínima.
!
Ponemos A = (a1 ; :::; an ) ; b = b; !
x T (x1 ; :::; xn ) 2 Rn : Entonces
!
A!
x = b , a1 x1 + ::: + an xn = b:
Se tiene 3 2
a1 n
T 6 .. 7 X 2
B = AA = (a1 ; :::; an ) 4 . 5 = ai :
an i=1
b
La solución de la ecuación Bz = b es z = : Luego
P
n
a2i
i=1
2 a1 b 3
2 3 P
n
a1 6 a2i 7
6 .. 7 b 6 i=1 7
T
b=A z=4 . 5 n
x =6 .. 7:
P 2 6 4
. 7
5
an ai an b n 2
P
i=1 =1 ai
i
1 1 1
xT =
Por ejemplo la solución de la ecuación x + 2y + z = 1 esb 6; 3; 6 :
6.11. CONDICIONAMIENTO. 393
3x + y + z = 1 3 1 1
2. Consideramos el sistema de ecuaciones lineales Tenemos A = ;
x + y + 2z = 0: 1 1 2
2 3
3 1
! 1
b = . Luego AT = 4 1 2 5 ;
0
1 1
2 3
3 1
3 1 1 4 1 11 0
B = AAT = 1 5= :
1 1 2 0 6
1 2
!
La solución del sistema de ecuaciones B !
z = b :
11 0 z1 1
= ;
0 6 z2 0
es !
zT = 1 1
11 ; 6 :
2 3 2 7
3
3 1 1 66
b = AT !
Entonces x z =4 1 2 5 11
1 =4 17
66
5:
6 28
1 2 66
6.11. Condicionamiento.
!
Sean A 2 Mn n [R] una matriz invertible, b 2 Rn . Consideramos el problema (P) siguiente: hallar
! !
x 2 Rn solución del sistema de ecuaciones lineales A!x = b:
!
En general, los coe…cientes de la matriz A y los componentes del vector b son redondeados antes de
ingresar al computador. Esto hace que no tratemos el problema (P) sino el sistema de ecuaciones lineales
e
siguiente, llamado problema (P): ex = eb; de donde A
Ae e es la matriz obtenida de A por redondeo de sus
!
coe…cientes, eb es obtenido de b por redondeo de sus componentes.
Un método aproximado para resolver (P) e es el de eliminación gaussiana. Usando este método, hallamos
e que, en general, es diferente de !
un vector x x . La pregunta que nos ponemos es: ¿cómo in‡uencian estas
perturbaciones en la solución del problema?.Consideramos dos casos:
!
Los coe…cientes de la matriz A son números de máquina y perturbamos el vector b :
!
Los componentes de vector b son números de máquina y perturbamos los coe…cientes de la matriz A.
! !
Supongamos que ! x + ! x es la solución del sistema de ecuaciones lineales A (!
x + ! x) = b + b :
Las normas de matrices que utilizaremos a continuación son submultiplicativas, véase en el apéndice
normas en Rn y normas de matrices. La norma k k en Rn que utilizaremos, es la norma euclídea y la
norma de matrices submultiplicativa es cualesquiera.
! ! !
Puesto que A!x = b , se tiene entonces A ! x = b , o bien ! x = A 1 b : Resulta que
!
k !xk A 1 b :
! !
Como A! x = b , entonces b = kA!
xk kjAjk k!
x k : Por lo tanto el error relativo de !
x de…nido por
!
k xk
la relación ! se mayora por
kxk
1 ! !
k !xk A b
1
b
A kjAjk ! :
k!
xk k!
xk b
El condicionamiento de la matriz A se nota con cond (A) y se de…ne como sigue: cond (A) =
A 1 kjAjk : El condicionamiento de una matriz es muy importante en la resolución de los sistemas de
394 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
ecuaciones lineales así como en el cálculo de los valores y vectores propios. La calidad de las soluciones
numéricas de los sistemas de ecuaciones lineales está ligado al condicionamiento de la matriz.
0 = A!
x ex = A
Ae e !
A e (!
x +A x e) ;
x
con lo cual
e (!
A x x e
e) = A A !
x:
Notamos !
x =! x x e; A = A e !
e A. Por la igualdad precedente, se tiene A x = A!
x : Para estimar
!
k xk
el error relativo ! , probemos primeramente el teorema siguiente:
kxk
1
Teorema 11 Sea B 2 Mn n [R] tal que kjBjk < 1. Entonces (I + B) existe, y
1 1
(I + B) :
1 kjBjk
jk!
xk k!
y kj k!
x !
y k ; 8!
x; !
y 2 Rn ,
y poniendo !
y = B!
x , para !
x =
6 0 se tiene
kTB (!
x )k = k(I + B) !
x k = k!x + B! xk k!
xk kB !
xk
! ! !
k x k kjBjk k x k = k x k (1 kjBjk) > 0;
pues kjBjk < 1 y k!x k > 0: Luego ker (TB ) = f0g, es decir que TB es invertible o sea TB 1 existe y como
la matriz asociada a TB 1 relativa a la base canónica de Rn es (I + B) 1 . Se tiene entonces la existencia
de (I + B) 1 :
1 1 1
Probemos que (I + B) 1 kjBjk : Sea C = (I + B) . Entonces
Teorema 12 Sea A 2 Mn n [R] no singular, B = A (I + F ), donde F 2 Mn n [R] tal que kjF jk < 1
! ! !
y b 2 Rn : Sean ! x; ! x 2 Rn las soluciones respectivamente de A!
x = b , y, B (!
x + !
x ) = b . Se
tiene entonces las siguientes estimaciones:
k !xk kjF jk
i) ! :
kxk 1 kjF jk
k !xk cond (A) kjB Ajk
ii) ! kjB Ajk
; si cond (A) = kjAjk < 1:
kxk 1 cond (A) kjAjk
6.11. CONDICIONAMIENTO. 395
1 1 1 1 1 1
B (A B) = (I + F ) A (A B) = (I + F ) I A B = (I + F ) (I (I + F ))
1
= (I + F ) F;
1 1 1 kjF jk
B (A B) = (I + F ) F (I + F ) kjF jk :
1 kjF jk
k !xk kjF jk
Así :
k!
xk 1 kjF jk
ii. Puesto que F = A 1B I=A 1 (B A) ; entonces kjF jk A 1 kjB Ajk : Resulta que
1 kjAjk
Observe que si B es una perturbación de A tal que kjB Ajk = kjA 1 jk
, entonces cond (A) = :
kjB Ajk
!
Consideremos nuevamente el problema (P): A!
x = b:
! !
Se perturban los datos A y b respectivamente por A y b , lo que da un resultado perturbado
! ! ! ! ! !
x de x . Se tiene entonces (A + A) ( x + x ) = b + b : Por el teorema precedente, si
kjB Ajk
1 cond (A) kjAjk > 0; y como B es una perturbación de A, esto es, B A = A, entonces
1 1
1 A kj Ajk > 0 de donde kj Ajk < kjA 1 jk : Se prueba entonces que
0 ! 1
k !xk cond (A) @
b kj Ajk A
k! ! + kjAjk :
xk 1 Ajk
cond (A) kjkjAjk b
Ejemplo
"x + 1000y = 1
Considerar el sistema de ecuaciones donde " > 0; " 6= 1: Apliquemos el método de
x + 1000y = 2;
"x + 1000y = 1
eliminación gaussiana sin pivoting. Tenemos de donde
1 " 1000y = 2 1" = 2 " 1 ;
1
2 " 1
y =
(1 " 1 ) 1000
2 " 1
1 1000y 1 1000 (1 " 1 )1000 1 " 1 2+" 1 1 1
x = = = = = :
" " " (1 " 1) " 1 1 "
396 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
(
1
x= 1 "; 4,
Así, para " > 0 y " 6= 1, la solución del sistema de ecuaciones es 2 " 1
3: Para " = 10
y= (1 " 1) 10
x; ye) con tres cifras de precisión:
calculamos la solución (e
x + 1000y = 2 x + 1000y = 2;
()
"x + 1000y = 1; 1000 (1 ") y = 1 2";
1 2" 1 2 10 4 0;9998 3
y = 3
= 3 4
= ' 10 ;
10 (1 ") 10 (1 10 ) 999;9
x = 2 103 y = 2 103 10 3 ' 2:
La solución exacta es
1 1 1
x = = = = 1;000111 ' 1;001;
1 " 1 10 4 0;9999
2" 1 0;0002 1 0;9998 3
y = = = ' 0;9999 10 :
(" 1) 103 (0;0001 1) 103 999;9
En resumen, la solución del sistema de ecuaciones lineales con " = 10 4 se indica a continuación
3
Sin pivoting : x ' 10; y ' 0;999 10 ;
3
Con pivoting : x ' 2; y ' 10
3
Exacta : x = 1;0001; y ' 0;9999 10 :
Vemos que la solución con pivoting parcial es más próxima de la solución exacta. Este fenómeno se debe
" 1000
al condicionamiento de la matriz A del sistema, esto es, si A = ; tenemos kAk1 = 10001;
1 1000
" #
1 1
1 " 1 " 1 1 1
A = 10 3 " 10 3 ;y A 1
= 1 ": El condicionamiento de la matriz A está de…nido como
" 1 " 1
1 10001
cond (A) = kAk1 A 1
=
1 "
6.12. Ejercicios
3. Con cada matriz triangular superior invertible A que se propone, aplique el método de eliminación
gaussiana para calcular A 1
2 3
2 3 2 3 1 2 3 2
3 2 1 10 3 5 6 0 1 1 0 7
a) A = 4 0 2 5 5 : b) A = 4 0 8 15 5 : c) A = 6 4 0
7:
0 1 8 5
0 0 4 0 0 5
0 0 0 4
2 3 2 3
1 1 1 1 1 1 0 1
6 0 2 1 1 7 6 1 7
6 7 6 0 2 1 7
6 7 6 7
d) A = 6 0 0 1 1 7 : e) A = 6 2
5 7:
6 3 7 6 0 0 3 7
4 1 5 4 3 5
0 0 0 0 0 0 5
5
4. Aplique el método de eliminación gaussiana para calcular A 1 con cada matriz triangular inferior
invertible que en cada item se da.
2 1 3 2 3 2 3
0 0 2 0 0 2;3 0 0
6 5 7 4 5 4
a) A = 4 1 3 0 5 : b) A = 5 4 0 : c) A = 1;5 2 0 5:
2 1 6 2 3 4 0;5 3;2 0;8
2 3 2 3
10 0 0 0 10 0 0 0
6 2 1 0 0 7 6 0 7
d) A = 6 7 : e) A = 6 2 5 0 7:
4 4 7 2 0 5 4 4 0 2 0 5
5 2;3 1 4;5 0 2;3 0 1
5. Con cada matriz A que se da calcule det (A) : Para el efecto, aplique el método de eliminación
gaussiana y transforme la matriz A en una triangular superior.
398 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
2 3
2 3 2 3 0 0 1 1
1 0 2 0 1 1 6 1 3 1 0 7
4
a) A = 2 1 0 5: 4
b) A = 1 3 0 5 : c) A = 64 1 1 0
7:
1 5
3 2 1 2 1 5
2 2 2 0
2 3 2 3 2 3
2 1 0 1 1 2 1 1 6 0 0 0
6 0 1 1 2 7 6 3 2 3 7
1 7 6 2 5 0 0 7
d) A = 6
4 3
7: e) A = 6 : f) A = 6 7
1 2 4 5 4 4 4 2 0 5 4 3 3 7 1 5
1 7 1 4 2 0 4 1 4 1 2 1
m n k!
2
6. En cada item se propone un conjunto S: Calcule x xk2 = !
b 2 S tal que kb xk :
x 2S
1
a) S = (x; y) 2 R2 j 2x + 3y = 0 : b) S = (x; y) 2 R2 j 4x y= 1 :
4
c) S = (x; y; z) 2 R3 j x + 2y z=4 : d) S = (x; y; z) 2 R3 j 2x + 3y z=5 :
e) S = (x; y; z; w) 2 R4 j 2x + 3y 2z + w = 2 :
f ) S = (x; y; z; w) 2 R4 jx 2y + z + 2w = 10 :
!
7. En cada item se da un sistema de ecuaciones lineales A! x = b : Aplicar el método de Crout
para factorar A en (la forma A = LU: Veri…que el resultado. Resuelva el sistema de ecuaciones
!
L!y = b
lineales equivalente ! ! : Veri…que que ! x es solución del sistema de ecuaciones propuesto.
Ux = y
Contabilice el número de operaciones elementales que realiza.
8 8
< x 2z = 8 < 2x + 2y 2z = 10
a) 2x + y z = 15 !
x T = (4; 5; 2) : b) 3x + 4y 7z = 2 !
x T = (3; 7; 5) :
: :
3x y 10z = 27; 4x + 4y + 4z = 60;
8
< 3x 3y + 6z = 18
c) x + y + 8z = 2 !x T = (1; 5; 1) :
:
x 4z = 3;
8
>
> x + 2y + 3z + 4w = 34
<
x + 4y + 7z + 10w = 62 !
d) x T = (10; 6; 4; 0) :
>
> x + 4y + 10z + 16w = 74
:
x + 4y + 10z + 20w = 74;
8
>
> 4x + + 20w = 48
<
y z + 3w =5 !
d) x T = ( 3; 2; 2; 3) :
>
> -2y + 5z 12w = 22
:
3x + 3y 2z + 21w = 44;
8
>
> 2x1 + 2x2 + 8x3 6x4 = 10
>
>
< x1 + 2x2 + 5x4 = 1
f) 3x2 + 16x3 + 28x4 = 16 !x T = ( 1; 0; 1; 0; 1) :
>
>
>
> 5x2 + 26x3 + 44x4 = 26
:
2x1 2x2 + 32x3 + 45x4 + 2x5 = 33;
8
>
> 2x1 + 4x2 6x3 + 8x4 + 16x5 = 26
>
>
< 2x 1 + 5x2 8x3 + 8x4 + 15x5 = 24
g) 2x1 + 2x2 x3 + 8x4 + 20x5 = 33 !x T = (2; 1; 1; 1; 1) :
>
>
>
> 2x1 + 7x2 10x3 + 11x4 + 20x5 = 32
:
2x1 + 5x2 + 5x3 + 10x4 + 24x5 = 48;
8. En cada literal se da una matriz A: Pruebe que A no se factora en la forma LU; con L una matriz
triangular inferior, U matriz triangular superior tal que uii = 1; i = 1; : : : ; n:
2 3 2 3
0 1 2 1 2 1
0 2
a) A = : b) A = 4 0 0 3 5 : c) A = 4 3 4 5 5:
3 0
2 3 0 2 1 7
6.12. EJERCICIOS 399
2 3
2 3 1 2 1 1
2 1 1 6 3 2 3 1 7
d) A = 4 1 1 1 5: e) A = 6
4 4
7
4 2 0 5
4 3 1
2 0 4 1
!
9. Aplicar el método de Choleski para factorar la matriz A del sistema ( de ecuaciones A!x = b en
!
T LT ! y = b
la forma A = L L: Resuelva el sistema de ecuaciones equivalente : Compare con el
L! x =!y
vector !x que se propone. Contabilice el número de operaciones elementales que realiza.
8 8
< x + 2y + 3z = 10 < 4x + 6y + 8z = 8
a) 2x + 5y + 5z = 19 !x T = (2; 1; 2) : b) 6x + 10y + 12z = 10 !
x T = (5; 2; 5)
: :
3x + 5y + 11z = 33; 8x + 12y + 80z = 336;
8
>
> x + y + z + w=5
<
x + 5y + 5z + 5w = 9 !
c) x T = (4; 1; 1; 1) :
>
> x + 5y + 14z + 14w = 9
:
x + 5y + 14z + 30w = 25;
8
>
> 16x1 + +12x4 = 100
<
x2 2x3 + 3x4 = 15 !
d) x T = ( 10; 0; 0; 5) :
>
> 2x 2 + 13x 3 3x 4 = 15
:
12x1 + 3x2 3x3 + 20x4 = 20;
8
>
> 4x1 + 2x2 4x5 = 52
>
>
< 2x 1 + 2x 2 + 3x 3 + 5x 4 + 5x 5 = 52
e) 3x2 + 25x3 + 39x4 + 53x5 = 135 !x T = (12; 7; 3; 1; 0) :
>
>
>
> 5x2 + 39x3 + 65x4 + 85x5 = 217
:
4x1 + 5x2 + 53x3 + 85x4 + 122x5 = 231;
8
>
> 4x1 + 4x2 + 2x3 + 4x4 + 4x5 + 2x6 = 0
>
> 4x1 + 5x2 + 7x4 + 5x5 + 3x6 = 3
>
>
<
x1 + 14x3 4x4 x6 = 5 !
f) x T = (1; 1; 0; 1; 1; 0) :
>
> 4x 1 + 7x 2 4x 3 + 22x 4 + 11x5 + 5x6 = 14
>
>
>
> 2x1 + 5x2 + 11x4 + 13x5 + 5x6 = 1
:
2x1 + 3x2 x3 + 5x4 + 5x5 + 28x6 = 1;
10. En cada item se da una matriz A: Determine AT A: Aplique el método de eliminación gaussiana para
determinar los rangos R (A) y R AT A de las matrices A y AT A: Compruebe que R (A) = R AT A
es el que se indica.
2 3 2 3
4 0 1 1 1 5
a) A = 4 1 2 3 5 ; R (A) = 3: b) A = 4 1 3 3 5 ; R (A) = 2:
0 1 2 0 1 2
2 3 2 3
1 2 3 1 1 2 1
c) A = 2 1 1 1 ; R (A) = 3: d) A = 1 0 3 5 ; R (A) = 2:
4 5 4
1 1 1 0 1 1 2
2 3 2 3
2 1 2 1 2 1
e) A = 4 3 2 2 5 ; R (A) = 3: f ) A = 4 2 5 1 5 ; R (A) = 3:
5 4 3 3 2 1
2 3
2 3 1 2 1 1
2 1 1 6 3 2 3 1 7
g) A = 4 1 1 1 5 ; R (A) = 2: h) A = 6 4 4
7 ; R (A) = 3:
4 2 0 5
4 3 1
2 0 4 1
2 3 2 3
2 1 0 1 6 0 0
6 0 1 1 2 7 6 0 7
i) A = 6 7 ; R (A) = 4: j) A = 6 2 5 7 ; R (A) = 3:
4 3 1 2 4 5 4 3 3 7 5
1 7 1 4 4 1 2
400 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
!
11. En cada item se propone un sistema de ecuaciones lineales A! x = b : Estudie a la matriz A del
sistema para determinar si es estrictamente diagonalmente dominante, simétrica, de…nida positiva,
monótona, etc. Aplique el método de eliminación gaussiana, el de factorización de Crout LU y
siempre que sea posible el de Choleski LT L y halle la solución del sistema. Contabilice el número
de operaciones elementales que realiza con cada método.
2 32 3 2 3
2 1 0 0 x1 2
6 1 2 1 0 7 6 x2 7 6 3 7 !T
a) 64 0
76 7 = 6 7 ; x = (5; 8; 8; 5) :
1 2 1 5 4 x3 5 4 3 5
0 0 1 2 x4 2
2 32 3 2 3
4 1 0 0 x1 11
6 1 4 1 0 7 6 7 6 7
b) 6 7 6 x2 7 = 6 6 7 ; ! x T = (2; 3; 4; 2) :
4 0 1 4 1 5 4 x3 5 4 17 5
0 0 1 4 x4 12
2 32 3 2 3
5 1 1 0 0 x1 16
6 1 5 1 1 0 7 6 7 6 14 7
6 7 6 x2 7 6 7 !T
6
c) 6 1 1 6 1 1 7 6 x3 7 == 6
7 6 7 22 7 ; x = (2; 3; 3; 2; 1)
6 7
4 0 0 1 6 1 5 4 x4 5 4 10 5
0 0 0 1 6 x5 8
2 32 3 2 3
3 1 0 0 0 x1 11
6 1 3 1 0 0 7 6 7 6 7
6 7 6 x2 7 6 4 7 !T
6
d) 6 0 1 3 1 0 7 6 x3 7 = 6 1 7
7 6 7 6
7 ; x = (5; 4; 3; 4; 5) :
4 0 0 1 3 1 5 4 x4 5 4 4 5
0 0 0 1 3 x5 11
2 32 3 2 3
5 2 1 0 0 x1 12
6 2 5 1 0 0 7 6 x2 7 6 9 7
6 76 7 6 7 !T
e) 6 76 7 6 7
6 1 1 5 2 1 7 6 x3 7 = 6 1 7 ; x = ( 2; 1; 0; 1; 2) :
4 0 0 2 5 1 5 4 x4 5 4 7 5
0 0 0 1 5 x5 11
2 1 32 3 2 3
4 1 2 0 0 0 x1 29
6 1 5 1 1
0 0 7 6 7 6 7
6 1 2 7 6 x2 7 6 21 7
6 1 6 1 1 7 6 7
0 7 6 x3 7 6 13 7 6
f) 6 2 2 =6 7; ! T
6 0 1
1 7 1 1 76
x 7 19 7 x = (10; 8; 6; 6; 8; 10) :
6 2 2 76 4 7 6 7
4 0 0 1
1 8 1 5 4 x5 5 4 45 5
2
1
0 0 0 2 1 9 x6 79
12. Sea A = (aij ) 2 Mn n [R] que satisface las dos condiciones siguientes: aij = 0 si ji jj > 2 para
!
i; j = 1; : : : ; n y que aii > jai i 2 j + jai i 1 j + jai i+1 j + jai i+2 j ; i = 1; : : : ; n; b 2 Rn :
!
a) Demuestre que el sistema de ecuaciones A!
x = b tiene una única solución.
e de n
b) De…na una matriz A 5 de modo que contenga la información relevante de la matriz A:
e para elaborar un algoritmo para
c) Aplique el método de eliminación gaussiana y la de…nición de A
!
hallar la solución del sistema de ecuaciones A!
x = b:
Veri…que las hipótesis de la matriz A: De…nida Ae y aplique sus algoritmos para hallar la solución
! T
de dicho sistema y compare con x = (2; 5; 8; 5; 3) :
m n k!
2
14. Considere el conjunto S que se de…ne. Halle x xk2 = !
b 2 S tal que kb xk :
x 2S
! x+y z =1
a) S = x = (x; y; z) 2 R3 j :
2x y + z = 2:
! 2x y+z =0
b) S = x = (x; y; z) 2 R3 j
x 2z = 1:
! x z=2
c) S = x = (x; y; z) 2 R3 j :
2y + 3z = 1:
n !o 2 1 0 1 ! 0
d) S = !x T = (x; y; z; w) 2 R4 j A!
x = b ; donde A = ; b =
1 0 1 1 1
n !o 1 1 1 1 ! 1
e) S = !x T = (x; y; z; w) 2 R4 j A!
x = b ; con A = ; b = :
2 0 1 2 1
1. Owe Axelsson, Iterative Solution Methods, Editorial Cambridge University Press, Cambridge, 1996.
3. Richard H. Bartels, John C. Beatty, Brian A. Barsky, An Introduction to Splines for use in
Computer Graphics and Geometric Medeling, Editorial Morgan Kaufmann Publishers, Inc., San
Mateo, California, 1987.
4. Jérõme Bastien, Jean-Noël Martin, Introduction à L’Analyse Numérique, Editorial Dunod, París,
2003.
7. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
8. Richard L. Burden, J. Douglas Faires, Análisis Numérico, Séptima Edición, International Thomson
Editores, S. A., México,2002.
9. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
11. Elaine Cohen, Richard F. Riesenfeld, Gershon Elber, Geometric Modeling with Splines, Editorial
A. K. Peters, Natick, Massachusetts, 2001.
13. James W. Demmel, Applied Numerical Linear Algebra, Editorial Society for Industrial and Applied
Mathematics (SIAM), Philadelphia, 1997.
14. J. E. Dennis, Jr., Robert B. Schnabel, Numerical Methods for Unconstrained Optimization
and Nonlinear Equations, Editorial Society for Industrial and Applied Mathematics (SIAM),
Philadelphia, 1996.
15. V. N. Faddeva, Métodos de Cálculo de Algebra Lineal, Editorial Paraninfo, Madrid, 1967.
17. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, II Pitagora
Editrice Bologna, 1983.
18. Stephen H. Friedberg, Arnold J. Insel, Lawrence E. Spence, Algebra Lineal, Editorial Publicaciones
Cultural, S. A., México, 1982.
19. Noel Gastinel, Análisis Numérico Lineal, Editorial Reverté, S. A., Barcelona, 1975.
20. M. K. Gavurin, Conferencias sobre los Métodos de Cálculo, Editorial Mir, Moscú, 1973.
21. Curtis F. Gerald, Patrick O. Wheatley, Análisis Numérico con Aplicaciones, Sexta Edición, Editorial
Pearson Educación de México, México, 2000.
22. Gene H. Golub, Charles F. Van Loan, Matrix Computations, Second Edition, The Johns Hopkins
University Press, Baltimore, 1989.
24. I. N. Herstein, J. Winter, Algebra Lineal y Teoría de Matrices, Grupo Editorial Iberoamericana,
México, 1989.
25. Nicholas J. Higham, Accuracy and Stability of Numerical Algorithms, Editorial Society for
Industrial and Applied Mathematics, Philadelphia, 1996.
26. Kenneth Ho¤man, Ray Kunze, Algebra Lineal, Editorial Prentice-Hall Hispanoamericana, S. A.,
México, 1987.
28. Roger A. Horn, Charles R. Johnson, Matrix Analysis, Editorial Cambridge University Press,
Cambridge, 1999.
6.13. LECTURAS COMPLEMENTARIAS Y BIBLIOGRAFÍA 403
29. Robert W. Hornbeck, Numerical Methods, Quantum Publishers, Inc., New York, 1975.
30. David Kincaid, Ward Cheney, Análisis Numérico, Editorial Addison-Wesley Iberoamericana,
Wilmington, 1994.
31. Roland E. Larson, Bruce H. Edwards, Introducción al Algebra Lineal, Editorial Limusa, Noriega
Editores, México, 1995.
32. P. Lascaux, R. Théodor, Analyse Numérique Matricielle Appliquée à l’Art de l’Ingénieur, Tome 1,
Editorial Masson, París, 1986.
33. P. Lascaux, R. Théodor, Analyse Numérique Matricielle Appliquée à l’Art de l’Ingénieur, Tome 2,
Editorial Masson, París, 1987.
34. Charles L. Lawson, Richard J. Hanson, Solving Least Squares Problems, Editorial Society for
Industrial and Applied Mathematics (SIAM), Philadelphia, 1995.
35. L. Lebart, A. Morineau, J.-P. Fénelon, Tratamiento Estadístico de Datos, Editorial Marcombo
Boixareu Editores, Barcelona, 1985.
36. Peter Linz, Theoretical Numerical Analysis, Editorial Dover Publications, Inc., New York, 2001.
37. Rodolfo Luthe, Antonio Olivera, Fernando Schutz, Métodos Numéricos, Editorial Limusa, México,
1986.
38. Melvin J. Maron, Robert J. López, Análisis Numérico, Tercera Edición, Compañía Editorial
Continental, México, 1995.
39. Shoichiro Nakamura, Métodos Numérico Aplicados con Software, Editorial Prentice-Hall His-
panoamericana, S. A., México, 1992.
40. Antonio Nieves, Federico C. Dominguez, Métodos Numéricos Aplicados a la Ingeniería, Tercera
Reimpresión, Compañía Editorial Continental, S. A. De C. V., México, 1998.
41. Ben Noble, James W. Daniel, Algebra Lineal Aplicada, Editorial Prentice-Hall Hispanoamericana,
S. A., México, 1989.
42. Anthony Ralston, Introducción al Análisis Numérico, Editorial Limusa, México, 1978.
43. Fazlollah Reza, Los Espacios Lineales en la Ingeniería, Editorial Reverté, S. A., Barcelona, 1977.
44. A. A. Samarski, Introducción a los Métodos Numéricos, Editorial Mir, Moscú, 1986.
46. Francis Scheid, Theory and Problems of Numerical Analysis, Schaum’s Outline Series, Editorial
McGraw-Hill, New York, 1968.
47. M. Sibony, J. Cl. Mardon, Analyse Numérique I, Systèmes Linéaires et non Linéaires, Editorial
Hermann, París, 1984.
48. Helmuth Späth, One Dimensional Spline Interpolation algorithms, Editorial A. K. Peters, Wellesley,
Massachusetts, 1995.
49. G. W. Stewart, Matrix Algotithms, Volume I: Basic Decomposition, Editorial Society for Industrial
and Applied Mathematics (SIAM), Philadelphia, 1998.
51. Gilbert Strang, Algebra Lineal y sus Aplicaciones, Editorial Fondo Educativo Interamericano,
México, 1982.
52. V. Voïévodine, Principes Numériques D’Algèbre Linéaire, Editions Mir, Moscú, 1976.
404 CAPÍTULO 6. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
54. David S. Watkins, Fundamentals of Matrix Computations, Editorial John Wiley & Sons, New York,
1991
Capítulo 7
Métodos iterativos
Resumen
En este capítulo se introducen dos amplios temas de sistemas de ecuaciones lineales y no lineales. Se
comienza con los sistemas de ecuaciones no lineales. Nos limitados a la aplicación del método de Newton.
Este a su vez requiere del conocimiento de la diferencial de Fréchet y sus propiedades, de las aplicaciones
contractivas y por supuesto del teorema de Banach del punto …jo. A continuación volvemos a tratar los
sistemas de ecuaciones lineales, pero esta vez con la mira de los métodos iterativos más conocidos como
son el método de Jacobi, de Gauss-Seidel y SOR.
En esta sección de…niremos la diferencial de Fréchet, sus propiedades más importantes y daremos algunas
aplicaciones.
kR (a; h)kW
F (a + h) F (a) = Ta (h) + R (a; h) ; con l m = 0:
h!0 khkV
Particularmente, si V n= Rm ; W = n m n
o R ; las bases canónicas de R y R las designamos con m =
! !
f!e 1; : : : ; !
e m g ; n = f 1 ; : : : ; f n y las normas son la euclídea en cada espacio, el espacio L(Rm ; Rn )
es isomorfo al espacio de matrices Mn m [R]; es decir que cada elemento de L(Rm ; Rn ) se identi…ca con
una matriz apropiada de Mn m [R]:
405
406 CAPÍTULO 7. MÉTODOS ITERATIVOS
Ejemplos
kR (a; h)k
donde R (a; h) = (R1 (a; h) ; : : : ; Rn (a; h)) ; y l m = 0: Resulta que la representación
h!0 jhj
matricial de Ta es DF (a) = (f10 (a) ; : : : ; fn0 (a)) : Note que
2. Sean un abierto de Rn ; F una función de en R; esto es, F un campo escalar de…nido en : Sea
! @F !
a 2 R: Recordemos que ( a ) está de…nido como sigue
@xi
@F ! F (!
a + h!
e i) F (!
a)
(a)= lm ;
@xi h!0 h
siempre que el límite exista. Además, el gradiente de F en a se de…ne como
@F ! @F !
rF (!
a)= ( a );:::; (a) :
@x1 @xn
! D !E !
Se de…ne Ta 2 L (Rn ; R) como sigue: T! h = rF (!a ) ; h 8 h 2 Rn ; donde h ; i denota el
a
producto escalar en Rn : La linealidad y la continuidad de T! a se veri…can inmediatamente. Se tiene
! ! !
T!
a h krF (!
a )k h 8 h 2 Rn :
La representación matricial de T! n !
a respecto de la base canónica de R es rF ( a ) : Resulta
! D !E !
!
F a + h F ( a ) = rF ( a ) ; h + R !
! ! a; h
!
con R !
a; h !
! 0: Luego, la diferencial de Fréchet está de…nida como
h !0
! D !E !
T!
a h = rF (!
a ); h 8 h 2 Rn :
Rn es la matriz jacobiana
2 3
@f1 ! @f1 !
(a) (a)
6 @x1 @xm 7
6 .. 7
DF (!
a)=6
6 .
7 2 Mn
7 m [R] :
4 @fn @fn ! 5
!
(a) (a)
@x1 @xm
Resulta
2 D !E 3 2 ! 3
rf1 (!a ); h R1 !
a; h
! 6 7 6 7 ! !
6 .. 7 6 .. 7
F !
a; h F (!
a)=6 . 7+6 . 7 = DF (!
a) h +R !
a; h
4 D !E 5 4 ! 5
!
rf ( a ) ; h R !
a; h
n n
!
R !
a; h
n
donde !
lm ! = 0; que muestra que la diferencial de Fréchet es el operador T!
a de…nido
h !0 h
m
como
! ! !
Ta h = DF (!
a) h 8 h 2 Rn :
4. Sea =8R2 provisto de la norma euclídea k k ; f la función real de…nida en R2 como sigue:
< x2 y 2
; si (x; y) 6= (0; 0)
f (x; y) = x2 + y 2
:
0; si (x; y) = (0; 0) :
!
Probemos que f no es diferenciable en 0 = (0; 0) : Para el efecto, supongamos lo contrario, es decir
que existe una aplicación lineal T! 0
2 L R2 ; R tal que
! !
! ! ! ! ! ! R 0; h
f 0 + h f 0 = T!
0
h +R 0; h con !l m! ! = 0:
h!0 h
! ! !
Ponemos h = (a; b) 2 R2 con h =
6 0 : De la de…nición de f , resulta
! ! ! a2 b2 ! ! !
f 0 + h f 0 = 2 2
= T!
0
h +R 0; h :
a +b
La representación matricial de T!
0
respecto de la base canónica de R2 lo notamos A = ( ; ) ; es
decir que
! a
T!
0
h =( ; ) = a + b;
b
luego
a2 b2 ! ! ! ! a2 b2
= a+ b+R 0 ; h =) R 0 ; h = 2 a b
a2 + b2 a + b2
! !
R 0; h 1 a2 b2
lm ! = lm p a b
! !
h!0 h
! !
h!0 a + b2
2 a2 + b2
a2 b2 a b
= lm p p :
! !
h!0 a2 + b2 a2+ b2 a2+ b2
a b a2 b2
Pero lm p + p = 0; mientras que lm 3 no existe, luego
(a;b)!(0;0) a2 + b2 a2 + b2 (a;b)!(0;0) (a2 + b2 ) 2
! !
R 0; h
lm
! ! ! no existe, en contradicción con lo supuesto.
h!0 h
408 CAPÍTULO 7. MÉTODOS ITERATIVOS
Propiedades de la diferencial.
Demostración. Debemos mostrar que l m inf F (x) = F (a) : Por hipótesis F es Fréchet diferenciable en
x!a
kR (a; h)kW
a 2 ; entonces existe Ta 2 L (V; W ) tal que F (a + h) F (a) = Ta (h)+R (a; h) con l m =0
h!0 khkV
y de la existencia del límite, para " > 0; existe > 0 tal que khkV < =) kR (a; h)kW < " khkV luego
kF (a + h) F (a)k kTa (h)k + kR (a; h)kW kTa kL(V;W ) khkV + kR (a; h)kW
kTa kL(V;W ) + " khkV si khkV < :
Como kTa kL(V;W ) + " khk ! 0; se sigue que l m (F (a + h) F (a)) = 0 de donde F (x) ! F (a) :
h!0 h!0 x!a
y como F (a + h) = F (a) + Sa (h) + RF (a; h) ; se tiene G (F (a + h)) = G (F (a) + Sa (h) + RF (a; h)) :
kkkV = kSa (h) + RF (a; h)kV kSa kL(U;V ) khkV + kRF (a; h)kV ! 0:
khk V
Resulta
de donde
(G F ) (a + h) (G F ) (a) = (Ty Ta ) (h) + Ty (RF (a; h)) + RG (y; k) :
kTy (RF (a; h)) + RG (y; k)kW kTy (RF (a; h))kW + kRG (y; k)kW
kTy kL(V;W ) kRF (a; h)kV + kRG (y; k)kW
y como
kTy (RF (a; h)) + RG (y; k)kW kTy kL(V;W ) kRF (a; h)kV + kRG (y; k)kW ! 0
khkV !0
Una aplicación de la regla de la cadena se la da para probar la fórmula de los incrementos …nitos de
Lagrange que se propone a continuación.
De…nición 2 Sea V: Se dice que es convexo si 8 2 [0; 1]; 8x; y 2 ; se tiene x+(1 )y 2 :
Sea H la función de [0; 1] en W de…nida como H( ) = (F G)( ) = F (G( )) 8 2 [0; 1]: Resulta
Teorema 5 Demostración. H(0) = F (a); H(1) = F (x), y por hipótesis F es Fréchet diferenciable en
todo punto a 2 ; por la regla de la cadena, se tiene
de donde
Z 1 Z 1
F (x) F (a) = H 0 ( )d = DF (a + (x a))d (x a):
0 0
410 CAPÍTULO 7. MÉTODOS ITERATIVOS
En esta sección tratamos una clase de funciones denomimadas contractivas y lipschisianas de…nidas de
E en E:
Como consecuencia inmediata de la de…nición se tiene que toda aplicación contractiva es uniformemente
continua. El recíproco, en general, no es cierto.
Sea T una aplicación contractiva y " > 0. De la de…nición se sigue que existe k, 0 k < 1 tal que
8x; y 2 E,
k T (x) T (y) k kkx y k< ":
"
Elegimos = (k 6= 0). Entonces k x y k< )k T (x) T (y) k< ": Observe que > 0 es independiente
k
de x e y. Además, si k = 0 se deduce que T es constante en E.
Por otro lado, si T es contractiva se tiene k T (x) T (y) k k x y k 8x; y 2 E.ya que 0 k < 1, pero
puede suceder esto último sin ser contractiva se verá en un ejemplo propuesto más adelante.
Entonces
De la arbitrariedad de " > 0 se sigue que k DT (a) kL(V ) = sup k Tx (h) k k < 1 a 2 E:
khk 1
luego
Z 1
k F (x) F (y) kV k D(F (y + (x y))d (x y) kV
0
Z 1
k D(F (y + (x y))d kL(V ) k x y kV
0
Z 1
k D(F (y + (x y)) kL(V ) d k x y kV
0
Z 1
kd k x y kV = k k x y kV 8x; y 2 V;
0
El teorema de Banach del punto …jo es uno de los resultados importantes del análisis no lineal, que se
aplica en la resolución de sistemas ecuaciones lineales, ecuaciones en derivadas parciales del tipo no lineal,
etc. En esta sección extendemos los resultados obtenidos en el capítulo 5.
Demostración. La demostración de este teorema la dividimos en dos partes. La primera que corresponde
b de T y la segunda a la unicidad.
a la existencia del punto …jo x
Mostremos que la sucesión (xn ) es una sucesión de Cauchy en E. Sean m; n 2 Z+ con m > n y sea p 2 Z+
tal que = n + p. Entonces, por la desigualdad triangular, se tiene
k xn xm k k n k x0 x1 k +k n+1 k x0 x1 k + + k n+p k x0 x1 k
n p
= k k x0 x1 k (1 + k + +k )
..
.
k n k x0 x1 k 1 + k + + k p + k p+1 + :
de donde
1 k p+1 1 k p+1
Sp (k) = = :
1 k 1 k 1 k
Como 0 k < 1, l m k p+1 = 0. Luego
p!1
1 k p+1 1 p 1 1
l m Sp (k) = l m = lm = ;
p!1 p!1 1 k 1 k 1 k p!1 1 k 1 k
P1 p 1
con lo cual p=0 k = l mp!1 Sp (k) = 1 k:
P1 kn
Por lo tanto k xn xm k k n k x0 x1 k p
p=0 k = 1 k k x0 x1 k : Puesto que l m k n = 0 se sigue
n!1
que 8" > 0, 9n0 2 Z+ tal que 8n n0 ; k n < jx10 kx1 j ": Luego
kn
k xn xm k k x0 x1 k< " si m; n n0 ;
1 k
es decir que (xn ) es una sucesión de Cauchy en E y por hipótesis E es cerrado, entonces la sucesión (xn )
b 2 E tal que l m xn = x
tiene límite en E; esto es, existe x b:
n!1
l m T (xn ) = T l m xn = T (b
x) :
n!1 n!1
b
kx y k=k T (b
x) T (y) k b
kkx y k;
b 2 E de la
1. El teorema de Banach del punto …jo asegura la existencia de un único punto …jo x
plicación contractiva T de…nida en el conjunto cerrado E de V .
7.3. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES NO LINEALES 413
2. En los textos de Análisis, el teorema de Banach del punto …jo se enuncia como sigue: Sea (E; d)
un espacio métrico completo y T de E en E una aplicación contractiva. Entonces, existe un único
b 2 E tal que T (b
x b:
x) = x
La demostración del teorema de Banach del punto …jo para espacios métricos completos muy
generales (E; d) es muy similar a la aquí propuesta con la salvedad que la métrica d (x; y) =k x y k
x; y 2 V se remplazan simplemente por d (x; y) con d la métrica en el conjunto E.
3. En la demostración del teorema de Banach del punto …jo se muestra una manera de calcular el
b 2 E. Pués se parte de un punto arbitrario x0 2 E y se construye la sucesión (xn ) E
punto …jol x
b = l m xn es el punto …jo de T . De este hecho se
tal que xn+1 = T (xn ) n = 0; 1; : : :. Entonces x
n!1
b con una precisión " > 0:
desprende que podemos aproximar el funto …jo x
!
Note que la ecuación F (!
x ) = 0 es equivalente al sistema de ecuaciones:
8 !
>
< f1 ( x ) = 0
..
> .
:
fn (!
x ) = 0:
El teorema de Bolzano no tiene validez para funciones de Rn en Rn . Asumimos que el problema (P)
!
b 2 tal que F (b
tiene solución, esto es, asumimos la existencia de al menos una solución x x) = 0:
2. Par k = 0; 1; : : : ; Nmax
! !
3. y = G (! x)
4. Si k!
x ! y k < " continuar en 6).
5. ! !
x = y
!
6. Si k < Nmax , imprimir k; !y ; F (!y ). Continuar en 8).
7. Si k = Nmax , imprimir !y ; F (!y ):
8. Fin.
Nota: La norma k k en Rn que se considera aquí es la norma euclídea de…nida como sigue:
n
!1
X 2
k!
ak= a2i con !
a = (a1 ; : : : ; an ) 2 Rn :
i=1
2. Método de Newton
! !
Supongamos que F 2 C 1 ( ) y x
b2 tal que F (!
x ) = 0:
b, se tiene
Por el desarrollo de Taylor en un entormo de x
! !
x) = F (!
x ) + D F (! ! ! 2
0 = F (b x ) (b
x x ) + 0 kb
x xk ;
!
de donde D F (!
x ) es la matriz jacobiana de…nida por:
2 3
@f1 ! @f1 !
(x) (x)
6 @x1 @xn 7
! ! 6 .. .. 7 !
DF (x) = 6 6 . . 7
7 x 2 :
4 @f (n) @f (n) 5
(!
x) (!
x)
@x1 @xn
!
Suponemos que la matriz D F (! x ) no es singular en todo punto !
x 2 :
x !
2
Si se desprecia el término 0 kb x k en el desarrollo de Taylor precedente, se tiene
! ! !
F ( x ) + D F (!
x ) (b
x !
x ) = 0;
!
y siendo D F (!
x ) no singular, se sigue que
! ! !
D F (!
x ) (b
x !
x) = F (x)
! ! 1!
b
x x = D F (!
x) F (!
x)
de donde
! 1!
b=!
x x D F (!
x) F (!
x)
lo que nos permite de…nir la función de iteración ' :
! 1!
' (!
x) =!
x D F (!
x) F (!
x) !
x 2 ;
!
con D F (!
x ) matriz no singular.
b2
El método de Newton para aproximar la raíz x de F (!
x ) = 0 es el siguiente:
!
x 0 2 una aproximación inicial de x b;
! !
x m+1 = ' ( x m ) m = 0; 1; : : :
Si ' es una aplicación contractiva en , por el teorema de Banach del punto …jo, la sucesión (!
x m)
generada por el método de Newton converge a x b:
7.3. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES NO LINEALES 415
Puesto que
! ! 1!
x m+1 = ' (!
x m) = !
xm D F (!
x m) F (!
x m) ;
! 1!
D F (!x m) F (!
x m) = !xm ! x m+1 ;
! !
D F (!
x m ) (!
xm !x m+1 ) = F (!
x m) :
Ponemos !
y =!
xm !
x m+1 ) !
x m+1 = !
xm !
y . Se tiene
!
DF (!
x m) !
y = F (!
x m) ;
que es un sistema de ecuaciones lineales con ! y el vector incógnita. Este sistema de ecuaciones
lineales puede ser resuelto utilizando los métodos de eliminación gaussiana con pivoting,
!
factorización LU, Choleski, dependiento de las propiedades de la matriz jacobiana D F (!x):
! ! 1
Debe advertirse que el cálculo directo de D F ( x m ) no se realiza.
Dado ! x , para calcular la nueva aproximación !
m x de xb, resolvemos el sistema de ecuaciones
m+1
lineales
! !
D F (! x m) !
y = F (! x m) ;
y una vez calculado ! y , se tiene !
x m+1 = ! xm ! y ; y, se repite el procedimiento hasta considerar
! ! !
x m tal que F ( x m ) ' 0 sea satisfactorio.
b y Nmax el número máximo de iteraciones. El
Sea " > 0 la precisión con la que se aproxima x
esquema numérico generado por el método de Newton se presenta a continuación.
Algoritmo
@fi
Datos de Entrada: "; Nmax ; funciones f1 ; : : : ; fn ; i; j = 1; : : : ; n
@fj
~ (~x) :
Datos de Salida: n número de iteraciones, ~x, F
1. ~x = ~x0
2. Para k = 1; : : : ; Nmax
~ (~x) ~y = F
3. Resolver el sistema de ecuaciones DF ~ (~x) :
4. Si k~y k < ": Continuar en 6).
5. ~x = ~x ~y
~ (~x) : Continuar en 8).
6. Si k < Nmax ; imprimir: n; ~x; F
7. Si k = Nmax ; imprimir: Nmax ; ~x; F~ (~x) :
8. Fin
Ejemplo
x2 y 2 = 1
Resolver el sistema de ecuaciones no lineales
(x + 3)2 + 4 (y 3)2 = 4:
Asociemos a este sistema de ecuaciones no lineales la función siguiente:
~ (x; y) = x2
F y2 1; (x + 3)2 + 4 (y 3)2 4 (x; y) 2 R:
Entonces
~ (x; y) = (0; 0) () x2 y 2 = 1;
F
(x + 3)2 + 4 (y 3)2 = 4:
El conjunto
n de puntos (x; y) 2 R jx2 y 2 =o1 representa una hipérbola y la ecuación el conjunto de
puntos (x; y) 2 R j (x + 3)2 + 4 (y 3)2 = 4 representa una elipse.
416 CAPÍTULO 7. MÉTODOS ITERATIVOS
Figura 72
Las grá…cas de la hipérbola y de la elipse se cortan en dos puntos. Por lo tanto, el sistema de ecuaciones
F b1 = (b
~ (x; y) = (0; 0) tiene dos soluciones X b2 = (b
x1 ; yb1 ) ; X x2 ; yb2 ) :
~ está de…nida como
La matriz jacobiana de F
" #
@f1 @f1
~ (x:y) = @f @x @y 2x 2y
DF @f = (x; y) 2 R:
@x
2
@y
2 2 (x + 3) 8 (y 3)
b1 = (b
i. Apliquemos el método de Newton para calcular una aproximación de X x1 ; yb1 ) :
2;5 ~ (~x0 ) ~y = F
~ (~x0 ) ; resolviendo este sistema de ecuaciones y tomando
Sea ~x0 = : Entonces DF
2;5
2;11
en cuenta que ~x1 = ~x0 ~y ; se obtiene ~x1 = : Continuando con la ejecución del
1;91
método de Newton, se obtienen los siguientes resultados:
2;28453 2;29376 2;29385
~x2 = ; ~x3 = ; ~x4 = :
2;051495 2;064322 2;06440
5, b1 = 2;29385
Con una precisión " = 10 una aproximación de la solución es X :
2;06440
b2 = (b
ii. Apliquemos el método de Newton para calcular una aproximación de X x2 ; yb2 ) :
4;2
Sea ~x0 = : Los resultados de la aplicación del algoritmo generado por el método de Newton
3;8
se muestra a continuación.
4;00444 3;99476 3;99473
~x1 = ; ~x2 = ; ~x3 = ;
3;87333 3;86757 3;86754
b1 = 3;99473
X :
3;86754
Observación
p p
De la ecuación x2 y 2 = 1 se deduce x = 1 + y 2 : Pongamos x = 1 + y 2 en la ecuación
2 2
(x + 3) + 4 (y 3) = 4: Obtenemos
p 2
1 + y2 + 3 + 4 (y 3)2 = 4;
p
5y 2 24y + 42 = 6 1 + y 2 ;
de donde
y4 9;6y 3 + 38;4y 2 80;64y + 69;12 = 0:
7.3. RESOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES NO LINEALES 417
Sea
Determinemos las fronteras inferior y superior donde están localizadas las raíces positivas de la ecuación
P (y) = 0:
Se tiene
1
R = 1 + (80;64) 3 ' 5;3203 < 5;5
1 1
r = = = 0;46 < 0;5:
max jak j 1 + 80;64
60;92
k=1;:::n
1+
ja0 j
i. Cálculo de yb1 2 [2; 2;5] : La función de iteración del método de Newton está dada por
P (y)
' (y) = y
P 0 (y)
Sea y0 = 2: Entonces
con lo cual 8
>
> b 5;93194 = 9;6
<
c 5;93194b + 7;98415 = 38;4 b = 3;66806;
)
>
> 7;98415b 5;93194c = 80;64 c = 8;65714:
:
7;98415c = 69;12
Luego
y 2 + by + c = 0 () y 2 3;66806y + 8;65714 = 0:
418 CAPÍTULO 7. MÉTODOS ITERATIVOS
Obtenemos
y3 = 1;83403 2;30076i;
y4 = y3 = 1;83403 + 2;30076i:
¿Raíces Múltiples? Acabamos de calcular todas las raíces reales o complejas de la ecuación P (y) = 0:
Si únicamente hubiesemos calculado las raíces reales yb1 ; yb2 ; las dos raíces restantes podían ser complejas
o una real de multiplicidad 2. Despejamos esta duda aplicando los métodos descritos en la aproximación
de raíces de multiplicidad.
De…nimos
P (y)
u (y) = P 0 (y) 6= 0:
P 0 (y)
La aplicación del algoritmo de búsqueda del cambio de signo aplicado a la función u muestra la existencia
de dos raíces yb1 2 [2; 2;5] ; yb2 2 [3;5; 4] : ¿Qué ocurre? Explique.
p p p
Puesto x = 1 + y 2 se deducen x b1 = 1 + yb12 y x
b2 = 1 + yb22 :
Para terminar este capítulo, en contraposición con los métodos directos de resolución de sistemas de
ecuaciones lineales presentamos dos métodos iterativos, el de Jacobi y el de SOR.
! !
Sean A = (aij ) 2 Mn n [R]; b T = (b1 ; ; bn ) 2 Rn . Consideramos el sistema de ecuaciones A!
x = b
que en forma explícita se escribe como sigue:
a11 x1 + + a1n xn = b1
a21 x1 + + a2n xn = b2
..
.
an1 x1 + + amn xn = b1 :
El método que vamos a describir requiere, en principio, que los coe…cientes a11 ; a22 ; : : : ; ann que conforman
la diagonal de la matriz A sean distintos de cero. Veremos más adelante que se puede hacer en caso de
que esto no suceda.
en general
n
X aij bi
xi = xj + ; i = 1; 2; : : : ; n:
aii aii
j=1
j6=i
7.4. MÉTODOS ITERATIVOS DE RESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES419
0 (0) 1
x1
! ! B .. C
Sea el vector X (0) ; un vector cualquiera: X (0) =@ . A ; en base a las ecuaciones precedente se obtiene
(0)
xn
0 (1) 1
x1
! B .. C
el vector: X (1) =@ . A ; donde
(1)
xn
n
X
(1) aij (0) bi
xi = xj + ; i = 1; 2; : : : ; n:
aii aii
j=1
(1) !
Con los valores obtenidos para xi y las ecuaciones en (1) se obtiene X (2) y, así sucesivamente , se
! !
obtienen X (3) ; X (4) ; : : : ; mediante la fórmula recurrente:
n
X
(k+1) aij (k) bi
xj = xj + ; i = 1; 2; : : : ; n:
aii aii
j=1
El procedimiento anterior se expresa en forma matricial como sigue: la matriz A del sistema se descompone
en la forma
A = D L U;
donde D es una matriz diagonal, L una matriz triangular inferior y U una matriz triangular superior:
0 1 0 1 0 1 0 1
a11 a12 a13 a11 0 0 0 0 0 0 a12 a13
@ a21 a22 a23 A = @ 0 a22 0 A @ a21 0 0 A @ 0 0 a23 A :
a31 a32 a33 0 0 a33 a31 a32 0 0 0 0
!
El sistema A!
x = b toma entonces la forma:
!
(D L U ) ! x = b
!
D!
x (L + U ) !
x = b
!
D! x = (L + U ) !
x + b
! 1!
x = D 1 (L + U ) !
x +D b:
así,
! 1!
A!
x = b () !
x =D 1
(L + U ) !
x +D b:
!
1. Claramente, la matriz D es no singular. Si notamos T = D 1 (L + U ) y C = D 1 b ; la ecuación
! !
x = D 1 (L + U ) ! x + D 1 b toma la forma: ! x = T!x +!c ; y la fórmula recurrente del método
De Jacobi arriba formulada se expresa como:
!(k+1) !
X = T X (k) + !
c; k = 0; 1; 2; 3; : : : :
! !
La validez de X (k) como solución aproximada del sistema A!
x = b está garantizada por los
siguientes resultados.
Recordemos que si A es una matriz cuadrada, su radio espectral (A) es el máximo de los valores
absolutos de sus valores propios.
! !
Sea A una matriz no singular. Para cualquier vector X (0) en Rn ; la sucesión de vectores X (k) de…nida
k
por
!(k+1) !
X = T X (k) + !
c ; k = 1; 2; 3; : : :
!
converge a la solución del sistema A!
x = b ; si y solo si (A) < 1:
420 CAPÍTULO 7. MÉTODOS ITERATIVOS
Se tiene que
(A) kAk1 :
Ejemplo
0 1
1 1 0
Si A = @ 2 3 2 A ; se tiene (A) kAk1 = 7:
0 1 1
! !
Sea A una matriz no singular. Si kT k < 1; la sucesión de vectores X (k) converge a la solución X del
k
! !
sistema de ecuaciones lineales A!
x = b para cualquier X (0) 2 Rn : Además se satsface:
! !(k) ! !
x X kT kk X (0) x k = 1; 2; : : : ;
Ejemplo
10x1 x2 + 2x3 =6
x1 + x2 x3 + 3x4 = 25
2x1 x2 + 10x3 x4 = 11
3x2 x3 + 8x4 = 15
1 0
0
! B 0 C
Apliquemos el método de Jacobi. Partiendo de: X (0) = B C
@ 0 A ; se obtiene en la iteración k = 10 el
0
0 1 0 1
1;0001 1
! B 1;9998 C B 2 C
vector X (10) = B C : Por otra parte, la solución exacta es !
x = B C
@ 0;9998 A @ 1 A : Un método que,
0;9998 1
!(k)
generalmente, produce una convergencia más rápida de la sucesión X consiste en utilizar los valores
(k) (k) (k) (k) (k 1) (k 1)
de x1 ; x2 ; : : : ; xj 1 para calcular xi ; en lugar de x1 ; : : : ; xj1 : Así:
en general
i 1
X n
X
(k) aij (k) aij (k 1) bi
xi = xj x + :
aii aii j aii
j=1 j=i+1
7.4. MÉTODOS ITERATIVOS DE RESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES421
o también
!(k) !
X = T X (k 1) + ! c;
1!
con T = (D L) 1
U y!
c = (D L) b : Este método se conoce como el método de Gauss-Seidel.
En el ejemplo anterior, con el método de Gauss-Seidel se obtiene para la iteración k = 5 prácticamente
la solución exacta: 0 1
1;0001
!(5) B 2;0000 C
X =B @ 1;0000 A :
C
1;000
Tanto en el métod de Jacobi como en el de Gauss-Seidel se requiere que los términos de la diagonal de la
matriz A sean no nulos: a11 6= 0; a22 6= 0; : : : ; ann 6= 0:
En caso de que esto no suceda, se reordenan las ecuaciones para conseguir este objetivo:
El sistema:
a12 x2 + a13 x3 = b1
a21 x1 + a22 x2 + a23 x3 = b2
a31 x1 + a32 x2 + a33 x3 = b3 ;
es equivalente a
a21 x1 + a22 x2 + a23 x3 = b2
a12 x2 + a13 x3 = b1
a31 x1 + a32 x2 + a33 x3 = b3 :
Si una reordenación no es posible de tal manera que el coe…ciente de cada xi en la i-ésima ecuación sea
distinto de cero la matriz A tiene determinante nulo, lo que implica que el sistema no tiene solución o
tiene in…nitas soluciones.
i 1
X n
X
(k) (k) (k 1) (k 1)
rii = bi aij xj aij xj aij xi :
j=1 j=i+1
se tiene para i = 1; : : : ; n
(k 1) (k) (k)
aii xi + rii = aii xi
o
(k)
(k) (k 1) rii
xi = xi + :
aii
Modi…cando la última ecuación a:
(k)
(k) (k 1) r
xi = xi + ! ii ; i = 1; : : : ; n
aii
0 (k)
1
x1
B (k) C
!(k) B x2 C
se puede demostrar que para ciertas elecciones de ! positivo la convergencia del vector X = BB .. C
C
@ . A
(k)
xn
!
al vector solución de A!
x = b es signi…cativamente más rápida. Para …nes de cálculo es conveniente
expresar la relación :
(k)
(k) (k 1) r
xi = xi + w ii
aii
en forma equivalente a la sigiente:
2 3
i 1
X n
X
(k) (k 1) ! 4 (k) (k 1) 5
xi = (1 !) xi + bi aij xj aij xj
aii
j=1 j=i+1
o lo que es lo mismo
i 1
X n
X
(k) (k) (k 1) (k 1)
aii xi +! aij xj xj = (1 !) aii xi ! aij xj + !bi ;
j=1 j=i+1
de donde
!(k) 1 ! 1!
X = (D !L) [(1 !) D + !U ] X (k 1)
+ ! (D !L) b:
Así llegamos a la forma familiar
!(k) !
X = T X (k 1)
+!
c:
Ejemplos
8 1 0
< 4x1 + 3x2 = 24 3
El sistema de ecuaciones: 3x1 + 4x2 x3 tiene la solución exacta !
= 30 x = @ 4 A : Por el
:
x2 + 4x3 = 24; 5
0 1
3;0134110
!(7)
método de Gauss-Seidel se obtiene en la iteración 7 la solución aproximada X = @ 3;9888241 A ;
5;0027940
0 1
3;000094
!
mientras que con el método SOR se obtiene para ! = 1;25; X (7) = @ 4;0002586 A : Terminamos esta
5;0003486
sección con algunos resultados que justi…can las a…rmaciones anteriores sobre el método SOR.
Iniciamos con algunas de…niciones y notaciones previas. Recordemos que una matriz cuadrada A es
!
de…nida positiva si !
x t A!
x > 0 para todo vector columna !
x 6= 0 :
7.4. MÉTODOS ITERATIVOS DE RESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES423
1. T ol = 10 2; ! = 1;5 y !
x T0 = (0; 0; 0; 0) :
Solución
a) Puesto que el método S.O.R. viene dado por
!
(D !L) !
x (k+1) = [(1 w) D + !U ] !
x (k) + ! b ;
donde A = L+D U es la descomposición habitual antes indicada. Como A es tridiagonal,
tenemos
2 3 2 3
0 0 0 ::: 0 0 a12 0 ::: 0
6 a21 7 6 0 0 a23 : : : 0 7
6 0 0 ::: 0 7 6 7
6 7 6 .. .. .. 7
L=6 0 a32 0 ::: 0 7; U =6
6 . . . 7
7
6 .. .. .. 7 6 .. .. 7
4 . c . . 5 4 . . an 5
1;n
0 ::: ::: an;n 1 0 0 ::: ::: ::: 0
2 3
a11 0 0 ::: 0
6 !a21 a22 ::: 0 7
6 7
6 0 !a32 a33 ::: 0 7
D !L = 6 7;
6 .. .. .. 7
4 . . . 5
0 ::: ::: !an;n 1 ann
424 CAPÍTULO 7. MÉTODOS ITERATIVOS
2 3
(k+1)
a11 x1
6 7
6 !a x(k+1) + a x(k+1) 7
6 21 1 22 2 7
6 7
(D !L) !
x (k+1) =6 (k+1)
6 !a32 x2
(k+1)
+ a33 x3 7
7
6 .. 7
6 7
4 . 5
(k+1) (k+1)
!an;n 1 xn 1 + ann xn
2 3
(1 !) a11 wa12 0 ::: 0
6 0 (1 !) a22 wa23 ::: 0 7
6 7
6 0 0 (1 !) a33 : : : 0 7
(1 !) D + !U = 6 7
6 .. .. .. 7
4 . . . 5
0 ::: ::: : : : (1 !) ann
2 3
(k) (k)
(1 !) a11 x1 !a12 x2
6 7
6 (1 !) a22 x2
(k)
!a23 x3
(k) 7
6 7
6 7
6 (1 !) a33 x3
(k)
!a34 x4
(k) 7
6 7
[(1 !) D + !U ] !
x (k) =6 7
6 .. 7
6 . 7
6 (k) (k) 7
6 (1 !) an 1 xn 1 !an 1;n xn
7
4 1;n 5
(k)
(1 !) ann xn
Se tiene
2 3
2 3 (k) (k) 2 3
(k+1) (1 !) a11 x1 !a12 x2
a11 x1 6 7 !b1
6 7 6 (1 !) a22 x2
(k)
!a23 x3
(k) 7 6
7 6 !b2 7
6 !a x(k+1) + a x(k+1) 7 6 7
6 21 1 22 2 7 6 7 6
7 6 !b3 7
6 7 6 (1 !) a33 x3
(k)
!a34 x4
(k)
7 6 . 7
6 !a32 x(k+1) (k+1) 7=6 7+6 . 7
6 2 + a33 x3 7 6 .. 7 6 . 7
;
6 7 6 7
6 .. 7 6 . 7 6 . 7
4 . 5 6
6 (1 (k) (k) 7 4 . 5
7 .
(k+1) (k+1) 4 !) an 1;n 1 xn 1 !an 1;n xn 5
!an;n 1 xn 1 + ann xn (k) !bn
(1 !) ann xn
(k) (k)
(k+1) (1 w) a11 x1 !a12 x2 + !b1
x1 =
a11
(k+1) (k) (k)
(k+1) !a21 x1 + (1 w) a22 x2 !a23 x3 + !b2
x2 =
a22
(k+1) (k) (k)
(k+1) !a32 x2 + (1 w) a33 x3 !a34 x4 + !b3
x3 =
a33
..
.
(k+1) (k) (k)
(k+1) !an 1;n 2 xn 2 + (1 w) an 1;n 1 xn 1 !an 1;n xn + !bn 1
xn 1 =
an 1;n 1
(k+1) (k)
!an:n 1 xn 1 + (1 w) ann xn + !bn
xn(k+1) =
ann
k = 0; 1; : : : :
luego 2 3
0;512859375
! 6 0;669631172 7 ! !
x (4) =6 7
4 0;595312678 5 ; x (4) x (3) > T ol;
1
0;350997629
2 3
0;41320148
! 6 0;64161947 7 ! !
x (5) =6 7
4 0;597913926 5 ; x (5) x (4) > T ol:
1
0;362623719
Continuado con la ejecución del esquema numérico, en la iteración 7 se veri…ca que
!
x (7) !x (6) 1 < T ol; y concluimos con el procedimiento de cálculo.
7.5. Ejercicios
x2 1 x
1. Sea un intervalo de R; f una función de en M2 2 [R] de…nida como f (x) =
x 2x2 + 3
x2 : Pruebe que f es Fréchet diferenciable en a 2 y la diferencial de Fréchet Ta está de…nida
2ah h
como Ta (h) = 8h 2 R:
h 4ah
2. Sea un intervalo de R; f una función de en M2 2 [R] con f (x) = (aij (x)) x 2 y aij funciones
reales derivables en todo punto a 2 : Demuestre que f es Fréchet diferenciable y que la diferencial
Ta está de…nida como Ta (h) = (aij (a) h) 8h 2 R:
8 2
< x + y2
; si x 6= y
3. Considere la función real de…nida en todo R2 como f (x; y) = x2 y 2 : demuestre
:
0; si x = y:
que f no es diferenciable en (0; 0) :
8
< x y ; si (x; y) 6= (0; 0)
2
4. Considere la función real de…nida en todo R como f (x; y) = x2 + y 2 :
: 0; si (x; y) = (0; 0) :
demuestre que f no es diferenciable en (0; 0) :
426 CAPÍTULO 7. MÉTODOS ITERATIVOS
8. Sean abierto del espacio normado V y F una función de en el espacio normado W: Pruebe que
si F es Fréchet diferenciable, la diferencial Ta 2 L (V; W ) de F es única.
10. Sea V un espacio provisto del producto escalar < ; > y norma asociada k k. Sea F el funcional
de…nido comoF (x) =k x k2 8x 2 V: Demuestre que F es Fréchet diferenciable.
11. Sean V abierto, con V un espacio provisto del producto escalar < ; > y norma asociada
k k : En cada item se de…ne un funcional: Pruebe que es diferenciaciable en :
a) F (x) =< x; y > x; y 2 V con y …jo.
b) F (x) =< G(x); y > x; y 2 V con y …jo, G función de en V , diferenciable en :
c) F (x) =k G(x) k2 x2 , G función de en V , diferenciable en :
12. Sea V un espacio normado de dimensión …nita con k k su norma y T 2 L (V ) tal que kT k < 1: Sea
g : V ! V una aplicación de…nida por g (x) = T (x) + c con c 2 V …jo. Demostrar que la sucesión
(xn ) de…nida por
x0 2 V
xn+1 = g (xn ) n = 0; 1; : : :
13. Sea (E; d) un espacio métrico, g : E ! E una aplicación continua que posee un punto …jo u: Sean
r > 0 y 0 < k < 1 tales que d (g (x) ; g (y)) kd (x; y) 8x; y 2 B (u; r) : Demostrar que para todo
x0 2 B (u; r) ; la sucesión (xn ) de…nida por xn+1 = g (xn ) n = 0; 1; : : : es tal que (xn ) B (u; r) y
l m xn = u:
n!1
[Sugerencia: pruebe por inducción que xn 2 B (u; r)].
14. Sea : Rn ! Rn una función diferenciable con continuidad en todo punto de Rn tal que
Demuestre que es contractiva y que para todo ~x0 2 Rn ; la sucesión (~xm ) generada por
b punto …jo de :
~xm+1 = (~xm ) m = 0; 1; : : : converge a x
Pruebe que k~xm+1 bk
x k k~xm bk
x k m+1 k~x0 bk ; m = 1; 2; : : : :
x
7.5. EJERCICIOS 427
15. En los ejercicios siguientes, calcular, si existen, las soluciones de los sistemas de ecuaciones no
lineales que se indican utilizando el método de Newton. [Sugerencia: cada sistema está formado por
ecuaciones de hipérbolas, parábolas, elipses, circunferencias, identifíquelas].
8
2 < 2x y 2 = 3
2x y=1 2
4x2 y 2 = 1
a) 2 2 b) y c)
x y = 1: : 4x2 + = 1: x2 + y = 2:
9
8 2 2
8
< (x 3) + (y 2) = 9 < x2 + (y 2)2 = 16
2 2 2
d)
: (x 1) + (y 1) = 1:
e)
: (x + 1) (y 1)2
= 1:
4 9 2 5
16. En los ejercicios siguientes, calcular, si existen, las soluciones de los sistemas de ecuaciones no
lineales que se indican utilizando el método de Newton. Para el efecto de…na una función vectorial
asociada al sistema de ecuaciones no lineales, calcule la matriz Jacobiana, y seleccione un vector
!x 0 y mediante la aplicación del método de Newton, calcule una aproximación ! x 1 ; continue con el
! !
procedimiento. Calcule k x k+1 x k k k = 0; 1; 2; 3; y analice los resultados.
8
8 > 2x y 2 + 2z = 3 8
< 2x 2 y+z =12 >
< < 4x2 y 2 z 2 = 9
2x y z 2 = 3
a) 3x + 2y 5z = 1 b) c) 2x y + 3z = 5
: 2 2 >
> y2 : 2
x y + 2z = 2: : 4x +
2 2
+ z = 5: x + y 2 + z 2 = 16:
9
8
8 > 2x2 5y + 2z = 10
< 2x + 5y + z = 10 >
<
d) 2x y 2 z = 3 e) 2x2 y z 2 = 3
: 2 >
> y2
x y 2 + 3z 2 = 5: : x2 + 3z 2 = 5:
9
17. Considerar el sistema de ecuaciones no lineales
2 32 3 2 3 3 2 3
2 1 0 0 x1 x1 1
6 1 2 1 0 7 6 7 6
x2 7 6 x32 7 6 1 7
6 76 + 7 = 6 7: (P)
4 0 1 2 1 4
5 x3 5 4 x33 5 4 1 5
0 0 1 2 x4 x34 1
a) Aplique el método de Newton con una aproximación inicial X ~ 0 = (0; 0; 0; 0)T y el métodod
b = (x1 ; x2 ; x3 ; x4 )T de dicho sistema con una
de factorización LU para aproximar la solución X
precisión de 10 2 :
b) Generalice el problema (P) para n 3 y elabore un algoritmo numérico para aproximar la
solución de dicho problema.
0 1
4 3 0
18. Considerar la matriz A = @ 3 4 1 A.
0 1 4
a) Pruebe que A es una matriz de…nida positiva.
0 1
24
! !
b) Calcule (TJ ) para el sistema A!
x = b ; con b = @ 30 A :
24
c) Encuentre el valor óptimo de ! cuando se utiliza el método SOR para encontrar soluciones
!
aproximadas del sistema A!x = b:
!
19. En cada item se da un sistema de ecuaciones lineales A! x = b : Aplicar el método de Gauss-
Seidel para calcular solucione aproximadas Veri…que que !x es solución del sistema de ecuaciones
propuesto. Contabilice el número de operaciones elementales que realiza.
8 8
< x 2z = 8 < 2x + 2y 2z = 10
a) 2x + y z = 15 !x T = (4; 5; 2) : b) 3x + 4y 7z = 2 !x T = (3; 7; 5) :
: :
3x y 10z = 27; 4x + 4y + 4z = 60;
428 CAPÍTULO 7. MÉTODOS ITERATIVOS
8
< 3x 3y + 6z = 18
c) x + y + 8z = 2 !
x T = (1; 5; 1) :
:
x 4z = 3;
8
>
> x + 2y + 3z + 4w = 34
<
x + 4y + 7z + 10w = 62 !
d) x T = (10; 6; 4; 0) :
>
> x + 4y + 10z + 16w = 74
:
x + 4y + 10z + 20w = 74;
8
>
> 4x + + 20w = 48
<
y z + 3w =5 !
d) x T = ( 3; 2; 2; 3) :
>
> -2y + 5z 12w = 22
:
3x + 3y 2z + 21w = 44;
8
>
> 2x1 + 2x2 + 8x3 6x4 = 10
>
>
< x1 + 2x2 + 5x 4 = 1
f) 3x2 + 16x3 + 28x4 = 16 !x T = ( 1; 0; 1; 0; 1) :
>
>
>
> 5x2 + 26x3 + 44x4 = 26
:
2x1 2x2 + 32x3 + 45x4 + 2x5 = 33;
8
> 2x1 + 4x2
>
>
6x3 + 8x4 + 16x5 = 26
>
< 2x1 + 5x2 8x3 + 8x4 + 15x5 = 24
g) 2x1 + 2x2 x3 + 8x4 + 20x5 = 33 !x T = (2; 1; 1; 1; 1) :
>
>
> 2x1 + 7x2 10x3 + 11x4 + 20x5 = 32
>
:
2x1 + 5x2 + 5x3 + 10x4 + 24x5 = 48;
!
20. Aplicar el método SOR para aproximar la solución del sistema de ecuaciones A! x = b : Compare
con el vector !x que se propone. Contabilice el número de operaciones elementales que realiza.
8 8
< x + 2y + 3z = 10 < 4x + 6y + 8z = 8
a) 2x + 5y + 5z = 19 ! T
x = (2; 1; 2) : b) 6x + 10y + 12z = 10 !
x T = (5; 2; 5)
: :
3x + 5y + 11z = 33; 8x + 12y + 80z = 336;
8
>
> x + y + z + w=5
<
x + 5y + 5z + 5w = 9 !
c) x T = (4; 1; 1; 1) :
>
> x + 5y + 14z + 14w = 9
:
x + 5y + 14z + 30w = 25;
8
>
> 16x1 + +12x4 = 100
<
x2 2x3 + 3x4 = 15 !
d) x T = ( 10; 0; 0; 5) :
>
> 2x 2 + 13x 3 3x 4 = 15
:
12x1 + 3x2 3x3 + 20x4 = 20;
8
>
> 4x1 + 2x2 4x5 = 52
>
>
< 2x1 + 2x2 + 3x3 + 5x4 + 5x5 = 52
e) 3x2 + 25x3 + 39x4 + 53x5 = 135 !
x T = (12; 7; 3; 1; 0) :
>
>
>
> 5x2 + 39x3 + 65x4 + 85x5 = 217
:
4x1 + 5x2 + 53x3 + 85x4 + 122x5 = 231;
8
>
> 4x1 + 4x2 + 2x3 + 4x4 + 4x5 + 2x6 = 0
>
> 4x1 + 5x2 + 7x4 + 5x5 + 3x6 = 3
>
>
<
x1 + 14x3 4x4 x6 = 5 !
f) x T = (1; 1; 0; 1; 1; 0) :
>
> 4x 1 + 7x 2 4x 3 + 22x4 + 11x5 + 5x6 = 14
>
>
>
> 2x1 + 5x2 + 11x4 + 13x5 + 5x6 = 1
:
2x1 + 3x2 x3 + 5x4 + 5x5 + 28x6 = 1;
!
21. En cada item se propone un sistema de ecuaciones lineales A! x = b : Estudie a la matriz A del
sistema para determinar si es estrictamente diagonalmente dominante, simétrica, de…nida positiva,
monótona, etc. Aplique los métodos de Gauss-Seidel y SOR, y, con cada uno de ellos halle la
solución aproximada del sistema de ecuaciones. Contabilice el número de operaciones elementales
que realiza.
7.5. EJERCICIOS 429
2 32 3 2 3
2 1 0 0 x1 2
6 1 2 1 0 7 6 x2 7 6 3 7 !T
a) 6
4 0
76 7 = 6 7 ; x = (5; 8; 8; 5) :
1 2 1 5 4 x3 5 4 3 5
0 0 1 2 x4 2
2 32 3 2 3
4 1 0 0 x1 11
6 1 4 1 0 7 6 7 6 7
b) 6 7 6 x2 7 = 6 6 7 ; ! x T = (2; 3; 4; 2) :
4 0 1 4 1 5 4 x3 5 4 17 5
0 0 1 4 x4 12
2 32 3 2 3
5 1 1 0 0 x1 16
6 1 5 1 1 0 7 6 7 6 14 7
6 7 6 x2 7 6 7 !T
c) 6
6 1 1 6 7 7
1 1 7 6 x3 7 == 6
6 7
6 22 7 ; x = (2; 3; 3; 2; 1)
4 0 0 1 6 1 5 4 x4 5 4 10 5
0 0 0 1 6 x5 8
2 32 3 2 3
3 1 0 0 0 x1 11
6 1 3 1 0 0 7 6 7 6 7
6 7 6 x2 7 6 4 7 !T
d) 6
6 0 1 3 1 0 7 6 7 6 7
7 6 x3 7 = 6 1 7 ; x = (5; 4; 3; 4; 5) :
4 0 0 1 3 1 5 4 x4 5 4 4 5
0 0 0 1 3 x5 11
2 32 3 2 3
5 2 1 0 0 x1 12
6 2 5 1 0 0 7 6 x2 7 6 9 7
6 76 7 6 7
e) 6 2 1 7 6 x3 7 = 6 1 7 ; ! T
6 1 1 5 76 7 6 7 x = ( 2; 1; 0; 1; 2) :
4 0 0 2 5 1 5 4 x4 5 4 7 5
0 0 0 1 5 x5 11
2 1 32 3 2 3
4 1 2 0 0 0 x1 29
6 1 5 1 1
0 0 7 6 7 6 7
6 1 2 7 6 x2 7 6 21 7
6 1 6 1 1 7 6
0 7 6 x3 7 6 13 7
7 6
f) 6 2 2 =6 7; ! T
6 0 1
1 7 1 1 76
x 7 19 7 x = (10; 8; 6; 6; 8; 10) :
6 2 2 76 4 7 6 7
4 0 0 1
1 8 1 5 4 x5 5 4 45 5
2
1
0 0 0 2 1 9 x6 79
22. Sea A = (aij ) 2 Mn n [R] que satisface las dos condiciones siguientes: aij = 0 si ji jj > 2 para
!
i; j = 1; : : : ; n y que aii > jai i 2 j + jai i 1 j + jai i+1 j + jai i+2 j ; i = 1; : : : ; n; b 2 Rn :
!
a) Demuestre que el sistema de ecuaciones A! x = b tiene una única solución.
b) Aplique los métodos de Jacobi, Gauss-Seidel y SOR y exprese la sucesion (!
x k ) en forma explícita
para cada método y elabore un algoritmo que permita calcular la solución aproximada del sistema
!
de ecuaciones A!x = b:
c) Considere el sistema de ecuaciones lineales siguiente:
2 32 3 2 3
4 1 1 0 0 x1 5
6 1 5 1 1 0 7 6 x2 7 6 10 7
6 76 7 6 7
6 1 1 5 1 1 76
7 x3 7=6 25 7
6 6 7 6 7
4 0 1 1 4 1 54 x4 5 4 4 5
0 0 1 1 3 x5 4
Veri…que las hipótesis de la matriz A: Aplique sus algoritmos para hallar la solución de dicho sistema
y compare con ! x T = (2; 5; 8; 5; 3) :
2. Tom M. Apostol, Calculus, Volumen 2, Segunda Edición, Editorial Reverté, Barcelona, 1975.
3. Owe Axelsson, Iterative Solution Methods, Editorial Cambridge University Press, Cambridge, 1996.
5. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
6. Richard L. Burden, J. Douglas Faires, Análisis Numérico, Séptima Edición, International Thomson
Editores, S. A., México,2002.
7. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
9. S. D. Conte, Carl de Boor, Análisis Numérico, Segunda Edición, Editorial Mc Graw-Hill, México,
1981.
11. James W. Demmel, Applied Numerical Linear Algebra, Editorial Society for Industrial and Applied
Mathematics (SIAM), Philadelphia, 1997.
12. J. E. Dennis, Jr., Robert B. Schnabel, Numerical Methods for Unconslrained Optimization
and Nonlinear Equations, Editorial Society for Industrial and Applied Mathematics (SIAM),
Philadelphia, 1996.
13. V. N. Faddeva, Métodos de Cálculo de Algebra Lineal, Editorial Paraninfo, Madrid, 1967.
14. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, II Pitagora
Editrice Bologna, 1983.
16. Noel Gastinel, Análisis Numérico Lineal, Editorial Reverté, S. A., Barcelona, 1975.
17. Gene H. Golub, Charles F. Van Loan, Matrix Computations, Second Edition, The Johns Hopkins
University Press, Baltimore, 1989.
18. Anne Greenbaum, Iterative Methods for Solving Linear Systems, Editorial Society for Industrial
and Applied Mathematics (SIAM), Philadelphia, 1997.
19. Wolfgang Hackbusch, Iterative Solution of Large Sparse Systems of Equations, Editorial Springer-
Verlag, New York, 1994.
21. Nicholas J. Higham, Accuracy and Stability of Numerical Algorithms, Editorial Society for
Industrial and Applied Mathematics, Philadelphia, 1996.
23. Roger A. Horn, Charles R. Johnson, Matrix Analysis, Editorial Cambridge University Press,
Cambrisge, 1999.
24. David Kincaid, Ward Cheney, Análisis Numérico, Editorial Addison-Wesley Iberoamericana,
Wilmington, 1994.
25. P. Lascaux, R. Théodor, Analyse Numérique Matricielle Appliquée à L’Art de L’Ingénieur, Tome
1, Editorial Masson, París, 1986.
26. P. Lascaux, R. Théodor, Analyse Numérique Matricielle Appliquée à L’Art de L’Ingénieur, Tome
2, Editorial Masson, París, 1987.
27. Melvin J. Maron, Robert J. López, Análisis Numérico, Tercera Edición, Compañía Editorial
Continental, México, 1995.
28. Shoichiro Nakamura, Métodos Numérico Aplicados con Software, Editorial Prentice-Hall His-
panoamericana, S. A., México, 1992.
29. Antonio Nieves, Federico C. Dominguez, Métodos Numéricos Aplicados a la Ingeniería, Tercera
Reimpresión, Compañía Editorial Continental, S. A. De C. V., México, 1998.
30. Ben Noble, James W. Daniel, Algebra Lineal Aplicada, Editorial Prentice-Hall Hispanoamericana,
S. A., México, 1989.
32. Anthony Ralston, Introducción al Análisis Numérico, Editorial Limusa, México, 1978.
33. Werner C. Rheinboldt, Methods for Solving Systems of Nonlinear Equations, Second Edition,
Editorial Society for Industrial and Applied Mathematics (SIAM), Philadelphia, 1998.
34. M. Sibony, J. Cl. Mardon, Analyse Numérique I, Sustèmes Linéaires et non Linéaires, Editorial
Hermann, París, 1984.
35. G. W. Stewart, Matrix Algotithms, Volume II: Eingensystems, Editorial Society for Industrial and
Applied Mathematics (SIAM), Philadelphia, 1998.
37. Gilbert Strang, Algebra Lineal y sus Aplicaciones, editorial Fondo Educativo Interamericano,
México, 1982.
38. V. Voïévodine, Principes Numériques D’Algèbre Linéaire, Editions Mir, Moscú, 1976.
39. David S. Watkins, Fundamentals of Matrix Computations, Editorial John Wiley&Sons, New York,
1991.
432 CAPÍTULO 7. MÉTODOS ITERATIVOS
Capítulo 8
Resumen
Este capítulo se inicia con una revisión de resultados importantes sobre el problema de valores y vectores
propios. La primera aplicación que se da es a la geometría analítica plana, más precisamente a las formas
cuadráticas y ecuaciones cuadráticas. Luego se considera el cálculo de valores y vectores propios de
matrices de 3 3 que se presenta con mucha frecuencia, sobre todo en los problemas de optimización de
funciones reales en tres variables independientes. Se concluye este capítulo con el método de la potencia.
8.1. Introducción
En lo sucesivo consideraremos matrices reales de n n aunque algunos resultados aparezcan dentro del
campo de los números complejos. Nos interesamos fundamentalmente en el caso real.
Los términos de valor y vector propio que aquí hemos de…nido, en muchos textos se los encuentran como
valor y vector característico, eigenvalor y eigenvector, autovalor y autovector.
!
Un valor proprio puede ser cero, esto es, = 0 pero un vector propio ! x no puede ser 0 : En el caso en
! !
que = 0; tenemos A! x = 0 para algún ! x 2 Rn con ! x 6= 0 lo que signi…ca que !
x 2 ker(A); donde
! n ! !
ker(A) denota el núcleo de la matriz A que se de…ne como ker(A) = f x 2 R j A x = 0 g:
!
Sea un valor propio de A; denotamos con S = f! x 2 R n j A!
x = !
x g[f 0 g: Se prueba inmediatamente
que el conjunto S es un subespacio real que lo denominamos subespacio asociado al valor propio o
simplemente subespacio propio de :
! !
El sistema de ecuaciones homogéneo (A I)!x = 0 tiene soluciones no triviales (!
x 6= 0 ) si y solo si
la matrix A I es singular, que a su vez es equivalente a que det(A I) = 0: Esta última ecuación se
llama ecuación característica. Se de…ne
p( ) = det(A I) 2 R,
433
434 CAPÍTULO 8. VALORES Y VECTORES PROPIOS
El conjunto de todos los valores propios de la matriz A se denota (A) y se le denomina espectro de la
matriz A; esto es,
!
(A) = f 2 R j 9! x 2 Rn 8f 0 g tal que ; A!
x = !x g:
Ejemplos
1. Los espacios M1 2 [R] y R2 son isomorfos. Sea A = (1; 2) ; calculemos jkAkj2 (véase el apéndice,
!
normas de matrices). Tenemos A 2 M1 2 [R] y A 2 R2 ; en este último caso escribimos A = (1; 2).
! p p
Resulta A = 12 + 2 = 5: Por otro lado,
2
1 1 2
At A = (1; 2) = :
2 2 4
2 1
El polinomio característico de AT A está de…nido como p ( ) = = ( 5) ; luego
2 4
p( ) = 0 () =0y = 5; = 0 y = 5 son los valores propios de AT A: Resulta
1 p
jkAkj2 = sup kA!x k2 = (max f0; 5g) 2 = 5:
k!
x k2 1
2 3
2 1
2. Sea A = 4 1 0 5 : Calculemos jkAkj2 : Para el efecto, calculelos AT A y luego hallamos los
0 1
valores propios de esta matriz. Tenemos
2 3
2 1
2 1 0 4 1 0 5= 5 2 :
AT A =
1 0 1 2 2
0 1
3. Sea A una matriz real de n n triangular superior (respectivamente triangular inferior), digamos
A = (aij ) con aij = 0 si i > j: Entonces
n
Y
p( ) = det(A I) = (aii ) 2 R,
i=1
luego
p( ) = 0 () 1 = a11 ; ; n = ann :
! !
El sistema de ecuaciones (A 1 I) x = 0 se escribe en forma explícita como
8
>
> a12 x1 + + a1n xn = 0;
>
< (a22 1 )x2 + + a2n xn = 0;
..
>
> .
>
:
(ann 1 )xn = 0;
y cualquier solución no nula de este sistema es un vector propio asociado al valor propio 1. Así
sucesivamente 8
>
> (a11 n )x1 + + a1n xn = 0;
>
< (a22 n )x2 + + a2n xn = 0;
..
>
> .
>
:
(an 1n n )xn = 0:
8.1. INTRODUCCIÓN 435
Este sistema de ecuaciones lineales consta de n 1 ecuaciones, y cualquier solución no nula de este
sistema es un vector propio asociado al valor propio n :
Se tiene (A) = faii j i = 1; ; ng: Como se puede apreciar, estos son lo problemas más simples de
cálculo de valores y vectores propios
De…nición 2 Sean A; B 2 Mn n [R]: Se dice que las matrices A; B son semejantes si y solo si existe
una matriz invertible P tal que B = P 1 AP:
Dos matrices que son semejantes tienen exactamente los mismos valores propios. Efectivamente, sea un
valor propio de la matriz A y !
x un vector porpio asociado a ; entonces A! x = ! x ; luego
! !
0 = (A I)!
x = (P BP 1
I)!
x = P (B I)P 1!
x = (B I)!
y = 0;
con !
y =P 1!
x: Así, p( ) = det(A I) = det(B I):
Sea A 2 Mn n [R] tal que AT = A; es decir que la matriz A es simétrica, entonces todos sus valores propios
son reales. Además, si 2 R es un valor propio de multiplicidad 2 k n; entonces dim(S ) = k: Por
otro lado, si 1 ; 2 son valores propios de A tales que 1 6= 2 ; los vectores propios asociados ! x 1; !
x2
! ! ! ! ! !
son ortogonales, es decir que si A x 1 = 1 x 2 ; A x 2 = 2 x 2 ; 1 6= 2 =) x 1 ? x 2 :
j jk !
x k=k !
x k=k A!
x k jk A kjk !
x k;
y siendo !
x un vector porpio, se tiene k !
x k6= 0; y de esta desigualdad se sigue que j j jk A kj :
Xm
j j jkAkj1 = sup kA! x k1 = max jaij j ;
j=1;:::;n
k!
x k1 1 i=1
Xn
j j sup kA!x k1 = max jaij j ;
i=1;:::;m
k!
x k1 1 j=1
1
2
j j jkAkj2 = sup kA!x k2 = max j i j ;
i=1;:::;n
k!
x k2 1
Ejemplos
2 3
2 20 200
1. Sea A = 4 0 5 100 5 ; entonces j j jkAkj1 = 310; j j jkAkj1 = 222: Note que la
1 1 10
estimación j j jkAkj2 requiere del cálculo de los valores propios de la matriz AT A: Como la
matriz A es real de 3 3; el polinomio característico p( ) es de grado 3 y tiene coe…cientes reales,
al menos un valor propio de A es real. De las estimaciones anteriores, se tiene 2 [ 222; 222] que es
un intervalo demasiado grande para localizar a esta raíz real. Este ejemplo muestra que se requieren
de estimaciones más …nas.
436 CAPÍTULO 8. VALORES Y VECTORES PROPIOS
Teorema 1 (de Gershgorin) Sea A 2 Mn n [R]: Los valores propios de la matriz A están localizados
P
n
en la unión de los discos f 2 C j j akk j j akj jg: Estos discos se llaman discos de Gershgorin.
j=1
j6=k
Además, si la unión de k discosde Gershgorin son disjuntos unos de otros, entonces la unión contiene
exactamente k valores propios de la matriz A.
de donde
n
X n
X
j akk j=j ak1 x1 + + akn xn j j akj jj xj j j akj j
j=1 j=1
j6=k j6=k
Sean a; b; c; d 2 R tales que c 6= 0 y jaj + jbj > 0: Consideramos el subconjunto C de R2 de…nido como
Calculemos los valores propios de A, es decir, determinamos 2 R tal que det (A I) = 0: Se tiene
1
a c 1 2
det (A I) = 0 () 2 = 0 () (a ) (b ) c =0
1 4
c b
2
2 1 2
() (a + b) + ab c =0
4
es decir que los valores propios de A son soluciones de la ecuación de segundo grado:
t 2 C tal que t2 + t + = 0;
2 1 2
(a + b) + ab c =0
4
son reales. En efecto, el discriminante de esta ecuación es no negativo, pués
1 2
= (a + b)2 4 ab c = a2 + 2ab + b2 4ab + c2 = (a b)2 + c2 :
4
Por hipótesis c 6= 0 y jaj + jbj > 0; que signi…ca que al menos dos de estos números son no nulos, luego
= (a b)2 + c2 0: Entonces
1 1p
1 = (a + b) (a b) + c2 ;
2 2
1 1p
2 = (a + b) + (a b) + c2 ;
2 2
son los valores propios de la matriz A:
Determinemos los vectores propios asociados a 1 y 2 ; es decir, hallamos las soluciones de los sistemas
de ecuaciones A!
x = 1! x y A! x = 2! x ; que es equivalente al sistema de ecuaciones
8
>
< (a 1
) x + cy = 0
(a !
I) x = 0 () 2
> 1
: cx + (b ) y = 0:
2
x1 x2
Para = 1 obtenemo ! u = tal que k!u k = 1 y para = 2 obtenemos !v = con
y1 y2
k!
v k = 1: Estos dos vectores propios de A son ortogonales, esto es, !
u !v = 0: Escribimos !
u ? !
v:
Consecuentemente, f u ; v g forman una base B2 de R : Ponemos B2 = f u ; !
! ! 2 ! v g:
Note que
Q (!
u) = !
u T A!
u =! ! ! 2
uT ( 1 u)= 1kuk = 1;
Q (!
v) = !
v T A!
v =! ! ! 2
vT( 2 v)= 2kvk = 2;
pués k!
u k = 1 y k!
v k = 1:
F (!
x;!
y)=!
x T A!
y 8!
x;!
y 2 R2 :
438 CAPÍTULO 8. VALORES Y VECTORES PROPIOS
Se tiene Q (!
x ) = F (!x;!x ) x 2 R2 ; y, F (! u;!u ) = 1 ; F (!v ;!
v ) = 2 ; F (!
u;! v ) = F (!
v ;!
u ) = 0: Así,
! !
la matriz de la aplicación bilineal simétrica F relativa a la base B2 = f u ; v g está de…nida como
1 0
[F ]B2 = ;
0 2
1 0
a la que notamos D; esto es, D = :
0 2
x1 x2 1 AP
La matriz de cambio de base de B2 a B1 está de…nida como P = y se veri…ca que P = D:
y1 y2
La matriz P es ortogonal, esto es, P 1 = PT:
1 0 s 2 2
Q (s; t) = (s; t) = 1s + 2t (s; t) 2 R2 ;
0 2 t
y
C = (x; y) 2 R2 j ax2 + cxy + by 2 = d = (s; t) 2 R2 j 1s
2
+ 2t
2
=d :
Puesto que 1; 2 R, se presenta los siguientes casos:
2 1; 2 2 R+ ; 1 2 2R ; 1 2 R+ y 2 2R ;
+
1 2R y 2 2 R ; 1 = 0; 2 6= 0, 1 =6 0; 2 = 0:
1. Supongamos 1; 2 2 R+ :
a) Si d < 0 entonces C = ;:
b) Si d = 0 entonces C = f(0; 0)g :
c) Si d > 0 entonces C 6= ;:
En el caso 1 = 2 = entonces la ecuación
d
(s; t) 2 R2 tal que 1s
2
+ 2t
2
= d () (s; t) 2 R2 tal que s2 + t2 = ;
r
d
corresponde a la ecuación de una circunferencia de centro (0; 0) y radio r = :
r
d
En la …gura siguiente se muestra el conjunto C, o sea una circunferencia de radio r = :
1 = 2 =
d>0
Figura 73
En el caso 1 6= 2, la ecuación
que representa a una elipse de centro (0; 0). En la …gura siguiente se muestra este conjunto
1 > 2 >0
d>0
Figura 74
2. Supongamos 1; 2 2R :
a) Si d > 0; resulta que C = ;:
b) Si d = 0; entonces C = f(0; 0)g :
c) Si d < 0; multiplicando por 1 a la ecuación: (s; t) 2 R2 tal que 1 s2 + 2 t2 = d se obtiene
( 1 ) s2 + ( 2 ) t2 = d que ha sido analizado en el caso 1) parte c) precedente.
Supongamos 1 2 R+ y 2 2R :
a) Si d = 0; la ecuación
1 2
(s; t) 2 R2 tal que 1s
2
+ 2t
2
= 0 () (s; t) 2 R2 tal que t2 = s :
2
Consecuentemente
C = (s; t) 2 R2 j 1s
2
+ 2 t2 = 0
( r ) ( r )
1 1
= (s; t) 2 R2 j t = s [ (s; t) 2 R2 j t = s :
2 2
r
En la …gura siguiente se muestran los vectores !
u; !
1
v y las rectas de ecuaciones t = s;
r 2
1
t= s con s 2 R:
2
1 > 0; 2 < 0
1 > j 2j
Figura 75
440 CAPÍTULO 8. VALORES Y VECTORES PROPIOS
b) Si d 6= 0; la ecuación
(s; t) 2 R2 tal que 1s
2
+ 2t
2
=d
representa a una hipérbola.
En la …gura siguiente se muestran los vectores !
u,!
v y la hipérbola C = (s; t) 2 R2 j 1s
2 + 2t
2 =d
con d > 0:
Note que la ecuación
(s; t) 2 R2 tal que 1s
2
+ 2t
2
= d ()
0 12 0 12
B s C B t C
(s; t) 2 R2 tal que B C
@r d A
Br
@
C =1
d A
1 2
> 0;
1 2 <0
d>0
j 2j > 1
Figura 76
d d
Se tiene los siguientes casos: < 0; d = 0; > 0:
2 2
d d
a) En el caso < 0; la ecuación t2 = es contradictoria con lo que C = ;:
2 2
b) En el caso d = 0; el conjunto C se expresa como sigue
C = (s; t) 2 R2 j t = 0 = fs (1; 0) j s 2 Rg ;
es decir que en el sistema de referencia f!
u;!
v g, C representa una recta que es paralela a !
u : En la
…gura siguiente se muestra este conjunto.
Figura 77
8.2. FORMAS CUADRÁTICAS Y ECUACIONES CUADRÁTICAS EN R2 : 441
r r
d d d d
En el caso > 0; se tiene la ecuación t2 = ; de donde t = ; o, t = con lo que
2 2 2 2
d
C = (s; t) 2 R2 j t2 =
2
( r ) ( r )
d d
= (s; t) 2 R2 j t = [ (s; t) 2 R2 j t = :
2 2
r r
d d
Se de…ne L1 = s; j s 2 R ; L2 = s; j s 2 R : Los conjuntos L1 y L2
2 2
representan rectas paralelas al vector !
u : En la …gura siguiente se ilustran los conjuntos L1 , L2 :
Figura 78
Con todo el análisis realizado sabemos en que condiciones C = ;; y en cuáles C 6= ;: En este último caso
podemos identi…car si se trata de una circunferencia, elipse, hipérbola o simplemente rectas; y, estamos
en condiciones de proponer un algoritmo que permita identi…car todos estos casos.
Algoritmo
Datos de entrada: a; b; c; d 2 R.
Datos de salida: Mensaje 1 : C 6= ;; Mensaje 2 : C = f(0; 0)g ; Mensaje 3 : Datos no cumplen con la
hipótesis; 1 ; 2 ; !
u; !
v:
1. Si c = 0; o a = 0 y b = 0: Continuar en 13)
1
2. Calcular u = (a + b)
2
q
1
= (a b)2 + c2
2
1 =u
2 =u+
8
>
< (a 1
2 ) x + cy = 0
3. Resolver el sistema de ecuaciones 2 :
> 1
: cx + (b 1 ) y = 0:
2
x1
Obtener !
u = tal que k!
u k = 1:
y1
8
>
< (a 1
2 ) x + cy = 0
Resolver el sistema de ecuaciones 2
> 1
: cx + (b 1 ) y = 0:
2
442 CAPÍTULO 8. VALORES Y VECTORES PROPIOS
x2
Obtener !
v = tal que k!
v k = 1:
y2
Si d = 0; continuar en 12).
Si d > 0
Si 1 6= 2
r r
d d
Calcular p = ;q= :
1 2
( )
2 2
s t
Gra…car la elipse (s; t) 2 R2 j + =1 :
p q
Continuar en 14).
Si 1 = 2
r
d
Calcular r = :
1
Continuar en 14).
Si d = 0; continuar en 12).
Si d < 0:
Si 1 6= 2
r r
d d
Calcular p = ;q= :
1 2
( )
2 2
s t
Gra…car la elipse (s; t) 2 R2 j + =1 :
p q
Continuar en 14).
Si 1 = 2
r
d
Calcular r = :
1
Continuar en 14).
Si d > 0;
r r
d d
Calcular p = ;q= :
1 2
8.2. FORMAS CUADRÁTICAS Y ECUACIONES CUADRÁTICAS EN R2 : 443
( )
2 2
s t
Gra…car la hipérbola (s; t) 2 R2 j = 1 :
p q
Continuar en 14).
Si d < 0;
r r
d d
Calcular p = ;q= :
1 2
( )
2 2
s t
Gra…car la hipérbola (s; t) 2 R2 j =1 :
p q
Continuar en 14).
Si d = 0;
r
1
Calcular m = :
2
Gra…car C1 = (s; t) 2 R2 j t = ms ;
C2 = (s; t) 2 R2 j t = ms :
Continuar en 14).
Si d > 0;
r r
d d
Calcular p = ;q= :
1 2
( )
2 2
s t
Gra…car la hipérbola (s; t) 2 R2 j =1 :
p q
Continuar en 14).
Si d < 0;
r r
d d
Calcular p = ;q= :
1 2
( )
2 2
s t
Gra…car la hipérbola (s; t) 2 R2 j + = 1 :
p q
Continuar en 14).
Si d = 0;
r
1
Calcular m = :
2
Gra…car C1 = (s; t) 2 R2 j t = ms ;
C2 = (s; t) 2 R2 j t = ms :
Continuar en 14).
9. Si 1 =0
d
Calcular p = :
2
Si d = 0;
Gra…car la recta C = fs (1; 0) j s 2 Rg :
Continuar en 14).
Si p > 0;
p
Gra…car las recta L1 = s; p js2R ;
p
L2 = s; p j s 2 R :
Continuar en 14).
10. Si 2 =0
d
Calcular p = :
1
Luego !
x = (x; y) = (x; x) = x (1; 1) x 2 R:
1
Los vectores propios normalizados de A son (punto 4 del algoritmo) ! u = p (1; 1) y ! v =
2
1
p (1; 1) : se veri…ca inmediatamente que ! u y! v son ortogonales, esto es, !
u ! v = 0: Puesto que
2
1 > 0; 2 > 0 y d > 0 (punto 5 del algortimo) entonces
r r p r r p
d 1 3 d 1 5
p= = = ' 0;577; q= = = ' 0;447:
1 3 3 2 5 5
8 0 12 0 12 9
>
> >
>
< B 5 C B t C =
Entonces C = (s; t) 2 R j @2 B p C B
+@ p C = 1 es una elipse.
>
>
: 3A 5A >
>
;
3 5
En la …gura siguiente se muestran los vectores ortogonales !u; !
v y la elipse C:
Figura 79
2x + 2y = 0
Resulta () x = y: Luego
2x 2y = 0
!
x = (x; y) = (x; x) = x (1; 1) x 2 R:
1 1
Ponemos !
u = p (1; 1) ; !v = p (1; 1) : Los vectores !
u y!
v son vectores propios de A, esto es,
2 2
A!u = 1!u y A!
v = 2!v ; y, !
u ?! v:
Siguiendo con el algoritmo (punto 9) se tiene
C = (s; t) 2 R2 j 1s
2
+ 2t
2
= d = (s; t) 2 R2 j 4b2 = d :
446 CAPÍTULO 8. VALORES Y VECTORES PROPIOS
Figura 80
Figura 81
d
Note que C = (x; y) 2 R2 j 2x2 + 4xy + 2y 2 = d = (x; y) 2 R2 j (x + y)2 = :
2
Si d < 0; resulta C = ;: Si d = 0; se obtiene C = (x; y) 2 R2(j x + y = 0 que representa )
una
p
2d
recta de ecuación cartesiana y = x: Si d > 0; se tiene C = (x; y) 2 R2 j x + y = [
2
( p )
2 2d
(x; y) 2 R j x + y = :Las ecuaciones cartesianas de las rectas son:
2
p p
2 2d 2 2d
(x; y) 2 R tal que x + y = ; (x; y) 2 R tal que x + y = :
2 2
Los valores propios se obtienen como solución de la ecuación p( ) = 0: Como el polinomio característico
es de grado 3, existe al menos una raíz real la misma que puede ser calculada como solución aproximada
8.3. VALORES Y VECTORES PROPIOS DE MATRICES DE 3 3 447
mediante el método de Newton. Los vectores propios son solución del sistema de ecuaciones lineales
2 32 3 2 3
a11 a12 a13 x1 0
4 a21 a22 a23 5 4 5
x2 = 0 5 :
4
a31 a32 a33 x3 0
Ejemplo
2 3
2 1 1
1. Consideramos la matriz A = 4 1 2 0 5 : Apliquemos los resultados obtenidos, el algoritmo
1 0 2
de búsqueda del cambio de signo y el método de Newton para calcular todos los valores propios de
A:
Primeramente, la matriz A es simétrica luego sus valores propios son reales, tenemos j j jkAkj1 =
4: Así 2 [ 4; 4] : Una estimación más …na la obtenemos si determinamos los discos de Gershgorin.
Tenemos j 2 j 2; j 2 j 1; j 2 j 1 entonces j 2 j 2 () 2 [0; 4].
Determinemos el polinomio característico:
2 1 1
3 2
p ( ) = det (A I) = 1 2 0 = +6 10 + 4 2 R:
1 0 2
Para este ejemplo los valores propios se calculan fácilmente y así podemos comparar con los métodos
a utilizar. Se tiene
8
< 1 = 2; p
2
p ( ) = (2 ) 4 +2 =0, 2 =2 p2;
:
3 = 2 + 2:
Sea h = 0;5: La aplicación del algoritmo de búsqueda del cambio de signo en el intervalo [ 0;3; 4]
nos da los resultdos que se indican en la tabla siguiente:
x p (x)
0;3 7;567
0;2 2;232
0;7 0;403
1;2 1;088
1;7 0;573
2;2 0;392
2;7 1;057
3;2 0;672
3;7 1;513
4;0 4;0
Como se observa, la aplicación del algoritmo de búsqueda del cambio de signo muestra la existencia
de tres raíces reales: C1 2 [0;2; 0;7] ; C2 2 [1;7; 2;2] ; C3 2 [3;3; 3;7] :
En realidad el algoritmo de búsqueda del cambio de signo se aplica en el intervalo [0; 4]:
Apliquemos el método de Newton para calcular cada una de estas raíces. Tenemos
Cálculo de C1 2 [0;2; 0;7] : Ponemos x0 el punto medio del intervalo, esto es x0 = 0;45: En la tabla
siguiente se encuentran los resultados de la aplicación del método de Newton
Iteración xj p (xj )
0 0;45 0;623875
1 0;569803 0;065021
:
2 0;585522 0;0010563
3 0;585786 0;0000003
4 0;585786 2;33 10 14
La raíz es C1 = 0;5857864376:
Procediendo en forma similar a la precedente, elegimos x0 el punto medio del intervalo [1;7; 2;2] ;
es decir x0 = 1;95: En la tabla siguiente se muestran los resultados obtenidos de la aplicación del
método de Newton.
Iteración xj p (xj )
0 1;95 0;099875
1 2;000125 0;0002509 :
2 1;9999999 0;39 10 11
3 2;0 0:
La raíz es C2 = 2:
Sea x0 el punto medio del intervalo [3;3; 3;7] : x0 = 3;45: Entonces,
Iteración xj p (xj )
0 3;45 0;148625
1 3;415496 0;00513764 :
2 3;41421530 0;000006965
3 3;414213562 1;28 10 11
La raíz es C3 = 3;414213562:
p p
Calculemos los vectores propios de A asociados a los valores propios 1 =2 2; = 2; 3 = 2+ 2:
Tenemos 8
< (2 )x y +z = 0;
! !
(A I) x = 0 , x + (2 )y = 0;
:
x+ + (2 )z = 0:
8 p
p < 2x p y + z = 0
Para 1 = 2 2 se tiene x + 2y p =0
:
x+ + 2z = 0:
8 p
< 2x y +z =0
Aplicando el método de eliminación gaussiana se obtiene el siguiente sistema 1 1
: p y + p z = 0;
2 2
de donde
n !o n p o
S 1 = !x T = (x; y; z) 2 R3 j (A 1 I)
!
x = 0 = z 2; 1; 1 j z 2 R :
8
< y+z =0
Para = 2 se obtiene el sistema de ecuaciones x = 0 luego
:
x = 0;
n !o
S 2 = !x 2 R3 j (A 2I) !
x = 0 = fy (0; 1; 1) j y 2 Rg
En muchas situaciones no estamos interesados en calcular todos los valores propios y todos los vectores
propios, sino algunos de ellos, por ejemplo el más grande o el más pequeño en valor absoluto de los
valores propios con sus respectivos vectores propios. Este método puede adaptarse en forma apropiada
para calcular otros valores y vectores propios.
Suponemos que la matriz A es diagonalizable, es decir que existe una matriz invertible P tal que
D = P 1 AP; donde D = ( 1 ; ; n ) una matriz diagonal con los valores propios de la matriz A en su
diagonal. Consecuentemente xisten ! x 1; ;!x n vectores propios asociados a 1 ; ; n ; respectivamente.
! !
Tenemos A x i = i x i i = 1; ; n: Adicionalmente, suponemos que j n j j 1 j; y asumimos
que el conjunto f!
x 1; ;!x n g es una base de Rn : Al valor propio 1 lo denominaremos valor propio
dominante de la matriz A:
P
Sea !
x 2 Rn no nulo. Existen 1 ; ; n 2 R tales que ! x = ni=1 i ! x i ; luego
n
X n
X n
X
!
y 1 = A!
x =A ! ! !
ixi = iA x i = i i x i;
i=1 i=1 i=1
Xn n
X
!
y 2 = A2 !
x =A !
xi = 2!
i i i i x i;
i=1 i=1
..
.
n
X n
X
!
y m = Am !
x =A m 1!
xi = m!
i i i i x i:
i=1 i=1
n m 2 m
Por otro lado, de la relación j n j j 1 j se tiene j j j j 1; de donde
1 1
k m k
lm j j = 0 si <1 k = 2; ; n:
m !1 1 1
El principio del método de la potencia está en la relación de cada valor propio con el valor propio
k
dominante de la matriz A, es decir, de la razón <1 k = 2; ; n: Tenemos
1
n n
!
X m X m
l m Am ! ! ! !
i i
x = lm m i xi = lm m
1 x1+ i xi
m !1 m !1 1 1 m !1 1 1
i=1 i=2
lm m !
k
= x 1; si <1 k = 2; ; n:
m !1 1 1 1
m
Es claro que l m =0 si y solo si j 1 j< 1; lm m = 1 si y solo si 1 = 1; l m m
no existe si y
m !1 1 m !1 1 m !1 1
solo si j 1 j> 1 o 1 = 1:
Elegimos !
x de modo 1 6= 0:
i) Si j 1 j>j 2 j; se tiene
!
n
X m !
ym
n
X m
!
ym= m ! i ! ! i !
1 1x1+ i xi () m = 1x1+ i x i;
i=2 1 1 i=2 1
450 CAPÍTULO 8. VALORES Y VECTORES PROPIOS
luego !
!
ym
n
X m
lm = lm ! i ! !
m !1 m m !1 1x1+ i xi = 1 x 1:
1 i=2 1
Este límite es a su vez equivalente a los siguientes, expresados en términos de sus componentes:
yim (1)
lm = 1 xi i = 1; n;
m !1 m
1
yim
con ! ; xn ); !
(1) (1)
x 1 = (x1 ; y m = (y1m ; ; ynm ): Se de…ne qim = yim 1
6= 0; y de la existencia del
yim 1
yim+2 2
Se consideran dos casos: m = 2N; y m = 2N +1 para N 2 Z+ : Se muestra que l m = 1 siempre
m !1 y m
i
que yim 6= 0:
Ejemplos
3 2
2 0 1
1. Consideremos la matriz A = 4 0 0 2 5 : Tenemos j j kj A jk= 3: Además, los discos de
0 2 1
Gershgorin muestran que 2 [ 2; 3]: Por otro lado, el polinomio característico está de…nido como
3
p( ) = det(A I) = +3 +2 8 2 R,
p p
1 5 1+ 5
luego, p( ) = 0 () 3 = ; 2 = ; 1 = 2:
2 2
3 2
1
El vector propio asociado al valor propio dominante es !
x1 = 4 0 5:
0
Apliquemos el método de las potencias para aproximar al valor dominante y consecuentemente al
vector propio asociado.
8.4. MÉTODO DE LAS POTENCIAS 451
2 3
1
Sea !
x = 4 1 5:
1
2 32 3 2 3
2 0 1 1 3
Primera iteración: calculamos !
y 1 = A!
x =4 0 0 2 54 1 5 = 4 2 5;
0 2 1 1 3
p =k !
y k
1 1 1= 3;
3 2 2 1
3
3
! 1 1 6 2 7
z1= ! y1= 4 2 5=4 5:
p1 3 3
3 1
2 32 1 3 2 3 3
2 0 1
6 2 7 6 2 7
Segunda iteración: calculamos !y 2 = A! z 1 = 4 0 0 2 54 5=4 5;
3 7
0 2 1 1 3
p2 =k ! y 2 k1 = 3;
2 3 2 1 3
3
! 1 16 7 6 2 7
z2= ! y2= 4 2 5=6 4 3 5:
7
p2 3 7 7
3 9
2 3
2 3 25
2 3 1
2 0 1 6 2 7 6 6 97 7
7
! ! 6
Tercera iteración: calculamos y 3 = A z 2 = 4 0 0 2 5 4 3 5 = 6 7 6 7;
9 7
0 2 1 7 4 19 5
9 9
25
p3 =k ! y 3 k1 = = 2;77777778;
9
2 3
25 2 3
1
6 9 7
! 1 96 7 7 6 7 7
z3= ! y3= 6 6
7=6
7
7:
p3 3 4 9 5 4 25 19
5
19
9 25
2 3
2 3 69
2 3 1
2 0 1 6 7 7 6 6 25
7
! ! 4 5 6 7 6 14 77;
Cuarta iteración: calculamos y 4 = A z 3 = 0 0 2 4 25 5 = 6 7
0 2 1 19 25
4 33 5
25 25
69
p4 =k ! y 4 k1 = = 2;76;
25
2 3
69 2 3
1
6 25 7
1 69 6 7 6 14 7
!
z4= ! y4= 6 14 7 = 6 7
p4 25 4 25 7
6 4 69 5 :
33 5 33
25 69
2 3
2 3 171
2 3 1
2 0 1 6 14 7 6 6 69
7
! ! 4 5 6 7 6 66 7 7;
Quinta iteración: calculamos y 5 = A z 4 = 0 0 2 4 69 5 = 6 7
0 2 1 33 69
4 61 5
69 69
171
p5 =k ! y 5 k1 = = 2;47826087;
69
452 CAPÍTULO 8. VALORES Y VECTORES PROPIOS
2 3
69 2 3
1
6 25 7
! 1! 69 6 14 7 6 14 7
z5= y5= 6 7=6 7
p5 171 6 25 7 4 171 5 :
4 33 5 33
25 171
Note que a medida que se realizan más iteraciones los valores de pm se aproximan al valor propio
dominante 1 = 2: Igualmente, ! z m se aproxima al vector propio !x 1 asociado a 1 :
2 3
3 7 9
2. Consideremos la matriz A = 4 7 4 3 5 :
9 3 8
Esta matriz A es simétrica, por lo tanto tiene tres valores propios reales. Apliquemos el
procedimiento arriba descrito.
2 3
1
! 4
Sea x = 1 5 :
1
2 32 3 2 3
3 7 9 1 19
Primera iteración: calculamos !y 1 = A!
x =4 7 4 3 5 4 1 5 = 4 14 5 ;
9 3 8 1 20
p1 =k ! y 1 k1 = 20;
2 3 2 3
19 0;95
! 1 1
z1= ! y1= 4 14 5 = 4 0;7 5 :
p1 20
20 1
2 32 3 2 3
3 7 9 0;95 16;95
Segunda iteración: calculamos !
y 2 = A!z 1 = 4 7 4 3 54 0;7 5 = 4 12;45 5 ;
9 3 8 1 18;65
p2 =k !y 2 k1 = 18;65;
2 3 2 3
16;75 0;8981233244
! 1 1
z2= ! y2= 4 12;45 5 = 4 0;6675603217 5 :
p2 1865
18;65 1
p3 =k !
y 3 k1 = 18;08579089:
En la tercera iteración, una aproximación del valor propio dominante 21 ' 18;085.3En 10 iteraciones
0;90217
!
se obtiene 1 ' 18;0138 y una aproximación del vector propio x 1 ' 0;66059 5 :
4
1
se tiene
! 1
x = A 1! x () A 1 ! x = ! x;
8.5. EJERCICIOS 453
1 1:
es decir que es el valor propio de la matriz A
1
Ponemos B = A 1 y: El método de la potencia se aplica a B !
= x = !
x lo que permite aproximar
1 1
al valor propio dominante 1 = y de esta relación se tiene n = :
n 1
Lastimosamente, la aplicación de este método requiere del cálculo de la matriz inversa A 1 de A, y cuando
la dimensión de la matriz A es grande, los cálculos que se realizan en el método de la potencia son muy
grandes lo que hace que este método no sea muy práctico.
8.5. Ejercicios
2. Con cada matriz triangular superior invertible A que se propone, determine los valores y vectores
propios
2 3
2 3 2 3 1 2 3 2
3 2 1 10 3 5 6 0 1 1 0 7
a) A = 4 0 2 5 5 : b) A = 4 0 8 15 5 : c) A = 6 4 0
7:
0 1 8 5
0 0 4 0 0 5
0 0 0 1
2 3 2 3
1 1 1 1 1 1 0 1
6 0 2 1 1 7 6 1 7
6 7 6 0 2 1 7
6 7 6 7
d) A = 6 0 0 1 1 7 : e) A = 6 2
5 7:
6 3 7 6 0 0 3 7
4 1 5 4 3 5
0 0 0 0 0 0 5
5
3. Determine los valores y vectores propios de cada una de las matrices que se dan.
2 1 3 2 3 2 3
0 0 4 0 0 2;3 0 0
6 7
a) A = 4 51 3 0 5 : b) A = 4 5 4 0 5 : c) A = 4 1;5 2 0 5:
2 1 6 2 3 4 0 3;2 0;8
2 3 2 3
10 0 0 0 10 0 0 0
6 2 1 0 0 7 6 0 7
d) A = 6 7 : e) A = 6 2 5 0 7
4 4 7 2 0 5 4 4 0 2 0 5
5 2;3 1 4;5 0 2;3 0 1
4. Determine los valores y vectores propios de cada una de las matrices simétricas que se dan. Aplique
el método de Newton para el cálculo de las raíces del polinomio característico. Determine también
los discos de Gershgorin.
2 3 2 3 2 3
0 0 0 1 1 0 0 0 2
a) A = 4 0 2 3 5 : b) A = 4 1 0 0 5 : c) A = 4 0 4 0 5 :
0 3 0 0 0 1 2 0 0
454 CAPÍTULO 8. VALORES Y VECTORES PROPIOS
2 3 2 3 2 3
1 1 0 0 3 2 1 1 0
d) A = 4 1 2 0 5 : e) A = 4 3 0 3 5:
f) A = 4 1 1 1 5:
0 0 3 2 3 0 0 1 1
2 3 2 3 2 3
4 0 2 2 1;5 0 2 1 0
g) A = 4 0 4 3 5 : h) A = 4 1;5 5
2 3;2 : i) A = 14 3 2 5:
2 3 4 0 3;2 0 0 2 4
5. Aplique el método de la potencia para aproximar los valores y vectores propios de cada una de
las matrices que se dan. Realice 5 iteraciones y compare con el valor propio dominante exacto.
Determine en cada caso los discos de Gershgorin.
2 3 2 3 2 3
0 1 0 1 1 0 0 0 2
a) A = 4 0 2 3 5 : b) A = 4 1 0 0 5 : c) A = 4 1 4 0 5 :
0 3 0 0 0 1 2 0 0
2 3 2 3 2 3
1 1 0 0 3 2 1 1 0
d) A = 4 1 2 0 5 : e) A = 4 3 0 3 5 : f) A = 4 1 1 1 5 :
0 1 0 2 3 0 0 1 1
2 3 2 3 2 3
4 0 2 2 1;5 0 2 1 0
g) A = 4 0 4 3 5 : h) A = 4 1;5 2 3;2 5 : i) A = 4 1 3 2 5 :
2 3 4 0 3;2 0 0 2 4
1. Tom M. Apostol, Calculus, Volumen 2, Segunda Edición, Editorial Reverté, Barcelona, 1975.
2. Owe Axelsson, Iterative Solution Methods, Editorial Cambridge University Press, Cambridge, 1996.
4. Jérõme Bastien, Jean-Noël Martin, Introduction à L’Analyse Numérique, Editorial Dunod, París,
2003.
5. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
6. Richard L. Burden, J. Douglas Faires, Análisis Numérico, Séptima Edición, International Thomson
Editores, S. A., México,2002.
7. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
9. S. D. Conte, Carl de Boor, Análisis Numérico, Segunda Edición, Editorial Mc Graw-Hill, México,
1981.
12. James W. Demmel, Applied Numerical Linear Algebra, Editorial Society for Industrial and Applied
Mathematics (SIAM), Philadelphia, 1997.
13. V. N. Faddeva, Métodos de Cálculo de Algebra Lineal, Editorial Paraninfo, Madrid, 1967.
8.6. LECTURAS COMPLEMENTARIAS Y BIBLIOGRAFÍA 455
15. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, II Pitagora
Editrice Bologna, 1983.
16. Stephen H. Friedberg, Arnold J. Insel, Lawrence E. Spence, Algebra Lineal, Editorial Publicaciones
Cultutal, S. A., México, 1982.
17. Noel Gastinel, Análisis Numérico Lineal, Editorial Reverté, S. A., Barcelona, 1975.
18. Curtis F. Gerald, Patrick O. Wheatley, Análisis Numérico con Aplicaciones, Sexta Edición, Editorial
Pearson Educación de México, México, 2000.
19. Gene H. Golub, Charles F. Van Loan, Matrix Computations, Second Edition, The Johns Hopkins
University Press, Baltimore, 1989.
21. Nicholas J. Higham, Accuracy and Stability of Numerical Algorithms, Editorial Society for
Industrial and Applied Mathematics, Philadelphia, 1996.
22. Kenneth Ho¤man, Ray Kunze, Algebra Lineal, Editorial Prentice-Hall Hispanoamericana, S. A.,
México, 1987.
24. Roger A. Horn, Charles R. Johnson, Matrix Analysis, Editorial Cambridge University Press,
Cambrisge, 1999.
25. Robert W. Hornbeck, Numerical Methods, Quantum Publishers, Inc., New York, 1975.
26. David Kincaid, Ward Cheney, Análisis Numérico, Editorial Addison-Wesley Iberoamericana,
Wilmington, 1994.
27. Roland E. Larson, Bruce H. Edwards, Introducción al Algebra Lineal, editorial Limusa, Noriega
Editores, México, 1995.
28. P. Lascaux, R. Théodor, Analyse Numérique Matricielle Appliquée à L’Art de L’Ingénieur, Tome
1, Editorial Masson, París, 1986.
29. P. Lascaux, R. Théodor, Analyse Numérique Matricielle Appliquée à L’Art de L’Ingénieur, Tome
2, Editorial Masson, París, 1987.
30. Melvin J. Maron, Robert J. López, Análisis Numérico, Tercera Edición, Compañía Editorial
Continental, México, 1995.
31. Shoichiro Nakamura, Métodos Numérico Aplicados con Software, Editorial Prentice-Hall His-
panoamericana, S. A., México, 1992.
32. Antonio Nieves, Federico C. Dominguez, Métodos Numéricos Aplicados a la Ingeniería, Tercera
Reimpresión, Compañía Editorial Continental, S. A. De C. V., México, 1998.
33. Ben Noble, James W. Daniel, Algebra Lineal Aplicada, Editorial Prentice-Hall Hispanoamericana,
S. A., México, 1989.
34. Beresford N. Parlett, The Symmetric Eingenvalue Problem, Editorial Society for Industrial and
Applied Mathematics (SIAM), Philadelphia, 1998.
35. Anthony Ralston, Introducción al Análisis Numérico, Editorial Limusa, México, 1978.
36. Fazlollah Reza, Los Espacios Lineales en la Ingeniería, Editorial Reverté, S. A., Barcelona, 1977.
456 CAPÍTULO 8. VALORES Y VECTORES PROPIOS
38. Francis Scheid, Theory and Problems of Numerical Analysis, Schaum’s Outline Series, Editorial
McGraw-Hill, New York, 1968.
39. M. Sibony, J. Cl. Mardon, Analyse Numérique I, Sustèmes Linéaires et non Linéaires, Editorial
Hermann, París, 1984.
40. G. W. Stewart, Matrix Algotithms, Volume II: Eingensystems, Editorial Society for Industrial and
Applied Mathematics (SIAM), Philadelphia, 1998.
42. Gilbert Strang, Algebra Lineal y sus Aplicaciones, editorial Fondo Educativo Interamericano,
México, 1982.
43. V. Voïévodine, Principes Numériques D’Algèbre Linéaire, Editions Mir, Moscú, 1976.
Capítulo 9
Mínimos Cuadrados
Resumen
El tratamiento de datos experimentales tiene lugar en este capítulo. Se tratan dos tipos de problemas:
los discretos y los continuos. En el caso discreto, se comienza con el planteamiento del problema de
mínimos cuadrados. A continuación se trata el método de Householder que constituye uno de los más
importantes métodos de resolución de sistemas de ecuaciones lineales. Se considera el ajuste de datos
de algunos problemas que conducen a resolver sistemas de ecuaciones lineales en mínimos cuadrados. A
continuación se trata el ajuste de datos en los que hay que determinar un parámetro. Posteriormente, se
trata el problema de mínimos cuadrados continuos y se da aplicaciones a la aproximación de las series de
Fourier.
9.1. Introducción
En muchas observaciones cientí…cas se deben determinar los valores de ciertas constantes a1 ; : : : ; an : Sin
embargo, determinar o medir dichas constantes resulta muy difícil y por lo general imposible. En tales
casos, el método indirecto siguiente es aplicado: en vez de observar los ai resulta más fácil tomar una
muestra de una cantidad medible ”y” la cual depende de los ai y de las mediciones experimentales que
denotamos por x; esto es,
y = f (x; a1 ; : : : ; an ) :
Con el propósito de determinar ai , se realizan experimentos bajo m condiciones diferentes x1 ; : : : ; xm ;
obteniéndose m resultados diferentes: yk = f (xk ; a1 ; : : : ; an ) k = 1; : : : ; m: En general, al menos m n
experimentos deben ejecutarse con el propósito de determinar ai i = 1; : : : ; n: Además, estos valores ai
deben satisfacer la relación precedente.
Si m > n; yk = f (xk ; a1 ; : : : ; an ) k = 1; : : : ; m forman un sistema sobredeterminado para los parámetros
desconocidos a1 ; : : : ; an que usualmente no tiene solución porque las cantidades observadas yi están
perturbadas por errores de medición. Consecuentemente, en vez de encontrar una solución exacta de
dicho sistema, el problema se traduce en encontrar una mejor aproximación posible aplicando la conocida
técnica de mínimos cuadrados. Este método fue publicado por primera vez por Legendre en 1805. Esta
clase de problemas se los conoce como ajuste de datos.
La función f es conocida. Esta función se elige siguiendo varios criterios:
1. Se tiene un modelo matemático gobernado, por ejemplo, por ecuaciones diferenciales ordinarias y
que tiene como solución la función f que depende de n parámetros ai i = 1; : : : ; n que deben
determinarse de la información experimental existente.S = f(xi ; yi ) j i = 1; : : : ; ng :
2. En base al conjunto de datos experimentales S = f(xi ; yi ) j i = 1; : : : ; ng representados grá…camente
y por alguna información suplementaria se intuye que siguen un comportamiento del tipo y =
f (x; a1 ; : : : ; an ) :
457
458 CAPÍTULO 9. MÍNIMOS CUADRADOS
yk = f (xk ; a1 ; : : : ; an ) + rk k = 1; : : : ; m;
donde cada rk es la perturbación del dato experimentas (xk ; yk ) : Esta perturbación depende de los
parámetros a1 ; : : : ; an que deben determinarse. Escribimos
rk (a1 ; : : : ; an ) = yk f (xk ; a1 ; : : : ; an ) k = 1; : : : ; m:
a1 ; : : : ; b
hallar (b an ) 2 a1 ; : : : ; b
tal que E (b an ) = mn E (a1 ; : : : ; an ) :
(a1 ;:::;an )2
@f
En la generalidad de los casos se supone que la función f es de clase C 1 en ; es decir que
@ai
i = 1; : : : ; n; son continuas en :
Para hallar un punto (b a1 ; : : : ; b
an ) 2 en el que la función E alcanza su mínimo, aplicamos las
condiciones necesarias de extremo, esto es:
8
> @E
>
> (a1 ; : : : ; an ) = 0;
>
< @a1
! ..
5E (a1 ; : : : ; an ) = 0 , .
>
>
>
> @E
: (a1 ; : : : ; an ) = 0;
@an
En el caso de los polinomios de grado m focalizaremos nuestra atención a los polinomios de grado 1; 2 y
3; esto es,
f (x; a; b) = a + bx x 2 R;
f (x; a; b; c) = a + bx + cx2 x 2 R;
f (x; a; b; c; d) = a + bx + cx + dx3 2
x 2 R:
Los problemas de mínimos cuadrados que acabamos de describir se extienden a funciones en dos o más
variables, así a polinomios de grado 1; 2; : : : , en dos variables independientes x; y como los que se
describen a continuación:
p (x; y) = a + bx + cy (x; y) 2 R2 ;
p (x; y) = a + bx + cy + dxy (x; y) 2 R2 ;
p (x; y) = a + bx + cy + dxy + ex2 + dy 2 (x; y) 2 R2 ;
que requieren, para el cálculo de las constantes que …guran en cada clase de polinomios, de un conjunto de
datos S = (xk ; yk ; zk ) 2 R3 j k = 1; : : : ; n : Otra clase de funciones son las conocidas funciones lineales
y a…nes en n variables del tipo
n
X
z = f (x1 ; : : : ; xn ) = ak xn (x1 ; : : : ; xn ) 2 Rn
k=1
y
n
X
z = f (x1 ; : : : ; xn ) = a0 + ak xn (x1 ; : : : ; xn ) 2 Rn ;
k=1
460 CAPÍTULO 9. MÍNIMOS CUADRADOS
que requieren, para el cálculo de las constantes que …guran en cada una de esta clase de funciones, de un
conjunto de datos n o
! (k)
S = x = x ;:::;x ;z 2 R (k) n+1
j k = 1; : : : ; m :
k 1 n k
Comenzaremos con la resolución de los sistemas de ecuaciones lineales en mínimos cuadrados. Estos
sistemas de ecuaciones provienen, en general, de problemas de ajuste de datos lineales. A continuación
tratamos el ajuste de datos de datos polinomial. Luego tratamos el ajuste de datos de funciones a…nes
del tipo
n
X
f (x1 ; : : : ; xn ) = a0 + ak xn (x1 ; : : : ; xn ) 2 Rn :
k=1
Estos sistemas de ecuaciones se caracterizan por tener más ecuaciones que incógnitas. Estos sistemas,
como hemos visto, surgen en la determinación de ciertos parámetros x1 ; :::; xn que deben calcularse a
partir de una información experimental y que corresponden a un modelo del tipo lineal.
el espacio constituido por todas las combinaciones lineales de A1 ; :::; An . Por de…nición, la dimensión de
W es el rango de A y que por hipótesis, R (A) = n. Luego dim W = n: Entonces, el sistema de ecuaciones
! !
A! x = b tiene solución si y solo si b 2 W . Esta situación se presenta en muy pocos casos. En la práctica,
los sistemas de ecuaciones arriba propuesto, en general, no tienen solución.
! !
Se de…ne ! r (!
x ) = A! x b ; x 2 Rn . El vector ! r (!x ) se llama residuo. Proponemos un problema
alterno denominado problema en mínimos cuadrados (Pa ) que se indica a continuación:
k! k!
r (! 8!
2 2
b 2 Rn tal que
hallar, si existe, x r (b
x)k x )k x 2 Rn ;
o lo que es lo mismo
! 2 !
Ab
x b A!
x b 8!
x 2 Rn ;
! 2 ! 2
b 2 Rn tal que
hallar, si existe, x Ab
x b Min A!
=! x b ;
x 2Rn
! J (!
x + t!
y) J (!
x)
D!
yJ(x) = l m :
t!0 t
De la de…nición del producto escalar en Rn , se tiene
! 2 ! T !
J (!
x ) = A!
x b = A!
x b A!
x b !
x 2 Rn :
Sean !
x; !
y 2 Rn …jos, t 6= 0. Entonces,
! T ! ! T !
J (!
x + t!
y) J (!
x) = A (!
x + t!
y) b A (!
x + t!
y) b A!
x b A!
x b
! T
= 2t A! A!
y + t2 (A!
y ) A!
T
x b y:
! ! ! T ! !
Se ha utilizado el hecho que A! b , A x 2 Rm , y, A! A y = (A!
y ) A!
T
x x b x b ; pués
el producto escalar en Rm es conmutativo. Luego, para t 6= 0 se tiene
J (!
x + t!
y) J (!
x) ! T
= 2 A! A!
y + t (A!
y ) A!
T
x b y;
t
de donde
! J (!
x + t!
y ) J (!
x) ! T
= l m 2 A! A!
y + t (A!
y ) A!
T
D!
y J ( x ) = l m x b y
t!0 t t!0
! T !
= 2 A! x b Ay:
! ! ! T
D!
yJ(x) =2 Ax b A!
y:
Por otro lado, un resultado muy conocido del Análisis Matemático sobre las derivadas direccionales
es que si D! ! ! n ! n
y J ( x ) es continuo en x 2 R en toda dirección y 2 R , entonces
D! ! ! T!
y J ( x ) = (rJ ( x )) y ;
donde rJ (!
x ) denota el gradiente de J en !
x de…nido por (rJ (! (! @J !
T @J
x )) = @x1 x ) ; :::; @xn
(x) :
Luego,
! T !
(rJ (!x )) !y = 2 A! 8!
T
x b Ay y 2 Rn ;
con lo cual
T
! T ! T
rJ (!
x) = A A!
x b A = 2AT A!
x b :
!
El sistema de ecuaciones lineales AT A!
x = AT b ; se llama sistema de ecuaciones normales. Note
que la matriz AT A es una matriz simétrica y en consecuencia es una matriz normal.
462 CAPÍTULO 9. MÍNIMOS CUADRADOS
Por lo tanto,
k!r (!x )k = kA (! b)k + k!
2 2 2
x x r (b
x)k
y como kA (! ! k!r (! 8!
2 2 2
x b)k
x 0, se sigue que k r (b
x)k x )k x 2 Rn ; es decir
! 2 ! 2
Ab
x b Min A!
=! x b :
x 2Rn
Figura 82
9.2. SOLUCIONES DE SISTEMAS DE ECUACIONES LINEALES EN MÍNIMOS CUADRADOS.463
Sea !
x 2 Rn . Entonces A!
x 2 W y en consecuencia
T ! ! !
(A!
x ) yb = 0 , (A! x =0,! x =0,!
T
x) b Ab x T AT b Ab x T AT b AT Ab
x = 0;
de donde
!
AT Ab
x = AT b :
k! 8!
2
y k2
Resulta que kb yk y 2 W ? , o bien
! 2 ! 2
b Ab
x =!
Min b A!
x :
x 2Rn
! !
El resultado que acabamos de obtener se le conoce como proyección de un vector b 2 Rm con b 2 = W;
sobre el subespacio cerrado W de Rm : El vector x
b 2 Rn se le conoce como solución en mínimos cuadrados.
Observaciones
!
1. El sistema de ecuaciones A! x = b ; con m; n 2 Z+ , m n, A = (aij ) 2 Mm n [R] no nula y de rango
!
R (A) = n; b T = (b1 ; :::; bn ) 2 Rm , puede ser resuelto directamente aplicando el método de factorización
QR de Householder, que se expone más adelante.
que muestra que la solución en mínimos cuadrados coincide con la solución del sistema de ecuaciones
!
A!x = b:
3. En la práctica, la solución en mínimos cuadrados se calcula como sigue: del sistema de ecuaciones
! !
normal AT A! x = AT b ; se de…nen B = AT A; ! c = AT b ; con lo que dicho sistema se escribe como
B! x = !c ; sistema de ecuaciones lineales que puede ser resuelto mediante el método de eliminación
gaussiana, de Choleski o de factorización LU, dependiendo de las características de la matriz B:
4. Sean m; n 2 Z+ con m n; V = Rn ; f!
y 1; : : : ; !
y mg Rn tal quef!
y 1; : : : ; !
y m g linealmente
independiente,
P
m
W = xi !
y i j xi 2 R; i = 1; : : : ; m :
i=1
2 2
! P
m ! P
m
b bi !
x yi =! Min b xi !
yi :
i=1 x =(x1 ;:::;xm )2Rm i=1
! P
m
b bi !
x y i; !
w = 0 8!
w 2 W:
i=1
464 CAPÍTULO 9. MÍNIMOS CUADRADOS
Figura 83
Sea A 2 Mn n [R] : Supongamos que las columnas de A son ortogonales, entonces el rango de A es n;
además A es invertible. En efecto, escribamos
2 T 3 la matriz A en la forma A = [A1 ; : : : ; An ] ; donde Aj es la
A1
6 7
j-ésima columna de A; luego AT = 4 ... 5 y
ATn
2 3 2 T 3
AT1 A1 A1 : : : AT1 An
6 7 6 7
AT A = 4 ... 5 [A1 ; : : : ; An ] = 4 ..
. 5
ATn ATn A1 : : : ATn An
Como las columnas de A son ortogonales se sigue que ATi Aj = 0 si i 6= j; y ATi Ai = kAi k2 = 1:
El siguiente resultado constituye la base del algoritmo de Householder para la resolución de sistemas de
ecuaciones lineales y factorización de una matriz A en la forma QR:
H!
v = !
e 1;
de donde !
e T1 = (1; 0; :::; 0) es el primer vector de la base canónica de Rn :
Demostración. Sea !
u 2 Rn tal que k!
u k = 1. La matriz de Householder
H=I 2!
u!uT
es simétrica y ortogonal.
Sea !
v 2 Rn con ! v 6= 0. Mostremos que existe !
u 2 Rn tal que k!
u k = 1 y H!
v = !
e 1 : En efecto, sea
!
2 R tal que k v k = j j. Entonces
H!
v = I 2!
u!uT !
v =!
v 2!
u!u T!
v;
9.3. MÉTODO DE HOUSEHOLDER Y MÍNIMOS CUADRADOS 465
y como H !
v = !
e 1 , se sigue que
!
v 2!
u!u T!
v = !
e1
! ! T!
2u u v = v! !
e 1:
Sea p = 2!
u T!
v . Se tiene
p!
u =!
v !
e1
de donde
k!
v !
e 1 k = kp!
u k = jpj k!
u k = jpj :
Para evitar que p = 0, elegimos del modo siguiente:
2 3
v1
6 v2 7
! ! 6 7
v e1=6 .. 7
4 . 5
vn
entonces
sign (v1 ) k!
v k; si v1 6= 0;
=
k!v k ; si v1 = 0:
Supongamos primeramente que v1 6= 0: Se tiene = sign (v ) k!
v k ; luego
1
n
X
k! !
e 1 k = k!
v + sign (v1 ) k!
v k!
e 1 k = (v1 + sign (v1 ) k!
2 2 2
v v k) + vk2 :
k=2
v1 + sign (v1 ) k!
v k = v1 k!
vk= ( v1 + k!
v k) = (jv1 j + k!
v k) :
Por lo tanto
n
X n
X
k! !
e 1 k = (jv1 j + k! + 2 jv1 j k!
v k + k!
2 2
v v k) + vk2 = v12 vk + vk2
k=2 k=2
n
X
= 2 jv1 j k!
v k + k! vk2 = 2 jv1 j k!
v k + 2 k!
2 2
vk + vk :
k=1
Si v1 = 0; = k!
v k. Entonces
n
X n
X
k! !
e 1 k = k!
v + k!
v k!
e 1 k = k! = k! vk2 = 2 k!
2 2 2 2 2
v vk + vk2 vk + vk :
k=2 k=1
Consecuentemente, de la igualdad p!
u =!
v !
e 1 , se sigue que
!
v !
e1 !
v !
e1 !
v !
e1
!
u = = ! = si v1 6= 0;
p kv !
e k 1
1
2 k!
v k + 2 jv1 j k!
2 2
vk
!
v !e1
!
u = p si v1 = 0:
!
2k v k
y
1 ! !
e 1 ) (! ! T
H=I ! 2 (v v e 1 ) , si v1 = 0:
kvk
Si ponemos
(
k!
v k + jv1 j k!
2
v k ; si v1 6= 0;
r = ! 2
2 k v k ; si v1 = 0;
! !
w = v !e 1;
entonces
1 !!T
H=I ww :
r
Observación
(s!
u ) (s!
t
u)
i) Se puede escribir H = I 2 ; el cálculo explícito de !
u no es necesario.
s2
s2 ! 1 !!T
Ponemos r = y w = s!
u entonces H = I w w donde !
w y r se determinan por el sistema:
2 r
8
< j j = k!
v k;
!
w =! v !e 1;
:
r= ( v1 ) :
1 !!T 1 !!T ! ! 1 !T ! !
H!
v = I ww !
v =!
v ww v = v w v w;
r r r
wT!
q = ! v;
q
p = ;
r
H v = v p!
! ! w:
Algoritmo de Householder
! !
Sea A 2 Mn n [R] invertible, b 2 Rn dado y consideramos el sistema de ecuaciones A!
x = b:
!(1) !
Aplicaremos el lema 2, m veces para triangularizar la matriz A. Ponemos A(1) = A; b = b:
!
Generaremos m 1 ecuaciones equivalentes a la ecuación original propuesta: A(k) !x = b (k) k = 2; : : : ; n
!
donde A(k) y b (k) son de la forma:
2 3
(2) (2) (2) (2) 2 3
a11 ::: ::: a1k 1 a1k ::: a1n (2)
6 .. .. 7 b1
6 (3) (3) 7 6 7
6 a22 : : : a2k 1 . . 7 6 ... 7
6 .. .. .. .. 7 6 7
6 . . . . 7 6 (k) 7
6 7 6 b 7
6 (k) (k) (k) 7 ! 6 k 1 7
A(k) = 66 0 ak 1;k 1 ak 1;k : : : ak 1;n 7
7; b (k)
= 6 (k) 7
6 7 6 b 7
6 (k) (k) 7 6 k 7
6 a kk : : : akn 7 6 . 7
6 7 6 . 7
6 .
. .
. 7 4 . 5
4 0 . . 5 (k)
(k) (k)
bn
ank ::: ann
9.3. MÉTODO DE HOUSEHOLDER Y MÍNIMOS CUADRADOS 467
! !
Para pasar de A(k) a A(k+1) y de b (k) a b (k+1) , buscamos una matriz ortogonal elemental (matrix
de Householder) H (k) tal que H (k) A(k) es una matriz cuyas primeras k columnas forman una matriz
(k)
triangular de la forma de A11 :
Tomamos un vector !
(k) (k) (k)
u (k) tal que u1 = u2 = = uk 1 e(k) el vector
= 0 y notamos con u
(uk ; : : : ; un ) 2 Rn k+1 y
He (k) = In k+1 u(k) u
2e e(k)T :
La matriz H (k) = I 2u(k) u(k)T es tal que H (k) A(k) deja …jas las k 1 …las y columnas de A(k) ; además
! !
H (k) b (k) no modi…ca las k 1 primeros elementos de b (k) . Luego H (k) A(k) se escribe:
2 32 3 2 3
(k) (k) (k) (k)
Ik 1 0 A11 A12 A11 A12
H (k) A(k) = 4 54
(k)
5=4 5
0 e (k)
H 0 A22 0 He (k) A(k)
22
2 32 3 2 3
Ik 1 0 !c (k) !c (k)
(k) !(k) 4 5 4 5 4 5:
H b = !(k) =
0 e (k)
H d e (k) !
H d (k)
kQ1
(i+1) (k) (k)
Como det A(k) = aii det A22 6= 0; los elementos de la primera columna de A22 no son nulos,
i=1
consecuentemente se puede aplicar el lema2 con !
(k) (k)
v = akk ; : : : ; ank 2 Rn k+1 para anular todos salvo
el primero; cuyo algoritmo de cálculo es:
n h
!1
X i2 2
(k 1) (k) (k)
akk = sign akk aik ;
i=k
(k+1) (k+1) (k)
r(k) = akk akk akk ;
(k) (k) (k+1)
wk = akk akk ;
(k) (k)
wi = aik i = k + 1; : : : ; n
e (k) !
Para el cálculo de H b (k) se emplea el siguiente algoritmo;
n
X
(k) (k) (k)
q = wi bi ;
i=k
q (k)
p(k) = ;
r(k)
(k+1) (k) (k)
bi = bi p(k) wi i = k; : : : ; n:
! !
Finalmente, ponemos H (k) A(k) = A(k+1) y H (k) b (k) = b (k+1) :
468 CAPÍTULO 9. MÍNIMOS CUADRADOS
!
La matriz A(n) es una matriz triangular superior que permite resolver fáclmente el sistema: A(n) !
x = b (n) :
Observación
A(n) = H (n 1)
H (n 2)
: : : H (1) A(1) ;
2. Para mejorar la estabilidad del método, podemos proceder como sigue: en la k-ésima etapa, en
lugar de transformar la k-ésima columna de A(k) ; se elige entre las últimas columnas de A(k) aquel
(k) Pn
(k) 2
elemento que hace: aij = aij máximo. Se permuta aquella con la k-ésima columna, si en
i=k
k = L se alcanza tal máximo, entonces
q
(k+1) (k) (k)
akk = sign akk aL :
Ejemplos
0 1
1. Sea A = : Construyamos la matriz de Householder y factoremos la matriz en la forma
0 0
A = QR con Q una matriz ortogonal y R una matriz triangular superior.
1
Sea !
v = ; se tiene = 1,
0
! 1 1 2
w =!
v !
e1= + = :
0 0 0
Además r = ( v1 ) = 1( 1 2) = 2: Luego
1 !!T 1 0 1 2 1 0
H = I ww = (2; 0) =
r 0 1 2 0 0 1
1 0 0 1 0 1
A(1) = HA = = = R:
0 1 0 0 0 0
1 0
Obtenemos A = H T R = QR con Q = H T = :
0 1
2 3
0 0 0
2. Sea A = 4 0 0 0 5 : Construyamos la matriz de Householder y factoremos la matriz en la forma
0 0 1
A = QR con Q una matriz ortogonal y R una matriz triangular superior.
2 3
1
!
Sea v = 0 5 ; se tiene v1 = 1; = 1,
4
0
2
3 2 3 2 3
1 1 2
!
w =!
v !
e 1 = 4 0 5 + 4 0 5 = 4 0 5:
0 0 0
9.3. MÉTODO DE HOUSEHOLDER Y MÍNIMOS CUADRADOS 469
Además r = ( v1 ) = 1( 1
1) = 2: Luego
2 3 2
3 2 3
1 0 0 2 1 0 0
1 !!T 4 14 5
H (1) = I ww = 0 1 0 5 0 (2; 0; 0) = 4 0 1 0 5
r 2
0 0 1 0 0 0 1
2 32 3 2 3
1 0 0 0 0 0 0 0 0
A(1) (1)
= H A= 4 0 1 0 5 4 0 0 0 5 = 4 0 0 0 5:
0 0 1 0 0 1 0 0 1
Segunda etapa
1 1 0
De…nimos !
v = e (2) =
: Procediendo tal como en la primera etapa obtenemos H ;
0 0 1
2 3
1 0 0
I 0
H (2) = e (2) =4 0 1 0 5;
0 H
0 0 1
2 32 3 2 3
1 0 0 0 0 0 0 0 0
A(2) = H (2) A(1) 4
= 0 1 0 5 4 0 0 5 4
0 = 0 0 0 5 = R:
0 0 1 0 0 1 0 0 1
De la de…nición de las matrices precedentes obtenemos R = H (2) A(1) = H (2) H (1) A ) A = QR con
T
Q = H (2) H (1) ; y
2 32 3 2 3
1 0 0 1 0 0 1 0 0
H (2) H (1) = 4 0 1 0 54 0 1 0 5=4 0 1 0 5:
0 0 1 0 0 1 0 0 1
2 3
0 0 0
3. Sea A = 4 0 0 0 5 : Construyamos la matriz de Householder y factoremos la matriz en la forma
1 0 0
A = QR con Q una matriz ortogonal y R una matriz triangular superior.
2 3
0
!
Sea v = 0 5 ; se tiene kvk = 1; v1 = 0; = 1,
4
1
2 3 2 3 2 3
0 1 1
!
w =! v !
e 1 = 4 0 5 + 4 0 5 = 4 0 5:
1 0 1
Además r = ( v1 ) = 1: Luego
2 3 32 2 3
1 0 0 1 0 0 1
1 !!T 4
H (1) = I ww = 0 1 0 5
4 0 5 (1; 0; 1) = 4 0 1 0 5
r
0 0 1 1 1 0 0
2 32 3 2 3
0 0 1 0 0 0 1 0 0
A(2) = H (1) A = 4 0 1 0 54 0 0 0 5 = 4 0 0 0 5:
1 0 0 1 0 0 0 0 0
Segunda etapa
1
De…nimos !
v = : Procediendo tal como en la primera etapa obtenemos
0
2 3
1 0 0
H (2) = 4 0 10 5;
0 0 1
2 32 3 2 3
1 0 0 1 0 0 1 0 0
A(3) = H (2) A(2) =4 0 1 0 54 0 0 0 5=4 0 0 0 5 = R:
0 0 1 0 0 0 0 0 0
470 CAPÍTULO 9. MÍNIMOS CUADRADOS
T
Consecuentemente R = H (2) A(2) = H (2) H (1) A ) A = QR con Q = H (2) H (1) ;y
2 32 3 2 3
1 0 0 0 0 1 0 0 1
H (2) H (1) =4 0 1 0 54 0 1 0 5=4 0 1 0 5:
0 0 1 1 0 0 1 0 0
2 3
2 1 4
4. Sea A = 4 2 0 1 5 : Construyamos una matriz triangular superior aplicando el algoritmo que
1 3 1
acabamos de describir.
2 3
2 p
!
i) Sea v = 4 2 5 obtenido como la primera columna de la matriz A; entonces k! v k = 9 = 3:
1
Determinemos ; ! w y r: Tenemos
= j j sign ( ) = k!
v k sign ( ) = k!
v k = 3; pués sign ( ) = sign (v1 ) = 1;
2 3 2 3 2 3
2 1 5
!
w = ! v !e 1 = 4 2 5 ( 3) 4 0 5 = 4 2 5 ;
1 0 1
r = ( v1 ) = 3 ( 3 2) = 15;
entonces
2 3 2 3
2 2 1 1 7
3
6 3 3 3 72 3 6 3 3 7
6 2 11 2 7 2 1 4 6 4 53 7
6 74 6 7
A(2) = H (1) A(1) =6 7 2 0 1 5=6 0 7:
6 3 15 15 7 6 15 15 7
4 1 2 14 5 1 3 1 4 47 4 5
0
3 15 15 15 15
3 2
4
6 15 7
ii) Continuado con el algoritmo, elegimos el vector !
v =6 7
4 47 5 obtenido de la segunda columna de
15
1 p 1 p
la matriz A(2) ; luego k!
vk= 2225 = 89 ' 3;1446603777: Determinemos ; ! w y r: Tenemos
15 3
1p
= 89 = 3;1446603777;
23 3
4
! 6 15 7 1 3;4113270440
w = 6 7
4 47 5 + 3;1446603777 0 = ;
3;1333333333
15
4
r = ( v1 ) = 3;1446603777 3;1446603777 = 10;7274649895;
15
1
= 0;09322186682:
r
9.3. MÉTODO DE HOUSEHOLDER Y MÍNIMOS CUADRADOS 471
p p 1
r= ( v1 ) = 15 15 1 = 18;8729833462; = 0;05298579259;
r
y de…inos el vector !
w como sigue:
3 2 2 3 2 p 3 2 3
1 1 1 + 15 4;8729833462
! 6 1 7 p 6 0 7 6 1 7 6 1 7
w =!
v !
e1=6 7 6
4 2 5 + 15 4
7=6 7=6 7:
0 5 4 2 5 4 2 5
3 0 3 3
472 CAPÍTULO 9. MÍNIMOS CUADRADOS
y en consecuencia
2 3
3;8729833462 3;6147844565 3;0983866769 12;9099444873
6 0;0 1;052987936 2;9537442846 2;2649289679 7
A(2) = H (1) A(1) = 6
4
7:
0;0 2;1059715872 2;0925114308 4;5298579359 5
0;0 1;8410426192 1;1387671462 4;2052130962
ii)
2 Tomando en consideración
3 la segunda columna de la matriz A(2) ; elegimos el vector !
v =
0
6 1;052987936 7 !
6 7
4 2;1059715872 5 y calculamos su norma, tenemos k v k = 2;9888682362 ' 3 con lo que
1;8410426192
= 2;9888682362: Calculemos r y r 1 :
Determinamos el vector !
w :
2 3 2 3 2 3
0 0 0;0
6 1;052987936 7 6 1 7 6 7
!
w =!
v !
e2=6 7 + 2;9888682362 6 7 = 6 4;04185402978 7 ;
4 2;1059715872 5 4 0 5 4 2;1059715872 5
1;8410426192 0 1;8410426192
2 3 2 3 2 3
0;0 0;0 0;0
! ! 6 0;0 7 6 0;0 7 6 0;0 7
w =v e3=6
4 3;7709949958 5
7 3;78528178726 6 7 6
4 1;0 5 = 4 7;5562767831
7
5
0;32956498588 0;0 0;3285649859
2 3
1;0 0;0 0;0 0;0
1 !!T 6 0;0 1;0 0;0 0;0 7
H (3) = I ww =6
4 0;0
7:
r 0;0 0;99622569938 0;086800667518 5
0;0 0;0 0;086800667518 0;99622569938
2 3
3;8729833462 3;6147844565 3;0983866769 12;9099444873
6 0;0 2;9888682362 0;2676598420 6;5799711169 7
A(4) = H (3) A(3) = 6
4
7:
0;0 0 3;7852817872 0;06308802978 5
0;0 0 0 0;1825741858
! !
Puesto que b (4) = H (3) H (2) H (1) b ; se sigue que
2 3 2 3
0;516397779494 0;516397779494
!(2) ! 6 0;09924150898 7 !(3) ! 6 0;6245396314 7
b = H (1) b = 6 4 0;19848301796 5 ;
7 b = H (2) b (2) =6 7
4 0;4721848668 5 ;
1;29772452694 1;0584544077
2 3
0;516397779494
!(4) ! 6 0;6245396314 7
b = H (3) b (3) = 6
4 0;37852817872 5 :
7
1;0954451150
! !
Resolvamos el sistema de ecuaciones A!
x = b : Tenemos A(4) !
x = b (4) :
2 32 3
3;8729833462 3;6147844565 3;0983866769 12;9099444873 x
6 0;0 2;9888682362 0;2676598420 7 6
6;5799711169 7 6 y 7
6 7
4 0;0 0 3;7852817872 0;06308802978 5 4 z 5
0;0 0 0 0;1825741858 w
2 3
0;516397779494
6 0;6245396314 7
= 6
4 0;37852817872 5
7
1;0954451150
32
32
6 13 7
y la solución de este sistema triangular superior es !
x =6 7
4 0 5:
6
474 CAPÍTULO 9. MÍNIMOS CUADRADOS
2n2 13n
(n 1) + +4 multiplicaciones,
3 6
2n2 5n
(n 1) + +3 adiciones o sustracciones,
3 3
n+2
(n 1) divisiones,
2
n 1 raíces cuadradas,
!
Para la resolución del sistema triangular A(n) !
x = b (n) se necesitan de n2 operaciones elementales.
4n3 14n
TH = + 4n2 + 9:
3 3
Metodo de Householder
El método de Householder puede aplicarse para resolver problemas de aproximación con el método de
mínimos cuadrados.
! !
Sea A 2 Mm n [R] con m n y b 2 Rm : Consideramos el sistema de ecuaciones A! x = b y el problema
en mínimos cuadrados:
! !
b 2 Rn tal que
hallar x Ab
x b = !m n A!
x b :
x 2Rn
9.3. MÉTODO DE HOUSEHOLDER Y MÍNIMOS CUADRADOS 475
Note que la matriz R tiene inversa si y solo si las columnas de A son linealmente independientes, esto es,
dim R (A) = n:
Observación
! !
Sea A 2 Mn n [R] con dim R (A) = n; b 2 Rn y consideramos el sistema de ecuaciones lineales A!
x = b:
Ponemos A = QR: La solución del sistema de ecuaciones en mínimos cuadrados viene dada como
! ! h 1
i 1 !
x = AT b = (QR)T QR
AT A (QR)T b
1 T T! 1 T T!
= RT QT QR R Q b = RT R R Q b
1 T T ! !
= R 1 RT R Q b = R 1 QT b :
Así, !
x =R 1 QT !
b , R!
!
x = QT b ; además dicha solución !
x es única.
Ejemplo
8
>
> x 2y + z =1
<
2x + 5y + z =2
Consideremos el sistema de ecuaciones lineales : Calculemos la solución en mínimos
>
> 4y z =3
:
2x + 3y + z =4
cuadrados aplicando el método de Householder.
476 CAPÍTULO 9. MÍNIMOS CUADRADOS
2 3 2 3
1 2 1 1
6 2 5 1 7 ! 6 2 7
Ponemos A = 6
4 0
7; b = 6 7 : Determinaremos una matriz ortogonal Q y una matriz
5 1 5 4 3 5
2 3 1 4
" ! #
R ! ! h1 ! !
triangular superior invertible R tales que QA = y h =Qb = ! con h 1 2 Rn ; h 2 2 Rm n:
0 h2
! !
Ponemos A(1) = A y b (1) = b : Apliquemos el método de Householder.
1 !!T
1. A(2) = Q(1) A(1) con Q(1) = I w w y = k! v k sign (v1 ) ; r = ( v1 ) ; !
w =!
v !e 1:
r
2 3
1
6 2 7
Sea ! v = 6 7
4 0 5 vector obtenido de la primera columna de la matriz A: Calculamos su norma:
2
!
k v k = 3; y en consecuencia = 3: Puesto que v1 = 1; se sigue que r = 3 ( 3 1) = 12: Con
esta información pasamos a calcular el vector !
w : Tenemos
2 3 2 3 2 3
1 1 4
! 6 2 7 6 0 7 6 2 7
w =6 7 6 7 6 7
4 0 5 + 34 0 5 = 4 0 5;
2 0 8
es,
2 3 2 3
1 0 0 0 0 0 0 0
6 0 1 0 0 7 6 0 81;2941 37;37252 15;57191 7
Q(2) = 6
4 0
7 0;018855 6 7
0 1 0 5 4 0 37;37252 16;0 6;666667 5
0 0 0 1 0 15;57191 6;666667 2;777778
2 3
1: 0: 0: 0:
6 0: 0;64593 0;70466 0;29361 7
= 6
4 0:
7
0;70466 0;69832 0;12570 5
0: 0;29361 0;12573 0;94762
Note que en realidad no se requiere del cálculo de la matriz R 1: Se resuelve directamente el sistema
!
de ecuaciones lineales triangular superior R! x = h 1:
478 CAPÍTULO 9. MÍNIMOS CUADRADOS
Para simpli…car la escritura y que a su vez no pierda de generalidad, hemos seleccionado como problema
de ajuste polinomial con un polinomio de tercer grado. El procedimiento que a continuación se describe,
se aplica directamente al ajuste polinomial con polinomios de grados uno, dos, etc.
hallar x a; bb; b
bT = (b b 2 R4 tal que k!
c; d) r (b Min k!
x)k2 = ! x)k2 ;
r (b
x 2R4
o de modo equivalente
k!
y Ab Min k!
xk2 = ! y xk2 :
Ab
x 2R4
Este problema, como ya hemos señalado, se conoce como método de mínimos cuadrados y se ha
demostrado que conduce a resolver el sistema de ecuaciones AT A!
x = AT !
y ; donde AT denota la matriz
transpuesta de A.
p(x) = a0 + a1 x1 + : : : + am xm x 2 R;
9.4. AJUSTE DE DATOS POLINOMIAL 479
Note que si !
x = (a0 ; : : : ; am )T 2 Rm+1 ; se tiene A!
x = a0 A0 +: : :+am Am : Sea W = A!
x j!x 2 Rm+1 :
Resulta que W es un subespacio de Rn con dim W = m < n: Se de…ne r ( x ) = y ! ! ! Ax !
! x 2 Rm+1 :
El problema de mínimos cuadrados consiste en determinar x ^2R m+1 tal que
k! k!
r (! x )k 8! x 2 Rm+1 () k! xk = Min k! y A!
2 2 2 2
r (^
x)k y A^ !
xk :
x 2Rm+1
Así,
k! k!y A! x k 8!
2 2
y A^
xk x 2 Rm+1 ;
h!
y A^x; !
w i = 0 8!w 2 W:
Para !
w = A!x !
x 2 Rm+1 ; se obtiene
0 = h! x; Axi = (A! x ) (! x) = !
x T AT ! ! x=!
x T AT !
T
y A^ y A^ yT x T AT A^ y AT A^
x :
Luego
!
x T AT !
y x = 0 8!
AT A^ x = AT !
x 2 Rm+1 () AT A^ y;
que se conoce como ecuación normal. O sea x
^ es solución del sistema de ecuaciones normal.
1
b = AT A
x AT !
y:
Puesto que
2 3 2 P
n
3
1 x1 n xi
1 ::: 1 6 .. .. 7 6 7
AT A = 4 . . 5=6 4 P n
i=1
P 2
n
7;
5
x1 : : : xn xi xi
1 xn
i=1 i=1
2 3 2 P n
3
y1 yi 7
1 ::: 1 6 .. 7 6
AT !
y = 4 . 5=6 i=1
4 P
n
7:
5
x1 : : : xn xi yi
y n
i=1
1
Es este caso resulta fácil el cálculo de AT A ; tenemos
2 3
P
n P
n
6 x2i xi 7
1 1 6 7;
AT A = 2 4
i=1
P
n
i=1
5
P
n P
n
xi n
n x2i xi i=1
i=1 i=1
luego
2 32 n 3
P
n P
n P
6 x2i xi 7 6 yi 7
b
a 1 1
b =
x bb = AT A AT !
y = 2
6
4
i=1
P
n
i=1 7 6 ni=1
54 P
7
5
P
n P
n
xi n xi yi
n x2i xi i=1 i=1
i=1 i=1
2 3
P
n P
n P
n P
n
6 x2i yi xi xi yi 7
1 6 i=1 i=1 i=1 i=1 7
= 2 4 P
n Pn P
n 5
P
n P
n
xi yi n xi yi
n x2i xi
i=1 i=1 i=1 i=1 i=1
a; bb :
y de esta igualdad obtenemos los coe…cientes b
P
n P
n P
n P
n
x2i yi xi xi yi
i=1 i=1 i=1 i=1
b
a = 2 ;
Pn P
n
n x2i xi
i=1 i=1
P
n P
n P
n
n xi yi xi yi
bb = i=1 i=1 i=1
:
2
P
n P
n
n x2i xi
i=1 i=1
8 8 n 8
@E > P > P
n P
n
>
< >
< (yi a bxi ) = 0 >
< na + b xi = yi
(a; b) = 0
@a , i=1 , i=1 i=1
> @E > Pn
> P
n P
n P
n
: (a; b) = 0 >
: (yi a bxi ) = 0 >
: a xi + b x2i = xi yi ;
@b i=1 i=1 i=1 i=1
9.4. AJUSTE DE DATOS POLINOMIAL 481
cuya solución es
P
n P
n P
n P
n
x2i yi xi xi yi
i=1 i=1 i=1 i=1
a = 2 ;
Pn P
n
n x2i xi
i=1 i=1
P
n P
n P
n
n xi yi xi yi
i=1 i=1 i=1
b = 2 ;
P
n P
n
n x2i xi
i=1 i=1
a; bb:
que coincide exactamente con b
2
P
n P
n
Note que hemos supuesto que xi 6= n x2i :
i=1 i=1
Para calcular las constantes ba; bb mediante el método de mínimos cuadrados se requiere de la siguiente
información: el número de puntos n 2 y el conjunto de datos S = f(xi ; yi ) j i = 1; : : : ; ng ; y, se deben
Pn P
n P
n P
n
calcular las sigientes sumas: S1 = xi ; S2 = x2i ; R1 = yi ; R 2 = xi yi : Con estos resultados se
i=1 i=1 i=1 i=1
a y bb: Se propone el siguiente algoritmo de cálculo de b
pasa al cálculo de b a y bb:
Algoritmo
2. S1 = 0:
3. S2 = 0:
4. R1 = 0:
5. R2 = 0:
6. Para i = 1; : : : ; n
S1 = S1 + xi
S2 = S2 + x2i
R1 = R1 + yi
R2 = R2 + xi yi
Fin de bucle i:
7. z = nS2 S12
8. Si z = 0; continuar en 13)
S2 R 1 S1 R2
9. a = ;
z
nR2 S1 R1
10. b =
z
11. Imprimir a; b; continuar en 14)
14. Fin
Figura 84
Ejemplo
S = f(1; 3;6) ; (1;5; 4;35) ; (2;1; 5;25) ; (2;9; 6;45) ; (3;2; 6;9)g :
Buscamos una función p de la forma p (x) = a + bx x 2 R; con a; b constantes calculadas con el método
de mínimos cuadrados
5
X
S1 = xi = 1 + 1;5 + 2;1 + 2;9 + 3;2 = 10;7;
i=1
Xn
S2 = x2i = 1 + 2;25 + 4;41 + 8;41 + 10;24 = 26;31;
i=1
n
X
R1 = yi = 3;6 + 4;35 + 5;25 + 6;45 + 6;9 = 26;55;
i=1
Xn
R2 = xi yi = 3;6 + 6;525 + 11;025 + 18;705 + 22;08 = 61;935:
i=1
z = nS2 S12 = 5 26;31 (10;7)2 = 17;06:
La solución es
S2 R1 S1 R2 26;55 26;31 10;7 61;935
a = = = 2;1
z 17;06
nR2 S1 R1 5 61;935 10;07 26;55
b = = = 1;5:
z 17;06
El polinomio de grado 1 buscado es p (x) = 2;1 + 1;5x x 2 R: Note que p (x) es la ecuación cartesiana
de la recta a la que se le denomina recta de mejor ajuste en mínimos cuadrados.
Dado el conjunto de datos S = (xi ; yi ) 2 R2 j i = 1; : : : ; n que tiene una tendencia de una función
cuadrática del tipo p (x) = a + bx + cx2 x 2 R; donde a; b; c son constantes reales que se determinan
como soluciones del método de mínimos cuadrados. tenemos
yi = a + bxi + cx2i + ri i = 1; : : : ; n:
9.4. AJUSTE DE DATOS POLINOMIAL 483
La solución x a; bb; b
bT = b c se obtiene del sistema de ecuaciones lineales
2 3 2 n 3
P
n Pn
2
P
6 n xi xi 7 2 3 6 yi 7
6 n i=1 i=1 7 a 6 i=1 7
6 P Pn Pn 7 6 P n 7
6 x2i x3i 7 4 b 5=6 7:
6 i=1 xi 7 6 i=1 xi yi 7
6 n i=1 i=1 7 c 6 n 7
4 P 2 P 3 P 4 5
n n 4 P 2 5
xi xi xi xi yi
i=1 i=1 i=1 i=1
Ejemplo
Consideremos el conjunto de datos S siguiente: S = f(0; 3) ; (1; 2) ; (2; 3) ; (3; 6) ; (4; 11)g : Determinemos
un polinomio p (x) = a1 + a2 x + a3 x2 x 2 R en mínimos cuadrados.
2 3
a1
De los resultados arriba establecidos, se tienen !x T; !y T y A de…nidos como sigue: ! x = 4 a2 5 ;
a3
2 3
1 0 0
6 1 1 1 7
! 6 7
y T = (3; 2; 3; 6; 11) ; A = 6
6 1 2 4 7 : Luego
7
4 1 3 9 5
1 4 16
2 3
2 3 1 0 0 2 3
1 1 1 1 1 6 1 1 1 7 5 10 30
6 7
AT A = 4 0 1 2 3 4 5 6 7 4
6 1 2 4 7 = 10 30 100 ;
5
0 1 4 9 16 4 1 3 9 5 30 100 354
1 4 16
2 3
2 3 3 2 3
1 1 1 1 1 6 2 7 25
6 7
AT !y = 4 0 1 2 3 4 56 6 3 7=
7 4 70 5 :
0 1 4 9 16 4 6 5 244
11
El sistema normal de ecuaciones lineales es
2 3 2 3 2 3
5 10 30 a1 25
4 10 30 100 5 = 4 a2 5 = 4 70 5 :
30 100 354 a3 244
Apliquemos el método de eliminación gaussiana con pivoting total. Para el efecto, ponemos
2 3
354: 100: 30: 244:
e = 4 100:
A 30: 10: 70: 5
30: 10: 5: 25:
entonces
2 3
354: 100: 30: 244:
e(1)
A = 4 0: 1;75141243 1;525423729 1;073446329 5 ;
0: 1;525423729 2;457627119 4;322033899
2 3
354: 100: 30: 244:
e(2)
A = 4 0: 1;75141243 1;525423729 1;073446329 5 ;
0: 0: 1;129032259 3;387096774
y de este sistema de ecuaciones triangular superior, se obtiene
b
a1 = 2;999999997 ' 3;0; b
a2 = 1;999999996 ' 2;0; b
a3 = 1:
Se de…ne !
x T = (a0 ; a1 ; : : : ; an ) 2 Rn+1 ; !
z T = (z1 ; : : : zm ) ; !
r (!
x ) = (r1 (!
x ) ; : : : ; rm (!
T
x )) y
2 (1) (1) 3
1 x1 : : : xn
6 .. .
.. .. 7 :
A=4 . . 5
(1) (m)
1 xn : : : xn
El sistema de ecuaciones precedente se escribe en forma matricial como !
z = A!
x +!
r (!
x ) o bien
!
r(x) = z! ! !
Ax x 2R n+1 :
Se de…ne la función E de Rn+1 en [0; 1[ como sigue:
m
X 2
E (a0 ; a1 ; : : : ; an ) = k!
r (!
x )k = k! A!
2 2 (k)
z xk = zk a0 a1 x1 an x(k)
n
k=1
S = f(1; 0;5; 9) ; (2; 2;5; 16) ; (3; 3; 20) ; (4; 3;5; 24) ; (5; 5; 32)g :
m n kA! ! 2
b 2 R3 solución de kAb
hallar x x ybk2 = ! x yk :
x 2R3
Para hallar la solución de este sistema de ecuacones lineales aplicamos el método de eliminación
gaussiana con pivoting parcial. Tenemos la matriz ampliada en la que se intercambiaron la primera
y segunda …las
2 3
58;5 63;75 15;5 380;5
Ae = 4 55 58;5 15 357 5 ;
15 15;5 5 101
2 3
58;5 63;75 15;5 380;5
Ae(1) = 4 0: 1;43589744 0;42735043 0;7350427 5 ;
0: 0;84615385 1;025641026 3;43589744
2 3
58;5 63;75 15;5 380;5
Ae(2) = 4 0: 1;43589744 0;42735043 0;7350427 5 :
0: 0: 0;7738095222 3;869047603
La solución del sistema de ecuaciones triangular superior nos da los resultados siguientes:
f (x; y) = 3x + 2y + 5 (x; y) 2 R2 :
9.5. AJUSTE DE DATOS CON FUNCIONES AFINES DE N VARIABLES 487
Determinemos, siempre que sea posible, una función del tipo z = f (x; y) = a+bx+cy (x; y) 2 R2
y a; b; c constantes que se determinen con el método de mínimos cuadrados.
Tal como en el ejemplo anterior, de…nimos los vectores !
x; ! z y la matriz A como sigue:
3 2 2 3
2 3 2;5 1 5 1
a 6 3;5 7 6 1 15 3 7
!
x = 4 b 5 2 R3 ; !
z =6 7 A=6 7
4 4;0 5 ; 4 1 29 4 5 :
c
6;0 1 40 8
Entonces
3 2
2 1 5 1 3 2 3
1 1 1 1 6 7 4 80 16
1 15 3
AT A = 4 5 15 20 40 5 6 7 4
4 1 29 4 5 : = 80 2250 450 ;
5
1 3 4 8 16 450 90
1 40 8
2 3
2 3 2;5 2 3
1 1 1 1 6 7 16
3;5 7 4
AT !
z = 4 5 15 20 40 5 6
4 4;0 5 = 385 :
5
1 3 4 8 77
6;0
Debemos notar que la matriz A tiene rango 2, por lo tanto la matriz AT A no es invertible. En este
caso el sistema normal de ecuaciones lineales debe ser resuelto con el método QR de Householder.
i xi yi zi wi
1 0 0;25 4: 14;5
2 1 0;5 6: 21:
3 2 1: 10: 33:
4 3 1;5 20: 63:
5 4 2: 25: 78:
donde a; b; c; d son constantes reales que deben determinarse utilizando el método de mínimos
cuadrados.
i) Halle el sistema normal de ecuaciones.
ii) Aplique el método de Householder al sistema de ecuaciones normales para hallar una solución
(si existe) del sistema de ecuaciones normales
Solución
Se busca una función real f de…nida como
donde a; b; c; d son constantes reales que deben determinarse utilizando el método de mínimos
cuadrados y usando la información suministrada en la tabla, esto es
A!
x +!
r (!
x) =!
w: (2)
De (2) se obtiene
!
r (!
x) =!
w A!
x:
b 2 R4 solución de
El problema consiste en determinar x
m n k!
r (!
2
!
x )k
x 2R4
o lo que es lo mismo
k! m n k! A!
2 2
w Ab
xk = ! w xk : (3)
x 2R4
Ponemos B = AT A: Entonces
2 3
2 3 1 0 0;25 4 2 3
1 1 1 1 1 6 7 5 10 5;25 65
6 0 1 1 0;5 6 7 6
6 1 2 3 4 7
7
6
6 10 30 15 186 7
B=4 5 6 1 2 1: 10 7 6
7 = 4 5;25 15 7;5625 94
7
5
0;25 0;5 1 1;5 2 4 1 3 1;5 20 5
4 6 10 20 25 65 186 94 1177
1 4 2: 25
!
Sea b = AT !
w : Se tiene
2 3
2 3 14;5 2 3
1 1 1 1 1 6 7 209;5
21
! 66 0 1 2 3 4 7
7
6
6
7 6 588 7
7=6 7
b =4 33
0;25 0;5 1 1;5 2 5 6
4
7 4 297;625 5
5
63
4 6 10 20 25 3724
78
9.5. AJUSTE DE DATOS CON FUNCIONES AFINES DE N VARIABLES 489
!
El sistema normal de ecuaciones es B !
x = b o en forma explícita:
2 32 3 2 3
5 10 5;25 65 a 209;5
6 10 30 15 186 7 6 b 7 6 588 7
6 76 7 = 6 7
4 5;25 15 7;5625 94 5 4 c 5 4 297;625 5
65 186 94 1177 d 3724
Etapa 1
Sea !
v T = (5; 10; 5;25; 65) : Entonces k!
v k = 66;16315062; = 66;16315062;
r= ( v1 ) = 66;16315062 ( 66;16315062 5) = 4708;378253:
Luego 2 3 2 3 2 3
5 1 71;16315062
! 6 10 7 6 0 7 6 10 7
w =!
v !
e1=6 7 + 66;16315062 6
4 2;25 5 4
7=6 7;
0 5 4 5;25 5
65 0 65
1 !!T
H (1) = I ww
2 r 3 2 3
1 0 0 0 71;16315062
6 0 1 0 0 7 6 10 7
= 6 7
4 0 0 1 0 5 0;0002123873543 4
6 7 (71;16315062; 10; 5;25; 65)
5
5;25
0 0 0 1 65
2 3
0;075570787 0;1511415328 0;07934930475 0;9824199634
6 0;1511415328 0;9787612646 0;0111503361 0;1380517803 7
= 6
4 0;07934930475
7
0;0111503361 0;9941460736 0;07247718465 5
0;9824199634 0;1380517803 0;07247718465 0;1026634281
Etapa 2
Sea !
v T = (0; 2;006536434; 0;3034316251; 4;042300817) : Obtenemos k!
v k = 4;523102377;
490 CAPÍTULO 9. MÍNIMOS CUADRADOS
9;218238109
Etapa 3
2 3
0
6 0 7
Sea !
v =6
4
7 ; k!
v k = 0;09396795996; = 0;09396795996;
0;01212288182 5
0;09318268742
r= ( v1 ) = 0;09396795996 (0;09396795996 + 0;01212288182) = 0;009969139979:
2 3 2 3 2 3
0 0 0
! 6 0 7 6 0 7 6 0 7
w =!v !
e3=6 7 6 7 6
4 0;01212288182 5 0;09396795996 4 1 5 = 4 0;1060908418
7
5
0;09318268742 0 0;09318268742
1 !!T
Se de…ne H (3) = I w w : Luego
r
2 3
1 0 0 0
6 0 1 0 0 7
H (3) = 6
4 0
7:
0 0;1290108007 0;991643188 5
0 0 0;991643188 0;129010802
Resulta 2 3
y1 f (x1 ; a)
! ! 6 .. 7
r (a) = !
y b (a) = 4 . 5:
yn f (xn ; a)
La determinación del parámetro a y del vector !
r (a) ; en general es complicada. recurrimos entonces
a aproximar el parámetro a mediante el método de mínimos cuadrados. Para el efecto de…nimos una
función real E como sigue:
n
X
! 2
E (a) = k!
r (a)k = !
2
y b (a) = (yi f (xi ; a))2 a2R
i=1
hallar b
a 2 R solución de m n E (a) ;
a2R
hallar b
a 2 R tal que E (b
a) E (a) 8a 2 R:
492 CAPÍTULO 9. MÍNIMOS CUADRADOS
Escribiremos E (b
a) = m n E (a) :
a2R
@f
Supondremos que la función f es diferenciable y que (x; a) es continua. De las condiciones necesarias
@a
de extremo se tiene que E 0 (a) = 0: Luego
n n
d X X @f
E 0 (a) = (yi f (xi ; a))2 = 2 (yi f (xi ; a)) (xi ; a)
da @a
i=1 i=1
con lo que
n
X @f
E 0 (a) = 0 , (yi f (xi ; a)) (xi ; a) = 0:
@a
i=1
Note que la función f depende de x y de a:
P
n @f
Se de…ne ' (a) = (yi f (xi ; a)) (xi ; a) y consideramos la ecuación:
i=1 @a
hallar b
a 2 R tal que ' (b
a) = 0:
4. f (x; a) = + xa x 2 R;
S = f(0; 5;2) ; (1;5; 3;406) ; (4; 1;683) ; (8;5; 0;473) ; (10; 0;31)g :
Buscamos una función f de…nida como f (x; a) = 5;2 exp (ax) x 0; con a un parámetro a
determinar como solución de la ecuación
n
X @f
(yi f (xi ; a)) (xi ; a) = 0 ()
@a
i=1
n
X
(yi 5;2 exp (axi )) (5;2xi exp (axi )) = 0 ()
i=1
n
X
(yi 5;2 exp (axi )) xi exp (axi ) = 0:
i=1
9.6. AJUSTE DE DATOS CON FUNCIONES DEPENDIENTES DE UN PARÁMETRO 493
Este tipo de ecuaciones son muy laboriosas. Otra alternatica ampliamente utilizada es la siguiente.
Ponemos y = 5;2 exp (ax) entonces ln (y) = ax + ln (5;2) : Denotamos con u = ln (y) y b = ln (5;2) '
1;648658626; ui = ln (yi ) i = 1; : : : ; n:
El problema alternatico a resolver es el siguiente. Se de…ne
n
X
E1 (a) = (ui axi b)2
i=1
P
n P
n
yi xi b xi
i=1 i=1 14;15481935 1;648658626 24
a= = = 0;2820085373
P
n
190;5
x2i
i=1
Figura 85
S = f(0; 0) ; (0;52; 2;9) ; (0;78; 2;79) ; (1; 1;8) ; (1;57; 2;12) ; (2;1; 2;57) ; (2;62; 0;8) ; ( ; 0)g :
Buscamos una función f de la forma f (x; a) = 3 sen (ax) x 2 [0; ] : De acuerdo a los resultados
obtenidos anteriormente, para determinar el parámetro a 2 R con el método de mínimos cuadrados
debemos resolver la ecuación
n
X @f
(yi f (xi ; a)) (xi ; a) = 0:
@a
i=1
494 CAPÍTULO 9. MÍNIMOS CUADRADOS
@f
Como f (x; a) = 3 sen (ax) se sigue que (x; a) = 3x cos (ax) ; con lo que la ecuación a resolver.se
@a
escribe como
Xn
(yi f (xi ; a)) xi cos (axi ) = 0;
i=1
yi00 a2 yi = ri i = 2; : : : ; n 1
n
X1
E1 (a) = k!
r (a)k = ! a2 !
2 2 2
w y = yi00 a2 yi ;
i=2
hallar b
a 2 R tal que E1 (b
a) = m n E1 (a) ;
a2R
que por las condiciones necesarias de extremo conduce a resolver la ecuación E10 (a) = 0: Así,
nP2
n
X2 n
X2 yi00 yi
i=3
E10 (a) = yi00 a2 yi ayi = 0 , yi00 yi a2 yi2 = 0 , a2 = nP2
:
i=3 i=3 yi2
i=3
nP2 nP2
Queda calcular yi00 i = 2; : : : ; n 1; yi00 yi ; yi2 :
i=3 i=3
Recordemos que la derivada primera se aproxima con diferencias …nitas centrales mediante el
cociente
yi+1 yi 1
yi0 = i = 2; : : : ; n 1;
xi+1 xi 1
y la derivada segunda se aproxima con diferencias …nitas centrales mediante el cociente
0
yi+1 yi0 1
yi00 = i = 3; : : : ; n 2::
xi+1 xi 1
Sean V = C ([a; b]) el espacio de funciones continuas provisto del producto escalar
Z b
hf; gi = f (x)g(x)dx 8f; g 2 C ([a; b]) :
a
Sea Km [R] el espacio de polinomios de grado m: Se tiene dim Km [R] = m+1 y Km [R] es un subespacio
cerrado de C ([a; b]). Sea f'0 ; : : : ; 'm g una base de Km [R] : Entonces
P
m
Km [R] = i 'i j i 2 R; i = 0; : : : ; m :
i=o
P
m
Note que g^ 2 Km [R] () 9^
a0 ; : : : ; a
^m 2 R tales que g^ = a
^i 'i : Además,
i=o
Z b P
m
hf g^; wi = 0 8w 2 Km [R] () f (x) a
^i 'i (x) w(x)dx = 0 8a0 ; : : : ; am 2 R.
a i=o
!
que en forma matricial se expresa como A! x = b ; donde A = (aij ) es la matriz de…nida como
Rb ! Rb
aij = a 'i (x)'j (x)dx; b = (b0 ; : : : ; bm ) con bj = a f (x)'j (x)dx j = 0; : : : ; m; !
x T = (^
a0 ; : : : ; a
^m ) es
el vector de las incógnitas.:La matriz A es simétrica, de…nida positiva por lo tanto invertible.
9.8.1. Preliminares
parciales. Nos interesamos en la aproximación numérica de esta clase de series de funciones. Para ello
primeramente introducimos algunas notaciones.
Sean L > 0: Se denota con C ([ L; L]) al espacio vectorial de las funciones continuas en [ L; L] :
Proveemos a C ([ L; L]) del producto escalar notado h ; i y de…nido como (véase en el apéndice los
espacios con producto interior)
Z L
hu; vi = u (x) v (x) dx 8u; v 2 C ([ L; L]) ;
L
1
Z L
2
k u k= j u (x) j2 dx 8u 2 C ([ L; L]) :
L
De…nición 1 Sean L > 0 y u una función real de…nida en todo R: Se dice que u es periódica de
período 2L si y solo si se veri…ca
u (x + 2L) = u (x) 8x 2 R:
Figura 86
Sea u 2 C ([ L; L]) : A la función u lo extendemos a todo R por periodicidad y por abuso de lenguaje lo
notamos aún con u, es decir que
u (x + 2L) = u (x) 8x 2 R:
En la izquierda de la …gura siguiente se muestra la grá…ca de una función par; y, a la derecha está
9.8. APROXIMACIÓN NUMÉRICA DE SERIES DE FOURIER 497
Figura 87
Figura 88
1
iii) La función f de…nida como f (x) = (u (x) + u ( x)) x 2 [ L; L] es par.
2
1
iv) La función g de…nida como g (x) = (u (x) u ( x)) x 2 [ L; L] es impar.
2
De…nición 3
iii) Sean M; N dos subconjuntos no vacíos de C ([ L; L]). Se dice que M es ortogonal a N; que se
nota M ? N , si y solo si hu; vi = 0 8u 2 M; 8v 2 N:
iv) Sea M C ([ L; L]) con M 6= ;: Se dice que M es ortogonal si y solo si hu; vi = 0 8u; v 2
M; u 6= v:
Los siguientes conjuntos de funciones son muy importantes en el desarrollo en series de Fourier de
funciones reales periódicas de período 2L y continuas a trozos en el intervalo [ L; L] : Sean M; N los
subconjuntos de C ([ L; L]) de…nidos como M = f'k j k 2 Ng ; N = f k j k 2 Z+ g ; donde
'0 (x) = 1 x 2 [ L; L] ;
k x
'k (x) = cos x 2 [ L; L] ; k = 1; 2; : : : ;
L
k x
k (x) = sen x 2 [ L; L] ; k = 1; 2; : : :
L
498 CAPÍTULO 9. MÍNIMOS CUADRADOS
Se tiene
i) M es un conjunto ortogonal.
ii) N es un conjunto ortogonal.
iii) M ? N:
Sea f 2 C ([ L; L]) : Supongamos que f se prolonga por periodicidad a todo R con periódo 2L; esto es,
f (x + 2L) = f (x) 8x 2 R:
Admitimos que la función f se representa como una serie de Fourier, es decir que se veri…ca
1
a0 X k x k x
f (x) = + ak cos + bk sen x 2 [ L; L] ;
2 L L
k=1
a0 k x k x
Sean u0 (x) = ; uk (x) = ak cos + bk sen x 2 [ L; L] : A las funciones u0 ; uk
2 L L
k = 1; : : : ; m se les denomina armónicos de Qm :
En el caso en que a0 ; ak ; bk son los coe…cientes de Fourier, el polinomio trogonométrico Qm se le denomina
polinomio trogonométrico de Fourier.
En lo que sigue, nos interesamos en los polinomios trigonométricos de Fourier siguientes:
9.8. APROXIMACIÓN NUMÉRICA DE SERIES DE FOURIER 499
a0 Pm k x
i) Si f 2 C ([ L; L]) es par, Qm (x) = + ak cos x 2 [ L; L] ;
2 k=1 L
Z L
2 k x
donde ak = f (x) cos dx k = 0; 1; : : : ; m:
L 0 L
P
m k x
ii) Si f 2 C ([ L; L]) es impar, Qm (x) = bk sen x 2 [ L; L] ;
k=1 L
Z L
2 k x
donde bk = f (x) sen dx k = 1; : : : ; m:
L 0 L
Existen b
a0 ; : : : ; b a0 ; : : : ; b
am 2 R tales que E (b am ) = mn E (a0 ; : : : ; am ) ; y b
aj j = 1; : : : ; m
(a0 ;:::;am )2Rm+1
1 RL 1 RL j x
los coe…cientes de Fourier de…nidos como a0 = f (x) dx y aj = f (x) cos dx
2L L L L L
j = 1; : : : ; m:
! @E
5E (a0 ; : : : ; am ) = 0 , (a0 ; : : : ; am ) = 0 j = 0; 1; : : : ; m:
@aj
Luego,
Z L Z L
@E j x m x j x
(a0 ; : : : ; am ) = 0 , a0 cos dx + + am cos cos dx =
@aj L L L L L
Z L
j x
= f (x) cos dx j = 0; 1; : : : ; m:
L L
j x
Por otro lado, como el conjunto de funciones 'j j j = 0; 1; : : : ; m con '0 (x) = 1; 'j (x) = cos
L
x 2 [ L; L] ; j = 1; : : : ; m; es un conjunto ortogonal, entonces 'k ; 'j = 0 si j 6= k y 'k ; 'j = k'k k2
500 CAPÍTULO 9. MÍNIMOS CUADRADOS
2
si j = k: Además k'0 k2 = 2L; y 'j = L j = 1; : : : ; m: Por lo tanto, el sistema de ecuaciones
precedente se reduce al siguiente:
Z L Z L
1
para j = 0; 2La0 = f (x) dx ) a0 = f (x) dx;
L 2L L
Z L Z L
x 1 x
para j = 1; a1 L = f (x) cos dx ) a1 = f (x) cos dx;
L L L L L
Z L
1 m x
así sucesivamente, para j = m obtenemos am = f (x) cos dx:
L L L
Claramente, los ak k = 0; 1; : : : ; m son los coe…cientes de Fourier, por lo tanto Qm es el polinomio
trigonométrico de Fourier de cosenos.
Procediendo en forma similar a la prueba Z Ldel teorema precedente, se obtienen los coe…cientes de Fourier
bbj j = 1; : : : ; m de…nidos como bbj = 1 j x
f (x) sen dx; y
L L L
Más aún, si combinamos los dos resultados precedentes con f 2 C ([ L; L]) y se de…nen
m
X Xm
k x k x
Qm (x) = ak cos + bk sen x 2 [ L; L] ;
L L
k=0 k=1
Z L
E (a0 ; : : : ; am ; b1 ; : : : ; bm ) = kf Qm k2 = (f (x) Qm (x))2 dx
L
k x
Teorema 4 (Igualdad de Bessel) Sean M = f'k j k = 0; 1; : : : ; mg ; donde 'k (x) = cos
L
x 2 [ L; L] ; k = 0; 1; : : : ; m; y f 2 C ([ L; L]) : Entonces, para cada m 2 Z+ se tiene
m 2 m
X hf; 'k i X jhf; 'k ij2
f 'k = kf k2 :
k=0
k'k k2 k=0
k'k k2
y de la linealidad del producto escalar respecto de cada variable (véase el apéndice, espacios con producto
interior) resulta
m 2 * m + *m m
+
X hf; 'k i X hf; ' i X hf; ' i X f; ' j
k k
f 2 'k = hf; f i 2 f; 2 'k + 2 'k ; 2 'j
k=0
k' k k k=0
k' k k k=0
k' k k j=1 'j
Xm Xm X m
2 hf; 'k i hf; 'k i f; 'j
= kf k 2 2 hf; 'k i + 'k ; ' j :
k=0
k'k k k=0 j=1
k'k k2 'j 2
Por lo tanto,
m 2 m m
X hf; 'k i X jhf; 'k ij2 X jhf; 'k ij2
f 'k = kf k2 2 +
k=0
k'k k2 k=0
k'k k2 k=0
k'k k2
Xm
jhf; 'k ij2
= kf k2 2 :
k=0
k' k k
Observaciones
2 m jhf; ' ij2 m jhf; ' ij2
P
m hf; ' i P P
1. Puesto que f k
2 'k 0 se sigue que kf k2 k
2 0, k
2 kf k2
k=0 k'k k k=0 k'k k k=0 k'k k
(desigualdad de Bessel).
Por el teorema de Pitágoras, se tiene
m 2 m m
X hf; 'k i X jhf; 'k ij2 2
X jhf; 'k ij2
2 'k = 4 k' k k = 2 :
k=0
k' k k k=0
k' k k k=0
k' k k
Por lo tanto, la igualdad y desigualdad de Bessel se escriben como sigue:
m 2 m 2
X hf; 'k i 2
X hf; 'k i
f 2 'k = kf k 2 'k ;
k=0
k' k k k=0
k' k k
m m 2
X jhf; 'k ij2 X hf; 'k i
= 2 'k kf k2 :
k=0
k'k k2 k=0
k' k k
Note que
m
X Xm
k x hf; 'k i
Qm (x) = b
ak cos dx = 'k (x) x 2 [ L; L] ;
k=0
L
k=0
k'k k2
el polinomio trigonométrico de Fourier de senos, con b
ak k = 1; : : : ; m los coe…cientes de Fourier.
2. En forma similar a la precedente se obtiene con el conjunto ortogonal N = f k j k = 1; : : : ; mg con
k x
k (x) = sen x 2 [ L; L] ; k = 1; : : : ; m: Se tiene
L
m 2 m
X hf; X 2
ki 2 jhf; k ij
f 2 k = kf k 2 :
k=1
k kk k=1
k kk
En este caso
m
X m
X
hf; ki bbk sen k x
2 k = = Qm (x) ;
k kk
L
k=1 k=1
Para calcular valores aproximados de los coe…cientes de Fourier, aplicamos el método de los trapecios.
L
Sea n 2 Z+ y (n) una partición uniforme del intervalo [0; L] ; esto es h = y xj = jh j = 0; 1; : : : ; n:
h
i) Supongamos que la función f 2 C ([ L; L]) es par, entonces el polinomio trigonométrico de Fourier
Qm está de…nido como
m
a0 X k x
Qm (x) = + ak cos x 2 [ L; L] ;
2 L
k=1
donde Z Z
L L
1 k x 2 k x
ak = f (x) cos dx = f (x) cos dx k = 0; 1; : : : ; m;
L L L L 0 L
que se aproxima con la fórmula de los trapecios. Tenemos
Z
2 L k x
ak = f (x) cos dx
L 0 L
2 3
n
X1
2 4h k xj 5
' (f (0) cos (0) + f (L) cos (k )) + h f (xj ) cos
L 2 L
j=1
n 1
1 2X k j
= (f (0) + f (L) cos (k )) + f (xj ) cos :
n n n
j=1
2 nP1 k j
Nuevamente, se de…ne yj = f (xj ) j = 1; : : : ; n 1; bk = yj sen y con estos coe…cientes, el
n j=1 n
b m (x) = P bbk sen
m k x
polinomio trigonométrico Q x 2 [ L; L] :
k=1 L
b m (x) es una aproximación de Qm (x)
Entonces Q
iii) Sea f 2 C ([ L; L]) : Se de…ne las funciones u; v 2 C ([ L; L]) como sigue:
8
< u (x) = 1 (f (x) + f ( x))
>
2 x 2 [ L; L] ;
> 1
: v (x) = (f (x) f ( x))
2
entonces u es par y v es impar. Se tiene f = u + v:
El polinomio trogonométrico de Fourier
m
a0 X k x k x
Qm (x) = + ak cos + bk sen
2 L L
k=1
m
X m
X
a0 k x k x
= + ak cos + bk sen
2 L L
k=1 k=1
= Pm (x) + Rm (x) x 2 [ L; L]
1 1
donde Pm (x) = (Qm (x) + Qm ( x)) ; Rm (x) = (Qm (x) Qm ( x)) con Pm par y Rm impar que
2 2
se aproximan como en i) y ii) precedentes.
Para calcular Q b m (x) se requiere de la siguiente información: número de términos del polinomio
trigonométrico Qm (x) ; extremo derecho L > 0 del intervalo [ L; L] par. Para calcular aproximaciones de
los coe…cientes mediante el método de los trapecios se requiere conocer el número de puntos n del intervalos
[0; L] : Adicionalmente requerimos de una aproximación de : Con esta información, proponemos el
siguiente algoritmo de cálculo de Qm (x)
Algoritmo
Datos de entrada: m; n 2 Z+ ; L; x 2 R; función f:
b m (x) :
Datos de salida: Q
1. pi = 3;1415926536:
L
2. h = :
n
3. y0 = f (0) :
4. y1 = f (L) :
5. Para k = 0; 1; : : : ; m
S = 0:
Si k = 0 entonces
para j = 1; : : : ; n 1
xj = jh
S = S + f (xj )
…n bucle j
1 2
a0 = (y0 + y1 ) + S
n n
504 CAPÍTULO 9. MÍNIMOS CUADRADOS
S=0
Si a < k n entonces
para j = 1; : : : ; n 1
k j
S = s + f (xj ) cos
n
…n de bucle j
1 2
b
ak = (y0 + y1 cos (k )) + S
n n
Fin de bucle k
6. S = 0
7. Para k = 1; : : : ; m
k x
S = S +b
ak cos
L
Fin de bucle k
1
8. Qm (x) = ba0 + S
2
9. Imprimir x; Qm (x)
10. Fin
Para los otros casos se elaboran algoritmos muy similares, por lo que se propone como ejercicio
9.9. Ejercicios
1. Para la función f de…nida en [0; 1] que en cada item se propone, hallar el polinomio P que mejor
se aproxima en mínimos cuadrados a la función f:
a) f (x) = ex ; y P (x) = a + bx x 2 [0; 1] b) f (x) = e x;
y P (x) = a + bx + cx2 x 2 [0; 1]
p
c) f (x) = sen x; y P (x) = a + bx x 2 [0; 1] : d) f (x) = x + 1; y P (x) = a + bx + cx2 x 2 [0; 1]
:
S = (xi ; yi ) 2 R2 j i = 1; : : : ; n
y se asume que cada yi = f (xi ; c) + ri (c) ; donde ri (c) denota el error en la observación yi ;
i = 1; : : : ; n:
9.9. EJERCICIOS 505
P
n P
n
Se de…ne E (c) = ri2 (c) = (yi f (xi ; c))2 :
i=1 i=1
a) Elaborar un algoritmo para aproximar b
c 2 R tal que
E (b
c) = m n E (c) :
c2R
S = (xi ; yi ) 2 R2 j i = 1; : : : ; n ; n 3:
Y se asume que cada yi = f (xi ; a; b) + ri (a; b) ; donde ri (a; b) denota el error en la observación
yi ; i = 1; : : : ; n:
En el método de mínimos cuadrados se considera el problema
n
X
mn ri2 (a; b) : (P)
(c)a;b2R2
i=1
a; bb 2 R tales que
a) Utilice el método de Newton y elabore un algoritmo para aproximar b
a; bb = m n E (a; b) :
E b
(a;b)2R
S = f(2; 20) ; (10; 20;2) ; (50; 21;03) ; (100; 22;1) ; (500; 33)g
b
a; bb tales que f (t) = b
Aplique el método de mínimos cuadrados para calcular los parámetros b aebt
t 0:
c) Se dispone del conjunto de datos
3. Åke Björck, Numerical Methods for Least Squares Problems, Editorial Society for Industrial and
Applied Mathematics (SIAM), Philadelphia, 1996.
4. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
5. John P. Boyd, Chebyshev and Fourier Spectral Methods, Second Edition (Revised), Editorial Dover
Publications, Inc.,Mineola, 2001.
6. Richard L. Burden, J. Douglas Faires, Análisis Numérico, Séptima Edición, International Thomson
Editores, S. A., México,2002.
7. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
9. S. D. Conte, Carl de Boor, Análisis Numérico, Segunda Edición, Editorial Mc Graw-Hill, México,
1981.
12. J. E. Dennis, Jr., Robert B. Schnabel, Numerical Methods for Unconstrained Optimization
and Nonlinear Equations, Editorial Society for Industrial and Applied Mathematics (SIAM),
Philadelphia, 1996.
13. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volumi I, II Pitagora
Editrice Bologna, 1983.
14. John E. Freund, Ronald E. Walpole, Estadística Matemática con Aplicaciones, Cuarta Edición,
Editorial Prentice-Hall Hispanoamericana, S. A., México, 1990.
15. Clude Gasquet, Patrick Witomski, Analyse de Fourier et Applications: Filtrage, Calcul Numérique
et Ondeletles, Editorial-Dunod, París, 2000.
16. Curtis F. Gerald, Patrick O. Wheatley, Análisis Numérico con Aplicaciones, Sexta Edición, Editorial
Pearson Educación de México, México, 2000.
17. Gene H. Golub, Charles F. Van Loan, Matrix Computations, Second Edition, The Johns Hopkins
University Press, Baltimore, 1989.
18. Kenneth Ho¤man, Ray Kunze, Algebra Lineal, Editorial Prentice-Hall Hispanoamericana, S. A.,
México, 1987.
20. Robert W. Hornbeck, Numerical Methods, Quantum Publishers, Inc., New York, 1975.
21. David Kincaid, Ward Cheney, Análisis Numérico, Editorial Addison-Wesley Iberoamericana,
Wilmington, 1994.
22. Erwin Kreyszig, Introducción a la Estadística Matemática, Editorial Limusa, México, 1981.
9.10. LECTURAS COMPLEMENTARIAS Y BIBLIOGRAFÍA 507
23. Charles L. Lawson, Richard J. Hanson, Solving Least Squares Problems, Editorial Society for
Industrial and Applied Mathematics (SIAM), Philadelphia, 1995.
24. L. Lebart, A. Morineau, J.-P. Fénelon, Tratamiento Estadístico de Datos, Editorial Marcombo
Boixareu Editores, Barcelona, 1985.
25. Thomas M. Little, F. Jackson Hills, Métodos Estdísticos para la Investigación en la Agricultura,
Editorial Trillas, México, 2002.
26. Shoichiro Nakamura, Métodos Numérico Aplicados con Software, Editorial Prentice-Hall His-
panoamericana, S. A., México, 1992.
27. Antonio Nieves, Federico C. Dominguez, Métodos Numéricos Aplicados a la Ingeniería, Tercera
Reimpresión, Compañía Editorial Continental, S. A. De C. V., México, 1998.
28. Anthony Ralston, Introducción al Análisis Numérico, Editorial Limusa, México, 1978.
29. Fazlollah Reza, Los Espacios Lineales en la Ingeniería, Editorial Reverté, S. A., Barcelona, 1977.
30. Francis Scheid, Theory and Problems of Numerical Analysis, Schaum’s Outline Series, Editorial
McGraw-Hill, New York, 1968.
31. M. Sibony, J. Cl. Mardon, Analyse Numérique I, Sustèmes Linéaires et non Linéaires, Editorial
Hermann, París, 1984.
33. Gilbert Strang, Algebra Lineal y sus Aplicaciones, editorial Fondo Educativo Interamericano,
México, 1982.
34. V. Voïévodine, Principes Numériques D’Algèbre Linéaire, Editions Mir, Moscú, 1976.
508 CAPÍTULO 9. MÍNIMOS CUADRADOS
Capítulo 10
Splines
Resumen
La teoría de los splines tiene aplicaciones en dos direcciones importantes de la matemática: la una en los
métodos de resolución de ecuaciones diferenciales ordinarias, particularmente los problemas de valor inicial
y los problemas de valores en la frontera; las ecuaciones en derivadas parciales y ecuaciones integrales; la
otra dirección lo constituye la computación grá…ca, particularmente los modelos geométricos con splines,
y el objetivo de este capítulo es dar una introducción a esta teoría. Se abordan dos clases de splines:
los de interpolación y se da más énfasis a los splines cúbicos; los B-splines y particularmente los de
interpolación cúbicos . En este capítulo se ha limitado los ejercicios. Al …nal del capítulo se incluye una
amplia bibliografía.
10.1. Introducción
Una spline es una función de…nida a trozos sobre intervalos de R que se unen entre si obedeciendo a
ciertas condiciones de regularidad. La terminología fue introducida por I. J. Schoenberg (1946).
El nombre de spline proviene del nombre del intrumento mecánico del mismo nombre que consiste en un
alambre ‡exible que puede ser utilizado para dibujar curvas suaves a través de puntos asignados. Esta
clase de instrumentos fueron utilizados para dibujo técnico en las industrias aeronáuticas, automotriz,
naval, etc.
Como aplicaciones simples de splines podemos citar el método de Euler para construir una aproximación
polinomial a trozos para la solución de problemas de valor inicial de las ecuaciones diferenciales ordinarias.
Este tipo de aproximación es a menudo utilizada para establecer el teorema de Peano para la existencia
de soluciones de tales problemas. Con este punto de vista podemos citar también los artículos de C.
Runge (1901), W. Quade y L. Collatz (1938), J. Favord (1940), R. Curant (1943). Entre los textos sobre
splines, publicados recientemente, podemos citar: C. de Boor (1978); A Practical Guide to splines; L. L.
Schumaker (1981): Spline Functions: Basic Theory.
En la actualidad, las funciones splines se aplican fundamentalmente en gra…smo en las industrias
automotriz, aeronáutica, naval; en diseño y arquitetura; en métodos numéricos para la solución numérica
de ecuaciones diferenciales ordinarias o en derivadas parciales con valores iniciales y/o valores ligados a
los métodos de Rayleigh-Ritz-Galerkin y Petrov-Galerkin; y se cuentan miles de artículos de splines y de
sus aplicaciones.
Sean n 2 N: Se llama conjunto de nodos un conjunto de puntos (n) = fxj gj=0;:::;n ; donde a = x0 <
x1 < < xn = b: Estos nodos forman una partición del intervalo [a; b] R en subintervalos [xj 1 ; xj ] ;
509
510 CAPÍTULO 10. SPLINES
De…nición 1 Sea m 2 N: Una función S : [a; b] ! R se llama función spline polinomial de grado m
si ella posee las propiedades siguientes:
i) S 2 Cm 1 ([a; b]) ;
Denotamos con Sm ( (n)) el conjunto de todas las funciones splines polinomiales de grado m asociadas
a la subdivisión (n) de [a; b] :
En lo sucesivo nos limitaremos a los splines polinomiales y nos referiremos a ellas simplemente como
splines.
Ejemplos
Figura 89
2. Sean Sn un conjunto de puntos de base. La línea poligonal que consiste en los segmentos de recta
que une puntos sucesivos de Sn es un ejemplo de función spline de grado 1: En la …gura que a
continuación se indica se traza una spline de grado 1:
Figura 90
10.3. INTERPOLACIÓN MEDIANTE SPLINES 511
3. Sean (n) una subdivisión del intervalo [a; b] y m 2 N: La familia de funciones fqm;j j j = 0; : : : ; n 1g
de…nidas como sigue
(x xj )m ; si x 2 [xj ; b] ;
qm;j (x) =
0; si x 2 [a; xj [ ;
son splines de grado m asociadas a la subdivisión (n) : En la …gura siguiente se ilustran estas
funciones.
Figura 91
Base de Sm ( (n))
El conjunto Sm ( (n)) provisto de las operaciones habituales entre funciones (adición y producto de un
número real por una función) es un espacio vectorial real de dimensión m + n y una base de dicho espacio
es el conjunto de funciones
fp0 ; p1 ; : : : ; pm ; qm;1 ; : : : ; qm;n 1 g ;
donde
pi (x) = xi ; i = 0; 1; : : : ; m;
y las funciones qm;j están de…nidas en el ejercicio 3).
Se puede probar que toda función S 2 Sm ( (n)) se escribe de manera única en la forma
m
X n
X1
j
S (x) = a0 + ai x + bj qm;j (x) x 2 [a; b] ;
i=1 j=1
donde a0 ; ai ; bj 2 R; i = 1; : : : ; m; j = 2; : : : ; m:
Centraremos nuestra atención en la interpolación mediante splines de grado uno y tres que son las más
utilizadas en las aplicaciones.
La ventaja del método de interpolación mediante splines es el uso de polinomios de grado bajo para
producir globalmente interpolantes suaves, al tiempo que evita la desventaja del uso de polinomios de
interpolación de grado alto.
Sea f : [a; b] ! R una función continua de…nida en [a; b] y (n) una subdivisión de [a; b] :
512 CAPÍTULO 10. SPLINES
Sea Sn = f(xi ; f (xi )) j xi 2 (n) ; i = 0; 1; : : : ; ng un conjunto de puntos de base. El ejemplo más simple
de splines de grado 1 es el spline lineal que consiste en segmentos de recta que unen puntos sucesivos de
Sn ; de este modo se obtiene una línea poligonal.
La spline interpolante de grado 1 está de…nida de manera única en cada subintervalo [xj 1 ; xj ] j =
1; : : : ; n; como una función afín de…nida en dicho subintervalo y que globalmente es la única línea poligonal
obtenida al juntar todos los segmentos de recta.
Buscamos una función real S de…nida en [a; b] que veri…que las propiedades siguientes:
i) S 2 C ([a; b]) ;
S (x) = j + j x; x 2 [xj 1 ; xj ] ; j = j = 1; : : : ; n;
S (xj 1) = f (xj 1) ;
S (xj ) = f (xj ) :
Entonces
S (xj 1) = j + j xj 1 = f (xj 1) ;
S (xj ) = j + j xj = f (xj ) :
f (xj ) f (xj 1)
j = f (xj 1) xj 1;
xj xj 1
f (xj ) f (xj 1 )
j = :
xj xj 1
que es la ecuación de la recta que pasa por los puntos (xj 1; f (xj 1 )) y (xj ; f (xj )) restringida al
intervalo [xj 1 ; xj ] ; la misma que se escribe
x xj x xj 1
S (x) = f (xj ) + f (xj 1) ; j = 1; : : : ; n:
xj 1 xj xj xj 1
De…nimos
x xj x xj 1
pj;1 (x) = ; pj;2 = 8x 2 [xj 1 ; xj ] :
xj 1 xj xj xj 1
donde > 0:
i) wf ( 1 ) wf ( 2 ) para 0 < 1 2;
ii) wf ( ) ! 0:
!0
kf SkL1 (a;b) ! 0;
h!0
esto es, las splines de interpolación lineales convergen uniformemente a f 2 C ([a; b]) cuando h ! 0:
h
kf SkL1 (a;b) wf 0 (h) :
4
Si f 2 C2 ([a; b]) ; entonces
h2 0
kf SkL1 (a;b) f L1 (a;b)
:
8
Puesto que dim S3 ( (n)) = n + 3; si se requiere interpolar en cada uno de los n + 1 nodos x0 ; : : : ; xn ;
entonces quedan 2 parámetros libres que pueden ser utilizados en los tipos de splines siguientes:
i) S (xj ) = f (xj ) ; j = 0; 1; : : : ; n;
ii) S 0 (a) = f 0 (a) ;
iii) S 0 (b) = f 0 (b) :
514 CAPÍTULO 10. SPLINES
i) S (xj ) = f (xj ) ; j = 0; 1; : : : ; n;
ii) S 00 (a) = S 00 (b) = 0:
i) S (xj ) = f (xj ) ; j = 0; 1; : : : ; n;
ii) S 0 (a) = S 0 (b) ;
iii) S 00 (a) = S 00 (b) :
Con el propósito de mostrar que los problemas a), b) y c) tienen solución única, enunciamos la propiedad
siguiente de las splines cúbicas, conocida como relación integral.
Relación integral
Sea f 2 C2 ([a; b]) y S 2 S3 ( (n)) una función spline de interpolación de f tal que la diferencia
E (x) = f (x) S (x) x 2 [a; b] ; satisface la condición de frontera
Entonces Z Z Z
b b b
2 2 2
f 00 (x) dx = f 00 (x) S 00 (x) dx + S 00 (x) dx:
a a a
3. Si S 00 (a) = S 00 (b) y E 0 (a) = E 0 (b) ; corresponden entonces a las splines del tipo c).
Usando la relación integral se prueba que los problemas de interpolación a), b) y c) tienen siempre una
única solción S 2 S3 ( (n)) :
Construcción
Dada una función f 2 C2 ([a; b]) ; para construir la función spline de interpolación S, aplicamos las
condiciones de las funciones splines y de las splines cúbicas al polinomio cúbico siguiente:
Sj (xj ) = aj = f (xj ) ; j = 0; 1; : : : ; n 1;
y ponemos an = f (xn ) :
para j = 0; 1; : : : ; n 1:
de donde
Sj0 (xj ) = bj ; j = 0; 1; : : : ; n 1:
De…nimos bn = S 0 (xn ) :
de donde
Sj00 (xj ) = 2cj ; j = 0; 1; : : : ; n 1;
1
y de…nimos cn = S 00 (xn ) ;
2
Nuevamente, utilizando la continuidad de Sj00 (x) en cada nodo xj ; tenemos:
1 00 1 1
Cj+1 = Sj+1 (xj+1 ) = Sj00 (xj+1 ) = (2cj + 6dj hj ) = cj + 3dj hj ; j = 0; 1; : : : ; n:
2 2 2
Obtengamos relaciones que liguen los coe…cientes bj ; cj ; dj en términos de los datos aj = f (xj ) ;
j = 0; 1; : : : ; n:
Resulta
cj+1 cj
dj = ;
3hj
con lo cual
cj+1 cj 3 1
aj+1 = aj + bj hj + cj h2j + hj = aj + bj hj + (2cj + cj+1 ) h2j ;
3hj 3
cj+1 cj 2
bj+1 = bj + 2cj hj + 3 hj = bj + (cj + cj+1 ) hj ; j = 0; 1; : : : ; n 1:
3hj
y
1 hj 1 hj 1
(aj+1 aj ) (2cj + cj+1 ) = (aj aj 1 ) (2cj 1 + cj ) + (cj 1 + cj ) hj 1 ;
hj 3 hj 1 3
de donde
1 1 hj hj 1
(aj+1 aj ) (aj aj 1 ) = (2cj + cj+1 ) (2cj 1 + cj ) + (cj 1 + cj ) hj 1
hj hj 1 3 3
1 2 1
= hj 1 cj 1 + (hj 1 + hj ) cj + hj cj+1 ;
3 3 3
o bien
0 1
cj 1
3 3
(hj 1 ; 2 (hj 1 + hj ) ; hj ) @ cj A = (aj+1 aj ) (aj aj 1 ) ; j = 1; : : : ; n 1:
hj hj 1
cj+1
Ponemos ! c t = (c ; c ; : : : ; c ) : El sistema de ecuaciones precedente involucra únicamente el vector !
0 1 n c ; las
longitudes de los subintervalos [xj 1 ; xj ] ; j = 1; : : : ; n y los valores de f en los puntos (n) = fxj gj=1;:::;n
de la subdivisión de [a; b] :
Sea f 2 C (4) ([a; b]) ; f tiene una única spline cúbica de interolaciíon S 2 S3 ( (n)) que satisface las
condiciones de frontera de hermite S 0 (a) = f (a) y S 0 (b) = f 0 (b) :
En efecto,
S 0 (a) = S 0 (x0 ) = b0 = f 0 (a) ;
y para j = 0; b0 está dado por
1 h0
b0 = (a1 a0 ) (2c0 + c1 ) ;
h0 3
resulta que
3
2h0 c0 + h0 c1 = 3f 0 (a) + (a1 a0 ) :
h0
De manera similar, tenemos
S 0 (b) = S 0 (xn ) = bn = f 0 (b) :
Como
bn = bn 1 + hn 1 (cn 1 + cn ) ;
y
1 hn 1
bn 1 = (an an 1) (2cn 1 + cn ) ;
hn 1 3
se tiene entonces que
1 hn 1
f 0 (b) = (an an 1) (2cn 1 + cn ) + hn 1 (cn 1 + cn )
hn 1 3
1 hn 1
= (an an 1) + (cn 1 + 2cn ) ;
hn 1 3
con lo cual
3
hn 1 cn 1 + 2hn 1 cn = 3f 0 (b) (an an 1) :
hn 1
En resumen, tenemos que
3
2h0 c0 + h0 c1 = 3f 0 (a) + (a1 a0 ) ;
h0
0 1
cj 1
3 3
(hj 1 ; 2 (hj 1 + hj ) ; hj ) @ cj A = (aj+1 aj ) (aj aj 1) ; j = 1; : : : ; n 1;
hj hj+1
cj+1
3
hn 1 cn 1 + 2hn 1 cn = 3f 0 (b) (an an 1) ;
hn 1
10.3. INTERPOLACIÓN MEDIANTE SPLINES 517
Sea f 2 C (4) ([a; b]) ; f tiene una única splice cúbica de interpolación S 2 S3 ( (n)) que satisface las
condiciones de frontera naturales S 00 (a) = S 00 (b) = 0: Efectivamente,
0 = S 00 9a = S 00 (x0 ) = 2c0 + 6d0 (x0 x0 ) ;
de donde c0 = 0;
S 00 (xn ) S 00 (b)
cn = = = 0:
2 2
Así, c0 = 0; cn = 0: Para j = 1; : : : ; n 1; tenemos
0 1
cj 1
3 3
(hj 1 ; 2 (hj 1 + hj ) ; hj ) @ cj A = (aj+1 aj ) (aj aj 1) ;
hj hj 1
cj+1
518 CAPÍTULO 10. SPLINES
Sea f 2 C 4 ([a; b]) : f tiene una única spline cúbica de interpolación S 2 S3 ( (n)) que satisface las
condiciones de frontera S 0 (a) = S 0 (b) ; S 00 (a) = S 00 (b) :
Mediante un razonamiento similar a los dos casos a) y b), se obtiene el sistema de ecuaciones lineales
siguiente:
! !
AC = b ;
donde
0 1
2 (h0 hn 1) h0 0 0 ::: hn 1 0
B h0 2 (h0 + h1 ) h1 0 ::: 0 0 C
B C
B 0 h1 2 (h1 + h2 ) h2 ::: 0 0 C
B C
A=B .. .. .. .. .. .. .. C
B . . . . . . . C
B C
@ 0 0 ::: ::: hn 2 2 (hn 2 + hn 1) hn 1
A
0 h0 ::: ::: 0 hn 1 2 (h0 hn 1)
10.4. SPLINES CUADRÁTICAS 519
0 3 3 1
(an an 1) (a1 a0 )
B hn 1 h0 C
B 3 3 C
B (a2 a1 ) (a1 a0 ) C
B h1 h0 C
! BB ..
C
C
b =B . C
B C
B 3 3 C
B (an an 1 ) (an 1 an 2 C
)
B hn 1 hn 2 C
@ 3 3 A
(an an 1 ) (a1 a0 )
hn 1 h0
El valor de S (x) para x 2 [a; b] se obtiene de manera análoga a los casos a) y b).
El espacio S2 ( (n)) de las splines cuadráticas correspondientes a la subdivisión (n) = fxj gj=0;:::;n tiene
dimensión n + 2: Si deseamos construir una función spline S de interpolación en cada nodo, nos queda
entonces exactamente un parámetro llibre, y por lo tanto es imposible imponer condiciones de frontera
simétricas como en el caso de splines de grado impar discutidas en la seccion precedente.
A continuación proponemos dos problemas de interpolación que conducen a de…nir de manera única
splines cuadráticas y que tienen condiciones simétricas de frontera. Para lograr esto, introducimos las
subdivisiones de [a; b] siguientes:
tales que
a = x0 = y0 < x1 < y1 < x2 < < xn 1 < yn 1 = kn = b:
Entonces el espacio S2 ( 1 (n 1)) tiene dimensión n + 1; mientras que S2 ( (n)) tiene dimensión n + 2:
S (xj ) = f (xj ) ; j = 0; 1; : : : ; n;
S (yj ) = f (yj ) ; j = 0; 1; : : : ; n 1;
0 0
S (y0 ) = f (a) ;
0
S (yn 1) = f 0 (b) :
Utilizando el teorema de Rolle se demuestra que los problemas a) y b) tienen solución única.
Sea f una función de…nida en [a; b] : Consideremos las subdivisiones 1 (n 1) y (n) de [a; b] arriba
de…nidas. Buscamos una función S 2 S2 ( 1 (n 1)) tal que
S (xj ) = f (xj ) ; j = 0; 1; : : : ; n:
De…nimos
Sj (x) = aj + bj (x xj ) + cj (x xj )2 ; j = 0; 1; : : : ; n 1;
520 CAPÍTULO 10. SPLINES
Sj (xj ) = aj = f (xj ) ; j = 0; 1; : : : ; n:
De la continuidad de S en yj ; tenemos
de donde
Luego
yj+1 xj
cj+1 = cj ; j = 1; : : : ; n 2:
yj+1 xj+1
Puesto que
aj+1 + cj+1 (yj+1 xj+1 )2 = aj + cj (yj 1 xj )2 ; j = 1; : : : ; n 2;
pues bj = 0; 8j = 1; : : : ; n 2: Resulta que
yj+1 xj
aj+1 + cj (yj+1 xj )2 = aj + cj (yj+1 xj )2 ;
yj+1 xj+1
de donde
aj+1 aj f (xj+1 ) f (xj )
cj = = :
(yj+1 xj ) (xj+1 xj ) (yj+1 xj ) (xj+1 xj )
Así,
f (xj+1 ) f (xj )
Sj (x) = f (xj ) + (x xj )2 ; j = 0; 1; : : : ; n 1:
(yj+1 xj ) (xj+1 xj )
De…nimos
S (x) = Sj (x) ; x 2 [yj 1 ; yj ] ; j = 1; : : : ; n 1:
Con frecuencia la subdivisión 1 (n 1) se selecciona de la manera siguiente:
y0 = a; yn 1 = b y yj = xj + tj (xj+1 xj ) ; j = 1; : : : ; n 2;
donde tj 2 ]0; 1[ :
1 1
Si tj = ; entonces yj = (xj + xj+1 ) ; j = 1; : : : ; n 2 que corresponden a los puntos medios de los
2 2
subintervalos [xj ; xj+1 ] ; j = 1; : : : ; n 2:
De…nimos
Sj (x) = aj + bj (x yj ) + cj (x yj )2 ; x 2 [xj 1 ; xj ] ; j = 0; 1; : : : ; n 1:
Entonces
Sj (yj ) = aj + f (yj ) ; j = 0; 1; : : : ; n 1:
10.5. B - SPLINES 521
Además
Sn0 1 (x) = bn 1 + scn 1 (x yn 1) ;
con lo cual
Sn0 1 (b) = bn 1 = f 0 (b) :
Combinando las relaciones anteriores, obtenemos
Note que
f (a) f (y1 )
S0 (x) = f (a) + f 0 (a) (x a) + (x a)2 ;
(x1 a)2
f (yn 2 ) f (b)
Sn 1 (x) = f (b) + f 0 (b) (x b) + (x b)2 :
(b yn 2 )2
Finalmente
10.5. B - Splines
En las secciones precedentes construimos los espacios de splines Sm ( (n)) para una subdivisión dada
(n) = fxj gj=0;:::;n : Estos espacios tienen dimensión m + n y una base de Sm ( (n)) en la familia de
funciones
fp0 ; p1 ; : : : ; pm ; qm;1 ; : : : ; qm;n g :
En esta sección discutiremos bases alternativas para espacios de splines mejor adaptadas a los aspectos
numéricos. Estas funciones fueron introducidas por Schoenberg y las denominó ”Curvas básicas de
Splines” que en la actualidad se conocen simplemente como B - Splines.
Notamos con 1 = fxj gj2Z una subdivisión de R tal que xj ! 1; xj ! +1; y xj < xj+1 ;
j! 1 j!+1
8j 2 Z:
De…nición 2 Sea 1 una subdivisión de R: Se nota con Bm;j la función de R en R tal que
Las funciones Bm;j se llaman B - Splines. La condición iii) se conoce con el nombre de condición de
normalización. Se puede probar que existe una única función Bm;j que veri…ca i), ii) y iii).
Ejemplos
1. B - spline de grado 0:
Se nota con B0;j a las B-splines de grado cero. En la …gura siguiente se muestra la grá…ca de B0;j :
Figura 92
Z +1
Note que B0;j 2 P0 sobre [xi ; xj+1 [ ; e B0;j (x) dx = 1:
1
2. B-spline de grado 1:
Notamos con B1;j a las B-splines de grado uno y que se de…nen como sigue:
8
>
> 0; si x 2 R [xj ; xj+2 ] ;
>
>
>
< x xj ; si x 2 [x ; x [ ;
j j+1
B1;j (x) = xj+1 xj j 2 Z:
>
>
> xj+2 x
>
: xj+2 xj+1 ; si x 2 [xj+1 ; xj+2 [ ;
>
10.5. B - SPLINES 523
Figura 93
A estas funciones se les denomina también funciones techo. Se tienen las propiedades siguientes:
i) Sop (B1;j ) = [xj ; xj+2 ] ; 8j 2 Z:
ii) B1;j (x) 0; 8x 2 R; 8j 2 Z:
iii) B1;j 2 C1 (R) :
P
+1
iv) B1;j (x) = 1; 8x 2 R:
j= 1
P
+1 P
+1
v) cj B1;j = [cj v1;j + cj 1 (1 v1;j )] B0;j ; donde fv1;j j j 2 Zg es la familia de funciones
j= 1 j= 1
de…nidas por
x xj
v1;j (x) = ; j 2 Z:
xj+1 xj
Note que B1;j = v1;j B0;j + (1 v1;j+1 ) B0;j+1 :
vi) Para cada S 2 S1 ( (n)) en el intervalo [x0 ; xn ] ; se tiene una única representación en términos
de B-splines:
n
X1
S (x) = 1 B1;i (x) ; i 2 R:
i= 1
B - splines cuadráticos.
3. Sean h > 0; x0 2 R y xj = x0 + jh; j 2 Z:
Consideremos ahora splines en puntos igualmente espaciados 1 = fxj gj2Z:
Una B-spline cuadrática de grado 2 con respecto de 1 se nota con B2;j y se de…ne por
8
> 1
>
> (x xj )2 ; si x 2 [xj ; xj+1 [ ;
>
> 2h 2
>
> h i
< 1 h2 + 2h (x x ) 2 (x x )2 ; si x 2 [x ; x [ ;
j+1 j+1 j+1 j+2
B2;j (x) = 2h2 j 2 Z:
>
> 1
>
> 2
(xj+1 x) ; si x 2 [xj+2 ; xj+3 [ ;
>
> 2
: 2h
>
0; si x 2 R [xj ; xj+3 ] ;
4. B - splines cúbicas
Tal como en el caso de B-splines cuadráticas, consideramos 1 = fxj gj2Z una subdivisión en puntos
igualmente espaciados.
Una B-spline cúbica de grado 3 se de…ne por
8
>
> (x xj )3 ; si x 2 [xj ; xj+1 [ ;
>
>
>
> h3 + 3h2 (x xj+1 ) + 3h (x xj+1 )
2
3 (x xj+1 )3 ; si x 2 [xj+1 ; xj+2 [ ;
1 <
B3;j (x) = 3 h3 + 3h2 (xj+3 x) + 3h (xj+3 x)2 3 (xj+3 x)2 ; si x 2 [xj+2 ; xj+3 [ ;
6h >>
>
> (xj+4 )3 ; si x 2 [xj+3 ; xj+4 [ ;
>
>
:
0; si x 2 R [xj ; xj+4 ] ;
524 CAPÍTULO 10. SPLINES
Las funciones B-splines descritas en los ejemplos 1) a 4) son ampliamente utilizadas en el método de
elementos …nitos para la resolución numérica de problemas de valores de frontera y/o de condiciones
iniciales.
Sea f : [a; b] ! R una función de…nida en [a; b] : Buscamos una función S 2 S3 ( (n)) tal que
S (xj ) = f (xj ) ; j = 0; 1; : : : ; n;
Para lograrlo, necesitamos los valores de los B-splines B3;j ; j = 3; : : : ; n 1 en los nodos x0 =
0
a; x1 ; : : : ; xn = b; así como los valores de las derivadas B3;j 00 en x = a para j =
o B3;j 3; 2; 1 y en
0
xn = b para j = n 3; n 2; n 1:
n
X1
S (x) = j B3;j (x) ; x 2 [a; b] :
j= 3
Los problemas a), b) y c) discutidos en la sección de interpolación mediante splines cúbicas se escriben
como sigue:
n
X1
J B3;j (xk ) = f (xk ) ; k = 0; 1; : : : ; n:
j= 3
Condiciones de frontera:
kP1
a) 0 (xk ) = f 0 (xk ) ;
j B3;j k = 0; n;
j=k 3
P1 00
b) j B3;j (xk ) = 0; k = 0; n;
j= 3
P1 0
nP1
0
c) j B3;j (a) = j B3;j (b) ;
j=3 j=n 3
P1 00
nP1
00
j B3;j (a) = j B3;j (b) :
j= 3 j=n 3
b) Splines naturales
0 6 12 6 1
0 0
B h2 h2 h2 C
B 1 4 1 0 0 C
B C
B .. .. .. .. .. C
1B . . . . . C
A= BB
C;
C
6 B ... ..
.
..
.
..
.
..
. C
B C
B 0 1 4 1 C
@ A
6 12 6
0
h2 h2 h2
!t
b = (0; f (x0 ) ; : : : ; f (xn ) ; 0) :
c) Splines periódicas
0 3 3 3 3 1
0 0 0 0
B h h h h C
B 6 12 6 6 12 6 C
B 0 0 C
B h2 h2 h2 h2 h2 h2 C
B 1 4 1 0 0 0 0 0 C
B C
B 0 1 4 1 0 C
1B
B .. ..
C
C
A= B .. .. .. C;
6B . . . . . C
B .. .. .. .. .. C
B . . . . . C
B C
B .. .. .. .. .. C
B . . . . . C
B C
@ 0 1 4 1 0 A
0 0 1 4 1
!t
b = (0; 0; f (x0 ) ; : : : ; f (xn 1) ; f (a)) :
10.6. Ejercicios
2. Proponemos como ejercicios construir la grá…ca de B3 ; j así como enunciar sus propiedades.
1. Richard H. Bartels, John C. Beatty, Brian A. Barsky, An Introduction to Splines for use in
Computer Graphics and Geometric Medeling, Editorial Morgan Kaufmann Publishers, Inc., San
Mateo, California, 1987.
526 CAPÍTULO 10. SPLINES
2. Richard L. Burden, J. Douglas Faires, Análisis Numérico, Séptima Edición, International Thomson
Editores, S. A., México,2002.
3. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
4. Elaine Cohen, Richard F. Riesenfeld, Gershon Elber, Geometric Modeling with Splines, Editorial
A. K. Peters, Natick, Massachusetts, 2001.
5. Gerald Farin, Curves and Surfaces for CAGD, Fifth Edition, Editorial Morgan Kaufmann
Publishing, San Francisco, 2002.
6. James D. Foley, Andries van Dam, Steven K. Feiner, John F. Hughes, Computer Graphics, Principles
and Practice, Second Edition in C, Editorial Addison-Ewsley, Boston , 1997.
7. Curtis F. Gerald, Patrick O. Wheatley, Análisis Numérico con Aplicaciones, Sexta Edición, Editorial
Pearson Educación de México, México, 2000.
10. Melvin J. Maron, Robert J. López, Análisis Numérico, Tercera Edición, Compañía Editorial
Continental, México, 1995.
11. H. Prautzsch, W. Boehm, M Paluszny, Bézier and B-Spline Techniques, Editorial Springer-Verlag,
Berlín, 2000.
12. Helmuth Späth, One Dimensional Spline Interpolation algorithms, Editorial A. K. Peters, Wellesley,
Massachusetts, 1995.
14. Grace Wahba, Spline Models for Observational Data, Editorial Society for Industrial and Applied
Mathematics (SIAM); Philadelphia, 1990.
Capítulo 11
Resumen
En este capítulo se tratan discretizaciones de dos tipos de problemas de ecuaciones diferenciales ordinarias:
el problema de valor inicial de Cauchy, y, los problemas de valores en la frontera 1d. Se tratan los métodos
clásicos de discretizaciones de problemas de valor inicial de Cauchy como son: la familia de los métodos
de Runge-Kutta y el método que conduce a los métodos de Euler explícito e implícito y al método
implícito de Crank-Nicolson. Por otro lado, se presenta el método de discretización del tipo Petrov-
Galerkin que conduce a métodos implícitos del tipo Crank-Nicolson. La discretización de los problemas
de valores en la frontera 1d se limita a las ecuaciones diferenciales de segundo orden y se aplica el método
de diferencias …nitas. Se estudia la consistencia, la estabilidad y la convergencia del método. Se concluye
con la discretización en mallas no uniformes de ecuaciones diferenciales de segundo orden con valores en
la frontera. Al …nal del capítulo se incluye una amplia bibliografía.
11.1. Introducción
En ingeniería y las ciencias físicas y químicas, las ciencias biológicas, la economía y sociales surgen modelos
gobernados por ecuaciones diferenciales ordinarias, es decir, ecuaciones de la forma:
u0 (t) = f (t; u(t)) t 2]0; T [;
u(0) = u0 ;
donde T > 0; f es una función real de…nida en [0; T ] R, que en lo sucesivo supondremos al menos
continua, u0 2 R se denomina condición inicial y u es una función real de…nida en el intervalo [0; T ]; u
es la función incógnita. El problema de hallar una función u solución de la ecuación diferencial y que
satisfaga la condición inicial, se conoce con el nombre de problema de Cauchy de valor inicial. Con más
generalidad, se considera el problema de Cauchy de valor inicial siguiente:
! !
u 0 (t) = f (t; !
u (t)) t 2]0; T [;
!
u (0) = u ;!
0
!
donde f es una función [0; T ] Rn en Rn ; ! u 0 2 Rn .
!
Cuando f (t; !
u (t))= A!u (t) t 2 [0; T ]; se tiene un sistema lineal de ecuaciones diferenciales ordinarias
de primer orden, donde A = (aij ) es una matriz real de n n. En forma explícita se escribe como sigue:
8 0
>
< u1 (t) = a11 u1 (t) + + a1n un (t)
.. t 2]0; T [;
> .
: 0
un (t) = an1 u1 (t) + + ann un (t)
527
528CAPÍTULO 11. MÉTODOS NUMÉRICOS DE RESOLUCIÓN DE ECUACIONES DIFERENCIALES ORDINAR
2 3
u(t) 2 3
6 7 0 1 0
6 u0 (t) 7 6 .. 7
Ponemos !
u (t) = 6 .. 7 2 Rn ; A = 4 . 5 2 Mn n [R]; resulta
4 . 5
an an 1 a1
u(n 1) (t)
;!
u 0 (t))= A!
u (t) t 2 [0; T ]: Con mayor generalidad, una ecuación diferencial lineal no homogénea
de orden n con coe…cientes constantes es una ecuación de la forma
donde a1 ; ; an 2 R, f es una función real de…nida en [0; T ] y que se supondrá allí continua . Este
tipo de ecuaciones diferenciales2se transforma
3 en un sistema de ecuaciones diferenciales lineales como el
u(t)
6 u0 (t) 7
6 7
precedente si se de…ne !u (t) = 6 .. 7, entonces
4 . 5
u(n 1) (t)
2 3 2 3
u0 (t) u0 (t)
6 00
u (t) 7 6 00
u (t) 7
! 0 6 7 6 7
u (t) = 6 .. 7=6 .. 7
4 . 5 4 . 5
u(n) (t) f (t) a1 u(n 1) (t) an u(t)
2 3 2 3
2 3 u(t) 0
0 1 0 6 u0 (t) 7 6 7
6 .. 76 7 6 0 7
= 4 . 56 .. 7+6 .. 7:
4 . 5 4 . 5
an an 1 a1
u 1) (t)
(n f (t)
2 3 2 3
u(t) 0
6 u0 (t) 7 ! 6 0 7
6 7 6 7
Se pone !
u (t) = 6 .. 7 2 Rn ; b (t) = 6 .. 7 2 Rn ; t 2 [0; T ] y A la matriz arriba de…nida:
4 . 5 4 . 5
u(n 1) (t) f (t)
! ! !
Resulta u (t) = A u (t) + b (t) t 2 [0; T ]: En este caso, f (t; !
!0 ! u (t))=A!
u (t) + b (t):
11.2. EL MÉTODO 529
!
Si f (t; ! u (t))= A(t)! u (t); donde para cada t 2 [0; T ]; A(t) = (aij (t)) es una matriz real de n n
dependiente de t; el sistema de ecuaciones diferenciales ! u 0 (t) = A(t)!
u (t) se conoce como sistema lineal
no autónomo.
! !
Si !
u 0 (t) = f (! u (t)) con f una función de Rn en Rn que no se se expresa como A! u , se llama sistema
de ecuaciones diferenciales no lineal autónomo.
!
En lo que sigue, supondremos que f es una función [0; T ] Rn en Rn lipchisiana respecto de la segunda
! ! !
variable; es decir, existe k > 0 tal que k f (t; ! u 1) f (t; u 2 ) k k k ! u1 ! u2 k 8!u 1; !
u 2 2 Rn ;
8t 2 [0; T ]: Esta hipótesis garantiza la existencia de una sola solución !u 2 C 1 ([0; T ])n :
11.2. El método
Sean T > 0; u0 2 R y f una función real de…nida en [0; T ] R que suponemos lipschisiana; esto es, existe
L > 0 tal que para todo y1 ; y2 2 R; se veri…ca
En muy pocos casos se puede resolver esta ecuación directamente y obtener la solución exacta u. En la
generalidad de los casos, la solución u no puede obtenerse directamente y debe recurrirse a los métodos
numéricos, esto signi…ca que podemos calcular soluciones aproximadas de u.
Sean n 2 Z+ ; (n) = ftj j l = 0; 1; : : : ; ng una partición del intervalo [0; T ] ; esto es, t0 = 0;
tj 1 < tj j = 1; : : : ; n; tn = T: Ponemos hj = tj tj 1 j = 1; : : : ; n y bh = max hj : En el caso de la
j=1;:::;n
T
partición uniforme, tenemos h = ; tj = jh j = 0; 1; : : : ; n con lo que (n) = fjh j j = 0; 1; : : : ; ng y
n
b
h = h:
Denotamos con uj una aproximación de u (tj ) : El valor de f (tj ; u (tj )) se aproxima como f (tj ; uj ) :
La derivada u0 (tj ) lo aproximamos mediante una diferencia …nita progresiva de primer orden, esto es,
u (tj+1 ) u (tj )
u0 (tj ) ' j = 0; 1; : : : ; n 1;
hj+1
uj+1 uj
u0 (tj ) ' j = 0; 1; : : : ; n 1:
jj+1
Sea 2 [0; 1] : El método consiste en discretizar la ecuación diferencial mediante el esquema numérico
siguiente:
uj+1 uj
= f (tj ; uj ) + (1 ) f (tj+1 ; uj+1 ) j = 0; 1; : : : ; n 1;
hj+1
cuyos datos son los pasos temporales hj ; j = 1; : : : ; n; los tiempos tj j = 0; 1; : : : ; n: De este esquema
numérico, se tiene interés en tres métodos numéricos conocidos como Euler explícito, Euler implícito y
Crank-Nicolson.
uj+1 = uj + h f (tj ; uj ) j = 0; 1; : : : ; n 1:
u1 h1 f (t1 ; u1 ) = u0
cuya incógnita es u1 al instante t1 : Solo en muy pocos casos se puede resolver esta ecuación directamente
y calcularse u1 : En la generalidad de los casos, u1 se calcula en forma aproximada como solución de dicha
ecuación. Con u1 calculado al instante t1 se pasa inmediatamente a calcular u2 como solución aproximada
de la ecuación que se obtiene con j = 1; así
u2 h2 f (t2 ; u2 ) = u1 :
Como uj+1 hj+1 f (tj+1 ; uj+1 ) uj = 0; se sigue que G (uj+1 ) = 0; es decir que x b = uj+1 es raíz de
la ecuación G (x) = 0: Esta raíz x b es aproximada aplicando cualquiera de los métodos numéricos de
resolución de ecuaciones no lineales que por supuesto dependen de la regularidad de la función f .
11.2. EL MÉTODO 531
3. Método de Crank-Nicolson
1
Este método fue propuesto por J. Crank y P. Nicolson en 1947. Para = se tiene el siguiente esquema
2
numérico
uj+1 uj 1 1
= f (tj ; uj ) + f (tj+1 ; uj+1 ) j = 0; 1; : : : ; n 1
hj+1 2 2
y de esta igualdad obtenemos
hj+1 hj+1
uj+1 f (tj+1 ; uj+1 ) = uj + f (tj ; uj ) j = 0; 1; : : : ; n 1
2 2
que se conoce como esquema numérico de Crank-Nicolson. Este es un esquema numérico implícito.
Al igual que en el método de Euler implícito, para j = 0 y con los datos: paso temporal h1 ; tiempo t0 ;
condición inicial u (0) = u0 se tiene la ecuación
h1 h1
u1 f (t1 ; u1 ) = u0 + f (t0 ; u0 )
2 2
cuya incógnita es u1 la misma que se aproxima como solución numérica de dicha ecuación. Calculado u1
al instante t1 ; con datos el paso temporal h2 ; los tiempos t1 y t2 ; podemos calcular el valor aproximado
de u2 como solución numérica de la ecuación
h2 h1
u2 f (t2 ; u2 ) = u1 f (t1 ; u1 ) :
2 2
Así sucesivamente.
h h
uj+1 f (tj+1 ; uj+1 ) = uj + f (tj ; uj ) j = 0; 1; : : : ; n 1:
2 2
De manera similar que el método de Euler implícito, de…nimos la función real G como
h h
G (x) = x f (tj+1 ; x) uj f (tj ; uj ) x 2 R:
2 2
Resulta que xb = uj+1 es raíz de la ecuación G (x) = 0: El método de resolución numérica de la ecuación
no lineal G (x) = 0 está relacionado con la regularidad de la función f .
Los esquemas numéricos de Euler implícito, explícito, y de Crank - Nicolson obtenidos para una sola
ecuación diferencial pueden extenderse inmediatamente a los sistemas de ecuaciones diferenciales:
( !
!u 0 (t) = F (t; !
u (t)) t 2 ]0; T [ ;
! !
u (0) = u ; 0
!
donde T > 0; !
(0) (0)
u T0 = u1 ; : : : ; um 2 Rm ; F T = (f1 ; : : : ; fm ) una función vectorial de [0; T ] Rm en
Rm que suponemos lipschisiana. Este sistema de ecuaciones diferenciales se expresa como
8 0 !
>
< u1 (t) = f1 (t; u (t))
.. t 2 ]0; T [ :
> .
: 0 !
um (t) = fm (t; u (t)) ;
1. Euler explícito
! !
u j+1 = !
u j + hj+1 F (tj ; !
u j) j = 0; 1; : : : ; n 1:
2. Euler implícito
! !
u j+1 hj+1 F (tj+1 ; !
u j+1 ) = !
uj j = 0; 1; : : : ; n 1:
3. Crank - Nicolson
! hj+1 ! hj+1 !
u j+1 F (tj+1 ; !
u j+1 ) = !
uj + F (tj ; !
u j) j = 0; 1; : : : ; n 1:
2 2
donde para cada t 2 [0; T ] ; A (t) = (aij (t)) es una matriz de m m no nula, !
g T (t) = (g1 (t) ; : : : ; gm (t))
con gj 2 C ([0; T ]) j = 1; : : : ; m:
(I hj+1 A (tj+1 )) !
u j+1 = !
u j + hj+1 !
g (tj+1 ) j = 0; 1; : : : ; n 1:
! hj+1 hj+1
u j+1 [A (tj+1 ) !
u j+1 + !
g (tj+1 )] = !
uj + (A (tj ) !
uj +!
g (tj )) j = 0; 1; : : : ; n 1;
2 2
Luego
hj+1 hj 1
I A (tj+1 ) !
u j+1 = I+ A (tj ) !
u j + hj+1 (!
g (tj ) + !
g (tj+1 )) j = 0; 1; : : : ; n 1:
2 2 2
Se observa que tanto en el método de Euler implícito como en el de Crank-Nicolson, que para calcular
! hj+1
u j+1 se requieren que las matrices I hj+1 A (tj+1 ) e I A (tj+1 ) sean invertibles.
2
Sean T > 0; u0 2 R; f una función real de…nida en [0; T ] R que suponemos lipschisiana. Consideramos
el problema de valor inicial de Cauchy siguiente: hallar una función u de…nida en [0; T ] solución de
Recordemos que una función s se dice escalonada en [0; T ] si y solo si existe una partición (n) =
ftj j j = 0; 1; : : : ; ng del intervalo [0; T ] tal que s (t) = si t 2 ]tj 1 ; tj [ j = 1; : : : ; n; donde si 2 R: En
11.3. MÉTODO DE PETROV-GALERKIN. 533
los puntos tj j = 0; 1; : : : ; n la función s debe estar de…nida de cualquier modo. En la …gura siguiente
se muestra una función escalonada en [0; T ] :
Figura 94
De…nición 1 Diremos que una función real f de…nida en [0; T ] es discontinua en a 2 [0; T ]
con salto de primera especie si y solo si f es discontinua en a, y jf (a+ ) f (a )j < 1; donde
f (a+ ) = l m f (a + h) ; f (a ) = l m f (a + h) ; son los límites por derecha e izquierda respectivamente.
h>0 h<0
h!0 h!0
Si a = 0 se tiene únicamente el límite por la derecha …nito, esto es jf (0+ )j < 1 y si a = T; se tiene el
límite por la izquierda jf (T )j < 1:
De…nición 2 Sea f una función real de…nida en [0; T ] : Decimos que f es acotada y continua a trozos
en [0; T ] si y solo si existen ak 2 [0; T ] k = 1; : : : ; m tales que 0 a1 < a2 < < am T; f no es
continua en ak ; y f a+ k f ak < 1:
En el caso en que (m) = ftj j j = 0; 1; : : : ; mg es una partición de [0; T ] y f es una función acotada
y continua a trozos, entonces f es continua en cada subintervalo ]tj 1 ; tj [ y f t+ j f tj < 1
j = 1; : : : ; m: Una función escalonada en [0; T ] es una función continua a trozos.
Denotamos con Cd ([0; T ]) el conjunto de funciones reales acotadas y continuas a trozos. Con las
operaciones habituales de funciones: adición " + " y producto de números reales por funciones " ";
Cd ([0; T ]) es un espacio vectorial real. Se tiene que C ([0; T ]) Cd ([0; T ]) :
Z T
hu; vi = u (t) v (t) dt 8u; v 2 Cd ([0; T ]) :
0
Se denota con Cd1 ([0; T ]) el espacio de funciones reales u cuya derivada u0 pertenece a Cd ([0; T ]) ; esto es,
Figura 95
Figura 96
Pasemos a describir el método de Petrov-Galerkin. Sea u 2 C 1 ([0; T ]) la solución del problema de Cauchy
arriba propuesto.
Sea v 2 C 1 ([0; T ]) : Multiplicamos a la ecuación diferencial por v e integramos sobre el intervalo [0; T ] ;
esto es,
Z T Z T
u0 (t) v (t) dt = f (t; u (t)) v (t) dt:
0 0
Apliquemos el método de integración por partes al primer miembro de la igualdad precedente, tenemos
Z T Z T Z T
T
0 0
u (t) v (t) dt = u (t) v (t) u (t) v (t) dt = u (T ) v (T ) u (0) v (0) u (t) v 0 (t) dt
0 0 0 0
Puesto que v 2 C 1 ([0; T ]) entonces v (T ) = 0 y como u es solución del problema de Cauchy de valor
inicial, se tiene u (0) = u0 : La igualdad precedente se reduce a la siguiente
Z T Z T
u0 (t) v (t) = u0 v (0) u (t) v 0 (t) dt
0 0
y en consecuencia
Z T Z T
0
u0 v (0) u (t) v (t) dt = f (t; u (t)) v (t) dt
0 0
11.3. MÉTODO DE PETROV-GALERKIN. 535
o lo que es lo mismo Z Z
T T
0
u (t) v (t) dt = u0 v (0) + f (t; u (t)) v (t) dt:
0 0
Así, el problema de Cauchy de valor inicial propuesto es equivalente a la ecuación precedente, la misma
que es una ecuación integral. Esta ecuación integral es la que da lugar al método de Petrov-Galerkin.
Note que en esta ecuación el orden de derivación ha disminuido en 1 y la función incógnita u …gura bajo el
signo de integración. Ahora buscamos una función u que sea continua en [0; T ] y que veri…que la ecuación
integral, lo que signi…ca que se ha bajado la regularidad de la función u (antes se buscaba u de modo que
la sea derivable). Esto permite ampli…car el campo de acción de la solución de ecuaciones diferenciales
en las que la función f cumpla condiciones de regularidad más débiles. Es precisamente esta situación la
de mayor interés.
De…nición 3 Diremos que u 2 Cd1 ([0; T ]) es solución de la ecuación integral si y solo si satisface la
ecuación Z T Z T
u (t) v 0 (t) dt = u0 v (0) + f (t; u (t)) v jtj dt 8v 2 C 1 ([0; T ]) :
0 0
La formulación dada en la de…nición precedente es la conocida como método del tipo Petrov-Galerkin.
note que la función incógnita u pertenece al espacio Cd ([0; T ]) mientras que las denominadas funciones
de prueba o funciones test pertenecen al espacio C 1 ([0; T ]) :
Pasemos a la discretización de la formulación del método del tipo Petrov-Galerkin arriba enunciado.
Sea n 2 Z+ ; (n) = ftj j j = 0; 1; : : : ; ng una partición del intervalo [0; T ] : Ponemos hj = tj
hj 1
T
j = 1; : : : ; n; b
h = max hj : En el caso de una partición uniforme del intervalo [0; T ] ; ponemos h = ;
j=1;:::;n n
b
(n) = fjh j j = 0; 1; : : : ; ng y h = h:
De…nimos el subespacio Uh de Cd ([0; T ]) como sigue:
1; si t 2 ]tj 1 ; tj [ ;
(t) =
j
0; si t 2 [0; T ] 8 ]tj 1 ; tj [ ; j = 1; : : : ; n:
Se advierte inmediatamente que cada función j es la función indicatriz del intervalo ]tj 1 ; tj [ : En la
…gura siguiente se muestra esta función
Figura 97
Vh = vh 2 C 1 ([0; T ]) j vh= 2 P1 ; j = 1; : : : ; n ;
]tj 1 ;tj [
y para j = 1; : : : ; n 1 se tiene
8 t t
> j 1
>
> ; si t 2 [tj 1 ; tj ] ;
>
< h j
'j (t) = t tj+1
> ; si t 2 ]tj ; tj+1 ] ;
>
> hj+1
>
:
0; si t 2 [0; T ] 8 [tj 1 ; tj+1 ] :
Figura 98 Figura 99
De la de…nición del espacio Vh y de la base '0 ; : : : ; 'n 1 resulta que vh 2 Vh si y solo si existen
nP1
v0 ; : : : ; vn 1 2 R tales que vh = vi 'i : Note que vh (T ) = 0 pués 'i (T ) = 0 8i = 0; ; n 1:
i=0
De…nición 4 Diremos que uh 2 Uh es solución aproximada del problema de Cauchy de valor inicial
si y solo si satisface la ecuación integral
Z T Z T
uh (t) vh0 (t) dt = u0 vh (0) + f (t; uh (t)) vh (t) dt 8vh 2 Vh :
0 0
Esta es la formulación discreta de la formulación del tipo Petrov-Galerkin arriba de…nida, a la que nos
referimos como formulación discreta del tipo Petrov-Galerkin.
Observe que la función incógnita uh se busca en el espacio Uh mientras que las funciones vh ; denominadas
funciones test, están en el espacio Vh :
P
n
Sea uh 2 Vh la solución. Existe u1 ; : : : ; un 2 R tales que uh = uj j: Remplazando en la formulación
j=1
discreta del tipo Petrov-Galerkin, tenemos
0 1 0 1
Z T X n Z T n
X
@ uj j (t)A vh (t) dt = u0 vh (0) +
0
f @t; uj j (t)A vh (t) dt 8vh 2 Vh ;
0 j=1 0 j=1
Debemos calcular u1 ; : : : ; un y tenemos una ecuación válida para todo vh 2 Vh ; en particular lo es para
los elementos de la base '0 ; : : : ; 'n 1 de Vh lo que nos permite obtener las n ecuaciones requeridas.
En efecto, hacemos vh ='i 2 Vh : Tenemos
0 1
X n Z T Z T n
X
uj 0
j (t) 'i (t) dt = u0 'i (0) + f @t; uj j (t)A 'i (t) dt i = 0; : : : ; n 1;
j=1 0 0 j=1
R t1 1
Como h1 = t1 e 0 dt = 1; entonces
h1
Z t1
u1 = u0 + f (t; u1 ) '0 (t) dt:
0
1; si i = j
Para i = 2; : : : ; n se tiene 'i (0) = 0; más aún 'i (tj ) = '0i (t) =
0; si i 6= j;
8
> 1
>
> ; si t 2 ]ti 1 ; ti [ ;
>
< hi
1
> ; si t 2 ]ti ; ti+1 [ ; Además en los intervalos ]ti 1 ; ti [ y ]ti ; ti+1 [ intervenen ui ; ui+1 ; i (t) =
>
> h i+1
>
:
0; en otro caso.
1 t 2 ]ti 1 ; ti [ ; i+1 (t) = 1 t 2 ]ti ; ti+1 [ : Entonces
Z ti Z ti+1 ! Z Z ti+1
ti
1 1
ui dt + ui+1 dt = f (t; ui ) 'i (t) dt + f (t; ui+1 ) 'i (t) dt:
ti 1 hi ti hi+1 ti 1 ti
R ti 1 Rt 1
Puesto que ti dt = 1; tii+1 dt = 1; se sigue que
1 hi hi+1
Z ti Z ti+1
(ui ui+1 ) = f (t; ui ) 'i (t) dt + f (t; ui+1 ) 'i (t) dt
ti 1 ti
Figura 100
11.3. MÉTODO DE PETROV-GALERKIN. 539
Se tiene dim Uh = n + 1; dim Vh = n: una base de Uh es la familia de funciones f'0 ; : : : ; 'n g y una de Vh
es '0 ; : : : ; 'n 1 : La formulación discreta de la formulación del tipo Petrov-Galerkin se expresa como
sigue: hallar una función uh 2 Uh solución de
Z T Z T
0
uh (t) vh (t) dt = u0 vh (0) + f (t; uh (t)) vh (t) dt 8vh 2 Vh :
0 0
A esta acción nos referimos como formulación discreta del tipo Petrov-Galerkin.
P
n P
n
La función uh 2 Uh se escribe como uh = u i 'i = u 0 ' 0 + ui 'i ; con u (0) = u0 la condición inicial.
i=0 i=1
Luego
Z n
! Z n
!
T X T X
u0 '0 (t) + ui 'i (t) vh0 (t) dt = u0 vh (0) + f t; u0 '0 (t) + + u i 'i vh (t) dt 8vh 2 Vh :
0 i=1 0 i=1
Se observa en esta ecuación que las incógnitas son u1 ; : : : ; un 2 R: Para poder calcular estas incógnitas
requerimos generar n ecuaciones, para ello remplazamos sucesivamente vh por los elementos de la base
'0 ; : : : ; 'n 1 de Vh ; es decir vh = 'j j = 0; 1; : : : ; n 1: Así,
Z T n
X1 Z T
u0 '0 (t) '0j (t) dt ui 'i (t) '0j (t) dt = u0 'j (0) +
0 i=1 0
Z n
!
T X
+ f t; u0 '0 (t) + ui 'i (t) 'j (t) dt j = 0; 1; : : : ; n 1:
0 i=1
Para
8 j = 0; de la de…nición de '0 se tiene '0 (0) = 1; '0 (t) = 0 si t 2 [t1 ; T ] ; '00 (t) =
< 1
; si o < t < t1 ;
h1 Tomando en consideración esta información, la ecuación precedente se reduce
: 0; si t < t < T:
1
a la siguiente
Z t1 Z t1 Z t1
1 1
u0 '0 (t) dt ui '1 (t) dt = u0 + f (t; u0 '0 (t) + u1 '1 (t)) '0 (t) dt
0 h1 0 h1 0
e integrando, obtenemos
Z t1
1 1
u0 + u1 = u0 + f (t; u0 '0 (t) + u1 '1 (t)) '0 (t) dt:
2 2 0
Para j = 1; de la de…nición de '1 se tiene8'1 (t1 ) = 1; '1 (0) = 0; '1 (t) = 0 si t 2 [t2 ; T ] y t = 0; la derivada
> 1 ; si 0 < t < t ;
>
>
> 1
< h1
de '1 está de…nida como sigue:'01 (t) = 1
> ; si t1 < t < t2 ; Entonces uh = u0 '0 + u1 '1 + u2 '2 sobre
>
> h 2
>
:
0; si t2 < t < T:
[0; t2 ] en consecuencia, por la aditividad respecto del dominio de integración, tenemos
Z t1 Z t1 Z t2 Z t2
u0 '0 (t) '01 (t) dt u1 '1 (t) '01 (t) dt u1 '1 (t) '01 (t) dt u2 '2 (t) '01 (t) dt
0 0 t1 t1
Z t2
= u0 '1 (0) + f (t; u0 '0 (t) + u1 '1 (t) + u2 '2 (t)) '1 (t) dt;
0
540CAPÍTULO 11. MÉTODOS NUMÉRICOS DE RESOLUCIÓN DE ECUACIONES DIFERENCIALES ORDINAR
y de esta , resulta
Z t1 Z t1 Z t2 Z t2
1 1 1 1
u0 '0 (t) dt u1 '1 (t) dt u1 '1 (t) dt u2 '2 (t) dt
0 h1 0 h1 t1 h2 t1 h2
Z t1
= u0 '1 (0) + f (t; u0 '0 (t) + u1 '1 (t) + u2 '2 (t)) '1 (t) dt
0
Z t2
+ f (t; u0 '0 (t) + u1 '1 (t) + u2 '2 (t)) '1 (t) dt
t1
Para el cálculo de las integrales aplicamos la fórmula de integración del punto medio, esto es, si
g 2 C ([a; b]) ;
Z b
a+b
g (t) dt ' (b a) g :
a 2
Entonces, de la de…nición de las funciones '0 ; '1 se tiene
Z t1
h1 1
f (t; u0 ; '0 (t) + u1 '1 (t)) u0 (t) dt ' f e
t0 ; (u0 + u1 ) ;
0 2 2
1 1
donde e
t0 = (t0 + t1 ) : Note que '0 e
t0 = :
2 2
De manera similar, de la de…nición de las funciones '0 ; '1 ; '2 se tiene
Z t1
h1 1
f (t; u0 '0 (t) + u1 '1 (t) + u2 '2 (t)) '1 (t) dt ' f e
t0 ; (u0 + u1 ) ;
0 2 2
Z t2
h2 1
f (t; u0 '0 (t) + u1 '1 (t) + u2 '2 (t)) '2 (t) dt ' f e
t1 ; (u1 + u2 ) ;
t1 2 2
1 1 1
donde e
t1 = (t1 + t2 ) ; '1 e
t0 = ; ' 1 e
t1 = :
2 2 2
De manera general, obtenemos
Z tj
hj 1
f t; uj 1 'j 1 (t) + uj 'j (t) + uj+1 'j+1 (t) 'j (t) dt = f e
tj 1; (uj 1 + uj )
tj 1 2 2
Z tj+1
hj+1 1
f t; uj 1 'j 1 (t) + uj 'j (t) + uj+1 'j+1 (t) 'j (t) dt ' f e
tj ; (uj + uj+1 )
tj 2 2
1 1
con e
tj 1 = (tj 1 + tj ) ; e
tj = (tj + tj+1 ) :
2 2
11.3. MÉTODO DE PETROV-GALERKIN. 541
!
donde T > 0; !
(0) (0)
u T0 = 2 Rm ; F es una función vectorial de [0; T ]
u1 ; : : : ; u m Rm en Rm que
suponemos lipchisiana, esto es, existe L > 0 tal que 8!
y 1; !
y 2 2 Rm ;
! ! ! !
F (t; y 1 ) F (t; y 2 ) L k!
y1 !
y 2k 8t 2 [0; T ] :
Entonces 8
> h1 ! e !
< !
u1 F t0 ; u 1 = !u 0;
2
>
: ! hj+1 ! e ! hj !
u j+1 F tj ; u j+1 = !
uj + F (tj ej )
1; u
2 2
1
donde e
tj = (tj 1 + tj ) los puntos medios de los intervalos [tj 1 ; tj ] de la partición (n) de [0; T ] :
2
!
Más particularmente, si la función F tiene la forma
! ! !
F (t; y ) = A (t) !
y + b (t) t 2 [0; T ] ;
!
con A (t) = (aij (t)) una matriz de m m no nula y cada aij (t) función continua, b una función vectorial
continua.
542CAPÍTULO 11. MÉTODOS NUMÉRICOS DE RESOLUCIÓN DE ECUACIONES DIFERENCIALES ORDINAR
El método de diferencias …nitas (MDF) es uno de los primeros métodos que fueron implementados en
la resolución numérica tanto de ecuaciones diferenciales ordinarias como en derivadas parciales para
problemas uni, bi y tridimensionales. Su popularidad radica en el hecho de la simplicidad con la que se
discretizan tales ecuaciones mediante el uso de aproximaciones de las derivadas por medio de cocientes
incrementales.
En este capítulo iniciaremos con los operadores en diferencias …nitas que luego serán aplicados a una
clase de problemas con valores en la frontera unidimensionales siguientes:
d du du
p +r + qu = f sobre ]0; L] ;
dx dx dx
4. Condiciones de frontera periódicas: u (0) = u (L) ; u0 (0) = u0 (L) : En este último problema
debemos suponer que las funciones p; q; r; f se extienden por periodicidad a todo R y conservan la
continuidad. Nótese que
u (x + L) = u (x) 8x 2 R,
0 0
u (x + L) = u (x) 8x 2 R.
Suponemos que para el problema propuesto, se conocen resultados de existencia, unicidad, regularidad
de la solución.
Con el propósito de introducir las nociones de consistencia, estabilidad y convergencia que serán abordados
más adelante, consideramos el problema modelo siguiente:
L
Sea n 2 Z+ ; h = y xj = jh; j = 0; 1; :::; n: Ponemos
n
(n) = fxj = jh j j = 0; 1; :::; ng :
El conjunto (n) se llama discretización del intervalo [0; L] o también malla de [0; L] :
Puesto que
u (xj+1 )2u (xj ) + u (xj 1 )
u00 (xj ) = + rh (xj ) ; j = 1; :::; n 1;
h2
(véase el capítulo 2, diferencias …nitas centrales) se sigue que (P) se discretiza del modo siguiente:
8
< u (xj+1 ) 2u (xj ) + u (xj 1 )
+ q (xj ) u (xj ) + rh (xj ) = f (xj ) j = 1; :::; n 1; (P1 )
: h2
u (0) = 0; u (L) = 0
En el esquema numérico precedente (P1 ) se desconocen u (xj ) y rh (xj ) ; j = 1; :::; n 1: Deseamos que
rh (xj ) !h!0 0 j = 1; :::; n 1:
Denotamos con uj una aproximación de u (xj ) : Asumimos que rh (xj ) ' 0 y en consecuencia, se tiene el
esquema numérico siguiente.
(
u0 = 0; un = 0;
uj+1 2uj + uj 1
+ q (xj ) uj = f (xj ) j = 1; :::; n 1:
h2
Para j = 1, se tiene
2 1
+ q (x1 ) u1 u2 = f (x1 ) :
h2 h2
Para j = n 1;
1 2
un 2 + + q (xn 1) un 1 = f (xn 1) :
h2 h2
!
Ponemos !
u h = (u1 ; :::; un 1)
T
; b = (f (x1 ) ; :::; f (xn 1 ))
T
; Ah = (aij (h)) con
2
aii (h) = + q (xi ) i = 1; :::; n 1;
h2
1
ai 1i (h) = aii 1 (h) = ; i = 2; :::; n 1:
h2
u (0) = 0;
u (L) = 0:
n
xi uh;i ; i = 0; :::; n:
ii. Con el propósito de efectuar pruebas, es recomendable conocer la solución exacta u. Con esta
solución se debe construir el vector !
u = (u (0) ; :::; u (L)) y en consecuencia generar el archivo
u: dat que contiene
n
xi ui i = 0; :::; n:
5. Presentación de resultados.
i. Grá…cas de u y uh :
ii. Curva de errores.
Nota: Se conocen las soluciones u y uh en los puntos xi 2 (n); esto es, se tienen los conjuntos de
puntos:
G1 = f(xi ; u (xi )) j i = 0; 1; :::; ng ;
G2 = f(xi ; uh;i ) j i = 0; 1; :::; ng :
(n) ! R
De…nición 5 Toda función g : se llama función reticular que se escribirá
xj ! g (xj ) = yj
!
g = (g (x0 ) ; :::; g (xn )) o bien !
g = (y0 ; :::; yn ) :
Se denota con Vh al conjunto de todas las funciones reticulares de…nidas en (n). Con las operaciones
habituales de funciones: adición y producto por escalares, Vh es un espacio vectorial de dimensión n + 1.
Se denota con V0 = fg 2 Vh j g (0) = g (L) = 0g :
1
nP1 2
ii) kgk2 = hg 2 (x) :
i=1
" #1
nP1 2 2
g (xi+1 ) g (xi )
iii) kgk1;2 = h :
i=0 h
Demostración.
1 iP1
i. Probemos primeramente que kf k1 L 2 kf k1;2 8f 2 V0 : En efecto, yi = (yj+1 yj ) ya que
j=0
y0 = 0; i = 1; :::; n: Luego, aplicando la desigualdad de Cauchy-Schwarz, se tiene
0 11 0 11
i 1 i 1 2 i 1 2
X X X
jyi j = j(yj+1 yj )j @ 1 A @
2
(yj+1 yj ) A
2
1
En consecuencia kf k1 L 2 kf k1;2 :
1
ii. Probemos que kf k2 L 2 kf k1 :
Puesto que
n
X1 n
X1 n
X1
kf k22 = hyi2 = h yi2 h kf k21 = hn kf k21 = L kf k21 :
i=1 i=1 i=1
1
De la no negatividad de la norma, se sigue que kf k2 L 2 kf k1 :
De i) y ii) se deduce
1 1
L 2 kf k2 kf k1 L 2 kf k1;2 8f 2 V0 :
1
Observación. Puesto que jyi j L 2 kf k1;2 i = 1; :::; n, se sigue que
n
X1 n
X1
kf k22 = hyi2 hL kf k21;2 = nhL kf k21;2 = L2 kf k21;2 ;
i=1 i=1
así,
kf k22 L2 kf k21;2
de donde
kf k2 L kf k1;2 :
que es la análoga a la desigualdad de Poincaré: f 2 H01 (o; L) ; 9c > 0 tal que kf kL2 (o;L) c kf 0 kL2 (0;L) :
De…nición de consistencia
!
Sea U h = (u (x0 ) ; :::; u (xn ))T el vector constituido por la solución exacta en los puntos xi ; i = 0; :::; n
de la malla (n) : De…nimos
! !
eh = Uh ! u h el error sobre la solución numérica,
! ! !
r h = Ah U h b error de consistencia.
De…nición 6 1. Diremos que (1) y(3) son consistentes, para una norma k k de V0 , si l m k!
r h k = 0:
h!0
De…nición 7 2. Diremos que (1) y (3) tienen una consistencia de orden m > 0, si existe una constante
c1 > 0 independiente de h, tal que
k!r h k c1 hm 8h > 0:
La consistencia es necesaria, pero no su…ciente para que el sistema discreto (esquema numérico (2)) sea
convergente.
Sea L : C 2 ([0; L]) ! C 0 ([0; L]) el operador diferencial de…nido por Lu = u00 + qu:
u (x + h) 2u (x) + u (x h)
L u (x) = + q (x) u (x) ;
h2
donde h > 0; x h; x; x + h 2 [0; L] :
548CAPÍTULO 11. MÉTODOS NUMÉRICOS DE RESOLUCIÓN DE ECUACIONES DIFERENCIALES ORDINAR
h2 (iv)
k!
r h k1 u ;
12 L1 (0;L)
h2 (iv)
kL uh Luk1 u :
12 L1 (0;L)
De la de…nición de !
r h , se sigue que
! ! !
r h = Ah U h b ,
u (xi+1 ) 2u (xi ) + u (xi 1)
rih = + q (xi ) u (xi ) f (xi ) :
h2
Por otro lado,
u00 (x) + q (x) u (x) = f (x) x 2 ]0; L[ ;
entonces
0= u00 (xi ) + q (xi ) u (xi ) f (xi ) ; i = 1; :::; n 1;
de donde
1
rih = u00 (xi ) (u (xi+1 ) 2u (xi ) + u (xi 1 )) :
h2
Además,
h2 00 h3 000 h4 iv
u (xi+1 ) = u (xi ) + hu0 (xi ) + u (xi ) + u (xi ) + u (=1 ) ;
2! 3! 4!
h2 h3 000 h4 iv
u (xi 1) = u (xi ) hu0 (xi ) + u00 (xi ) u (xi ) + u (=2 ) ;
2! 3! 4!
con =1 2 [xi ; xi+1 ] ; =2 2 [xi 1 ; xi ] ; i = 1; :::; n 1:
Entonces
u (xi+1 ) 2u (xi ) + u (xi 1) h2 iv
= u00 (xi ) + u (=1 ) + uiv (=2 ) ;
h2 4!
con lo cual
h2 iv
rih = u ( 1 ) + uiv ( 2 )
4!
h2 iv
jrih j u L1 (0;L)
; i = 1; :::; n 1
12
de donde
h2 iv
k!
r h k1 = Max jrih j u L1 (0;L)
:
i=1;:::;n 1 12
Puesto que Lu = f y L u (xi ) = f (xi ) i = 1; :::; n 1, se sigue que
!
Nótese que k!
r h k1 = L U h Lu h2
12 Max uiv (x) ; que muestra que el esquema numérico es
1 x2[0;L]
de orden 2.
De…nición 8 Sean k kh;1 ; k kh;2 dos normas en V0 . Diremos que el esquema numérico (2) es estable
con respecto de las normas k kh;1 ; k kh;2 , si existe una constante C2 > 0 independiente de h, tal que
Ah 1 !
u h;1
C2 k!
u kh;2 8!
u 2 V0 ; 8h > 0:
ii. Se dice que el esquema numérico tiene un orden de convergencia p > 0, si existe una constante
C3 > 0 independiente de h tal que k!
e h k C3 hp 8h > 0:
!
Teorema 4 El sistema de ecuaciones Ah !
u h = b tiene una única solución uh :
Demostración. Probemos que Ah es invertible. Para el efecto, mostremos que Ah es de…nida positiva,
esto es,
!u T Ah !
u > 0 8!
u 2 Rn 1 con !
u =
6 0:
Sea !u = (u ; :::; u ) 2 Rn 1 ; u = u = 0. Entonces
1 n 0 n
2 u0 2 u2
3
h2
+ h2
+ q (x1 ) u1 h2
6 .. 7
6 . 7
! ! 6 7
u Ah u = (u1 ; :::; un ) 6
T
6
ui 1
h2
2
h2
+ q (xi ) ui ui+1
h2
7
7
6 .. 7
4 . 5
un 2 2 un
h2
+ h2
+ q (xn 1) un 1 h2
n
X1 ui 1 2 ui+1
= ui + q (xi ) ui
h2 h2 h2
i=1
n
X1 n
X1
1
= ui ( ui 1 + 2ui ui+1 ) + q (xi ) u2i
h2
i=1 i=1
n
!
1 X1 n
X1 n
X1
= ui (ui ui 1) ui (ui+1 ui ) + q (xi ) u2i
h2
i=1 i=1 i=1
n
!
1 X2 n
X1 n
X1
= ui+1 (ui+1 ui ) ui (ui+1 ui ) + q (xi ) u2i :
h2
i=0 i=1 i=1
Luego !
u T Ah ! k!
u k1;2 8!
u 2 Rn con !
1 2
u h u =
6 0
e 2 Rn
Si ker (Ah ) 6= 0 f0g, existe u 1 e 6= 0 y Ah u
con u0 = un = 0 tal que u e = 0. Resulta que
1
0 uk21;2 ) u
ke e=0
h
en otra contradicción con lo supuesto. En consecuencia ker (Ah ) = f0g, que muestra que Ah es invertible.
! !
Por lo tanto, 8 b 2 Rn 1 , el sistema de ecuaciones Ah !
u = b tiene solución única.
Observación: La estabilidad del esquema numérico (2) signi…ca que pequeños errores en los datos de
entrada producen pequeños errores en los datos de salida, esto a su vez que existe una constante c > 0
tal que Ah 1 c 8h > 0: Note que l m Ah 1 c:
h!0
2
bii (h) = i = 1; :::; n 1;
h2
1
bii 1 (h) = = bi 1i (h) i = 2; :::; n 1:
h2
Procediendo de manera similar al teorema precedente, tenemos
n 1
1X
h!
u T Bh ! ui+1 ) = k!
2
u = ui ( ui 1 + 2ui u k1;2 :
h
i=1
Sea !
v = Ah 1 ! u entonces ! u = Ah !
v : Ponemos Ah = Bh + Qh con Bh de…nida en i) precedente y
Qh = diag (q (x1 ) ; :::; q (xn 1 )) :
Multiplicando por !
v T , se tiene
!
v T!
u =!
v T Ah !
v =!
v T (Bh + Qh ) !
v =!
v T Bh !
v +!
v T Qh !
v:
Luego
n
X1
v T!
h! u = h!
v T Bh !
v + h!
v T + Qh !
v = k!
2
v k1;2 + hq (xi ) vi2 0
i=1
de donde
n
X1
k! hq (xi ) vi2 = h!
v T! k!
v k2 k!
2
0 v k1;2 + u u k2 :
i=1
Además,
n
X1
k! k! k!
v k2 k!
2 2
v k1;2 v k1;2 + hq (xi ) vi2 u k2 :
i=1
Puesto que k!
v k2 L k!
v k1;2 ; entonces
k! L k!
v k1;2 k!
2
v k1;2 u k2 ;
11.4. MÉTODO DE DIFERENCIAS FINITAS PARA PROBLEMAS DE VALORES EN LA FRONTERA 1D.551
de donde
k!
v k1;2 L k!
u k2 ;
o bien
Ah 1 !
u 1;2
L k!
u k2 :
Estabilidad + consistencia ) convergencia.
con lo cual
! !
Ah U h = !
rh+ b:
Además,
!
Ah !
uh = b :
!
Luego, el error !
eh = Uh !
u h satisface la ecuación
Ah !
eh=!
r h;
pues
! !
Ah U h uh =!
r h:
Se tiene !
e h 2 V0 y !
e h = Ah 1 !
r h:
Por el teorema precedente (estabilidad para las normas k k1;2 y k k2 ) y por el teorema relativo a la
consistencia, se tiene
k!e h k1;2 = Ah 1 !
r h 1;2 L k!
r h k2 :
Puesto que
k! k! L 2 k!
1 1
L 2 r h k2 r h k1 r h k1;2 ;
resulta que
1
L2 2
k! L k!
1
r h k2 2r h k1 h Max uiv (x)
12 x2(0;L)
y en consecuencia
3
L2 2
k!
e h k1;2 L k!
r h k2 h Max uiv (x) : (*)
12 x2[0;L]
Por lo tanto,
k!
e h k1;2 !h!0 0:
Por otro lado,
3
L2 2
k! k!
1
L 2 e h k1 e h k1;2 h Max uiv (x) ; (**)
12 x2[0;L]
L2 2
k!
e h k1 h Max uiv (x) !h!0 0: (11.1)
12 x2[0;L]
Finalmente,
3
L2 2
L 1
k!
e h k2 k!
e h k1;2 h Max uiv (x) ;
12 x2[0;L]
5
L2 2
k!
e h k2 h Max uiv (x) !h!0 0: (***)
12 x2[0;L]
552CAPÍTULO 11. MÉTODOS NUMÉRICOS DE RESOLUCIÓN DE ECUACIONES DIFERENCIALES ORDINAR
Observe que
k! k! k!
1 1
L 2 e h k2 e h k1 L 2 e h k1;2 ch2 ;
3 5
c0
con c = 12 Max uiv (x) y c0 = L 2 ; L2 ; L 2 de acuerdo a (*), (**) y (***) respectivamente.
x2[0;L]
Adicionalmente, el teorema muestra que el esquema numérico (2) tiene un orden de convergencia 2 para
las normas k k1 ; k k2 y k k1;2 :
e=u
Entonces w (0) = a; w (L) = b: Se de…ne u w. Se tiene
de donde
e00 + qe
u u=f qw:
En consecuencia
e00 + qe
u u = g sobre ]0; L[ ; e
(P:)
e (0) = u
u e (L) = 0
con g = f qw:
xj xj
Note que g (xj ) = f (xj ) (qw) (xj ) = f (xj ) q (xj ) Lb + 1 L a :
Desde el punto de vista informático, si se utiliza P e , el esquema numérico es idéntico al establecido
!
en la sección 3, el sistema de ecuaciones Ah ! u h = b es similar al establecido en esa sección a
! !
condición de remplazar b = (f (x1 ) ; :::; f (xn ))T por el vector b = (g (x1 ) ; :::; g (xn ))T :
Si se utiliza el esquema numérico (P2 ), la matriz Ah es la misma que la de la sección 3, el vector
!
b se remplaza por el vector f (x1 ) + ha2 ; f (x2 ) ; :::; f (xn 2 ) ; f (x1 ) + hb2 :
x2 (L x)2
w (x) = b a; x 2 [0; L] :
2L 2L
Entonces
x x
w0 (x) = b+ 1 a;
L L
b a b a
w00 (x) = = ;
L L L
w0 (0) = a; w0 (L) = b:
e=u
Se de…ne u w. Entonces
e0 (x) = u0 (x)
u w0 (x) x 2 [0; L] ;
0 0
e (0) = 0; u
u e (L) = 0;
b a
e00 (x) = u00 (x)
u w00 (x) = u00 (x) :
L
b a
e00 (x) +
u + q (x) (e
u (x) + w (x) = f (x)) x 2 ]0; L[ ;
L
con lo cual
u u = f b La qw sobre ]0; L[ ;
e00 + qe e n)
(P
e0 (0) = u
u e0 (L) = 0:
El resultado precedente muestra que debemos estudiar la ecuación diferencial con las condiciones
de Neumann homogéneas; eso es, consideramos el problema (P0 ) siguiente:
Para construir un esquema numérico que aproxime la solución de (P0 ), comenzamos con la
aproximación de u0 (0) y u0 (L) :
Aproximación de u0 (0) y u00 (0)
L
Sea n 2 Z+ , h = h y (n) = fxj = jh j j = 0; 1; :::; ng : Entonces
u0 (e
x1 ) u0 (0) 2 0
u00 (0) ' h
= u (e
x1 ) a ;
2
h
h2 00 h3
u (x1 ) = u (0) + hu0 (0) + u (0) + u000 ( ) con 2 [0; x1 ] ;
2! 3!
con lo cual
2 h 000
[u (x1 ) u (0) ah] = u00 (0) + u ( ):
h2 3
Aproximación de u0 (L) y u00 (L) :
en el punto medio del intervalo [xn
Sea x 1 ; L]. Procediendo de modo similar al caso u0 (L), se deduce
que
u0 (L) u0 (e
xn 1) 2
u00 (L) ' h
= b u0 (e
xn 1)
2
h
2 u (L) u (xn 1) 2
' b = ( u (L) + u (xn 1) + bh) :
h h h2
h2 00 h3 000
u (xn 1) = u (L) hu0 (L) + u (L) u ( n) con n 2 [xn 1 ; L] ;
2! 3!
entonces
2 h 000
( u (L) + u (xn 1) + bh) = u00 (L) u ( n) :
h2 3
De…nimos Lu = u00 + qu y suponemos u 2 C 4 ([0; L]) : Entonces
Se tiene
2
jLu (0) L (0)j = u00 (0) + q (0) u (0) + (u (x1 ) u (0) ah) q (0) u (0)
h2
h 000
= u ( 1 ) con 1 2 [0; x1 ] ;
3
h 000 h 000
jLu (L) L u (L)j = u ( n) = u ( n ) con n 2 [xn 1 ; L] :
3 3
11.4. MÉTODO DE DIFERENCIAS FINITAS PARA PROBLEMAS DE VALORES EN LA FRONTERA 1D.555
Luego 8 2
< h2
+ q (0) u (0) h22 u1 = f (0) 2a
h;
1 2 1
u
h2 j 1
+ h2
+ q (xj ) u j u
h j+1 = f (xj ) ; (P1 )
: 2 2 2b
u
h2 n 1
+ h2 + q (L) un = f (L) + h :
Como
h
jLu (0) L u (0)j Max u000 (x) ;
3 x2[0;L]
h
jLu (L) L u (L)j Max u000 (x) ;
3 x[0;L]
se sigue
h
k!
r hk Max u000 L1 (o;L)
u(iv) ;
3 L1 (0;L)
2
aii (h) = + q (xi ) ; i = 0; 1; :::; n;
h2
2 2
a12 (h) = 2
; ann 1 (h) = ;
h h2
1
ai 1i (h) = aii 1 (h) = i = 2; :::; n 1:
h2
El término k du
dx se interpreta como el ‡ujo.
Sean n 2 Z+ y (n) = fx0 = 0 < x1 < ::: < xn 1 < xn = Lg la malla de [0; L] no necesariamente
uniforme. Ponemos hj = xj xj 1 j = 1; :::; n; y h = Max hj :
j=1;:::;n
Discretizando de (P)
Sean a; b 2 [0; L] tales que a < b. Entonces
Z b Z b Z b
d du
k (x) dx + q (x) u (x) dx = f (x) dx
a dx dx a a
Z b Z b
du b
k (x) + q (x) u (x) dx = f (x) dx:
dx a a a
hi hi+1
Para a = xi ; b = xi + (a y b son los puntos medios de los intervalos [xi 1 ; xi ] y [xi ; xi+1 ]
2 2
respectivamente) se tiene
Z xi +
hi+1
hi+1 du hi+1 hi du hi 2
k xi + xi + k xi xi + q (x) u (x) dx
2 dx 2 2 dx 2 xi
hi
2
Z xi +
hi+1
2
= f (x) dx
hi
xi 2
du hi+1 du hi
Las derivadas dx xi + 2 y dx xi 2 se aproximan mediante diferencias …nitas centrales
Z xi +
hi+1
2 hi + hi+1
f (x) dx ' f (xi ) i = 1; :::; n 1: (2)
xi
hi 2
2
Las fórmulas (1) y (2) son una variante de la fórmula del punto medio siguiente: si g 2 C 0 ([ ; ]) ;
Z
+
g (x) dx ' ( )g :
2
de donde
2 hi+1
3 hi+1
hi hi
k xi 2 k xi 2 k xi + 2 hi + hi+1 k xi + 2
ui 1 +4 + + q (xi )5 ui ui+1
hi hi hi+1 2 hi+1
hi + hi+1
= f (xi ) i = 1; :::; n 1:
2
Ponemos
hi
k xi 2
ai = i = 2; :::; n 1; a1 = 0;
hi
hi hi+1
k xi 2 k xi + 2 1
bi = + (hi + hi+1 ) q (xi ) i = 1; :::; n 1;
hi hi+1 2
hi+1
k xi + 2
ci = ; i = 1; :::; n 2; cn 1 = 0;
hi+1
1
fi = (hi + hi+1 ) f (xi ) i = 1; :::; n 1
2
hi
k xi 2 k (xi + hi+1 ) hi + hi+1
aii (h) = + + q (xi ) i = 1; :::; n 1
hi hi+1 2
hi
k xi 2
ai i i (h) = aii 1 (h) = i = 2; :::; n 1;
hi
! T hi + hi+1
v = (b1 ; :::; bn 1) con bi = f (xi ) :
2
bi > ai ci i = 2; :::; n 2
iv.
b1 > c1 ; bn 1 > ann 1:
Observación
b a
w (0) = a; w (L) = b; w0 (x) = 8x 2 [0; L] :
L
e=u
Se de…ne u w. Entonces
(
d
dx k de
u
dx + qe
u=f qw + b a dk
L dx : e
(P)
e (0) = 0; u
u e (L) = 0
Consideramos ahora el caso en el que las condiciones de frontera son las siguientes:
0
1 u (0) + 2 u (0)
= g1
0
1 u (L) + 2 u (L) = g2
con 1; 2; 1; 2; g1 ; g2 2 R.
Condiciones de frontera en x = 0:
h1
Tomando a = 0; b = 2 se tiene
Z h1 Z h1 Z h1
2 d du 2 2
k (x) dx + q (x) u (x) dx = f (x) dx
0 dx dx 0 0
h1 Z h1 Z h1
du 2 2 2
k (x) + q (x) u (x) dx = f (x) dx:
dx 0 0 0
h1
du 2
Consideramos el término k (x) dx 0 . Tenemos
h1
du 2 h1 du h1 du
k (x) = k + k (0) (0) :
dx 0 2 dx 2 dx
0 (0) 1
Puesto que 1u + 2 u (0) = g1 , suponemos que 1 6= 0, con lo cual u0 (0) = 1
(g1 2 u (0)) :
du h1
Por otro lado, la derivada dx 2 se aproxima mediante diferencias …nitas centrales. Se tiene
du h1 u (x1 ) u (0)
' ;
dx 2 h1
11.4. MÉTODO DE DIFERENCIAS FINITAS PARA PROBLEMAS DE VALORES EN LA FRONTERA 1D.559
h1
du 2
en consecuencia k (x) dx 0 se aproxima como
h1
du 2 h1 u (x1 ) u (0) 1
k (x) ' k + k (0) (g1 2 u (0)) :
dx 0 2 h1 1
Además,
Z h1
2 h1
q (x) u (x) dx ' q (0) u (0) ;
0 2
Z h1
2 h1
f (x) dx ' f (0) :
0 2
Resulta
h1 u1 u0 1 h1 h1
k + k (0) (g1 2 u0 ) + q (0) u0 = f (0) ;
2 h1 1 2 2
o bien 2 3
h1 h1
k 2 h1 k 2 h1
4 2
k (0) + q (0)5 u0 u1 = f (0) :
h1 1 2 h1 2
Condición de frontera en x = L:
hn
Tomamos a = L 2 ; b = L. Entonces
L Z L Z L
du
k (x) + q (x) u (x) dx = f (x) dx;
dx L hn L hn
L hn
2 2 2
con lo cual
L
du du hn du hn
k (x) = k (L) (L) + k L L :
dx L hn dx 2 dx 2
2
du hn
La derivada dx L 2 se aproxima mediante diferencias …nitas centrales, esto es,
du hn u (L) u (xn 1)
L ' :
dx 2 hn
0 (L) 1
Por otro lado, 1u + 2 u (L) = g2 ) u0 (L) = (g2 2 u (L)) con 1 6= 0. Luego,
1
L
du k (L) hn u (L) u (xn 1)
k (x) = (g2 2 u (L)) +k L :
dx L hn 1 2 hn
2
Entonces
k (L) hn u (L) u (xn 1) hn hn
(g2 2 u (L)) +k L + q (L) u (L) ' f (L) :
1 2 hn 2 2
560CAPÍTULO 11. MÉTODOS NUMÉRICOS DE RESOLUCIÓN DE ECUACIONES DIFERENCIALES ORDINAR
de dond
" #
hn hn
k L 2 k L 2 k (L) 2 hn hn k (L) g2
un 1+ + + q (L) un = f (L) + :
hn hn 1 2 2 1
En la práctica 1 = 1. Así
" #
hn hn
k L 2 k L 2 hn hn
un 1+ + k (L) 2 + q (L) un = f (L) + k (L) g2 :
hn hn 2 2
La matriz Ah = (aij (h)) 2 M(n+1) (n+1) [R] satisface las siguientes propiedades:
i. Ah = ATh :
ii. aii (h) > 0 i = 0; 1; :::; n;
iii. ai 1i (h) = aii 1 (h) < 0 i = 2; :::; n;
aii (h) ai 1i (h) aii 1 (h) i = 2; :::; n 1;
iv.
a11 (h) > a21 (h) ; ann (h) > ann 1 (h) :
La matriz Ah es positiva.
!
Ponemos !u = (u1 ; u2 ; u3 ; u4 )T : Para resolver el sistema de ecuaciones A!
u = b aplicamos el
método de factorización LU:
2 3 2 3
L11 0 0 0 1 u12 0 0
6 L21 L22 0 0 7 6 0 1 u23 0 7
Sean L = 6
4 0 L32 L33 0
7;
5 U =6
4 0 0
7 : Entonces
1 u34 5
0 0 L43 L44 0 0 0 1
2 3
L11 L22 u12 0 0
6 L21 L21 u12 + L22 L22 u23 0 7
A = LU = 6
4 0
7
5
L32 L32 u23 + L33 L33 u34
0 0 L43 L43 u34 + L44
25
L11 = 50;04; u12 = = 0;4996003197
50;04
25
L21 = 25; L22 = 50;16 ( 25) = 37;66999201;
50;04
25
u23 = = 0;663658224
37;66999201
L32 = 25; L33 = 50;36 ( 25) ( 0;663658224) = 33;7685444;
25
u34 = = 0;740333954
33;7685444
L43 = 25; L44 = 50;64 ( 25) ( 0;740333954) = 32;13165115
2 3
50;04 0 0 0
6 25 37;66999201 0 0 7
L = 6
4 0
7
5
25 33;7685444 0
0 0 25 32;13165115
2 3
1 0;4996003197 0 0
6 0 1 0;663658224 0 7
U = 6
4 0
7:
5
0 1 0;740333954
0 0 0 1
( !
! ! L!
y = b
El sistema de ecuaciones A!
x = b se transforma en los siguientes: LU !
u = b , :
U!
u =!y
562CAPÍTULO 11. MÉTODOS NUMÉRICOS DE RESOLUCIÓN DE ECUACIONES DIFERENCIALES ORDINAR
!
Solución del sistema lineal de ecuaciones L! y = b : En forma explícita, este sistema de ecuaciones
lineales se expresa como sigue:
2 32 3 2 3
50;04 0 0 0 y1 1;2
6 25 37;66999201 0 0 7 6 y2 7 6 1;4 7
6 76 7 6 7
4 0 25 33;7685444 0 5 4 y3 5 = 4 1;6 5 ;
0 0 25 32;13165115 y4 26;8
luego
1;2
y1 = = 0;023980815;
50;04
1;4 + 25 0;023980815
y2 = = 0;05307992589;
37;66999201
1;6 + 25 0;05307992589
y3 = = 0;0866782444;
33;7685444
26;8 + 25 0;0866782444
y4 = = 0;9015084838;
32;13165115
Solución del sistema lineal de ecuaciones U !
u =!y : Este sistema en forma explícita se escribe como
sigue:
2 32 3 2 3
1 0;4996003197 0 0 u1 0;023980815
6 0 1 0;663658224 0 7 6 u2 7 6 0;05307992589 7
6 76 7=6 7;
4 0 0 1 0;740333954 5 4 u3 5 4 0;0866782444 5
0 0 0 1 u4 0;9015084838
u4 = 0;9015084838;
u3 = 0;0866782444 + 0;740333954 0;9015084838 = 0;750955848;
u2 = 0;05307992589 + 0;663658224 0;750955848 = 0;5535416624;
u1 = 0;023980815 + 0;4996003197 0;5535416624 = 0;3005304065;
con 3 cifras !
u T = (0;3; 0;554; 0;751; 0;902) ; u0 = 0 y u5 = 1:
Aplicar el método de diferencias …nitas para aproximar la solución con n = 5: La matriz debe
factorarse con el método LU:
Solución
1
Sean n = 5; hx = = 0;2; xj = 0;2j j = 0; 1; : : : ; 5: Utilizando diferencias …nitas centrales, se
5
tiene
u (xj+1 ) 2u (xj ) + u (xj 1)
u00 (xj ) ' :
h2x
Para hallar la solución de este sistema de ecuaciones lineales, apliquemos el método de factorización
LU: Para el efecto, factoramos A = LU; donde
2 3 2 3
L11 0 0 0 1 u12 0 0
6 L21 L22 0 0 7 6 7
L=6 7 ; U = 6 0 1 u23 0 7 :
4 0 L32 L33 0 5 4 0 0 1 u34 5
0 0 L43 L44 0 0 0 1
Puesto que 2 3
L11 L22 u12 0 0
6 L21 L21 u12 + L22 L22 u23 0 7
LU = 6
4 0
7
5
L32 L32 u23 + L33 L33 u34
0 0 L43 L43 u34 + L44
y de la igualdad A = LU se obtienen las matrices LU como siguen:
a12 25
L11 = 51;20; u12 = = = 0;48828125;
L11 51;20
L21 = 25; L22 = a22 L21 u12 = 51;4 ( 25) ( 0;48828125) = 39;19296875;
a23 25
u23 = = 0;6378695158;
L22 39;19296875
L32 = 25; L33 = a33 L32 u23 = 51;66 ( 25) ( 0;6378695158) = 35;65326211;
a34 25
u34 = = = 0;7011981098;
L33 35;65326211
L43 = 25; L44 = a44 L43 u34 = 51;8 ( 25) ( 0;7011981098) = 34;27004726;
!
Ponemos !
u T = (u1 ; u2 ; u3 ; u4 ) : El sistema de ecuaciones A!
u = b es equivalente al siguiente:
( !
! ! L!y = b;
LU u = b ,
U!u =!y:
564CAPÍTULO 11. MÉTODOS NUMÉRICOS DE RESOLUCIÓN DE ECUACIONES DIFERENCIALES ORDINAR
!
Hallemos la solución del sistema de ecuaciones L!
y = b : Tenemos
2 32 3 2 3
51;20 0 0 0 y1 25;04
6 25 39;19296875 0 0 76 y2 7 6 0;16 7
6 76 7=6 7;
4 0 25 35;65326211 0 54 y3 5 4 0;36 5
0 0 25 34;27004726 y4 0;64
luego
25;04
y1 = = 0;4890625;
51;20
0;16 + 25 0;4890625
y2 = = 0;316040425;
39;19296875
1;6 + 25 0;316040425
y3 = = 0;2317042008;
35;65326211
26;8 + 25 0;2317042008
y4 = = 0;1877034184;
34;27004726
de donde
u4 = 0;1877034184;
u3 = 0;2317042008 + 0;7011981098 0;1877034184 = 0;363321483;
u2 = 0;316040425 + 0;6378695158 0;363321483 = 0;5477921234;
u1 = 0;4890625 + 0;48828125 0;5477921234 = 0;7565391228;
La aproximación de la ecuación diferencial en cuatro nodos internos con una precisión de 3 cifras
es
!
u T = (0;757; 0;548; 0;363; 0;188) :
0; si x 2 [0; 5] ;
donde f (x) = y el esquema numérico siguiente:
1; si x 2 ]5; 12[ ;
( uj+1 2uj + uj 1
+ u3j = f (xj ) ; j = 1; : : : ; n 1
h2
u0 = 0; un = 0;
12
con h = ; n 2 Z+ ; xj = jh; j = 0; 1; : : : ; n y uj una aproximación de u (xj ) :
n
i) Para n = 6; construir el sistema no lineal correspondiente al esquema numérico propuesto.
ii) Considere una aproximación inicial ! u (0) = (0; 1; 1; 1; 1; 1; 0) : Aplique el método de Newton y
dos iteraciones.
Solución
Puesto que se requiere generar un algoritmo general para aproximar la solución del problema de
valores de frontera, hemos de proceder en ese sentido para luego particularizar al caso n = 6:
11.5. EJERCICIOS RESUELTOS 565
L
Sean L > 0. Suponemos que f es una función de…nida en [0; L] : Sea n 2 Z+ : Ponemos h = ;
n
xj = jh; j = 0; 1; : : : ; n; fj = f (xj ) ; j = 0; 1; : : : ; n: Del esquema numérico
( u 2uj + uj 1
j+1
+ u3j = f (xj ) ; j = 1; : : : ; n 1;
h2
u0 = 0; un = 0;
se obtiene las siguientes ecuaciones.
Para j = 1;
u2 2u1 + u0
+ u31 = f1 ;
h2
o bien
2 1
u1 u2 + u31 = f1 :
h2 h2
Para 1 < j < n 1;
1 2 1
uj 1 + uj uj+1 + u3j = fj :
h2 h2 h2
Para j = n 1
un 2un 1 + un 2
+ u3n 1 = fn 1;
h2
de donde
1 2
un 2 + 2 un 1 + u3n 1 = fn 1 :
h2 h
Ponemos ! u T = (u1 ; : : : ; un 1 ) ; u0 = 0; un = 0: De…nimos la matriz A = (aij (h)) y el vector
!
B ( u ) 2 Rn 1 como sigue
8
> 0; si ji jj > 1;
>
< 2
aij (h) = h2
; si i = j; i; j = 1; : : : ; n 1; bj (!
u ) = u3j ; j = 1; : : : ; n 1:
>
> 1
: ; si ji jj = 1
h2
!
Se de…ne f T = (f (x1 ) ; : : : ; f (xn 1 )) = (f1 ; : : : ; fn 1 ) :
Entonces, el esquema numérico propuesto, discretización del problema de valores de frontera
u00 + u3 = f sobre ]0; L[
u (0) = 0 = u (L) ;
se transforma en el siguiente sistema de ecuaciones no lineales:
!
A!u + B (!u)= f :
!
Se de…ne F : Rn 1 ! Rn 1 como F (! u ) = A!u + B (! u) f ! u 2 R4 : Para aplicar el método de
Newton, requerimos de la matriz jacobiana DF (! u ) : Para el efecto, hallemos la derivada de Gâteau
(derivada direccional de F) D!
y F (!u ) según la dirección !y 2 Rn 1 en ! u 2 Rn 1 : Por de…nición
F (!
u + t!
y) F (!
u)
D!
y F (!
u)= lm ;
t!0 t
El j-ésimo componente de B (!
u + t!
y) B (!
u ) es
de donde
(uj + tyj )3 u3j
lm = 3yj u2j ; j = 1; : : : ; n 1;
t!0 t
luego,
F (!
u + t!y ) F (!
u) B (!
u + t!
y) B (!
u)
D!
y F (!
u) = lm = l m A!
y +
t!0 t t!0 t
= A!y + D! y B (!u);
donde 2 32 3
u21 0 ::: 0 y1
6 0 u22 ::: 0 76 y2 7
6 76 7
D!
y B (!
u) = 36 .. .. .. 76 .. 7 = 3c (!
u)!
y;
4 . . . 54 . 5
0 : : : : : : u2n 1 yn 1
con c (!
u ) = (cij (!
u )) la matriz de…nida como
u3i ; si i = j
cij (!
u)= ; i; j = 1; : : : ; n 1:
0; si i 6= j
Así,
D!
y F (!
u ) = [A + 3c (!
u )] !
y 8!
y 2 Rn 1
;
DF (!
u ) = A + 3c (!
u); 8!
u 2 Rn 1
:
L 12
i) Para n = 6 se tiene h = = = 2; xj = jh; j = 0; 1; : : : ; n; la partición del intervalo [0,12]
n 6
está constituida por los siguientes nodos: x0 = 0; x1 = 2; x2 = 4; x3 = 6; x4 = 8; x5 = 10; x6 = 12;
y la función f en dichos nodos tiene los valores siguientes: f (0) = 0; f (2) = 0; f (4) = 0; f (6) = 1;
f (8) = 1; f (10) = 1; f (12) = 1:
Luego, fe = (0; 0; 1; 1; 1) ;
2 2 1 32 1 1 3
0 0 0 0 0 0
6 h2 h2 7 6 2 4 7
6 1 2 1 7 6 1 1 1 7
6 0 0 7 6 0 0 7
6 7 6 7
6 h2 h2 h2 7 6 4 2 4 7
6 1 2 1 7 6 1 1 1 7
A=6
6 0 0 7 6
7=6 0 0 7;
7
6 h2 h2 h2 7 6 4 2 4 7
6 1 2 1 7 6 1 1 1 7
6 0 0 7 6 0 0 7
6 h2 h2 h2 7 6 4 2 4 7
4 5 4 5
1 2 1 1
0 0 0 0 0 0
h2 h2 4 2
2 3 2 3
u31 u21 0 0 0 0
6 u32 7 6 0 u22 0 0 0 7
! 6 7 ! 6 7
B(u) =6
6 u33 7;
7 c(u) = 6
6 0 0 u23 0 0 7:
7
4 u34 5 4 0 0 0 u24 0 5
u35 0 0 0 0 u25
11.5. EJERCICIOS RESUELTOS 567
2 1 1 3
0 0 0
6 2 4 7
6 1 1 1 72 3 2 3 2 3 2 3
6 0 0 7 u1 u31 f1 0
6 7
6 4 2 4 76 u2 7 6 u32 7 6 f2 7 6 0 7
6 1 1 1 76 7 6 7 6 7 6 7
6 0 0 76 u3 7+6 u33 7=6 f3 7=6 1 7;
6 4 2 4 76 7 6 7 6 7 6 7
6 74 u4 5 4 u34 5 4 f4 5 4 1 5
6 1 1 1 7
6 0 0 7 u5 u35 f5 1
6 4 2 4 7
4 5
1 1
0 0 0
4 2
por lo tanto
2 1 1 3
0 0 0
6 2 4 7
6 1 1 1 72 3 2 3 2 3
6 0 0 7 u1 u31 0
6 7
6 4 2 4 76 u2 7 6 u32 7 6 0 7
! 6 1 1 1 76 7 6 7 6 7
F (!
u ) = A!
u + B (!
u) f =6
6 0 0 76
76 u3 7+6
7 6 u33 7
7
6
6 1 7:
7
6 4 2 4 74 u4 5 4 u34 5 4 1 5
6 1 1 1 7
6 0 0 7 u5 u35 1
6 4 2 4 7
4 5
1 1
0 0 0
4 2
ii) Sea !
T
= (0; 1; 1; 1; 1; 1; 0) una aproximación inicial. Ponemos !
T
u (0) u (0) = (1; 1; 1; 1; 1) :
Entonces
2 1 1 3
0 0 0 2 3
6 2 4 7 1
2 3 2 3 6 1 1 1 72 3
13 1 6 0 0 7 1 6 4 7
6 7 6 7
6 13 7 6 1 7 6 4 2 4 76 1 7 6 0 7
6 7 6 7 6 1 1 1 76 7 6 7
e(0)
B u =6
6 13 7=6
7 6 1 7;
7 u(0)
Ae =6
6 0 0 76
76 1 7=6
7 6 0 7;
7
4 13 5 4 1 5 6 4 2 4 74 1 5 6 0 7
6 1 1 1 7 6 7
13 1 6 0 0 7 1 4 1 5
6 4 2 4 7
4 5
1 1 4
0 0 0
4 2
2 3 2 3
1 5
2 3 2 3
6 4 7 1 0 6 4 7
6 7 6 7
6 0 7 6 1 7 6 0 7 6 1 7
! 6 7 6 7 6 7 6 7
e(0) = Ae
F u u(0) + B u
e(0) f =6
6 0 7+6
7 6 1 7
7
6 1 7=6
6 7 6 0 7;
7
6 0 7 4 1 5 4 1 5 6 0 7
6 7 6 7
4 1 5 1 1 4 1 5
4 4
568CAPÍTULO 11. MÉTODOS NUMÉRICOS DE RESOLUCIÓN DE ECUACIONES DIFERENCIALES ORDINAR
2 1 1 3
0 0 0
6 2 4 7
6 1 1 1 7 2 3
6 0 0 7 1 0 0 0 0
6 7
6 4 2 4 7 6 0 1 0 0 0 7
6 1 1 1 7 6 7
e
DF u (0)
e
= A + 3c u (0)
=6
6 0 0 7 + 36
7 6 0 0 1 0 0 7
7
6 4 2 4 7 4 0 0 0 1 0 5
6 1 1 1 7
6 0 0 7 0 0 0 0 1
6 4 2 4 7
4 5
1 1
0 0 0
4 2
2 7 1 3
0 0 0
6 2 4 7
6 1 7 1 7
6 0 0 7
6 7
6 4 2 4 7
6 1 7 1 7
= 6
6 0 0 7
7
6 4 2 4 7
6 1 7 1 7
6 0 0 7
6 4 2 4 7
4 5
1 7
0 0 0
4 2
2 7 1 3
0 0 0 2 3
6 2 4 7 5
6 1 7 1 72 3
6 0 0 7 w1 6 4 7
6 7 6 7
6 4 2 4 76 w2 7 6 1 7
6 1 7 1 76 7 6 7
6 0 0 76 w3 7= 6 0 7:
6 4 2 4 76 7 6 7
6 74 w4 5 6 0 7
6 1 7 1 7 6 7
6 0 0 7 w5 4 1 5
6 4 2 4 7
4 5
1 7 4
0 0 0
4 2
2 32 3
L11 0 0 0 0 1 u12 0 0 0
6 L21 L22 0 0 0 76 0 1 u23 0 0 7
6 76 7
D = LU = 6
6 0 L32 L33 0 0 76
76 0 0 1 u34 0 7
7
4 0 0 L43 L44 0 54 0 0 0 1 u45 5
0 0 0 L54 L55 0 0 0 0 1
2 3
L11 L11 u12 0 0 0
6 L21 L21 u12 + L22 L22 u23 0 0 7
6 7
= 6
6 0 L32 L32 u23 + L33 L33 u34 0 7
7
4 0 0 L43 L43 u34 + L44 L44 u45 5
0 0 0 L54 L44 u45 + L55
11.5. EJERCICIOS RESUELTOS 569
Obtenemos
7
L11 = ;
2
1
a12 1
u12 = = 4 = ;
L11 7 14
2
1
L21 = ;
4
7 1 1 195
L22 = a22 L21 u12 = = ;
2 4 14 56
1
a23 14
u23 = = 4 = ;
L22 195 195
56
1
L32 = ;
4
7 1 14 1358 679
L33 = a33 L32 u23 = = = ;
2 4 195 390 195
1
a34 4 195
u34 = = = ;
L33 1358 2716
390
1
L43 = ;
4
7 1 195 37829
L44 = a44 L43 u34 = = ;
2 4 2716 10864
1
a45 4 = 2716 ;
u45 = =
L44 37829 37829
10864
1
L54 = ;
4
7 1 2716 263445
L55 = a55 L54 u45 = = :
2 4 37829 75658
!
Resolución del sistema triangular inferior L!
y = b ; esto es,
2 7 3
0 0 0 0 2 3
6 2 7 5
6 1 195 72 3
6 0 0 0 7 y1 6 4 7
6 7 6 7
6 4 56 76 y2 7 6 1 7
6 1 679 76 7 6 7
6 0 0 0 76 y3 7=6 0 7:
6 4 195 76 7 6 7
6 74 y4 5 6 0 7
6 1 37829 7 6 7
6 0 0 0 7 y5 4 1 5
6 4 10864 7
4 5
1 263445 4
0 0 0
4 75658
570CAPÍTULO 11. MÉTODOS NUMÉRICOS DE RESOLUCIÓN DE ECUACIONES DIFERENCIALES ORDINAR
Se tiene
5
4 = 5
y1 = = 0;3571428571;
7 14
2
1 195 56 1
y1 + y2 = 1 ) y2 = 1 + y1 = 0;3128205128;
4 56 195 4
1 679 195 1
y2 + y3 = 0 ) y3 = y2 = 0;02245941926;
4 195 679 4
1 37829 10864 1
y3 + y4 = 0 ) y4 = y3 = 0;0004031298739;
4 10864 37829 4
1 263445 1 75658 1 1
y4 + y5 = ) y5 = + y4 = 0;07182571318;
4 75658 4 263445 4 4
Obtenemos
w5 = 0;07182571318;
2716
w4 w5 = 0;0004031298739;
37829
2716
w4 = w5 0;0004031298739 = 0;00555998406;
37829
195
w3 w4 = 0;02245949926;
2716
195
w3 = w4 0;02245949926 = 0;228586881;
2716
14
w2 w3 = 0;3128205128;
195
14
w2 = w3 0;3128205128 = 0;3144616494;
195
1
w1 w2 = 0;3571428571;
14
1
w1 = w2 0;3571428571 = 0;3796044035;
14
Luego
2 3 2 3 2 3
1 0;3796044035 0;6203955965
6 1 7 6 0;3144616494 7 6 0;6855383506 7
6 7 6 7 6 7
(1)
e
u e
=u (0)
e=6
+w 6 1 7+6
7 6 0;228586881 7=6
7 6 0;9771413119 7:
7
4 1 5 4 0;00555998406 5 4 0;9944400159 5
1 0;07182571318 0;9281742868
Segunda iteración
11.5. EJERCICIOS RESUELTOS 571
Resolvemos este sistema utilizando el método de Crout. Para ello la matriz del sistema lo factoramos
en la forma LU como se procedió en la primera iteración. Note que la matriz del sistema es simétrica,
estrictamente diagonalmente dominante. Se obtienen los siguientes resultados:
L11 = 1;654672089;
0;25
u12 = = 0;1510873373;
1;654672089
L21 = 0;25;
L22 = a22 L21 u12 = 1;872116656;
a23 0;25
u23 = = = 0;1335386869;
L22 0;872116656
L32 = 0;25;
L33 = a33 L32 u23 = 3;33337162;
a34
u34 = = 0;07499913855;
L33
L43 = 0;25;
L44 = a44 L43 u34 = 3;478831923;
a45
u45 = = 0;7186320165;
L44
L54 = 0;25;
L55 = a55 L54 u45 = 3;06655672:
2 32 3
1;654672089 0 0 0 0 y1
6 0;25 1;872116656 0 0 0 76 y2 7
6 76 7
6 0 0;25 3;33337162 0 0 76 y3 7
6 76 7
4 0 0 0;25 3;478831923 0 54 y4 5
0 0 0 0;25 3;06655682 y5
2 3
0;3775977034
6 0;2654626945 7
6 7
=6 6 0;00160990548 7
7
4 0;02217505055 5
0;0138170415
cuya solución es
0;3775977034
y1 = = 0;2282009263;
1;654672089
0;25y1 0;2654626945
y2 = = 0;1722718107;
1;872116656
0;25y2 0;00160990548
y3 = = 0;0134032035;
3;33337162
0;25y3 0;02217505055
y4 = = 0;007337477635;
3;478831923
0;25y4 0;0138170415
y5 = = 0;005103903935:
3;06655682
11.6. LECTURAS COMPLEMENTARIAS Y BIBLIOGRAFÍA 573
e=!
Resolución del sistema triangular superior U w y :
2 32 3
1 0;1510873383 0 0 0 w1
6 0 1 0;1335386869 0 0 76 w2 7
6 76 7
6 0 0 1 0;07499913855 0 76 w3 7
6 76 7
4 0 0 0 1 0;7186320165 54 w4 5
0 0 0 0 1 w5
2 3
0;2282009263
6 0;1722718107 7
6 7
=6 6 0;0134032035 7 7
4 0;007337477635 5
0;005103903935
Obtenemos
w5 = 0;005103903935;
w4 = 0;01100530641;
w3 = 0;014228592;
w2 = 0;1741718782;
w1 = 0;2545160916;
En consecuencia:
2 3 2 3 2 3
0;6203955965 0;2545160916 0;3658795049
6 0;6855383506 7 6 0;1741718782 7 6 0;5113664724 7
! 6 7 6 7 6 7
e
u(2) (1)
e
=u +w =6
6 0;9775405007 7+6
7 6 0;014228592 7=6
7 6 0;9633119087 7;
7
4 0;9995968701 5 4 0;01100530641 5 4 0;9885915637 5
0;9281742868 0;005103903935 0;9230703829
y con u0 = 0; u6 = 0 se obtiene !
(2) (2)
u (2) :
4. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
5. Richard L. Burden, J. Douglas Faires, Análisis Numérico, Séptima Edición, International Thomson
Editores, S. A., México,2002.
6. Steven C. Chapra, Raymond P. Canale, Numerical Methods for Engineers, Third Edition, Editorial
McGraw-Hill, Boston, 1998.
7. S. D. Conte, Carl de Boor, Análisis Numérico, Segunda Edición, Editorial Mc Graw-Hill, México,
1981.
10. Peter Deu‡hard, Folkmar Bornemann, Scienti…c Computing with Ordinary Di¤erential Equations,
Editorial Springer-Verlag, New York, 2002.
13. James W. Demmel, Applied Numerical Linear Algebra, Editorial Society for Industrial and Applied
Mathematics (SIAM), Philadelphia, 1997.
14. C. H. Edwards, Jr., David E. Penney, Ecuaciones Diferenciales Elementales y Problemas con
Condiciones en la Frontera, Tercera Edición, Editorial Prentice-Hall Hispanoamericana, S. A.,
México, 1993.
15. Ferruccio Fontanella, Aldo Pasquali, Calcolo Numerico. Metodi e Algoritmi, Volume II Pitagora
Editrice Bologna, 1983.
16. M. K. Gavurin, Conferencias sobre los Métodos de Cálculo, Editorial Mir, Moscú, 1973.
17. Curtis F. Gerald, Patrick O. Wheatley, Análisis Numérico con Aplicaciones, Sexta Edición, Editorial
Pearson Educación de México, México, 2000.
18. E. Hairer, S. P. Norsett, G. Wanner, Solving Ordinary Di¤erential Equations I, Second Revised
Edition, Editorial Springer-Verlag, Berlín, 2000.
19. R. Kent Nagle, Edward B. Sa¤, Arthur David Snider, Ecuaciones Diferenciales y Problemas con
Valores en la Frontera, Tercera Edición, editorial Pearson Educación, México, 2001.
20. David Kincaid, Ward Cheney, Análisis Numérico, Editorial Addison-Wesley Iberoamericana,
Wilmington, 1994.
21. Melvin J. Maron, Robert J. López, Análisis Numérico, Tercera Edición, Compañía Editorial
Continental, México, 1995.
22. R. M. M. Mattheij, J. Molenaar, Ordinary Di¤erential Equations in Theory and Practice, Editorial
John Wiley & Sons, New York, 1996.
23. Shoichiro Nakamura, Métodos Numérico Aplicados con Software, Editorial Prentice-Hall His-
panoamericana, S. A., México, 1992.
24. Antonio Nieves, Federico C. Dominguez, Métodos Numéricos Aplicados a la Ingeniería, Tercera
Reimpresión, Compañía Editorial Continental, S. A. De C. V., México, 1998.
27. Anthony Ralston, Introducción al Análisis Numérico, Editorial Limusa, México, 1978.
28. Werner C. Rheinboldt, Methods for Solving Systems of Nonlinear Equations, Second Edition,
Editorial Society for Industrial and Applied Mathematics (SIAM), Philadelphia, 1998.
29. A. A. Samarski, Introducción a los Métodos Numéricos, Editorial Mir, Moscú, 1986.
30. M. Sibony, J. Cl. Mardon, Analyse Numérique II, Approximations et Equations Di¤érentielles,
Editorial Hermann, París, 1988.
Apendice
Resumen
Este apéndice tiene como objetivo refrescar algunos resultados de los espacios vectoriales, los espacios
normados y los espacios con producto interior. Al …nal se provee de una amplia bibliografía sobre estos
tópicos.
Se denota con R al cuerpo de los números reales. Nos limitamos en de…nir los espacios vectoriales reales.
v. Para todo 2 R, x; y 2 R, (x + y) = x + y:
Los elementos de V se llaman vectores y los elementos de R se llaman escalares. El espacio vectorial
V sobre R se dirá simplemente espacio vectorial real. El conjunto V con la operación adición “+” que
satisface las propiedades i) a iv) se dice grupo conmutativo que se nota (V; +) :
575
576 CAPÍTULO 12. APENDICE
En todo espacio vectorial real se veri…can las propiedades siguientes cuyas demostraciones son inmediatas
y se dejan como ejercicio.
i. Para todo x 2 V; 0x = 0:
iv. x=0, = 0 o x = 0:
Ejemplos
Adición: !
x +!y = (x1 ; :::; xn ) + (y1 ; :::; yn ) = (x1 + y1 ; :::; xn + yn ) :
Producto por escalares: ! x = (x ; :::; x ) = ( x ; :::; x ) :
1 n 1 n
Los números naturales i = 1; :::; m; j = 1; :::; n se llaman índices. Cuando i es …jo, los elementos
ai1 ; ai2 ; :::; ain forman el i-ésimo renglón de la matriz y se puede considerar como un vector de Rn ,
esto es, (ai1 ; ai2 ; :::; ain ) 2 Rn : Para j …jo, los elementos forman la2j-ésima
3 columna de la matriz.
a1j
6 7
Esta puede considerarse como un vector columna de Rm , es decir 4 ... 5 2 Rm :
amj
A una matriz de m n la representaremos abreviadamente como (aij )m n . También escribiremos
A = (aij )m n y simplemente (aij ) si no hay peligro de confusión. Se nota con Mm n [R] al conjunto
de todas la matrices de m n con valores en R.
Cuando m = n, los elementos de Mn n [R] los denominamos matrices cuadradas. Si A = (aij )n n
es una matriz cuadrada, si no hay peligro de confusión, escribiremos simplemente A = (aij ) :
Sean A = (aij )m n , B = (bij )m n 2 Mm n [R] y 2 R. De…nimos la igualdad, adición de matrices
y producto de escalares por matrices, como sigue:
Igualdad: A = B , aij = bij ; i = 1; :::; m; j = 1; :::; n:
Adición: A + B = (aij )m n + (bij )m n = (aij + bij )m n:
Producto por escalares: A= (aij )m n = ( aij )m n:
Por la de…nición de adición en Mm n [R], tenemos A; B 2 Mm n [R]) A + B 2 Mm n [R] ; y
por la de…nición de producto de escalares por matrices tenemos 2 R; A 2 Mm n [R] ) A 2
Mm n [R] :
Se demuestra fácilmente que Mm n [R] es un espacio vectorial real.
El elemento neutro de Mm n [R] es la matriz nula o matriz cero y la representamos con 0 = (0)m n ,
es decir que la matriz nula 0 es aquella que sus elementos son 0 2 R. El opuesto aditivo de
A = (aij )m n es la matriz notada A = ( aij )m n :
Por otro lado, si n = 1 las matrices de Mm 1 [R] coinciden con los vectores columna de Rm y si
m = 1, las matrices de M1 n [R] coinciden con los vectores …la de Rn :
A ! R
Sea f una función real de…nida en A. Escribiremos f : que se lee f es la función
x ! f (x) ;
de A en R que a cada x 2 A le asocia un único elemento f (x) en R. Se dirá también f es la
función real de A en R que a cada x 2 A le asocia o le corresponde f (x) 2 R. El conjunto A se
llama dominio de f y se designa con Dom (f ) : El conjunto R se llama conjunto de llegada de f y el
conjunto Rec (f ) = ff (x) j x 2 Ag se llama recorrido de f . Claramente Rec (f ) R y Rec (f ) 6= ;:
Se designa con F (A) al conjunto de todas las funciones de…nidas en A.
La función nula 0 2 F (A) se de…ne como 0 (x) = 0 8x 2 A; y la función unidad 1 2F (A) está
de…nida como 1 (x) = 1 8x 2 A:
En F (A) se de…ne la igualdad, adición y producto por escalares o producto de números reales por
funciones como sigue:
Igualdad: Sean f; g 2 F (A) ; f = g si y solo si f (x) = g (x) 8x 2 A:
Adición: Sean f; g 2 F (A). Se de…ne f + g 2 F (A) como (f + g) (x) = f (x) + g (x) 8x 2 A:
Producto por escalares: Sean 2 R, f 2 F (A). Se de…ne f 2 F (A) como ( f ) (x) =
f (x) 8x 2 A:
578 CAPÍTULO 12. APENDICE
Se demuestra fácilmente que F (A) es un espacio vectorial real denominado espacio de funciones
de…nidas en A.
Funciones continuas
Sea A un intervalo de R, f 2 F (A), x0 2 A y L 2 R. Se dice que f (x) tiende a L cuando x tiende
a x0 que se escribe f (x) ! L, si y solo si se satisface la siguiente condición:
x!x0
8" > 0; 9 > 0 tal que 8x 2 A con 0 < jx x0 j < ) jf (x) Lj < ":
Escribiremos también l m f (x) = L que se lee límite de f (x) cuando x tiende a x0 es igual a L.
x!x0
Sea A R, A 6= ; y f 2 F (A). Se dice que f es continua en x0 2 A si y solo si se satisfacen las
dos condiciones siguientes:
Se dice que f es derivable en A si f 0 (x0 ) existe en todo punto x0 2 A y se de…ne una nueva función
f 0 llamada función derivada de f .
Se designa con C 1 (A) al conjunto de todas las funciones f tales que f 0 es continua en A, y diremos
que f es de clase C 1 en A. Particularmente si A = [a; b], escribiremos C 1 ([a; b]) y diremos espacio
de funciones de clase C 1 en [a; b] :
Funciones integrables
En esta parte proponemos algunos resultados importantes de la teoría de la integración de funciones
reales acotadas.
De…nición 2 Sean a; b 2 R con a < b; n 2 Z+ . Una subdivisión o partición del intervalo [a; b] se nota
con (n) y se de…ne como el conjunto fx0 ; x1 ; :::; xn g, donde x0 = a; xn = b; xi < xi+1 ; i = 0; :::; n 1:
Si (n) es una subdivisión de [a; b] ; [xi 1 ; xi ] ; i = 1; :::; n designa el i-ésimo subintervalo de [a; b]. Se
pone hi = xi xi 1 la longitud del intervalo [xi 1 ; xi ] ; i = 1; :::; n; y h = max hi :
i=0;1;:::;n 1
De…nición 3 Sean m; n 2 Z+ . Se dice que (m) es una subdivisión mas …na que (n) si se veri…ca
que (n) (m) :
12.1. ESPACIOS VECTORIALES REALES. 579
Particularmente, si (m) ; (n) son dos subdivisiones de [a; b] ; (m) [ (n) es una subdivisión mas
…na que (m) y (n) :
De…nición 4 Sea f una función real de…nida en [a; b]. Se dice que f es acotada en [a; b] si y solo si
f ([a; b]) = ff (x) j x 2 [a; b]g es acotado, es decir, existe > 0 tal que jf (x)j 8x 2 [a; b] :
Sean n 2 Z+ ; (n) una subdivisión de [a; b] y f una función acotada en [a; b]. Se pone
= Min i; = Max i:
i=1;:::;n i=1;:::;n
De…nición 6 Sea f una función real de…nida en [a; b]. Se dice que f es una función escalonada si y
solo si existe una subdivisión (n) = fx0 = a; x1 ; :::; xn = bg y c1 ; :::; cn 2 R tales que
Note que f es una función de…nida en todo [a; b] y en cada subintervalo abierto ]xi 1 ; xi [ ; i = 1; :::; n, f
es constante.
De…nición 7 Sea s una función escalonada en [a; b] con (n) = fa = x0 ; x1 ; :::; xn = bg la partición
asociada a s y s (x) = ci ; x 2 ]xi 1 ; xi [ ; i = 1; :::; n. La integral de s sobre el intervalo [a; b] se nota
Rb Rb Pn
a s (x) dx y se de…ne como a s (x) dx = ci hi ; donde hi = xi xi 1 ; i = 1; :::; n:
i=1
Rb
La notación a s (x) dx se lee integral de la función s con respecto de x en el intervalo [a; b]. El número
real a es extremo inferior de integración, y el número real b el extremo superior de integración.
Sean s; t dos funciones escalonadas en [a; b] y f una función acotada en [a; b] tales que
Se tiene que sn es una función escalonada inferior a f , tn es una función escalonada superior a f . Las
integrales de estas funciones se de…nen como:
Z b n
X Z b n
X
Sn (f ) = sn (x) dx = i hi ; Tn (f ) = tn (x) dx = i hi ;
a i=1 a i=1
580 CAPÍTULO 12. APENDICE
(b a) Sn (f ) Tn (f ) (b a)
y
n
X
0 Tn (f ) Sn (f ) ! i hi ( ) (b a) ;
i=1
Rb Rb
Se veri…ca inmediatamente que si sn f tn ; a sn (x) dx I (f ) I (f ) a tn (x) dx:
De…nición 9 Sea f una función real, acotada en [a; b]. Se dice que f es integrable en [a; b] si y solo
Rb
si I (f ) = I (f ). En tal caso, escribimos I (f ) = a f (x) dx y al número real I (f ) lo denominamos la
integral de la función f en el intervalo [a; b] :
Las funciones monótonas en [a; b] (crecientes, decrecientes), las funciones continuas en [a; b] son ejemplos
de funciones integrables en [a; b] :
Se denota con I ([a; b]) al conjunto de todas las funciones integrables en [a; b]. Con las operaciones
habituales de adición \ + " de funciones y producto de escalares por funciones, I ([a; b]) es un espacio
vectorial real denominado espacio de funciones integrables en [a; b]. Se tiene
Rb Rb Rb
i. f; g 2 I ([a; b]) ) f + g 2 I ([a; b]), e a [f (x) + g (x)] dx = a f (x) dx + a g (x) dx;
Rb Rb
ii. 2 R, f 2 I ([a; b]) ) f 2 I ([a; b]), e a f (x) dx = a f (x) dx:
R
Si f 2 I ([a; b]) y 2 [a; b] se de…ne f (x) dx = 0:
Rb Rc Rb
i. Si c 2 [a; b] ; a f (x) dx = a f (x) + c f (x) dx:
Rb R b+c
ii. a f (x) dx = a+c f (x c) dx 8c 2 R.
Rb 1
R b x
iii. Para 6= 0; a f (x) dx = a f dx:
Rb
iv. Si f (x) 0 8x 2 [a; b] ; a f (x) dx 0:
Rb Rb
v. a f (x) dx a jf (x)j dx:
Rd Rb
vi. Si [c; d] [a; b] y f (x) 0 8x 2 [a; b] ; c f (x) dx a f (x) dx:
12.1. ESPACIOS VECTORIALES REALES. 581
Rb
Por otro lado, si f (x) 0 8x 2 [a; b], geométricamente a f (x) dx se interpreta como el área de la
región
= (x; y) 2 R2 j 0 y f (x) ; x 2 [a; b] :
Ejercicios
4. Pruebe que con las operaciones de adición de funciones y producto de números reales por funciones
de…nidas en F (A), los siguientes conjuntos son espacios vectoriales reales.
i. 0 2 V ) 0 2 W:
ii. x; y 2 W ) x + y 2 W:
iii. 2 R, x 2 W ) x 2 W:
x0 + W = fx0 + x j x 2 W g
i. V = W1 + W2 :
ii. W1 \ W2 = f0g :
Ejemplos
Bases de V
De…nición 13 Sea A un subconjunto no vacío de un espacio vectorial V: Se dice que x 2 V es una
combinación lineal de elementos de A si existe un número …nito x1 ; :::; xn 2 A y 1 ; :::; n 2 R tales
P
n
que x = i xi :
i=1
12.1. ESPACIOS VECTORIALES REALES. 583
i. B es linealmente independiente.
ii. B genera a V:
De…nición 17
i. Un espacio vectorial real V es de dimensión …nita n si toda base B de V está constituida por
exactamente n elementos. Al único número natural n se le llama dimensión de V y se le denota
dim V , esto es dim V = n:
ii. Se dice que un espacio vectorial real V es de dimensión in…nita si cualquier base B de V tiene
un número in…nito o numerable de elementos.
Ejemplos
P
Sea ! x = ni=1 xi !
x = (x1 ; :::; xn ) 2 Rn . Se tiene ! e i = x1 !
e 1 + ::: + xn !
e n:
n! !o ! !
Para n = 2, el conjunto B = i ; j con i = (1; 0) ; j = (0; 1), es la base canónica de R2 . Note
! !
que !
x = (a; b) 2 R2 se escribe en la forma ! x =a i +bj :
n! ! !o ! ! !
Para n = 3, el conjunto B = i ; j ; k con i = (1; 0; 0) ; j = (0; 1; 0) ; k = (0; 0; 1), es la base
! ! !
canónica de R3 . Si ! x = (a; b; c) 2 R3 entonces !
x =a i +bj +ck:
2. Sea V = C ([0; 2 ]). Consideremos las funciones '0 ; '1 ; :::; 'n de…nidas en [0; 2 ] como sigue:
'0 (x) = 1; '1 (x) = sen x; '2 (x) = sen (2x) ; :::; 'n (x) = sen (nx) :
El conjunto B = f'0 ; '1 ; :::; 'n g es linealmente independiente y genera un espacio W constituido
por todas las combinaciones lineales de '0 ; '1 ; ::; 'n , esto es
( n )
X
W = i 'i j i 2 R, i = 0; 1; :::; n
i=1
f 2 W , f (x) = 0 + 1 sen (x) + ::: + n sen (nx) ; x 2 [0; 2 ]
(1;1) 1; si i = 1; j = 1; (m n) 1; si i = m; j = n;
aij = aij =
0; si 1 < i m; 1 < j n; 0; si 1 i < m; 1 j < n:
Por ejemplo si m = 2, n = 3, la base canónica del espacio vectorial de matrices M2 3 [R] está
formada por las siguientes matrices:
1 0 0 0 1 0 0 0 1
A1 = ; A2 = ; A3 = ;
0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0
A4 = ; A5 = ; A6 = :
1 0 0 0 1 0 0 0 1
Sea A = (aij ) 2 M2 3 [R], entonces A = a11 A1 + ::: + a23 A6 :
6. El espacio Kn ([a; b]) es de dimensión …nita n + 1. La base canónica de Kn ([a; b]) está constituido
por el conjunto de funciones fP0 ; P1 ; :::; Pn g con P0 (x) = 1; Pj (x) = xj x 2 [a; b] ; j = 1; :::; n:
i. N (x) 0 8x 2 V;
ii. N (x) = 0 , x = 0;
iii. N ( x) = j j N (x) 8 2 R, 8x 2 V;
El número real no negativo N (x) se llama norma de x. El par (V; N ) se llama espacio normado.
Observación
Si la función N de V en R veri…ca las propiedades i), iii) y iv) de la de…nición de norma, pero no se
veri…ca ii), la función N se dice seminorma en V:
Note en iv) que x + y es la suma de los elementos x; y de V , mientras que N (x) + N (y) es la suma de
los números reales no negativos N (x) y N (y). En iii), x es el producto del escalar (número real) por
el elemento x de V y j j N (x) es el producto de los números reales no negativos j j y N (x) :
En ii), x = 0 denota el elemento neutro o nulo de V y N (x) = 0 es el elemento neutro o nulo de R.
Notación
Si N es una norma en V , es usual escribir esta función con el símbolo k k en vez de N y el espacio
normado se escribirá (V; k k) o se dirá V espacio normado provisto de la norma k k. Para x 2 V , la norma
de x se escribirá kxk :
Si en V se han de…nido varias normas, es preciso señalar que norma se está utilizando.
Proposición 5 Sea V un espacio normado con k k su norma. Se veri…can las siguientes propiedades:
i. kx yk = ky xk 8x; y 2 V:
ii. j kxk kyk j kx yk 8x; y 2 V:
Demostración.
Comenzamos esta sección considerando el ejemplo más simple de espacio normado: el espacio vectorial
R provisto de la función valor absoluto j j :
Sea V = R. Se de…ne la función k k de R en R como sigue: kxk = jxj 8x 2 R. Entonces, la función k k
de…nida en R es una norma en R. La veri…cación de las propiedades i) a iv) siguen inmediatamente de
las propiedades del valor absoluto siguientes:
i. jxj 0 8x 2 R.
ii. jxj = 0 , x = 0:
iii. j xj = j j jxj 8 ; x 2 R.
iv. jx + yj jxj + jyj 8x; y 2 R, (desigualdad triangular).
586 CAPÍTULO 12. APENDICE
12.3.1. Normas en Rn :
En el espacio vectorial real Rn se consideran dos normas importantes: la del máximo que se denota k k1
y las hölderianas k kp con p 2 [1; 1[ :
Norma k k1 :
Sea V = Rn . Se de…ne la función k k1 de Rn en R como k!
x k1 = Max jxi j 8!
x = (x1 ; :::; xn ) 2 Rn :
i=1;:::;n
Se veri…ca que k k1 es una norma en Rn .
i) Es claro que para todo ! x = (x1 ; :::; xn ) 2 Rn ; k!
x k1 0:
!
ii) Si ! x = 0 = (0; :::; 0) 2 Rn , se tiene k! x k1 = 0: Recíprocamente, si k! x k1 = 0 se sigue que
Max jxi j = 0 y como 0 jxi j Max jxi j = 0 i = 1; :::; n, resulta que xi = 0; i = 1; :::; n, esto es,
i=1;:::;n i=1;:::;n
! ! ! ! !
x = 0 : Así, k x k1 = 0 , x = 0 :
iii) Sean 2 R, !
x = (x1 ; :::; xn ) 2 Rn . Entonces !
x = ( x1 ; :::; xn ) ; y
k !
x k1 = Max j xi j = Max j j jxi j = j j Max jxi j = j j k!
x k1:
i=1;:::;n i=1;:::;n i=1;:::;n
Luego k !
x k1 = j j k !
x k1 :
iv) Sean !
x = (x1 ; :::; xn ) ; !
y = (y1 ; :::; yn ) 2 Rn . Puesto que
!
x +!
y = (x1 + y1 ; :::; xn + yn ) ; jxi + yi j jxi j + jyi j i = 1; :::; n;
k!
x +!
y k1 = Max jxi + yi j Max fjxi j + jyi jg
i=1;:::;n i=1;:::;n
= Max jxi j + Max jyi j = k!
x k1 + k!
y k1 :
i=1;:::;n i=1;:::;n
n
!1
X p
k!
x kp = jxi jp 8!
x = (x1 ; :::; xn ) 2 Rn :
i=1
Entonces k kp es una norma en Rn , llamada norma de Hölder o norma hölderiana. Veri…quemos las
propiedades i) a iv) de la de…nición de norma.
i)Sea !
x = (x1 ; :::; xn ) 2 Rn . Puesto que jxi j 0 i = 1; :::; n, de la de…nición de k kp , se sigue kxkp 0:
! P
n
ii) Si !
x = 0 = (0; :::; 0) se tiene k!
x kp = 0. Supongamos que k!
x kp = 0 entonces jxi jp = 0. Se tiene
i=1
p P
n
p
la siguiente desigualdad: 0 jxi j jxi j = 0 i = 1; :::; n, consecuentemente xi = 0; i = 1; :::; n, o
i=1
!
sea !
x = (0; :::; 0) : Luego, k!
x kp = 0 , !
x = 0:
12.3. EJEMPLOS DE ESPACIOS NORMADOS. 587
iii) Sean 2 R, !
x = (x1 ; :::; xn ) 2 Rn . Entonces !
x = ( x1 ; :::; xn ) y por la de…nición de k kp , se tiene
n
!1 n
!1 n
!1
X p X p X p
k !
x kp = j xi jp = j jp jxi jp = j jp
jxi jp
i=1 i=1 i=1
n
!1
X p
= j j jxi jp = j j k!
x kp :
i=1
Por lo tanto, k !
x kp = j j k !
x kp :
iv) Para probar la desigualdad triangular, se requieren de dos resultados preliminares: la desigualdad de
Young y la desigualdad de Hölder.
Desigualdad de Young.
1 1
Esta se establece en los siguientes términos: sean p; q 2 ]1; 1[ tales que p + q = 1; 0; 0:
Entonces
1 1 1 1
p q + :
p q
Para probar esta desigualdad, estudiemos la función siguiente:
(
[0; 1[ ! R
f: 1
x ! f (x) = 1q + p1 x xp :
Para x > 0 calculemos la derivada f 0 (x) y determinemos los puntos críticos y los intervalos donde
f 0 (x) > 0; f 0 (x) < 0; tenemos
1 1 p1 1 1 1 1 1 1
f 0 (x) = x = x q = 1 x q ;
p p p p p
1
f 0 (x) = 0 , x q = 1 , x = 1;
1
f 0 (x) > 0 , 1 x q > 0 , x > 1;
0
f (x) < 0 ) 0 < x < 1:
La función f es decreciente sobre ]0; 1[ y creciente si x 1. Puesto que f (1) = 0; la función f tiene un
mínimo local en x = 1. Además, f (0) = 1q > 0 y f (x) ! +1. Luego f (1) = 0 es un mínimo global.
x!1
En consecuencia, para todo x 0, f (x) 0. En particular, para x 1 y siendo f creciente, se tiene
1 1 1
0 = f (1) f (x) = + x xp
q p
1 1 1
y de esta desigualdad se obtiene x p + x:
q p
Para =0o = 0, la desigualdad de Young se veri…ca trivialmente. Supongamos que > 0; >0y
x= 1 si (en el caso contrario ponemos x = 1). Remplazando x = en la desigualdad
1 1 1
precedente, resulta
p 1
+ 1
; luego p p +1 1
+ 1
: Como 1
+ 1
= 1, se tiene 1
=1 1
q p p q p q q p,
1 1
p q 1 1
con lo que p + q :
Desigualdad de Hölder.
1 1
donde p; q 2 ]1; 1[ tales que + = 1:
p q
Si !
x =0o!
y = 0, la desigualdad de Hölder se veri…ca trivialmente. Supongamos ! 6 0; !
x = y =
6 0:
jxi jp jyi jq
Sean = ! p; = ! q . Apliquemos la desigualdad de Young. Resulta
k x kp k y kq
!1 !1
jxi jp p
jyi jq q
1 jxi jp 1 jyi jq
+ i = 1; :::; n;
k! k! p k!
x kp q k!
p q p q
x kp y kq y kq
con lo cual
jxi j jyi j 1 jxi jp 1 jyi jq
+ i = 1; :::; n:
k!x kp k!
y kq p k!
x kp q k!
p
y kq
q
P
n P
n Pn
Puesto que k! k!
p q
x kp = jxi jp ; jyi jq , entonces !
y kq = 1 1
jx j jy j 1
+ 1
= 1; y de
k kp k kq 1=n i i
x !
y p q
i=1 i=1 Pn
esta desigualdad se deduce la lesigualdad de Hölder: 1=n jxi yi j k!
x kp k!
y kq :
Desigualdad triangular: k!
x +!
y kp k!
x kp + k!
y kp 8!
x;!
y 2 Rn :
De la de…nición de k kp , obtenemos
n
X n
X n
X
k!
x +!
p p p 1
y kp = jxi + yi j = jxi + yi j jxi + yi j jxi + yi jp 1
(jxi j + jyi j)
i=1 i=1 i=1
Xn n
X
p 1
= jxi + yi j jxi j + jxi + yi jp 1
jyi j :
i=1 i=1
1 1
Apliquemos la desigualdad de Hölder a cada sumando del lado derecho. Ya que p + q = 1, se obtiene
p + q = pq con lo que p = q (p 1) : Luego
n n
!1 n
!1 n
!1
X X p X q X q
jxi + yi jp 1
jxi j jxi jp jxi + yi j(p 1)q
= k!
x kp jxi + yi jp
i=q i=1 i=1 i=1
1
= k!
x kp k!
x +!
p q
y kp ;
1
Pn
k!
y kp k!
x +!
p 1 p q
Análogamente, i=1 jxi + yi j jyi j y kp : Por lo tanto
n
X n
X
k!
x +!
p
y kp jxi + yi jp 1
jxi j + jxi + yi jp 1
jyi j
i=1 i=1
1 1
k!
x kp k!
x +! + k!
y kp k!
x +!
p q p q
y kp y kp
p
= k!
x kp + k!
y kp k!
x +!
y kpq ;
p
p
y de esta desigualdad, se deduce k!
x +! y kp q k!
x kp +k!
y kp : Nuevamente p1 + 1q = 1 entonces 1 = p p
q,
con lo que se obtiene la desigualdad triangular: k!x +! y kp k! x kp + k!
y kp :
Para n = 2; !
x = (x; y) 2 R2 la norma de Hölder está de…nida como sigue:
1
k!
x kp = (jxjp + jyjp ) p con p 2 [1; 1[ :
12.3. EJEMPLOS DE ESPACIOS NORMADOS. 589
como k!
x k3 = jxj3 + jyj3
3
:
Para n = 3; !
x = (x; y; z) 2 R3 la norma de Hölder k kp está de…nida como
1
k!
x kp = (jxjp + jyjp + jzjp ) p con p 2 [1; 1[ :
1
Particularmente, para p = 1; k!
x k1 = jxj + jyj + jzj : Para p = 2; k!
x k2 = x2 + y 2 + z 2 2. Esta es la
2
7 7 7 7
norma euclídea. Para p = 3;5 = 27 ; k!
x k7 = jxj 2 + jyj 2 + jzj 2 :
2
Consecuencias
P
1. Para p = 1 la norma k k1 está de…nida como k! x k1 = ni=1 jxi j !
x = (x1 ; :::; xn ) 2 Rn : Además,
! n
para y = (y1 ; :::; yn ) 2 R , se veri…ca la desigualdad de Hölder para p = 1 y q = 1:
n
X
jxi yi j k!
x k1 k!
y k1 :
i=1
n
X n
X n
X n
X
jxi yi j = jxi j jyi j (jxi j k!
y k1 ) k!
y k1 jxi j = k!
y k1 k!
x k1 :
i=1 i=1 i=1 i=1
n
!1
X p
k!
x k1 = Max jxi j jxi j p
= k!
x kp :
i=1;:::;n
i=1
n
!1 n
!1 n
!1
X p X p p X p
k! k!
p
x kp = jxi jp Max jxi j = x k1
i=1;:::;n
i=1 i=1 i=1
n
!1
X p 1
= k!
x k1 1 = n p k!
x k1 :
i=1
1
De los dos resultados previos, se deduce la siguiente desigualdad: k!
x k1 k!
x kp n p k!
x k1 :
Tomando límite cuando p ! 1; se obtiene
1
l m k!
x k1 l m k!
x kp l m n p k!
x k1 ;
p!1 p!1 p!1
1
y como l m n p = 1, se deduce k!
x k1 l mp!1 k!
x kp k!
x k1 : Así, l mp!1 k!
x kp = k!
x k1 :
p!1
590 CAPÍTULO 12. APENDICE
q p
3. Relación entre k kp y k kq con 1 p < q. Mostremos que k!
x kp n pq k!
x kq 8!
x 2 Rn con
q > p 1:
q 1 1
Sean p; q 2 [1; 1[ con q > p. Sea r = > 1 y s 2 ]1; 1[ tal que + = 1: Por la desigualdad de
p r s
Hölder, para cada ! x = (x ; :::; x ) 2 Rn se tiene
1 n
n n
!1 n
!1 n
!1 n
!1
X X s X r 1 X r 1 X r
k!
p
x kp = jxi jp 1s (jxi jp )r = ns jxi jpr = ns jxi jq
i=1 i=1 i=1 i=1 i=1
1 q
1 1 1
= n s k! n s k! n s k!
q r p
x kq = x kqr = x kq :
1
= p. Se tiene k! n s k!
q q p p
Note que r = p entonces pr = q y r x kp x kq y tomando la raíz p-ésima
1 1 1 q
se deduce k!
x kp n sp k!
x kq : Como + = 1 y r = se sigue que s = q q p y en consecuencia
r s p
q p
k!
x kp n pq k!
x kq :
q p
Así, si p; q 2 [1; 1[ tales que q > p 1; k!
x kp n pq k!
x kq 8!
x 2 Rn :
1
Pn
4. Si p = 2 y !
x = (x1 ; :::; xn ) 2 Rn , la norma k k2 viene dada por k!
x k2 = i=1 jxi j
2 2
que se conoce
con el nombre de norma euclídea. Además, ! !
p = q = 2; x = (x1 ; :::; xn ) ; y = (y1 ; :::; yn ) 2 R2 ,
Ppara
la desigualdad de Hölder se escribe n
jx y j k!x k k!y k ; que coincide con la conocida
i=1 i i 2 2
desigualdad de Cauchy-Schwarz que se verá más adelante.
Sea !
v 2 Rn tal que k!
v kp = 1 y sea !
x = 2!
v : Entonces,
k!
x kp = !
v = k!
v kp = < ;
2 p 2 2
12.3. EJEMPLOS DE ESPACIOS NORMADOS. 591
kT (!
x )kq = kT (!
v )kq < ;
2
de donde kT (!
v )kq < 2
= M:
Así, kT (!v )kq M 8! v 2 Rn con k! v kp = 1; y de la de…nición de T se sigue que el conjunto
n o
kA! x kq j !
x 2 Rn con k!x kp = 1 es acotado superiormente. Este resultado nos permite de…nir las
normas geométricas de matrices que a continuación se propone.
De…nición 19 Sea A = (aij ) 2 Mm n [R]. La norma geométrica de la matriz A se denota con jkAkj
y se de…ne como jkAkj = supk! !
x k 1 kA x kq :
p
Se veri…ca inmediatamente que jk kj es una norma en Mm n [R] : La prueba se deja como ejercicio.
Además, de la de…nición de norma geométrica de una matriz se sigue inmediatamente que para toda
matriz A 2 Mm n [R] se veri…ca la desigualdad siguiente:
kA!
x kq jkAkj k!
x kp 8!
x 2 Rn :
Pm
i. jkAkj1 = sup kA!x k1 = max jaij j (máximo por columnas de A).
j=1;:::;n i=1
k!
x k1 1
P
n
ii. jkAkj1 = sup kA!
x k1 = max jaij j (máximo por …las de A).
i=1;:::;m j=1
k!
x k1 1
1
2
iii. jkAkj2 = sup kA! x k2 = max j i j ; donde 1; : : : n son los valores propios de AT A
i=1;:::;n
k!x k2 1
y AT denota la matriz transpuesta de A.
Demostración.
P
m P
n
i. a) Probemos que jkAkj1 max jaij j : Sea !
x T = (x1 ; :::; xn ) 2 Rn tal que k!
x k1 = jxj j = 1.
j=1;:::;n i=1 j=1
Entonces, 2 P 3
n
2 32 3 a x
a11 a1n x1 6 j=1 1j j 7
6 7
6 .. .. 7 6 .. 7 6 .. 7
A!
x =4 . . 54 . 5=6 7;
6 n . 7
am1 amn xn 4 P 5
amj xj
j=1
P
m
b) Probemos que max jaij j jkAkj1 : Para el efecto, sea k la columna para la cual se veri…ca
j=1;:::;n i=1
P
m Pm
la igualdad max jaij j = jaik j : Para !
x =!
ek , el k-ésimo vector de la base canónica de Rn ,
j=1;:::;n i=1
2 3 i=1
a1k
6 7 P Pm
ek = 4 ... 5 ; y en consecuencia kA!
se tiene A! e k k1 = m i=1 jaik j = maxj=1;:::;n i=1 jaik j :
amk
Nuevamente, de la de…nición de la norma geométrica jk kj1 ; se obtiene la desigualdad siguiente:
n
X
max jaij j = kA!
e k k1 sup kA!
x k1 = jkAkj1 :
j=1;:::;n
i=1 k!
x k1 1
Xn
!
jkAkj1 = sup kA x k1 = max jaij j :
j=1;:::;n
k!
xk 1 i=1
P
n
ii. Primeramente, obtenemos la desigualdad jkAkj1 max jaij j. Sea !
x T = (x1 ; :::; xn ) 2 Rn tal
i=1;:::;m j=1
que k!
x k1 = max jxj j = 1. Entonces, jxj j k!
x k1 , j = 1; :::; n, y
j=1;:::;n
n
X n
X n
X
kA!
x k1 = max aij xj max jaij j jxj j max jaij j ;
i=1;:::;m i=1;:::;m i=1;:::;m
j=1 j=1 j=1
consecuentemente
n
X
kA!
x k1 sup kA!
x k1 = jkAkj1 max jaij j :
i=1;:::;m
k!
x k1 1 j=1
P
n
Mostremos a continuación la desigualdad max jaij j
jkAkj1 : Para el efecto, sea k el
i=1;:::;m j=1
P Pn
índice para el cual la …la k-ésima de A es tal que maxi=1;:::;m nj=1 jaij j = j=1 jakj j : Sea
8
< j akj j
! ; si akj 6= 0;
x T = (x1 ; :::; xn ) 2 Rn de…nido como sigue: xj = akj Se tiene k!x k1 = 1, y
:
0; si akj = 0:
n
X n
X
kA!
x k1 = max aij xj = jakj j ;
i=1;:::;m
j=1 j=1
de donde
n
X
jakj j = kA!
x k1 sup kA!
x k1 = jkAkj1 :
j=1 k!
x k1 1
Pn
Por lo tanto, jkAkj1 = maxi=1;:::;m j=1 jaij j :
n
!1
1 X 2
k!
x k2 = !
xT !
x 2
= x2i 8!
x 2 Rn ;
i=1
kA!
x k2 = (A!
x ) A!
x =!
x T AT A! 8!
2 T
x x 2 Rn :
Sea S = ! x 2 Rn j ! x T!
x = 1 ; y consideramos el problema siguiente: max!
x 2S g (x) : Note que
! ! 2
g ( x ) = kA x k2 ; de modo que
1
jkAkj2 = sup kA!x k2 = sup [g (!
x )] 2 :
k!
x k2 1 k!
x k2 1
Puesto que AT A es simétrica, se sabe que los valores propios son reales. Sean 1 ; : : : ; n 2 R
tales valores propios, y ! x 1; : : : ; !
x n 2 Rn los respectivos vectores propios tales quek!
x i k2 = 1
i = 1; : : : ; n; esto es,
AT A! x i = i xi i = 1; : : : ; n
! 2
k x i k2 = 1:
De la de…nición de la función g se deduce
0 g (! x i) = !
x Ti AT A!
xi =!
x Ti i
!
xi = i i = 1; : : : ; n:
1
2
Por lo tanto jkAkj2 = sup kA!x k2 = max j i j :
i=1;:::;n
k!
x k2 1
Observación
! !
1. Sea A = (a1 ; :::; an ) 2 Rn . Se tiene A = (a1 ; :::; an ) 2 M1 n [R]. Entonces jkAkj1 = A ;y
1
!
jkAkj1 = A :
1
Las normas geométricas de matrices son submultiplicativas, como se muestra en el siguiente teorema.
Demostración.
kAB ! x k1 kA! y k1 k!
y k1
i. Sea !
x 2 Rn con !
x =6 0 tal que !
y = B! x 6= 0. Entonces ! = : Luego
k x k1 k y k1 k!
! x k1
kAB ! x k1 kA! y k1 k! y k1
jkABkj1 = sup ! = sup ! !
x k1 1 k x k1
k! k!x k1 1 k y k1 k x k1
kA! y k1 kB !y k1
sup ! sup ! = jkAkj1 jkBkj1 :
!
k k1
y 1 k y k 1 !
k k1
x 1 k x k1
594 CAPÍTULO 12. APENDICE
kAB !
x k1 = kAB !
x k1 jkAkj1 jkB !
x kj1 jkAkj1 jkBkj1 k!
x k1 ;
de donde
jkAkj1 = max kAB !
x k1 jkAkj1 jkBkj1 :
k!
x k1 1
ii. Sea !
x 2 Rn . Entonces,
kAB !
x k1 = kA (B !
x )k1 jkAkj1 jkB !
x kj1 jkAkj1 jkBkj1 k!
x k1 ;
y para k!
x k1 1, se obtiene jkABkj1 jkAkj1 jkBkj1 :
iii. Es inmediata.
P
m P
n
a) N (A) = jaij j :
i=1 j=1
!1
2
P
m P
n
2
b) N (A) = jaij j :
i=1 j=1
P
n
d) N (A) = Max jaij j :
i=1;:::;m j=1
P
m
e) N (A) = Max jaij j :
j=1;:::;n i=1
!1
p
P
m P
n
p
f ) Sean p 2 [1; 1[ y A = (aij )m n 2 Mm n 2 [R]. Se de…ne kAkp = jaij j ; entonces k kp es
i=1 j=1
una norma de Hölder sobre Mm n [R].
Sean a; b 2 R tales que a < b. Se denota con C ([a; b]) al espacio de todas las funciones continuas en [a; b] :
En este espacio se van a de…nir dos normas: la norma de Chebyshev notada k k1 y la norma de Hölder
que se denota con k kp , donde p 2 [1; 1[.
Norma de Chebyshev.
Se de…ne la función k k1 de C ([a; b]) en R como se indica a continuación:
Esta se conoce como norma de Chebyshev. Probemos que k k1 es una norma sobre C ([a; b]). En efecto,
i) De la de…nición de k k1 , se tiene kf k1 0:
ii) Si f = 0, esto es, f (x) = 0 8x 2 [a; b] ; kf k1 = 0. Recíprocamente, si kf k1 = 0 = Max jf (x)j,
x2[a;b]
entonces f (x) = 0 8x 2 [a; b], es decir que f = 0:
iii) Sean 2 R, f 2 C ([a; b]). Entonces k f k1 = Max j f (x)j = j j kf k1 :
x2[a;b]
12.3. EJEMPLOS DE ESPACIOS NORMADOS. 595
iv) Sean f; g 2 C ([a; b]). Entonces jf (x) + g (x)j jf (x)j + jg (x)j 8x 2 [a; b] : Resulta,
Probemos que k kp es una norma sobre C ([a; b]) denominada norma hölderiana. Para el efecto mostremos
que k kp satisface las cuatro propiedades de la de…nición de norma.
i) Es claro que kf kp 0 8f 2 C ([a; b]) :
ii) Si f = 0 se tiene kf kp = 0. Supongamos que kf kp = 0 y probemos que f = 0, o lo que es equivalente
a probar que f 6= 0 ) kf kp 6= 0: Recuerde que si u; v son proposiciones, se tiene la siguiente tautología:
(u =) v) () [( v) =) ( u)]: Efectivamente, si f 6= 0, existe x0 2 [a; b] tal que f (x0 ) 6= 0 y como f
es continua, existe [ ; ] [a; b] tal que f (x) 6= 0 8x 2 [ ; ]. Luego
Z Z b
p
0< jf (x)j dx jf (x)jp dx = kf kpp ;
a
o lo que es lo mismo
Z b Z b
1
p
Z b
1
q
p q
jf (x) g (x)j dx jf (x)j dx jg (x)j dx :
a a a
p
jg(x)jq
Para probar esta desigualdad se pone = jfkf(x)j
kpp
, = kgkqq
con f 6= 0; g 6= 0 en la desigualdad de
Young que ha sido establecida anteriormente. Se obtiene
jf (x)j jg(x)j 1 jf (x)jp 1 jg(x)jq
+ x 2 [a; b];
kf kp kgkq p kf kpp q kgkqq
kf + gkp kf kp + kgkp :
596 CAPÍTULO 12. APENDICE
En esta sección revisamos brevemente una clase de espacios vectoriales reales V en los que se de…ne un
producto escalar (dicho también producto interno o producto punto) que los denominaremos espacios
con producto escalar o espacios con producto punto, o espacios euclídeos. En esta clase de espacios se
introducirán las nociones geométricas de ángulo, de perpendicularidad u ortogonalidad, la conocida ley
del paralelogramo y el teorema de Pitágoras.
Enfatizaremos en dos clases de espacios Rn y C ([a; b]).
De…nición 20 Sea V un espacio vectorial real. Un producto interno o producto escalar en V es una
función denotada h ; i de V V en R que satisface las siguientes propiedades:
iv. hx; xi = 0 , x = 0;
hx; xi > 0 , x 6= 0 x 2 V:
Para x; y 2 V , el número real hx; yi se llama producto escalar o producto interno de x con y.
12.4. ESPACIOS CON PRODUCTO INTERNO. 597
Observación
Si V es un espacio vectorial complejo y h ; i denota un producto escalar en V , la propiedad i) se escribe
como hx; yi = hy; xi 8x; y 2 V; donde el lado derecho de la igualdad designa el número complejo
conjugado de hy; xi. Las propiedades ii), iii) y iv) de la de…nición de producto escalar permanecen
invariables.
Ejemplos
Pn
1. Sea V = Rn . Un producto escalar h ; i en Rn se de…ne como h! x;! yi = i=1 xi yi ; donde
! !
x = (x1 ; :::; xn ), y = (y1 ; :::; yn ) 2 R . En notación matricial, esto es, los elementos de Rn
n
donde !
x T = (x1 ; :::; xn ) ; !
y T = (y1 ; :::; yn ) 2 Rn denotan los vectores transpuestos de los vectores
! !
columna x e y . Las propiedades i) a iv) de la de…nición de producto escalar se veri…can fácilmente
y se dejan como ejercicio.
Para n = 2, el producto h ; i en R2 está dado como sigue: si ! x = (a1 ; b1 ), !y = (a2 ; b2 ) 2 R2 ,
! !
entonces h x ; y i = a1 a2 + b1 b2 :
Para n = 3, el producto h ; i en R3 está dado como h!
x;!
y i = a1 a2 +b1 b2 +c1 c2 con !
x = (a1 ; b1 ; c1 ),
! 3
y = (a ; b ; c ) 2 R .
2 2 2
Por ejemplo, si f , g 2 C ([ 1; 1]) están dadas como f (x) = x3 , g (x) = x2 + 1 x 2 [ 1; 1]. Entonces
Z 1 Z 1
hf; gi = f (x) g (x) dx = x3 x2 + 1 dx = 0:
1 1
Probemos que la función h ; i de C ([a; b]) C ([a; b]) en R satisface las cuatro propiedades de la
de…nición de producto escalar. Para ello utilicemos algunas propiedades de las funciones integrables
y de las funciones continuas. Sean f; g; h 2 C ([a; b]) y 2 R. Entonces
Rb Rb
i. hf; gi = f (x) g (x) dx = a g (x) f (x) dx = hg; f i :
a
Rb Rb Rb
ii. hf + g; hi = a [f (x) + g (x)] h (x) dx = a f (x) h (x) dx + a g (x) h (x) dx = hf; hi + hg; hi :
Rb Rb
iii. h f; gi = a f (x) g (x) dx = a f (x) g (x) dx = hf; gi :
iv. Si f = 0 es claro que hf; f i = 0. Mostremos que si hf; f i = 0 entonces f = 0. Para ello,
haciendo uso de la tautología (p ) q) , [( q) ) ( p)] en la que p; q son las proposiciones
siguientes p : f = 0; q : hf; f i = 0; tenemos la proposición siguiente: f 6= 0 ) hf; f i > 0:
Si f 6= 0, existe x0 2 [a; b] tal que f (x0 ) 6= 0. Por hipótesis f es continua, por lo tanto
es continua en x0 y siendo f (x0 ) 6= 0, existe un intervalo [ ; ] [a; b] tal que f (x) 6= 0
8x 2 [ ; ]. Luego
Z Z b
0< f 2 (x) dx f 2 (x) dx = hf; f i :
a
Así, f 6= 0 ) hf; f i > 0 y por la tautología antes citada se deduce hf; f i = 0 ) f = 0:
Consecuentemente, hf; f i = 0 , f = 0: Además, del resultado precedente, es claro que
hf; f i > 0 8f 2 C ([a; b]) con f 6= 0:
598 CAPÍTULO 12. APENDICE
3. Sean V =PMn n [R], A = (aij ) 2 Mn n [R]. La traza de la matriz A se nota tr (A) y se de…ne como
tr (A) = ni=1 aii : Una función h ; i de Mn n [R] Mn n [R] en R de…nida como
En un espacio vectorial real V se pueden de…nir una in…nidad de productos escalares. En los
ejercicios se exhiben algunos productos escalares de…nidos en R2 y en C ([0; 1]).
Ejemplos
1. En el caso en que V = Rn , la norma del vector ! x T = (x1 ; :::; xn ) 2 Rn asociada al producto escalar
P
n 1 Pn 1
de…nido como ! x T!y = xi yi , se escribe k!
x k2 = !x T! x 2 = 2 2 : Esta norma coincide
i=1 xi
i=1
con la norma hölderiana en Rn con p = 2.
3. Se denota Kn ([a; b]) al espacio vectorial de los polinomios reales de grado n restringidos al
intervalo [a; b] R El espacio Kn ([a; b]) es un subespacio de C ([a; b]) de dimensión n + 1. De…nido
un producto escalar h ; i en C ([a; b]), este es un producto escalar en Kn ([a; b]) y la norma asociada
se escribe
Z b 1
2
1
2
kpk2 = (hp; pi) 2 = p (t) dt 8p 2 Kn ([a; b]) :
a
En tal caso diremos que Kn ([a; b]) es un espacio con producto intermo inducido por el de C ([a; b])
y que la norma k k2 en Kn ([a; b]) es la inducida por la norma k k2 en C ([a; b]).
12.4. ESPACIOS CON PRODUCTO INTERNO. 599
Z ! !1
1 2 2
df
kf k1;2 = jf (x)j2 + (x) dx :
1 dx
Z 1
2
2
kf k = jf (x; y)j dxdy :
6. Considerar el espacio de funciones C 1 ([ 1; 1]) que poseen derivada continua en [ 1; 1]. Se de…ne
la función h ; i1 de C 1 ([ 1; 1]) C 1 ([ 1; 1]) en R como sigue:
Z 1
hu; vi1 = u (x) v (x) + u0 (x) v 0 (x) dx 8u; v 2 C 1 ([ 1; 1]) .
1
f 2 + jrf j2
2
escalar se escribe como kf k1;2 = 8f 2 C 1 ( ):
600 CAPÍTULO 12. APENDICE
Teorema 8 Sea V un espacio vectorial real provisto de un producto escalar h ; i. La longitud o norma
k k en V satisface las siguientes propiedades:
i. kxk 0 8x 2 V:
ii. kxk = 0 , x = 0:
iii. k xk = j j kxk 8 2 R; x 2 V:
viii. hx; yi = 1
4 kx + yk2 kx yk2 8x; y 2 V (identidad de polarización).
Demostración.
Así, k xk = j j kxk 8 2 R; 8x 2 V:
iv. Sean x; y 2 V . Por la parte i) de este teorema se tiene kx + yk2 0 8 2 R. Luego, por la
de…nición de norma y las propiedades del producto escalar, se tiene
v. Sean x; y 2 V . Entonces
Luego,
kx + yk2 = kxk2 + 2 hx; yi + kyk2 kxk2 + 2 kxk kyk + kyk2 = (kxk + kyk)2 :
vi. La desigualdad jkxk kykj kx yk 8x; y 2 V ya fue probada en la sección de los espacios
normados.
kx + yk2 + kx yk2 = hx + y; x + yi + hx y; x yi
= hx; xi + 2 hx; yi + hy; yi + hx; xi 2 hx; yi + hy; yi
= 2 kxk2 + kyk2 :
i. d (x; y) 0 8x; y 2 V:
ii. d (x; y) = 0 , x = y; x; y 2 V .
iii) Sean M; N dos subconjuntos no vacíos de V . Se dice que M es ortogonal a N; que se nota
M ? N , si y solo si hx; yi = 0 8x 2 M; 8y 2 N:
Ejemplos
602 CAPÍTULO 12. APENDICE
1. Sea V = Rn : El conjunto M = f! e 1; : : : ; !
e n g ; donde !
e T1 = (1; 0; : : : ; 0) ; : : : ; !
e Tn = (0; : : : ; 0; 1)
n
son los vectores de la base canónica de R ; es un conjuto ortogonal, pués
!
e Tj !
e k = 0 si j 6= k; y, k!
e jk = 1 j = 1; : : : ; n:
2. Sean L > 0: Se denota con C ([ L; L]) al espacio vectorial de las funciones continuas en [ L; L] :
Proveemos a C ([ L; L]) del producto escalar h ; i de…nido por
Z L
hu; vi = u (x) v (x) dx 8u; v 2 C ([ L; L]) :
L
Los siguientes conjuntos de funciones son muy importantes en el desarrollo en series de Fourier de
funciones reales periódicas de período 2L y continuas a trozos en el intervalo [ L; L] : Sean M; N
los subconjuntos de C ([ L; L]) de…nidos como M = f'k j k 2 Ng ; N = f k j k 2 Z+ g ; donde
k x
'0 (x) = 1 x 2 [ L; L] ; 'k (x) = cos x 2 [ L; L] ; k = 1; 2; : : : ;
L
k x
k (x) = sen x 2 [ L; L] ; k = 1; 2; : : :
L
Se tiene
i) M es un conjunto ortogonal.
ii) N es un conjunto ortogonal.
iii) M ? N:
i) Probemos que M es ortogonal, esto es,
h'0 ; 'k i = 0 8k = 1; 2; : : :
'j ; ' k = 0 8j; k 2 Z con j 6= k:
En efecto, de la de…nición de '0 y 'k ; se tiene
Z L Z L L
k x L k x
h'0 ; 'k i = '0 (x) 'k (x) dx = cos dx = sen =0 k = 1; 2; : : :
L L L k L L
De…nición 25 Sea V un espacio con producto interior, x; y 2 V: El ángulo 2 [0; ] que forman los
hx;yi
vectores x e y se de…ne como cos = kxkkyk x 6= 0; y =
6 0:
n 2 n
X X
xi = k xi k2 :
i=1 i=1
Por hipótesis x ? y, luego hx; yi = 0; y como hx; xi = kxk2 ; hy; yi = kyk2 ; se concluye
La prueba de la generalización del teorema de Pitágoras a una familia ortogonal …nita se realiza por
inducción y se propone como ejercicio.
En el caso de espacios vectoriales reales, se tiene que: si x; y 2 V tales que kx + yk2 = kxk2 + kyk2
entonces x ? y: Efectivamente, si x; y 2 V entonces kx + yk2 = kxk2 + 2 hx; yi + kyk2 : Por hipótesis,
kx + yk2 = kxk2 + kyk2 ; y de la igualdad kxk2 + kyk2 = kxk2 + 2 hx; yi + kyk2 de donde hx; yi = 0; o
sea x ? y:
1. Owe Axelsson, Iterative Solution Methods, Editorial Cambridge University Press, Cambridge, 1996.
2. E. K. Blum, Numerical Analysis and Computation. Theory and Practice, Editorial Addison-Wesley
Publishing Company, Reading, Massachusetts, 1972.
3. Richard L. Burden, J. Douglas Faires, Análisis Numérico, Séptima Edición, International Thomson
Editores, S. A., México,2002.
5. James W. Demmel, Applied Numerical Linear Algebra, Editorial Society for Industrial and Applied
Mathematics (SIAM), Philadelphia, 1997.
8. Stephen H. Friedberg, Arnold J. Insel, Lawrence E. Spence, Algebra Lineal, Editorial Publicaciones
Cultural, S. A., México, 1982.
9. Noel Gastinel, Análisis Numérico Lineal, Editorial Reverté, S. A., Barcelona, 1975.
604 CAPÍTULO 12. APENDICE
10. Gene H. Golub, Charles F. Van Loan, Matrix Computations, Second Edition, The Johns Hopkins
University Press, Baltimore, 1989.
11. Kenneth Ho¤man, Ray Kunze, Algebra Lineal, Editorial Prentice-Hall Hispanoamericana, S. A.,
México, 1987.
13. Roger A. Horn, Charles R. Johnson, Matrix Analysis, Editorial Cambridge University Press,
Cambridge, 1999.
15. Peter Linz, Theoretical Numerical Analysis, Editorial Dover Publications, Inc., New York, 2001.
16. Anthony N. Michel, Charles J. Herget, Applied Algebra and Functional Analysis, Editorial Dover
Publications, Inc., New York, 1981.
17. Ben Noble, James W. Daniel, Algebra Lineal Aplicada, Editorial Prentice-Hall Hispanoamericana,
S. A., México, 1989.
18. Fazlollah Reza, Los Espacios Lineales en la Ingeniería, Editorial Reverté, S. A., Barcelona, 1977.
19. Gilbert Strang, Algebra Lineal y sus Aplicaciones, Editorial Fondo Educativo Interamericano,
México, 1982.
20. Arthur Wouk, A Course of Applied Functional Analysis, Editorial John Wiley&Sons, New York,
1979.